Penerapan Modifikasi Arsitektur Yolov5 Dengan Covolutional Block Attention Module Dan Transformer Untuk Deteksi Helm Keselamatan Pekerja

Abstract

K3 merupakan kegiatan penting yang menjamin kondisi kerja yang aman. Pengarahan dan kontrol menjadi hal penting yang menjamin terlaksanakannya K3. Helm keselamatan menjadi alat pelindung diri yang penting dalam menjaga keselamatan pekerja. Banyak temuan bahwa pekerja mengalami cedera kepala akibat tidak menggunakan helm keselamatan. Pengawasan penggunaan helm keselamatan bisa menjadi langkah pencegahan. Pengimplementasian pengawasan berbasis penglihatan membutuhkan model yang dapat mendeteksi objek dengan cepat dan real-time. YOLOv5 memiliki kapabilitas unggul untuk tugas deteksi objek secara real-time. Namun terdapat masalah dalam mendeteksi objek dengan ukuran dan jarak yang beragam atau multi-scale problem. Kecepatan inferensi yang dimiliki YOLOv5 memiliki dampak pada kurangnya akurasi yang dihasilkan. Penerapan modifikasi Transformer, CBAM dan BiFPN berpotensi mengatasi masalah multi skala dan meningkatkan performa model dalam melakukan tugas deteksi objek. Penelitian dilakukan dalam 3 tahapan, yaitu preprocessing, modifikasi arsitektur dan pemodelan. Tahap preprocessing dilakukan pembagian data citra menjadi 3 set untuk train, test dan valid. Setelah itu parsing dilakukan untuk mengubah format label dari XML menjadi format YOLO. Kemudian proses augmentasi dengan mosaic, flipping, scalling dan HSV diatur untuk dijalankan pada tahap pemodelan. Tahap modifikasi dilakukan dengan melakukan modifikasi pada arsitektur backbone dan head dengan menambahkan Transformer, CBAM dan BiFPN. Kemudian tahap pemodelan dilakukan dengan dua proses. Proses pertama pemodelan dengan arsitektur dasar YOLOv5s. Proses kedua pemodelan dengan arsitektur yang telah dimodifikasi. Hasil yang didapatkan dari penelitian menunjukkan bahwa modifikasi pada arsitektur YOLOv5s dengan menambahkan Transformer, CBAM dan BiFPN dapat meningkatkan performa model untuk tugas deteksi objek. Model dengan kombinasi modifikasi YOLOv5s + Tr + BiFPN dan YOLOv5s + Tr + CBAM + BiFPN mendapatkan nilai mAP tertinggi yaitu 97.3%. Nilai mAP yang didapatkan dari modifikasi arsitektur mengalami peningkatan dimana penelitian sebelumnya mendapatkan mAP 95.3% dengan YOLOv5s dan tertinggi 95.8% dengan YOLOv5x yang merupakan model paling kompleks dari YOLOv5. Peningkatan performa deteksi yang didapatkan dari melakukan modifikasi arsitektur YOLOv5s memiliki pertukaran dengan berkurangnya kecepatan inferensi karena bertambahnya beban komputasi dari model.