Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKProses pemantauan tool wear pada micromilling membutuhkan ketelitian yang tinggi, proses ini dapat dilakukan menggunakan mikroskop digital Dino-Lite dan mikroskop elektron. Namun penggunaan mikroskop elektron membutuhkan waktu yang lama karena harus datang ke laboratorium mikroskop elektron. Maka dari itu dibuatlah perancangan teknologi computer vision berbasis image processing untuk mendeteksi luas wear pada tool micromilling. Proses pengembangan menggunakan fitur OpenCV program Python. Proses dimulai dengan mengambil gambar tool baru dan tool rusak menggunakan Dino-Lite dengan spesifikasi gambar yang sama persis. Kemudian gambar diimpor ke program Python dan dikonversi menjadi bentuk HSV (Hue, Saturation, Value). Gambar HSV kemudian diberikan fitur noise reduction menggunakan gaussian blur untuk mengurangi noise pada gambar. Gambar HSV yang sudah diberikan fitur noise reduction kemudian diberi fitur color detection untuk mendapatkan thresholding dari hasil pengaturan variabel masking HSV. Hasil thresholding kemudian diberikan fitur image Canny sebagai fitur pendeteksian luas berdasarkan kontur gambar hasil thresholding. Kemudian nilai luas permukaan tool baru dan tool rusak akan muncul. Kedua nilai ini akan dibandingkan dan menghasilkan persentase tool wear. Pengujian yang penulis lakukan adalah dengan membuat variasi variabel noise reduction menggunakan gaussian blur, nilai gaussian blur yang diberikan sebesar 0, 1, 3, 5, 7, 9, 11, 13, 15 dan 17 (nilai gaussian blur hanya bisa 0 dan bilangan ganjil). Data yang diperoleh ada yang tidak lengkap karena keadaan gambar yang tidak mendukung, namun dengan keberadaan gaussian blur, dapat membantu perekaman luas. Hasil menunjukkan bahwa semakin tinggi nilai gaussian blur, maka meningkatkan potensi gambar kontur tool dapat dideteksi luasnya.

---

ABSTRACT

Tool wear monitoring on micromilling needs a high value of accuracy, this process can be done using Dino-Lite digital microscope and electron microscope. However, the usage of electron microscope needs a long period of time since we have to go to the electron microscope laboratory. Therefore, the design of image processing-based computer vision for tool wear monitoring on micromilling was developed. The development process uses OpenCV feature on Python. The process begins with gathering the images of the new tool and the broken tool using Dino-Lite with exactly the same image properties. The images are then imported to Python and converted to HSV format (Hue, Saturation, Value). The HSV images are then given a noise reduction feature using Gaussian Blur to reduce the noise of the images. The HSV images that have been given the noise reduction feature are then given a color detection feature to obtain thresholding of the results of the HSV masking variable adjustment. The thresholding results are the given an image Canny feature as the contour area detection from the thresholding results. Afterwards, the face area value of the new tool and the broken tool will be displayed. These two values will be compared and generate the tool wear percentage. The experiment that the authors has done is to make variations in noise reduction variables using gaussian blur, the given gaussian blur values are 0, 1, 3, 5, 7, 9, 11, 13, 15 dan 17 (only 0 and odd numbers of the gaussian blur value can only be added). The data that be obtained are not complete due to the unsupported image condition, however, in the presence of the gaussian blur, could support the documentation process. At the end, the results show that the tool area on the images are more potential to be detected due to the increasing number of gaussian blur value."

""This book brings together various research methodologies and trends in emerging areas of application of computer vision and image processing for those interested in the research developments of this rapidly growing field"--"

"

Pengembangan algoritma untuk kendali quadrotor semakin masif dilakukan oleh peneliti diseluruh dunia. Sama seperti manusia yang melihat dan kemudian dapat mendekati dan menyentuh suatu obyek, penelitian ini juga diarahkan untuk menciptakan prinsip yang sama yang kami sebut sebagai Image Loop Control (ILC). Proses pendeteksian objek memanfaatkan kecerdasan buatan YOLOv8 (AI deep learning) sebagai state-of-the-art pada dunia pendeteksian objek kecil membawa performa pendeteksian objek kecil ke tingkat yang lebih tinggi dengan inovasinya yang revolusioner. Penerapannya di quadrotor diharapkan dapat memungkinkan tingkat otonomi pada otomasi quadrotor melalui image loop control tersebut. Di dalam ILC tetap digunakan kendali Proporsional dan Differensial (PD) untuk mengendalikan gerak pada tiap sumbu gerakan. Skripsi ini melaporkan gerak yaw yang dilakukan oleh quadrotor sebagai respon dari deteksi obyek oleh YOLOv8. Pada proses validasi hasil pelatihan dataset, sebesar 96% gambar pintu tertutup terdeteksi sebagai close, 94% gambar pintu terbuka terdeteksi sebagai open, dan 87% gambar pintu setengah terbuka terdeteksi sebagai semi. Hasil proses image loop control respon kontroler PD di sumbu yaw, memiliki rata-rata time delay sebesar 0,98 detik, rata-rata rise time sebesar 1,26 detik, dan rata-rata settling time sebesar 8,62 detik menggunakan nilai Kp = 1,2 dan Kd = 0,5.

