1
SISTEM PENDETEKSI CACAT PRODUKSI PADA PRODUK BOTOL BERBAHAN GELAS Titus Andrinato 1) , Ahmad Zaini, ST.,MT 2), Dr. I Ketut Eddy Purnama, ST., MT. 3) 1) Jurusan teknik Elektro ITS Surabaya (
[email protected]) 2) Jurusan Teknik Elektro ITS Surabaya 3) Jurusan Teknik elektro ITS Surabaya(
[email protected])
ABSTRACT - Image processing is very useful in the industrial world, one in the company of glass packaging that serves as the detection of defective bottles. In a company that has been running at this time found a few defective bottles that can not be identified by inspection of existing machines so as to sort out the defective bottles are companies using the manual method. In this final project offered a way to identify and classify defects bottles by using Gabor filters. That way, glass bottles Image captured with the camera and the resulting image and the resize dinormalsasi. Further processed with Gabor filters. This method is based on the comparison of one test image with an image reference. The defective glass that will detect defects such as defective stone and blister. And with this method, the system has been designed to detect defects and defect blister stone with the percentage of success respectively 80% and 90%. I. PENDAHULUAN Quality Control atau Gugus Kendali Mutu adalah salah satu alur atau rantai dalam suatu proses produksi yang dalam akhir abad 20 mulai dijadikan standarisasi di semua bidang industri. Berbagai standarisasi mulai terdefinisikan baik itu dari nasional, regional maupun internasional. Sebagai contoh dari nasional adalah SNI (Standar Nasional Indonesia) dan untuk internasional adalah ISO (International Standart Organization). Untuk mencapai dan mendukung semua itu diperlukan gugus kendali mutu yang terus menerus harus selalu diupdate baik itu manusia maupun perangkatnya. Peran manusia tetap menjadi hal paling penting dalam melakukan proses QC (Quality Control) ; mulai dari melihat, mengukur dan membandingkan dengan contoh atau besaran yang telah disepakati dan terdefinisikan kemudian mencatat atau mendokumentasikan hasil yang didapat. Hal inilah yang seringkali terjadi kesalahan karena faktor manusia, suasana dan area kerja. Ini dapat diminimalisasi dan dioptimalkan dengan mengembangkan cara komputerisasi cara pengukuran dan database yang online dan realtime. Ketepatan dalam pengamatan dan pencatatan suatu obyek akan menjadi masalah ketika data hasil harus dimasukkan secara manual, maka untuk itu diperlukan alat ukur yang hasil penunjukkannya
secara otomatis masuk ke dalam sistem komputer dan terdatabase secara akurat. II. DASAR TEORI 2.1 Klasifikasi Jenis-Jenis Cacat 1. Critical Defect (Cacat Kritis) Suatu cacat botol yang membahayakan orang lain/pengguna dan dapat mengakibatkan kegagalan dalam fungsional. Seperti: Over Press, Bird Swing,dll 2. Major Defect (Cacat Fungsional) Suatu cacat botol yang dapat mengakibatkan kegagalan dalam proses di pelanggan. Seperti: Bent Ring, Crack Body, dll 3. Minor Defect (Cacat Rupa) Suatu cacat botol yang secara nampak/rupa kurang baik sehingga dapat mempengaruhi penampilan kurang baik. Seperti:Blister, Stone, dll Gambar cacat botol stone dan blister ditunjukkan pada gambar 2.1
a
b
Gambar 2.1 Cacat Stone (a) dan Cacat Blister (b)
2.2 FILTER CIRCULAR POLARIZING filter ini memiliki beberapa kegunaan : 1. Membuat warna lebih saturated dan kontras dan dengan demikian lebih hidup + menarik. Contoh aplikasi yang paling sering adalah membuat biru langit lebih terasa dan awan putih terasa lebih
2
2.
menonjol. Selain itu juga warna dedaunan yang lebih hijau dan bunga yang lebih berwarna. Filter ini juga sering digunakan untuk menghilangkan sebagian / seluruh pantulan dari benda non metalik, misalnya air dan kaca. Hal ini sering berguna untuk memotret danau yang airnya sangat jernih. Kadang untuk menampilkan sedikit dasar danau itu. Yang sering menghalangi adalah pantulan cahaya di permukaan danau yang membuat danau seperti cermin langit. Dengan menggunakan CPL bisa menguranginya, atau bahkan menghilangkannya.
