Pengaplikasian Convolutional Neural Network Sebagai Metode Pendeteksi Korosi Pada Struktur Kapal

Nurdiansyah, Taufik Reza (2022) Pengaplikasian Convolutional Neural Network Sebagai Metode Pendeteksi Korosi Pada Struktur Kapal. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] 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.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Korosi, Machine Learning, Pendeteksian objek, MobileNetSSD, Plat, Raspberry pi
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
Q Science > QA Mathematics > QA336 Artificial Intelligence
T Technology > TA Engineering (General). Civil engineering (General) > TA462 Metal Corrosion and protection against corrosion
T Technology > TC Hydraulic engineering. Ocean engineering > TC1680 Offshore structures
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
V Naval Science > VC Naval Maintenance > VC 270-279 Equipment of vessels, supplier,allowances,etc
V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM156 Naval architecture
V Naval Science > VM Naval architecture. Shipbuilding. Marine engineering > VM163 Hulls (Naval architecture)
Divisions: Faculty of Marine Technology (MARTECH) > Marine Engineering > 36202-(S1) Undergraduate Thesis
Depositing User: Taufik Reza Nurdiansyah
Date Deposited: 17 Feb 2022 09:14
Last Modified: 17 Feb 2022 09:14
URI: https://repository.its.ac.id/id/eprint/94395

Actions (login required)

View Item View Item