PENINGKATAN FRAME RATE PADA SISTEM PENDETEKSI RAMBU LALU LINTAS MENGGUNAKAN HSV THRESHOLD DAN MORPHOLOGICAL FILTER
DENGAN PERBANDINGAN ALGORITMA YOU ONLY LOOK ONCE DAN CONVOLUTIONAL NEURAL NETWORK
Oleh:
Jehoshua Hanky Pratama NIM : 622016003
Skripsi
Untuk melengkapi salah satu syarat memperoleh Gelar Sarjana Teknik
Program Studi Teknik Komputer Fakultas Teknik Elektronika dan Komputer
Universitas Kristen Satya Wacana Salatiga
i INTISARI
Sistem pendeteksi rambu lalu lintas berperan sangat penting pada kendaraan tanpa awak untuk mengenali keadaan di sekitarnya sehingga mengurangi risiko kecelakaan. Menurut jejak kecelakaan yang terjadi di kendaraan tanpa awak, salah satu faktor utamanya adalah kelambatan sistem untuk mendeteksi objek yang ada di depannya. Untuk menjadi sebuah sistem pendeteksi yang real-time, minimal frame rate yang diperlukan adalah 25 FPS sedangkan sistem yang sudah ada saat ini memiliki frame rate hanya sebesar 2 FPS tanpa menggunakan GPU. Pada tugas akhir ini diusulkan sebuah sistem untuk meningkatkan frame rate dari sistem pendeteksi rambu lalu lintas.
Peningkatan frame rate ini dilakukan dengan menambahkan sistem pre-processing berupa segmentasi bentuk dan warna. Proses ini digunakan untuk menyaring frame sehingga mengurangi jumlah frame yang dikirimkan ke sistem cerdas untuk diproses. Dengan ini, beban kerja dari sistem cerdas akan berkurang dan frame rate dapat meningkat. Sistem pre-processing dimulai dari segmentasi warna dan dilanjutkan dengan segmentasi bentuk, jika frame yang diolah lolos memenuhi fitur warna yang sesuai dengan rambu lalu lintas. HSV threshold digunakan dalam segmentasi warna untuk membatasi warna yang dapat diproses oleh sistem cerdas. Sementara itu, proses segmentasi bentuk menggunakan morphological filter untuk mengurangi noise yang masuk dari proses segmentasi warna lalu dihitung jumlah contour dari objek yang terdeteksi. Jika frame yang dikirimkan ke segmentasi bentuk memiliki bentuk yang sama seperti rambu lalu lintas, maka frame itu akan dikirimkan ke server untuk diklasifikasi menggunakan deep neural networks, baik YOLO atau Faster R-CNN.
Sistem ini dilatih dengan menggunakan dataset German Traffic Sign Recognition Benchmark dan diuji dengan menggunakan gambar rambu lalu lintas yang dicetak pada kertas dengan dimensi 6*6 cm. Proses pre-processing dapat menyaring hingga 97,34% frame yang tidak memiliki unsur rambu lalu lintas di dalamnya dengan akurasi pengenalan warna dan bentuk hingga 88%. Sistem ini dapat meningkatkan frame rate dari rata – rata 2 FPS (Frame Per Second) menjadi 32 FPS dengan menggunakan algoritma YOLO. Sedangkan dengan algoritma Faster R-CNN, peningkatan frame rate dari 0,1 FPS ke 19 FPS.
ii ABSTRACT
Traffic sign detection system plays an important role in Autonomous Vehicles to understand their surroundings and therefore reduce the number of accident. According to autonomous vehicle’s accident records, one of the crucial problems is the delay to detect the objects in front of it. In order to realize a real-time detection system, the minimum frame rate needed is 25 FPS, however the existing system only perform 2 FPS, without any processing. Therefore, in this thesis we propose a system to improve the frame rate of traffic sign detection system.
