Nurdiansyah, Taufik Reza (2022) Pengaplikasian Convolutional Neural Network Sebagai Metode Pendeteksi Korosi Pada Struktur Kapal. Other thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 04211740000079-Undergraduate_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
04211740000079-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (3MB) | Request a copy |
Abstract
Korosi merupakan deformasi yang dapat menimbulkan kerusakan yang fatal
pada kapal. Dengan seiringnya waktu dikembangkan beberapa prosedur dan standar yang
dapat dilakukan untuk meminimalisir dan menanggulangi berkembangnya korosi.
Prosedur dasar yang dilakukan hingga saat ini adalah dengan melakukan inspeksi.
Namun, pelaksanaan inspeksi ini faktanya menimbulkan masalah lain yaitu keselamatan
pelaksana inspeksi dan kurangnya objektivitas antara pelaksana inspeksi. Pada penelitian
ini, dirancang suatu sistem berbasis machine learning untuk menunjang proses inspeksi
tersebut. Penelitian ini menggunakan metode pendeteksian objek dengan menggunakan
model pra terlatih yaitu MobileNetSSD untuk mendeteksi 3 tipe korosi yaitu korosi
seragam (uniform corrosion), korosi sumuran (pitting corrosion), dan korosi tepi (edge
corrosion). Berikutnya model ini akan diberikan algoritma tambahan untuk menunjang
pelaksanaan evaluasi keparahan korosi sumuran sesuai dengan 8 standar pola korosi
sumuran yang terdapat pada API 579. Algoritma tersebut dilaksanakan menggunakan 2
metode. Metode thresholding digunakan sebagai pendeteksi tingkat keparahan korosi
sumuran yang ditunjukan dalam bentuk presentase antara korosi dengan plat. Metode
selanjutnya adalah dengan menggunakan 2 kamera stereo untuk melakukan pendeteksian
ukuran objek yang terdeteksi. Perangkat lunak ini kemudian diintegrasikan dengan
raspberry pi sehingga proses inspeksi dapat dilakukan dengan mobilitas yang tinggi.
Meskipun data yang digunakan memiliki jumlah yang sangat rendah hasil penelitian
menunjukan pendeteksian objek dengan nilai akurasi yang cukup baik yaitu pada 63%
dan loss pada nilai 32%. Baik algoritma pendeteksian luasan dan FPS yang dihasilkan
juga menunjukan nilai yang baik. Untuk algoritma pendeteksian luasan dalam
pendeteksian jarak memiliki nilai eror yang relatif kecil yaitu 18 cm dan untuk
pendeteksian ukuran baik panjang dan lebar objek sebesar 5 cm. Setelah diintegrasikan
dengan raspberry pi proses pendeteksian objek menunjukan kecepatan diantara 15
hingga 22 FPS. Hasil keseluruhan menunjukan bahwa metode ini dapat digunakan tetapi
studi lebih lanjut harus dilakukan untuk meningkatkan akurasi.
================================================================================================
Corrosion is deformation that can cause fatal damage to the ship. Over time,
several procedures and standards have been developed to minimize and cope with the
development of corrosion. The basic procedure carried out till this day is to carry out
inspections. However, the implementation of these inspections in fact raises other
problems, namely the safety of the inspectors and the lack of objectivity between the
inspectors. In this studi, a machine learning-based system was designed to support the
inspection process. This study uses an object detection method using a pre-trained model,
namely MobileNetSSD to detect 3 types of corrosion which is uniform corrosion, pitting
corrosion, and edge corrosion. Next, this model will be given an additional algorithm to
support the evaluation of pitting corrosion severity in accordance with the 8 standrad
pitting corrosion patterns contained in API 579. The algorithm is carried out using two
methods. The thresholding method used as a detector for the severity of pitting corrosion
which is shown in the form of a percentage between corrosion and plate. The next method
is to use 2 stereo cameras to detect the size of the detected object. This software is then
integrated with the raspberry pi so that the inspection process can be carried out with high
mobility. Although the data used in this research has a very low amount, the results of
the study show object detection with a fairly good accuracy value at 63% and loss value
at 32%. Both the area detection algorithm and the resulting FPS also shows good values.
The area detection algorithm for distance detection has a relatively small error value of
18 cm and for the detection of both the length and width of the object is 5 cm. After being
integrated with the raspberry pi, the object detection process shows speeds between 15 to
22 FPS. The overall result shows that this method is able to be used but further study
should be made to increase the accuracy.
Actions (login required)
 |
View Item |