OBJECT SORTING BERBASIS ROBOT LENGAN MENGGUNAKAN METODE DETEKSI FASTER R - CNN

YUNUS BAYU AJI, Drs. Agus Harjoko M.Sc., Ph.D; Dr. Andi Dharmawan, S.Si, M.Cs.

2021 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Object sorting dalam dunia industri dibagi menjadi beberapa tahapan yaitu detect, reposition, pick, dan place. Industri modern saat ini banyak menggunakan metode pengolahan citra tradisional berbasis kamera untuk mendeteksi objek, tetapi metode ini mempunyai kelemahan yaitu akurasi recognition rate pada object sorting di bawah 50 % ketika tingat intensitas cahaya rendah atau terlalu tinggi dari kondisi normal yang mengakibatkan kegagalan pada saat proses sortir objek. Untuk mengatasi permasalahan tersebut, maka digunakan metode deteksi untuk melakukan sortir objek yang dapat menghasilakan performa yang optimal dalam berbagai kondisi intesitas cahaya, metode ini disebut dengan Faster R – CNN. Faster R – CNN bekerja dengan menghasilkan proposal menggunakan Region Proposal Network (RPN), proposal ini diekstrak dengan ukuran tetap menggunakan Region of Interest (ROI) Pooling Network, kemudian dilakukan klasifikasi kelas objek dan regresi koordinat bounding box. Objek yang terdeteksi dilakukan pencarian oleh robot lengan menggunakan kendali Proportional – Integral berdasarkan koordinat bounding box dan melakukan mekanisme pick and place. Objek yang digunakan pada penelitian ini berupa spare part (spanner, palu, cutter, obeng, dan solder). Dari penelitian ini dihasilkan sebuah sistem yang dapat melakukan sortir objek dengan performa object detection : nilai mAP pada data training sebesar 0,914; mAP pada data testing sebesar 0,874; performa sistem kendali repositioning dengan nilai steady state error 1 pixel; dan performa object sorting dengan rata – rata nilai akurasi recognition rate 0,98; precision 0,94; recall 0,94; dan F1_Score 0,94.

Object sorting in the industrial world is divided into several stages, namely, detection, reposition, pick, and place. Modern industry currently uses many traditional camera-based image processing methods to detect objects, but this method has a weakness, namely the accuracy of the recognition rate on object sorting below 50% when the light intensity level is low or too high from normal conditions which result in a failure during the sorting process. object. To overcome these problems, a detection method is used to sort objects that can produce optimal performance in various light intensity conditions, this method is called Faster R - CNN. Faster R - CNN works by generating proposals using Region Proposal Network (RPN), these proposals are extracted with a fixed size using the Region of Interest (ROI) Pooling Network, then classify the object class and regress bounding box coordinate. The detected object is searched by the robotic arm using Proportional – Integral control based on the bounding box coordinates and performs a pick and place mechanism. The objects used in this research are spare parts (spanner, hammer, cutter, screwdriver, and solder). This research resulted a system that can sort objects with object detection performance; mAP on training data of 0.914;mAP on testing data of 0.953; repositioning control system performance with a steady-state error value of 1 pixel; and object sorting performance with average values recognition rate accuracy 0.98; precission 0.94; recall 0.94 and F1_score 0.94.

Kata Kunci : Object Sorting, Object Detection, Repositioning, Computer Vision, Control System, Deep Learning.