Estimasi dan Metode Penghitungan Ukuran Rebar Baja Berbasis Gambar

Februari 4th, 2022

Metode yang diusulkan, yang merupakan model CNN yang dikombinasikan dengan homografi, dapat memperkirakan ukuran dan menghitung jumlah tulangan baja dalam gambar dengan cepat dan akurat, dan metode yang dikembangkan dapat diterapkan ke lokasi konstruksi nyata untuk mengelola stok tulangan baja secara efisien. .

By Yoonsoo Shin

Departemen Teknik Arsitektur, Sekolah Tinggi Teknik, Universitas Dankook, Korea

Dan Sekojae Heo

Departemen Teknik Arsitektur, Sekolah Tinggi Teknik, Universitas Dankook, Korea

Dan Sehee Han

Departemen Teknik Arsitektur, Sekolah Tinggi Teknik, Universitas Dankook, Korea

Abstrak

Secara konvensional, jumlah tulangan baja di lokasi konstruksi dihitung secara manual oleh pekerja. Namun, praktik ini menimbulkan beberapa masalah: lambat, padat sumber daya manusia, memakan waktu, rawan kesalahan, dan tidak terlalu akurat. Akibatnya, metode baru untuk menghitung tulangan baja dengan cepat dan akurat dengan jumlah pekerja minimal perlu dikembangkan untuk meningkatkan efisiensi kerja dan mengurangi biaya tenaga kerja di lokasi konstruksi. Dalam penelitian ini, penulis mengembangkan sistem otomatis untuk memperkirakan ukuran dan menghitung jumlah tulangan baja di bale packing menggunakan teknik computer vision berbasis convolutional neural network (CNN). Kumpulan data yang berisi 622 gambar tulangan dengan total 186,522 penampang tulangan dan 409 tag poli dibuat untuk segmentasi tulangan dan tag poli dalam gambar. Gambar dikumpulkan dalam resolusi full HD 1920 × 1080 piksel dan kemudian dipotong tengah menjadi 512 × 512 piksel. Selain itu, augmentasi data dilakukan untuk membuat 4668 gambar untuk dataset pelatihan. Berdasarkan dataset pelatihan, estimasi ukuran batang baja berbasis YOLACT dan model penghitungan dengan Box and Mask lebih dari 30 mAP dihasilkan untuk memenuhi tujuan penelitian ini. Metode yang diusulkan, yang merupakan model CNN yang dikombinasikan dengan homografi, dapat memperkirakan ukuran dan menghitung jumlah tulangan baja dalam gambar dengan cepat dan akurat, dan metode yang dikembangkan dapat diterapkan ke lokasi konstruksi nyata untuk mengelola stok tulangan baja secara efisien. .

1. Pengantar

Beton bertulang adalah bahan struktural yang dominan digunakan di banyak negara karena metode konstruksinya yang relatif sederhana; kinerja ketahanan api yang unggul; ketersediaan bahan penyusunnya, antara lain tulangan, agregat, air, dan semen; dan kelayakan ekonominya, dibandingkan dengan bentuk konstruksi lainnya [1,2,3]. Beton memiliki fitur unik; kuat dalam beban tekan tetapi lemah dalam kekuatan tarik. Karena karakteristik ini, kekuatan tarik yang berlebihan pada beton menimbulkan perkembangan retakan pada permukaan struktur beton. Untuk mengatasi kinerja yang buruk ini, tulangan untuk beton disediakan oleh batang atau kawat baja yang tertanam selama pengecoran beton. Secara khusus, tulangan baja umumnya digunakan untuk tulangan beton karena koefisien muai panas beton dan baja hampir sama, dan deformasi atau regangan beton dan tulangan baja hampir sama untuk mencegah selip tulangan baja dari konkret. Pekerjaan beton menyumbang sekitar 23% dari biaya konstruksi sebuah bangunan. Selain itu, biaya material tulangan baja merupakan sekitar 28% dari total biaya material pekerjaan beton [4,5,6,7]. Oleh karena itu, tulangan baja merupakan bahan konstruksi yang signifikan dalam struktur beton bertulang karena sifat mekaniknya yang luar biasa dan proporsi biaya konstruksinya terhadap keseluruhan struktur.

Secara umum, batang baja dibuat dari pabrik baja dan diangkut ke lokasi konstruksi dalam kemasan bale. Menurut studi sebelumnya [8,9,10,11,12], jumlah batang baja harus dihitung dalam pengepakan bale sebelum meninggalkan pabrik dan setelah tiba di lokasi konstruksi. Namun, praktik mengukur tulangan baja di Korea Selatan diukur dengan berat di pabrik baja untuk meningkatkan kecepatan dan efisiensi pengirimannya. Tulangan baja yang diangkut menurut beratnya dari produsen pusat distribusi ditebar di lokasi konstruksi. Di lokasi konstruksi, tulangan baja dibawa ke bengkel pengolahan tulangan setelah pekerja menghitung jumlah yang dibutuhkan. Meskipun penghitungan rebar manual adalah praktik umum di lokasi konstruksi, penghitungan ini memiliki beberapa kelemahan: memakan banyak sumber daya manusia, memakan waktu, dan rawan kesalahan, serta dapat menyebabkan cedera. Secara khusus, ini adalah salah satu bahan konstruksi paling berbahaya di lokasi; mereka dapat menyebabkan luka tusuk dan tetanus, mengingat bentuk tulangan baja ini panjang dan tajam di ujungnya. Akibatnya, metode baru di mana tulangan baja dapat dihitung dengan cepat dan akurat dengan jumlah pekerja minimal perlu dikembangkan untuk meningkatkan efisiensi kerja dan mengurangi biaya tenaga kerja di lokasi konstruksi.

Dalam penelitian ini, penulis mengembangkan sistem otomatis untuk memperkirakan ukuran, dan menghitung, tulangan baja di bale packing menggunakan teknik computer vision berbasis convolutional neural network (CNN). Teknik yang dikembangkan menghasilkan model CNN untuk segmentasi tulangan baja dan tag poli dari kemasan bale dan satu lagi untuk mengubah gambar dengan ukuran dan perspektif yang berbeda menjadi gambar dengan tampilan depan yang sama dengan menerapkan homografi. Untuk menghasilkan model CNN, penampang tulangan baja diambil dari berbagai sudut dan perspektif, dan augmentasi data dilakukan untuk menciptakan berbagai lingkungan. Model CNN, dilatih dengan 622 gambar dengan anotasi, mampu mengekstrak koordinat poligonal dengan mengelompokkan gambar penampang dari kumpulan data tulangan baja. Selain itu, area poligon tulangan baja diubah menjadi area skala sebenarnya dengan aplikasi matriks homografi yang dihitung selama operasi homografi untuk membagi koordinat poligon dari tag poli pada pengepakan batang baja. Kami berharap bahwa penerapan sistem ini akan memungkinkan tidak hanya untuk meningkatkan efisiensi manajemen material konstruksi tetapi juga untuk mengurangi biaya tenaga kerja dalam menghitung tulangan baja. Sisa dari makalah ini disusun sebagai berikut: Bagian 2 meninjau secara singkat studi yang relevan dalam hal menghitung penelitian tentang pembelajaran mesin dan teknik visi komputer. Bagian 3 berkaitan dengan metode penelitian keseluruhan untuk segmen dan menghitung jumlah tulangan baja. Hasil tes digambarkan dalam Bagian 4. Pada bagian akhir, kesimpulan dan keterbatasan penelitian ini akan dibahas dalam penelitian lebih lanjut disajikan.