Dapat dilihat bahwa penggunaan CPL membuat warna (terutama hijau dan biru pada foto ini) lebih menonjol karena lebih saturated dan kontras. Selain itu juga awan putih terasa lebih menonjol karena kontras dengan langit birunya. Pada intinya CPL membantu menyusun polaritas cahaya yang masuk ke lensa, dengan demikian menguatkan saturasi dan kontras dari foto. Gambar cara kerja filter Circular Polarizing ditunujukkan pada gambar 2.1.
G(x,y) = S(x,y) x W(x,y) Dimana S(x,y) merupakan bilangan kompleks sinusoida dan W(x,y) sebagai Gaussian 2D. Gabor sebagai fungsi sinusoidal didefinisikan sebagai berikut S(x,y) = exp (j(2 (
x + vo y)))
dan vo merupakan frekuensi sparsial Dimana dari koordinat kartesian sehingga persamaan dapat ditulis dalam bentuk polar koordinat sebagai berikut : ã
ø
ã
õ
÷
Dengan = dan = , adalah sudut dan adalah nilai frekuensi atau magnitude sehingga bentuknya menjadi S(x,y) = exp (j(2 (x cos + y sin ))) W(x,y) merupakan Envelope fungsi Gaussian memiliki yang memiliki bentuk umum sebagai berikut W(x,y) =
πσ
exp
σ
Sehingga rumus keseluruhan gabor filter menjadi
G(x,y) = Gambar 2.1 Filter Circular Polarizing
2.3 FILTER GABOR Fungsi Gabor pertama kali diperkenalkan oleh Denis Gabor sebagai tool untuk deteksi sinyal dalam noise. Gabor menunjukkan bahwa terdapat prinsip kuantum “quantum principel” untuk informasi. Fungsi Gabor diperoleh dari sebuah fungsi Gaussian yang diperbaiki dengan frekuensi modulasi geombang yang bervariasi. Daugman mengembangkan kerja Gabor kedalam filter dua dimensi. Filter gabor adalah filter linier yang digunakan dalam pengekstrasian fitur botol sebagai detektor ciri. Filter Gabor dikenal sebagai detektor ciri yang sukses karena memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi image, output filter Gabor pada skala spasial dan lokasi spasial telah digunakan dengan sukses untuk pengenalan botol. Gabor filter (G (x,y)) merupakan suatu kompleks sinusoida yang berkombinasi dengan gaussian envelope yang berdomain spasial dengan bentuk umum
exp exp (j(2 ( cos
x+
sin
y)))
III. DESAIN DAN IMPLEMENTASI Untuk mendapatkan hasil yang diinginkan dalam hal ini gambar botol yang bagus tanpa ada bayangan serta bias cahaya maka dibuat sebuah box yang tertutup, sehingga cahaya dari luar tidak mempengaruhi.
Gambar 3.1 Desain sistem
3
3.1 Cropping Botol yang sudah di-crop sebelumnya secara manual selanjutnya akan mulai diproses menggunakan Matlab. Dari jenis-jenis cacat botol yang akan dideteksi kebetulan kasus cacat botolnya hanya berada didaerah tertentu saja yaitu bagian body sehingga mengacu dari data tersebut, langkah selanjutnya akan meng-crop pada bagian yang terdapat cacat yaitu bagian body-nya saja. Hal ini dimaksudkan agar data yang diproses tidak terlalu besar sehingga proses computing dapat lebih cepat. seperti gambar 3.2:
START
Image Botol
Gabor
Feature Point
Feature Vector
STOP
Gambar 3. Diagram Alir
Gambar 3.2 Cropping
Lalu setelah tampil gambar botol selanjutnya menentukan bagian mana yang akan dicrop dengan menggunakan tools yang telah disediakan oleh Matlab dari ukuran image botol, yaitu 416 x 1568 menjadi 376 x 628. 3.2 Resize Dari hasil crop yang sebelumnya selanjutnya akan diresize, disini tujuannya agar gambar memiliki satu satuan ukuran yang sesuai antara satu dengan yang lain dengan mggunakan fungsi Bilinier. Disini dibuat ukuran yang sesuai ditunjukkan pada gambar 3.3 yaitu dengan melihat letak cacat gambar botolnya maka gambar yang crop bagian body dan resize menjadi ukuran yang lebih kecil yaitu dari 376 x 628 menjadi 128 x 128. Selanjutnya hasil dari normalisasi dirubah menjadi grayscale.
