Contoh Uses Cases Atau Penggunaan Computer Vision

Ilmu "computer vision" yang berkembang pesat memiliki potensi industri yang jauh lebih besar. Pemrosesan khusus dalam mengolah data berupa gambar memiliki potensi untuk menyederhanakan dan mengotomatisasi banyak operasi yang bersifat repetitif, serta meringankan dan mendukung dan karyawan dalam membuat keputusan. Tapi, bagaimana penggunaan atau uses cases computer vision dalam kehidupan sehari-hari? Simak postingan dibawah untuk mengetahuinya.
March 22, 2022

Computer vision adalah cabang teknologi yang memungkinkan komputer untuk mengamati objek di lingkungannya. Seperti manusia yang diajarkan untuk mengenali suatu objek karena sebab atau alasan tertentu, computer vision juga dapat diajarkan hal yang sama. Misalnya, jika kita melihat foto mobil, kita akan segera mengenalinya hanya dengan melihatnya. Ini terjadi karena kita tahu mobil dengan cukup baik sehingga otak kita dapat memahami semua informasi bahkan hanya dengan output paling sederhana.

Apa Itu Computer Vision?

Computer vision adalah bidang teknik informatika yang memungkinkan komputer untuk "melihat" hal-hal di lingkungannya. Tujuan dari "melihat" ini adalah agar komputer dapat menganalisis gambar di depannya dan mengubah data menjadi perintah. Computer vision memungkinkan mesin untuk mengenali dan menganalisis item dengan cara yang sama seperti yang dilakukan manusia. Contoh paling umum yang kita gunakan sekarang adalah penggunaan scanQR pada smartphone untuk melakukan pembayaran.

Bagaimana cara kerja pemindaian QR? Ketika komputer (atau dalam kasus ini smartphone) mendeteksi kode scanQR, ia akan mengirimkan perintah tertentu, yang mungkin merupakan perintah pembayaran, membuka kunci, atau tindakan lainnya.

Computer vision juga dapat dikatakan sebagai bidang penelitian yang menyelidiki bagaimana komputer dapat mengenali objek yang diamati. Bidang penelitian ini, bila dikombinasikan dengan Artificial Intelligence (AI), akan mampu menciptakan sistem kecerdasan visual (Visual Intelligence System). Computer vision, di sisi lain, juga berkaitan dengan studi tentang bagaimana komputer dapat membedakan objek yang diamati. Pemrosesan gambar dan pengenalan pola digabungkan dalam computer vision. Bidang pemrosesan gambar (image processing) berkaitan dengan perubahan gambar. Tujuan dilakukannya prosedur ini adalah untuk meningkatkan kualitas gambar.

 

Bagaimana Cara Kerjanya?

Image analysis, image processing, dan image interpretation adalah kunci utama dalam computer vision. Detail untuk setiap proses ditunjukkan di bawah ini.

1.      Image Analysis (Analisis Gambar)

  • Melalui prosedur inquiry, analisis gambar akan mempelajari objeknya dan menampilkan properties dari objek tersebut.
  • Sebuah perangkat lunak komputer akan memulai prosesnya dengan memeriksa bilangan bulat biner yang mewakili informasi visual untuk menentukan unique traits dan properties dari objek tersebut.
  • Aplikasi analisis gambar secara khusus digunakan untuk menemukan borders dan boundaries item dalam gambar.
  • Edge dari sebuah objek dapat ditemukan dengan menganalisa antara objek dan latar belakangnya, atau antara dua objek tertentu.
  • Karena terdeteksi dari berbagai tingkat kecerahan yang berbeda di sisi berlawanan dari salah satu borders objek, data edges yang diinginkan akan terdeteksi.

