i LAPORAN AKHIR
PENELITIAN FUNDAMENTAL
DETEKSI DAN KUANTIFIKASI RETAK PERMUKAAN JALAN MENGGUNAKAN METODE PENGOLAHAN CITRA DIGITAL DENGAN PENDEKATAN TEKNIK
MULTISKALA DAN KECERDASAN BUATAN
Oleh:
Slamet Riyadi, S.T., M.Sc., Ph.D. (NIDN 0509087801)
Sri Atmaja Putra JNNR, S.T., M.Sc.Eng., Ph.D. (NIDN 0515047801) Noor Akhmad Setiawan, S.T., M.T., Ph.D. (NIDN 0007067503)
UNIVERSITAS MUHAMMADIYAH YOGYAKARTA Desember 2015
iii
DAFTAR ISI
Halaman Sampul i
Halaman Pengesahan ii
Daftar Isi iii
Ringkasan iv
Bab 1 Pendahuluan 1
Bab 2 Tinjauan Pustaka 3
Bab 3 Metode Penelitian 4
Bab 4 Hasil dan Pembahasan 11
Bab 5 Kesimpulan 25
Capaian Luaran Tahun Pertama 26
Rencana Tahun Kedua 27
Ucapan Terima Kasih 28
Daftar Pustaka 29
iv
RINGKASAN
Pemeriksaan kondisi permukaan jalan dilakukan untuk mengetahui adanya retak atau tidak, mengklasifikasi jenis retak dan mengkuantifikasi retak tersebut. Secara konvensional, pemeriksaan dilakukan secara manual dimana petugas survei berjalan sambil memeriksa keberadaan retak dan mencatat serta menandai lokasi tersebut. Cara ini kurang efektif karena memerlukan waktu lama, tenaga kerja banyak, kurang tepat akibat subjektivitas dan faktor kelelahan serta berbahaya apabila pemeriksaan dilakukan pada jalan raya dengan kepadatan tinggi. Untuk mengatasi hal tersebut, peneliti memanfaatkan kemajuan teknologi kamera dan komputer untuk merekam kondisi permukaan jalan dan mengolah citra digital yang diperoleh dalam rangka mendeteksi keberadaan retak, mengklasifikasi dan mengkuantifikasinya. Metode pengolahan citra yang telah dibuat oleh para peneliti belum bisa direalisasikan dalam produk komersial karena belum memberikan hasil pemeriksaan yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar dan waktu komputasi lama. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan membuat metode pengekstrakan sifat retak permukaan jalan menggunakan pendekatan multiskala dan mengklasifikasi serta mengkuantifikasi retak menggunakan menggunakan kecerdasan buatan dengan pendekatan pelatihan support vector machine (SVM). Kedua pendekatan ini dipilih karena terkenal tangguh dan telah dicoba pada beberapa permasalahan pengolahan citra digital lainnya. Penelitian dilaksanakan dalam beberapa tahapan utama yaitu 1) pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi retak secara manual oleh pakar, 3) pembuatan metode perbaikan citra, segmentasi dan pengekstrakan sifat retak dengan pendekatan multiskala, dan 4) klasifikasi dan kuantifikasi retak menggunakan teknik SVM. Pada pelaksanaan penelitian tahun pertama, hasil penelitian telah diperoleh dimana lebih dari 160 citra permukaan jalan telah dikumpulkan dan diklasifikasi menjadi citra retak dan tidak retak secara manual oleh pakar. Citra asli diperbaiki kualitasnya dengan filter median, histogram equalization, CLAHE dan Gaussian; dimana hasil terbaik diperoleh dengan menggunakan filter median. Kemudian, citra melalui proses segmentasi untuk memisahkan bagian retak dan bagian permukaan jalan dengan menggunakan metode thresholding manual, Otsu, Bersnen dan Sauvola. Metode Sauvola menghasilkan segmentasi paling tepat dibanding metode lainnya. Deteksi keberadaan retak pada citra telah diperoleh dengan akurasi lebih dari 92% pada Gaussian pyramid skala 2 dan segmentasi thresholding manual dan meningkat menjadi 96% pada segmentasi metode Sauvola. Kesimpulannya, teknik pengolahan citra yang dibuat telah mampu melakukan deteksi keberadaan retak pada citra jalan raya dengan akurasi tinggi.
1
BAB 1 PENDAHULUAN
Untuk menjamin keselamatan dan kenyamanan berkendaraan, jalan perlu dipelihara secara terus menerus. Pemeliharaan jalan diawali dengan pemeriksaan permukaan jalan secara berkala untuk mengetahui ada tidaknya kerusakan. Menurut Federal Highway Administation Amerika Serikat, kerusakan permukaan jalan dikategorikan menjadi lima, yaitu retak, tambalan dan lubang, deformasi permukaan, cacat permukaan dan kerusakan lain (Federal Highway Administration US, 2003). Penelitian ini hanya fokus pada pemeriksaan kerusakan berupa retak permukaan, yaitu untuk mendeteksi adanya retak permukaan, menentukan jenis retak dan mengkuantifikasi retak tersebut.
Secara konvensional, pemeriksaan retak permukaan dilakukan secara manual dimana petugas survei akan berjalan, mencatat lokasi dan luasan retak serta menandainya. Metode ini kurang efektif karena memerlukan waktu yang lama, tenaga kerja yang banyak dan kurang tepat akibat subjektivitas dan faktor kelelahan. Dalam aspek keselamatan, metode konvensional juga berbahaya bagi petugas khususnya bila pemeriksaan dilakukan pada jalan raya dengan kepadatan kendaraan yang tinggi.
Seiring dengan kemajuan teknologi kamera dan komputer, pemeriksaan retak secara visual menggunakan mata mulai digantikan dengan metode pengolahan citra digital. Melalui metode ini, kondisi permukaan jalan direkam menggunakan kamera video yang dirakit sedemikian hingga pada kendaraan survei. Hasil rekaman video permukaan jalan diolah menggunakan berbagai macam teknik pengolahan citra digital untuk mendeteksi adanya retak, menentukan jenis retak maupun menghitung luasan retak. Proses pengolahan citra bisa dilakukan secara masa nyata atau di laboratorium. Metode deteksi berbasis pengolahan citra digital mendapat sambutan sangat positif dari peneliti dan praktisi karena berpeluang besar mengatasi berbagai permasalahan metode konvensional. Disamping itu, metode ini juga relatif murah sehingga lebih mungkin direalisasikan dan diproduksi secara massal. Penelitian tentang penggunaan metode pengolahan citra digital untuk pemeriksaan permukaan jalan telah dimulai sejak dekade 1990 hingga sekarang dengan hasil yang menjanjikan. Meskipun begitu, berbagai metode yang telah dihasilkan oleh peneliti baru dijumpai terbatas pada tahap diseminasi dalam seminar atau jurnal ilmiah tapi belum populer sebagai produk komersial. Hal ini dikarenakan metode yang ada belum memberikan hasil pemeriksaan yang optimal pada berbagai kondisi jalan, sensitif terhadap cahaya sekitar dan waktu komputasi yang masih lama. Berdasarkan referensi yang ada, metode-metode
2 yang telah diusulkan hanya fokus pada penentuan adanya retak atau tidak, sedangkan penentuan jenis retak dan berapa luasan letak tidak banyak diteliti. Kenyataan ini memberikan peluang yang lebar bagi peneliti untuk melakukan penelitian yang mendalam sehingga diperoleh hasil yang lebih baik dan sesuai kebutuhan.
Berdasarkan uraian di atas, penelitian ini bertujuan untuk menemukan metode baru yang tangguh diimplementasikan pada berbagai jalan, tidak sensitif terhadap perubahan cahaya dan waktu komputasi cukup singkat. Metode baru tersebut digunakan untuk mampu melakukan tiga hal, yaitu menentukan adanya retak, jenis retak dan luasan retak. Pendekatan yang dilakukan merupakan gabungan dari pendekatan pemodelan multiskala dan pelatihan. Pemodelan multiskala dipilih karena dikenal tangguh terhadap gangguan pada citra dan tidak rentan terhadap perubahan tingkat keabuan (Zhang et al., 2013). Proses penentuan dan klasifikasi akan dilaksanakan dengan teknik pelatihan menggunakan support vector machine (SVM).
