Implementasi Object Detection Pada Robot Sepak Bola Beroda Berbasis Kamera Omnidirectional Menggunakan Opencv
Abstract
Dalam pertandingan robot sepak bola beroda, robot diharuskan untuk memiliki kemampuan layaknya manusia bermain sepak bola, seperti mengejar dan mendribble bola, menghindari lawan dan menendang bola ke gawang. Object detection adalah salah satu metode yang dapat diimplementasikan agar robot dapat mengidentifikasi objek tertentu. Objek yang diidentifikasi menggunakan algoritma object detection adalah bola futsal berwarna oranye dengan keliling sekitar 60–70cm, robot berwarna hitam doff yang menggunakan identitas warna selendang cyan atau magenta, serta gawang yang berwarna putih. Adanya kemampuan robot untuk melakukan object detection ini adalah agar mempermudah robot dalam mengidentifikasi objek bola, robot lain dan gawang. Sehingga deteksi dan identifikasi objek lebih spesifik dan robot tidak terkecoh dengan objek yang mirip dengan bola, robot atau gawang. Sistem object detection diharapkan bisa mendeteksi dan mengidentifikasi objek dengan akurasi deteksi 70%. Dengan menggunakan sistemkamera omnidirectional dan algoritma object detection, robot sepak bola beroda diharapkan dapat berkerja optimal di atas lapangan berwarna hijau.
Kata Kunci — object detection, kamera omnidirectional
References
Y. M. P. Putra, “Tren Penggunaan Teknologi Robot di Industri Indonesia Naik,” 2019.
Kementrian Pendidikan dan Kebudayaan, “Kontes Robot Indonesia 2021,” Puspresnas, 2021.https://kontesrobotindonesia.id/index.html.
M. M. Kurnia, “CITRA DIGITAL DAN LOKALISASI PADA ROBOT SEPAK BOLA UKURAN SEDANG DEVELOPMENT OF
COMPUTER VISION AND LOCALIZATION SYSTEM ON MIDDLE SIZE ROBOT SOCCER,” Univ. Telkom, D3 Teknol.Komput., 2019.
A. Rachmawan, “Penentuan Posisi Robot Sepak Bola Beroda Menggunakan Rotary Encoder dan Kamera,” Undergrad. thesis, Jur. Tek. Elektro, Fak.Teknol. Ind. Inst. Teknol. Sepuluh Nopember, Surabaya, 2017.
Winarno, A. S. Agoes, E. I. Agustin, and D.Arifianto, “Object detection for KRSBI robot soccer using PeleeNet on omnidirectional camera,”Telkomnika (Telecommunication Comput. Electron. Control., vol. 18, no. 4, pp. 1942– 1953, 2020, doi:10.12928/TELKOMNIKA.V18I4.15009.
E. I. Ardiyanto et al., “Development of MiddleSized Mobile Robot FUKURO for Robot Soccer
Competition,” no. cm, pp. 4–8.
`AMMAR and M. AMIRUL, “RANCANG BANGUN ROBOTIC VISION SYSTEM PADA ROBOT SEPAK BOLA BERODA ROBOTIC
SCHOOL OF APPLIED SCIENCE (SAS),” Univ.Telkom, 2020, [Online]. Available:https://openlibrary.telkomuniversity.ac.id/pustaka/1
/rancangbangun-robotic-vision-system-padarobot-sepak-bola-beroda-roboticschool-of-appliedscience-sas-.html.
Ros, “ROS - Robot Operating System,” OpenRobotics, 2021.https://www.ros.org/.
Ros, “ROS Introduction,” Open Robotics,
://wiki.ros.org/ROS/Introduction.
skyfilabs, “10 Simple ROS Projects for Beginners,”Skyfi Education Labs Pvt. Ltd., 2018.
https://www.skyfilabs.com/blog/10-simple-rosprojects-forbeginners.
A. Gupta, “Some Amazing Applications of openCV Library,” Analytics Vidhya, 2021.
https://www.analyticsvidhya.com/blog/2021/09/some-amazingapplications-of-opencv-library/.
A. Mordvintsev and A. Rahman, “Introduction toOpenCV-PythonTutorials,”OpenSourceComputerVision.https://docs.opencv.org/4.x/d0/de3/tutorial_py_intro.html.
OpenCV, “Deep NEural Networks (dnn module),”2022.https://docs.opencv.org/4.x/d2/d58/tutorial_table_of_content_dnn.html.
J. Redmon and A. Farhadi, “YOLOv3: An
Incremental Improvement,” arXiv, 2018, [Online].Available: https://pjreddie.com/darknet/yolo/.
J. Solawetz and S. Sahoo, “Train YOLOv4-tiny on Custom Data - Lightning Fast Object Detection,”Roboflow, Inc., 2020.https://blog.roboflow.com/train-yolov4-tiny-oncustom-data-lighting-fastdetection/.
P. P. Nasional, K. Pendidikan, and R. Indonesia,“PANDUAN KONTES ROBOT INDONESIA ( KRI ) TAHUN 2022.