Pengaruh Underwater Image Enhancement terhadap Peningkatan mAP50-95 YOLOv7 pada dataset Lobster Aruna
Abstract
Pada proyek utama dari jurnal ini, yaitu
pembuatan prototype alat untuk monitoring lobster air laut di
Aruna, tentu memiliki beberapa permasalahan, salah satunya
adalah tidak jelasnya tampilan video di dalam laut, diantaranya
disebabkan oleh noise dari air laut, kurangnya pencahayaan,
dan dominasi warna tertentu dalam laut yang bisa
menyebabkan hasil mAP dari model YOLOv7 kurang
maksimal, hal itu dikarenakan penangkaran lobster air laut
disimpan dalam kedalaman sekitar 15 meter, sehingga
memunculkan permasalahan yang telah disebutkan tadi.
Berdasarkan permasalahan tersebut penulis berinisiatif untuk
menambahkan underwater image enhancement pada sistem
monitoring lobster ini agar dapat memaksimalkan hasil mAP
dari model YOLOv7 yang telah di train. Metode Image
Enhancement yang diusulkan untuk dilakukan tahap pengujian
adalah Deep Learning and Image Formation Model dan WaterNet. Dari kedua image enhancement tersebut dibandingkan
hasil mAP-nya pada proses testing dengan hasil tanpa image
enhancement serta sesama metode image enhancement-nya.
Dari hasil pengujian tersebut didapatkan mAP50-95 yang
terbaik adalah menggunakan metode image enhancement Deep
Learning and Image Formation Model dengan perolehan
mAP50-95 0.461. Maka dari itu metode terbaik ini yang dipakai
untuk proses image enhancement prototype sistem monitoring
lobster pada Tambak Aruna.
Kata kunci — image enhancement, YOLOv7, Deep Learning
and Image Formation Model, Water-Net, lobster
References
X. Chen, P. Zhang, L. Quan, C. Yi, and C. Lu,
Learning and Image Formation Model,= IEEE Access,
Jan. 2021, Accessed: Jun. 22, 2023. [Online]. Available:
-arxiv.org/abs/2101.00991
C. Li et al.,
Benchmark Dataset and beyond,= IEEE Transactions on
Image Processing, vol. 29, 2020, doi:
1109/TIP.2019.2955241.
C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao,
[Online]. Available: -arxiv.org/abs/2207.02696.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi,
"You Only Look Once: Unified, Real-Time Object
Detection," in Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition (CVPR),
, pp. 779-788.
S. G. Narasimhan and S. K. Nayar,
Atmosphere,= Int J Comput Vis, vol. 48, no. 3, pp. 233-
, 2002, doi: 10.1023/A:1016328200723.
Image Formation Model,= pp. 6723-6732, 2018,
Accessed: Jul. 20, 2023. [Online]. Available:
-openaccess.thecvf.com/content_cvpr_2018/paper
s/Akkaynak_A_Revised_Underwater_CVPR_2018_pap
er.pdf
C. Li, J. Guo, and C. Guo,
Underwater Image Color Correction Based on Weakly
Supervised Color Transfer,= IEEE Signal Process Lett,
vol. 25, no. 3, pp. 323-327, Mar. 2018, doi:
1109/LSP.2018.2792050.
Li C, Guo C, Ren W, et al. An Underwater Image
Enhancement Benchmark Dataset and Beyond[J]. IEEE
Transactions on Image Processing, 2019, 29:4376-4389.
C. Ancuti, C. O. Ancuti, T. Haber, and P. Bekaert,
IEEE Conference on Computer Vision and Pattern
Recognition, IEEE, Jun. 2012, pp. 81-88. doi:
1109/CVPR.2012.6247661.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi,
Detection,= Proceedings of the IEEE conference on
computer vision and pattern recognition, pp. 779-788,
, [Online]. Available: -pjreddie.com/yolo/
J. Jaffe,
present, and the prospects,= IEEE J. Oceanic Eng., vol.
, no. 3, pp. 683-700, 2015. 1
M. Sheinin and Y. Schechner,
view,= in Proc. of IEEE Int. Conf. Comput. Vis. Pattern
Rec. (CVPR), 2016, pp. 3764- 3773. 1
M. Ludvigsen, B. Sortland, G. Johnsen, et al.,
mosaics in marine biology and archaeology,= J.
Oceanography, vol. 20, no. 4, pp. 140-149, 2007. 1
N. Strachan,
shape,= J. Image Vis. Comput., vol. 11, no. 1, pp. 2-10,
1
M. Yang, J. Hu, C. Li, et al.,
underwater image enhancement and restoration,= IEEE
Access, vol. 7, pp. 123638-123657, 2019. 1
F. Akhyar, L. Novamizanti & T. Riantiarni,
Inspeksi Cacat pada Permukaan Kayu menggunakan
Model Deteksi Obyek YOLOv5=, ELKOMIKA: Jurnal
Teknik Energi Elektrik, Teknik Telekomunikasi, &
Teknik Elektronika, vol. 10, no. 4, pp. 990, 2022.
H. M. Lathifah, L. Novamizanti, and S. Rizal,
Accurate Fish Classification from Underwater Video
using You only Look Once,= in IOP Conference Series:
