Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Pada tahun 2013, Badan Pusat Statistik mencatat bahwa telah terjadi 100.106 kasus kecelakaan lalu lintas di Indonesia. Sebagian besar kecelakaan disebabkan oleh faktor manusia, yaitu mengantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi blur, Canny dan kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi blur, canny dan kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Performa sistem pendeteksi kantuk diuji melalui empat variabel, yaitu kernel size, nilai threshold, perbedaan kondisi pencahayaan dan karakteristik mata. Berdasarkan hasil pengujian, kernel size terbaik untuk mendeteksi mata adalah (4,4). Selain itu, nilai threshold terbaik untuk lower threshold dan upper threshold adalah 70-110 dan 210-240. Perbedaan kondisi pencahayaan (pagi, siang, sore dan malam) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 20%. Karakteristik mata (berkacamata dan tidak berkacamata) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 16,7%.

---

ABSTRACT

In 2013, Badan Pusat Statistik (Statistics Indonesia) recorded that 100.106 cases of traffic accident have occured in Indonesia. Mostly caused by human error, i.e. drowsiness. Drowsiness detection system is developed to respond this situation. Drowsiness detection system is built through OpenCV library by combining the Haar Cascade Classifier algorithm with blur, canny and contour function. Haar Cascade Classifier was used to detect areas of face and eyes whereas the combination of blur, canny and contour function is used to detect the driver’s eyes and analyze the open or closed driver’s eyes. The performance of drowsiness detection system was tested through four variables; kernel size, threshold value, lighting condition (morning, noon, afternoon and night) and eye’s characteristic (eyeglasses or not). Based on the experiments, the best kernel size to detect the driver’s eyes is 4,4. Then, the best lower threshold and upper threshold are 70-110 and 210-240. Subsequently the light conditions has a 20 % error rate to the system. The eye’s characteristic has a 16,7 % error rate to the system.

"

"Salah satu masalah yang sering muncul dalam dunia fotografi adalah efek blur yang dapat diakibatkan baik oleh objek yang bergerak maupun gerakan kamera yang berhubungan dengan kecepatan rana (shutter speed) ketika gambar akan diambil. Paper ini menyajikan sebuah metode baru yang sederhana untuk mendeteksi kemunculan distorsi blur yang tidak diinginkan pada gambar digital. Metode yang diusulkan menggunakan transformasi discrete cosine transform (DCT) pada gambar yang telah mengalami distorsi dengan ukuran blok DCT yang bervariasi. Hasil dari pendeteksian ini kemudian digunakan untuk meningkatkan kualitas gambar melalui metode debluring berdasarkan korelasi pixel yang diterapkan pada area tertentu pada gambar yang mengandung distorsi blur ini. Hasil eksperimen menunjukkan bahwa kualitas gambar yang disempurnakan dihasilkan oleh metode debluring secara selektif menggunakan deteksi distorsi blur lokal akan lebih baik daripada yang tidak melalui proses seleksi. Dari berbagai ukuran blok yang digunakan dalam percobaan, blok berukuran 32×32 piksel menghasilkan kualitas gambar yang secara umum lebih baik.One of the problems that often arise in photography is a blurring effect that can be caused either by a moving object or camera movements that associated with the shutter speed when the picture is taken. This paper presents a simple new method for detecting the appearance of unwanted blur distortion in digital images. The proposed method uses the transformation of Discrete Cosine Transform (DCT) on the image that has been distorted with varying DCT block size. The results of the detection used to improve image quality through debluring method based on pixel correlation that applied to certain areas of the image that contains this blur distortion. The experimental results show that the enhanced picture quality produced by the method of selectively debluring using a local blur distortion detection is better than not through the selection process. From various block sizes used in the experiments, the block size of 32×32 pixel generates better picture quality."

"Multichannel Blind Deconvolution digunakan dalam restorasi citra karena pada kenyataannya statistik citra asli dan fungsi blur (point spread function) tidak selalu diketahui dengan pasti. Semakin banyak informasi tentang citra asli dan fungsi blur maka restorasi citra akan semakin baik, oleh karena itu diperlukan suatu cara yang mampu mendeteksi citra asli sebaik mungkin dan menggali sebanyak mungkin informasi fungsi blur (PSF) untuk peningkatan kualitas restorasi citra.Metode MBR telah dikembangkan dengan menggunakan cross-correlation antara citra-citra terdegradasi dengan filter bank restorasi, yaitu melakukan restorasi langsung dari citra terdegradasi ke filter bank restorasi. Hasil restorasi pada metode ini sangat sensitif terhadap pergeseran titik piksel dari tiap citra terdegradasi, apalagi dengan adanya noise akan lebih sulit untuk mendapatkan citra berkualitas baik. Di lain pihak, metode identifikasi kanal jamak secara blind (multichannel blind identification ) sinyal satu dimensi digunakan untuk mengestimasi statistik kanal dalarn proses equalisasi dan temyata sangat efektif untuk mendapatkan sinyal asli jika statistik kanal dan citra asli tidak diketahui. Penelitian ini menggabungkan teknik MBD dan estimasi fungsi blur (PSF) dengan metode multichannel blind identification untuk mengatasi sensitifitas metode MBR dan meningkatkan kualitas citra restorasi. Dari hasil penelitian menunjukkan bahwa metode ini menghasilkan kualitas hasil restorasi yang lebih baik dibandingkan metode MBD. Kualitas citra juga dipengaruhi oleh ukuran fungsi blur dan level noise.