2. Pekerjaan Terkait

Secara konvensional, menghitung jumlah berbagai benda didasarkan pada penghitungan buatan tangan atau perhitungan manual oleh manusia. Namun, praktik ini disertai beberapa masalah: lambat, padat sumber daya manusia, memakan waktu, rawan kesalahan, dan tidak terlalu akurat [13,14,15,16,17]. Baru-baru ini, pembelajaran mesin (ML), sejenis kecerdasan buatan, telah muncul sebagai metode alternatif untuk menghadapi tantangan ini [18,19,20]. Secara khusus, keberhasilan Convolutional Neural Network (CNN) di banyak bidang penelitian telah digunakan karena kemampuannya yang sangat baik untuk mendeteksi dan mengelompokkan objek dari gambar visual [16,21,22,23,24]. Selain itu, kemampuan CNN untuk mempelajari fungsi non-linier dari gambar sangat penting untuk menghitung berbagai objek dari banyak objek dalam gambar. Akibatnya, teknik CNN seperti klasifikasi gambar, deteksi objek, dan segmentasi instan, yang berhubungan dengan objek dalam gambar, dengan pengembangan model dan algoritma dalam kombinasi dengan teknik pemrosesan gambar, telah digunakan untuk menghitung objek.

Penghitungan massa, sebagai area penelitian, sangat penting untuk mengadopsi model CNN untuk memperkirakan dan menghitung orang yang dikumpulkan dari gambar atau klip video. Misalnya, Wang dkk. [18] menerapkan model regresi dalam untuk menghitung orang dalam kondisi yang sangat padat dalam gambar. Metode yang ada untuk menghitung jumlah orang dengan membedakan wajah manusia atau manusia tambahan memiliki aplikasi terbatas ketika kualitas gambar kurang dari 10 piksel. Namun, metode yang disarankan, menggunakan model pembelajaran mendalam dengan sampel negatif, dapat meningkatkan ketahanan dan meminimalkan alarm palsu. Demikian juga, Walach dan Wolf [25] menggunakan model CNN yang ditingkatkan yang menggabungkan peningkatan berlapis dan pengambilan sampel selektif untuk meningkatkan akurasi penghitungan dan mengurangi waktu pemrosesan. Studi penghitungan massa telah berurusan dengan variabel seperti faktor skala, skenario latar belakang yang berbeda, dan tingkat kepadatan. Li dkk. [22] mengusulkan jaringan pengenalan pemandangan padat (CSRN) yang dapat menghitung jumlah orang dalam pemandangan yang sangat padat. Dalam penelitian ini, tulang punggung jaringan adalah model CNN dengan ekstraksi fitur 2D front-end dan CNN yang melebar untuk ujung belakang. Lapisan konvolusi yang melebar dari penelitian ini membantu menghitung orang dalam adegan yang sangat ramai. Timbangan yang tidak tepat merupakan salah satu tantangan untuk diselesaikan dalam studi penghitungan massa dan estimasi kepadatan. Untuk mengatasi kesulitan ini, banyak metode CNN baru telah disarankan, dan metrik evaluasi (Mean Absolute Error dan Mean Square Error) untuk metode baru yang disarankan ini telah diperbaiki [22]. Baru-baru ini, penelitian tentang penghitungan massa memperluas cakupan target penghitungan dari orang yang berkumpul menjadi kendaraan di jalan, tanaman jagung, dan bunga.

Demikian pula, penghitungan kendaraan adalah bidang yang sangat menerapkan metode penghitungan berbasis CNN untuk membangun sistem pemantauan lalu lintas yang cerdas untuk pengendalian dan pengoptimalan lalu lintas, saran rute tercepat, manajemen keselamatan, dan sebagainya [13,15,23,26]. Abdalwahab [26] mengadopsi Regions with convolutional neural network (R-CNN) sebagai metode deteksi objek untuk menghitung kendaraan dalam gambar jalan dan pelacak KLT untuk melacak lintasan kendaraan yang dihitung. Matahari dkk. [15] mengusulkan jaringan baru menggunakan jaringan saraf multi-channel dan multi-konvolusi untuk menghitung jumlah kendaraan langsung dari gambar CCTV. Meskipun ada keterbatasan dalam mendeteksi kendaraan dalam kondisi visual yang buruk, seperti cuaca berkabut dan kondisi cahaya redup, terlihat bahwa hasil keseluruhan mengungguli CNN kerumunan dan Model ConvNet kerumunan. Demikian pula, Gomaa et al. [23] menggunakan algoritme penghitungan kendaraan yang menggabungkan CNN dan metode pelacakan fitur aliran optik untuk meningkatkan kontrol dan manajemen lalu lintas. Algoritma ini terdiri dari tiga tahap: pengklasifikasi berbasis CNN untuk mendeteksi kendaraan, langkah analisis fitur gerak, dan pengelompokan untuk proses penghitungan yang tidak berulang. Dalam penelitian ini, mereka menunjukkan akurasi deteksi dan penghitungan rata-rata masing-masing 96.3% dan 96.8%. Selain itu, Chung et al. [27], misalnya, menghitung jumlah kendaraan dalam gambar menggunakan model CNN terlatih ke situs lain, tanpa pekerjaan pelabelan tambahan saat membangun kumpulan data pelatihan ke detektor satu tahap. Metode yang disarankan dari penelitian ini akan memungkinkan untuk meminimalkan tingkat tugas pelabelan setiap kali data gambar diubah.

