Logistik, Transportasi & Labeling

Bagaimana Pembelajaran Mesin Mengenal Ribuan Sekrup yang Berbeda?

Bagaimana pembelajaran mesin atau machine learning mampu mengenal komponen yang berbeda di sektor manufaktur? Misalnya sekrup, klem, nozel, pipa, tabung, kabel, mikrokontroler, ...

Written by Boromeus Sihombing · 2 min read >
Pembelajaran Mesin

Bagaimana pembelajaran mesin atau machine learning mampu mengenal komponen yang berbeda di sektor manufaktur? Misalnya sekrup, klem, nozel, pipa, tabung, kabel, mikrokontroler,  dan elektronik lainnya mudah dikenal dengan aplikasi  Convolutional Neural Networks (CNNs).              

Pembelajaran Mesin
Aplikasi convolutional Neural Networks (CNNs) mampu mengenal beragam komponen yang berbeda ukuran. Bagaimana pembelajaran mesin mengenali ribuan sekrup yang berbeda? (Foto/©: Fraunhofer IPK)

Salah satu tujuan penggunaan kecerdasan buatan  atau artificial intelligence (AI) adalah untuk meningkatkan kapasitas produksi di sektor manufakur. 

Sejak memasuki penerapan Industry 4.0 berbasis digital disruptions platform, pabrik-pabrik beproduksi dengan cerdas atau disebut smart factory.  Pabrik cerdas itu dapat dioperasikan dari jarak jauh melalui Laptop, komputer desktop, tablet, dan device lainnya yakni smartphone.

Bagaimana perangkat itu bekerja sedemikian cerdas? Selain terkoneksi dengan internet of things (IoT), diterapkan metode pembelajaran mesin atau machine learning seperti dikembangkan oleh tim peneliti di Fraunhofer IPK di Berlin, Jerman.  

Dengan pembelajaran mesin atau machine learning, para ahli menggunakan aplikasi yang dinamai  Convolutional Neural Networks (CNNs). Aplikasi Neural atau CNNs ini mampu  mengenal komponen manufaktur, seperti sekrup, klem, nozel, pipa, tabung, kabel, mikrokontroler,  dan elektronik lainnya.

Pembelajaran mesin atau machine learning merupakan aplikasi kecerdasan buatan (AI) dengan  kemampuan menyediakan sistem untuk mengetahui (belajar) dan meningkatkan kecerdasan (buatan) secara otomatis dari proses yang berlangsung tanpa harus memprogram secara eksplisit. 

Menurut laman expertsystem.com pembelajaran mesin berfokus pada pengembangan program komputer yang dapat mengakses data, dan kemudian menggunakannya untuk mengetahui atau mengenal informasi yang dipelajari sendiri oleh mesin.

“Aplikasi CNNs menjadi standar dalam pengolahan gambar. Aplikasi ini demikian andal mengenal, menjelaskan, misalnya 1000 benda berbentuk komponen yang  sehari-hari membutuhkan 1.000.000 gambar untuk jaringan—digunakan sebagai data,”  jelas Jan Lehr, seorang peneliti senior  di Fraunhofer IPK.

Selanjutnya, Jan Lehr menuturkan bahwa tugas timnya adalah untuk menghasilkan sebuah algoritma yang digunakan sebagai aplikasi di sektor industri. 

Meski data hanya sedikit dan komponen tidak memiliki  barcode atau label namun berkat penggunaan kecerdasan buatan (AI), mesin mudah mengenal komponen secara otomatis. Hal itu berguna unuk mengurangi beban staf penerima barang atau produk. 

“Penggunaan CNNs bertujuan untuk memungkinkan algoritma dengan mudah membedakan objek yang sangat mirip satu dan objek lain-lain. Misalnya sekrup dari standar yang sama namun masing-masing mempunyai ukuran yang berbeda, atau turbocharger dari seri produksi yang berbeda, ” kata Jan Lehr. 

“Kami menggunakan algoritme yang dikembangkan secara khusus untuk membatasi radius penelusuran ke lima atau sepuluh objek sehingga karyawan tidak harus mencari seluruh rentang komponen yang tersimpan di gudang besar,” urai Jan Lehr. 

Untuk mewujudkan hal ini, Jan Lehr dan rekannya, bekerja pada sebuah proyek yang didanai oleh Departemen Federal Jerman ekonomi dan energi (BMWi), mengembangkan sistem deteksi yang disebut logic. Cube

Objek yang akan dikenal memiliki panjang tepi maksimum 40 cm—ditempatkan di perangkat berbentuk kubus dengan skala terintegrasi. Objek itu difoto dengan menggunakan sembilan kamera. 

Algoritme pemrosesan gambar mengukur tinggi, lebar, dan panjang objek untuk menghitung ukuran kotak atau ruang rak yang diperlukan. 

Pada saat yang sama, gambar-gambar (komponen) yang dihasilkan kemudian ditetapkan untuk disimpan di database yang dilengkapi dengan nomor materi. 

Data gambar ini digunakan untuk melatih algoritma kecerdasan buatan (AI) agar dapat mengenal beragam komponen yang berbeda ukuran dan seri.

Mesk tidak setiap perusahaan mempertimbangkan untuk membeli perangkat logic. Cube, tim peneliti di Fraunhofer IPK, menyiapkan sistem yang berfungsi untuk melakukan deteksi ke browser berbasiskan IoT.

Dengan demikian, sistem operasi dengan aplikasi independen yang bekerja misalnya di dalam smartphone, tablet, laptop, dan komputer desktop—berlangsung lancar tanpa hambatan. 

Untuk melakukan ini, mereka harus memperluas dataset pelatihan untuk memasukkan data ke smartphone dan melatih algoritma. 

“Kami menguji algoritme dengan seratus komponen yang telah difoto dalam berbagai sudut pemandangan, dengan 50 gambar yang diambil dari setiap bagian,” ujar Jan Lehr. 

Dalam hitungan detik, aplikasi ini menunjukkan kepada pengguna lima atau lebih sedikit kecocokan potensial, terlepas dari pencahayaan, latar belakang, dan pemandangan. 

Pengakuan ini begitu kuat sehingga dapat menggantikan pencarian secara manual, demikian insinyur Jan Lehr melanjutkan. 

Dengan kecerdasan buatan (AI) tim ahli mampu menghemat jumlah pekerja dengan luar biasa waktu. Para ahli berhasil mencapai tingkat pengakuan yang tinggi dengan minim penggunaan gambar objek yakni komponen. 

Para peneliti mencapai tingkat pengakuan 98 persen di logic. Cube dan mengurangi radius pencarian dari gambar 4500. Mereka bertujuan untuk mendapatkan tingkat keberhasilan yang sama dengan menggunakan aplikasi CNNs.

Leave a Reply

Your email address will not be published. Required fields are marked *