Perpustakaan Digital ITB

Pada tugas akhir ini dikembangkan metode deteksi objek insulator untuk sistem onboard UAV dengan model deep learning jenis single-stage CNN. Pekerjaan ini dilatarbelakangi oleh adanya metode-metode pada penelitian terkait yang kurang layak diaplikasikan pada lingkungan onboard, serta kebutuhan akan metode tersebut pada sistem navigasi otonom untuk pekerjaan inspeksi perangkat distribusi listrik. Solusi yang dibangun meliputi pengembangan arsitektur baseline YOLOv2 dengan penambahan blok SPP, penggantian fungsi regresi, serta pembatasan kedalaman filter. Hasil pengujian menunjukkan bahwa blok SPP dan fungsi regresi CIoU mampu meningkatkan akurasi JST tanpa menambah beban komputasi signifikan, sedangkan pembatasan kedalaman filter membuat model layak digunakan pada sistem onboard. Kesimpulan yang ditarik adalah model JST dengan kedalaman filter terbatas, meskipun dengan jumlah lapisan yang tinggi lebih relevan untuk digunakan pada onboard UAV. Hal ini dibuktikan dengan penggunaan SFYOLO dengan beban komputasi 3.842 BFLOP, yang 29% lebih ringan dari YOLOv3-tiny dan 86% lebih ringan dari arsitektur CNN rancangan meskipun memiliki 46 lapisan konvolusi. Dengan nilai AP50 di atas 0.9, SF-YOLO dapat digunakan untuk subsistem navigasi di atas 30 FPS maupun inspeksi dengan perantara perbaikan bounding box apabila diaplikasikan pada perangkat onboard dengan edge GPU.