3
BAB 2 TINJAUAN PUSTAKA
Metode pengolahan citra digital untuk pemeriksaan kualitas permukaan jalan yang telah dihasilkan para peneliti dapat dirangkum menjadi lima kategori, yaitu metode dengan pendekatan analisis histogram, morfologi, pelatihan, penapisan dan pemodelan (Chambon & Moliard, 2011). Pendekatan analisis histogram berdasar pada asumsi bahwa distribusi tingkat keabuan antara citra retak dan permukaan jalan adalah terpisah. Pendekatan diwujudkan melalui teknik ambang batas (thresholding) baik secara lokal maupun adaptif (Chambon & Moliard, 2013; Teomete et al., 2005; Elbehiery et al., 2005). Pendekatan ini sederhana dan tidak memerlukan waktu pengolahan citra yang lama, akan tetapi akurasi pendeteksian cukup rendah. Ini terjadi karena secara fakta, distribusi tingkat keabuan citra retak dan permukaan jalan tidak secara jelas terpisah, berbeda dengan asumsi yang diambil oleh pendekatan ini.
Pendekatan kedua adalah menggunakan teknik morfologi (Coster, 2001; Ito et al., 2002; Iyer & Sinha, 2005). Pendekatan ini dilakukan dengan melakukan rekayasa terhadap tingkat keabuan citra sehingga perbedaan antara retak dan permukaan semakin jelas dan ciri-ciri yang khas bisa diekstrak untuk melakukan klasifikasi. Hasil pendekatan ini lebih baik dibanding pendekatan pertama akan tetapi sangat tergantung dengan pemilihan parameter rekayasa yang digunakan. Pendekatan ketiga bertumpu pada teknik pelatihan dan percobaan dengan menggunakan teknik jaringan syaraf tiruan (Liu et al., 2002; Saar et al, 2010). Pendekatan ini menghasilkan akurasi yang sama atau lebih tinggi dibanding dengan pendekatan kedua. Kekurangan utama pendekatan pelatihan adalah waktu komputasi yang diperlukan lama dan tidak bisa betul-betul secara masa nyata. Yang keempat, metode dilakukan dengan menggunakan berbagai teknik penapisan seperti wavelet dan Gabor untuk memperoleh ciri yang khas dari retak (Umesa et al, 2009; Zalama 2013). Pendekatan kelima dilakukan melalui pembuatan model retak dan permukaan (Nguyen et al., 2009). Termasuk dalam pendekatan pemodelan adalah analisis multiskala untuk memperoleh sifat lokal dan sifat global yang menjadi ciri khusus retak dan permukaan. Dua pendekatan terakhir ini menghasilkan akurasi relatif tinggi dibandingkan dengan pendekatan-pendekatan sebelumnya.
4
BAB 3 METODE PENELITIAN
Penelitian tentang pembuatan alat pengujian tidak merusak (non destructive testing) permukaan jalan telah dimulai sejak 2006 yang ketika itu berbasis pada gelombang permukaan. Karena aplikasi pengolahan citra digital sangat populer dan prospektif, penelitian dilanjutkan dengan pembuatan metode dan implementasi pengolahan citra digital untuk berbagai aplikasi pada rentang waktu 2007 – 2013 sebagaimana dirangkum dalam diagram tulang ikan (fishbone diagram) pada Gambar 3.1. Studi pembuatan berbagai metode pengolahan citra digital ini menjadi bekal dan dasar untuk pembuatan metode dengan aplikasi deteksi retak permukaan jalan.
Gambar 3.1 Fishbone diagram peta jalan penelitian penerapan pengolahan citra digital untuk evaluasi permukaan jalan
Pada 2014 sekarang ini, peneliti sedang melaksanakan pembuatan metode berbasis pengolahan citra digital dengan analisis histogram untuk mendeteksi retak permukaan jalan. Hasil penelitian ini akan menjadi awal dari pembuatan metode pengolahan citra digital yang lebih maju, kuat dan tidak rentan gangguan, yaitu dengan menggunakan pendekatan multiskala sebagaimana diajukan dalam proposal Penelitian Fundamental DIKTI ini untuk kegiatan penelitian 2015 - 2016. Hasil yang dicapai dari penelitian ini akan disempurnakan
Aplikasi pengolahan citra digital untuk grading buah (Riyadi et al, 2007-2008)
Pengolahan citra digital untuk diagnosis ketidaknormalan jantung (Disertasi S-3, 2008-2012)
Sistem masa nyata berbasis pengolahan citra digital untuk penyemprotan tanaman kelapa sawit (Ghazali et al, 2007)
Aplikasi pengolahan citra digital untuk studi ergonomik kursi mobil (Darliana et al 2009)
Aplikasi pengolahan citra digital untuk desain ergonomik bantal menyusui (Daruis et al 2013)
Pendekatan multiskala pengolahan citra digital untuk deteksi dan kuantifikasi retak permukaan jalan (Diusulkan PF DIKTI 2015-2016)
Implementasi alat portable berbasis pengolahan citra digital untuk deteksi dan kuantifikasi retak permukaan jalan (Diusulkan PHB DIKTI 2017-2018)
Analisis histogram citra digital untuk deteksi retak permukaan jalan (Riyadi et al 2014)
PF: Penelitian Fundamental PHB: Peneltian Hibah Bersaing Alat portable pengukur
ketebalan beton berdasarkan gelombang (Tesis S-2, 2006)
5 dan diimplementasikan dengan sebuah alat portable untuk pengujian masa nyata di permukaan jalan melalui pengajuan skema Penelitian Hibah Bersaing DIKTI 2017 – 2018. Penelitian dalam proposal ini akan dilaksanakan dalam beberapa tahapan utama yaitu 1) pengumpulan data retak permukaan, 2) klasifikasi dan kuantifikasi retak secara manual oleh pakar, 3) pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala, dan 4) klasifikasi dan kuantifikasi retak menggunakan teknik SVM. Pada masing-masing tahap 3 dan 4 dilakukan pengujian dan validasi untuk mengetahui apakan metode yang dibuat telah mencapapai hasil yang diharapkan. Diagam alir tahapan penelitian tersebut ditunjukkan pada Gambar 3.2.
Rincian Metode Penelitian Tahun Pertama
Penjelasan rinci tahapan penelitian yang dilakukan pada tahun I adalah sebagai berikut: 1. Pengumpulan data retak permukaan
Pengumpulan data retak permukaan jalan dilaksanakan dengan menggunakan kamera digital. Kamera ditempatkan pada posisi tegak lurus dengan permukaan jalan setinggi kira-kira 1 m. Pada setiap pengambilan foto citra, tinggi kamera dari permukaan jalan dibuat sama agar citra yang dihasilkan mempunyai rasio yang tetap dengan ukuran objek sebenarnya. Pengambilan citra dilakukan di dua lokasi, yaitu Jalan Wates, Ambarketawang, Sleman dan jalan di Pengasih, Kulon Progo. Dua lokasi ini dipilih karena pada keduanya terdapat bagian jalan yang retak dan tidak retak. Data yang terkumpul dikategorikan menjadi tiga kualitas, yaitu data baik, data sedang, data buruk, dengan kriteria seperti pada Tabel 3.1.
Tabel 3.1 Kategori kualitas data citra Kategori kualitas citra Kriteria
Data baik Retak jelas dan derau tidak ada Data sedang Retak kurang jelas atau ada derau Data buruk Retak tidak jelas atau banyak derau
6 Gambar 3.2 Diagram alir tahapan penelitian tahun I
Tidak
2. Klasifikasi dan kuantifikasi retak secara manual oleh pakar
3.c Pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala
4. Klasifikasi/deteksi retak dengan metode thresholding dan linear discriminant
Selesai Mulai
Perbaikan metode
1. Pengumpulan data retak permukaan jalan
Apakah metode berhasil mengekstrak sifat retak yang unik? 3.a Perbaikan kualitas citra dengan
metode filtering
3.b Segmentasi citra retak dengan metode Souvola
7 2. Deteksi retak secara manual oleh pakar
Citra permukaan jalan yang telah diperoleh perlu diklasifikasikan menjadi citra permukaan jalan dengan retak dan citra tanpa retak. Klasifikasi dilakukan oleh anggota peneliti dari Program Studi Teknik Sipil UMY yang sudah berpengalaman dalam penentuan retak permukaan jalan. Hasil deteksi retak secara manual akan menjadi kebenaran rujukan (ground-truth) untuk keperluan penghitungan akurasi deteksi dan validasi metode yang dibuat.
