ANALISIS PENGARUH KONTRAS PADA SEGMENTASI PANOPTIK UNTUK LINGKUNGAN DALAM RUANG MENGGUNAKAN MODEL ARSITEKTUR DEEP LEARNING
KHALISHA PUTRI, Ika Candradewi, S.Si, M.Cs.
2024 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI
Robot perception merupakan kemampuan robot untuk mengenali lingkungan
di sekitarnya, salah satunya di lingkungan dalam ruang, seperti dapur, ruang
belajar, ataupun ruang makan. Kemampuan pengenalan ini sangatlah penting untuk
pengidentifikasian objek yang digunakan oleh robot untuk berinteraksi dengan
lingkungan dan memahami perintah yang diberikan. Objek-objek dapat
dikategorikan menjadi things, yang memiliki bentuk yang tetap dan dapat
dihitung (seperti meja, kursi), dan stuff, yang tidak memiliki bentuk
tetap dan tidak dapat dihitung (seperti langit, dinding). Metode deteksi objek
dan segmentasi instance mampu mengidentifikasi tiap satuan objek things,
di mana segmentasi instance memberikan representasi yang lebih detail.
Di sisi lain, segmentasi semantik mampu mengidentifikasikan things dan stuff
namun tidak mampu mensegmentasi pada tingkat satuan objek. Segmentasi panoptik,
gabungan dari kedua metode segmentasi tersebut, mampu mengidentifikasi objek
dan stuff serta mensegmentasi pada tingkat satuan objek.
Untuk menerapkan segmentasi panoptik
dalam ruangan perlu dilakukan pertimbangan mengenai variabilitas kondisi
ruangan, salah satunya adalah kontras. Tinggi atau rendahnya kontras pada
ruangan berpotensi mengurangi kejelasan bentuk suatu objek sehingga mempengaruhi
hasil segmentasi objek tersebut. Penelitian pengaruh variasi kontras terhadap
kinerja segmentasi panoptik dilakukan menggunakan model pembelajaran mendalam. Kemudian
kemampuan generalisasi model pada berbagai kontras ditingkatkan dengan
mengoptimalkan model menggunakan kumpulan data yang ditambah augmentasi kontras.
Hasilnya menunjukkan bahwa model deep learning yang dioptimalkan ulang
menggunakan data yang diaugmentasi kontras mampu meningkatkan generalisasi
lebih baik daripada model asli yang dilatih tanpa augmentasi kontras dengan
peningkatan PQ sebesar 0,5?n RQ sebesar 0,7%, serta kesalahan segmentasi dan
pengenalan yang lebih sedikit setelah diuji pada 40 gambar uji berbeda, Namun,
model deep learning yang dibangun memiliki batasan pada saat
mensegmentasi gambar dengan resolusi rendah dan mensegmentasi tiap instance objek
kecil yang saling berdekatan atau bertumpukan yang menyebabkan oklusi.
Robot
perception involves recognizing the surrounding environment, particularly in
indoor spaces like kitchens, classrooms, and dining areas. This recognition is
crucial for tasks such as object identification that is used by robots to
interact with its surroundings and understand given commands. Objects can be
categorized into "things," with fixed and countable shapes (e.g.,
tables, chairs), and "stuff," which lack a fixed shape and cannot be
counted (e.g., sky, walls). Object detection and instance segmentation methods
excel in identifying each instance in "things," with instance
segmentation providing more detailed representations. On the other hand,
semantic segmentation can identify both "things" and
"stuff" but lacks segmentation at the object level. Panoptic
segmentation, a fusion of both methods, offers comprehensive object and stuff
identification and object-level segmentation.
To
implement panoptic segmentation indoors, considerations need to be made
regarding the variabilities of room conditions, one of which is contrast. High
or low contrast in the room potentially reduces the clarity of the shape of an
object, thus affecting the segmentation results of that object. An experiment
on how contrast varieties impact the panoptic segmentation performance is
conducted using a deep learning model. The model generalization on the various
contrast is improved by optimizing the model using contrast-augmented dataset. The
result shows that the deep learning model optimized using contrast-augmented
dataset is able to outperform and generalize better than the original model that
is trained without the contrast augmentation with an increase of 0,5% in PQ and
0.7% in RQ, and less segmentation and recognition mistakes after being tested
on 40 different test images. However, the built deep learning model has
limitations when segmenting images with low resolution and segmenting each
instance of small objects that are close to each other or overlapping which
causes occlusion.
Kata Kunci : panoptic segmentation, image contrast, indoor environment, deep learning, computer vision, artificial intelligence