Identifikasi Titik Tangkai Buah Melon Menggunakan YOLOv5 Pada Robot Melon

Abstract

Melon-Harvest Robot adalah robot permanen yang bertugas untuk memetik buah melon yang sudah matang secara otomatis. Untuk hal tersebut, robot perlu mendeteksi buah melon dan menentukan titik tangkai yang sesuai. Untuk menentukan tangkai, digunakan teknik object detection. Teknik object detection yang digunakan untuk mendeteksi tangkai buah melon adalah YOLOv5. Data citra RGB yang diambil menggunakan kamera RGB-D digunakan untuk pemodelan. Pemodelan dilakukan dalam 300 epoch dengan empat skenario percobaan yang memiliki hasil yang berbeda. Empat skenario percobaan memiliki kombinasi ukuran batch dan learning rate yang berbeda-beda. Hasil dari skenario percobaan kedua dengan nilai ukuran batch dan learning rate sebesar 32 dan 0,001 memiliki nilai mean average precision (mAP) lebih unggul yaitu sebesar 50,8%. Berdasarkan hasil tersebut, skenario percobaan kedua menjadi model terbaik diantara skenario lainnya karena memiliki mAP paling besar. Pemilihan ukuran batch dan learning rate yang tepat dapat mempengaruhi nilai dari mAP. Model yang dikembangkan pada penelitian ini sudah berhasil mendeteksi tangkai dari buah melon dengan baik. Model yang dihasilkan digunakan untuk mendeteksi tangkai dengan koordinat bounding box dari tangkai. Koordinat bounding box digunakan Melon-Harvest Robot untuk mengukur jarak antara tangkai dengan kamera serta mengukur panjang tangkai pada pada proses pemotongan. Model yang dikembangkan pada penelitian ini perlu dikembangkan lebih lanjut karena kurangnya data serta parameter yang digunakan.

The Melon-Harvest Robot is a permanent robot designed to automatically harvest ripe melons. For this purpose, the robot needs to detect the melon fruit and determine the appropriate stem point. To determine the stem, object detection techniques are used. The object detection technique applied to detect the melon stem is YOLOv5. RGB image data captured using an RGB-D camera is used for modeling. The modeling process was conducted over 300 epochs with four experimental scenarios, each yielding different results. The four experimental scenarios featured various combinations of batch sizes and learning rates. The results of the second experimental scenario, with a batch size and learning rate of 32 and 0.001 respectively, showed superior performance with a mean average precision (mAP) of 50.8%. Based on these results, the second experimental scenario was determined to be the best model among the others, as it had the highest mAP. The selection of appropriate batch size and learning rate can significantly affect the mAP value. The model developed in this study successfully detected melon stems effectively. The resulting model is used to detect stems with bounding box coordinates. These bounding box coordinates are utilized by the Melon-Harvest Robot to measure the distance between the stem and the camera, as well as the stem length during the cutting process. However, the model developed in this study needs further improvement due to the limited data and parameters used.