Oleh: Mochammad Haldi Widianto

 

Penerapan Computer Vision Untuk Teknologi di  Masa Depan

Computer Vision yang membahas bagaimana komputer dapat dibuat untuk mendapatkan pemahaman tingkat tinggi dari gambar atau video digital. Dari perspektif teknik, bidang ini berupaya mengotomatiskan benda yang dapat dilakukan oleh sistem pengelihatan manusia.”Penglihatan komputer berkaitan dengan ekstraksi otomatis, analisis, dan pemahaman informasi yang berguna dari satu gambar atau urutan gambar. Ini melibatkan pengembangan dasar teoritis dan algoritmik untuk mencapai pemahaman visual otomatis .” Sebagai disiplin ilmu, penglihatan komputer berkaitan dengan teori di balik sistem buatan yang mengekstraksi informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari pemindai medis.

Pada akhir 1960-an, Computer Vision  dimulai di universitas yang merintis kecerdasan buatan. Teknologi ini dimaksudkan untuk meniru sistem pengelihatan manusia, sebagai batu loncatan untuk memberkahi robot dengan perilaku cerdas. Pada tahun 1966, diyakini bahwa ini dapat dicapai melalui proyek musim panas, dengan menempelkan kamera ke komputer dan membuatnya “menggambarkan apa yang dilihatnya”.

Apa yang membedakan Computer Vision dari bidang pengolahan gambar digital yang lazim pada waktu itu adalah keinginan untuk mengekstraksi struktur tiga dimensi dari gambar dengan tujuan mencapai pemahaman adegan penuh. Studi di tahun 1970-an membentuk fondasi awal untuk banyak algoritma visi komputer yang ada saat ini, termasuk ekstraksi tepi dari gambar, pelabelan garis, pemodelan non-polihedral dan polihedral, representasi objek sebagai interkoneksi dari struktur yang lebih kecil, aliran optik, dan estimasi gerak.

Dekade berikutnya ditandai dengan studi berdasarkan analisis matematika yang lebih ketat dan aspek kuantitatif dari penglihatan komputer. Ini termasuk konsep matematika skala-ruang, inferensi bentuk dari berbagai isyarat seperti bayangan, tekstur dan fokus, serta model kontur yang dikenal sebagai snake. Para peneliti juga menyadari bahwa banyak dari konsep-konsep matematika ini dapat diperlakukan dalam kerangka optimisasi yang sama seperti regularisasi dan bidang acak Markov.

Pada 1990-an, beberapa topik penelitian sebelumnya menjadi lebih aktif daripada yang lain. Penelitian dalam rekonstruksi 3-D proyektif menyebabkan pemahaman yang lebih baik mengenai kalibrasi kamera. Dengan munculnya metode optimasi untuk kalibrasi kamera, disadari bahwa banyak ide yang telah dieksplorasi dalam teori penyesuaian bundel dari bidang fotogrametri. Ini mengarah pada metode rekonstruksi 3-D dari beberapa gambar. Kemajuan dibuat dalam masalah korespondensi stereo padat dan teknik stereo multipandang yang lebih maju. Pada saat yang sama, variasi potongan grafik digunakan untuk menyelesaikan segmentasi gambar. Dekade ini juga menandai pertama kalinya teknik pembelajaran statistik digunakan dalam praktik untuk mengenali wajah dalam gambar (lihat Eigenface). Menjelang akhir 1990-an, perubahan signifikan terjadi dengan meningkatnya interaksi antara bidang grafis komputer dengan penglihatan komputer. Ini termasuk rendering berbasis gambar, perubahan gambar, interpolasi tampilan, jahitan gambar panorama dan rendering bidang cahaya awal. Perkembangan terkini ditandai dengan kebangkitan metode berbasis fitur, digunakan bersama dengan teknik pembelajaran mesin dan kerangka kerja optimasi yang kompleks

Gambar 1. Aplikasi Computer Vision

 

1. Penerapan untuk mengukur kualitas tomat

Obyek penelitian yang digunakan sederhananya adalah buah tomat dengan varitas di kota Bandung diperoleh dari supermarket dengan 4 (empat) kelas kemasakan menurut USDA (1976) green, pink, light red, dan red. Buah yang sudah dicuci dan dikeringkan kemudian diletakkan dalam ruang bersuhu kamar 27°C selama 24 jam untuk dianalisis pada hari berikutnya.

