Untuk dapat bersaing di pasar global yang terus meningkat, menjadi suatu kebutuhan untuk mengambil manfaat dari teknologi guna meningkatkan produktifitas dan profitabilitas. Industri salmon Norwegia melihat kebutuhan untuk mengotomatisasikan proses grading mutu salmon Aatlantik untuk mengurangi kebutuhan akan tenaga manusia yang besar serta meningkatkan konsistensi produk dan fleksibilitas produksi. Untuk mengatasi masalah tersebut sejumlah peneliti di Norwegia mengembangkan sebuah sistem mesin visi untuk pencitraan berwarna 3D eksternal dilengkapi sistem scanning 3600 cross-section telah dikembangkan untuk melakukan penentuan level mutu Salmon Atlantik. Dua penyebab utama penurunan mutu salmon Atlantik pada pasca penangkapan adalah perubahan bentuk dan luka. Berdasarkan dua penyebab tersebut proses penentuan tingkat kesegaran ikan salmon Atlantik tersebut dimulai dengan mengklasifikasikan ikan tersebut ke dalam kelas super dan kelas dengan mutu terdegradasi.
Untuk membentuk citra 3D pada tahap awal yang dilakukan adalah menyusun sistem fotografi sebagai perangkat dalam pengumpulan citra ikan. Perangkat tersebut terdiri atas rig kamera yang tersusun atas 3 buah kamera citra berwarna CMOS dan 3 buah laser IP68 memancarkan baris laser merah. Rig kamera terletak pada celah antara dua konveyor belt.
Gambar 1. Sistem fotografi untuk akuisisi citra Sumber gambar : Sture, et al., (2016) |
Pada tahap pengolahan citra dilakukan untuk mendapatkan fitur geometri dan warna dari pasangan citra yang dihasilkan kamera pada tiga posisi berbeda. Untuk mendukung pengolahan citra berbasis komputasi point cloud diperlukan dukungan Graphical Pocessing Unit ( GPU). 3 operasi berbeda dilakukan pada GPU yaitu (1) algoritme demosaicking untuk menghitung piksel warna merah dari raw image.; (2) penerapan algoritma penghilangan sirip. Untuk menghilangkan sirip pada citra dilakukan dengan menghilangkan koordinat dimana sirip berada dengan menepatkan garis tepi tubuh Salmon pada sebuah elips lalu menggunakan nilai tangen (persinggungan terdekat) sebagai titik potong antara sirip dan tubuh; (3) operasi untuk melakukan ekstraksi fitur warna dan geometris yang melibatkan Ekstraksi fitur geometris dan fitur warna.
Proses ekstraksi fitur melibatkan sejumlah operasi morfologi dan pengolahan citra mencakup (1) pengambangan batas pada ruang warna HSL ;(2) operasi morfologi open untuk menyaring derau pada sejumlah region hasil filtering; (3) penggunaan pengklasifikasi untuk memberikan label pada region tertentu sehingga masuk sebagai luka atau bukan. Selanjutnya pada tahap machine learning, fitur warna dan tekstur digunakan sebagai input 2 pengklasifikasi untuk mengklasifikasikan: (1) deformitas dan (2) luka. Pengklasifikasi yang digunakan adalah Support Vector Machine (SVM) pada kernel RBF.
Pada kajian deteksi deformitas, hasil klasifikasi 2 kelas dinyatakan sebagai bebas deformitas (1) dan tidak bebas deformitas (0). Hasil yang dicapai dengan pengklasifikasi SVM adalah True Positif Rate (TPR) sebesar 81% sementara True Negative Rate (TNR) 90% sehingga didapatkan hasil total prediction rate sebesar 86%. Untuk klasifikasi deteksi Luka dmelalui penerapan metode tresholding (pengambangan batas) dilanjutkan dengan operasi morfologi mampu mencapai total prediction rate sebesar 89% dengan TPR dan TNR masing-masing sebesar 88% dan 90%.
Salah satu kontribusi utama riset ini adalah metode yang mampu mengatasi proyeksi yang sangat tumpang tindih seperti pada metode proyeksi 2D yang menggunakan dua kamera atas dan bawah. Selain itu waktu komputasi secara signifikan dapat dikurangi dengan penggunaan metode pengambangan batas dan operasi morfologi pada citra berwarna sebagai tahap pra pengolahan citra.
Pendekatan menggunakan mesin visi 3D 3600 sangat menarik dari perspektif pengumpulan data terutama untuk membentuk basis pengetahuan sebagai dasar pembuat keputusan. Pengembangan mesin visi 3D ini telah dipublikasikan di Jurnal Computer and Electronics in Agriculture Vol. 123 tahun 2016. Mesin ini mampu menyajikan informasi yang diperlukan untuk menarik kesimpulan seperti halnya operator manusia yang mampu menginspeksi ikan salmon pada seluruh sisinya. Penelitian ini menunjukkan bahwa mesin visi 3D mampu digunakan untuk mendeteksi tingkat mutu salmon Atlantik secara otomatis dan riil time. Sebagian besar metode yang dikembangkan cukup umum untuk dapat diaplikasikan pada jenis ikan lain atau aplikasi sejenis dengan modifikasi minor.
Gambar 2. Hasil akhir pembentukan citra 3D ikan Salmon Altlantik
Sumber gambar : Sture, et al., (2016)
Penulis: I Made Susi Erawan - Peneliti LRMPHP