2.      Image Processing (Pemrosesan Gambar)

Berikut ini adalah proses dari image processing dalam memproses gambar:

  • Tingkat berikutnya dari computer vision akan memerlukan serangkaian operasi data biner awal.
  • Pemrosesan gambar membantu dalam peningkatan kualitas gambar sehingga dapat dievaluasi dan diproses secara lebih efektif.
  • Rasio signal-to-noise (signal-to-noise ratio = s /n) akan ditingkatkan melalui pemrosesan gambar. Noise mengacu pada semua jenis gangguan, seperti kurangnya kabur dalam suatu objek.
  • Sinyal-sinyal ini memberikan informasi yang akan digunakan untuk mewakili objek gambar.

 

3.      Image Interpretation (Interpretasi Gambar)

Proses pada image interpretation atau pemahaman gambar adalah:

  • Tahap akhir dalam proses computer vision adalah mengidentifikasi persyaratan objek dan relasi yang dimiliki objek-objek tersebut.
  • Teknik kecerdasan buatan atau artificial intelligence akan dikaji pada di bagian ini.
  • Pemahaman gamabr berkaitan dengan pencocokan template dalam objek yang dipindai.
  • Program pencarian dan algoritma pencocokan pola digunakan dalam strategi ini.

 

Uses Cases atau Kasus Penggunaan Computer Vision

Computer vision menawarkan banyak manfaat bagi umat manusia. Berikut ini adalah contoh bagaimana computer vision dapat digunakan di berbagai bidang.

 

Di Bidang Pertanian - Smart Detection Wheat Rust

Petani sekarang dapat secara efisien mengolah area yang semakin luas berkat teknologi modern. Ini berarti, daerah-daerah ini harus diperiksa terkait hama dan penyakit tanaman yang mungkin ada di daerah tersebut, karena penyakit tanaman dapat mengakibatkan kerugian panen yang merugikan dan bahkan kegagalan panen jika tidak ditangani.

Berkat adanya teknologi drone, foto satelit, dan sensor jarak jauh dapat menghasilkan data dalam jumlah besar, machine learning dapat membantu proses ini. Pengumpulan berbagai data, parameter, dan statistik yang terukur, yang dapat dipantau secara otomatis, dipermudah oleh teknologi modern. Meskipun penanaman besar-besaran di lahan yang lebih besar dilakukan, petani memiliki akses 24 jam tentang kondisi tanah, tingkat irigasi, kesehatan tanaman, dan suhu lokal daerah tersebut. Algoritma machine learning ini menganalisis data yang ada sehingga petani dapat memanfaatkannya untuk membuat keputusan ceoar terhadap masalah di area tersebut dan mengalokasikan sumber daya yang tersedia secara efisien.

Pertanian sangat tertarik pada computer vision karena analisis gambar memungkinkan untuk mendeteksi penyakit tanaman sejak dini. Kebanyakan penyakit tanaman ditemukan setelah mereka sudah menyebar beberapa tahun kemudian. Sistem peringatan dini berdasarkan computer vision sekarang dapat mendeteksi dan menghentikan penyebaran luas pada tahap awal. Karena secara proporsional daerah yang lebih kecil perlu dirawat, produsen dapat meminimalisir kehilangan tanaman dan menghemat uang untuk penanggulangan seperti pestisida.

Identifikasi otomatis gandum yang sudah busuk telah mendapat banyak perhatian dari bidang computer vision. Berbagai strain jamur agresif ini menginfeksi sereal di Afrika Timur, wilayah Mediterania, dan Eropa Tengah, yang mengakibatkan hilangnya tanaman gandum dengan jumlah yang signifikan. Karena hama mudah terlihat pada batang dan daun sereal, algoritma pengenalan gambar yang terlatih dapat mendeteksinya lebih awal dan mencegahnya menyebar.

Di Industri Otomotif - Object Recognition dan Classification on Traffic

Mobil dengan teknologi self-driving tidak diragukan lagi adalah salah satu kasus penggunaan artificial intelligence yang telah mengundang banyak minat media dalam beberapa tahun terakhir. Hal ini kemungkinan besar karena gagasan mengemudi otonom menjadi lebih futuristik daripada efek aktual teknologi. Hl ini memiliki sejumlah tantangan pada machine learning, tetapi computer vision adalah bagian penting dari solusi teknologi ini.