Penelitiannya hanya menggunakan dua tahap, yaitu pembuatan instrumen penangkap citra dan pembuatan perangkat lunak untuk menentukan kualitas tomat berdasarkan parameter citra dan jaringan syaraf tiruan. CVS yang dibangun terdiri dari (1) kotak untuk meletakkan obyek dan menangkap citra, (2) webcam untuk mendapatkan gambar dalam format digital, (3) sumber cahaya yang berasal dari lampu Light Emitting Diode (LED) sepanjang 5 meter dan 4 (empat) buah lampu TL masing-masing berdaya 8W, (4) komputer untuk menyimpanan gambar dan mengolah data, berikut monitor untuk menampilkan citra, dan (5) analisis citra yang dilengkapi dengan jaringan syaraf tiruan (JST) untuk menentukan kualitas tomat.

2. Toko Toko Retail

Computer Vision telah membuat gebrakan di industri ritel. Amazon Go store membuka pintunya untuk pelanggan pada 22 Januari 2018. Ini adalah toko sebagian otomatis yang tidak memiliki kasir. Dengan memanfaatkan Computer Vision, dan fusi sensor, pelanggan dapat keluar dari toko dengan produk-produk pilihan mereka dan dikenakan biaya untuk pembelian mereka melalui akun Amazon mereka. Teknologi ini belum 100% sempurna, karena beberapa uji resmi teknologi toko menunjukkan bahwa beberapa item tidak dimasukkan dalam tagihan akhir. Namun, ini adalah langkah yang sangat baik.

Gambar 3. Amazon GO

Baca Juga: Computer Aided Design

3. Pada Industri Kesehatan

Dalam layanan kesehatan, Computer Vision berpotensi membawa beberapa nilai yang sangat valid. Meskipun komputer tidak sepenuhnya menggantikan tenaga kesehatan, ada kemungkinan untuk melengkapi diagnostik rutin yang membutuhkan banyak waktu dan keahlian dokter secara signifikan pada diagnosis akhir. Dengan cara ini komputer berfungsi sebagai alat bantu bagi tenaga kesehatan.

Misalnya, Gauss Surgical memproduksi monitor darah real-time yang memecahkan masalah pengukuran kehilangan darah yang tidak akurat selama cedera dan operasi. Monitor dilengkapi dengan aplikasi sederhana yang menggunakan algoritma yang menganalisis gambar spons bedah untuk memprediksi secara akurat berapa banyak darah yang hilang selama operasi. Teknologi ini dapat menghemat dana dalam kebutuhan transfusi darah yang tidak perlu setiap tahun.

Salah satu tantangan utama yang dialami sistem layanan kesehatan adalah jumlah data yang diproduksi oleh pasien. Diperkirakan bahwa data terkait perawatan kesehatan meningkat tiga kali lipat setiap tahun. Proyek Microsoft InnerEye sedang berupaya menyelesaikan bagian dari masalah itu dengan mengembangkan alat yang menggunakan AI untuk menganalisis gambar radiologis tiga dimensi. Teknologi ini berpotensi membuat proses 40 kali lebih cepat dan menyarankan perawatan yang paling efektif.

Gambar 4. Industri Kesehatan

Referensi

https://id.wikipedia.org/wiki/Pengelihatan_komputer

Rudiati Evi Masithoh1, Budi Rahardjo1, Lilik Sutiarso1 , Agus Hardjoko2, “PENGEMBANGAN COMPUTER VISION SYSTEM SEDERHANA UNTUK MENENTUKAN KUALITAS TOMAT”, Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian, Universitas Gadjah Mada, Jl. Flora No 1, Yogyakarta 55281

Computer Vision Applications Examples Across Different Industries