Pattern Recognition untuk Deteksi Posisi pada AGV Berbasis Raspberry Pi
Abstrak
Perkembangan teknologi di bidang otomatisasi dan robotika berkembang sangat pesat, karena memiliki tingkat efesiensi tinggi dari segi tenaga dan waktu. Pada sistem pergudangan, salah satu robot yang digunakan adalah Automated Guided Vehicle (AGV). AGV adalah alat transportasi berupa robot yang dikendalikan secara otomatis, yang berfungsi sebagai pengangkut barang, dengan menggunakan sistem navigasi agar bergerak ke arah yang telah ditentukan. Salah satu sistem navigasi AGV yang telah ada ialah dengan mengikuti pola garis pada lantai. Sistem tersebut kurang efisien karena lambat laun pola garis tersebut akan pudar dan tidak dapat terdeteksi kembali akibat gaya gesek dari roda AGV itu sendiri. Oleh karena itu, sangat diperlukan pengembangan sistem navigasi AGV untuk meminimalkan hambatan tersebut. Sistem pattern recognition ini menggunakan pola yang diletakkan pada langit-langit bangunan dan kamera sebagai sensor yang menghadap ke atas sehingga AGV mampu dengan leluasa mendeteksi pola. Kemudian, pola yang sudah terdeteksi diolah melalui perangkat komputer berupa Raspberry Pi 4 Model B yang telah diprogram. Hasil pengujian menunjukkan bahwa sistem ini mampu mendeteksi posisi dan berhasil menampilkan titik koordinat (x,y) dari AGV serta akan tetap berjalan sampai kapan pun hingga program diubah sesuai yang diperintahkan.
Referensi
R. Szeliski, Computer Vision : Algorithms and Applications, London, UK: Springer-Verlag London, 2010.
M. Rafika, A. Rakhman, dan J. Endri, “Rancang dan Implementasi Pattern Recognition pada Garis Telapak Tangan untuk Akses Keamanan Pintu,” Proc. SNATIF Ke-4, 2017, hal. 413–418.
K. Umam dan B.S. Negara, “Deteksi Obyek Manusia pada Basis Data Video Menggunakan Metode Background Subtraction dan Operasi Morfologi,” Jurnal CoreIT, Vol. 2, No. 2, hal. 31-40, 2016.
(2020) “Datasheet Raspberry Pi 3 Model B Technical Specification,” [Online], http://www.farnell.com/datasheets/2027912.pdf, tanggal akses: 16-Jun-2020.
A. Eames, The Official Raspberry Pi Projects Book, London, UK: Liz Upton, 2015.
X. Zhou, T. Chen, dan Y. Zhang, “Research on Intelligent AGV Control System,” Proc. 2018 Chinese Autom. Congr. CAC 2018, 2019, hal. 58–61.
(2020) “Datasheet Raspberry Pi 4 Model B”, [Online] http://www.farnell.com/datasheets/2819352.pdf, tanggal akses: 16-Jun-2020.
G. Arva dan T. Fryza, “Embedded Video Processing on Raspberry Pi”, Int. Conf. Radioelektronika, 2017, hal. 4–7.
(2020) "The Open CV Tutorials Point," [Online] https://www.tutorialspoint.com/opencv/opencvtutorial.pdf, tanggal akses: 16-Jun-2020.
M. Yang dan N. Ahuja, “Extraction and Classification of Visual Motion Patterns for Hand Gesture Recognition,” Proc. Computer Society Conference on Computer Vision and Pattern Recognition, 1998, hal. 1-6.
Gaohe Li, Xinhao Li, dan Bo Xu, “Numerical Simulation Technology Study on Automatic Translation of Foreign Language Images Based on Tesseract-ORC,” Int. Conf. on Robots & Intelligent System (ICRIS), 2019, hal. 86-89.
G. Marne, R. Futane, B. Kolekar, D. Lakhadive, dan K. Marathe, “Identification of Optimal Optical Character Recognition (OCR) Engine for Proposed System,” Int. Conf. on Computing Communication Control and Automation (ICCUBEA), 2018, hal. 1-4.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.