<![CDATA[Otomatisasi pembacaan alat pengukur analog merupakan tantangan yang signifikan di lingkungan industri, terutama karena citra alat pengukur sering diambil dalam kondisi pencahayaan dan kualitas visual yang bervariasi. Penelitian ini mengusulkan pendekatan hibrida berbasis visi komputer yang mengintegrasikan model deteksi YOLOv9 dan model segmentasi Segment Anything Model yang telah disesuaikan menggunakan dataset citra alat pengukur analog. YOLOv9 digunakan untuk mendeteksi area komponen penting seperti jarum dan garis-garis skala, menghasilkan area kotak pembatas yang berfungsi sebagai masukan prompt bagi SAM. Model SAM kemudian melakukan segmentasi presisi tinggi pada area tersebut untuk memisahkan objek utama dari latar belakang citra. Dataset pelatihan terdiri dari 1010 citra dengan anotasi mask biner. Hasil evaluasi menunjukkan bahwa model Fine-Tuned SAM ViT-B mencapai nilai Precision 0.81, Recall 0.946, dan IoU sebesar 0.778 melampaui performa model SAM dasar dan YOLOv9 Segmentation. Segmentasi jarum penunjuk juga menunjukkan peningkatan signifikan dengan nilai IoU mencapai 0.837. Pendekatan menunjukkan efektivitas integrasi deteksi dan segmentasi berbasis model transformer dalam menghasilkan sistem pengenalan komponen alat pengukur analog yang presisi, efisien dan adaptif untuk aplikasi pembacaan nilai otomatis di industri.]]>
Copyrights © 2026
