Penglihatan mesin

Salah satu sistem penglihatan mesin yang dikembangkan oleh Omron (dahulu Automatix)

Di dalam konteks mekatronika dan otomasi, penglihatan mesin didefinisikan sebagai bagaimana suatu sistem terotomatisasi (sebagai contoh robot) dapat melakukan inspeksi atau pengelihatan otomatis berbasis citra atau gambar yang ditangkap dari alat (umumnya lensa atau kamera) sebagai input ataumasukan sensor untuk diolah di dalam prosesor atau komputer yang akan menggerakkan aktuator atau penggerak seperti sistem gerak robot atau motor listrik. Secara umum, penglihatan mesin adalah salah satu contoh pemanfaatan kecerdasan buatan.[1][2]

Salah satu penerapan sistem penglihatan mesin pada jalur (line) produksi ban berjalan (conveyor belt)

Sebagai gambaran, penglihatan mesin mengandalkan piranti lunak untuk memroses gambar atau citra di mana salah satu piranti lunak yang umum digunakan di dalam memroses masukan dari penglihatan mesin adalah Matlab.[1][2] Kemudian, proses dari gambar atau citra tersebut akan digunakan untuk melakukan suatu tindakan atau eksekusi yang dilakukan oleh sebuah aktuator atau penggerak.

Aplikasi dari penglihatan mesin ini sangat luas tidak hanya sebagai alat bantu untuk robotika atau sistem mekatronika lainnya tetapi juga dapat digunakan di beberapa bidang seperti kesehatan/medis, pertanian, pangan, industri, energi, infrastruktur, serta transportasi.

Definisi

Secara umum, banyak yang menyamakan antara penglihatan mesin dengan penglihatan komputer (computer vision). Perbedaannya adalah, pada penglihatan mesin, ia adalah penerapan dari penglihatan komputer di dunia industri di mana output dari prosesor atau komputer akan diolah menjadi output berupa gerak mekanik atau termal.[3]

Sejarah

Awalnya, penerapan dari penglihatan mesin ini digunakan pada salah satu supermarket di New Jersey di mana saat itu makanan yang ditawarkan disortir (diseleksi) berdasarkan filter tertentu.[4]

Metode

Histogram adalah salah satu metode umum di dalam statistik yang digunakan dalam analisis citra sebagai salah satu penunjang sistem penglihatan mesin

Secara umum, penglihatan mesin adalah penerapan lebih lanjut dari kecerdasan buatan yang menggunakan prinsip-prinsip matematika seperti statistik (histogram, distribusi normal, standar deviasi), matriks, Jaringan Bayesian, Algoritma Genetik, pengambangan (thresholding), logika fuzzy atau kabur, vektor (terutama support vector machines), dan komputasi atau metode numerik serta fisika terutama sensor dan prinsip alat-alat optik serta kekuatan memori dari komputer (terkait RAM).[5]

Contoh blok diagram dari PLC (Programmable Logic Controller) yang juga memiliki prinsip yang sama dengan penglihatan mesin.

Secara umum, kerja dari sistem penglihatan mesin menyerupai kerja dari blok diagram kendali secara umum di mana terdapat masukan atau input, pengolahan data, serta output atau keluaran.

Masukan

Masukan atau input yang akan diolah oleh sistem sendiri ditangkap oleh alat berupa sensor atau kamera yang akan menangkap citra atau gambar dari objek yang akan diolah oleh aktuator.

Umumnya, kamera yang digunakan adalah kamera yang memiliki spesifikasi piksel yang tinggi serta mampu untuk menangkap gambar atau video dalam laju frame per detik (frame per second) yang bagus seperti kamera berkecepatan tinggi (high speed camera). Hal ini bertujuan untuk mendapatkan hasil citra atau gambar yang bagus dan tidak terdapat blur atau gambar yang kabur. Untuk perangkat keras (hardware) lainnya adalah sumber cahaya.[6]

Pengolahan Data

Di sini, data yang ditangkap oleh sensor (terutama citra), akan diolah secara matematik oleh piranti lunak. Pada bagian inilah kerja dari statistik, matriks, jaringan Bayesian, logika fuzzy atau kabur, serta algoritma genetik mulai digunakan. Sementara, untuk matriks, secara umum sistem penglihatan mesin menggunakan metode seperti sobel dan Fre-Chen sebagai alat bantu analisis segmentasi dan deskripsi dari piksel.[7][8] Selain itu, prinsip dari eigenvektor dan eigenvalue sendiri juga digunakan untuk analisis data. Serta, untuk pengolahan citra atau gambar digunakan metode-metode pengambangan (thresholding). Pada bagian pengambangan ini, prinsip-prinsip statistik seperti histogram, distribusi normal, standar deviasi serta matriks digunakan di dalam analisis piksel sebagai salah satu metode dari interpretasi citra.[8][9]

Histogram sendiri digunakan di dalam analisis piksel dari citra atau gambar yang digunakan sebagai masukan dari sistem yang akan diolah perangkat lunak.

