Penggunaan Pre-trained Model untuk Klasifikasi Kualitas Sekrup
Muhammad Rafif(1*), Diyah Utami Kusumaning Putri(2), Lukman Awaludin(3)
(1) Universitas Gadjah Mada
(2) Universitas Gadjah mada
(3) Universitas Gadjah mada
(*) Corresponding Author
Abstract
Inspeksi kualitas produk berbasis citra merupakan hal yang penting bagi industri manufaktur. Tugas tersebut sebagian besar masih dilakukan oleh manusia yang memiliki unit per hour rendah. Metode konvensional untuk inspeksi citra masih mengandalkan metode berbasis fitur, yang memiliki masalah sulitnya generalisasi dan ekstraksi fitur. Masalah tersebut diatasi dengan metode CNN, tetapi CNN membutuhkan data yang besar dan waktu training yang lama. Penggunaan pre-trained model dan augmentasi citra dapat menyelesaikan permasalahan pada metode-metode sebelumnya. Namun, belum ada penelitian yang secara lengkap meneliti dan membandingkan performa berbagai pre-trained model dan variasi augmentasi citra untuk tugas inspeksi citra kualitas produk manufaktur.
Proses penelitian menggunakan dataset sekrup berjenis multi class dan binary class pada 33 jenis pre-trained model dan 8 jenis augmentasi citra. Pengujian pre-trained model menggunakan dataset gabungan seluruh jenis augmentasi citra. Model dengan akurasi tertinggi adalah EfficientNetV2-L untuk dataset multi class (97.8%) dan VGG-19 untuk dataset binary class (96.5%). Augmentasi citra dengan signifikansi tertinggi terhadap performa model adalah blur, dengan akurasi 81.1% pada multi class dan 92% pada binary class. Keseluruhan proses pengujian pre-trained model dan augmentasi citra berjalan dengan baik.
Kata kunci—Inspeksi kualitas produk, Pre-trained model, Augmentasi citra
Full Text:
PDFReferences
S. Kim, W. Kim, Y.-K. Noh, and F. C. Park, “Transfer learning for automated optical inspection,” 2017 International Joint Conference on Neural Networks (IJCNN), 2017.
X. Chen, D. Wang, J. Shao, and J. Fan, “Plastic gasket defect detection based on Transfer learning,” Scientific Programming, vol. 2021, pp. 1–11, 2021.
H. Würschinger, M. Mühlbauer, M. Winter, M. Engelbrecht, and N. Hanenkamp, “Implementation and potentials of a machine vision system in a series production using Deep Learning and low-cost hardware,” Procedia CIRP, vol. 90, pp. 611–616, 2020.
M. Gao, P. Song, F. Wang, J. Liu, A. Mandelis, and D. W. Qi, “A novel deep convolutional neural network based on resnet-18 and transfer learning for detection of wood knot defects,” Journal of Sensors, vol. 2021, pp. 1–16, 2021.
M. Abu, A. Amir, Y. H. Lean, N. A. Zahri, and S. A. Azemi, “The performance analysis of Transfer Learning for steel defect detection by using Deep Learning,” Journal of Physics: Conference Series, vol. 1755, no. 1, p. 012041, 2021.
S. Khan, H. Rahmani, S. S. A. Ali, and M. Bennamoun, A guide to Convolutional Neural Networks for Computer Vision. San Rafael, CA: Morgan & Claypool Publishers, 2018.
N. O’Mahony, S. Campbell, A. Carvalho, S. Harapanahalli, G. V. Hernandez, L. Krpalkova, D. Riordan, and J. Walsh, “Deep learning vs. Traditional Computer Vision,” Advances in Intelligent Systems and Computing, pp. 128–144, 2019.
W. Nash, T. Drummond, and N. Birbilis, “A review of deep learning in the study of materials degradation,” npj Materials Degradation, vol. 2, no. 1, 2018.
K. Nakashima, F. Nagata, H. Ochi, A. Otsuka, T. Ikeda, K. Watanabe, and M. K. Habib, “Detection of minute defects using transfer learning-based CNN Models,” Artificial Life and Robotics, vol. 26, no. 1, pp. 35–41, 2020.
R. Yamashita, M. Nishio, R. K. Do, and K. Togashi, “Convolutional Neural Networks: An overview and application in Radiology,” Insights into Imaging, vol. 9, no. 4, pp. 611–629, 2018.
J. Fu, X. Zhu, and Y. Li, “Recognition of surface defects on steel sheet using transfer learning,” arXiv preprint arXiv:1909.03258, 2019.
DOI: https://doi.org/10.22146/ijeis.78112
Article Metrics
Abstract views : 2900 | views : 2411Refbacks
- There are currently no refbacks.
Copyright (c) 2022 IJEIS (Indonesian Journal of Electronics and Instrumentation Systems)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
View My Stats1