3. Pengolahan citra
a. Perbaikan kualitas citra dengan metode filtering
Perbaikan kualitas citra dilakukan terlebih dahulu dengan menerapkan metode filtering untuk mengurangi pengaruh derau citra dengan tetap mempertahankan isi citra. Metode filtering yang digunakan adalah median filter, contrast limited adaptive histogram equalization (CLAHE), filter Gaussian dan pyramidal Gaussian. Kinerja keempat filter tersebut dievaluasi dalam tiga aspek yaitu kemapuan filter dalam mengurangi derau dengan menggunakan parameter MSE, ENL dan SSI, kemampuan filter dalam mempertahankan informasi citra menggunakan parameter NM dan SC, serta kemampuan filter secara keseluruhan menggunakan parameter PSNR dan CNR. Hasil evaluasi kinerja filter digunakan untuk menentukan filter mana yang mempunyai kemampuan paling optimal dalam perbaikan kualitas citra jalan raya.
b. Segmentasi citra retak dengan metode Souvola
Citra jalan raya yang telah diperbaiki kuliatasnya akan diproses pada tahapan berikutnya, yaitu proses segmentasi. Proses segmentasi adalah proses pemisahan antara citra retak dengan latar belakang citra. Dalam penelitian ini, teknik segmentasi yang digunakan adalah teknik Souvola. Teknik lain, yaitu teknik ambang manual, Otsu dan Bernsen, juga diterapkan sebagai teknik pembanding.
c. Pembuatan metode pengekstrakan sifat retak dengan pendekatan multiskala Pembuatan metode pengekstrakan sifat retak dilaksanakan dengan langkah-langkah yang ditunjukkan pada Gambar 3.3. Pembuatan metode dimulai dengan membaca file citra dan mengubahnya dari format citra RGB menjadi grayscale. Pengubahan format ini bertujuan agar komputasi dan analisis citra menjadi lebih sederhana dan cepat. Setelah itu, citra
8 grayscale akan difilter menggunakan metode Pyramidal Gaussian. Proses pemfilteran ini dimaksudkan untuk memperbaiki kualitas citra dengan mengurangi derau yang ada. Selain itu, Pyramidal Gaussian juga akan menghasilkan citra multi skala. Masing-masing citra multi skala akan diproses pada tahap selanjutnya untuk memperoleh hasil yang paling optimal.
Langkah selanjutnya, citra hasil Pyramidal Gaussian diekstraksi sifat retaknya, yaitu sum of histogram dan bwarea. Sum of histogram adalah jumlah histogram pada rentang nilai piksel tertentu. Sifat ini diambil karena berdasarkan pengamatan pada histogram, citra retak memiliki distribusi nilai lebih ke kiri dibanding citra tanpa retak (Gambar 3.4(a) dan (b)). Jumlah histogram akan dihitung dari rentang nilai piksel 1 hingga 170, 175 dan 180. Analisis akan dilakukan untuk menentukan rentang mana yang menghasilkan akurasi paling tinggi. Sifat sum of histogram diharapkan mampu menjadi sifat yang membedakan antara citra retak dan tanpa retak.
Gambar 3.3 Metode pengekstrakan sifat retak Read file name
Apply Pyramidal Gaussian
Compute sum of histogram (x1) and bwarea (x2) Start
Convert image to grayscale
Train data to create discriminant function f(x1, x2)
Test data using f(x1, x2)
Compute accuracy
9 Sifat retak kedua adalah bwarea, yaitu jumlah piksel retak yang dihitung pada citra yang telah dikonversi menjadi citra hitam putih. Sebagaimana ditunjukkan pada Gambar 3.4(c) dan (d), hasil segmentasi citra tanpa retak dan dengan retak terlihat jelas berbeda secara visual dan informasi ini akan diperoleh dengan menghitung sifat bwarea. Sebelum penghitungan bwarea, beberapa nilai batas akan digunakan untuk mengubah citra grayscale menjadi citra hitam putih, yaitu 0,40, 0,45 dan 0,50. Analisis akan dilakukan atas ketiga nilai batas tersebut untuk memperoleh akurasi terbaik.
(a) (b)
(c) (d)
Gambar 3.4 Contoh histogram dan citra hitam putih hasil segmentasi untuk citra (a)(c) tanpa retak dan (b)(d) dengan retak
4. Pembuatan metode untuk mengklasifikasi sifat retak
Setelah sifat retak sum of histogram dan bwarea diperoleh, kedua sifat ini akan menjadi pertimbangan untuk mengklasifikasikan apakah suatu citra tergolong citra retak atau tanpa retak. Metode klasifikasi yang digunakan adalah linear discriminant. Metode ini dibuat melalui dua tahap, yaitu latihan (training) dan ujian (testing). Tahap latihan akan
10 menghasilkan linear discriminant function f(x1, x2) yang kemudian digunakan untuk tahap ujian. Tahap latihan menggunakan 30 citra dan sisanya digunakan untuk tahap ujian.
Untuk memperoleh hasil yang lebih valid, metode latihan dan ujian akan menggunakan teknik cross-validation. Teknik ini dilakukan dengan membagi data menjadi enam kelompok, yaitu D1 hingga D6. Latihan 1 menggunakan data D1, sedangkan ujian ke-1 menggunakan data D2 hingga D6. Latihan ke-2 menggunakan data D2 dan ujian menggunakan D1 dan D3 hingga D6. Langkah ini dilakukan seterusnya hingga latihan ke-6 menggunakan data D-6 dan ujian menggunakan data D1 hingga D5. Hasil akurasi klasifikasi pada masing-masing langkah dihitung untuk kemudian dihitung nilai rata-ratanya sehingga diperoleh akurasi keseleuruhan.
11
BAB 4 HASIL DAN PEMBAHASAN
1. Data yang diperoleh
Data yang terkumpul dari Lokasi 1 (Jalan Wates, Ambarketawang) adalah 54 citra, sedangkan dari Lokasi 2 (Pengasih, Kulon Progo) adalah 180 citra sehingga total adalah 234 citra. Data tersebut telah dikategorikan menjadi tiga kualitas sebagaimana tercantum dalam Tabel 4.1. Contoh citra permukaan jalan kategori baik, sedang dan buruk ditampilkan pada Gambar 4.1(a), (b) dan (c), sedangkan contoh citra tanpa retak ditunjukkan pada Gambar 4.1(d).
Tabel 4.1 Hasil kategori kualitas data dan klasifikasi retak secara manual Kategori
kualitas citra
Kriteria Banyak citra
Tanpa retak
Dengan retak
Jumlah Data Baik Retak jelas dan derau tidak ada 55 55 110 Data Sedang Retak kurang jelas atau ada
derau
65 5 70
Data Buruk Retak tidak jelas atau banyak derau
48 6 54
Jumlah 168 66 234
(a) (b)
(c) (d)
Gambar 4.1 Contoh citra kategori kualitas (a) baik, (b) sedang dan (c) buruk, serta (d) citra tanpa retak
12 2. Hasil klasifikasi citra retak secara manual
Klasifikasi citra secara manual telah dilakukan dengan hasil ditunjukkan pada Tabel 4.1.
3. Hasil perbaikan citra
Contoh citra asli dalam format RGB dan hasil konversi menjadi format grayscale ditampilkan dalam Gambar 4.2. Citra telah diubah ke format grayscale agar komputasi menjadi lebih sederhana karena format grayscale terdiri hanya satu komponen intensitas piksel dibanding RGB yang memiliki tiga komponen. Tidak ada perbedaan berarti secara visual pada kedua citra tersebut.
(a) (b)
Gambar 4.2 Contoh citra asli RGB dan grayscale a. CLAHE
Metode yang pertama digunakan untuk perbaikan kualitas citra adalah metode CLAHE yang dibuat berdasarkan metode ekualisasi histogram. Gambar 4.3 (a), (b) dan (c) masing-masing menampilkan histogram citra grayscale, histogram hasil penerapan CLAHE dan citra hasil penerapan CLAHE. Terlihat dari kedua histogram tersebut, metode CLAHE berhasil meningkatkan kontras citra sehingga bagian-bagian rinci dari citra hasil menjadi lebih jelas terlihat.
