Penglihatan mesin

Di dalam konteks mekatronika dan otomasi, penglihatan mesin didefinisikan sebagai bagaimana suatu sistem terotomatisasi (sebagai contoh robot) dapat melakukan inspeksi atau pengelihatan otomatis berbasis citra atau gambar yang ditangkap dari alat (umumnya lensa atau kamera) sebagai input ataumasukan sensor untuk diolah di dalam prosesor atau komputer yang akan menggerakkan aktuator atau penggerak seperti sistem gerak robot atau motor listrik. Secara umum, penglihatan mesin adalah salah satu contoh pemanfaatan kecerdasan buatan.

Sebagai gambaran, penglihatan mesin mengandalkan piranti lunak untuk memroses gambar atau citra di mana salah satu peranti lunak yang umum digunakan di dalam memroses masukan dari penglihatan mesin adalah Matlab. Kemudian, proses dari gambar atau citra tersebut akan digunakan untuk melakukan suatu tindakan atau eksekusi yang dilakukan oleh sebuah aktuator atau penggerak.

Aplikasi dari penglihatan mesin ini sangat luas tidak hanya sebagai alat bantu untuk robotika atau sistem mekatronika lainnya tetapi juga dapat digunakan di beberapa bidang seperti kesehatan/medis, pertanian, pangan, industri, energi, infrastruktur, serta transportasi.

Definisi

Secara umum, banyak yang menyamakan antara penglihatan mesin dengan penglihatan komputer (computer vision). Perbedaannya adalah, pada penglihatan mesin, ia adalah penerapan dari penglihatan komputer di dunia industri di mana output dari prosesor atau komputer akan diolah menjadi output berupa gerak mekanik atau termal.

Sejarah

Awalnya, penerapan dari penglihatan mesin ini digunakan pada salah satu supermarket di New Jersey di mana saat itu makanan yang ditawarkan disortir (diseleksi) berdasarkan filter tertentu.

Metode

Secara umum, penglihatan mesin adalah penerapan lebih lanjut dari kecerdasan buatan yang menggunakan prinsip-prinsip matematika seperti statistik (histogram, distribusi normal, standar deviasi), matriks, Jaringan Bayesian, Algoritma Genetik, pengambangan (thresholding), logika fuzzy atau kabur, vektor (terutama support vector machines), dan komputasi atau metode numerik serta fisika terutama sensor dan prinsip alat-alat optik serta kekuatan memori dari komputer (terkait RAM).

Secara umum, kerja dari sistem penglihatan mesin menyerupai kerja dari blok diagram kendali secara umum di mana terdapat masukan atau input, pengolahan data, serta output atau keluaran.

Masukan

Masukan atau input yang akan diolah oleh sistem sendiri ditangkap oleh alat berupa sensor atau kamera yang akan menangkap citra atau gambar dari objek yang akan diolah oleh aktuator.

Umumnya, kamera yang digunakan adalah kamera yang memiliki spesifikasi piksel yang tinggi serta mampu untuk menangkap gambar atau video dalam laju frame per detik (frame per second) yang bagus seperti kamera berkecepatan tinggi (high speed camera). Hal ini bertujuan untuk mendapatkan hasil citra atau gambar yang bagus dan tidak terdapat blur atau gambar yang kabur. Untuk perangkat keras (hardware) lainnya adalah sumber cahaya.

Pengolahan Data

Di sini, data yang ditangkap oleh sensor (terutama citra), akan diolah secara matematik oleh peranti lunak. Pada bagian inilah kerja dari statistik, matriks, jaringan Bayesian, logika fuzzy atau kabur, serta algoritma genetik mulai digunakan. Sementara, untuk matriks, secara umum sistem penglihatan mesin menggunakan metode seperti sobel dan Fre-Chen sebagai alat bantu analisis segmentasi dan deskripsi dari piksel. Selain itu, prinsip dari eigenvektor dan eigenvalue sendiri juga digunakan untuk analisis data. Serta, untuk pengolahan citra atau gambar digunakan metode-metode pengambangan (thresholding). Pada bagian pengambangan ini, prinsip-prinsip statistik seperti histogram, distribusi normal, standar deviasi serta matriks digunakan di dalam analisis piksel sebagai salah satu metode dari interpretasi citra.

Histogram sendiri digunakan di dalam analisis piksel dari citra atau gambar yang digunakan sebagai masukan dari sistem yang akan diolah perangkat lunak.

Untuk prosesor atau komputer yang digunakan, pada era modern saat ini sudah banyak komputer dengan spesifikasi RAM dan memori yang cukup untuk melakukan prinsip pengambangan (thresholding) terutama komputer dengan prosesor terkini yang lebih cepat dalam frekuensi serta jumlah memori yang besar dengan ukuran yang kecil.

Output atau Keluaran

Output yang dihasilkan dari sistem pengolahan data (pada umumnya RAM) bisa berupa citra atau output mekanik seperti pergerakan dan panas atau kalor apabila aktuator atau penggarak tersebut digunakan di dalam sistem energi seperti di sistem pendinginan dan tata udara atau di pembangkit energi.

Aplikasi

Secara umum, sistem penglihatan mesin tidak hanya digunakan di dalam industri tetapi juga digunakan di sistem lain seperti transportasi, pertanian, dan kesehatan.

Aplikasi di Bidang Kesehatan

• Deteksi iris mata
• Pengenalan wajah.
• Robot untuk operasi.

Aplikasi di Bidang Pertanian

• Penyeleksian tingkat kematangan buah
• Robot pemetik buah.
• Inspeksi ukuran biji atau bulir.
• Inspeksi ukuran umbi.
• Inspeksi ukuran jamur.

Aplikasi di Bidang Perikanan

• Inspeksi budidaya perikanan (aquaculture)

Aplikasi di Bidang Pangan

• Inspeksi kematangan hasil roti.

Aplikasi di Bidang Industri

• Robotika Industri.
• Keausan peralatan manufaktur serta kekasaran permukaan.
• Inspeksi produk elektrik.
• Inspeksi hasil produksi.
• Inspeksi packing atau kemasan.
• Inspeksi produk tekstil.
• Alat bantu di dalam pengelasan.
• Inspeksi bagian-bagian mekanik atau suku cadang.

Aplikasi di Bidang Energi

• Analisis aliran fluida
• Robot pendeteksi kebocoran gas mudah terbakar (flammable gas).

Aplikasi di Bidang Transportasi

• Pendeteksi jalur kedatangan.
• Alat bantu kendaraan.
• Inspeksi kereta api.
• Inspeksi rel kereta api.

Aplikasi di Bidang Infrastruktur

• Inspeksi jembatan.

Bahan Bacaan

Beberapa bahan bacaan yang dapat dirujuk terkait sistem penglihatan mesin:

• Three-Dimensional Machine Vision (Kanade, 1987)
• Development of a Machine Vision System for Automated Structural Assembly (Sydow, 1992)
• Machine Vision (Jain, 1995)
• Understanding and Applying Machine Vision, Second Edition, Revised and Expanded (Zeuch, 2000)
• Machine Vision for the Inspection of Natural Products (Graves and Batchelor, 2003)
• Machine Vision Volume 1 (Snyder, 2004)
• Machine Vision: Theory, Algorithms, Practicalities (Davies, 2005)
• Handbook of Machine Vision (Hornberg, 2006)
• Issues on Machine Vision (Pieroni, 2014)
• Handbook of 3D Machine Vision: Optical Metrology and Imaging (Zhang, 2016)
• A Guide for Machine Vision in Quality Control (Anand and Priya, 2019)

Sumber dan atribusi

Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 29579688 (2026-08-15T01:36:21Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.