Identifikasi Cabang dan Daun Tanaman Melon Pada Citra RGB-D Menggunakan Metode Mask R-CNN

Abstract

Pemangkasan merupakan salah satu solusi untuk meningkatkan hasil panen pada budidaya tanaman melon. Proses ini akan membuang bagian-bagian tertentu pada tanaman untuk membuat proses fotosintesis berjalan dengan baik dan normal. Permasalahan yang dihadapi petani yaitu berkurangnya sumber daya manusia yang berminat pada bidang pertanian dan tingginya biaya penanaman dan pemeliharaan. Robot otomasi pruning yang dapat membedakan objek cabang dan daun pada tanaman melon, menjadi salah satu solusi dari permasalahan tersebut. Sebuah metode pengenalan objek cabang dan daun perlu ditanamkan pada robot pruning, agar robot dapat membedakan keduanya. Penelitian ini bertujuan untuk mengevaluasi metode Mask R-CNN dalam mendeteksi cabang dan daun tanaman melon serta dapat memberikan rekomendasi parameter yang menghasilkan model terbaik. Data citra tanaman melon diambil menggunakan sensor kamera RGB-D. Nilai yang diperoleh dari model terbaik yaitu AP pada kelas cabang sebesar 0.1796, AP kelas daun sebesar 0.5751, dan mAP sebesar 0.3773. Hasil ini menunjukkan bahwa metode Mask R-CNN berhasil diterapkan untuk mendeteksi cabang dan daun pada tanaman melon.

Pruning is one of the solutions to improve the harvest quality of melon cultivation. This process will remove certain parts of the plant to allow the photosynthesis process run properly and normally. The problems faced by farmers are the lack of human resources who interested in agriculture and the high costs of planting and maintaining. Pruning automation robot which able to distinguish between branch and leaf of melon plants is one solution to this problem. A method of recognizing branches and leaves is required to be embedded in the pruning robot, so that the robot can distinguish between it. This study aims to evaluate the Mask R-CNN method in detecting branches and leaves of melon plants and provide parameter recommendations that generate the best model. The melon plant image data was obtained using an RGB-D camera sensor. The value obtained from the best model is that the AP in the branch class is 0.1796, the leaf class AP is 0.5751, and the mAP is 0.3773. These results indicate that the Mask R-CNN method was successfully applied to detect branches and leaves on melon plants.