Seperti dibahas di atas, ruang lingkup penelitian berbasis CNN tentang menghitung objek telah memperluas penerapannya ke berbagai bidang, dan semakin banyak penelitian yang mencoba menerapkan pembelajaran mesin untuk menghitung objek di industri konstruksi. Bidang manajemen material konstruksi dan manajemen persediaan dengan cepat menerapkan metode penghitungan berbasis CNN [8,17]. Sementara CNN memiliki kemampuan yang sangat baik untuk mendeteksi objek dalam gambar, itu juga memperlambat waktu komputasi dan mengurangi akurasi ketika lapisan semakin dalam dan ketika jumlah objek untuk dideteksi meningkat saat tulangan baja dihitung. Oleh karena itu, berbagai algoritma telah dikembangkan untuk mengurangi waktu komputasi dan meningkatkan akurasi dalam model CNN. Fan dkk. [28], misalnya, menerapkan metode CNN-DC (Distance Clustering) yang menggabungkan deteksi calon titik pusat tulangan baja menggunakan CNN, dan algoritme pengelompokan untuk mengelompokkan dan menemukan pusat tulangan baja yang sebenarnya dari pusat kandidat poin. Studi ini menunjukkan bahwa ia mencapai akurasi penghitungan tulangan baja 99.26% dan offset pusat 4.1% untuk lokalisasi pusat pada dataset tulangan baja. Demikian pula, Hernández-Ruiz et al. [12] menghitung tulangan baja dari gambar menggunakan SA-CNN-DC (Scale Adaptive-Convolutional Neural Network-Distance Clustering) untuk meningkatkan akurasi dengan sumber daya komputasi rendah, yang sering disebut sebagai salah satu tantangan dalam penelitian pembelajaran mesin. Metode yang digunakan dalam penelitian ini akan memungkinkan untuk menghitung tulangan baja terlepas dari ukurannya dan untuk menunjukkan hasil yang memuaskan dengan sumber daya komputasi rendah. Terlepas dari berbagai saran untuk mendukung penghitungan tulangan baja, ukuran tulangan baja pada gambar relatif kecil, dan akan sulit untuk membuat dataset pembelajarannya. Zhu dkk. [10] menyarankan metode augmentasi objek kecil yang disebut Sliding Window Data Augmentation (SWDA) untuk meningkatkan kinerja lokalisasi objek kecil dalam sebuah gambar. Waktu inferensi juga akan dipengaruhi oleh sumber daya komputasi dan arsitektur keseluruhan model CNN. Misalnya, Li et al. [29] mengadopsi detektor YOLOv3, yang merupakan algoritme deteksi objek satu tahap untuk deteksi dan penghitungan tulangan baja otomatis untuk akurasi tinggi dengan waktu inferensi yang lebih singkat. Model yang diterapkan melakukan pendeteksian dan penghitungan tulangan baja secara paralel dengan presisi rata-rata 99.7% dan Intersection over Union (IoU) 0.5.

3. Estimasi Ukuran dan Penghitungan Jumlah Tulangan Baja

3.1. Metode penelitian

Sementara beberapa penelitian telah mencoba menghitung tulangan dengan mengadopsi berbagai arsitektur CNN yang diusulkan untuk meningkatkan akurasi dan mengurangi waktu inferensi, mereka hanya berfokus pada penghitungan jumlah tulangan yang tepat daripada membedakan ukurannya juga, seperti yang dibahas di bagian sebelumnya. Dalam studi ini, kami mengembangkan teknik penghitungan dan estimasi ukuran rebar otomatis berdasarkan jaringan saraf convolutional (CNN) dan pemrosesan gambar untuk pengelolaan material yang efisien di lokasi konstruksi atau pabrik pembuatan rebar. Penginderaan gambar non-kontak dapat mencakup banyak objek menggunakan satu kamera dan memiliki aksesibilitas yang lebih baik daripada sensor lain, seperti ponsel. Selain itu, CCTV sudah dipasang di lokasi konstruksi untuk alasan keamanan dan keselamatan. Oleh karena itu, dimungkinkan untuk menerapkan teknologi berbasis gambar yang dikembangkan tanpa perlu memasang sensor tambahan.

Penghitungan tulangan dan estimasi ukuran masing-masing dapat dicapai dengan pembagian penampang tulangan individu dalam gambar dan rentang piksel yang ditempati oleh penampang. Oleh karena itu, akuisisi gambar yang berisi penampang, dan deteksi serta segmentasi penampang tulangan individu perlu dilakukan secara berurutan. Meskipun deteksi dan segmentasi penampang tulangan individu dapat dilakukan melalui model CNN, dua masalah lain perlu ditangani untuk melakukan penghitungan tulangan dan estimasi ukuran: (1) Faktor skala diperlukan untuk menerapkan dimensi aktual ke koordinat deteksi dan segmentasi terdiri dari koordinat piksel. (2) Dalam hal gambar diambil dari sudut miring, luas penampang dekat dan penampang jauh berbeda, bahkan untuk tulangan yang sama. Homografi berbasis visi komputer efektif dalam memecahkan dua masalah ini secara bersamaan.

Homografi adalah pemrosesan gambar yang memperoleh gambar dari sudut pengambilan gambar virtual melalui hubungan transformasi antara titik-titik yang sesuai dari dua gambar [30,31,32,33,34]. Homografi dapat mengubah perspektif gambar yang diambil dari arah miring menjadi gambar tampak depan yang diambil dari arah depan (di mana kamera menghadap objek secara langsung). Umumnya, empat titik yang sesuai dengan ukuran yang diketahui diperlukan untuk melakukan transformasi ini. Namun, tag poli dengan dimensi seragam dilekatkan pada tumpukan tulangan, dan berisi informasi seperti waktu produksi dan spesifikasi tulangan. Informasi ini digunakan dalam homografi untuk mendapatkan skala piksel dan gambar tampak depan virtual.

Proses penelitian penghitungan rebar dan estimasi ukuran terdiri dari algoritma sekuensial lima langkah, seperti yang ditunjukkan pada: Gambar 1. Pertama, model CNN dibuat menggunakan gambar yang berisi berbagai penampang rebar untuk deteksi objek dan segmentasi instance. Set data terdiri dari set data pelatihan untuk pelatihan, set data validasi untuk mencegah overfitting, dan set data uji untuk memverifikasi model yang dilatih. Kedua, citra segmentasi diperoleh dengan meletakkan citra untuk penghitungan rebar dan estimasi ukuran pada model CNN yang dihasilkan. Gambar segmentasi terdiri dari tulangan yang terdiri dari (u, v), sistem koordinat perspektif, dan setiap objek dari tag poli terdiri dari poligon. Di sini, homografi diterapkan ke seluruh gambar dengan memasukkan informasi tag poli terlebih dahulu, dan tulangan yang terdiri dari (u, v) dan objek individu dari tag poli diubah menjadi sistem koordinat (x, y) dari sistem koordinat aktual skala melalui matriks homografi. Terakhir, informasi tentang tulangan yang dikonversi, seperti jumlah jenis tulangan pada gambar dan jumlah serta ukuran tulangan untuk setiap jenis, diperoleh melalui histogram dan analisis distribusi Gaussian.

Gambar 1. Diagram alir untuk memperkirakan jumlah dan ukuran tulangan baja.

3.2. Akuisisi Gambar untuk Segmentasi Instance

Berbagai penelitian telah dilakukan pada teknik pendeteksian objek yang menyatakan jangkauan minimum area yang mengandung objek menggunakan koordinat persegi panjang dan teknik segmentasi instance yang merepresentasikan batas objek dengan poligon untuk menangani objek pada citra menggunakan model CNN.19,25,35,36,37]. Umumnya, pendeteksian objek menyatakan posisi objek menggunakan empat koordinat, sedangkan segmentasi instance menggunakan puluhan hingga ratusan koordinat untuk mewakili batas objek, tergantung pada ukuran gambar dan ukuran serta bentuk objek. Meskipun segmentasi instan dapat secara akurat mengekstrak batas objek, itu menghabiskan banyak waktu dan sumber daya komputasi dibandingkan dengan deteksi objek. Oleh karena itu, penting untuk menggunakan model CNN yang sesuai dengan tujuan tersebut.

