DETEKSI POLISI TIDUR PADA JALAN MENGGUNAKAN ANILISIS BLOB DAN KONVOLUSIONAL NEURAL NETWORK
DOI:
https://doi.org/10.52985/insyst.v3i1.180Keywords:
Anilisis Blob, CNN, Deteksi Polisi Tidur, Polisi TidurAbstract
Polisi tidur merupakan pembatas kecepatan laju dari kendaraan yang sengaja ditempatkan diatas jalan. Polisi tidur memiliki dua jenis karakteristi. Polisi tidur memiliki ukuran berbeda yang ditemui pada beberapa perumahan, ditempat ujian sim, dan yang sering dijumpai pada perumahan atau jalan dengan beragam warna yang berbeda. Deteksi polisi tidur pada jalan akan menggunakan dua metode Anilisis blob dan CNN. Proses deteksi polisi tidur akan dilakukan menggunakan anilisis blob, saat metode anilisis blob tidak mendeteksi adanya polisi tidur maka akan dilakukan proses CNN untuk melakukan deteksi. Dalam proses anilisis blob, alur penelitian deteksi akan dilakukan menggunakan anilisis blob, pada saat proses blob tidak mendeteksi adanya polisi tidur maka proses deteksi akan dilanjutkan menggunakan CNN. Sebelum dilakukan proses deteksi menggunakan blob, gambar atau video frame akan diproses menggunakan proses preprosesing, morfologi erosi dan dilasi. Penggunaan proses preprosesing dan morfologi dilakukan agar objek berupa polisi tidur dapat dipisahkan dari gambar background yaitu aspal. Uji coba pada penelitian akan dilakukan pada 10 buah video dengan durasi minimal 30 detik dan 100 gambar polisi tidur yang diproses pada dataset. Pada dataset akan dikelompokan untuk dilakukan klasifikasi yaitu berwarna dan tidak berwarna. Setiap warna polisi tidur yang terdeteksi akan dicatat dan berapa banyak pada warna tersebut polisi tidur dapat dideteksi. Kedua metode yang digabungkan mendapatkan hasil deteksi yang baik dengan hasil 76% terhadap polisi tidur pada perumahan. Pada uji coba rata-rata polisi tidur tanpa warna atau warna yang sama dengan aspal dan penggunaan paving pada jalan mempengaruhi tingkat akurasi dari deteksi polisi tidur.
References
B. Manikandan and M. Bharathi, “SPEED BREAKER DETECTION USING BLOB ANALYSIS,” Int. J. Pure Appl. Math., vol. 118, no. 20, pp. 3671–3677, 2018.
D. P. W., N. Babu C, and T. Srihari, “Real Time Speed Bump Detection Using Gaussian Filtering and Connected Component Approach,” Circuits Syst., vol. 07, pp. 2168–2175, 2016, doi: 10.4236/cs.2016.79188.
Z. Hasan, S. N. Shampa, T. R. Shahidi, and S. Siddique, “Pothole and Speed Breaker Detection Using Smartphone Cameras and Convolutional Neural Networks,” in 2020 IEEE Region 10 Symposium (TENSYMP), 2020, pp. 279–282.
S. Shah and C. Deshmukh, “Pothole and bump detection using convolution neural networks,” in 2019 IEEE Transportation Electrification Conference (ITEC-India), 2019, pp. 1–4.
D. P. W., N. Babu C, and S. Tharumar, “Advance Driver Assistance System (ADAS) – Speed Bump Detection,” 2015, doi: 10.13140/RG.2.1.2412.3285.
Y. Bhatia, R. Rai, V. Gupta, N. Aggarwal, A. Akula, and others, “Convolutional neural networks based potholes detection using thermal imaging,” J. King Saud Univ. Inf. Sci., 2019.
C. Chun and S.-K. Ryu, “Road surface damage detection using fully convolutional neural networks and semi-supervised learning,” Sensors, vol. 19, no. 24, p. 5501, 2019.
J. Dharneeshkar, S. A. Aniruthan, R. Karthika, L. Parameswaran, and others, “Deep Learning based Detection of potholes in Indian roads using YOLO,” in 2020 International Conference on Inventive Computation Technologies (ICICT), 2020, pp. 381–385.
T. Jia, N. Sun, and M. Cao, “Moving object detection based on blob analysis,” in 2008 IEEE International Conference on Automation and Logistics, 2008, pp. 322–325.
H. Maeda, Y. Sekimoto, T. Seto, T. Kashiyama, and H. Omata, “Road damage detection using deep neural networks with images captured through a smartphone,” arXiv Prepr. arXiv1801.09454, 2018.
K. Vigneshwar and B. H. Kumar, “Detection and counting of pothole using image processing techniques,” in 2016 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), 2016, pp. 1–4.
M. D. Yusuf, R. D. Kusumanto, Y. Oktarina, T. Dewi, and P. Risma, “Blob analysis for fruit recognition and detection,” Comput. Eng. Appl. J., vol. 7, no. 1, pp. 23–32, 2018.
V. Varma, S. Adarsh, K. I. Ramachandran, and B. B. Nair, “Real time detection of speed hump/bump and distance estimation with deep learning using GPU and ZED stereo camera,” Procedia Comput. Sci., vol. 143, pp. 988–997, 2018.
D. K. Dewangan and S. P. Sahu, “Deep learning-based speed bump detection model for intelligent vehicle system using raspberry Pi,” IEEE Sens. J., vol. 21, no. 3, pp. 3570–3578, 2020.
K. M. Lion, K. H. Kwong, and W. K. Lai, “Smart speed bump detection and estimation with kinect,” in 2018 4th International Conference on Control, Automation and Robotics (ICCAR), 2018, pp. 465–469.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
