Klasifikasi Tekstur Serat Kayu pada Citra Mikroskopik Veneer Memanfaatkan Deep Convolutional Neural Network

  • Suriani Alamgunawan Student
Keywords: Convolutional Neural Network, EfficientNet, Grayleveling, contrast stretching

Abstract

Convolutional Neural Network sebagai salah satu metode Deep Learning yang paling sering digunakan dalam klasifikasi, khususnya pada citra. Terkenal dengan kedalaman dan kemampuan dalam menentukan parameter sendiri, yang memungkinkan CNN mampu mengeksplor citra tanpa batas. Tujuan penelitian ini adalah untuk meneliti klasifikasi tekstur serat kayu pada citra mikroskopik veneer dengan CNN. Model CNN akan dibangun menggunakan MBConv dan arsitektur lapisan akan didesain menggunakan EfficientNet. Diharapkan  dapat tercapai tingkat akurasi yang tinggi dengan penggunaan jumlah parameter yang sedikit. Dalam penelitian ini akan mendesain empat model arsitektur CNN, yaitu model RGB tanpa contrast stretching, RGB dengan contrast stretching, Grayscale tanpa contrast stretching dan Grayscale dengan contrast stretching. Proses ujicoba akan mencakup proses pelatihan, validasi dan uji pada masing-masing input citra pada setiap model arsitektur. Dengan menggunakan penghitungan softmax sebagai penentu kelas klasifikasi. SGD optimizer digunakan sebagai optimization dengan learning rate 1e-1. Hasil penelitian akan dievaluasi dengan menghitung akurasi dan error dengan menggunakan metode F1-score. Penggunaan channel RGB tanpa contrast stretching sebagai citra input menunjukkan hasil uji coba yang terbaik.

References

[1] Alfonso, C. Rossi, A.L.D., Vieira, F.H.A., Carvalho, A.C.P.d.L.F.d., 2017. Deep Learning for Biological Image Classification (hlm. 114-122). Expert Systems with Applications 85.
[2] Fabijańska, A., Danek, M., 2018. DeepDendro – A Tree Rings Detector Based on a Deep Convolutional Neural Network (hlm. 353-363). Computer and Electronics in Agriculture 150.
[3] Hafemann, L.G., Oliveira, L.S., & Cavalin, P., 2014. Forest Species Recognation using Deep Convolutional Neural Networks (hlm. 1103-1107). IEEE International Conference on Pattern Recognition.
[4] Yang, J., Huang, P., Dai, F., Sun, Y., Wang, L., Bi, H., 2019. Application of Deep Learning in Wood Classification (hlm. 124-129). IEEE International Conference on Computer Science and Educational Informatization (CSEI).
[5] Howard, A., Sandler, M., Chu, G., Chen, L., Chen, B. Tan, M., 2019. Searching for MobileNetV3. Cornel University.
[6] Hu, J., Shen, L.& Sun, G., 2018. Squeeze-and-Excitation Networks (hlm. 7132-7141). Computer Vision Foundation.
[7] Jung, S.Y., Tsai, Y.H., Chiu, W.Y, Hu J.S., & Sun, C.T., 2018. Defect Detection on Randomly Textured Surfaces by Convolutional Neural Networks (hlm. 1456-1461). IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM).
[8] Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. Chen, L.,2019. MobileNetV2: Inverted Residuals and Linear Bottlenecks. Cornel University.
[9] Tan, M., Chen, B., Pang, R., Vasudevan, V., Sandler, M., Howard, A., Le, Q. V., 2019. MnasNet: Platform-Aware Neural Architecture Search for Mobile. Cornel University.
[10] Tan, M., Le, Q. V., 2020. EfficientNet: Rethinking Model Scalling for Convolutional Neural Networks. Cornel University.
[11] Tan, M., 2019. EfficientNet: Improving Accuracy and Efficiency through AutoML and Model Scaling.[Online]
Tersedia di: https://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html
[Diakses 19 September 2020]
[12] Anonymous, Convolutional Neural Network. [Online]
Tersedia di: https://www.mathworks.com/discovery/convolutional-neural-network.html
[Diakses 10 Januari 2020]
[13] Doshi, C., 2019. Why Relu? Tips for using Relu. Comparison Between Relu, Leaky Rely, and Relu6. [Online]
Tersedia di: https://medium.com/@chinesh4/why-relu-tips-for-using-relu-comparison-between-relu-leaky-relu-and-relu-6-969359e48310
[Diakses 12 Oktober 2020]
[14] Nain, A., 2019. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. [Online]
Tersedia di: https://medium.com/@nainaakash012/efficientnet-rethinking-model-scaling-for-convolutional-neural-networks-92941c5bfb95
[Diakses 19 September 2020]
[15] Preechakul, K. T., 2017. Squeeze and Excitation Networks (Hu et al., 2017). [Online] Tersedia di: https://medium.com/@konpat/squeeze-and-excitation-networks-hu-et-al-2017-48e691d3fe5e
[Diakses 10 Oktober 2020]
Published
2020-10-31