Piksel yang ditempati oleh penampang tulangan pada gambar secara langsung terkait dengan ukuran tulangan setelah menerapkan homografi. Oleh karena itu, piksel yang ditempati oleh penampang tulangan harus disegmentasi secara akurat. Segmentasi instan tulangan individual mewakili koordinat piksel untuk tulangan yang sesuai sebagai poligon. Untuk segmentasi instance pembelajaran terawasi berbasis CNN, koordinat tepi objek target yang akan disegmentasi perlu dianotasi oleh seseorang. Pada penelitian ini, anotasi dilakukan pada citra yang berisi penampang rebar yang akan disegmentasi dan polytag dan digunakan sebagai dataset untuk menghasilkan model CNN.

Kumpulan data yang berisi 622 gambar tulangan yang diproses termasuk total 186,522 penampang tulangan dan 409 tag poli dibuat untuk tulangan segmentasi dan tag poli dalam gambar. Gambar dikumpulkan dalam resolusi full HD 1920 × 1080 piksel dan kemudian dipotong tengah menjadi 1080 × 1080 piksel. Gambar yang dipotong kemudian diambil sampelnya menjadi 512 × 512 piksel untuk meningkatkan kecepatan komputasi. Dalam kumpulan data, jumlah penampang tulangan yang ditangkap dalam satu gambar bervariasi dari sekitar 50 hingga 1000. Alat anotasi LabelMe [38] digunakan untuk menetapkan kotak pembatas tanah-kebenaran poligon ke penampang rebar, yang diperlukan untuk prosedur pembelajaran yang diawasi. Gambar 2 menunjukkan gambar mentah yang representatif dan pelabelan kebenaran dasar. Dari 622 gambar tersebut, 409 gambar mengandung poly tag, namun 213 gambar sisanya hanya berisi penampang rebar tanpa poly tag. Gambar diambil dari berbagai sudut, serta dari depan; hingga empat gambar diambil dari tumpukan tulangan yang sama. Dari 622 gambar, 498, 93, dan 31 gambar (atau 80%, 15%, dan 5% dari gambar) secara acak diklasifikasikan ke dalam rangkaian data kereta, validasi, dan pengujian. Selain itu, beberapa gambar kumpulan data uji dianotasi pada gambar asli 1920 × 1080 piksel untuk meningkatkan presisi objek kecil, seperti tulangan kurang dari D10, mengadopsi model pembelajaran mesin untuk meningkatkan akurasi dengan menurunkan kecepatan pengenalan objek.

Gambar 2. Gambar mentah representatif dengan anotasi.

3.3. Estimasi Ukuran Rebar Menggunakan Homografi

Gambar 3 menunjukkan proses penghitungan tulangan dan estimasi ukuran secara rinci, yang dilakukan setelah deteksi dan segmentasi tulangan dan tag poli selesai menggunakan model CNN. Deteksi sudut diterapkan pada tag poli yang diekstraksi dari citra segmentasi; dengan demikian, empat titik yang sesuai untuk digunakan dalam homografi diekstraksi. Tag poli yang digunakan dalam penelitian ini memiliki dimensi tetap dengan lebar dan panjang 6.5 cm × 9 cm dan dimasukkan dalam ukuran yang sama untuk semua tugas homografi. Sebuah tag poli difoto dari arah miring diubah ke arah frontal melalui homografi. Pada saat yang sama, piksel horizontal dan vertikal memiliki skala sebenarnya 6.5 ​​cm × 9 cm. Matriks homografi yang dibuat di sini diterapkan secara merata ke seluruh gambar dan tulangan individu, selain tag poli, untuk mendapatkan koordinat poligon yang terdiri dari gambar yang disusun tampak depan dan koordinat (x, y) dari skala sebenarnya.

Gambar 3. Estimasi ukuran tulangan dan proses penghitungan menggunakan tomografi.

Luas poligon yang dikonversi adalah luas penampang tulangan yang sesuai; karenanya, analisis distribusi Gaussian dilakukan pada histogram yang mewakili semua area poligon. Di sini, jumlah puncak dalam distribusi Gaussian mewakili jenis ukuran tulangan, dan nilai x , yang merupakan lokasi puncak, adalah rata-rata kelompok penampang tulangan dalam distribusi Gaussian yang sesuai. Diameter tulangan dapat dihitung melalui Persamaan (1).

dimana, d adalah diameter tulangan baja (dalam mm), dan μ adalah nilai puncak dari histogram dan analisis distribusi Gaussian. Jumlah tulangan untuk ukuran yang sesuai adalah jumlah sampel histogram dalam rentang area yang diusulkan yang disajikan dalam Tabel 1. Sampel histogram dalam rentang di luar jenis ukuran tulangan yang disimpulkan sebelumnya diklasifikasikan sebagai kesalahan yang terjadi selama pemrosesan gambar. Ini dijelaskan secara rinci dalam Bagian 4 dari makalah ini.

Tabel 1. Standar rebar di KS D3504:2021 [39] dan kisaran area yang diusulkan untuk estimasi ukuran.

Karena contoh gambar yang digunakan dalam Gambar 3 berisi dua jenis tulangan, dua puncak dihasilkan dalam analisis distribusi Gaussian. Nilai x dari dua puncak, 1 dan 2, masing-masing adalah 73.5 mm2 dan 383.2 mm2. Diameter kedua jenis tulangan tersebut masing-masing adalah 9.7 mm dan 22.1 mm. Dengan kata lain, kami dapat memastikan bahwa kedua jenis tulangan tersebut adalah tulangan D10 dan D22. Berdasarkan rentang area rebar yang diusulkan di Tabel 1, 724 tulangan dihitung untuk tulangan D10, dan 372 tulangan dihitung untuk tulangan D22.

Standar yang ada mencerminkan keterlambatan tertentu dalam kemajuan teknologi dalam pembuatan produk dengan kebutuhan pengguna yang semakin meningkat. Dalam hal tulangan, standar ISO belum diadopsi secara luas, dan standar nasional masih dominan. Dalam makalah ini, standar nasional Korea, KS D3504:2021 [39], diterapkan untuk nilai diameter dan luas sesuai dengan ukuran tulangan untuk perbandingan yang akurat dari data yang diperoleh dan hasil analisis. Karena KS D3504:2021 [39] mengacu pada standar internasional ISO 3534-1:2006 [40], dan standar nasional AS ASTM A615 [41], notasi dan ukuran tulangan serupa dengan standar internasional. Tulangan diklasifikasikan menjadi 18 jenis, dari D4 hingga D57. Standar secara kuantitatif menyajikan diameter nominal dan luas penampang nominal tulangan, dan beberapa di antaranya tercantum dalam Tabel 1. Di sini, nilai rata-rata luas penampang nominal dari dua jenis tulangan berurutan diusulkan sebagai luas perkiraan untuk menentukan ukuran tulangan yang diperoleh dari gambar. Misalnya, perkiraan luas D13 berkisar antara 99.0 hingga 162.6. Di sini, nilai minimum 99.0 adalah nilai rata-rata luas D13 (126.7 mm²) dan D10 (71.33 mm²), dan nilai maksimum 162.6 mm² adalah nilai rata-rata luas D13 (126.7 mm²) dan D16 (198.6 mm²).