13
(a) (b)
(c)
Gambar 4.3 (a) Histogram citra asli; (b) Histogram hasil CLAHE; dan (c) Citra hasil CLAHE
b. Median
Filter median diterapkan dengan menggunakan jendela 15x15 yang menghasilkan citra pada Gambar 4.4. Terlihat bahwa citra hasil filter median lebih halus dan kontras rendah. Bagian jalan bukan retak terlihat lebih halus sehingga memudahkan proses segmentasi pada tahapan berikutnya.
Gambar 4.4 Citra hasil filter median c. Gaussian
Penerapan filter Gaussian menghasilkan citra hasil yang ditampilkan pada Gambar 4.5. Citra hasil Gaussian tidak terlihat terlalu berbeda dengan citra grayscale asli.
14 Gambar 4.5 Citra hasil filter Gaussian
d. Uji efektivitas filter dalam perbaikan kuliatas citra
Evaluasi filter di atas telah dilakukan secara visual. Evaluasi visual sering tidak menghasilkan keputusan yang tepat. Oleh karena itu, evaluasi dilaksanakan juga secara kuantitatif dengan menghitung parameter-parameter tertentu. Evaluasi kuantitatif dilakukan untuk menilai kemampuan filter dalam tiga hal, yaitu kemampuan dalam mengurangi derau, kemampuan mempertahankan informasi citra dan kemampuan filter secara umum.
Kemampuan filter dalam mengurangi derau
Uji kemampuan ini dilakukan dengan menghitung parameter MSE, ENL dan SSI dengan hasil ditunjukkan masing-masing pada Gambar 4.6 (a), (b) dan (c). Pada Gambar 4.6 (a) dan (c), nilai MSE terbaik dan SSI terbaik diperoleh dengan menerapkan filter median dan Gaussian. Sedangkan pada Gambar 4.6(b), nilai ENL terbaik diperleh oleh filter median. Kesimpulannya, berdasarkan ketiga parameter tersebut, filter yang paling efektif mengurangi derau citra permukaan jalan adalah filter median.
15 (a)
16 (c)
Gambar 4.6 Hasil uji kemampuan filter dalam mengurangi derau berdasarkan parameter (a) MSE, (b) ENL dan (c) SSI
Kemampuan filter mempertahankan informasi citra
Kemampuan ini diuji dengan menghitung parameter NM dan SC dengan hasil pada Gambar 4.7 (a) dan (b). Parameter NM paling mendekati nilai 1 diperoleh oleh filter median dan Gaussian, sedangkan parameter SC tertinggi diperoleh oleh filter median, Gaussian dan CLAHE. Jadi, berdasarkan nilai kedua parameter tersebut, filter median dan Gaussian konsisten menjadi filter yang memiliki kemampuan terbaik dalam mempertahankan informasi citra.
17 (b)
Gambar 4.7 Hasil uji kemampuan filter dalam mempertahankan informasi dengan parameter (a) NM dan (b) SC
Kemampuan filter secara umum
Kemampuan filter secara umum ditunjukkan pada Gambar 4.8 (a) dan (b) dengan parameter PSNR dan CNR. Berdasarkan parameter PSNR, filter terbaik adalah filter Gaussian dengan nilai PSNR tertinggi dan diikuti oleh filter median. Sedangkan berdasarkan parameter CNR, filter median menjadi filter terbaik diikuti oleh filter Gaussian.
18 (b)
Gambar 4.8 Hasil uji kemampuan filter secara umum dengan parameter (a) PSNR dan (b) CNR
4. Hasil segmentasi
Segmentasi adalah pengubahan citra dari grayscale menjadi hitam putih, bagian retak berwarna hitam sedangkan permukaan jalan berwarna putih. Hasil segmentasi atas contoh citra berkualitas baik dengan menggunakan metode thresholding, Otsu, Bersnen dan Souvola berturut-turut ditunjukkan pada Gambar 4.9(a), (b), (c), (d) dan (e). Gambar tersebut menunjukkan bahwa pada citra berkualitas baik, keempat metode mampu melakukan segmentasi dengan tepat.
(a)
19
(c) (d)
Gambar 4.9 Contoh (a) citra asli berkualitas baik dan citra hasil segmentasi dengan metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
Gambar 4.10(a), (b), (c), (d) dan (e) berturut-turut menampilkan contoh citra asli berkualitas sedang, citra hasil segmentasi dengan metode thresholding, Otsu, Bersnen dan Souvola. Pada data kuliatas medium, metode thresholding dan Bersnen menghasilkan hasil segmentasi yang tidak tepat. Hampir semua bagian retak tidak dapat dipisahkan oleh kedua metode tersebut. Metode Otsu mampu memisahkan bagian retak, akan tetapi masih banyak bagian permukaan jalan dideteksi sebagai retak. Hasil terbaik diperoleh dengan menggunakan metode Souvola sebagaimana ditunjukkan pada Gambar 4.10(e).
(a)
(b) (b)
(c) (d)
Gambar 4.10 Contoh (a) citra asli berkualitas sedang dan citra hasil segmentasi dengan metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
20 Hasil segmentasi atas citra berkualitas buruk ditampilkan pada Gambar 4.11 berikut. Di antara empat metode yang dicoba, Otsu menghasilkan segmentasi yang paling buruk sedangkan tiga metode lainnya masih mampu menghasilkan segmentasi yang baik.
(a)
(b) (b)
(c) (d)
Gambar 4.11 Contoh (a) citra asli berkualitas buruk dan citra hasil segmentasi dengan metode (b) manual thresholding, (c) Otsu, (d) Bersnen dan (e) Souvola
5. Hasil metode ekstraksi sifat retak
Pembuatan metode ekstraksi sifat retak dimulai dengan mengubah citra RGB ke grayscale dengan hasil ditampilkan pada Gambar 4.12(a) dan (b). Secara visual dua citra tersebut terlihat sama karena kebetulan citra permukaan jalan berwarna abu-abusehingga citra RGB tidak terlihat sebagai citra berwarna.
21
(a) (b)
Gambar 4.12 Contoh pengubahan citra dari (a) RGB ke (b) grayscale
Selanjutnya, pengolahan citra menggunakan pyramidal Gaussian menghasilkan citra multi skala, yaitu citra skala 1, 2 dan 3 sebagaimana ditampilkan pada Gambar 4.13(a), (b) dan (c). Masing-masing citra multi skala menampakkan hasil yang berbeda baik secara visual maupun informasi yang terkandung. Secara visual, semakin tinggi tingkat skala, semakin kecil ukuran citra. Citra skala 1 telihat lebih detil daripada skala di atasnya. Kedetilan suatu citra tidak bermakna selalu lebih baik karena citra yang detil juga mengandung derau yang lebih banyak dibanding citra yang kurang detil. Dimungkinkan, citra yang kurang detil lebih sesuai untuk keperluan deteksi retak karena derau telah terkurangi, latar belakang lebih halus dan retak lebih terlihat. Untuk mengetahui citra skala berapa yang menghasilkan deteksi paling tepat, ketiga skala citra tersebut akan digunakan pada proses tahapan berikutnya.
(a)
(b)
(c)
Gambar 4.13 Contoh hasil pyramidal Gaussian (a) skala 1, (b) skala 2 dan (c) skala 3 Selanjutnya, dua sifat retak yaitu sum of histogram dan bwarea diekstrak dari citra hasil pyramidal Gaussian.
22 Dengan menggunakan dua sifat retak yang telah diekstrak, klasifikasi retak dilakukan dengan metode linear discriminant. Metode ini dimulai dengan latihan dengan menggunakan 30 citra sehingga diperoleh fungsi diskriminan:
9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2=0
dan scatter plot yang ditampilkan pada Gambar 4.14.
Gambar 4.14 Scatter plot sifat sum of histogram (x1) dan bwarea (x2) serta fungsi diskriminan yang diperoleh dari hasil latihan
Fungsi diskriminan tersebut kemudian digunakan sebagai aturan untuk mengklasifikasikan citra retak, yaitu
y = 9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2
Jika y>0 maka citra diklasifikasikan sebagai citra retak dan sebaliknya, jika y<0 maka hasilnya adalah citra tanpa retak.
