Deteksi Pemakaian Helm Proyek Dengan Metode Convolutional Neural Network

Bambang Widodo; Hendrawan Armanto; Endang Setyati

doi:10.52985/insyst.v3i1.157

Authors

Bambang Widodo Teknologi Informasi Institut Sains dan Teknologi Terpadu Surabaya
Hendrawan Armanto Departemen Informatika, Institut Sains dan Teknologi Terpadu Surabaya, Surabaya, Jawa Timur, Indonesia
Endang Setyati Departemen Teknologi Informasi, Institut Sains dan Teknologi Terpadu Surabaya, Surabaya, Jawa Timur, Indonesia

DOI:

https://doi.org/10.52985/insyst.v3i1.157

Keywords:

Bounding Box, CNN, Helm Proyek, YOLO

Abstract

Penggunaan helm proyek pada pekerjaan dengan resiko kecelakaan tinggi seperti pekerjaan konstruksi seringkali diabaikan oleh pekerja, sehingga apabila terjadi kecelakaan kerja yang tidak diinginkan seperti kejatuhan benda keras dari atas atau terjadi benturan keras pada kepala akan berakibat fatal bagi pekerja tersebut. Penelitian ini bertujuan untuk mendeteksi pemakaian helm proyek oleh pekerja konstruksi pada citra. Metode yang digunakan pada penelitian ini adalah Convolutional Neural Network YOLO. Sistem terdiri dari tiga proses utama yaitu proses pre processing, proses training dan proses deteksi. Proses pre processing adalah melakukan resize dan anotasi labeling pada citra dataset. Selanjutnya adalah proses training pada dataset dengan menggunakan transfer learning YOLOv2. Pada proses deteksi digunakan 4 buah anchor box pada setiap grid pada citra, hasil dari mencari nilai ukuran bounding box yang memiliki IOU terbaik dengan melakukan proses clustering pada dataset training dan validasi yang terdapat bounding box menggunakan algoritma K-Mean clustering. Algoritma Intersection Over Union (IOU) dan Non Max Suppression (NMS) digunakan agar bounding box prediksi yang dibuat presisi dengan objek yang berhasil dideteksi dan untuk menghilangkan multideteksi pada objek yang sama. Proses deteksi pada sistem ini melakukan lokalisasi dan klasifikasi dengan sekali langkah proses sehingga hasil dari proses deteksi ini adalah orang menggunakan helm proyek dan orang tidak menggunakan helm proyek. Pengujian sistem deteksi dilakukan secara individu maupun kelompok maksimal 5 orang dengan F1-score yang diperoleh sebesar 0,79.

References

J. Mistry, A. K. Misraa, M. Agarwal, A. Vyas, V. M. Chudasama, and K. P. Upla, “An automatic detection of helmeted and non-helmeted motorcyclist with license plate extraction using convolutional neural network,” in 2017 seventh international conference on image processing theory, tools and applications (IPTA), 2017, pp. 1–6.

J. Redmon and A. Farhadi, “YOLO9000: better, faster, stronger,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 7263–7271.

T.-Y. Lin et al., “Microsoft coco: Common objects in context,” in European conference on computer vision, 2014, pp. 740–755.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, 2017.

X. Chen, P. Wei, W. Ke, Q. Ye, and J. Jiao, “Pedestrian detection with deep convolutional neural network,” in Asian Conference on Computer Vision, 2014, pp. 354–365.

N. Dalal and B. Triggs, “Histograms of oriented gradients for human detection,” in 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), 2005, vol. 1, pp. 886–893.

S. Sugianto, E. Setyati, and H. Armanto, “Deteksi Alat Pelindung Kepala (Helm) Menggunakan Metode Haar Cascade Classifier,” Joutica, vol. 4, no. 1, pp. 232–236, 2019.

A. Hermawan, “Jaringan Saraf Tiruan: Teori dan Aplikasi,” 2006.

S. Albawi, T. A. Mohammed, and S. Al-Zawi, “Understanding of a convolutional neural network,” in 2017 International Conference on Engineering and Technology (ICET), 2017, pp. 1–6.

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.

M. Menegaz, “Understanding YOLO,” 2017. https://hackernoon.com/understanding-yolo-f5a74bbc7967.

A. Rosebrock, “Intersection over Union (IoU) for object detection,” l{’i}nea].[Consultado 20 enero 2020]. Dispon. en https//www. pyimagesearch. com/2016/11/07/intersection-over-union-iou-forobject-detection, 2016.

A. Kamal, “Yolo, yolov2 and yolov3: All you want to know,” Mediu. Seach date, 2019.

K. Sambasivarao, “Non-maximum suppression (nms),” Online unter https://towardsdatascience. com/non-maximum-suppression-nms-93ce178e177c [Stand 16.10. 2019], 2019.

M. Septian and K. Kunci, “DETEKSI WAJAH MENGGUNAKAN METODE VIOLA JONES PADA GRAPHICS PROCESSING UNIT FACE DETECTION USING VIOLA JONES METHOD ON GRAPHICS,” Ilmu Komputer, Tek. Inf., 2014.

V.Yadav, “Generating Anchor boxes for Yolo-like network for vehicle detection using KITTI dataset,” 2017. https://vivek-yadav.medium.com/part-1-generating-anchor-boxes-for-yolo-like-network-for-vehicle-detection-using-kitti-dataset-b2fe033e5807.