DSpace logo

Please use this identifier to cite or link to this item: https://repository.uksw.edu/handle/123456789/21596
Title: 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
Authors: Pratama, Jehoshua Hanky
Issue Date: 2020
Publisher: Program Studi Sistem Komputer FTEK-UKSW
Abstract: 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.
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.
URI: https://repository.uksw.edu/handle/123456789/21596
Appears in Collections:T1 - Computer Systems

Files in This Item:
File Description SizeFormat 
T1_622016003_BAB I.pdfBAB I175.41 kBAdobe PDFView/Open
T1_622016003_BAB II.pdfBAB II1.02 MBAdobe PDFView/Open
T1_622016003_BAB III.pdfBAB III999.43 kBAdobe PDFView/Open
T1_622016003_BAB IV.pdfBAB IV705.93 kBAdobe PDFView/Open
T1_622016003_BAB V.pdfBAB V81.18 kBAdobe PDFView/Open
T1_622016003_Daftar Pustaka.pdfDaftar Pustaka254.51 kBAdobe PDFView/Open
T1_622016003_Judul.pdfHalaman Judul744.89 kBAdobe PDFView/Open
T1_622016003_Lampiran.pdfLampiran781.87 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.