Sistem Inspeksi Visual Untuk Mendeteksi Cacat Pada Sel Baterai Menggunakan Faster R-cnn

Bernardus Ferri Sarbona, Anggunmeka Luhur Prasasti, Mas’ud Adhi Saputra

Abstract

Baterai Lithium-Ion banyak digunakan dalam banyak teknologi, dari teknologi yang sangat simple seperti senter sampai teknologi yang sudah sangat maju seperti kendaraan bertenaga listrik seperti SLS AMG Coupe Electric Drive yang merupakan sebuah sport car buatan Mercedes-Benz yang memiliki 4 electric motors yang dimana keempat motor ini yang masing masing ditenagai oleh 1 baterai. Kecacatan dalam baterai ini dapat berakibat fatal, dari berkurangnya energi yang ditampung dalam baterai, atau bahkan baterai dapat meledak. Oleh karena itu dibutuhkan sebuah tools yang dapat mendeteksi kecacatan pada baterai ini agar dapat dibedakan mana baterai yang bagus atau yang kurang bagus. Mendeteksi kecacatan tersebut, biasa dilakukan inspeksi visual kondisi fisik yang dapat dilakukan dengan gambar atau dengan melakukan menggunakan mata telanjang. Sistem melakukan inspeksi visual dengan menggunakan deteksi objek dan deep learning. Sistem juga menggunakan algoritma Faster R-CNN sebagai sistem deteksi objek. Lalu gambar hasil deteksi objek tersebut akan diproses dan dikirimkan kepada komputer kecil untuk diproses lebih lanjut menggunakan deep learning. Sistem akan mengeluarkan output, apabila produk tidak memiliki kecacatan maka sistem akan mengeluarkan output berupa label cacat apa yang terdapat pada baterai tersebut. Hasil penelitian ini menunjukan bahwa algoritma Faster Region Convolutional Neural Network (Faster R-CNN) mendapatkan hasil training model dengan mean average precision (mAP) sebesar 76,21%. Hasil ini didaptakan dengan melakukan beberapa pengujian dengan beberapa parameter yang akan dibandingkan hasilnya untuk menemukan parameter terbaik untuk digunakan pada model ini. Kata Kunci: objek deteksi, inspeksi visual, faster R-CNN, sel baterai, baterai, lithium-ion pouch

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0