---

The development of quadrotor control algorithm has been extensively pursued by numerous researchers around the world. Similar to how humans can look, move around, and interact with an object, this research aims to achieve the same through a principle we define as the Image Loop Control (ILC). The process of object detection using the artificial intelligence YOLOv8 (deep learning AI) as the state-of-the-art in the small object detection world has brought the performance of small object detection algorithms to a higher level thanks to its revolutionary innovation. Its implementation in a quadrotor may enhance the degree of autonomy on automated quadrotors by using an image loop control. Within the ILC framework, we use a Proportional and Differential (PD) controller to control quadrotor movements along each axis. This thesis presents the performance of yawing movements executed by the quadrotor in response to object detections identified by the YOLOv8. During the validation process of the trained dataset, the system detected 96% of closed doors accurately, 94% of open doors accurately, and 87% of semi opened doors accurately. The response of the image loop control response using a PD controller on the yaw axis resulted in an average time delay of 0.98 seconds, average rise time of 1.26 seconds, and average settling time of 8.62 seconds with the values Kp = 1.2 and Kd = 0.5."

"Klasifikasi aksi multi-objek berdasarkan video RGB aerial merupakan tantangan kompleks yang dapat berguna untuk pengembangan sistem keamanan. Terdapat dua pendekatan jaringan saraf tiruan yang umum digunakan dalam sistem pengenal berbasis kerangka, Convolutional Neural Network (CNN) dan Graph Convolutional Network (GCN). Pendekatan CNN lebih efektif dalam mempelajari fitur spatio-temporal, lebih kuat terhadap noise dalam estimasi pose, dan dapat menangani skenario multi-objek dengan komputasi yang lebih ringan. Penelitian ini meliputi pengembangan pengenal aksi manusia dengan pendeteksi spatio-temporal berbasis kerangka menggunakan pendekatan 3D Convolutional Neural Network (3D-CNN). Pendeteksi spatio-temporal memungkinkan sistem untuk mengenali tiap-tiap aksi yang simultan dilakukan oleh multi-objek dalam satu rekaman video. Percobaan dilakukan menggunakan sejumlah pre-trained dataset dan menggunakan dataset video RGB aerial primer yang dilatih terhadap model pengenal aksi berbasis video frontal, dengan menerapkan metode transfer learning. Proses tranfer learning dilakukan dengan dataset khusus untuk menghasilkan model pelatihan yang memiliki akurasi tinggi. Pelatihan memberi keluaran berupa model jaringan saraf tiruan dengan nilai akurasinya. Pengujian dilakukan menggunakan data video untuk mengetahui ketepatan model. Dari model yang diperoleh, akan dilakukan analisis terhadap keberhasilan dan keakuratan metode dalam mengenali aksi manusia.

---

Multi-object action recognition based on aerial RGB video is a complex challenge that can be useful for security system development. There are two commonly used artificial neural network approaches in skeleton-based recognition systems, Convolutional Neural Network (CNN) and Graph Convolutional Network (GCN). CNN approach is more effective in learning spatio-temporal features, more robust to noise in pose estimation, and can handle multi-object scenarios with lighter computation. This research involves developing a human action recognition with skeleton-based spatio-temporal detection using a 3D Convolutional Neural Network (3D-CNN) approach. Spatio-temporal detection allows the system to recognize each simultaneous action performed by multiple objects in a single video footage. Experiments were conducted using a number of pre-trained datasets and using a primary aerial RGB video dataset trained on a frontal video-based action recognition model, by applying the transfer learning method. The transfer learning process is performed with a specific dataset to produce a high-accuracy training model. The training outputs an artificial neural network model with its accuracy value. Testing is done using video data to determine the accuracy of the model. From the model obtained, the success and accuracy of the method in recognizing human actions will be analyzed."