6. Hasil klasifikasi retak menggunakan metode yang diusulkan
Hasil akurasi dengan segmentasi manual thresholding
Hasil akurasi klasifikasi retak dengan pyramidal Gaussian skala 1, 2 dan 3 ditampilkan berturut-turut pada Tabel 4.2, Tabel 4.3 dan Tabel 4.4. Pada pyramidal Gaussian skala 1 yang ditampilakn Tabel 4.2, akurasi tertinggi diperoleh ketika sum of histogram dihitung pada rentang 1 – 170 dan batas bwarea 0,50 atau rentang 1 – 175 dan 0,45 dengan nilai akurasi 87,5000%. Kenaikan akurasi secara signifikan menjadi 92,8570% diperoleh dengan Pyramidal Gaussian skala 2 dimana sum of histogram dihitung pada rentang 1 – 175 dan batas bwarea 0,45 (Tabel 4.3). Sedangkan pada skala 3 (Tabel 4.4), semua nilai akurasi klasifikasi cenderung menurun di semua rentang dan batas. Hasil ini menunjukkan bahwa skala pyramidal Gaussian yang paling optimal adalah skala 2. Skala 1 menghasilkan citra yang terlalu detil sehingga derau masih banyak muncul
23 sedangkan skala 3 menghasilkan citra yang terlalu halus sehingga informasi retak justru menjadi hilang atau tidak lengkap.
Tabel 4.2 Akurasi klasifikasi dengan Pyramidal Gaussian skala 1 Features Thresholding of bwarea
0.40 0.45 0.50 R ange o f su m hi st ogr am 1:170 85.7143 85.7143 87.5000 1:175 85.7143 87.5000 82.1429 1:180 78.5714 80.3571 80.3571
Tabel 4.3 Akurasi klasifikasi dengan Pyramidal Gaussian skala 2 features Thresholding of bwarea
0.40 0.45 0.50 R ange o f su m hi st ogr am 1:170 91.0714% 89.2857% 91.0714% 1:175 71.4286% 92.857% 80.357% 1:180 71.4286% 76.7857% 82.1429%
Tabel 4.4 Akurasi klasifikasi dengan Pyramidal Gaussian skala 3 features Thresholding of bwarea
0.40 0.45 0.50 R ange o f su m hi st ogr am 1:170 89.2857% 91.0714% 91.0714% 1:175 75% 85.71429% 87.5000% 1:180 64.2857 76.92308% 82.1429
Hasil akurasi dengan segmentasi Souvola
Hasil akurasi pada setiap kualitas data ditunjukkan pada Tabel 4.5. Pada data kualitas baik, semua metode berhasil melakukan deteksi dengan tepat 100%. Sedangkan pada kualitas data sedang, tingkat akurasi menurun utk metode manual, Otsu dan Bersnen. Metode Sauvola tetap mempertahankan akurasi 100% pada jenis data kualitas sedang. Pada kualitas data buruk, akurasi metode Otsu turun signifikan menjadi 60%, manual dan Bersnen turun menjadi 75% sedangkan Souvola menjadi 90%. Secara keseluruhan,
24 akurasi dengan menggunakan metode Sauvola menghasilkan nilai ketepatan lebih tinggi yaitu 96%.
Tabel 4.5 Akurasi klasifikasi crack dengan berbagai metode segmentasi (dalam %) Metode
Manual Otsu Bernsen Sauvola Kualitas Data
Data baik 100 100 100 100
Data sedang 90 80 90 100
Data buruk 75 60 75 90
25
BAB 4 KESIMPULAN DAN SARAN
Dari hasil yang telah diperoleh pada tahun pertama, kesimpulan yang dapat diambil adalah: 1. Penelitian telah menghasilkan metode deteksi retak citra jalan raya yang terdiri dari
metode perbaikan citra, segmentasi, ekstraksi sifat dan klasifikasi.
2. Dalam hal perbaikan citra, metode filter median menghasilkan kualitas citra paling baik dibanding metode HE, CLAHE dan Gaussian. Hasil segmentasi citra retak terbaik diperoleh dengan menggunakan metode Sauvola dibanding metode thresholding manual, Otsu dan Bersnen. Sifat bwarea dan rentang jumlah histogram berhasil digunakan untuk melakukan klasifikasi citra retak dan tidak retak.
3. Dengan segmentasi thresholding manual, metode-metode tersebut telah digunakan untuk melakukan klasifikasi citra retak dengan hasil akurasi optimal 92,8570% yang diperoleh pada pyramidal Gaussian skala 2, rentang sum of histogram 1 – 75 dan batas tresholding bwarea 0,45.
4. Apabila dilihat dari metode segmentasi yang digunakan, metode Sauvola menghasilkan akurasi terbaik sebesar 96%.
Saran untuk penelitian tahun kedua adalah sebagai berikut:
1. Untuk memperoleh variasi data dan pengujian yang lebih valid dalam berbagai kondisi, data citra retak perlu diambil menggunakan perekam video dengan melakukan variasi kecepatan jalannya kendaraan perekam, lokasi jalan dan waktu pengambilan data.
2. Metode ekstraksi sifat perlu dikembangkan lagi untuk memperoleh sifat yang unik dan tidak terpengaruh berbagai derau akibat kondisi jalan raya.
3. Metode klasifikasi perlu dikembangkan menggunakan pendekatan kecerdasan buatan seperti metode support vector machine (SVM).
26
CAPAIAN LUARAN TAHUN PERTAMA
N o
Luaran/Deskripsi Ketercapaian
1 Artikel jurnal internasional
Judul: Analysis of Digital Image using Pyramidal Gaussian Method to Detect Pavement Crack
Nama jurnal: Advanced Science Letter, ISSN: 1936-6612 EISSN: 1936-7317. Terindeks SCOPUS, Q2 (Engineering); 2010 Impact Factor 1.253.
Telah diterima dan proses publikasi
2 Artikel seminar internasional
Judul: Automatic local segmentation for pavement crack images Nama seminar: 8th International Conference on Artificial
Intelligence and Soft Computing (ICAISC), Bangkok 29 Desember 2015
Artikel telah diterima
3 Artikel seminar nasional
Perbandingan metode filtering untuk perbaikan kualitas citra retak permukaan jalan
Artikel siap disubmit
27
RENCANA TAHUN KEDUA
METODOLOGI PENELITIAN
TARGET LUARAN
1. Satu artikel seminar nasonal 2. Satu artikel seminar internasional
3. Satu artikel jurnal nasional/internasional bereputasi Tidak
2. Klasifikasi dan kuantifikasi retak secara manual
4. Klasifikasi dan kuantifikasi retak dengan metode SVM dan PCA
Selesai Mulai
Perbaikan metode
1. Pengumpulan data VIDEO permukaan jalan
Apakah metode berhasil mengekstrak sifat retak yang unik? 3.a Pre-processing:
- Perbaikan kuliatas citra - Segmentasi citra retak
b. Ekstraksi ciri histogram oriented gradient (HOG)
28
UCAPAN TERIMA KASIH
Peneliti mengucapkan terima kasih kepada pihak-pihak yang telah membantu dalam dalam pelaksanaan penelitian dan penulisan laporan ini, yaitu:
1. Direktorat Riset dan Pengabdian Masyarakat, Kemenristekdikti 2. Universitas Muhammadiyah Yogyakarta
3. Aris Sugiharto (Teknik Elektro, UMY) 4. Dinia Rachmawati (Teknik Elektro, UMY) 5. Rizqi Yudi Pradana (Teknik Elektro, UMY) 6. Dede Muhammad Muafiq (Teknik Elektro, UMY)
7. Anna Nur Nazilah Chamim, ST, MEng (Teknik Elektro, UMY) 8. Ir. Tony K. Hariadi, MT (Teknologi Informasi, UMY)
29
DAFTAR PUSTAKA
A. Ito, Y. Aoki, and S. Hashimoto, “Accurate extraction and measurement of fine cracks from concrete block surface image,” in Proceedings of the Annual Conference of the Industrial Electronics Society, vol. 3, pp. 2202–2207, 2002.
E. Teomete, V. R. Amin, H. Ceylan, and O. Smadi, “Digital image processing for pavement distress analyses,” in Proceedings of the Mid-Continent Transportation Research
Symposium, p. 13, 2005.
Federal Highway Administration – US Department of Transportation. 2003. Distress Identification Manual for Long-Term Pavement Program. Publication No. FHWA-RD-03-031
H. Elbehiery, A. Hefnawy, and M. Elewa, “Surface defects detection for ceramic tiles using image processing and morphological techniques,” in Proceedings of theWorld Academy of Science, Engineering and Technology (PWASET ’05), vol. 5, pp. 158–162, 2005.
