ASASIJOURNALASASIJOURNAL

Journal of Integrated and Advanced Engineering (JIAE)Journal of Integrated and Advanced Engineering (JIAE)

YOLO (You Only Look Once) merupakan model pembelajaran mendalam terkemuka yang digunakan dalam deteksi objek karena akurasi tinggi dan kecepatan deteksinya. Namun, dalam mendeteksi sperma banteng, performa YOLOv7 Tiny menurun akibat karakteristik khusus sperma banteng yang berukuran sangat kecil dan jumlahnya yang besar. Penelitian ini mengusulkan model YOLOv7 Tiny yang dimodifikasi untuk mendeteksi sperma banteng dengan akurasi lebih tinggi, dengan tujuan utama meningkatkan akurasi YOLOv7 Tiny dalam mendeteksi dan menghitung sperma banteng. Arsitektur YOLOv7 Tiny dimodifikasi berdasarkan karakteristik objek yang akan dideteksi, khususnya sperma banteng, dengan menghapus beberapa komponen arsitektur, mengubah ukuran anchor box, dan mengubah ukuran sel grid. Komponen yang dihilangkan merupakan bagian yang digunakan untuk mendeteksi objek berukuran besar dan menengah. Ukuran anchor box dan sel grid diubah agar sesuai dengan ukuran objek. Akurasi diukur menggunakan mean average precision (mAP). Model YOLOv7 Tiny yang dimodifikasi dievaluasi dibandingkan dengan YOLOv7 Tiny asli. Pada percobaan, kami memperoleh mAP 65,8 dengan waktu inferensi 14,4 ms pada dataset uji. Ketika mendeteksi sperma banteng, model yang dimodifikasi lebih akurat 1,3 poin dan 1,23 kali lebih cepat dibandingkan YOLOv7 Tiny. Ukuran berkas model yang dimodifikasi juga berkurang sebesar 84,2 %.

Penelitian ini menunjukkan bahwa penyesuaian ukuran anchor box dan grid cell pada YOLOv7 meningkatkan akurasi deteksi objek, sementara penghapusan struktur yang ditujukan untuk objek berukuran besar dan menengah meningkatkan performa pemrosesan tanpa mengorbankan akurasi.Model YOLOv7 Tiny yang dimodifikasi, yang disesuaikan dengan karakteristik spermatozoa banteng, mencapai nilai mAP sebesar 65,8 % dengan kecepatan deteksi 14,4 ms, lebih tinggi 1,3 % dan 1,23 kali lebih cepat dibandingkan model asli.Dengan demikian, arsitektur yang dioptimalkan berdasarkan karakteristik spermatozoa banteng terbukti superior baik dari segi akurasi maupun kecepatan deteksi.

Penelitian lanjutan dapat mengeksplorasi cara memperluas kemampuan YOLOv7 Tiny sehingga dapat menghitung total jumlah sperma pada satu dosis atau straw inseminasi, misalnya dengan mengintegrasikan teknik stitching gambar atau pemrosesan video berkelanjutan untuk mencakup seluruh bidang pandang. Selanjutnya, studi dapat menambah modul analisis motilitas sperma ke dalam arsitektur yang sama, dengan memanfaatkan urutan frame video untuk mengukur gerakan dan kecepatan sperma secara otomatis, sehingga kualitas sperma dapat dievaluasi secara komprehensif. Selain itu, penelitian dapat menyelidiki adaptasi model terhadap variasi magnifikasi mikroskopik dan jenis spesies lain, seperti sapi perah atau domba, melalui teknik transfer learning dan fine‑tuning, sehingga model menjadi lebih umum dan dapat diterapkan pada berbagai konteks reproduksi hewan. Pendekatan ini juga dapat diuji dengan dataset real‑time di lapangan untuk menilai kestabilan model dalam kondisi operasional yang beragam. Evaluasi kinerja pada perangkat keras dengan sumber daya terbatas, seperti GPU embedded, akan membantu menentukan kelayakan implementasi pada sistem inseminasi portable.

  1. #model pembelajaran scramble#model pembelajaran scramble
  2. #akurasi deteksi#akurasi deteksi
Read online
File size606.07 KB
Pages12
Short Linkhttps://juris.id/p-28t
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test