Perpustakaan Digital ITB

Deteksi dan klasifikasi objek merupakan salah satu sub bidang yang ramai dalam pengolahan gambar berbasis deep learning. Banyak model deep learning yang sudah terbukti akurasi dan performanya seperti faster R-CNN, YOLO, SSD. Banyak hal yang mempengaruhi kualitas gambar seperti pencahayaan atau adanya noise. Oleh karena itu, model pengolahan citra harus robust sehingga dapat mendeteksi objek dalam keadaan apapun. Adanya noise bintik air dan efek blur akibat air hujan pada gambar membuat gambar menjadi tidak jelas. Kurangnya cahaya juga menyebabkan garis antara objek dan latar belakang menjadi tidak jelas. Chia-Chi dalam peneletiannya menyebutkan bahwa model nya yang berbasi Faster R-CNN memiliki akurasi yang bagus, namun akurasi menurun pada kondisi hujan. Pada tugas akhir ini dilakukan adaptasi dari YOLOv4 agar dapat membuat model yang lebih akurat dalam deteksi objek dalam kondisi samar (hujan dan kurangnya cahaya). Model pertrained YOLOv4 akan dilakukan transfer learning dengan menggunakan dataset khusus dalam kondisi hujan dan kurangnya cahaya. Objek yang dideteksi dibatasi hanya 4 objek yaitu mobil, bus, truk, dan manusia. Hasil Eksperimen menunjukan model hasil memiliki nilai mAP sebesar 55.49%. Selain itu jika dibandingkan dengan model YOLOv4 asli, model hasil memiliki akurasi yang lebih baik dalam mendeteksi objek dalam kondisi hujan dan kurang cahaya.