Peningkatan Deteksi Kecelakaan di Jalan Raya Menggunakan Real-ESRGAN pada Citra CCTV Persimpangan Jalan

Abstract

Kegagalan sistem deteksi kecelakaan pada kamera CCTV dapat berpengaruh pada peningkatan angka kematian di jalan raya. Penggunaan metode CNN dalam pembangunan sistem deteksi kecelakaan CCTV sudah banyak dilakukan sebelumnya. Namun, masalah umum yang sering ditemui yaitu lensa yang kotor dan zoom varifocal yang tidak fokus secara otomatis membuat kualitas citra CCTV yang dihasilkan mengalami penurunan, sehingga berpengaruh kepada performa sistem. Pada penelitian ini dilakukan pembangunan model untuk mendeteksi kecelakaan pada citra CCTV menggunakan pre-trained model MobileNetV2 yang dilakukan optimasi dengan melakukan upscaling pada dataset menggunakan model Real-ESRGAN untuk menghasilkan performa yang lebih optimal. Penelitian ini menggunakan dataset citra CCTV yang berjumlah 989 dan terdiri dari 2 jenis kelas prediksi diantaranya accident dan non-accident. Hasil penelitian diperoleh model MobileNetV2 berhasil menghasilkan validation accuracy 97%, testing accuracy 94% dan average inference time 3.33 detik pada skenario uji GT. Selama proses uji, didapatkan bahwa model kurang optimal jika mengidentifikasi data baru dengan kondisi objek yang berkerumunan. Selain itu, berdasarkan skenario uji X2,X4,X8 didapatkan bahwa kualitas citra yang dihitung berdasarkan nilai PSNR dan SSIM sangat berpengaruh pada performa klasifikasi seperti Akurasi, precision, recall, dan AUC score.

Keywords

• transfer learning
• mobilenetv2
• real-esrgan
• accident detection