Sistem Klasifikasi Jenis dan Warna Kendaraan Secara Real-time Menggunakan Metode k-Nearest Neighbor dan Framework YOLACT

Laurensius Adi Kurniawan, I Putu Agung Bayupati, Kadek Suar Wibawa, I Made Sukarsa, I Kadek Gunawan

Abstract


Peningkatan jumlah dan variasi jenis kendaraan terus berkembang seiring dengan meningkatnya permintaan pasar. Permasalahan baru timbul akibat meningkatnya jumlah dan variasi jenis kendaraan seperti meningkatnya pelanggaran lalu lintas dan kriminalitas. Dengan kondisi ini, pengawasan pelanggar lalu lintas dan kriminalitas secara manual oleh pihak berwajib akan lebih sulit dilakukan terutama di daerah perkotaan. Sistem pengenalan jenis dan warna kendaraan atau Vehicle Color, Make and Model Recognition (VCMMR) adalah komponen penting dalam pengembangan sistem pengawasan keamanan di era otomatisasi. Dengan memanfaatkan CCTV, sistem ini dapat diaplikasikan pada sistem gerbang otomatis, pengawasan kendaraan otomatis, pemantauan lalu lintas, dll. Sistem VCMMR yang dapat bekerja secara real-time dapat meningkatkan keamanan dengan menghasilkan data kendaraan lengkap berupa warna, merek dan model kendaraan selain menggunakan pengenalan plat nomor kendaraan. Penelitian ini menggunakan metode k-Nearest Neighbor untuk mengklasifikasikan warna kendaraan dan framework YOLACT dengan arsitektur ResNet-50 yang telah dilatih untuk mengenali merek dan model kendaraan. Dataset dalam penelitian ini terdiri dari 10 jenis kendaraan dengan 40 citra data latih tiap kelas dan 10 warna dengan 25 citra data latih tiap kelas. Pengujian dilakukan menggunakan enam model YOLACT dengan epoch berbeda dan tiga variasi frame sampling untuk mengurangi waktu komputasi. Hasil pengujian pada video data uji empat kendaraan menunjukkan bahwa frame sampling 250 milidetik menghasilkan performa terbaik dengan waktu komputasi rata-rata 16,08 detik. Model YOLACT dengan epoch yang lebih besar mampu mengenali kendaraan yang berada jauh dari kamera (objek kecil) dengan lebih baik, akurasi yang diperoleh yaitu 91,67% pada epoch 517.

Keywords


KNN; Framework YOLACT; Pengenalan Jenis dan Warna Kendaraan; Real-time; ResNet-50

Full Text:

PDF

References


D. Bolya, C. Zhou, F. Xiao, and Y. J. Lee, “YOLACT: {Real-time} Instance Segmentation,” ICCV, p. 11, 2019.

H. Y. Bak and S. B. Park, “Comparative study of movie shot classification based on semantic segmentation,” Appl. Sci., vol. 10, no. 10, pp. 1–10, 2020.

B. Satar and A. E. Dirik, “Deep learning based vehicle make-model classification,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 11141 LNCS, pp. 544–553, 2018.

S. Y. Jo, N. Ahn, Y. Lee, and S. Kang, “Transfer Learning-based Vehicle Classification,” 2018 Int. SoC Des. Conf., pp. 127–128, 2018.

K. J. Kim et al., “Vehicle Color Recognition via Representative Color Region Extraction and Convolutional Neural Network,” Int. Conf. Ubiquitous Futur. Networks, ICUFN, vol. 2018-July, pp. 89–94, 2018.

K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask R-CNN,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, no. 2, pp. 386–397, Mar. 2017.

Y. Li, H. Qi, J. Dai, X. Ji, and Y. Wei, “Fully convolutional instance-aware semantic segmentation,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 4438–4446, 2017.

T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, “Feature Pyramid Networks for Object Detection,” Proc. - Int. Conf. Tools with Artif. Intell. ICTAI, vol. 2019-Novem, pp. 1702–1707, Dec. 2016.

A. Kataria and M. D. Singh, “A Review of Data Classification Using K-Nearest Neighbour Algorithm,” Int. J. Emerg. Technol. Adv. Eng., vol. 3, no. 6, pp. 354–360, 2013.

N. L. W. S. R. Ginantra, “Deteksi Batik Parang Menggunakan Fitur Co-Occurence Matrix Dan Geometric Moment Invariant Dengan Klasifikasi KNN,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 7, no. 1, p. 40, 2016.

I. W. A. Suryawibawa, I. K. G. Darma Putra, and N. K. A. Wirdiani, “Herbs Recognition Based on Android using OpenCV,” Int. J. Image, Graph. Signal Process., vol. 7, no. 2, pp. 1–7, 2015.

D. Zhang, “Color Feature Extraction,” in Perspectives on Content-Based Multimedia Systems, Boston: Kluwer Academic Publishers, 2002, pp. 49–67.

R. Revathi and M. Hemalatha, “Efficient method for feature extraction on video preocessing,” ACM Int. Conf. Proceeding Ser., pp. 539–543, 2012.

D. Srivastava, R. Wadhvani, and M. Gyanchandani, “A Review: Color Feature Extraction Methods for Content Based Image Retrieval,” Int. J. Comput. Eng. Manag., vol. 18, no. 3, pp. 9–13, 2015.

J. R. R. Uijlings, I. C. Duta, N. Rostamzadeh, and N. Sebe, “Realtime video classification using dense HOF/HOG,” ICMR 2014 - Proc. ACM Int. Conf. Multimed. Retr. 2014, pp. 145–152, 2014.

T. Y. Lin et al., “Microsoft COCO: Common objects in context,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 8693 LNCS, no. PART 5, pp. 740–755, 2014.




DOI: http://dx.doi.org/10.26418/jp.v7i1.43073

Refbacks

  • There are currently no refbacks.