Pavement crack detection and classification based on fusion feature of LBP

and PCA with SVM

Cheng Chena , Hyungjoon Seo , Chang Hyun Junc , and Y. Zhaoa

ABSTRAK

Pendekatan baru dalam deteksi retakan berdasarkan pola biner lokal (LBP) dengan dukungan mesin
vektor (SVM) diusulkan dalam penelitian ini. Algoritma yang diusulkan dapat mengekstrak fitur LBP
dari setiap frame video yang diambil dari jalan raya. Kemudian, dimensi ruang fitur LBP dapat
dikurangi dengan Principal Component Analysis (PCA). Sampel yang disederhanakan dilatih untuk
ditentukan jenis retakannya menggunakan Support Vector Machine (SVM). Untuk mencerminkan
informasi arah secara detail, citra hasil olahan LBP dibagi menjadi sembilan sub-blok. Dalam jurnal
ini, pengujian dilakukan sebanyak 10 kali dan 12.000 data gambar diterapkan pada algoritma yang
diusulkan. Akurasi rata-rata dari algoritma yang diusulkan dengan sub-blok adalah 91,91%, yaitu
sekitar 6,6% lebih tinggi dari algoritma tanpa sub-blok. LBP-PCA dengan sub blok yang menerapkan
SVM mencerminkan informasi arah retakan sehingga memiliki akurasi yang tinggi yaitu 89,41% dan
88,24% terutama pada retak melintang dan memanjang. Dalam analisis kinerja dari pengklasifikasi
retak yang berbeda, F-Measure yang mempertimbangkan keseimbangan antara presisi dan
perolehan. Pengklasifikasi retakan kulit buaya yang tertinggi pada 0,7601 dan karenanya kinerja
pendeteksian retakan lebih tinggi daripada yang lain.

BAB III

METODOLOGI PENELITIAN

3.1 Teknik Pengumpulan Data

Pengumpulan data dengan merekam video dari 22 kali perjalanan pulang-pergi dengan
kecepatan 40 km/jam di jalan Su Tong Li di Suzhou, China dan total panjangnya adalah 3,8 km pada
gambar 1(a) dengan jarak kamera jalan sebesar 1m dengan sudut kamera 30 derajat ke tanah
diperlihatkan pada gambar 1(b). Tripod digunakan untuk meminimalisir getaran pada kamera
(gambar 1c). Informasi GPS dikumpulkan dari beberapa perangkat seluler(gambar 1d). Dan hasil
gambar yang didaptkan untuk diidentifikasi tampak pada gambar 1(e).

Gambar 1.
3.2 Metode LBP-PCA dengan SVM
Meskipun resolusi yang dihasilkan dari data gambar tidak tinggi namun dengan penilitian ini
dapat menemukan retakan dengan menganalisa sejumlah data gambar menggunakan machine
learning. Dengan menggunakan metode LBP-PCA-SVM pada penelitian ini digunakan menemukan
retak didalam setiap frame dalam video yang didapatkan. Gambar 2 merupakan flowchart yang
menjelaskan Langkah metode LBP-PCA-SVM. Setelah aplikasi berjalan dan inisialisasi video,
algoritma LBP-PCA-SVM merubah dari RGB ke grayscale gamut dan membuang komponen warna
yang tidak dibutuhkan. Kemudian frame grayscale diproses klasifikasi dengan fitur LBP pada saat
yang sama. Ketika satu diantara tiga klasifikasi mendeteksi retak maka akan muncul kontak yang
menampilkan nama dan nomor kategori retak yang terdeteksi.

Gambar 2.
Pada gambar 3 dijelaskan bahwa setiap frame yang dikonversi oleh video yang dikumpulkan
ditangkap dengan fitur frame oleh operator LBP-PCA. Fitur gambar dibagi ke dalam kategori yang
berbeda oleh pengklasifikasi SVM, jika ada retak pada gambar. Kemudian yang memiliki ukuran
64X64 piksel akan ditransvers pada seluruh gambar, dan sub-blok training lainnya akan menentukan
apakah ada retak pada sliding window. Melalui proses ini, blok yang tidak retak dihapus dari gambar.
Jika classifier tidak dapat mendeteksi retakan pada frame yang diproses, algoritma melanjutkan
iterasi pengenalan hingga menghentikan proses pengenalan. Jika retak terdeteksi oleh algoritma,
algoritma secara otomatis menyediakan lokasi retakan dengan menggunakan informasi dari modul
GPS. Kemudian, data citra retakan akhir dapat disimpan dalam format JPG, dan dapat diperoleh hasil
pengenalan berupa nama titik retak yang teridentifikasi, jumlah dan lokasi retakan, serta tanggal dan
waktu pengambilan data.

