Penerapan Multi-Label Image Classification Menggunakan Metode Convolutional Neural Network (CNN) Untuk Sortir Botol Minuman

Abstract

Dalam industri Fast Moving Consumer Goods (FMCG) seperti air minum kemasan, quality control berperan penting untuk menjaga produk yang baik, oleh karena itu diperlukan metode yang cepat dan andal untuk menganalisis data lapangan dan memberikan informasi yang dapat membantu dalam menentukan kualitas produk. Selama proses produksi di pabrik, botol air minum sering kali memiliki beberapa cacat misalnya, tutup dan label yang tidak ada atau tidak terpasang dengan benar, serta air yang kurang terisi pada botol. Semua masalah tersebut dapat menurunkan kualitas produk yang dikirim ke konsumen. Untuk mengatasinya, inspeksi visual menjadi teknik wajib di lini produksi. Metode inspeksi visual tradisional sering kali memerlukan beberapa kamera dan perangkat untuk mendeteksi beberapa cacat pada produk, masing-masing digunakan untuk mendeteksi jenis masalah yang berbeda. Dalam penelitian ini, digunakan metode Multi-Label Image Classification dengan Convolutional Neural Network (CNN) sebagai algoritma untuk mendeteksi beberapa cacat pada botol air sekaligus. Terdapat enam class label yaitu isi kurang, isi kosong, tutup rusak, tutup tidak ada, label rusak, dan label tida ada. Masing-masing class label tersebut mewakili kemungkinan adanya cacat yang ada pada botol. Beberapa kombinasi feature learning layer dan fully connected layer digunakan untuk mengekstrak pola dan mengklasifikasikan gambar masukan. Untuk memfasilitasi penelitian ini, dikumpulan dataset gambar botol air dengan skala besar, dimana didalam datset tersebut merepresentasikan enam class label yang telah ditentukan. Saat diuji dengan dataset baru, model CNN mendapatkan hasil akurasi prediksi 98,526%, dan mendapat rata-rata akurasi sebesar 97,71% ketika diuji dengan 10-fold cross validation.

Penerapan Metode Convolution Neural Network (CNN) Dalam Proses Pengolahan Citra Untuk Mendeteksi Cacat Produksi Pada Produk Masker

“…Selanjutnya penelitian [6] [7] menerapkan sistem deteksi objek menggunakan metode CNN pada pengguna masker namun lebih kepada pemakaian masker terhadap objek manusia, pada penelitian [8] dilakukan deteksi objek untuk produk retail dan penelitian [9] [10] [11] penerapan CNN untuk mendeteksi gambar pada botol plastik dan cacat pada botol minuman.…”

Implementasi Algoritma Convolutional Neural Network Untuk Klasifikasi Citra Kemasan Kardus Defect dan No Defect

“…Pada penelitian tersebut data training yang digunakan adalah sebanyak 1094 citra latih dengan nilai akurasi untuk citra latih adalah 18,19%, dengan uji coba 344 citra batik dapat mengklasifikasikan 45 citra batik Karawang, 299 citra batik luar Karawang dengan nilai akurasi mencapai 18,60%, sedangkan hasil uji coba menggunakan citra batik karawang mencapai nilai akurasi mencapai 73,33 % [9]. Adapun penelitian yang menggunakan algoritma CNN yang digunakan untuk sortir botol minuman yang dilakukan oleh Inggis Kurnia Trisiawan, dkk dimana model CNN memperoleh hasil nilai akurasi prediksi mencapai 98,526%, serta mendapatkan rata-rata nilai akurasi mencapai 97,71% saat dilakukan pengujian menggunakan 10-fold cross validation [10].…”

Multilabel image analysis on Polyethylene Terephthalate bottle images using PETNet Convolution Architecture

“…Based on Figure 4, there are 5 Conv2D layers in the proposed model, which can be calculated using (1) and five max-pooling layers, which can be calculated using ( 2) and (3), as follows [24,25,26,27]:…”

“…The spatial location of (ℎ 𝑙 , 𝑤 𝑙 ) is utilized from the bank filter of 𝑓 and 𝑑 𝑙 is a receptive field 𝑥 𝑙 . Therefore, the total trainable parameters of the feature extraction represented as kernel formalized as [24,25,26,27]:…”

“…Models with pre-trained weights in ImageNet were fine-tuned to classify bottle defects based on the datasets collected, while PETNet and DSC models were trained from the beginning. DSC consists of a depthwise filter and a pointwise filter, which are formalized as [24,25,26,27]: Therefore ( 2) and ( 4) show the DSC architecture reduced the trainable parameters of the convolution process.…”