4. Hasil

4.1. Pelatihan dan Evaluasi

Pada bagian ini, kami menyajikan hasil penelitian. Perangkat keras untuk pengujian algoritma menggunakan NVIDIA GeForce RTX 2080 Ti Graphics Processing Unit (GPU). kuning telur [42] digunakan untuk membuat model berbasis CNN yang dapat mensegmentasi penampang rebar dan tag poli pada gambar. Mentransfer pembelajaran berdasarkan bobot yang telah dilatih sebelumnya dari kumpulan data COCO [43] dan augmentasi data berbasis pemrosesan gambar dilakukan. Pembelajaran transfer pertama kali dilakukan pada kumpulan data besar, dan bobot yang telah dilatih sebelumnya digunakan untuk inisialisasi atau sebagai ekstraktor fitur tetap untuk tugas target baru guna meningkatkan akurasi pembelajaran. Pembelajaran transfer dilakukan dalam dua langkah: (1) Bobot yang telah dilatih sebelumnya pada dataset COCO digunakan untuk menginisialisasi modul tulang punggung dan modul pasca-pemrosesan. Hanya parameter bobot modul pasca-pemrosesan yang kemudian dioptimalkan berdasarkan dataset rangka baja. (2) Parameter bobot seluruh jaringan dipulihkan, dan disetel dengan baik menggunakan kumpulan data yang sama.

Augmentasi data bertujuan untuk meningkatkan variabilitas gambar yang sama untuk membuat model yang terlatih kuat untuk gambar yang diperoleh di lingkungan yang berbeda. Teknik kecerahan, zoom, flip, dan rotasi diterapkan secara acak sebanyak 10 kali sehingga teknik yang sama dapat diterapkan secara redundan hingga dua kali untuk sebuah gambar. Kecerahan diterapkan dalam kisaran ±40% berdasarkan HSV (rona warna, saturasi, dan nilai), dan zoom diterapkan dalam kisaran 20% dari piksel maksimum. Flip diterapkan dalam kisaran 20% dari ukuran horizontal dan vertikal, masing-masing, dan rotasi diterapkan dalam kisaran 360 ° di sekitar pusat. Rasio area dari tag poli sebelum dan sesudah augmentasi data dihitung untuk teknik ini, kecuali untuk zoom. Jika rasio menjadi lebih kecil dari satu, itu menunjukkan bahwa ada bagian dari poly tag yang rusak. Akibatnya, gambar tersebut dikeluarkan dari dataset pelatihan. Gambar 4 menunjukkan contoh dari masing-masing teknik.

Gambar 4. Augmentasi data diterapkan pada gambar.

Teknik augmentasi data diterapkan pada 498 gambar dari set data pelatihan yang telah dikonfigurasi sebelumnya, dan total 4668 gambar digunakan untuk pelatihan akhir. Sebanyak 10,000 iterasi pelatihan dilakukan pada dataset. Tabel 2 mencantumkan mAP (presisi rata-rata rata-rata) untuk setiap 500, 1000, 5000, dan 10,000 iterasi untuk dua kelas tulangan baja dan tag poli pada ambang batas IoU yang berbeda, dari 0.5 hingga 0.95. Di semua rentang IoU, mAP yang lebih besar atau sama dengan 50 diperoleh untuk Box dan Mask pada iterasi ke-1000. Selanjutnya, model dengan Kotak 52.21 dan Topeng 52.83 diperoleh pada iterasi akhir ke 10,000.

Tabel 2. mAP oleh pelatihan berbasis YOLACT.

4.2. Estimasi Ukuran Rebar dan Hasil Penghitungan

Gambar 5 menyajikan hasil empat sampel gambar dari dataset uji untuk estimasi dan penghitungan ukuran tulangan. Untuk setiap citra, citra segmentasi yang merupakan keluaran dari model segmentasi, citra homografi dengan deteksi sudut untuk poly tag, dan histogram dan plot distribusi Gaussian dicantumkan secara berurutan. Tabel 3 menyajikan hasil ini. Jumlah tulangan sebenarnya adalah jumlah anotasi yang diberi label oleh seseorang.

Gambar 5. Contoh hasil tulangan. (a) Contoh gambar pada tumpukan tulangan tipe tunggal diambil dari sudut miring. (b) Contoh gambar pada tumpukan contoh tulangan ditunjukkan pada (a) diambil dari arah. (c) Contoh gambar pada tulangan tiang yang dipasangi tag poli kecil. (d) Contoh gambar pada tumpukan dua jenis tulangan.

Tabel 3. Detail hasil sampel.

Gambar 5a,b adalah gambar yang diambil dari tumpukan tulangan ukuran D13 yang sama. Gambar 5a adalah bayangan yang diambil dari arah miring ke kanan, dan Gambar 5b adalah bayangan yang diambil dari arah depan. Rata-rata parameter Gaussian dan simpangan baku adalah =128.1 dan =10.7 in Gambar 5a dan adalah =124.5 dan =7.8 in Gambar 5B. Diameter tulangan yang dihitung menggunakan masing-masing adalah 12.77 dan 12.59, dan tingkat kesalahannya masing-masing adalah 1.7% dan 3.1%. Jadi, simpangan baku dari Gambar 5b adalah 2.9 lebih rendah dari Gambar 5B. Hasil ini menegaskan bahwa gambar yang diambil dari arah depan memiliki distribusi area yang lebih stabil.

Gambar 5c menunjukkan tumpukan tulangan D16, dan ukuran tag poli kira-kira 1/30 dari ukuran gambar. Jadi, ini adalah contoh gambar untuk kasus ketika target homografi sangat kecil. Demikian pula, sudut tag poli dikenali dalam sampel ini, dan homografi dilakukan dengan lancar. Didapatkan hasil =201.7 dengan ukuran 16.03.

Gambar 6b menunjukkan gambar yang berisi dua jenis tulangan, D10 dan D22. Dua puncak dihasilkan dalam histogram dan analisis distribusi Gaussian, dan diperoleh nilai 1=76.1 dan 2=383.2. Ukuran masing-masing jenis tulangan adalah 9.85 dan 22.09, menunjukkan estimasi yang sangat akurat.

Gambar 6. Analisis sampel di luar jangkauan area rebar. (a) Analisis histogram dan rentang kesalahan di luar rentang area tulangan D13. (b) Contoh tulangan yang diamati dalam rentang kesalahan.