The system frame rate improvement is obtained by additional pre-processing which consists of a colour and a shape segmentation. These processes are employed to filter out the frames such that the number of frames sent to the main system can be reduced. As a result, the workload of the artificial intelligence is decreased and the frame rate of the detection system can be increased. This optimization system begins with color segmentation and followed by the shape segmentation, whenever the corresponding frame matches the color features. HSV threshold is used in color segmentation to set the color range that can be processed by the artificial intelligence system. On the other hand, shape segmentation uses morphological filter to reduce the number of noise from color segmentation, and then the contour of detected objects are being count. The frame with the same contour detected will be sent to be classified using deep neural networks, YOLO or Faster R-CNN.
This system was trained using German Traffic Sign Recognition Benchmark dataset and tested using 6*6 cm printed pictures of traffic sign. The pre-processing can is able to filter as much as 97,34% of frames with no traffic sign elements and has an accuracy up to 88%. Traffic sign detection with the pre-processing system allows an improvement in frame rate from 2 FPS to 32 FPS when YOLO algorithm is used. Meanwhile, using Faster RCNN, the frame rate increases from 0,1 FPS to 19 FPS.
iii
KATA PENGANTAR
Segala syukur dan puji hanya bagi Tuhan Yesus Kristus, oleh karena anugerah-Nya yang melimpah, kemurahan dan kasih setia yang besar akhirnya penulis dapat menyelesaikan penulisan skripsi dengan judul: “Peningkatan Frame Rate Pada Sistem Pendeteksi Rambu Lalu Lintas Menggunakan HSV Threshold Dan Morphological Filter Dengan Perbandingan Algoritma You Only Look Once Dan Convolutional Neural Network”. Skripsi ini penulis persembahkan kepada kedua orang tua (Handoko dan Mesky Pauline Ngesthi) dan adik (Aaron Berliano Handoko) yang telah tulus ikhlas memberikan kasih sayang, cinta, doa, perhatian, dukungan moral dan materil yang telah diberikan selama ini.
Penyusunan skripsi ini tidak lepas dari bantuan berbagai pihak, karena itu penulis menyampaikan ucapan terima kasih kepada:
1. Bapak Hartanto Kusuma Wardana, M.T,. Sebagai Dekan Fakultas Teknik Elektro dan Komputer Universitas Kristen Satya Wacana.
2. Handoko PH.D. dan Banu Wirawan Yohanes M.Comp.Sc. Selaku pembimbing I dan pembimbing II yang telah meluangkan waktunya untuk membimbing penulis.
3. Untuk Keluarga besar penulis tanpa terkecuali yang telah mendukung dan mendoakan selama ini.
4. Untuk sahabat (Nathanael Ardisa, Kenny Hendrawan, KoCe), teman – teman FTEK 2016, teman – teman gereja di Gereja Mawar Sharon Salatiga serta teman – teman perkuliahan baik dari FTEK maupun bukan, yang tidak dapat disebutkan satu persatu yang sudah mendukung penulis dalam menyelesaikan skripsinya.
Kiranya skripsi ini dapat memberikan manfaat dan masukan bagi pembaca. Terima Kasih.