Jinjun Zhang, Kuang Liu, Chuntao Luo, Aditi Chattopadhyay, “Crack initiation and fatigue life prediction on aluminum lug joints using statistical volume element–based multiscale modeling”, Journal of Intelligent Material Systems and Structures, ISSN 1045-389X, 11/2013, Volume 24, Issue 17, pp. 2097 - 2109
Liu, S.W; Huang, Jin H; Sung, J.C; Lee, C.C, “Detection of cracks using neural networks and computational mechanics”, Computer Methods in Applied Mechanics and Engineering, ISSN 0045-7825, 2002, Volume 191, Issue 25, pp. 2831 – 2845
M. Coster and J.-L. Chermant, “Image analysis and mathematical morphology for civil engineering materials,” Cement and Concrete Composites, vol. 23, no. 2, pp. 133–151, 2001.
S. Iyer and S. K. Sinha, “A robust approach for automatic detection and segmentation of cracks in underground pipeline images,” Image and Vision Computing, vol. 23, no. 10, pp. 921– 933, 2005.
Saar, T; Saar, T; Talvik, O; Talvik, O, “Automatic Asphalt pavement crack detection and classification using Neural Networks”, 12th Biennial Baltic Electronics Conference 2010, pp. 345 – 348
Sylvie Chambon and Jean-Marc Moliard. 2011. Automatic road pavement assessment with image processing: review and comparison. International Journal of Geophysics Vol. 2011. T. S. Nguyen, M. Avila, S. Begot, F. Duculty, and J.-C. Bardet, “Automatic detection and classification of defect on road pavement using anisotropy measure,” in Proceedings of the European Signal Processing Conference, pp. 617–621, 2009.
30 Umesha, P.K; Ravichandran, R; Sivasubramanian, K, 2009, “Crack Detection and
Quantification in Beams Using Wavelets”, Computer-Aided Civil and Infrastructure Engineering, Volume 24, Issue 8, p. 593
Zalama, Eduardo; Gómez‐García‐Bermejo, Jaime; Medina, Roberto; Llamas, José, 2013, “Road Crack Detection Using Visual Features Extracted by Gabor Filter”, Computer‐Aided Civil and Infrastructure Engineering, ISSN 1093-9687, 05/2014, Volume 29, Issue 5, pp. 342 – 3
31
32
LAMPIRAN 1
33 From: Telsatech Conf <telsatechconf@gmail.com>
Date: Mon, Jun 22, 2015 at 9:50 PM
Subject: Review Result TelSaTech 2015 : 111
To: atmaja_sri@umy.ac.id, arizsugiarto@gmail.com, riyadi@umy.ac.id Dear Slamet Riyadi, Aris Sugiarto and Sri Atmaja Putra,
After a rigorous review, with pleasure we would like to inform you that your paper with ID/Title:
111 Analysis of Digital Image using Pyramidal Gaussian Method to Detect Pavement Crack
is accepted to be presented and published in The 3rd International
Conference on Advances Technology in Telecommunication, Broadcasting, and Satellite 2015 (The 3rd TelSaTech 2015), which will be held at
DoubleTree Hilton, Jakarta, Indonesia during 26 – 27 September 2015. All of submitted TelSaTech 2015 papers already peer reviewed by at least three reviewers and all of registered papers will be published in Advanced Science Letters (ISSN: 1936-6612 (Print): EISSN: 1936-7317 (Online)) that published by American Scientific Publishers
The blind review process already taken from three reviewers and the result attached with this email. You have to revise your paper aligned with the review result.
Please send these documents to telsatechconf@gmail.com on the latest 30 June 2015
1. The revised full paper in Ms Word 2003 and pdf format. Please download the Camera Ready Full Paper Template from
http://www.telsatech.org/TelSaTech_Template.doc
2. The copyright transfer in pdf format. Please download the copyright transfer from
http://www.aspbs.com/science/ASL%20Copyright%20Transfer%20Form.pdf
3. The registration form in pdf format. Please download the registration form from
34 http://www.telsatech.org/TelSaTech2015_Registration_Form.pdf
4. The scan proof of payment in pdf format. You may find detail of payment on the Registration Form.
5. The report on how do you revised your paper aligned with reviewer comments in txt format.
6. Please provide Plagiarism Checker using either CrossCheck
http://www.crossref.org/crosscheck/index.html or Turnitin
http://turnitin.com/ or
http://smallseotools.com/plagiarism-checker/ onto your Revised Full Paper and send the report as well..
Please email us if you have any questions relate with TelSaTech 2015..
Best regards
Prof. Janardan Nanda, Prof. Mehdi Roopei, Dr. Phuc V. Nguyen TelSaTech 2015 Technical Program Chairs
RESEARCH ARTICLE ……..
Adv. Sci. Lett.
1 Adv. Sci. Lett…………
American Scientific Publishers ………..Advanced Science Letters
All rights reserved Printed in the United States of America
Analysis of Digital Image using Pyramidal Gaussian
Method to Detect Pavement Crack
Slamet Riyadi1, Aris Sugiarto2, Sri Atmaja Putra3, Noor Akhmad Setiawan4 1
Dept. of Information Technology, 2Dept. of Electrical Engineering, 3Dept. of Civil Engineering, Faculty of Engineering, Universitas Muhammadiyah Yogyakarta, Indonesia
4
Dept. of Information Technology, Faculty of Engineering, Universitas Gadjah Mada, Indonesia
Examination of road condition, especially pavement crack, needs to be done regularly. With regular checks, road conditions can be maintained to keep it comfortable for road users. Currently, the examination was carried out manually where the officers observe all pavement road and then take notes and mark the existence of cracks. This conventional method takes a long time, labour intensive and low consistency due to the human factor. To overcome the problem, this research proposes the use of digital image processing technique to detect the existence of cracked road surface. The detection technique is developed using Gaussian Pyramid method to create multiscale images and extraction of histogram and black-white area features. Linear discriminant analysis is then used to classify the crack and non-crack images. Based on experiment results, the method produces the accuracy of 92.8571% with 1.50 seconds of computation time per image. In conclusion, the proposed method successfully increase the accuracy of cracks detection on pavement surface.
Keywords: Pavement crack detection, image analysis, pyramidal Gaussian.
1. INTRODUCTION
According to the UU Republik Indonesia No. 38 tahun 2004 concerning road infrastructures, the road has an important role in realizing development of nation because it supports the rate of economic growth. It can be inferred that the road is very important for human beings and the road condition has to be maintained periodically. Road maintenance is done through the inspection of the road condition, especially road damages. According to Manual Pemeliharaan Jalan Bina Marga No. 03/MN/B/1983, the road damage is classified as crack, distortion, disintegration, polish aggregate, bleeding or flushing, and decline in the former quarry/planting utilities. This research only focuses on detection of the existence of cracks, without distinguishing the type of the cracks.
The current methods that used in checking the road condition is the conventional method, where the officers observe the pavement road and check the existing of cracks manually. This evaluation method is not effective because it requires a long time, a lot of manpower and less precise due to the human subjectivities. In addition, the conventional method is not safe for officers especially when the inspection is conducted on a highway with high traffic. Therefore, there is a problem on this method that needs further research to solve it.
Researchers have reported their findings to overcome the conventional inspection method using various image
processing techniques. Chambon and Moliard1 summarized the application of image processing techniques for crack detection in five approaches, i.e. histogram, morphology, training-testing, filtering and modelling. Histogram approach is implemented based on assumption that the intensity of crack region and background is separated. This approach is usually continued by applying thresholding technique to segment between crack region and background2,3,4. Histogram and thresholding technique are selected mostly because of their simplicity and efficient computation process. The other approach is morphology that modifies intensity pixel of image to significantly improve the segmentation process4,5,6,7. Generally, this approach produces better results than histogram technique.
Riyadi et al4 apply a method that combines thresholding, morphological closing and median filtering technique to detect the present of crack on surface pavement. Thresholding technique is applied to perform crack segmentation from background image. Several values are selected and tried to obtain the optimal threshold value. Crack image obtained from this segmentation looks containing noise or background part that is segmented as crack. Therefore, they apply a median filter and morphological closing technique to improve the quality of crack images. Although median filter significantly increases the accuracy result, it remains problem because the filter works only on the local region or window. Local region processing is effective for detail
RESEARCH ARTICLE
Adv. Sci. Lett.
task but sometimes it is not proper to represent theapparent of the whole image.