Di antara empat contoh gambar, Gambar 5a menunjukkan kesalahan penghitungan tertinggi. Akibatnya, analisis dilakukan pada objek di luar jangkauan area rebar di Gambar 5a, yang merupakan tulangan yang telah diklasifikasikan sebagai kesalahan. Rentang area tulangan tulangan D13 adalah 99.0 mm2−162.7 mm. Oleh karena itu, jika area poligon tersegmentasi lebih kecil dari 99.0 mm2 atau lebih besar dari 162.7 mm2, tulangan yang sesuai tidak dikenali sebagai tulangan D13, seperti yang ditunjukkan Gambar 6a. Gambar 6b menyajikan gambar yang hanya menunjukkan tulangan dari gambar homografi yang termasuk dalam rentang kesalahan. Jika luasnya lebih besar dari 162.7 mm2, ini menunjukkan bahwa tulangan yang diproyeksikan telah terjadi karena lekukan yang tidak rata. Jika luasnya lebih kecil dari 99.0 mm2, ini menandakan bahwa ada bagian dari tulangan yang terpotong di tepi gambar atau poly tag. Dari analisis ini, disimpulkan bahwa tiang pancang harus diatur dengan rapi untuk mengurangi tingkat kesalahan penghitungan, atau bahwa gambar harus diambil dengan cara untuk memastikan semua tulangan termasuk dalam gambar.

Gambar 7 menunjukkan gambar yang estimasi ukurannya tidak dilakukan dengan benar. Gambar 7a menunjukkan kasus di mana tag poli terlepas dari tulangan atau berubah bentuk. Dalam kasus seperti itu, tag poli dapat dikenali, tetapi deteksi sudut gagal dalam banyak kasus. Bahkan ketika deteksi sudut berhasil, homografi tidak dapat dilakukan dengan benar. Gambar 7b adalah gambar di mana bagian dari tag poli terputus. Meskipun deteksi sudut dimungkinkan, homografi diterapkan dengan ukuran yang salah karena ukuran input polytag telah diatur ke 6.5 cm × 9 cm sebelumnya. Untuk Gambar 7c, orientasi tulangan dan tag poli tidak cocok karena tag poli tidak terpasang ke tulangan dengan benar. Dalam hal ini, saat pengenalan tag poli, deteksi sudut, dan homografi dilakukan dengan benar, penampang tulangan tidak sejajar dengan tampilan depan. Ketidaksejajaran ini menyebabkan perbedaan area karena perspektif, meskipun tulangan memiliki ukuran yang sama. Akibatnya, ukuran tulangan diperkirakan salah. Oleh karena itu, untuk menerapkan teknik estimasi ukuran yang dikembangkan dalam penelitian ini, harus dipasang polytag yang tidak terpotong atau berubah bentuk dengan arah yang sesuai dengan orientasi tulangan.

Gambar 7. Kasus kegagalan dalam estimasi ukuran tulangan. (a) Poly tag terlepas atau berubah bentuk. (b) Tag poli terputus. (c) Orientasi tidak cocok.

5. Kesimpulan

Tulangan baja adalah bahan konstruksi yang signifikan dalam struktur beton bertulang karena sifat mekaniknya yang luar biasa serta proporsi biaya konstruksi atas struktur yang lengkap. Meskipun penghitungan tulangan manual adalah praktik umum di lokasi konstruksi, penghitungan ini memiliki beberapa kelemahan: memakan banyak sumber daya manusia, memakan waktu, rawan kesalahan, dan mungkin merugikan. Pada penelitian ini, penulis mengembangkan sistem otomatis untuk memperkirakan ukuran dan menghitung jumlah tulangan baja dalam kemasan bale berdasarkan teknik computer vision berbasis CNN. Hasil penelitian ini menunjukkan sebagai berikut:

• Metode yang diusulkan, model CNN yang dikombinasikan dengan homografi, dapat memperkirakan ukuran dan menghitung jumlah tulangan baja dalam gambar dengan cepat dan akurat, dan metode ini dapat diterapkan ke lokasi konstruksi nyata untuk mengelola stok tulangan baja secara efisien.
• Penerapan gambar homografi dengan deteksi sudut untuk tag poli serta histogram dan plot distribusi Gaussian dapat digunakan untuk memperkirakan ukuran dan menghitung jumlah tulangan baja dari gambar dengan perspektif yang berbeda secara efektif.
• Dalam studi ini, 622 gambar yang diambil pada berbagai sudut dan yang mencakup total 182,522 tulangan baja diberi label secara manual untuk membuat dataset. Augmentasi data dilakukan untuk membuat 4668 gambar untuk dataset pelatihan. Berdasarkan dataset pelatihan, estimasi ukuran batang baja berbasis YOLACT dan model penghitungan dengan Box and Mask lebih dari 30 mAP dihasilkan untuk memenuhi tujuan penelitian ini.
• Hasil pengujian menunjukkan bahwa tingkat kesalahan maksimum untuk memperkirakan ukuran dan menghitung jumlah tulangan baja pada gambar masing-masing adalah 3.1% dan 9.6%. Sebagian besar kesalahan yang ditunjukkan dalam penelitian ini disebabkan oleh gambar tulangan baja yang ujungnya terpotong atau yang mengalami lekukan yang tidak rata.

Sementara metode yang diusulkan dalam penelitian ini menunjukkan tingkat kinerja yang dapat diterima, tingkat kesalahan dalam memperkirakan ukuran dan menghitung jumlah tulangan baja harus ditingkatkan untuk aplikasi praktis di lokasi konstruksi nyata yang rumit. Selain itu, penerapan metode yang diusulkan harus diperluas, misalnya, pada balok-H, saluran, sudut, dan pipa untuk mengelola bahan konstruksi di lokasi konstruksi secara efisien.

Kontribusi Penulis

Konseptualisasi YS, SH (Sekojae Heo) dan JK; Kurasi data YS dan SH (Sehee Han); Analisis Formal YS, SH (Sekojae Heo) dan SN; Metodologi YS, SH (Sekojae Heo) dan JK; Akuisisi Pendanaan SH (Sekojae Heo); Tulisan-draf asli YS dan SN; Administrasi proyek SH (Sekojae Heo) dan SN; Penulisan-review & penyuntingan SH (Sehee Han) dan SN Semua penulis telah membaca dan menyetujui versi naskah yang diterbitkan.

Pendanaan

Pekerjaan ini didukung oleh hibah National Research Foundation of Korea (NRF) yang didanai oleh Kementerian Pendidikan pemerintah Korea (No. NRF-2018R1A6A1A07025819 dan NRF-2020R1C1C1005406).

Pernyataan Ketersediaan Data

Data yang digunakan untuk mendukung hasil penelitian ini dicantumkan dalam artikel. Selanjutnya, beberapa data dalam artikel ini didukung oleh referensi yang disebutkan dalam makalah. Jika Anda memiliki pertanyaan mengenai data, data penelitian ini akan tersedia dari korespondensi atas permintaan.

