Sistem Inspeksi Visual Penempatan Label Produk Lip Cream Line Menggunakan Metode Deep Learning

Moch Deny Triatmaja; Lie Jasa

doi:10.24843/MITE.2023.v22i02.P11

Moch Deny Triatmaja Institut Teknologi Sepuluh Nopember
Lie Jasa Universitas Udayana

##plugins.pubIds.doi.readerDisplayName## https://doi.org/10.24843/MITE.2023.v22i02.P11

Abstrak

Mesin SBL (Single Bottom Labeller) yang masih belum presisi untuk penempatan bottom label batch dari produk lip cream. Operator pos selanjutnya harus memerika satu persatu untuk memastikan quality control produk sehingga terdapat bottleneck. Maka dari itu dalam penelitian ini menggunakan metode deep learning YOLOv5 untuk memecahkan masalah tersebut. Algoritma YOLOv5 menggunakan ide regresi, sehingga lebih mudah untuk mempelajari generalisasi, menargetkan karakteristik dan memecahkan masalah kecepatan. Algoritma YOLO menggunakan jaringan saraf one stage untuk menyelesaikan lokalisasi dan klasifikasi objek yang terdeteksi secara real time. Ide inti dari YOLO adalah menggunakan seluruh gambar sebagai input jaringan dan langsung mengembalikan posisi kotak pembatas dan kelas kotak pembatas pada output. Di YOLO, setiap kotak pembatas diprediksi oleh fitur dari keseluruhan gambar, dan setiap kotak pembatas berisi lima prediksi dan confidence, yang relatif terhadap sel grid di tengah kotak pembatas. Hasil dari penelitian menggunakan metode YOLOv5 dapat mengklasifikasi dalam tiga kategori klasifikasi penempatan bottom label yaitu Accept, Reject dan No Label. Selain melakukan klasifikasi, penelitian ini juga akan mengirimkan trigger ke controller apabila bottom label dikatakan Reject dan No Label untuk dilakukan sortir produk guna membantu operator QC dalam penyortiran lip cream cacat produksi.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Referensi

[1] Stefanus Adhie Nugroho , Nur Kholis, Endryansyah and Farid Baskoro,“Rancang Bangun Sistem Deteksi Label Kardus Berbasis Model Kecerdasan Buatan YOLO dan EasyOCRserta ESP32-CAM," 2022
[2] E. R. Setyaningsih and M. S. Edy, “YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi,” Teknika, vol. 11, no. 1, pp. 45–52, Mar. 2022, doi: 10.34148/teknika.v11i1.419.
[3] Q. Aini, N. Lutfiani, H. Kusumah, and M. S. Zahran, “Deteksi dan Pengenalan Objek Dengan Model Machine Learning: Model Yolo,” CESS J. Comput. Eng. Syst. Sci., vol. 6, no. 2, p. 192, Jul. 2021, doi: 10.24114/cess.v6i2.25840.
[4] D. R. Wilson and T. R. Martinez, “The need for small learning rates on large problems,” in IJCNN’01. International Joint Conference on Neural Networks. Proceedings (Cat. No. 01CH37222), vol. 1. IEEE, 2001, pp. 115–119.
[5] P. M. Radiuk, “Impact of training set batch size on the performance of convolutional neural networks for diverse datasets,” 2017.
[6] Baudet, N., Maire, J.C., and Pillet, M., 2012. The Visual Inspection of Product Surface. Food Quality and Preference.
[7] Ramos, M., Valdes, A., and Garrigos, M.A., 2016. Packaging for Drinks. Reference Modul in Food Science: Analytical Chemistry, Nutrition & Food Science. University of Alicante, Spain.
[8] Wang, J., Fu, P., and Gao, RX., 2019. Machine Vision Intelligence for Product Defect Inspection Based on Deep Learning and Hough Transform, Journal of Manufacturing System, 51: 52-60.
[9] Liang, Q., Zhu, W., Sun, W., Yu, Z., Wang, Y., and Zhang, D., 2019. In Line Inspection Solution for Codes on Complex Background for The Plastic Container Industry, Journal of Measurement, 148, 106965.
[10] Perez, H., Joseph, H., Tah, M. and Mosavi, A., 2019. Deep Learning for Detecting Building Defects Using Convolutional Neural Network, MDPI Journal.
[11] Panella, F., Boehm, J., Loo, Y., Kaushik, A., and Gonzales, D., 2018. Deep Learning and Image Processing for Automated Crack Detection and Defect Measurement in Underground Structures, Journal of Remote Sensing and Spatial Information Sciences, Volume: XLII-2.
[12] Costa, A.Z., Hugo, E.H.F., and Fracarolli, J.A., 2020. Computer Vision Based Detection of External Defects on Tomatoes using Deep Learning, Journal of Biosystem Engineering, 190: 131-144.
[13] Rokhana, R., Priambodo, J., Karlita, T., Sunarya, I.M.G., Yuniarto, E.M., Purnama, I.K.E., dan Purnomo, M.H., 2019. Convolutional Neural Network untuk Pendekteksian Patah Tulang Femur pada Citra Ultrasonik B-Mode, JNTETI, Volume 8, No.1.
[14] LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P., 1998. Gradient-Based Learning Applied to Document Recognition, Proceeding of the IEEE, Vol.86, No.11, 2278-2324.
[15] Simonyan, K., and Zisserman, A., 2014. Very Deep Convolutional Neural Network for Large-Scale Image Recognition, ArXiv140091556Cs.
[16] Zhang, X., Zhou, X., Lin., M, and Sun, J., 2018. ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices, CVF Conference on Computer Vision and Pattern Recognition, IEEE.
[17] Rezende, E., Ruppert, G., Carvalho, T., Ramos, F., and Geus, P.D., 2017. Malicious Sofware Classification using Transfer Learning of ResNet-50 Deep Neural Network, Conference on Machine Learning & Applications, 16th.
[18] Wang, J., May, Y., Zhang, I., Gao, R.X., and Wu, D., 2018. Deep Learning for Smart Manufacturing: Methods and Applications, Journal of Manufacturing System, 48: 144-16.
[19] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A., 2015. Going Deeper with Convolutional, IEEE, 978-1-4673-6964-0/15.
[20] He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition. Conference on Computer Vision add Pattern Recognition, IEEE.