Sistem Deteksi Kematangan Tandan Buah Segar Kelapa Sawit dengan Metode YOLOv4

Abstract

Panen tandan buah segar (TBS) kelapa sawit khususnya di Indonesia ditentukan secara manual, terutama berdasarkan warna dan jumlah buah yang jatuh. Teknik ini menyebabkan prosedur pemanenan menjadi relatif lambat, subjektif, dan tidak tepat untuk setiap panen. Pentingnya inovasi teknologi dapat membantu menentukan waktu panen dengan cukup akurat dan konsisten. Pendekatan berbasis visual komputer adalah metode yang dapat membantu dalam pelacakan dan pengambilan keputusan dan sangat membantu dalam kursus Pertanian. Robotika visual dan sistem kontrol otomatis adalah contoh lain dari kinerja komputer visual. YOLOv4 adalah sistem yang mampu menyelesaikan tugas visual komputer dalam mendeteksi objek dan cepat dalam deteksi real-time. YOLOv4 memiliki struktur jaringan yang terdiri dari tulang punggung, leher, dan kepala detektor serta metode pelatihan model yang ditingkatkan hanya menggunakan satu GPU. Pengamatan ini bertujuan untuk mendeteksi kematangan TBS berdasarkan kadar fraksi 1, fraksi 2, dan fraksi 3 menggunakan metode YOLOv4. Kami mengumpulkan banyak data foto langsung di perkebunan kelapa sawit. Citra pecahan yang digunakan dalam penelitian ini sebanyak 309 citra dengan kualitas objek. Metode pelatihan menggunakan kerangka Darknet. Kami mengevaluasi semua bobot pos pemeriksaan yang dihasilkan selama proses pelatihan model. Berdasarkan hasil penelitian, metode YOLOv4 mampu mendeteksi tingkat kematangan tandan fraksi 1, fraksi 2, dan fraksi 3 dengan akurasi mAP@0,50 sebesar 99,17% dan mAP@0,75 sebesar 97,08% pada berat checkpoint menjadi 6000. Dari hasil penelitian ini terdapat model yang dapat memberikan hasil deteksi yang sangat baik dalam menentukan waktu panen tandan. Karena model dapat mendeteksi kematangan pecahan mengikuti target yang diinginkan, maka sistem ini perlu dikembangkan agar dapat langsung diterapkan di lapangan terutama sebagai visual, kemampuan mekanik, karena metode YOLOv4 telah dirancang untuk dapat untuk menangani benda bergerak secara langsung, sehingga model ini cocok untuk diterapkan pada robot pemetik buah otomatis. Model yang diperoleh pada penelitian ini juga dapat dikembangkan menjadi beberapa perangkat seperti smartphone, raspberry pi, atau drone.

The harvest of oil palm fresh fruit bunches (FFB), especially in Indonesia, is determined manually, mainly based on the color and the number of fallen fruits. This technique causes the harvesting procedure to be relatively slow, subjective, and imprecise for each harvest. The importance of technological innovation can help determine the harvest times quite accurately and consistently. A computer visual-based approach is a method that can assist in tracking and decision making and is very helpful in Agriculture courses. Visual robotics and automated control systems are other examples of visual computer performance. YOLOv4 is a system capable of completing the visual task of the computer in detecting objects and fast in real-time detection. YOLOv4 has a network structure consisting of a backbone, neck, and detector head and an improved model training method using only one GPU. This observation aims to detect the maturity of FFB based on the levels of fraction 1, fraction 2, and fraction 3 using the YOLOv4 method. We collected a bunch of photo data directly in oil palm plantations. Fractional images used in this study were 309 images with object quality. The training method uses the Darknet framework. We evaluate all checkpoint weights generated during the model training process. Based on the results of the study, the YOLOv4 method was able to detect the maturity level of the bunches of fraction 1, fraction 2, and fraction 3 with an accuracy of mAP@0.50 of 99.17% and mAP@0.75 of 97.08% on the weight of the checkpoint to 6000. From the results of this study, there is a model that can provide excellent detection results in determining the harvest time of bunches. Because the model can detect the maturity of the fraction following the desired target, this system needs to be developed so that it can be directly applied in the field, especially as a visual, mechanical capability, because the YOLOv4 method has been designed to be able to handle moving objects directly, so this model is appropriate to be applied to picking robot’s automatic fruit. The model obtained in this study can also be developed into several devices such as smartphones, raspberry pi, or drones.