Referensi: F. Shamsfakhr dan B. Sadeghibigham, “A neural network approach to navigation of a mobile robot and obstacle avoidance in dynamic and unknown environments,” Turkish Journal of Electrical Engineering and Computer Sciences, vol. 25, no. 3, pp. 1629–1642, 2017, doi: 10.3906/elk-1603-75.
Deteksi Asap Kebakaran Menggunakan Kecerdasan Buatan yang Disempurnakan dengan Pembuatan Asap Sintetis
Judul dari artikel yang akan dibahas yaitu Deteksi Asap Kebakaran Menggunakan Kecerdasan Buatan yang Disempurnakan dengan Pembuatan Asap Sintetis
2. Abstrak [Kembali]
Deteksi dini kebakaran sangat penting untuk menentukan respons yang efektif terhadap keadaan darurat dan kerusakan. Paper mengusulkan pendekatan low cost berdasarkan pemrosesan gambar dan teknik kecerdasan buatan, yang mampu mengadaptasi dan mengidentifikasi asap api dari frame yang diambil dari jarak jauh. Karena pengumpulan urutan frame bisa jadi sulit, juga diusulkan lingkungan virtual untuk asap kebakaran hutan sintetik dengan smoke plume generation.
3. Pendahuluan [Kembali]
Kebakaran hutan merupakan masalah penting di daerah yang memiliki iklim panas dan area yang luas ditutupi dengan vegetasi. Dilaporkan bahwa, setiap tahun, 0,1% permukaan hutan dunia hilang akibat kebakaran hutan. Pendekatan paling sederhana untuk memantau masalah ini adalah penerapan menara berawak di area yang paling kritis. Namun, penyebaran kamera pengawas dapat menjadi solusi yang lebih layak karena sejumlah besar kamera dapat dipantau di satu tempat. Beberapa waktu belakangan, teknik computer vision untuk pemantauan kebakaran telah diteliti. Sistem ini memungkinkan penglihatan pada jarak jauh dan tanpa latensi serta memungkinkan untuk mengukur lebih banyak informasi terkait kebakaran, seperti ukuran dan arah.
Dengan adanya teknologi Computer Vision, kita bisa mengembangkan aplikasi untuk melakukan deteksi apakah suatu hutan sedang terjadi kebakaran hutan atau tidak berdasarkan frame dari rekaman video kamera pengawas.
4. Metode Penelitian [Kembali]
4.1. Pengumpulan Data
Data yang digunakan pada paper ini adalah frame dari rekaman video hutan yang terbakar dan rekaman hutan yang tidak mengalami kebakaran, namun divirtualisasikan dengan teknologi smoke plume generation, sehingga bisa terdapat asap pada frame rekaman video tersebut. Tujuannya adalah agar dataset lebih banyak, dan keadaan bisa diatur seperti diberikan kabut, atau asap tidak begitu tebal. Kumpulan frame ini dijadikan sebagai input.
Selain frame rekaman video hutan, juga terdapat foto hasil segmentasi sebagai label atau output agar mesin dapat belajar dengan performa yang baik. Foto segmentasi ini adalah gambar yang sudah dilakukan segmentasi terhadap asap dari frame rekaman input di atas. Berikut contoh dataset input dan output.
4.2. Feed Forward Neural Network
Feedforward Neural Network merupakan jenis jaringan saraf tiruan yang terinspirasi oleh proses biologis otak manusia. Algoritma ini merupakan salah satu bentuk yang paling sederhana dari beberapa JST sejenis. Feedforward Neural Network adalah jaringan syaraf tiruan yang koneksi antar node-nya tidak membentuk sebuah siklus. Algoritma Feedforward Neural Network merupakan bentuk neural network yang paling sederhana karena informasi hanya diproses dalam satu arah. Data dapat melewati beberapa hidden node, namun selalu bergerak dalam satu arah dan tidak pernah mundur ke belakang.
Ilustrasi jaringan syaraf tiruan feedforwad.
5. Hasil dan Pembahasan [Kembali]
5.1. Pembuatan Ulang Video dari Frame Input
Seperti yang sudah dibahas sebelumnya, tujuan dari paper ini adalah klasifikasi asap pada hutan dari video kamera pengawas, sehingga berjalan secara realtime. Namun agar proses training lebih cepat dan tidak terlalu mengonsumsi sumber daya, maka akan dibuat ulang video dengan fps rendah dari dataset frame yang digunakan. Di sini, kita membuat video dengan 7 frame per second(fps).
