Kamera Cerdas untuk Inspeksi dan Grading Mutu Produk Perikanan

Perangkat kamera cerdas yang dikembangkan dalam riset (Sumber : Guo et al 2020)

Meningkatnya konsumsi produk pangan serta tuntutan akan mutu dan keamanan produk tersebut membuat sejumlah fasilitas pengolahan pangan di Ameriaka Serikat menggunakan mesin pembersih, inspeksi dan grading, pengemasan, penyimpanan dan pengiriman untuk membantu proses produksi. Salah satu teknologi inspekdi dan grading yang telah dikembangkan pada akhir tahun 1980 an adalah mesin visi. Namun perkembangan mesin visi masih menyisakan sejumlah tantangan untuk aplikasi di industri kecil dan menengah yaitu kebutuhan biaya pembuatan sistem dan pengoperasiannya, perlu pekerja dengan skill tunggi untuk mengatur konfigurasi dan mengoperasikan sistem, dan masih dijumpainya hasil yang tidak sesuasi harapan pada sejumlah kasus pengaplikasian mesin visi. 

Penelitian terkait sistem tersisip dengan kemampuan pembelajaran telah dikembangkan oleh Guo et al dari Nanfang College of Sun Yat-sen University dan dipublikasikan pada Jurnal Electronics tahun 2020 dengan doi:10.3390/electronics9030505, untuk mengatasi sejumlah permasalahan tersebut. Sistem ini telah diujicobakan untuk dua produk pangan yaitu untuk deteksi tingkat delaminasi kulit pada Kurma varietas Medjool sebagai contoh inspeksi grading permukaan. Untuk produk perikanan sistem ini diujicoba untuk inspeksi bentuk kerang sebagai contoh untuk aplikasi evaluasi mutu berbasis bentuk. Tulisan ini berfokus pada pengembangan dan aplikasi sistem pada evaluasi bentuk kerang. Berbeda dengan produk buatan manusia dengan bentuk teratur dan sederhana, kerang sebagai salah satu produk organik yang tumbuh alami dengan bentuk tubuh atau lengkungan permukaan tak teratur dan tak konsisten. Secara umum meskipun kerang hidup dan tumbuh di lingkungan dan perairan yang sama belum tentu memiliki bentuk dan ukuran yang identik. Pada penelitian in digunakan inspeksi grading kerang dalam 3 kategori. Algoritma inspeksi visual yang dkembangkan para peneliti berdasarkan metode Fitur yang dikonstruksi secara evolusuiner (ECO-Feature). 

Pada Algoritma ECO Feature tahap pertama adalah transformasi citra yang melibatkan 6 algoritma transformasi citra yaitu Gabor, Gausian, Laplacian, Median Blur, Sobel, dan Gradient yang masing-masing berbasis panjang Gelombang dan orientasi (Gabor), ukuran kernel (Gaussian, Laplacian, Median Blur, dan Gradient),  Sobel (kedalaman, ukuran kernel, susunan x dan susunan y). Seluruh citra hasil transformasi akan digunakan pada proses ekstraksi fitur dan dapat mempercepat proses pembelajaran secara evolusioner. 

Pembelajaran Evolusioner

Fitur untuk klasifikasi tersusun atas sejumlah citra hasil 6 transformasi dasar. Transformasi ini bekerja secara berurutan. Jumlah, tipe, dan susunan transformasi serta parameter yang terkait ditentukan melalui pembelajaran evolusionr. Karena hasil transformasi maka pada fitur yang terkontruksi akan sangat mungkin terjadi proses transformasi lebih dari 1 kali namun dengan parameter berbeda. Dari hasil kajian menunjukkan bahwa 2 hingga 8 transformasi tiap fitur untuk mencapai akurasi tinggi dan komputasi yang efisien. Proses evaluasi dimulai dengan membuat fenotop dari fitur. Seumlah bagian populasi terpilih akan diseleksi melalaui metode turnamen seleksi untuk menhasilkan generasi. Pasangan fitur induk akan. Proses crossover dan mutasi akan belangsung selama 10 hingga 15 generasi sampai tercapai hasil grading terbaik berdasarkan skor fitness (kesesuaian) tertinggi atau stabil selama beberapa iterasi. 

Evaluasi Fitur

Dipilih secara acak untuk menghasilkan fitur baru mlalui crossover dan mutasi. Crossover dilakukan dengan mengambil sejumlah bagian hasil transformasi dari fitru induk lalu digabungkan dengan hasil transformasi pada bagian hasil transformasi dari fitur induk lain yang berkesesuain. Sementara mutasi dilakukan dengan mengmabil sejumlah fitur dari fitru induk untuk diperbaiki atau diganti pada fitur induk yang lain. Fitur anakan yang dihasilkan akan membentuk generasi fitur baru yang menyerupai fitur induk. 

Pengujian sistem pada sampel kerang menunjukkan sejumlah keunggulan dibanding dengan operasi manual yaitu akurasi mencapai 98,6% serta mampu mengatasi masalah inspeksi akibat kelelahan dan berbagai gangguan lainnya. 

Penulis : I Made Susi Erawan - LRMPHP