Salah satu contoh hasil pengambangan pada bunga daisy (African Cape). Sistem penglihatan mesin banyak menggunakan metode ini sebagai salah satu metode di dalam komputasinya.

Untuk prosesor atau komputer yang digunakan, pada era modern saat ini sudah banyak komputer dengan spesifikasi RAM dan memori yang cukup untuk melakukan prinsip pengambangan (thresholding) terutama komputer dengan prosesor terkini yang lebih cepat dalam frekuensi serta jumlah memori yang besar dengan ukuran yang kecil.

Output atau Keluaran

Output yang dihasilkan dari sistem pengolahan data (pada umumnya RAM) bisa berupa citra atau output mekanik seperti pergerakan dan panas atau kalor apabila aktuator atau penggarak tersebut digunakan di dalam sistem energi seperti di sistem pendinginan dan tata udara atau di pembangkit energi.

Aplikasi

Secara umum, sistem penglihatan mesin tidak hanya digunakan di dalam industri tetapi juga digunakan di sistem lain seperti transportasi, pertanian, dan kesehatan.

Iris atau retina pelangi. Deteksi penglihatan mesin dapat digunakan untuk mengklasifikasi permukaan iris yang berbeda pada setiap orang.

Aplikasi di Bidang Kesehatan

Aplikasi di Bidang Pertanian

Aplikasi di Bidang Perikanan

  • Inspeksi budidaya perikanan (aquaculture)[22]

Aplikasi di Bidang Pangan

Aplikasi di Bidang Industri

Aplikasi di Bidang Energi

  • Analisis aliran fluida[35]
  • Robot pendeteksi kebocoran gas mudah terbakar (flammable gas).[36]

Aplikasi di Bidang Transportasi

Aplikasi di Bidang Infrastruktur

Bahan Bacaan

Beberapa bahan bacaan yang dapat dirujuk terkait sistem penglihatan mesin:

  • Three-Dimensional Machine Vision (Kanade, 1987)[42]
  • Development of a Machine Vision System for Automated Structural Assembly (Sydow, 1992)[43]
  • Machine Vision (Jain, 1995) [44]
  • Understanding and Applying Machine Vision, Second Edition, Revised and Expanded (Zeuch, 2000)[45]
  • Machine Vision for the Inspection of Natural Products (Graves and Batchelor, 2003)[46]
  • Machine Vision Volume 1 (Snyder, 2004)[47]
  • Machine Vision: Theory, Algorithms, Practicalities (Davies, 2005)[48]
  • Handbook of Machine Vision (Hornberg, 2006)[49]
  • Issues on Machine Vision (Pieroni, 2014)[50]
  • Handbook of 3D Machine Vision: Optical Metrology and Imaging (Zhang, 2016)[51]
  • A Guide for Machine Vision in Quality Control (Anand and Priya, 2019)[52]