Image botol dengan ukuran 128 x 128 dikonvolusi dengan 40 gabor kernel, dengan = orientasi yang digunakan ada 8 yaitu (0,1,2,3,4,5,6,7) dan frekuensi yang digunakan ada 5 yaitu v = (0,1,2,3,4). Hasilnya berupa 40 fitur . Setelah image dan gabor kernel dikonvolusi maka akan menghasilkan 40 fitur. Magnitude pertama selanjutnya akan dicari nilai makimum dengan prosedur menempatkan window Wo dengan ukuran 8x8, nilai maksimum tersebut merupakan feature points yang koordinatnya akan di proyeksikan ke magnitude 2 sampai 40 untuk diambil titiknya seperti gambar 3.4.
Gambar 3. Gabor kernel
128 x 128 376 x 628
Dari fitur point tersebut di dapatkan nilainya tiap magnitude 256 titik. Jadi 1 image terdapat 256x40 titik fitur 10240 pada image. Setelah didapatkan feature points maka disusun untuk membentuk suatu feature vector seperti pada Gambar 3.5. 1
Gambar 3.3 Normalisasi
3.3 Ekstraksi filter gabor Pada tahap ini dilakukan proses ekstraksi dengan filter gabor untuk mendapatkan fitur dari image.
2
3
4
5
6
7
8
9
X1 Y1 Koefisien gabor transform Koordinat Feature points
Gambar 3. Feature Vector
41 42
4
Dari 1 image menjadi 40 gabor hasil ekstraksi, maka terdapat 42 komponen feature vector dimana 2 adalah representasi lokasi feature points dengan x,y koordinat dan 40 merupakan komponen respon gabor filter yaitu feature point . setelah di plot maka akan tampak titik seperti Gambar berikut:
Tabel .2 Pengujian Cacat Botol Stone engan Filter Gabor Gambar 1 2 3 4 5 6 7 8 9 10
Secara isual Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone Cacat Stone
Hasil Sistem Dikenali Dikenali Dikenali Tidak Dikenali Dikenali Tidak Dikenali Dikenali Dikenali Dikenali Dikenali
Dari data diatas, dari 10 jenis cacat botol stone oleh sistem hanya dikenali 8. Jadi prosentasenya: Gambar 3.6 hasil pada Image test.
è ïð
I . PENGUJIAN .1 Pengujian Pada bagian ini akan membahas pengujian dan analisis sistem yang telah dirancang.
Tabel .3 Pengujian Cacat Botol Blister engan Filter Gabor
.2 Pengujian Deteksi Botol engan filter Gabor Proses pengujian sistem dilakukan dengan melakukan training pada 3 botol dengan masingmasing memiliki 10 image test, dengan cara membandingkan nilai maksimum pada image training dengan nilai maksimum image test, selisih dari nilai terkecil merupakan hasil dari pengenalannya. Image test yang digunakan terdiri dari 3 botol dengan 10 perbedaan, jadi total 30 image.
Gambar 1 2 3 4 5 6 7 8 9 10
Secara isual Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister Cacat Blister
Tabel .1 Pengujian Botol Normal engan Filter Gabor Gambar 1 2 3 4 5 6 7 8 9 10
Secara isual Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal Botol Normal
Hasil Sistem Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali
Hasil Sistem Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Dikenali Tidak Dikenali Dikenali ç ïð
120 100
100
90
80
80 60 40 20 0 Normal
Cacat Stone
Cacat Blister
Dari data diatas, dari 10 jenis botol normal semuanya dikenali oleh sistem. Jadi prosentasenya: ïð ïð
Gambar .1 Grafik Pengujian
5
. PENUTUP Kesimpulan Dari hasil pengujian pada tugas akhir ini diperoleh kesimpulan bahwa penggunaan filter gabor untuk mendeteksi cacat botol didunia industry sangat cocok dan selanjutnya diharapkan dapat dikembangkan sistem yang lebih cepat lagi. Karena dari hasil pengujian sistem, mendapat prosentase deteksi botol sebasar 80% untuk cacat stone dan 90% untuk cacat blister. Dari data tersebut sistem yang dibuat cukup akurat. I.
DAFTAR PUSTAKA
[1] Burcu Kepenekci. Face Recognition Using Gabor Wavelet Transform. Master’s thesis, Dept of Elect.l and Electr. Eng., The Middle East Technical Univ., Sep 2001. [2] Javier R.Movellan, “Tutorial on Gabor Filters” [3] Darma Putra,” Pengolahan Citra Digital” Andi Yogjakarta, 2009.