Algoritma (atau "agen") yang mengontrol mobil, misalnya, harus menyadari lingkungan sekitar mobil setiap saat. Untuk beradaptasi dengan lingkungan yang berubah, agen perlu tahu bagaimana keadaan jalan, di mana kendaraan lain berada di daerah tersebut, jarak menuju hambatan, dan seberapa cepat mobil-mobil lain ini melaju. Kendaraan otonom dilengkapi dengan kamera besar yang merekam lingkungan sekitar mereka di area yang luas untuk tujuan ini. Algoritma pengenalan gambar memantau data yang dihasilkan secara real time. Hal ini sama halnya dengan customer behavior tracking, yang memerlukan kemampuan algoritma untuk menemukan dan mengidentifikasi hal-hal yang relevan tidak hanya dalam foto statis tetapi juga dalam aliran gambar yang terus menerus berubah.

Teknologi ini sudah banyak digunakan di sektor industri. Tantangan dalam melatih algoritma untuk menghilangkan kemungkinan kegagalan agen muncul dari kompleksitas, volatilitas, dan kesulitan di lalu lintas jalan.

 

Di Bidang Olahraga - Human Pose Estimation

Selama bertahun-tahun, industri olahraga telah mengalami pergolakan digital. Metode dan tren pelatihan baru disiarkan ke jutaan orang di YouTube, kemajuan pelatihan dilacak dan dinilai menggunakan aplikasi, dan pelatihan virtual dan latihan di rumah telah meledak popularitasnya sejak awal krisis corona. Sangat penting bagi pelatih kebugaran untuk memiliki studio yang mendukung, terutama dalam latihan beban, karena risiko cedera yang besar. Sementara itu, pemeriksaan postur dan posisi seseorang selama pelatihan melalui video sudah merupakan praktik yang tersebar luas. Computer vision memungkinkan evaluasi dan penilaian konten video yang lebih akurat di sektor ini dibandingkan dengan mata manusia.

Attention tracking, teknik yang telah digunakan dalam bisnis ritel, digunakan pad teknologi ini. Algoritma dapat mengenali dan memperkirakan postur dan sikap individu pada video menggunakan human pose estimation. Posisi sendi dan hubungan mereka satu sama lain ditentukan untuk tujuan ini. Penyimpangan dari pelaksanaan rutinitas kebugaran yang optimal dan aman dapat dilihat dan disorot secara otomatis karena algoritma telah mempelajari seperti apa bentuknya. Ini dapat dilakukan secara real-time dan dengan sinyal peringatan langsung pada aplikasi pada smartphone, daripada repot-repot mengevaluasi gerakan selanjutnya dan memperingatkannya pada saat kesalahan kritis. Hal ini dapat menurunkan risiko cedera saat latihan kekuatan, membuat pelatihan tanpa pelatih kebugaran lebih aman, dan menurunkan biaya latihan dengan tetap memiliki latihan kekuatan yang aman.

Human pose estimation adalah langkah maju ke arah pelatihan kebugaran digital. Smartphone sudah banyak digunakan dalam kebugaran, dan aplikasi yang membuat olahraga menjadi lebih aman dan digandrungi banyak orang.

Di Bidang Penjualan dan Operasional - Customer Behavior Tracking

Amazon selalu dapat memanfaatkan kemampuan analitis platform digital mereka. Pengalaman pengguna dapat ditingkatkan dengan menganalisis perilaku pelanggan secara mendalam. Bisnis ritel juga berusaha untuk meningkatkan dan memaksimalkan pengalaman pelanggan. Sampai hari ini, tidak ada metode untuk secara otomatis merekam interaksi orang dengan hal-hal yang ditampilkan. Untuk industri ritel, computer vision sekarang dapat menjembatani kesenjangan ini.