"Pemantauan keausan pahat pada proses pemesinan merupakan hal yang penting. Perambatan keausan pahat yang tidak normal maupun peristiwa rusaknya pahat sebelum masa pakai dapat mempengaruhi hasil pemesinan. Pada pemesinan micro-milling, keausan pahat terjadi jauh lebih cepat dibandingkan pada pemesinan macro-milling dikarenakan efek downsizing terhadap geometri pahat itu sendiri. Untuk hal tersebut, sebuah sistem pemantauan keausan pahat dapat memberikan informasi perambatan keausan pahat agar pengguna dapat mengantisipasi kejadian-kejadian yang destruktif serta dapat mengambil keputusan lebih lanjut atas proses pemesinan yang sedang berlangsung. Pada kerja penelitian ini telah dikembangkan sebuah sistem pemantauan keausan pahat untuk pemesinan micro-milling berbasis teknologi digital twin. Sistem yang dikembangkan mampu memberikan informasi estimasi keausan pahat serta informasi ketidakpastian estimasi itu sendiri dengan memanfaatkan simulasi real-time yang dijalankan dalam digital twin. Model virtual dikembangkan berdasarkan model mekanistik dari proses micro-milling yang merupakan bagian dari pendekatan berbasis hukum fisika (physics-based). Model virtual yang dikembangkan meliputi model motor spindle, model unit pengendali (controller) spindle, dan model torsi potong. Ketika simulasi digital twin berjalan, model virtual mensimulasikan variabel-variabel yang terkait proses pemesinan micro-milling serta berinteraksi dengan beberapa variabel lain yang diperbarui (di-update) berdasarkan data real-time sensor-sensor di mesin micro-milling. Variabel tersimulasi digital twin dijadikan informasi dasar untuk dibandingkan dengan variabel yang didapat secara real-time, khususnya variabel torsi motor spindle yang kemudian ditransformasi ke ruang keausan pahat. Extended Kalman filter (EKF) digunakan sebagai salah kerangka kerja untuk mengintegrasi informasi tersimulasi dan informasi real-time untuk menghasilkan sebuah estimasi keausan pahat. Proses pemantauan keausan pahat dilakukan dengan menggunakan diagram kendali (control chart) dan kategorisasi tingkat keausan pahat untuk mengevaluasi nilai estimasi keausan pahat dan ketidakpastian estimasi itu sendiri. Eksperimen pemesinan slot micro-milling dilakukan untuk benda kerja yang terbuat dari stainless steel SUS304 dengan menggunakan pahat mikro berbahan karbida berukuran diameter 1000 µm. Dengan menggunakan empat dataset yang dihasilkan dari eksperimen, sistem pemantauan yang dikembangkan mampu menunjukkan proses perambatan keausan pahat dengan rata-rata error estimasi terbesar adalah 0.052 mm dan nilai ketidakpastian estimasi σtruth terbesar adalah ±0.04 mm untuk dua mata pahat. Untuk implementasi menggunakan EKF, rata-rata error estimasi terbesar adalah 0.038 mm dengan standar deviasi terbesar adalah ±0.031 mm untuk dua mata pahat. Kerja penelitian ini juga telah menghasilkan sebuah alat pengukur keausan pahat yang disebut MicroEye dengan metode observasi langsung (direct observation) menggunakan kamera mikroskop dan lengan robot aktif 6-DOF (degree of freedom). Dalam hal kemampuan pengambilan gambar, MicroEye mampu membawa kamera ke posisi yang ditargetkan sehingga seluruh area keausan pahat yang ingin dideteksi berada dalam ROI (region of interest) dengan tingkat keberhasilan sebesar 86.66%. Dalam hal kemampuan mencapai posisi, MicroEye memiliki error posisi sudut maksimum sebesar 0.596◦ dan error posisi linear maksimum 0.0336 cm pada arah sumbu x dan 0.767 cm pada arah sumbu y.

---

Tool wear monitoring is an essential aspect of the machining process. The tool breakage and the abnormality of tool wear progression affect the machining result. Due to the downsized tool’s geometry, the progression of tool wear in micro-milling is much faster than in macro-milling. A tool wear monitoring system helps to give information about the progression of tool wear so that the user can anticipate unwanted destructive events and make further decisions for the ongoing machining process. This dissertation presents the development of a tool wear monitoring system based on the digital twin technology for micro-milling applications. The developed system can provide the tool wear estimate and the estimation uncertainty altogether by running the real-time digital twin simulation. The virtual model was developed from the mechanistic model of the micro-milling process, which is part of a physics-based approach. The virtual model consists of the spindle motor, spindle controller, and cutting torque models. During the simulation, the virtual model simulates the variables of the micro-milling process and interacts with some of the real-time variables coming from the sensors in the micro-milling machine. The simulated variables (such as spindle motor torque) as the ground information are compared to the real-time variables in the wear space. Extended Kalman filter (EKF) is used as the framework to integrate the simulated and real-time information to estimate the wear growth. Then, the wear estimate and the estimation uncertainty are evaluated using a control chart and a categorization of wear level. The slot micro-milling experiment was conducted for SUS304 stainless steel workpiece with 1000 µm carbide micro-tool. The developed system can monitor the progression of tool wear with the largest mean of estimation error = 0.052 mm and the largest estimation uncertainty = ±0.04 mm. The implementation of EKF framework has improved the estimation accuracy with largest estimation error 0.038 mm with largest standard deviation ±0.031 mm for two cutting teeth. This dissertation also presents the result of a tool wear measurement device called MicroEye. The device uses a direct observation approach with a microscope camera as the primary sensor. The device has an active 6-DOF (degree of freedom) arm robot mechanism for motion flexibility. In terms of wear analysis, MicroEye can provide three metrics to analyze the difference between the fresh and the worn tools. In the aspect of image acquisition, MicroEye was able to bring the camera to the targeted position with the success rate 86.66% so that the ROI (region of interest) of the tool image is fully captured by the camera. In positioning, MicroEye achieved a maximum error of angular position 0.596◦, the maximum error of linear position 0.0336 cm in x-axis direction and 0.767 cm in y-axis direction."