Image processing technique introduced a pyramidal image analysis to observe the pyramidal apparent of images. Using this analysis, images can be evaluated from coarse to fine view8,9. The objective of this paper is to use a pyramidal technique to detect the present of crack on pavement surface. A Gaussian filter is implemented combined with the pyramidal approach.
2. METHOD
The stages of research that has been implemented are presented in the following flowchart:
Fig. 1. Flowchart of overall research stages 1. Literature review
This stage aims to obtain the state of art on the topic and related theory and implementation of image processing techniques.
2. Data collection
The image data are collected on pavement road in Wates, Kulonprogo, Yogyakarta. Digital camera is positioned perpendicular to the angle of 90 degrees with height of 1 meter from the road. A
number of 86 images were captured where 43 image is with crack and the rest is non crack. 3. Manual classification
Image data are manually classified between image with crack and non-crack. This stage is done visually by an expert and the result is considered as the ground-truth that will be used to validate or compute the accuracy of proposed method.
4. Algorithm Design
The algorithm consists of the following steps: pre-processing, pyramidal Gaussian, features extraction and classification task as shown in Fig. 2. In the pre-processing, the image is resized and converted from RGB to grayscale format to reduce computation complexities. After that, the pyramidal Gaussian is then implemented to obtain different scale views of image. Scale 1 represents the image with original size, scale 2 is a half size of original image whereas scale 3 is a half size of scale 2 image.
Fig. 2. Flowchart of algorithm design In each scale view, two features are then extracted, i.e. sum of histogram and black-white area (bwarea). Sum of histogram is selected as a feature to represent crack because based on histogram observation, histogram of image containing crack is relatively distributed on the left region compare to image without crack as shown in Fig. 4(c) and (d). Therefore, sum of histogram feature is computed for severeal ranges of histogram to determine the optimal one. The second feature is bwarea that is computed by sum of black pixels in the segmented grayscale image. Black pixels represents the crack in the image whereas the white pixels represents the
Apply Pyramidal Gaussian
Compute sum of histogram and bwarea
Start
Convert image to grayscale
Classification task using LDA
End Literature review
Data collection
Algorithm design
Code implementation
Analysis and discussion
Optimal result? “NO” “yes ” Manual classification
RESEARCH ARTICLE ……..
Adv. Sci. Lett.
3 Adv. Sci. Lett…………
background image.
These two features are used for classification task using linear discriminant analysis (LDA) method. LDA training obtains linear discriminant function following formula:
y(x1,x2)=K+L1x1+L2x2
where y is linear discriminant function, x1 and x2 are
sum of histogram and bwarea, respectively, and K, L1 and L2 are constant values obtained from LDA
training. LDA training uses 30 set of images whereas the testing process involves 53 images. Finally, the accuracy of crack detection is computed using LDA testing.
5. Implementing program.
Program is created using the MATLAB software.
3. RESULT AND DISCUSSION
The total of images used in this study was 86 images, where 43 data are images with crack and the rest are non crack. A number of 30 images were used for LDA training and 56 ones were used for testing. Fig. 3(a) and (b) shows an example of original image with crack and non-crack, where Fig. 3(e) and (f) are the images of Fig. 3(a) and (b) after conversion from original to grayscale.
(a) (b)
(c) (d)
(e) (f)
Fig. 3. Example of images: original (a) with crack and (b) non-crack, histogram of images (b) with crack and (c) non-crack, grayscale image (e) with crack and (f)
non-crack
The results of pyramidal Gaussian for scale 1, scale 2 and scale 3 are showed in Fig. 4(a), (b) and (c) respectively. Visually, higher scale of pyramid results smaller size of images. The image from scale 1 looks more detail compared to others. Image with more details should not have been proper for detection purpose because it also contains more noise compared to image with less detail. To determine which scale is the optimal one, each image is then processed in the next step, i.e. computation of sum of histogram and bwarea.
(a)
(b)
(c) Fig. 4 Images obtained from pyramidal Gaussian (a) scale 1, (b) scale 2 and (c) scale 3 Computed sum of histogram and bwarea are used to determine the linear discriminant function and yields 9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2=0
This function is then used to classify the images by defining:
y = 9.4511+(0.001*0.4781)x1+(0.001* -0.9651)x2=0
If y>0 then image is classified as image with crack, whereas if y<0 then image is non-crack.
Using the linear discriminant function obtained, we computed the accuracy of detection as shown in Tabel 1, 2 and 3 for pyramidal Gaussian scale 1, 2 and 3 respectively. For this experiment, we applied three ranges of sum of histogram, i.e. 1:170, 1:175 and 1:180. These values are selected based on visual analysis of histogram as shown in Fig. 4(c) and (d). We also selected three thresholding value, i.e. 0.40, 0.45 and 0.50 when converting grayscale to black-white image.
According to Table 1, for pyramid scale 1 or original size, the result shows that the best accuracy of 87.5000% was obtained at range of histogram 1:170 and thresholding value 0.50 or range 1:175 and thresholding value 0.45. The significant increment to 92.8750% of accuracy was obtained at pyramid scale 2 (Table 2) where sum of histogram computed at range 1:175 and thresholding value 0.45. Other results in Table 3, for pyramid scale 3, all accuracy of detection are smaller than scale 1 and 2 at any range and thresholding value. In conclusion, the optimal accuracy was obtained at scale 2 with range 1:175 and thresholding 0.45. This fact
RESEARCH ARTICLE
Adv. Sci. Lett.
can be explained that pyramid scale 1 produces imageswith more details and noisy whereas scale 3 produces too smooth images and both scales cause inaccurate segmentation results. In addition, the computation time is about 1.50 seconds per images that can be considered as efficient in time consumed.
Tabel 1 Accuracy result in % for pyramid scale 1 Features Thresholding of bwarea
0.40 0.45 0.50 Ran ge o f su m h isto gra m 1:170 85.7143 85.7143 87.5000 1:175 85.7143 87.5000 82.1429 1:180 78.5714 80.3571 80.3571 Tabel 2 Accuracy result in % for pyramid scale 2 Features Thresholding of bwarea
0.40 0.45 0.50 Ran ge o f su m h isto gra m 1:170 91.0714 89.2857 91.0714 1:175 71.4286 92.8570 80.3570 1:180 71.4286 76.7857 82.1429 Tabel 3 Accuracy result in % for pyramid scale 3 Features Thresholding of bwarea
0.40 0.45 0.50 Ran ge o f su m h isto gra m 1:170 89.2857 91.0714 91.0714 1:175 75.0000 85.71429 87.5000 1:180 64.2857 76.92308 82.1429 4. CONCLUSION
The proposed method for detection of crack on pavement surface has been developed using pyramidal Gaussian method. Based on experiment results, the method successfully produces almost 93% of accuracy
with computation time of 1.50 seconds per image. The pyramidal technique shows its ability to significantly increase the accuracy result. For the future, this method should be tested on various data and also involve automatic selection to determine the optimal values of range of histogram and thresholding.
REFERENCES
[1] Sylvie Chambon and Jean-Marc Moliard. 2011. Automatic road pavement assessment with image processing: review and comparison. International Journal of Geophysics Vol. 2011. [2] E. Teomete, V. R. Amin, H. Ceylan, and O. Smadi, “Digital
image processing for pavement distress analyses,” in Proceedings of the Mid-Continent Transportation Research Symposium, p. 13, 2005.
[3] H. Elbehiery, A. Hefnawy, and M. Elewa, “Surface defects detection for ceramic tiles using image processing and morphological techniques,” in Proceedings of theWorld Academy of Science, Engineering and Technology (PWASET ’05), vol. 5, pp. 158–162, 2005.
[4] Slamet, Riyadi, Azyumarridha A. Riza, Ramadoni Syahputra, Tony K. Hariadi. “Deteksi Retak Permukaan Jalan Raya Berbasis Pengolahan Citra Dengan Menggunakan Kombinasi Teknik Thresholding, Median Filter dan Morphological Closing”. Simposium Nasional Teknologi Terapan 2014. [5] M. Coster and J.-L. Chermant, “Image analysis and
mathematical morphology for civil engineering materials,” Cement and Concrete Composites, vol. 23, no. 2, pp. 133–151, 2001.
