Sistem Segmentasi Jalan dan Objek Untuk Kendaraan Otonom Berbasis Kamera RGB-D-NIR

Helnawan, Aldy (2022) Sistem Segmentasi Jalan dan Objek Untuk Kendaraan Otonom Berbasis Kamera RGB-D-NIR. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07111840000074-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (8MB) | Request a copy

Abstract

Mobil otonom, atau mobil tanpa kemudi, merupakan kendaraan roda empat yang memiliki kemampuan untuk melakukan perjalanan antar titik tanpa adanya operator manusia yang dimana menggunakan kombinasi antar sensor, kamera, radar, dan kecerdasan buatan (AI). Penggunaan kamera RGBDNIR (Red Green Blue Depth Near Infrared) dengan alat yaitu kamera Intel RealSense D435i yang dapat digunakan baik didalam ataupun diluar ruangan dimana sensor modul depth dan NIR dapat digunakan ketika keadaan kurang pencahayaan atau lingkungan redup. Dilakukannya penelitian ini dikarenakan untuk mencari solusi dari tingginya tingkat kecelakaan di jalan serta mencari solusi atas kelemahannya kamera RGB dalam penangkapan citra untuk yang dipadukan dengan penggunaan machine learning untuk pengambilan keputusan dalam menentukan kelas objek yang terdeteksi dan diproses untuk menghasilkan solusi dalam melakukan segmentasi di lingkungan terbuka (luar ruangan). Untuk perangkat lunak pemprograman yang akan digunakan yaitu Python serta pustaka yang akan digunakan antara lain PyTorch, OpenCV, dan TensorFlow dengan alat komputasi berupa laptop yang memiliki GPU Nvidia RTX 3060 atau sejenisnya. Hasil dari penelitian ini berupa gambar segmentasi dan pengenalan kelas objek yang terdeteksi dengan tingkat keakuratan dengan beberapa model mulai dari 39.60% hingga 63.71% yang dapat digunakan untuk penentuan kelas yang terbaca. Dengan tingkat literasi beragam sampai nilai terkecil 2E-10 dan memiliki waktu pemprosesan untuk setiap citra dari 0.22 detik sampai 0.01 detik.
=================================================================================================================================
Autonomous vehicles, or self-driving cars, are four-wheeled vehicles that have the ability to travel between points without a human operator using a combination of sensors, cameras, radar, and artificial intelligence (AI). The use of RGBDNIR (Red Green Blue Depth Near Infrared) cameras with the Intel RealSense D435i camera can be used both indoors and outdoors, where the depth and NIR sensor modules can be used in low light or dim environments. This research is carried out to find a solution to the high level of accidents on the road and to find a solution to the weakness of RGB cameras in image capture for combination with the use of machine learning for decision-making in determining the class of detected objects and processing to produce a solution for segmentation in an open environment (outdoor). The programming software to be used is Python and the libraries to be used include PyTorch, OpenCV, and TensorFlow with a computing tool in the form of a laptop with an Nvidia RTX 3060 GPU or the like. The result of this research is an image of segmentation and recognition of the class of detected objects with an accuracy level with several models ranging from 39.60% to 63.71% which can be used for reading class determination. With a diverse literacy level up to the smallest value of 2E-10 and has a processing time for each image from 0.22 seconds to 0.01 seconds

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kendaraan Otonom, Kamera RGB-D-NIR, segmentation, computer vision. Autonomous Vehicle, RGBDNIR Camera, Segmentation, Computer Vision.
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Aldy Helnawan
Date Deposited:	19 Jan 2023 03:56
Last Modified:	19 Jan 2023 03:56
URI:	http://repository.its.ac.id/id/eprint/95483

Actions (login required)

View Item