Deteksi Lajur Jalan Pada Kemudi Kendaraan Otonom Disaat Cuaca Hujan Menggunakan Mask R-CNN

Barata, Verdianto (2024) Deteksi Lajur Jalan Pada Kemudi Kendaraan Otonom Disaat Cuaca Hujan Menggunakan Mask R-CNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5022201100-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Elemen kunci dari kendaraan otonom adalah menjaga jalur. Untuk menjaga mobil tetap berada di jalurnya, berbagai teknologi kecerdasan buatan dan sistem penglihatan digunakan. Meskipun telah digunakan secara luas, sistem yang ada saat ini berfungsi secara efektif dalam cuaca yang mendukung. Model visi komputer hilir dapat berkinerja lebih buruk karena hujan dan hambatan terkait cuaca lainnya. Untuk alasan ini, keadaan saat hujan harus dideteksi, dikenali, dan dihilangkan oleh sistem visi untuk meningkatkan kinerja sistem. Tujuan utama penelitian ini adalah untuk mempertahankan orisinalitas karena Mask R-CNN mengikuti prosedur backpropagation alih-alih teknik tradisional, yang menghasilkan sinyal yang keluar pada akhirnya merupakan versi yang diubah dari sinyal input. Penelitian ini mencakup metode untuk mengurangi jumlah noise hujan pada foto dengan menggunakan pemrosesan gambar, metode pembelajaran mendalam dengan implementasi Mask R-CNN untuk menentukan pengaturan rotasi kemudi terbaik untuk mempertahankan kendaraan di jalurnya. Setelah pelatihan, model Mask R-CNN dapat langsung memandu mobil menggunakan informasi dari kamera tampak depan, tidak seperti metode konvensional yang secara manual memecah masalah mengemudi otonom menjadi detail-detail spesifik. Model Mask R-CNN mengambil gambar yang telah diproses sebagai input dan menghasilkan sudut kemudi yang tepat. Kamera digunakan dalam penelitian ini untuk mengumpulkan data, melatih model, dan mengevaluasinya. Berdasarkan hasil percobaan, kombinasi metode deraining dan pembelajaran mendalam Mask R-CNN menghasilkan kinerja yang baik dalam situasi hujan.
==========================================================================================================================
The key element of autonomous vehicles is lane keeping. To keep the car in its lane, various artificial intelligence technologies and vision systems are used. Although they are widely used, current systems function effectively in favorable weather conditions. Downstream computer vision models may perform worse due to rain and other weather-related obstacles. For this reason, rainy conditions must be detected, recognized, and mitigated by vision systems to improve system performance. The main goal of this research is to maintain originality because Mask R-CNN follows the backpropagation procedure instead of traditional techniques, resulting in the output signal ultimately being a modified version of the input signal. This study includes methods to reduce the amount of rain noise in photos using image processing, deep learning methods with Mask R-CNN implementation to determine the best steering rotation settings to keep the vehicle in its lane. After training, the Mask R-CNN model can directly guide the car using information from the front-facing camera, unlike conventional methods that manually break down the autonomous driving problem into specific details. The Mask R-CNN model takes processed images as input and produces the correct steering angle. Cameras are used in this research to collect data, train the model, and evaluate it. Based on experimental results, the combination of deraining methods and deep learning Mask R-CNN performs well in rainy situations.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kendaraan Otonom, Sistem Self-Driving , Mask R-CNN, Cuaca Hujan, Pemrosesan Gambar, Sudut Kemudi,Autonomous Vehicle, Self-Driving system, Mask R-CNN, Rainy Weather, Image Processing, Steering Angle
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7871.674 Detectors. Sensors T Technology > TL Motor vehicles. Aeronautics. Astronautics > TL152.8 Vehicles, Remotely piloted. Autonomous vehicles.
Divisions:	Faculty of Electrical Technology > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User:	Verdianto Radea Barata
Date Deposited:	31 Jul 2024 07:30
Last Modified:	31 Jul 2024 07:30
URI:	http://repository.its.ac.id/id/eprint/110940

Actions (login required)

View Item