[6] A. Ito, Y. Aoki, and S. Hashimoto, “Accurate extraction and measurement of fine cracks from concrete block surface image,” in Proceedings of the Annual Conference of the Industrial Electronics Society, vol. 3, pp. 2202–2207, 2002. [7] S. Iyer and S. K. Sinha, “A robust approach for automatic
detection and segmentation of cracks in underground pipeline images,” Image and Vision Computing, vol. 23, no. 10, pp. 921– 933, 2005.
[8] Liangpei Zhang; Xiaoling Chen, “An algorithm for pavement crack detection based on multiscale space”, Proc. SPIE 6419, Geoinformatics 2006: Remotely Sensed Data and Information, 64190X (October 28, 2006); doi:10.1117/12.712999
[9] Yaw Okyere Adu-Gyamfi and Nii Attoh-Okine, “Multi resolution Information Mining and a Computer Vision Approach to Pavement Condition Distress Analysis” Final Report, Civil & Environmental Engineering Department, University of Delaware, Newark.
35 LAMPIRAN 2
www.academicsworld.org
8th International Conference on Artificial
Intelligence and Soft Computing
(ICAISC)
Bangkok, Thailand
December 29th, 2015
Conference Acceptance Letter
Dear SLAMET RIYADI,
We are happy to inform you that your paper has been selected for (ICAISC) on
December 29th, 2015 at Bangkok, Thailandwhich will be organized by ACADEMICS WORLD
and in association with PET for presentation at the Conference. Conference Proceeding having ISBN (International Standard Book Number) and certificates of paper presentation will be given.
Paper Title: AUTOMATIC LOCAL SEGMENTATION TECHNIQUE FOR DETECTION OF
ROAD SURFACE CRACK
Author’s Name: SLAMET RIYADI
Co-Author’s Name: DINIA RACHMAWATI I, TONY K. HARIADI
Paper ID: AW-ICAISCBNGK-29125-1154
Official Page of event: http://academicsworld.org/Conference/Bangkok/IACDST1/
For Registration guidelines: http://academicsworld.org/Conference/Bangkok/IACDST1/registration.php
Register now by clicking here(By Using Debt Card/Credit Card/Net Banking)
http://academicsworld.org/PAYMENT/all_payment.php
Bank Details:
ACCOUNT NAME : Peoples Empowerment Trust
ACCOUNT TYPE : Saving Account
BANK NAME : Punjab National Bank ACCOUNT NO : 6762000100007773
IFSC CODE : PUNB0676200
SWIFT CODE : PUNBINBBBBN (For Foreign Money Transfer)
ADDRESS : Khandagiri, Bhubaneswar,Odisha-751030 OR
ACCOUNT NAME: THE IIER UNIT OF PET
ACCOUNT NO. : 50100106415137
IFSC CODE : HDFC00003722
SWIFT CODE : HDFCINBBXXX
BANK ADDRESS: KHANDAGIRI BRANCH, BHUBANESWAR, ODISHA, INDIA
Last date of Registration: December 21st, 2015
Download Regd. Form http://academicsworld.org/academicsworld_include/docs/AW_Reg_form.docx Note: Kindly send us the details regarding payment and Registration form to the official mail
Selected papers will also be forwarded for publication in any one the International Journals (Confirmed) after the Conference.
International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering (IJAREEIE) , Impact Factor : 1.686
International Journal of Innovative Research in Science, Engineering and Technology (IJIRSET) Impact Factor : 1.672
International Journal of Innovative Research in Computer and Communication Engineering (IJIRCCE) Impact Factor : 1.386
Mechanical Engineering Series, Springer
International Journal of Innovative Research and Development (IJIRD), Impact Factor : 6.19
International Journal of Applied Engineering Research and Development (IJAERD),
Impact Factor: 1.6842
International Journal of Civil, Structural, Environmental and Infrastructure Engineering Research and Development (IJCSEIERD), Impact Factor: 5.7179
International Journal of Mechanical and Production Engineering Research and Development (IJMPERD), Impact Factor: 5.3403
International Journal of Robotics Research and Development (IJRRD), Impact Factor: 1.5422
International Journal of Computer Networking, Wireless and Mobile Communications (IJCNWMC), Impact Factor: 5.3963
International Journal of Mechanical and Production Engineering (IJMPE), Impact Factor: 2.56
International Journal of Electrical, Electronics and Data Communication (IJEEDC), Impact Factor: 3.46
International Journal of Advance Computational Engineering and Networking (IJACEN),
Impact Factor: 2.25
International Journal of Advances in Science, Engineering and Technology (IJASEAT),
Impact Factor: 2.05
International Journal of Industrial Electronics and Electrical Engineering(IJIEEE), Impact Factor: 2.51 Thank you. Regards Sanket Pattanayak Conference Coordinator Mail: info@academicsworld.org Web: www.academicsworld.org Contact- +91-7855922996 WATSAPP- +971565861709 Fax-(0674) 235-0480
1
AUTOMATIC LOCAL SEGMENTATION TECHNIQUE FOR
DETECTION OF ROAD SURFACE CRACK
1SLAMET RIYADI, 2DINIA RACHMAWATI I, 3TONY K. HARIADI
1,3
Department of Information Technology and 2Department of Electrical Engineering Universitas Muhammadiyah Yogyakarta, Indonesia
Email: 1riyadi@umy.ac.id, 2diniadiniarachma@gmail.com, 3tonykhariadi@umy.ac.id
Abstract— Image processing technique has been implemeted to detect the crack on road surface. However, the accuracy of the detection is still low due to the difficulties in segmentation between crack and non-crack area. This research proposes the implementation of Sauvola technique to perform automatic local segmentation of crack. The methodology involves pre-processing, image segmentation, feature extraction and classification step. In segmentation step, in addition to Sauvola, other techniques, i.e. manual thresholding, Otsu and Bernsen, are also implemented for comparison purpose. The result shows that Sauvola technique produces consistent segmentation results on high, medium and low quality images. Sauvola method also perform the best accuracy detection of 96% among them.
Keyword— Image Processing, Road Surface Crack, Segmentation, Sauvola Technique, Thresholding
1. INTRODUCTION
Periodic evaluation of road is important to maintain the condition of road surface. The evaluation is performed by observing the presence of surface crack. Currently, the observation is done manually where the officers observe the surface crack visually along the road and then they make marks on the road when the crack was founded. This conventional method is not effective since it requires long inspection time, labor intensive and not accurate. It is also dangerous when the inspection is performed on the high traffic way.
To overcome the above problem, researchers offer methods to detect the presence of cracks by utilizing camera and image processing techniques. As summarized by Chambon and Moliard1, various techniques based on image processing for detection of crack are categorized in five approaches, i.e. histogram, morphology, training-testing, filtering and modelling. Histogram approach is implemented based on assumption that the intensity of crack region and background is separated. This approach is usually continued by applying thresholding technique to segment between crack region and background2,3,4. Histogram and thresholding technique are selected mostly because of their simplicity and efficient computation process. The other approach is morphology that modifies intensity pixel of image to significantly improve the segmentation process4,5,6,7. Generally, this approach produces better results than histogram technique.
Generally, the steps of image processing methods for crack detection are pre-processing, image segmentation, features extraction and classification step. In this paper, we focus only on the image segmentation, which is a step to differentiate between crack and background image. The conventional method for image segmentation is thresholding technique. This technique selects a threshold value to differentiate between crack object that usually has lower pixel intensity compared to the surface pixel intensity. The selection of the threshold value might be manual or automatic whereas the value might be constant or dynamic value.
Riyadi et. al.4 apply a constant global threshold value to convert images from grayscale to binary number. Several values were previously selected by observing histogram of overall images data and then implemented to obtain the optimal one. Pixels with gray level below than the threshold value are segmented as crack and pixels value higher than the threshold value are considered as background. The result showed that the segmented images still contain noise or background part that is considered as crack whereas the other result, a part of crack is detected as background.
Instead of manual global threshold value, an automatic global threshold value is also popular that firstly introduced by Otsu8. Otsu method assumed that the image intensity is bi-modal histogram, i.e. object and background. Then, the method calculates the threshold value so that the intra-class variance is minimal and the inter-class variance is maximal. The main drawback of global thresholding technique, either manual or automatic, is the fact that the real images is not bi-modal then the threshold value