Algoritma dapat secara otomatis menganalisis video dan memeriksa perilaku klien bila digunakan bersama dengan kamera keamanan saat ini. Jumlah orang saat ini di toko, misalnya, dapat dihitung kapan saja, yang  dapat menjadi data berharga selama pandemi COVID-19, yang memberlakukan batasan pada jumlah maksimum pengunjung yang diizinkan di toko. Namun, analisis tingkat individu, seperti rute sering dilalui di toko mungkin lebih menarik. Hal ini memungkinkan untuk meningkatkan desain produk yang lebih baik, struktur, dan posisi, serta menghindari adanya kemacetan di departemen yang sering dikunjungi. Dengan dilakukannya hal tersebut, akan didapatkan pengalaman pengguna yang lebih baik secara keseluruhan bagi pelanggan. Kemampuan untuk melacak seberapa banyak perhatian yang diterima rak dan produk tertentu dari pelanggan adalah hal yang revolusioner. Orang yang lewat dapat menggunakan algoritma khusus untuk menentukan arah tatapan orang dan mengukur berapa lama mereka melihat hal tertentu.

Dengan menggunakan teknologi ini, pengecer sekarang dapat mengejar ketinggalan dengan perdagangan online dan menganalisis perilaku klien di toko mereka dengan sangat rinci. Ini meningkatkan penjualan, mengurangi waktu yang dihabiskan di toko, dan mengoptimalkan dispersi pelanggan di dalam bisnis.

Di Bidang Kesehatan Masyarakat - Image Segmentation of Scans

Dengan banyak aplikasi, computer vision memiliki potensi besar di bidang kesehatan. Pemeriksaan gambar, scan, dan foto sangat penting dalam diagnosis medis. Teknologi computer vision memiliki klaim untuk tidak hanya menyederhanakan tetapi juga untuk mencegah diagnosis yang salah dan menurunkan biaya pengobatan dengan menganalisis gambar ultrasound, MRI, dan CT scan, yang semuanya merupakan bagian dari repertoar reguler obat modern. Computer vision tidak dimaksudkan untuk mengambil posisi ahli medis; sebaliknya, teknologi ini bermaksud untuk membuat pekerjaan mereka lebih mudah dan membantu mereka membuat keputusan yang lebih baik. Segmentasi gambar membantu diagnosis dengan mendeteksi area utama pada pemindaian 2D atau 3D dan mewarnainya untuk membuat gambar hitam-putih lebih mudah diperiksa.

Pandemi COVID-19 adalah kasus dengan terbaru denghan pengaplikasian teknologi ini. Dokter dan ilmuwan dapat menggunakan segmentasi gambar untuk menemukan COVID-19 dan menilai dan mengukur infeksi dan perkembangan penyakit. Pada CT scan paru-paru, sistem pengenalan gambar terlatih mendeteksi bintik-bintik yang dipertanyakan. Ini menilai ukuran dan volume mereka untuk melacak penyakit orang yang terkena dampak.

Keuntungan dari pelacakan penyakit baru ini sangat besar. Computer vision tidak hanya memudahkan dokter untuk mendiagnosis dan memantau kondisi pasien selama perawatan, tetapi juga menciptakan data yang berguna bagi para peneliti yang menyelidiki penyakit dan perkembangannya. Para peneliti mendapatkan keuntungan dari data yang dikumpulkan dan membuat foto juga, karena memungkinkan mereka untuk mencurahkan lebih banyak waktu untuk eksperimen dan tes daripada pengumpulan data.

 

Diadaptasi dari: Statwork

Diterjemahkan oleh Anisa Pradasurya
contact us

Siap mempercepat transformasi digital pada bisnis Anda?

Kirim email Anda dan kami akan menjawab seluruh pertanyaan Anda tentang produk dan layanan kami.
HUBUNGI KAMI