Pengaruh Underwater Image Enhancement terhadap Peningkatan mAP50-95 YOLOv7 pada dataset Lobster Aruna

Authors

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 โ€” image enhancement, YOLOv7, Deep Learning and Image Formation Model, Water-Net, lobster

Downloads

Download data is not yet available.

References

X. Chen, P. Zhang, L. Quan, C. Yi, and C. Lu,

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,

D. Akkaynak and T. Treibitz,

C. Li, J. Guo, and C. Guo,

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,

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, "Underwater optical imaging: The past, the present, and the prospects," IEEE J. Oceanic Eng., vol., no. 3, pp. 683-700, 2015. 1

M. Sheinin and Y. Schechner,

M. Ludvigsen, B. Sortland, G. Johnsen, et al.,

N. Strachan,

M. Yang, J. Hu, C. Li, et al.,

F. Akhyar, L. Novamizanti & T. Riantiarni,

H. M. Lathifah, L. Novamizanti, and S. Rizal,

Published

2024-04-01

Issue

Pages

1336-1341

Section

Program Studi S1 Teknik Telekomunikasi

How to Cite

Hakim, F. N., Novamizanti, L., & Akhyar, F. (2024). Pengaruh Underwater Image Enhancement terhadap Peningkatan mAP50-95 YOLOv7 pada dataset Lobster Aruna. EProceedings of Engineering, 11(2), 1336-1341. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/23069