Segmentasi Citra Area Tumpukan Sampah Dengan Memanfaatkan Mask R-CNN
DOI:
https://doi.org/10.52985/insyst.v5i1.305Keywords:
Mask R-CNN, IOU, Segementasi SampahAbstract
Penelitian ini mengusulkan penggunaan konsep deteksi objek sampah dalam gambar untuk membantu petugas kebersihan dalam mengatasi masalah penumpukan sampah di sungai, lahan kosong, dan jalan. Metode yang digunakan adalah Mask R-CNN, sebuah pendekatan two-stage object detection yang tidak hanya mengidentifikasi objek dengan bounding box, tetapi juga melakukan segmentasi objek dengan masking. Dataset terdiri dari 700 data latihan dan 100 data validasi yang diambil menggunakan kamera. Objek yang dideteksi adalah sampah. Pengujian dilakukan dengan membandingkan hasil deteksi dari model Mask R-CNN dengan perhitungan manual oleh manusia untuk 25 data uji. Hasil penelitian menunjukkan bahwa model Mask R-CNN memberikan performa yang lebih baik, dengan tingkat akurasi sebesar 80.16%. Dengan adanya program ini, petugas kebersihan dapat memanfaatkan teknologi deteksi objek untuk membantu dalam memilih lokasi yang harus dibersihkan, mengurangi waktu dan upaya yang diperlukan untuk memantau dan membersihkan sampah. Selain itu, dengan tingkat akurasi yang memadai, program ini dapat menjadi alat yang efektif untuk mengidentifikasi sampah dalam gambar, membantu meningkatkan efisiensi operasional petugas kebersihan, dan mengurangi dampak negatif yang disebabkan oleh penumpukan sampah di lingkungan. Dengan demikian, penelitian ini memberikan kontribusi yang signifikan dalam pengembangan solusi teknologi untuk mengatasi masalah penumpukan sampah dan meningkatkan efektivitas upaya pembersihan di sungai, lahan kosong, dan jalan.
References
Ren, Shaoqing, et al. "Faster R-CNN: towards real-time object
detection with region proposal networks." International
Conference on Neural Information Processing Systems , pp. 91-99,2015.
Girshick, Ross, et al. "Rich feature hierarchies for accurate
object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 580-587, 2014.
Redmon, Joseph, et al. "You only look once: Unified, realtime object detection." Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779-788, 2016.
Liu, Wei, et al. "Ssd: Single shot multibox detector."
European conference on computer vision. Springer, Cham, pp. 21-37, 2016.
Girshick, Ross. "Fast r-cnn." Proceedings of the IEEE
international conference on computer vision, pp. 1440-1448, 2015.
He, Kaiming, et al. "Mask R-CNN." IEEE Transactions on
Pattern Analysis & Machine Intelligence, vol. 99, pp. 1-1, 2017.
K. He, G. Gkioxari, P. Dollar, and R. Girshick, “Mask R-CNN,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2, pp. 386–397, 2020.
Shuijing Li, Ming Yan, “Garbage object recognition and classification based on Mask Scoring RCNN”, IEEE International Symposium on Multimedia, 2021.
Aparna Iyer, et al. “A Garbage Profiling System Using Mask R-CNN Deep Learning Algorithm”, IEEE International Symposium on Multimedia, 2022.
Setyaningsih., E.R., et.al, “YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi”, TEKNIKA, Volume 11(1), Maret 2022.
M. Buric, M. Pobar, and M. Ivasic-Kos, “Ball detection using Yolo and Mask R-CNN”, International Conference on Computational Science and Computational Intelligence (CSCI), 2018.
H. Wu, W. Gao, and X. Xu, “Solder joint recognition using mask R-CNN method,” IEEE Transactions on Components, Packaging and Manufacturing Technology, vol. 10, no. 3, pp. 525–530, 2020.
J. N. Gou, X. Y. Wu, and L. Liu, “Detection and Segmentation of Defects in Industrial CT Images Based on Mask R-CNN,” Journal of Computers, vol. 31, no. 6, pp. 141–154, 2020.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 INSYST: Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