Referensi

  1. ^ a b "Penglihatan Komputer: Apa itu dan mengapa hal itu penting". www.sas.com (dalam bahasa in). Diakses tanggal 2022-01-26. 
  2. ^ a b "Sistem Penglihatan | KEYENCE Indonesia". www.keyence.co.id. Diakses tanggal 2022-01-26. 
  3. ^ "Machine Vision vs. Computer Vision—What's the Difference?". Appen (dalam bahasa Inggris). 2021-05-31. Diakses tanggal 2022-01-30. 
  4. ^ "StackPath". www.vision-systems.com. Diakses tanggal 2022-01-30. 
  5. ^ a b Wildes, Richard P.; Asmuth, Jane C.; Green, Gilbert L.; Hsu, Steven C.; Kolczynski, Raymond J.; Matey, James R.; McBride, Sterling E. (1996-01). "A machine-vision system for iris recognition". Machine Vision and Applications (dalam bahasa Inggris). 9 (1): 1–8. doi:10.1007/BF01246633. ISSN 0932-8092. 
  6. ^ "Designing a machine-vision system". spie.org. Diakses tanggal 2022-01-29. 
  7. ^ a b Kurada, S.; Bradley, C. (1997-04). "A machine vision system for tool wear assessment". Tribology International (dalam bahasa Inggris). 30 (4): 295–304. doi:10.1016/S0301-679X(96)00058-8. 
  8. ^ a b c Ureña, R; Rodrı́guez, F; Berenguel, M (2001-07). "A machine vision system for seeds quality evaluation using fuzzy logic". Computers and Electronics in Agriculture (dalam bahasa Inggris). 32 (1): 1–20. doi:10.1016/S0168-1699(01)00150-8. 
  9. ^ a b Patel, Krishna Kumar; Kar, A.; Jha, S. N.; Khan, M. A. (2012-04). "Machine vision system: a tool for quality inspection of food and agricultural products". Journal of Food Science and Technology (dalam bahasa Inggris). 49 (2): 123–141. doi:10.1007/s13197-011-0321-4. ISSN 0022-1155. PMC 3550871 alt=Dapat diakses gratis. PMID 23572836. 
  10. ^ Jalled, Fares (2017-05-08). "Face Recognition Machine Vision System Using Eigenfaces". arXiv:1705.02782 [cs]. 
  11. ^ "Robot performs first laparoscopic surgery without human help". ScienceDaily (dalam bahasa Inggris). Diakses tanggal 2022-01-29. 
  12. ^ "Robot performs 1st laparoscopic surgery without human help". EurekAlert! (dalam bahasa Inggris). Diakses tanggal 2022-01-29. 
  13. ^ Blasco, J; Aleixos, N; Moltó, E (2003-08). "Machine Vision System for Automatic Quality Grading of Fruit". Biosystems Engineering (dalam bahasa Inggris). 85 (4): 415–423. doi:10.1016/S1537-5110(03)00088-6. 
  14. ^ Bulanon, D.M.; Kataoka, T.; Okamoto, H.; Hata, S. (2004-08). "Development of a real-time machine vision system for the apple harvesting robot". SICE 2004 Annual Conference. 1: 595–598 vol. 1. 
  15. ^ Baigvand, Mehrdad; Banakar, Ahmad; Minaei, Saeed; Khodaei, Jalal; Behroozi-Khazaei, Nasser (2015-11). "Machine vision system for grading of dried figs". Computers and Electronics in Agriculture (dalam bahasa Inggris). 119: 158–165. doi:10.1016/j.compag.2015.10.019. 
  16. ^ Vithu, P.; Moses, J.A. (2016-10). "Machine vision system for food grain quality evaluation: A review". Trends in Food Science & Technology (dalam bahasa Inggris). 56: 13–20. doi:10.1016/j.tifs.2016.07.011. 
  17. ^ Luo, X; Jayas, Ds; Symons, Sj (1999-07). "Identification of Damaged Kernels in Wheat using a Colour Machine Vision System". Journal of Cereal Science (dalam bahasa Inggris). 30 (1): 49–59. doi:10.1006/jcrs.1998.0240. 
  18. ^ Branson, Steve; Van Horn, Grant; Wah, Catherine; Perona, Pietro; Belongie, Serge (2014-02-20). "The Ignorant Led by the Blind: A Hybrid Human–Machine Vision System for Fine-Grained Categorization". International Journal of Computer Vision (dalam bahasa Inggris). doi:10.1007/s11263-014-0698-4. ISSN 0920-5691. 
  19. ^ Belan, Peterson Adriano; de Macedo, Robson Aparecido Gomes; Alves, Wonder Alexandre Luz; Santana, José Carlos Curvelo; Araújo, Sidnei Alves (2020-12). "Machine vision system for quality inspection of beans". The International Journal of Advanced Manufacturing Technology (dalam bahasa Inggris). 111 (11-12): 3421–3435. doi:10.1007/s00170-020-06226-5. ISSN 0268-3768. 
  20. ^ ElMasry, Gamal; Cubero, Sergio; Moltó, Enrique; Blasco, José (2012-09). "In-line sorting of irregular potatoes by using automated computer-based machine vision system". Journal of Food Engineering (dalam bahasa Inggris). 112 (1-2): 60–68. doi:10.1016/j.jfoodeng.2012.03.027. 
  21. ^ P. H. Heinemann; R. Hughes; C. T. Morrow; H. J. Sommer; Iii; R. B. Beelman; P. J. Wuest (1994). "Grading of Mushrooms Using a Machine Vision System". Transactions of the ASAE (dalam bahasa Inggris). 37 (5): 1671–1677. doi:10.13031/2013.28255. ISSN 2151-0059. 
  22. ^ Saberioon, Mohammadmehdi; Gholizadeh, Asa; Cisar, Petr; Pautsina, Aliaksandr; Urban, Jan (2017). "Application of machine vision systems in aquaculture with emphasis on fish: state-of-the-art and key issues". Reviews in Aquaculture (dalam bahasa Inggris). 9 (4): 369–387. doi:10.1111/raq.12143. ISSN 1753-5131. 
  23. ^ Abdullah, Mohd Zaid; Aziz, Sabina Abdul; Mohamed, Abdul Manan (2000-03). "QUALITY INSPECTION OF BAKERY PRODUCTS USING A COLOR-BASED MACHINE VISION SYSTEM". Journal of Food Quality (dalam bahasa Inggris). 23 (1): 39–50. doi:10.1111/j.1745-4557.2000.tb00194.x. ISSN 0146-9428. 
  24. ^ Golnabi, H.; Asadpour, A. (2007-12). "Design and application of industrial machine vision systems". Robotics and Computer-Integrated Manufacturing (dalam bahasa Inggris). 23 (6): 630–637. doi:10.1016/j.rcim.2007.02.005. 
  25. ^ Luk, F; Huynh, V; North, W (1989-12). "Measurement of surface roughness by a machine vision system". Journal of Physics E: Scientific Instruments. 22 (12): 977–980. doi:10.1088/0022-3735/22/12/001. ISSN 0022-3735. 
  26. ^ Lahajnar, Franci; Bernard, Rok; Pernuš, Franjo; Kovačič, Stanislav (2002-01). "Machine vision system for inspecting electric plates". Computers in Industry (dalam bahasa Inggris). 47 (1): 113–122. doi:10.1016/S0166-3615(01)00134-8. 
  27. ^ Furferi, Rocco; Governi, Lapo; Puggelli, Luca; Servi, Michaela; Volpe, Yary (2019-06-13). "Machine Vision System for Counting Small Metal Parts in Electro-Deposition Industry". Applied Sciences (dalam bahasa Inggris). 9 (12): 2418. doi:10.3390/app9122418. ISSN 2076-3417. 
  28. ^ Kazanskiy, N. L.; Popov, S. B. (2010-03). "Machine vision system for singularity detection in monitoring the long process". Optical Memory and Neural Networks (dalam bahasa Inggris). 19 (1): 23–30. doi:10.3103/S1060992X10010042. ISSN 1060-992X. 
  29. ^ Wu, Yu; Lu, Yanjie (2019-09). "An intelligent machine vision system for detecting surface defects on packing boxes based on support vector machine". Measurement and Control (dalam bahasa Inggris). 52 (7-8): 1102–1110. doi:10.1177/0020294019858175. ISSN 0020-2940. 
  30. ^ Lenty, Bartosz (2019-11-06). Romaniuk, Ryszard S.; Linczuk, Maciej, ed. "Machine vision system for quality control of molded plastic packaging". Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments 2019. Wilga, Poland: SPIE: 77. doi:10.1117/12.2536697. ISBN 978-1-5106-3065-9. 
  31. ^ Çelik, H.İ.; Dülger, L.C.; Topalbekiroğlu, M. (2014-06-03). "Development of a machine vision system: real-time fabric defect detection and classification with neural networks". The Journal of The Textile Institute (dalam bahasa Inggris). 105 (6): 575–585. doi:10.1080/00405000.2013.827393. ISSN 0040-5000. 
  32. ^ Huang, Wei; Kovacevic, Radovan (2012-11). "Development of a real-time laser-based machine vision system to monitor and control welding processes". The International Journal of Advanced Manufacturing Technology (dalam bahasa Inggris). 63 (1-4): 235–248. doi:10.1007/s00170-012-3902-0. ISSN 0268-3768. 
  33. ^ Profil Dosen DTM - Dr. Ario Sunar Baskoro, S.T. , M.T. , M.Eng, diakses tanggal 2022-01-29 