Gambar 3.
3.3 Pengujian Sistem
Pada penelitian ini menggunakan pengujian system berupa precision, recall, accuracy, dan F
measure. Precision adalah probabilitas yang diperkirakan bahwa sampel yang dipilih secara acak dari
kumpulan sampel yang diambil adalah relevan dan recall adalah probabilitas yang diperkirakan
bahwa sampel yang dipilih secara acak dari kumpulan sampel yang relevan diambil,rumusnya dapat
dilihat pada gambar 4.
 Gambar 4.

Pengukuran akurasi digunakan untuk mengevaluasi akurasi dari klasifikasi menggunakan rasio
hasil true( positif dan negatif) dan total sample yang dicek dapat dilihat pada gambar 5.

Gambar 5.

Presisi dan recall memiliki hubungan trade-off. Jika presisi meningkat, recall berkurang.
Bergantung pada mana dari dua angka ini yang menjadi prioritas, Anda harus menurunkan atau
menambah satu angka.Bergantung pada mana dari dua nilai ini yang ditetapkan ke prioritas, satu
harus diturunkan atau lebih tinggi. Untuk menemukan keseimbangan antara presisi dan recall, F-
measure diusulkan, yang merupakan nilai evaluasi klasifikasi yang mempertimbangkan presisi dan
recall, rumus F-measure dapat dilihat pada gambar 6.
 On Bridge Surface Crack Detection Based on an Improved YOLOv3 Algorithm
Yuexin Zhang, Jie Huang, Feng huang Cai
ABSTRAK

Algoritma deteksi retak permukaan jembatan berdasarkan algoritma You Only Look Once versi 3
yang dikembangkan lebih lanjut (YOLO v3) diusulkan untuk mewujudkan deteksi retak permukaan
jembatan yang cepat dan akurat untuk skenario aplikasi perbaikan tepat waktu. Algoritma yang
diusulkan dikombinasikan dengan MobileNets dan modul perhatian blok convolutional (CBAM), yang
dapat mendeteksi retak permukaan jembatan secara real time. Konvolusi standar digantikan oleh
konvolusi MobileNets yang dapat dipisahkan secara mendalam untuk mengurangi jumlah parameter
jaringan. Selain itu, untuk mengatasi masalah penurunan presisi yang disebabkan oleh konvolusi
yang dapat dipisahkan secara mendalam, residu terbalik blok dari MobileNetV2 merupakan
solusinya. Selanjutnya, algoritma yang diusulkan secara selektif mempelajari fitur dengan
mengalikan peta perhatian dengan peta fitur input melalui CBAM, dan fokus pada mekanisme
perhatian saluran dan spasial secara bersamaan. Akhirnya, kelayakan algoritma diverifikasi oleh
eksperimen.

BAB III

METODOLOGI PENELITIAN

Pada bab ini menjelaskan tentang metodologi penelitian deteksi retakan permukaan jembatan
dengan algoritma You Only Look Once versi 3 yang dikembangkan lebih lanjut (YOLO v3). Pada
penelitian kali ini terdapat beberapa perangkat penunjang yang akan digunakan sebagai penunjang
dalam proses penelitian ini. Perangkat lunak tersebut antara lain :

1. Operating System (OS) Windows 10

2. Python 3.6

3. Deep learning framework for Keras

4. Cuda10.0

5. Intel Core I5-8500 NVIDIA GeForce GTX 2070 with 8 GB Memory and 16 GB DDR4 RAM

3.1 Data

Data yang digunakan dalam penelitian deteksi retakan permukaan jembatan dengan algoritma
YOLO v3 berupa 1500 gambar dengan resolusi 1024 x 1024 diresize menjadi 416 x 416 terbagi
menjadi 960 data training, 240 data valuing, 300 data testing.

3.2 Algoritma Improved YOLO V3

Untuk menyelesaikan masalah yang sulit di YOLO v3 untuk diterapkan pada deteksi retak
permukaan jembatan, penelitian ini mengusulkan algoritma deteksi objek secara real-time
berdasarkan algoritma improved YOLO v3, dan struktur algoritmanya ditunjukkan pada Gambar
dibawah ini.
 Gambar 1.

3.3 Pengujian Sistem

Pengujian system pada penelitian ini menggunakan Precision dan Recall. Precision
adalah jumlah prediksi yang bernilai benar dibagi dengan semua objek yang terdeteksi.
Sedangkan recall merupakan jumlah prediksi yang bernilai benar dibagi dengan semua data
testing.