Thread by @pacmannai

Mendeteksi Retakan Bangunan dengan Machine Learning
.
.
.
A Thread

Pernah ga sih kalian ketika melihat gedung, jembatan, atau menara terus mikir “wow ini keren banget, pasti bikinnya susah plus ribet deh”?

Namun kita juga harus inget, pembangunan itu ga selesai sampe tahap akhir konstruksi doang. Setelah bangunannya selesai, pastinya harus di maintain terus biar ga rusak

Maintenancenya pun bermacam-macam, ada yang sifatnya berkala, korektif, dan darurat.

Nah, building maintenance khususnya di bidang teknis itu masih sarat dilakukan dengan cara manual a.k.a manusia yang ngerjain langsung. Ada beberapa kelemahan kalau manusia yang ngerjain langsung

Pertama, manusia pasti ga lepas dari subjektivitas. Subjektivitas yang berlebihan disini bisa berakibat fatal , apalagi kalo ngomongin retakan pada bangunan. Kedua, prosesnya bakal lama banget

Seorang insinyur pertama-tama harus ngumpulin data-data berupa foto, label lokasinya, dan juga posisi retakan-retakannya. Lalu setelah itu, butuh sekian jam lagi untuk analisisnya, mulai dari sorting foto sampe bikin laporan

Bayangin kalo harus analisis retakan di Golden Gate Bridge kaya gini secara manual.
Pic by :
edition.cnn.com/travel/article…

Kalo masalah pengambilan foto sih sebenernya kita udah terbantu banget ya dengan adanya teknologi UAV kaya drone itu. Tapi tetep aja, proses analisisnya itu yang masih makan waktu yang sangat banyak. Ohiya, nama kerjaan ini biasanya kita sebut crack inspection ya

Basically, crack inspection ini ngomongin tentang pada teknik image processing (IP). Mulai dari pemotretan struktur, input gambar, digitalisasi, segmentasi, sampai deteksi kecacatannya.

Kendala yang terjadi di IP ini sangat bergantung sama aspek fotografis seperti focal length gambar, intensitas cahaya, resolusi,dll

Dan…. disinilah Machine Learning takes the lead, khususnya Deep Learning dalam training mesin supaya bisa membantu manusia menyelesaikan tugas crack inspection ini lebih cepat dan lebih akurat. Gimana nih metodenya?

Secara umum ada 4 tahapan dalam metodenya. Pertama, gambar awal yang resolusinya gede dipecah-pecah menjadi pixel yg lebih kecil dan kita sebut patch. Kedua, dengan Convolutional Neural Network (CNN), dicari patch mana yang mengandung crack

Ketiga, crack yang tadi udah ditemukan, disegmentasiin lagi pake CNN. Dan yang keempat, baru deh crack-crack tadi diukur pake teknik image processing. Kira-kira workflownya begini :

Nah sekarang mari kita bahas langkahnya satu per satu!

Tahap pertama, kita tau kan kalo gambar dengan kualitas bagus itu pasti resolusinya (pixel) gede. Nah dalam rangka menghemat waktu komputasi, gambar ini kita potong-potong deh dlm bbrp bagian (crop) dengan masing-masing 227x227 pixel lalu kita sebut pecahan ini patch

Tahap kedua, patch-patch ini diidentifikasi mana aja yg mengandung crack. Dengan menggunakan CNN, networknya didesain untuk mereduksi dimensi gambarnya pake langkah stride and pooling. Nah baru deh setelah itu cracknya diidentifikasi menggunakan dense network

Stride : deepai.org/machine-learni…
Pooling : bit.ly/3tkJQTQ
Dense network : bit.ly/3rN63K3

Nah pada networknya itu berisi 12 layer convolutions. Dengan masing-masing layer itu punya filter sebanyak 16, 32, 64, dan 128. Untuk ukuran filternya sendiri 5x5 pixel. Semakin banyak filter yang kita bikin maka semakin banyak juga objek-objek detail yang bisa kita dapatkan

Masuk di langkah ketiga, sebenernya hampir sama kaya yg kedua, tapi layernya kali ini dibuat sebanyak 10 dan filternya sebanyak 16, 32, dan 64. Nah nantinya network ini akan melabeli patch yg mengandung crack dengan angka 1 dan 0 untuk yg tidak mengandung crack

Langkah keempat, baru deh dilakukan pengukuran pada cracknya menggunakan IP. Pertama, gambar tadi itu dikontrol noisenya dan diperjelas letak cracknya. Setelah itu dilakukan proses thinning dengan tujuan membersihkan crack dari permukaan sekitarnya. Semacam peeling off gitu deh

Selanjutnya, patch yang udah dilabel angka 1 tadi dikenakan tracking algorithm supaya bisa mencari patch-patch lain yang berlabel 1 juga. Kalau dalam graf, kita sebutnya patch yang adjacent dengan patch yang lain.

Nah output dari langkah ini adalah barisan crack yang nantinya kita pake sebagai datasetnya dan juga spline yang dipake buat langkah selanjutnya

Langkah selanjutnya adalah menghitung karakteristik cracknya yaitu lebar dan panjang. Spline yang udah didapat tadi, dihitung jumlah panjang pixelnya masing-masing.

Tapi ini ga sekadar jumlahin komponen panjang pada tiap pixel ya. Kalau seandainya antar patch cracknya memang sejajar, bisa deh kita langsung jumlahin. Tapi kalau diagonal, tau dong pake apa? Yes, Pythagoras!

Lalu ngitung lebarnya itu dengan menggunakan profiling algorithm. Idenya adalah lebarnya itu dihitung dengan menggunakan fakta bahwa setiap komponen panjang pasti tegak lurus dengan komponen lebar.

Langkahnya dengan menggunakan mencari lokasi spline dalam koordinat, lalu ditentukan arah spline tadi itu kemana. Baru setelah itu, profiling ini akan mengubah komponen lebar tadi menjadi komponen panjang. Lalu dilakukan lagi deh kaya ngitung panjang tadi.

Hasilnya, panjang tiap lebar tadi dihitung rata-ratanya supaya kita bisa dapatkan lebar dari cracknya.

Dengan demikian machine learning udah membantu para insinyur dalam mengerjakan pekerjaan mendeteksi dan analisis retakan dengan memberikan hasil yang objektif dan perhitungan yang jitu.

Jadi memang machine learning ini bisa digunakan dalam berbagai bidang yaa. Kalau kalian berminat untuk menerapkan machine learning di bidang yang kalian tekuni tapi masih bingung mau belajar dari manaa, yuk gabung di non degree program Pacmann.AI!

Kalian bisa liat-liat kurikulum kami di bit.ly/brosurpacmannai atau langsung mendaftarkan diri di bit.ly/PedaftaranNonD… Sampai ketemu di thread selanjutnnya! 😊👋🏼

Sumber : mdpi.com/2076-3417/10/2…