Referensi

1. MacGregor, JG; Berat, JK Beton Bertulang: Mekanik dan Desain, edisi ke-6.; Prentice Hall Atas: Saddle River, NJ, AS, 1997; Jilid 3. [Google Scholar]
2. Na, S.; Paik, I. Penerapan Data Citra Termal untuk Mendeteksi Korosi Tulangan Pada Struktur Beton. Appl. Sci. 2019, 9, 4700. [Google Scholar] [CrossRef]
3. Kmiecik, P.; Kamiński, M. Pemodelan struktur beton bertulang dan struktur komposit dengan degradasi kekuatan beton dipertimbangkan. Lengkungan. sipil mekanisme Ind. 2011, 11, 623 – 636. [Google Scholar] [CrossRef]
4. Kaming, PF; Olomolaiye, PO; Holt, G.; Harris, FC Faktor-faktor yang mempengaruhi waktu konstruksi dan pembengkakan biaya pada proyek-proyek bertingkat tinggi di Indonesia. Batasan Kelola. Ekonomi 1997, 15, 83 – 94. [Google Scholar] [CrossRef]
5. Duggal, SK Bahan Bangunan; Routledge: London, Inggris, 2017. [Google Scholar]
6. Kodur, V.; Harmathy, T. Sifat bahan bangunan. Di Buku Pegangan SFPE Teknik Proteksi Kebakaran; Pegas: Cham, Swiss, 2016; hal.277–324. [Google Scholar]
7. Allen, E.; Ian, J. Dasar-dasar Konstruksi Bangunan: Bahan dan Metode; John Wiley & Sons: Hoboken, NJ, AS, 2019. [Google Scholar]
8. Kim, M.-K.; Thedja, JPP; Chi, H.-L.; Lee, D.-E. Klasifikasi diameter rebar otomatis menggunakan pembelajaran mesin berbasis data point cloud. otomatis Batasan 2021, 122, 103476. [Google Scholar] [CrossRef]
9. Zhang, D.; Xie, Z.; Wang, C. Penajaman Gambar Bagian Batang dan Metode Pemosisian dalam Penghitungan Batang Baja On-Line dan Sistem Pemisahan Otomatis. Dalam Prosiding Kongres 2008 tentang Pemrosesan Gambar dan Sinyal, Washington, DC, AS, 27–30 Mei 2008; Institut Insinyur Listrik dan Elektronik (IEEE): Piscataway, NJ, AS, 2008; Jilid 2, hlm. 319–323. [Google Scholar]
10. Zhu, Y.; Tang, C.; Liu, H.; Huang, P. End-Face Lokalisasi dan Segmentasi Batang Baja Berdasarkan Jaringan Saraf Konvolusi. Akses IEEE 2020, 8, 74679 – 74690. [Google Scholar] [CrossRef]
11. Ying, X.; Wei, X.; Pei-Xin, Y.; Qing-Da, H.; Chang-Hai, C. Penelitian tentang Metode Penghitungan Otomatis untuk Gambar Baja Batangan. Dalam Prosiding Konferensi Internasional 2010 tentang Teknik Elektro dan Kontrol, Washington, DC, AS, 25–27 Juni 2010; Institut Insinyur Listrik dan Elektronik (IEEE): Piscataway, NJ, AS, 2010; hal.1644–1647. [Google Scholar]
12. Hernandez-Ruiz, A.; Martínez-Nieto, JA; Buldain-Pérez, JD Steel Bar Menghitung dari Gambar dengan Pembelajaran Mesin. Elektronik 2021, 10, 402. [Google Scholar] [CrossRef]
13. Xia, Y.; Shi, X.; Lagu, G.; Geng, Q.; Liu, Y. Menuju peningkatan kualitas metode penghitungan kendaraan berbasis video untuk estimasi arus lalu lintas. Proses Sinyal. 2016, 120, 672 – 681. [Google Scholar] [CrossRef]
14. Sindagi, VA; Patel, VM Sebuah survei kemajuan terbaru dalam penghitungan kerumunan gambar tunggal dan estimasi kepadatan berbasis CNN. Pengenalan Pola. Lett. 2018, 107, 3 – 16. [Google Scholar] [CrossRef]
15. Matahari, M.; Wang, Y.; Li, T.; Lv, J.; Wu, J. Penghitungan kendaraan dalam adegan ramai dengan jaringan saraf konvolusi multi-saluran dan multi-tugas. J. komuni. Gambar Mewakili. 2017, 49, 412 – 419. [Google Scholar] [CrossRef]
16. Shen, J.; Xiong, X.; Xue, Z.; Bian, Y. Sebuah model penghitungan pejalan kaki berbasis jaringan saraf convolutional untuk berbagai adegan ramai. Hitung. Dibantu Civ. infrastruktur. Ind. 2019, 34, 897 – 914. [Google Scholar] [CrossRef]
17. Asadi, P.; Gindy, M.; Alvarez, M. A Pendekatan Berbasis Pembelajaran Mesin untuk Deteksi Tulangan Otomatis dan Kuantifikasi Kerusakan pada Gambar B-scan Dek Jembatan Beton yang Menembus Tanah. KSCE J. Civ. Ind. 2019, 23, 2618 – 2627. [Google Scholar] [CrossRef]
18. Wang, C.; Zhang, H.; Yang, L.; Liu, S.; Cao, X. Orang Dalam Menghitung Dalam Kerumunan yang Sangat Padat. Dalam Prosiding konferensi internasional ACM ke-23 tentang Multimedia, Brisbane, Australia, 26–30 Oktober 2015; Asosiasi untuk Mesin Komputasi: New York, NY, AS, 2015; hal.1299-1302. [Google Scholar]
19. Miikkulainen, R.; Liang, J.; Meyerson, E.; Rawal, A.; Fink, D.; Francon, O.; Raju, B.; Shahrzad, H.; Navruzyan, A.; Duffy, N.; dkk. Jaringan Neural Dalam yang Berkembang. Di Kecerdasan Buatan di Era Jaringan Syaraf dan Komputasi Otak; Elsevier: Amsterdam, Belanda, 2019; hal. 293–312. [Google Scholar]
20. Sam, DB; Surya, S.; Babu, RV Switching Convolutional Neural Network untuk Penghitungan Massa. Dalam Prosiding Konferensi IEEE 2017 tentang Visi Komputer dan Pengenalan Pola (CVPR), Honolulu, HI, AS, 21–26 Juli 2017; hal.4031–4039. [Google Scholar]
21. Ilyas, N.; Shahzad, A.; Kim, K. Convolutional-Neural Network Berbasis Gambar Crowd Menghitung: Review, Kategorisasi, Analisis, dan Evaluasi Kinerja. Sensor 2019, 20, 43. [Google Scholar] [CrossRef] [PubMed]
22. Li, Y.; Zhang, X.; Chen, D. CSRNet: Jaringan Neural Convolutional Dilatasi untuk Memahami Adegan yang Sangat padat. Dalam Prosiding Konferensi IEEE/CVF 2018 tentang Visi Komputer dan Pengenalan Pola, Salt Lake City， UT, AS, 18–23 Juni 2018; hal. 1091–1100. [Google Scholar]
