Deep Learning-based Jeans Fabric Defect Detection Using Modified Network Yolov5

IRVIN ANDERSEN, Faizal Makhrus, S.Kom., M.Sc., Ph.D. ; Suprapto, Drs., M.I.Kom., Dr.

2022 | Skripsi | S1 ILMU KOMPUTER

Teknologi otomasi seperti pembelajaran mesin memainkan peran yang semakin besar dalam kehidupan sehari-hari. Pentingnya otomasi computer vision sangat penting dalam deteksi cacat kain, karena biaya tenaga kerja inspeksi cacat manual tinggi dan juga kurangnya akurasi inspeksi. Inspeksi cacat manual dibatasi oleh kemampuan manusia karena banyaknya jumlah kain dan varietas cacat. Namun, ada tantangan dalam mengembangkan deteksi cacat kain, seperti memaksimalkan nilai recall dan presisi dengan jumlah dataset yang terbatas. Pada penelitian ini mengusulkan model jaringan YOLOv5 yang dimodifikasi untuk menentukan model terbaik untuk deteksi cacat kain jeans. Untuk mengembangkan model yang dapat melakukan tugas deteksi cacat dengan baik, dibutuhkan penentuan posisi cacat yang akurat, dan presisi. Implementasi sistem menggunakan 367 gambar cacat kain dengan total 2 kelas cacat kain jeans. Dataset digunakan augmentasi data untuk membuat lebih banyak dataset. Hasil evaluasi sistem menunjukkan model terbaik adalah Improved YOLOv5x dengan akurasi sempurna dan F1-Score. Improved YOLOv5x mengidentifikasi dan mengklasifikasikan semua objek cacat kain pada dataset pengujian. Selain itu, Improved YOLOv5x berhasil memenuhi kecepatan komputasi Realtime dengan kecepatan komputasi 31,15 FPS.

Automation technologies such as machine learning play an important role in everyday life. The importance of computer vision automation is crucial in detecting fabric defects, because of the high labor costs of manual defect inspection and also the lack of inspection. Manual defect inspection is limited by human capabilities due to a large number of fabrics and varieties of defects. However, there are several challenges in developing fabric defect detection, such as maximizing recall and precision with a limited number of data sets. This research proposes a modified network YOLOv5 model to determine the best model for jeans fabric defect detection. To develop a model that can perform the defect detection task well, it is necessary to find an accurate, precise defect position. The implementation of the program is using 367 fabric defect images with a total of 2 classes of jeans fabric defect and image augmentation to create more datasets. The results of the system evaluation show the best model is Improved YOLOv5x with perfect accuracy and F1-Score. Improved YOLOv5x successfully identifies and classifies all fabric defect objects in the test dataset. Moreover, the Improved YOLOv5x model successfully fulfills real-time computing speed with a computational speed of 31.15 FPS.

Kata Kunci : computer vision, deep learning, fabric defect, object detection, yolo