Hasil Pencarian  ::  Simpan CSV :: Kembali

""This book brings together various research methodologies and trends in emerging areas of application of computer vision and image processing for those interested in the research developments of this rapidly growing field"--"

"Skripsi ini membahas analisis perbandingan dua sistem pengenalan rambu lalu lintas yaitu menggunakan metode Generative Learning (GL) dan Support Vector Machine (SVM). GL merupakan metode pengenalan yang baru dikembangkan di mana sampel training dihasilkan dengan memvariasikan sampel yang ada berdasarkan parameter tertentu sehingga dapat mempermudah pembuatan citra untuk training serta dapat memberikan hasil pengenalan yang lebih baik. SVM merupakan metode pengenalan yang telah banyak digunakan dan menggunakan karakteristik vektor untuk memisahkan objek dari latar belakangnya. Sambil berjalan, rambu-rambu lalu lintas direkam oleh kamera video di atas kendaraan bermotor yang hasil rekamannya dianalisis menggunakan kedua metode tersebut. Hasil pengenalan rambu lalu lintas yang dianalisis dalam beberapa kondisi seperti jumlah sampel training, resolusi video, tingkat kecerahan sekitar, dan kecepatan kendaraan kemudian dibandingkan dan dianalisis tingkat akurasinya. Dari hasil percobaan didapat bahwa akurasi pengenalan metode GL lebih baik dibandingkan SVM yaitu dengan persentase masing-masing 95,56% dan 94,67%.

---

This thesis discusses the comparative analysis of two traffic signs recognition system using Generative Learning (GL) and Support Vector Machine (SVM) methods, respectively. GL is a newly developed method in which the training samples are generated by varying samples based on certain parameters which makes it easier to the training images and produce better recognition result. SVM is a method that has been widely used which uses vector characteristics to separate objects from its background. Traffic signs are recorded using a video camera in a moving motorcycle and videos of them are analyzed using both methods. The accuracy of recognition results will be compared under some conditions, such as the number of training imageries, video resolutions, and lighting conditions, and vehicle’s speed. Recognition results showed that GL has better accuracy than SVM, with percentage of 95.56% and 94.67%, respectively."

"ABSTRAKProses pemantauan tool wear pada micromilling membutuhkan ketelitian yang tinggi, proses ini dapat dilakukan menggunakan mikroskop digital Dino-Lite dan mikroskop elektron. Namun penggunaan mikroskop elektron membutuhkan waktu yang lama karena harus datang ke laboratorium mikroskop elektron. Maka dari itu dibuatlah perancangan teknologi computer vision berbasis image processing untuk mendeteksi luas wear pada tool micromilling. Proses pengembangan menggunakan fitur OpenCV program Python. Proses dimulai dengan mengambil gambar tool baru dan tool rusak menggunakan Dino-Lite dengan spesifikasi gambar yang sama persis. Kemudian gambar diimpor ke program Python dan dikonversi menjadi bentuk HSV (Hue, Saturation, Value). Gambar HSV kemudian diberikan fitur noise reduction menggunakan gaussian blur untuk mengurangi noise pada gambar. Gambar HSV yang sudah diberikan fitur noise reduction kemudian diberi fitur color detection untuk mendapatkan thresholding dari hasil pengaturan variabel masking HSV. Hasil thresholding kemudian diberikan fitur image Canny sebagai fitur pendeteksian luas berdasarkan kontur gambar hasil thresholding. Kemudian nilai luas permukaan tool baru dan tool rusak akan muncul. Kedua nilai ini akan dibandingkan dan menghasilkan persentase tool wear. Pengujian yang penulis lakukan adalah dengan membuat variasi variabel noise reduction menggunakan gaussian blur, nilai gaussian blur yang diberikan sebesar 0, 1, 3, 5, 7, 9, 11, 13, 15 dan 17 (nilai gaussian blur hanya bisa 0 dan bilangan ganjil). Data yang diperoleh ada yang tidak lengkap karena keadaan gambar yang tidak mendukung, namun dengan keberadaan gaussian blur, dapat membantu perekaman luas. Hasil menunjukkan bahwa semakin tinggi nilai gaussian blur, maka meningkatkan potensi gambar kontur tool dapat dideteksi luasnya.

---

ABSTRACT

Tool wear monitoring on micromilling needs a high value of accuracy, this process can be done using Dino-Lite digital microscope and electron microscope. However, the usage of electron microscope needs a long period of time since we have to go to the electron microscope laboratory. Therefore, the design of image processing-based computer vision for tool wear monitoring on micromilling was developed. The development process uses OpenCV feature on Python. The process begins with gathering the images of the new tool and the broken tool using Dino-Lite with exactly the same image properties. The images are then imported to Python and converted to HSV format (Hue, Saturation, Value). The HSV images are then given a noise reduction feature using Gaussian Blur to reduce the noise of the images. The HSV images that have been given the noise reduction feature are then given a color detection feature to obtain thresholding of the results of the HSV masking variable adjustment. The thresholding results are the given an image Canny feature as the contour area detection from the thresholding results. Afterwards, the face area value of the new tool and the broken tool will be displayed. These two values will be compared and generate the tool wear percentage. The experiment that the authors has done is to make variations in noise reduction variables using gaussian blur, the given gaussian blur values are 0, 1, 3, 5, 7, 9, 11, 13, 15 dan 17 (only 0 and odd numbers of the gaussian blur value can only be added). The data that be obtained are not complete due to the unsupported image condition, however, in the presence of the gaussian blur, could support the documentation process. At the end, the results show that the tool area on the images are more potential to be detected due to the increasing number of gaussian blur value."