---

Multichannel Blind Deconvolution (MBD) is used in image restoration because in reality original image statistic and blur function (point spread function) is not always known. More information about original image and blur function then image restoration will be better, for that reason we need a way to detect original image as good as possible and find blur function information (PSF) to increase image restoration quality.

MBR method has been developed using cross-correlation between degraded images with restoration filter bank, which is direct restoration from degraded image to restoration filter bank. Restoration result in this method is very sensitive to pixel shifting from each degraded image, even more with the existence of noise will be difficult to get good quality image. On the other side, multichannel blind identification 1-D signal method is used to estimate channel statistic in equalization process and it's very effective to find original signal it channel statistic and original image unknown.

This research combines MBD technique and blur function estimation (PSF) with multichannel blind identification method to overcome MBR method sensitivity and increase image restoration quality. The research result show that this method yields a better restoration result quality then, MBD method. The image quality is also affected by blur function size and noise level."

"Hasil rekaman kamera ponsel rentan memiliki blur terutama jika ada objek bergerak seperti rekaman bahasa isyarat. Hal tersebut membuat usaha untuk melakukan interpretasi bahasa isyarat pada rekaman kamera ponsel menjadi terhambat karena terjadi blur pada bagian tangan peraga bahasa isyarat. Penelitian ini berusaha melakukan perbaikan hasil rekaman peragaan bahasa isyarat yang direkam dengan kamera ponsel menggunakan partial deblur dan DeblurGANv2. Partial Deblur adalah metode deblur yang dikembangkan dalam penelitian ini untuk menghindari melakukan deblur pada bingkai utuh melainkan hanya melakukan deblur pada bagian bingkai yang blur karena pergerakan objek (partial) demi mengurangi waktu deblur. Partial Deblur bekerja dengan mencari partial berdasarkan pergerakan dari dua buah bingkai berdekatan dalam satu sekuens bingkai yang sama. Partial yang telah didapatkan kemudian dilakukan deblur menggunakan DeblurGANv2 dengan pretrained model. Setelah Partial Deblur selesai dikembangkan, performanya dibandingkan dengan deblur bingkai utuh menggunakan DeblurGANv2. Performa yang dibandingkan adalah peningkatan skor blur, waktu yang dibutuhkan untuk deblur, dan analisis subjektif hasil deblur kedua metode. Hasil eksperimen menunjukkan bahwa Partial Deblur berhasil mendapatkan partial yang berisi bagian bingkai yang blur karena pergerakan objek dan peningkatan skor blur bingkai dari deblur bingkai menggunakan DeblurGANv2 hampir sama dengan peningkatan skor blur partial dari Partial Deblur. Selain itu, waktu rata-rata yang dibutuhkan Partial Deblur untuk memproses suatu sekuens hanya 1/8 kali dari pada menggunakan deblur bingkai dengan DeblurGANv2. Namun, hasil analisis subjektif terhadap hasil deblur menunjukkan bahwa DeblurGANv2 yang digunakan untuk melakukan deblur partial dalam metode partial deblur dan deblur bingkai belum berhasil memperbaiki bagian yang blur karena pergerakan objek.......Video recordings of smartphone cameras are susceptible to blur, especially if exist a fast-moving object like sign language video recordings. Blurs in the area of hands of sign language demonstrator will result in inaccuracies when in the attempt of sign language interpretation using the developed smartphone app. This study tries to improve the results of the sign language demonstration recorded with a smartphone camera using Partial Deblurring and DeblurGANv2. Partial Deblurring is a deblurring method that was developed in this research to avoid doing deblur on the whole frame but only doing deblur parts of the frame that is blurry due to object movement (partial) in order to reduce time cost. Partial Deblurring works by finding partials based on the movement of two adjacent frames in the same frame sequence. Partials that have been obtained are then deblurred using DeblurGANv2 with a pretrained model. After Partial Deblurring has been developed, its performance is compared to full-frame deblurring using DeblurGANv2. The performance compared is the increase in the blur score (using variance of laplacian), time cost for deblur, and subjective analysis of the results of the deblur of the two methods. The experimental results show that Partial Deblurring managed to obtain partials that contain parts of the frame that is blurred due to object movement, and the increase of blur score in the area being deblurred is almost the same as that of full-frame deblurring. In addition, the average time required for Partial Deblurring to process a sequence of frames is only 1/8 times that of using full-frame deblurring. However, the results of the subjective analysis show that the DeblurGANv2 used to perform deblurring in the Partial Deblurring and full-frame deblurring methods has not succeeded in correcting the blurred parts where extreme movements happen."

"Orchid is a beautiful flowers and grows in the different area depend on the origin habitat. Phalaenopsis is one of the orchid family, grown in the humid area. Temperature, humidity and intensity are very important for phalaenopsis life. Controling automitacally will make it easy for the phalaenopsis farmer. With Microcontroller for controling the sensor devices, the system make it error 0.44% for temperature and 0% for time schedule to open the roof."