23. Goma, A.; Abdelwahab, MM; Abo-Zahhad, M.; Minematsu, T.; Taniguchi, R.-I. Algoritma Deteksi dan Penghitungan Kendaraan yang Kuat Menggunakan Jaringan Saraf Konvolusi dan Aliran Optik. Sensor 2019, 19, 4588. [Google Scholar] [CrossRef]
24. Khaki, S.; Safaei, N.; Pham, H.; Wang, L. Wheatnet: Jaringan saraf convolutional ringan untuk deteksi dan penghitungan kepala gandum berbasis gambar throughput tinggi. arXiv 2021, arXiv:2103.09408. [Google Scholar]
25. Walach, E.; Wolf, L. Belajar berhitung dengan CNN boosting. Di Konferensi Eropa tentang Visi Komputer; Pegas: Cham, Swiss, 2016. [Google Scholar]
26. Abdelwahab, MA Pendekatan Penghitungan Kendaraan Akurat Berbasis Jaringan Syaraf Dalam. Dalam Prosiding Konferensi Internasional 2019 tentang Tren Inovatif dalam Teknik Komputer (ITCE), Aswan, Mesir, 2–4 Februari 2019; Institut Insinyur Listrik dan Elektronik (IEEE): Piscataway, NJ, AS, 2019; hal 1-5. [Google Scholar]
27. Chung, J.; Kim, G.; Sohn, K. Transferability dari Convolutional Neural Network (CNN) untuk Mengukur Kepadatan Lalu Lintas. Elektronik 2021, 10, 1189. [Google Scholar] [CrossRef]
28. Kipas angin, Z.; Lu, J.; Qiu, B.; Jiang, T.; Sebuah, K.; Josephraj, AN; Wei, C. Penghitungan batang baja otomatis dan lokalisasi pusat dengan jaringan saraf convolutional. arXiv 2019, arXiv:1906.00891. [Google Scholar]
29. Li, Y.; Lu, Y.; Chen, J. Pendekatan pembelajaran mendalam untuk penghitungan rebar real-time di lokasi konstruksi berdasarkan detektor YOLOv3. otomatis Batasan 2021, 124, 103602. [Google Scholar] [CrossRef]
30. Dubrofsky, E. Estimasi Homografi. Diplomová PRáce; Univerzita Britské Kolumbie: Vancouver, BC, Kanada, 2009; Volume 5, Tersedia online: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.186.5926&rep=rep1&type=pdf (diakses pada 1 September 2021).
31. DeTone, D.; Malisiewicz, T.; Rabinovich, A. Estimasi homografi citra dalam. arXiv 2016, arXiv:1606.03798. [Google Scholar]
32. Sukthankar, R.; Stockton, RG; Mullin, MD Presentasi yang lebih cerdas: Memanfaatkan homografi dalam sistem proyektor kamera. Dalam Prosiding Konferensi Internasional IEEE Kedelapan tentang Visi Komputer, ICCV 2001, Vancouver, BC, Kanada, 7–14 Juli 2001; Institut Insinyur Listrik dan Elektronik (IEEE): Piscataway, NJ, AS, 2002. [Google Scholar]
33. Benhimane, S.; Malis, Pelacakan dan Servoing Visual 2D berbasis E. Homografi. Int. J.Robot. Res. 2007, 26, 661 – 676. [Google Scholar] [CrossRef]
34. Malis, E.; Vargas, M. Pemahaman Lebih Dalam tentang Dekomposisi Homografi untuk Kontrol Berbasis Visi. INRIA. 2007. Tersedia online: https://hal.inria.fr/inria-00174036/ (diakses pada 1 September 2021).
35. Albawi, S.; Muhammad, TA; Al-Zawi, S. Pengertian convolutional neural network. Dalam Prosiding Konferensi Internasional 2017 tentang Teknik dan Teknologi (ICET), Antalya, Turki, 21–23 Agustus 2017; hal. 1–6. [Google Scholar]
36. Lawrence, S.; Giles, CL; Tsoi, AC; Kembali, AD Pengenalan wajah: Pendekatan jaringan saraf konvolusi. IEEE Trans. Jaring Neural. 1997, 8, 98 – 113. [Google Scholar] [CrossRef] [PubMed]
37. Lin, X.; Zhao, C.; Pan, W. Menuju jaringan saraf convolutional biner yang akurat. arXiv 2017, arXiv:1711.11294. [Google Scholar]
38. Russel, SM; Torralba, A.; Murphy, KP; Freeman, WT LabelMe: Database dan Alat Berbasis Web untuk Anotasi Gambar. Int. J. Hitung. melihat 2008, 77, 157 – 173. [Google Scholar] [CrossRef]
39. Badan Teknologi dan Standar Korea. KS D 3504: Batang Baja 2021 untuk Penguatan Beton; Standar dan Sertifikasi Korea: Seoul, Korea, 2021. [Google Scholar]
40. Organisasi Internasional untuk Standardisasi. ISO 3534-1:2006 Statistik–Kosakata dan Simbol—Bagian 1: Istilah dan Istilah Statistik Umum yang Digunakan dalam Probabilitas; Organisasi Internasional untuk Standardisasi: Jenewa, Swiss, 2016. [Google Scholar]
41. Standar ASTM. ASTM A615/A615M-20: Spesifikasi Standar untuk Batang Baja Karbon Cacat dan Polos untuk Tulangan Beton; Standar ASTM: Conshohocken Barat, PA, AS, 2020. [Google Scholar]
42. Bolya, D.; Zhou, C.; Xiao, F.; Lee, YJ Yolact: Segmentasi Instans Waktu Nyata. Dalam Prosiding Konferensi Internasional IEEE/CVF 2019 tentang Computer Vision (ICCV), Seoul, Korea, 27 Oktober–2 November 2019. [Google Scholar]
43. Lin, T.-Y.; Maire, M.; Belongie, S.; Hays, J.; Perona, P.; Raman, D.; Dolar, P.; Zitnick, CL Microsoft COCO: Objek Umum dalam Konteks. Di Visi Komputer—ECCV 2014; Armada, D., Pajdla, T., Schiele, B., Tuytelaars, T., Eds.; Pegas: Cham, Swiss, 2014. [Google Scholar]

Artikel ini awalnya diterbitkan oleh Penerima Lisensi MDPI, Basel, Swiss, pada 09 Oktober 2021, dan telah diterbitkan ulang sesuai dengan Lisensi Publik Internasional Creative Commons Attribution-NonCommercial-NoDerivatives 4.0. Anda bisa membaca artikel aslinya disini . Pandangan yang diungkapkan dalam artikel ini adalah milik penulis sendiri dan bukan WorldRef.

Jelajahi layanan WorldRef untuk mempelajari bagaimana kami membuat ekspansi global Anda lebih mudah dan lebih ekonomis!

Tenaga Panas dan Kogenerasi | Pertambangan dan Mineral | Pengendalian Polusi Udara | Sistem Penanganan Material | Pengolahan Air dan Air Limbah | Suku Cadang, Alat dan Barang Habis Pakai |  Solusi Pembangkit Listrik | Pengolahan Baja & Logam