Perpustakaan Digital ITB

Sistem pengenalan objek visual konvensional pada kendaraan udara nirawak (unmanned aerial vehicle/UAV) dalam misi pencarian dan penyelamatan (search and rescure/SAR) rentan terhadap penfurunan kinerja dalam kondisi cuaca buruk dan pencahayaan yang kurang baik. Untuk mengatasi keterbatasan ini, pencitraan gelombang mikro (microwave imaging) menghadirkan alternatif yang kuat karena kemampuan penetrasinya yang dalam. Penelitian ini mengusulkan kerangka kerja pengenalan objek lokal yang ditujukan untuk aplikasi drone menggunakan sensor pulsed coherent radar (PCR) Acconeer XM112 yang beroperasi pada 60,5 GHz. Saat melakukan scanning, sistem harus dapat mengenali apakah objek yang telah dipindai merupakan bentuk ‘SOS’ atau tidak. Hal ini agar drone dapat mengenali landing pad—yang memiliki tulisan konduktif ‘SOS’ dan digelar oleh korban yang hilang—dan melakukan pendaratan pada landing pad tersebut untuk mengantarkan pertolongan dan mengirimkan koordinat lokasi ke ground station. Sistem pada penelitian ini bekerja dengan melakukan scanning menggunakan modul sensor Acconeer pada bentuk ‘SOS’ yang dibuat, mengolah data mentah yang direkam oleh sensor menjadi citra, dan memasukannya ke dalam model convolution neural network (CNN) yang dilatih untuk melakukan klasifikasi apakah citra input merupakan citra ‘SOS’. Dibuat modul yang berfungsi untuk mengolah data mentah output dari sensor dari bentuk format H5 yang terdiri atas data amplitudo, jarak, timestamp, dan parameter-parameter radar lainnya menjadi citra dalam bentuk matriks. Sensor Acconeer tersebut memiliki half-power beamwidth (HPBW) yang relatif lebar—sekitar 70°—sehingga berpengaruh pada kualitas citra yang dipindai. Untuk mengatasi HPBW yang lebar tersebut, didesain lensa berbahan material dielektrik polylactic acid (PLA) padat yang diintegrasikan untuk memfokuskan berkas elektromagnetik lensa. Untuk mengevaluasi kinerja lensa terhadap kualitas citra yang dihasilkan, dilakukan uji coba scanning dengan dua parameter: status lensa dielektrik terintegrasi (tanpa atau dengan lensa) dan jenis penghalang huruf ‘SOS’ (tanpa penghalang, dedaunan gugur, atau styrofoam). Untuk menguantisasi kemiripan masing-masing citra dengan ‘SOS’ ideal, dibuat modul pembanding menggunakan citra ‘SOS’ ideal yang diekstrak dari file PNG. Perbandingan tersebut dihitung menggunakan metode peak signal-to-noise ratio (PSNR). Hasil menunjukkan PSNR dengan rentang 8,096–12,76 dB, dengan PSNR terendah pada citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur. Untuk kecerdasan objek, sebuah model CNN ringan dirancang dan dioptimalkan untuk penerapan Tiny Machine Learning (TinyML) pada mikrokontroler ESP32. Model dilatih pada kombinasi data scanning empiris dan matriks amplitudo sintetis untuk mengenali pola ‘SOS’. Pembuatan dan pelatihan model CNN meliputi pembuatan modul Python yang berfungsi untuk membuat data sintetis yang digunakan sebagai data latih, mendefinisikan arsitektur model CNN, dan melakukan validasi model menggunakan citra hasil scanning. Setelah data mentah H5 yang diambil diolah menjadi matriks, dilakukan tes recognition menggunakan model CNN yang sudah dilatih. Hasil menunjukkan huruf ‘SOS’ berhasil dikenali untuk semua kombinasi parameter, dengan rentang tingkat keyakinan 89,93–100%, kecuali untuk citra dengan parameter tanpa lensa dan jenis penghalang dedaunan gugur, yang memiliki tingkat keyakinan 7,35% sebagai antisipasi klasifikasi yang bersifat false positive. Sistem tertanam ini berhasil mengeksekusi inferensi real-time di tepi jaringan. Integrasi ini menunjukkan subsistem microwave imaging berdaya rendah yang mampu melakukan pengenalan bentuk ‘SOS’ sehingga menyediakan fondasi subsistem yang tahan terhadap gangguan jarak pandang untuk misi SAR.