5.2 Feature Extraction
Setelah kita membuat video sebagai input dengan 7 frame per detik, sekarang dilakukan proses feature extraction dengan tujuan mempercepat proses pembelajaran mesin. Terdapat dua tahap feature extraction, yaitu untuk input dan output.
5.2.1 Ekstraksi Input
Proses ekstraksi input dilakukan dengan melakukan feature extraction dari video menjadi vektor. Vektor ini akan kita simpan sebagai sebuah file, untuk nantinya kita gunakan sebagai input pada proses training.
5.2.2 Ekstraksi Ouput
Proses ekstraksi output dilakukan dengan melakukan feature extraction dari kumpulan frame yang sudah disegmentasi menjadi vektor. Vektor ini akan kita simpan sebagai sebuah file, untuk nantinya kita gunakan sebagai output atau label pada proses training.
5.3. Load Data
Pada proses feature extraction sebelumnya, dihasilkan vektor yang disimpan ke dalam file. Sekarang, kita akan melakukan load data agar data data vektor tersebut bisa kita gunakan.
5.4 Pembuatan Model
Setelah semua data siap, baik itu input dan output, tugas selanjutnya adalah melakukan pembuatan model. Algoritma yang digunakan pada paper ini adalah jaringan syaraf tiruan Feed Forward. Di sini kita menggunakan 10 hidden layer, dengan target performance atau target MSE(Mean Square Error) sebesar 2*10^-10, dan epoch sebanyak 25.
5.5 Training, Testing, dan Validation
Data dan model sudah siap, sekarang kita lakukan training, testing, dan validasi data. Berikut figure yang dihasilkan.
6. Kesimpulan [Kembali]
Dari percobaan pada paper ini untuk melakukan klasifikasi frame pada rekaman video asap kebakaran hutan menggunakan Feed Forward Neural Network, didapatkan hasil yang bagus, dimana MSE atau Mean Square Error terbaik sebesar 0,0050027 pada epoch ke 25. Hasil validasi menunjukkan tidak ada kesalahan dari 25 epoch yang dilakukan.
7. Daftar Pustaka [Kembali]
[1] F. Luming, X. Aijun, and T. Lihua, “A study of the key technology of forest fire prevention based on a cooperation of video monitor and GIS,” in Proc. 4th ICNC, Oct. 2008, vol. 5, pp. 391–396.
[2] Z. Liu and A. Kim, “Review of recent developments in fire detec- tion technologies,” J. Fire Protect. Eng., vol. 13, no. 2, pp. 129–151, May 2003.
[3] A. Genovese, R. D. Labati, V. Piuri, and F. Scotti, “Wildfire smoke de- tection using computational intelligence techniques,” in Proc. IEEE Int. Conf. CIMSA, Sep. 2011, pp. 1–6.
[4] A. Genovese, R. Donida Labati, V. Piuri, and F. Scotti, “Virtual environ- ment for synthetic smoke clouds generation,” in Proc. IEEE Int. Conf. VECIMS, Sep. 2011, pp. 1–6.
[5] D. Krstinic´, D. Stipanicˇev, and T. Jakovcˇevic´, “Histogram-based smoke segmentation in forest fire detection system,” Inf. Technol. Control, vol. 38, no. 3, pp. 237–244, 2009.
[6] T. Jakovcˇevic´, L. Šeric´, D. Stipanicˇev, and D. Krstinic´, “Wildfire smoke- detection algorithms evaluation,” in Proc. Int. Conf. Forest Fire Res., 2010, pp. 1–12.
[7] B.-H. Cho, J.-W. Bae, and S.-H. Jung, “Image processing-based fire de- tection system using statistic color model,” in Proc. Int. Conf. Adv. Lang. Process. Web Inf. Technol., 2008, pp. 245–250.
[8] H. Maruta, Y. Kato, A. Nakamura, and F. Kurokawa, “Smoke detection in open areas using its texture features and time series properties,” in Proc. IEEE ISIE, Jul. 2009, pp. 1904–1908.
[9] P. Piccinini, S. Calderara, and R. Cucchiara, “Reliable smoke detection in the domains of image energy and color,” in Proc. IEEE ICIP, Oct. 2008, pp. 1376–1379.
[10] Y. Cui, H. Dong, and E. Zhou, “An early fire detection method based on smoke texture analysis and discrimination,” in Proc. CISP, May 2008, vol. 3, pp. 95–99.
Video tentang JST Backpropagation
File Jurnal download
File Matlab download
File HTML download
Tidak ada komentar:
Posting Komentar