Wikipedia

Penglihatan mesin

Revisi sejak 29 Januari 2022 04.25 oleh Edowidivirgian (bicara | kontrib) (Menambahkan beberapa referensi terkait visi mesin serta metode pendukungnya.)

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

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

Secara umum, visi mesin mengandalkan piranti lunak untuk memroses gambar atau citra di mana salah satu piranti lunak yang umum digunakan adalah Matlab.[1][2]

Metode

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

Secara umum, visi 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/ kabur dan komputasi/metode numerik serta fisika terutama sensor dan prinsip alat-alat optik serta kekuatan memori dari komputer (terkait RAM).[3]

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

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

Input/Masukan

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

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/ kabur, serta algoritma genetik mulai digunakan. Sementara, untuk matriks, secara umum sistem visi mesin menggunakan metode seperti sobel dan Fre-Chen sebagai alat bantu analisis segmentasi dan deskripsi dari piksel.[4][5] 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.[6][5]

 
Salah satu contoh hasil pengambangan pada bunga daisy (African Cape). Sistem visi 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/Keluaran

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

Aplikasi

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

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

Aplikasi di Bidang Kesehatan

Deteksi iris mata[3]

Aplikasi di Bidang Pertanian

Penyeleksian tingkat kematangan buah[7][6]

Robot pemetik buah.[8]

Inspeksi ukuran biji/bulir.[9][5]

Aplikasi di Bidang Pangan

Inspeksi kematangan hasil roti.[10]

Aplikasi di Bidang Industri

Robotika Industri.[11]

Keausan peralatan manufaktur serta kekasaran permukaan.[4][12]

Inspeksi produk elektrik.[13]

Inspeksi hasil produksi.[14]

Aplikasi di Bidang Transportasi

Pendeteksi Jalur Kedatangan.[15]

Bahan Bacaan

Beberapa bahan bacaan yang dapat dirujuk terkait sistem visi mesin:

  • Machine Vision (Jain, 1995) [16]

Referensi

  1. ^ a b "Visi Komputer: Apa itu dan mengapa hal itu penting". www.sas.com (dalam bahasa in). Diakses tanggal 2022-01-26. 
  2. ^ a b "Sistem Visi | KEYENCE Indonesia". www.keyence.co.id. Diakses tanggal 2022-01-26. 
  3. ^ 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. 
  4. ^ 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. 
  5. ^ 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. 
  6. ^ 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  . PMID 23572836. 
  7. ^ 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. 
  8. ^ 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. 
  9. ^ 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. 
  10. ^ 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. 
  11. ^ 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. 
  12. ^ 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. 
  13. ^ 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. 
  14. ^ 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. 
  15. ^ 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. 
  16. ^ Jain, Ramesh (1995). Machine vision. Rangachar Kasturi, Brian G. Schunck. New York: McGraw-Hill. ISBN 0-07-032018-7. OCLC 31933939. 
Diperoleh dari "https://wiki-indonesia.club/w/index.php?title=Penglihatan_mesin&oldid=20355717"