KLASIFIKASI OBJEK BERDASARKAN WARNA, BENTUK DAN DIMENSI

ABSTRACTThis research aimed to develop an algorithm to classify an object based on color, shape and dimension. In this research, the classification process was designed on two combined features which are color-shape, color-dimension, and shape-dimension. Each two combined features yielded 9 classification results. Therefore, in total, the number of classifications of three combined features were 27 classifications. The algorithm was depeloved as follows. The color feature was classiffied using RGB color histogram. Each object histogram was compared and calculated the distance to the reference object histogram. The similarity was determined with the smaller distance to the reference object. The shape feature was classified using shape matching algorihtm. The algorithm measured the similarity based on distance between two point on each geometry. The dimension feature was classified using the number of the pixel on each object. The number of pixel was callibrated on certain distance to the camera. The algoritma was also designed to classify the reject object (Not Good/NG). The algortihm was implemented on a conveyor system as a sorting machine. The conveyor has 10 output classification, 9 output for object classification and 1 output for NG object. The experimental results showed the sistem could classify the object in 27 category classification and 1 NG category.Keywords: object cleassification, object feature, RGB color histogram, shape matching, object sortingABSTRAKPenelitian ini bertujuan untuk membangun algoritma untuk pengklasifikasian objek berdasarkan warna, bentuk dan dimensi. Dalam penelitian ini, pengklasifikasian didesain dalam dua ciri gabungan yaitu warna-bentuk, warna-dimensi dan bentuk-dimensi. Tiap-tiap dua ciri gabungan tersebut akan menghasilkan 9 hasil klasifikasi. Sehingga total klasifikasi gabungan 3 ciri adalah 27 klasifikasi. Algoritma yang dikembangkan untuk masing-masing ciri adalah sebagai berikut. Ciri warna diklasifikasikan menggunakan histogram warna RGB. Tiap objek dibandingkan histogramnya dan dihitung jarak tiap histogram dengan histogram referensi. Semakin dekat dengan histogram referensi, maka objek tersebut diklasifikasikan sama dengan objek referensi. Ciri bentuk diklasifikasikan menggunakan algoritma shape matching. Algoritma shape matching mengukur kemiripan objek berdasarkan jarak antar titik dalam objek geometri. Semakin rendah perbedaannya menunjukkan semakin mirip objek tersebut. Sementara ciri dimensi diklasifikasikan menggunakan perhitungan jumlah pixel pada tiap objek. Jumlah pixel dikalibrasi pada jarak tertentu dari pengkapturan objek oleh kamera. Selain itu, algoritma ini pun didesain untuk dapat mengklasifikasi objek yang tidak masuk kategori dan diklasifikasikan sebagai objek yang rusak (Not Good/NG). Algoritma ini selanjutnya diimplemenasikan dalam sebuah konveyor sebagai mesih pemisah objek yang mempunyai 10 keluaran. Sembilan keluaran untuk objek hasil klasifikasi dan satu keluaran untuk objek dalam kategori NG. Hasil eksperimen menunjukkan sistem dapat mengklasifikasi objek dalam 27 kategori dan 1 kategori NG.Kata Kunci: klasifikasi objek, ciri objek, histogram warna RGB, shape mathing, pemilah objek

Multi-scale foreground extraction on graph cut

In order to improve Grab Cut implementation effect for real images, we propose a novel improvement which extends the Grab Cut in three aspects: 1) a series of edge-preserved components are generated via the TV smoothing model; 2) the number of sub-regions is estimated by histogram shape analysis to remove the negative effects on the unreasonable number of the sub-regions; 3) a segmentation termination condition is constructed by integrating the multi-scale components. The experiment result indicates that this method performs well compared to other methods based on graph cut and is insensitive to sub-regions.