Keandalan Penglihatan Komputer dalam Mengukur Buah

Ilustrasi buah apel. Foto: Pixabay

Dimensi atau ukuran merupakan sifat penting dalam sebuah produk hasil pertanian. Bermodalkan dimensi, pelaku usaha tani dapat mengelompokkan produk hasil pertanian dan menentukan kelasnya. Proses penentuan kelas dari produk hasil pertanian ini umumnya disebut sebagai grading.

Proses grading merupakan salah satu proses yang penting dalam penanganan pascapanen produk. Luaran dari grading adalah terkelompoknya produk sesuai dengan kualitasnya sehingga dapat dijual dengan harga yang berbeda. Praktek ini sebenarnya sangat lumrah ditemukan di kehidupan sehari-hari. Sebagai contoh, ketika kita pergi ke toko buah maka ada penjual yang membedakan harga buah berdasarkan ukurannya.

Nah, jika dahulu proses grading dilakukan secara manual atau oleh manusia langsung, saat ini grading dapat dilakukan oleh mesin. Mesin tersebut dapat berupa mesin biasa dengan konveyor atau mesin yang telah ditanami kecerdasan buatan berkat penglihatan komputer.

Mengenal Penglihatan Komputer

Penglihatan komputer atau computer vision dapat diartikan sebagai teknologi yang memungkinkan komputer untuk mendapatkan pemahaman tingkat tinggi dari gambar atau video digital. Melalui kamera, komputer dapat mengenali gambar secara otomatis lalu mendeskripsikannya secara akurat dan efisien.

Lebih lanjut, penglihatan komputer ini memiliki banyak fungsi. Beberapa di antaranya adalah klasifikasi gambar, deteksi objek, segmentasi gambar, pengenalan wajah, dan analisis gerakan. Dalam melakukan pemrosesan dan pengambilan kesimpulan dari gambar, sebuah komputer harus ditanami algoritma kecerdasan buatan. Salah satu algoritma paling populer untuk tugas tersebut adalah Convolutional Neural Network (CNN).

Penglihatan komputer dapat diterapkan di berbagai sektor. Penerapannya dapat menyederhanakan berbagai proses sehingga dapat menghemat waktu. Penghematan ini tentu sangat berguna, terutama jika ia dapat dilakukan pada proses industri atau pada pertanian modern berskala besar.

Penglihatan Komputer dan Pengukuran Buah

Dalam satu dekade terakhir, penglihatan komputer telah banyak diadopsi dalam pengukuran buah dalam industri pertanian. Pengukuran tersebut dapat berfokus pada dimensi atau sifat fisiknya maupun sifat-sifat lain yang dapat diukur secara visual.

Mahendran, dkk., (2012) dalam tulisannya yang berjudul "Application of Computer Vision Technique on Sorting and Grading of Fruits and Vegetables" menyampaikan ukuran, bentuk, dan warna dapat digunakan sebagai parameter dalam melakukan grading menggunakan penglihatan komputer. Mereka menekankan bahwa penerapan teknologi tersebut disebut memiliki berbagai manfaat antara lain operasi yang lebih efisien, kualitas produk lebih konsisten, hingga stabilitas dan keamanan produk yang lebih baik.

Pengukuran dimensi buah juga tidak hanya terbatas pada 2 dimensi saja (panjang dan lebar) melainkan juga 3 dimensi (ditambah dimensi ruang). Sebagaimana yang dilaporkan Zhang, dkk., (2020), mereka mencoba mengestimasikan volume dan berat dari buah apel dengan metode pengukuran tanpa kontak langsung dengan penggunaan rekonstruksi 3 dimensi. Proses pengukuran mereka lakukan dengan bantuan kamera, proyektor sinar laser, dan berbagai pendekatan matematis dengan menggunakan persamaan-persamaan. Mereka mengklaim bahwa model yang berhasil mereka kembangkan memiliki kemampuan yang baik.

Kemudian, sebagaimana mata manusia, penglihatan komputer juga dapat menilai sebuah objek secara langsung atau real-time. Ismail dan Malik (2021) dalam tulisan mereka yang berjudul "Real-time visual inspection system for grading fruits using computer vision and deep learning techniques" menulis bahwa model berbasis CNN memiliki akurasi tertinggi dalam proses pengetesan grading yang mereka lakukan. Hasil itu didapatkan setelah mengolah lebih dari 8000 gambar apel.

Satu-satunya masalah yang tersisa dari pengembangan model untuk pengukuran buah dengan penglihatan komputer adalah persoalan akurasinya. Akurasi dari estimasi berbasis penglihatan komputer ini sangat bergantung pada jumlah data yang dijadikan data latih (training dataset). Semakin banyak dan beragam data latihnya, maka akurasi dari model yang dikembangkan dapat menjadi lebih baik.