IMPLEMENTASI DEEP NEURAL NETWORK DENGAN FRAMEWORK TENSORFLOW LITE MICRO PADA SISTEM KAMERA KEAMANAN BERBASIS MIKROKONTROLER
| Main Authors: | Ihsan, Reyhan Rifqi; Jurusan Teknik Elektro Fakultas Teknik, Universitas Brawijaya Jl. MT. Haryono 167 Malang, Jawa Timur, Djuriatno, Waru; Jurusan Teknik Elektro Fakultas Teknik, Universitas Brawijaya Jl. MT. Haryono 167 Malang, Jawa Timur, Muttaqin, Adharul; Jurusan Teknik Elektro Fakultas Teknik, Universitas Brawijaya Jl. MT. Haryono 167 Malang, Jawa Timur |
|---|---|
| Format: | application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Jurnal Mahasiswa TEUB
, 2021
|
| Online Access: |
http://elektro.studentjournal.ub.ac.id/index.php/teub/article/view/1668 |
Daftar Isi:
- ABSTRAKSistem kamera keamanan merupakan sistem yang penting dalam mengurangi jumlah tindak kejahatan terutama tindak pencurian. Namun pada umumnya kamera keamanan bersifat pasif yangmemerlukan manusia sebagai pihak pengawas. Dengan pentingnya kamera keamanan, maka diinginkan sistem tersebut untuk lebih andal dan praktis dalam artian mampu bekerja secara independen tanpa memanfaatkan pihak manusia sebagai agen pengawas. Dengan mengaplikasikan fitur deteksi objek manusia pada kamera keamanan, peran pihak manusia sebagai pengawas berpotensi dapat digantikan. Untuk memanfaatkan potensi tersebut, maka telah didesain sistem kamera keamanan berbasis mikrokontroler yang dilengkapi dengan sistem deteksi objek manusia dengan model deep neural network yang dieksekusi dengan framework TensorFlow Lite Micro.Berdasarkan hasil pengujian, eksekusi model deep learning untuk deteksi objek manusia padamikrokontroler dapat dilakukan. Kinerja pada model terbaik dapat mencapai tingkat akurasi 76%,puncak konsumsi RAM sebesar 55.3 KB, berkas binary hasil compiling berukuran 293600 bytes(7.17% dari total memori flash ESP32), dan waktu inferensi selama 5.2 detik. Namun model yangdiaplikasikan pada sistem yang telah dibuat gagal mendeteksi objek manusia dengan akurasi yangdiharapkan dengan tilt pada kamera sebesar 30 derajat ke bawah pada ketinggian 3 m, maupunketika objek manusia tersebut tidak sedang berdiri atau berjalan secara tegak.Kata Kunci: Deteksi objek, Deep Learning, ESP32, MobileNet, CNN, TensorFlow Lite MicroABSTRACTSecurity camera system is an important system for decreasing criminal act, esepecially theft.However, in general, security cameras are passive, requiring humans as supervisors. With theimportance of security cameras, it is desirable for the system to be more reliable and practical inthe sense of being able to work independently without using humans as monitoring agents. Byapplying the human object detection feature on security cameras, the role of the human side as asupervisor can potentially be replaced. To take advantage of this potential, a microcontroller-based security camera system has been designed that is equipped with a human object detectionsystem with a deep neural network model that is executed with the TensorFlow Lite Microframework. Based on the test results, the execution of a deep learning model for detecting humanobjects on the microcontroller can be carried out. The performance on the best model can reach76% accuracy, 55.3 KB of peak RAM consumption, 293600 bytes of compiled binary file (7.17% ofthe total ESP32 flash memory), and 5.2 seconds of inference time. However, the model applied tothe system that has been made fails to detect human objects with the expected accuracy with a tiltof the camera by 30 degrees down at a height of 3 m, or when the human object is not standing orwalking upright.Keywords: Object detection, Deep Learning, ESP32, MobileNet, CNN, TensorFlow Lite Micro