Salatiga, Januari 2020
iv DAFTAR ISI
INTISARI ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI... iv
DAFTAR GAMBAR ... vi
DAFTAR TABEL ... vii
DAFTAR LAMPIRAN ... viii
BAB I. PENDAHULUAN ... 1 1.1. Tujuan ... 1 1.2. Latar Belakang ... 1 1.2.1. Pendahuluan ... 1 1.2.2. Permasalahan ... 3 1.3. Spesifikasi ... 3
1.4. Sistematika Penulisan Tugas Akhir ... 4
BAB II. DASAR TEORI ... 5
2.1. Sistem Cerdas (Artificial Intelligence) ... 5
2.2. Aritificial Neural Network ... 6
2.3. Deep Learning ... 6
2.4. YOLOv2 (You Only Look Once) ... 7
2.5. Faster Region Convolutional Neural Network ... 10
2.6. Segmentasi Warna ... 13
2.7. Segmentasi Bentuk ... 13
2.8. Morphological Filter ... 14
2.9. Iluminasi ... 15
2.10. Kamera ... 16
2.11. German Traffic Sign Recognition Benchmark ... 16
BAB III. PERANCANGAN ... 19
3.1. Pustaka ... 19
3.1.1. Pustaka Pada PC ... 19
3.1.2. Pustaka Pada Server ... 20
3.2. Sistem Pendeteksi Rambu Lalu Lintas ... 22
v
3.2.2. Sistem Latih ... 24
3.2.3. Pre-Processing ... 26
3.2.3.1. Segmentasi Warna ... 27
3.2.3.2. Segmentasi Bentuk ... 28
3.2.4. Perancangan Sistem Cerdas ... 30
3.2.5. Sistem Frame Rate ... 31
3.3. Penerapan Sistem Di Kendaraan ... 32
BAB IV. PENGUJIAN DAN ANALISIS ... 33
4.1. Pengujian Sistem Pre-Processing ... 33
4.2. Pengujian Waktu Yang Dibutuhkan ... 35
4.3. Pengujian Model ... 37
4.4. Perbandingan YOLO Dan CNN ... 38
4.5. Pengujian Sistem Dalam Kendaraan ... 39
BAB V. KESIMPULAN DAN SARAN ... 42
5.1. Kesimpulan ... 42
5.2. Saran Pengembangan ... 42
DAFTAR PUSTAKA ... 43 LAMPIRAN ... L.1
vi
DAFTAR GAMBAR
Gambar 2.1. Arsitektur Jaringan Neural ... 6
Gambar 2.2. Proses Konvolusi ... 8
Gambar 2.3. Arsitektur YOLO ... 10
Gambar 2.4. Arsitektur Faster R-CNN ... 11
Gambar 2.5. Arsitektur VGG16 ... 11
Gambar 2.6. Aristektur RPN Faster R-CNN ... 12
Gambar 2.7. Morphological Filter Structuring Element ... 14
Gambar 2.8. Jumlah Kategori Dan Training Data GTSRB ... 17
Gambar 2.9. Jumlah Kategori Dan Testing Data GTSRB ... 17
Gambar 2.10. Kondisi Gambar Dalam GTSRB ... 18
Gambar 3.1. Diagram Kerja Sistem ... 23
Gambar 3.2. Diagram HSV Threshold ... 28
Gambar 3.3. Diagram Segmentasi Warna ... 28
Gambar 3.4. Diagram Contour Detection ... 29
Gambar 3.5. Diagram Segmentasi Bentuk ... 29
Gambar 3.6. Proses Penerapan ke dalam Kendaraan ... 32
Gambar 4.1. Validasi Model YOLO Latih ... 38
Gambar 4.2. Hasil Pengujian Sistem Secara Live ... 40
vii
DAFTAR TABEL
Tabel 4.1. Pengujian Pre-Processing ... 33
Tabel 4.2. Pengujian Waktu Sistem Pendeteksian ... 35
Tabel 4.3. Pengujian Efisiensi Waktu ... 36
Tabel 4.4. Data Recall Setiap Model ... 37
viii
DAFTAR LAMPIRAN
Lampiran 1. Hasil Pengujian Pre-processing 1 ... L.1 Lampiran 2. Hasil Pengujian Pre-processing 2 ... L.3 Lampiran 3. Hasil Pengujian Pre-processing 3 ... L.5 Lampiran 4. Hasil Pengujian Pre-processing 4 ... L.7 Lampiran 5. Hasil Pengujian Pre-processing 5 ... L.9 Lampiran 6. Hasil Pengujian Waktu Tanpa Pre-processing ... L.11 Lampiran 7. Hasil Pengujian Waktu Dengan Pre-processing ... L.11 Lampiran 8. Hasil Pengujian Algoritma Faster R-CNN ... L.12 Lampiran 9. Hasil Pengujian Algoritma YOLO ... L.14
