Sistem Inspeksi Visual Mendeteksi Kecacatan Pada Permukaan Gear Menggunakan Metode Faster Rcnn

Ibrahim, Febrian (2023) Sistem Inspeksi Visual Mendeteksi Kecacatan Pada Permukaan Gear Menggunakan Metode Faster Rcnn. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 10311810003002-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (5MB)

Abstract

Pada sebuah perusahaan yang memproduksi gear, mampu memproduksi sebanyak 50 buah gear per jam setiap harinya, gear tersebut akan disortir oleh divisi QC (Quality Control), dengan cara mengambil gear cacat berdasarkan bentuk permukaan dan geriginya, dalam satu kali proses produksi menghasilkan 3-6 buah gear yang cacat dikarenkan kesalahan dalam proses permesinan. Proses QC ini mempunyai kekurangan yaitu ketajaman mata, durasi konsentrasi dan ketelitian setiap orang berbeda-beda, sehingga gear cacat bisa lolos dari tahap QC, hal tersebut akan menjadi masalah jika sudah sampai ke tangan distributor karena akan mempengaruhi tingkat kepercayaan. Maka dari itu dibuatlah sistem inspeksi visual yang didalamnya terdapat algoritma yang mendeteksi citra kecacatan dengan menggunakan metode deep learning yaitu Convolutional Neural Network (CNN). Cara kerja CNN yaitu menggunakan filter/kernel yg berukuran nxn dan kemudian digerakkan, pada proses penggerakkan kernel/filter tersebut terjadi proses perkalian pixel pada gambar kecacatan dengan filter yang menghasilkan unique feature, kemudian unique feature tersebut yang berukuran nxn diubah menjadi nx1 oleh RoI pooling layer dan kemudian dijadikan input pada input layer proses Neural Network (NN), output NN menghasilkan klasifikasi dan bounding box citra gear. Proses deteksi gear pada proyek ini menggunakan metode Faster RCNN yang mana mempunyai akurasi yang lebih tinggi daripada kecepatan Frame Per Second atau kecepatan deteksinya, metode ini bertujuan untuk mendapatakan akurasi yang lebih tinggi. Sistem deteksi ini mengklasifikasikan gear yang cacat pada konveyor dan hasil citra cacat akan ditampilkan di monitor kemuadian jika cacat terdeteksi, jetson nano akan mengirimkan data ke Arduino melalui komunikasi serial agar Arduino menggerakkan servo 180 derajat. Hasil deteksi berhasil mendeteksi kecacatan pada gear dengan hasil yang lebih baik pada intensitas cahaya 38-535 lux yang dilakukan di ruangan tertutup. Rata-rata akurasi yang dihasilkan pada kondisi 1 buah gear dan 1 jenis kecacatan dalam 1 frame dan konveyor tidak bergerak adalah sebesar 86% namun nilai tersebut menurun jika mendeteksi 2 kelas kecacatan pada satu frame dan konveyor tidak bergerak maka rata-rata akurasi yang dihasilkan sebesar 76% dan juga pada saat berada di konveyor yang sedang berjalan pada kecepatan 2-8,3 RPM dan 1 buah gear dalam 1 frame maka rata-rata akurasinya menurun menjadi 83,32%
====================================================================================================================================
In a company that produces gears, they are capable of producing 50 gears per hour every day. The gears will be sorted by the QC (Quality Control) division, by taking the gears with defects based on the surface and rigidity shape. In one production process, 3-6 gears will have defects due to errors in the machining process. The QC process has weaknesses such as the sharpness of the eye, the duration of concentration and the accuracy of each person, so defective gears can slip through the QC stage, which will become a problem if it reaches the distributor because it will affect the level of trust. Therefore, a visual inspection system was created, which contains an algorithm that detects image defects using the deep learning method, Convolutional Neural Network (CNN). The way CNN works is by using filters/kernels that are nxn in size and then moved, during the process of moving the kernel/filter, the multiplication of pixels on the defect image with the filter occurs, resulting in unique features. Then the unique features, which are nxn in size, are converted into nx1 by the RoI pooling layer and then made into the input for the Neural Network (NN) input layer, the NN output produces a classification and bounding box image of the gear. The gear detection process in this project uses the Faster RCNN method, which has a higher accuracy than the Frame Per Second speed or detection speed, this method aims to achieve a higher accuracy. This detection system classifies defective gears on the conveyor and the defective image results will be displayed on the monitor, and if the defect is detected, the Jetson nano will send data to Arduino through serial communication so that the Arduino will move the servo 180 degrees. The detection result successfully detects defects on the gear with better results at a light intensity of 38-535 lux in a closed room. The average accuracy produced with 1 gear and 1 type of defect in 1 frame and the conveyor is not moving is 86%, but the value decreases if detecting 2 defect classes in one frame and the conveyor is not moving, the average accuracy produced is 76%, and also when on a conveyor that is moving at a speed of 2-8.3 RPM and 1 gear in 1 frame, the average accuracy decreases to 83.32%

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Gear, Quality Control, Faster RCNN, Kecacatan; Gear, Quality Control, Faster RCNN, Defects
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3070 Automatic control T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Febrian Ibrahim
Date Deposited:	03 Mar 2023 09:05
Last Modified:	03 Mar 2023 09:05
URI:	http://repository.its.ac.id/id/eprint/97734

Actions (login required)

View Item