  34. ^ Jain, Tushar; Gupta, Meenu; Sardana, H.K. (2018-10-08). "Unmanned machine vision system for automated recognition of mechanical parts". International Journal of Intelligent Unmanned Systems (dalam bahasa Inggris). 6 (4): 184–196. doi:10.1108/IJIUS-03-2018-0008. ISSN 2049-6427. 
  35. ^ Valenzuela-Delgado, Monica; Flores-Fuentes, Wendy; Bravo-Zanoguera, Miguel E.; Ortiz-Perez, Alejandro S.; Hernandez-Balbuena, Daniel; Rivas-Lopez, Moises; Sergiyenko, Oleg; Gonzalez-Navarro, Felix F. (2017-06). "Machine vision system to measuring the velocity field in a fluid by Particle Image Velocimetry: Special Case of Magnetohydrodynamics". 2017 IEEE 26th International Symposium on Industrial Electronics (ISIE). Edinburgh: IEEE: 1621–1625. doi:10.1109/ISIE.2017.8001489. ISBN 978-1-5090-1412-5. 
  36. ^ Rahardi, Gamma Aditya; Anam, Khairul; Chaidir, Ali Rizal; Larasati, Devita Ayu (2021-09-29). "Navigation System for Olfactory Mobile Robot by Using Machine Vision System" (dalam bahasa Inggris). 
  37. ^ Lee, Joon Woong (2002-04). "A Machine Vision System for Lane-Departure Detection". Computer Vision and Image Understanding (dalam bahasa Inggris). 86 (1): 52–78. doi:10.1006/cviu.2002.0958. 
  38. ^ Tsugawa, S. (Aug./1994). "Vision-based vehicles in Japan: machine vision systems and driving control systems". IEEE Transactions on Industrial Electronics. 41 (4): 398–405. doi:10.1109/41.303790. 
  39. ^ "A Machine Vision System for Monitoring Railcar Health: Preliminary Results, TD-04-008 - RailTEC" (dalam bahasa Inggris). Diakses tanggal 2022-01-29. 
  40. ^ Min, Yongzhi; Xiao, Benyu; Dang, Jianwu; Yue, Biao; Cheng, Tiandong (2018-12). "Real time detection system for rail surface defects based on machine vision". EURASIP Journal on Image and Video Processing (dalam bahasa Inggris). 2018 (1): 3. doi:10.1186/s13640-017-0241-y. ISSN 1687-5281. 
  41. ^ Lee, Jeong Ho; Lee, Jong Min; Kim, Hyung Jin; Moon, Young Shik (2008-05). "Machine Vision System for Automatic Inspection of Bridges". 2008 Congress on Image and Signal Processing. 3: 363–366. doi:10.1109/CISP.2008.672. 
  42. ^ Kanade, Takeo (1987). Three-Dimensional Machine Vision. Boston, MA: Springer US. ISBN 978-1-4613-1981-8. OCLC 852791356. 
  43. ^ Sydow, P. Daniel (1992). Development of a Machine Vision System for Automated Structural Assembly (dalam bahasa Inggris). National Aeronautics and Space Administration, Office of Management, Scientific and Technical Information Program. 
  44. ^ Jain, Ramesh (1995). Machine vision. Rangachar Kasturi, Brian G. Schunck. New York: McGraw-Hill. ISBN 0-07-032018-7. OCLC 31933939. 
  45. ^ Zuech, Nello (2000). Understanding and applying machine vision. Nello Zuech (edisi ke-2nd ed., rev. and expanded). New York: Marcel Dekker. ISBN 0-585-36290-4. OCLC 47009593. 
  46. ^ Machine vision for the inspection of natural products. Mark Graves, Bruce G. Batchelor. London: Springer. 2003. ISBN 1-85233-853-9. OCLC 56116331. 
  47. ^ Snyder, Wesley E. (2004). Machine vision. Hairong Qi. Cambridge, UK: Cambridge University Press. ISBN 0-521-83046-X. OCLC 52216294. 
  48. ^ Davies, E. R. (2005). Machine vision : theory, algorithms, practicalities (edisi ke-3rd ed). Amsterdam: Elsevier. ISBN 978-0-08-047324-6. OCLC 162571652. 
  49. ^ Handbook of machine vision. Alexander Hornberg. Weinheim: Wiley-VCH. 2006. ISBN 3-527-40584-4. OCLC 64967366. 
  50. ^ Issues on machine vision. Goffredo G. Pieroni, International Centre for Mechanical Sciences. Wien: Springer-Verlag. 1989. ISBN 978-3-7091-2830-5. OCLC 556638516. 
  51. ^ Handbook of 3D machine vision : optical metrology and imaging. Zhang Song. Boca Raton: CRC Press, Taylor & Francis Group. 2013. ISBN 978-1-4398-7220-8. OCLC 834627776. 
  52. ^ ANAND, SHEILA. PRIYA, L. (2020). A guide for machine vision in quality control. [Place of publication not identified]: CRC Press. ISBN 978-1-000-75381-3. OCLC 1134514667. 
Kembali kehalaman sebelumnya