IMPLEMENTASI METODE DEEP LEARNING PADA SISTEM DETEKSI CACAT LAS MENGGUNAKAN DEPTH CAMERA

SHINTA, ARI (2025) IMPLEMENTASI METODE DEEP LEARNING PADA SISTEM DETEKSI CACAT LAS MENGGUNAKAN DEPTH CAMERA. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0921040048 - Ari Shinta - Implementasi Metode _i_Deep Learning__i_ pada Sistem Deteksi Cacat Las Menggunanakan _i_Depth Camera__i_.pdf Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Deteksi cacat las merupakan langkah penting untuk menjamin kualitas dan keselamatan struktur, terutama pada pipa baja karbon di sektor industri minyak dan gas. Penelitian ini bertujuan mengembangkan sistem inspeksi visual otomatis berbasis deep learning dengan membandingkan arsitektur YOLOv8 dan CNN-CBAM yang dilatih menggunakan dataset citra hasil pengelasan dengan empat kelas: normal, porosity, undercut, dan excessive reinforcement. Sistem dilengkapi dengan estimasi kedalaman berbasis edge profile yang divalidasi dengan welding gauge. Hasil pengujian menunjukkan YOLOv8 mencapai akurasi hingga 97,5% tetapi hanya menghasilkan kecepatan sekitar 0,45 FPS, sedangkan CNN-CBAM memberikan akurasi 95% dengan kecepatan 10,45 FPS. Meskipun CNN-CBAM lebih optimal dibandingkan YOLOv8, kedua model masih belum memenuhi standar minimal 30 FPS untuk pemrosesan video real-time, kemungkinan disebabkan oleh penggunaan CPU dan kompleksitas model. Estimasi kedalaman menunjukkan error masih dalam batas wajar kecuali pada cacat kecil seperti undercut. Penelitian ini membuktikan integrasi deep learning dan depth estimation berpotensi menggantikan inspeksi manual secara lebih efisien dan presisi, dengan catatan diperlukan optimasi lebih lanjut pada FPS agar sistem dapat diimplementasikan secara real-time.

Actions (login required)

View Item