<![CDATA[Penambat rel adalah bagian dari sistem rel kereta api yang berfungsi untuk mengikatkan badan rel dengan bantalan rel sehingga mampu mengurangi efek dislokasi atau pergeseran dinamis dari badan rel terhadap beban dinamis. Masalah yang terjadinya saat ini adalah kerusakan atau terlepas dari badan rel, sehingga diperlukan inspeksi penambat rel secara rutin menjadi hal yang penting untuk meminimalisasi kecelakaan kereta api. Saat ini inspeksi penambat rel dilakukan oleh tenaga terlatih dengan inspeksi dengan pengamatan visual. Metode ini tentunya tidak efektif untuk kebutuhan inspeksi yang makin tinggi sejalan dengan naiknya meningkatnya frekuensi perjalanan kerata api saat ini. Untuk mendukung pelaksaan untuk inspeksi penambat rel yang lebih efisien, dalam penelitian ini dikembangkan visi komputer berbasis convolution neural network(CNN) dengan beban komputasi rendah, dengan memanfaatkan action camera dengan kemampuan 60 fps yang diintegrasi dengan troli dorong inspeksi. CNN menggunakan arsitektur yang terdiri dari lapisan konvolusi, lapisan fully connected network (FCN) dan softmax sebagai fungsi keputusan akhir untuk kelengkapan penambat. Untuk data citra pada pelatihan dilakukan perekaman untuk kondisi penambat rel yang mendekati kondisi nyata. Tiga model arsitektur CNN, dari 1 convolution layer dan 1 layer FNC (model 1), 7 convolution layer dan 3 hidden layer FNC (model 2) serta 4 convolution layer, 2 hidden layer FNC dan empat maxpooling layer (model 3). Hasil pengujian menunjukkan model 3 memiliki waktu komputasi pada pelatihan per epoch < dari 2 detik dan mampu menghasilkan 98,6% untuk akurasi pengujian; recall 99,60%; presisi 97,80%; f1-score 98,8%; specificity 99,3%. Dari hasil evaluasi, arsitektur CNN memiki potensi besar untuk diimplemetasikan pada single board computer sebagai target akhir dari rencana pengembangan portable smart computer vision untuk inspeksi penambat rel kereta.]]>
Copyrights © 2024
