bab ii
DESCRIPTION
TRANSCRIPT
BAB II
KAJIAN KEPUSTAKAAN
2.1 PENGENALAN
Bab ini membincangkan hasil kajian kepustakaan penyelidikan terdahulu yang
berkaitan dengan teknologi sistem pengasingan botol plastik dan perkembangan
teknologi penglihatan komputer yang berasaskan kaedah pemprosesan imej dan
kepintaran buatan untuk mengenal pasti objek dan mengelaskannya. Kemajuan pesat
dalam sains dan teknologi telah mendorong ramai penyelidik untuk cuba
mengautomasikan kerja-kerja yang dilakukan secara manual dan hasilnya pelbagai
teknologi pengasingan khususnya untuk bahan plastik telah dihasilkan.
Dengan berkembangnya teknologi komputer, sistem automasi berasaskan
penglihatan mesin juga turut berkembang dengan pesatnya. Jika sebelum ini, aktiviti
dilakukan secara manual menggunakan penglihatan mata manusia, tetapi hasil kajian
intensif para penyelidik telah berupaya menghasilkan sistem yang diautomasikan
sepenuhnya dengan bantuan teknologi mesin penglihatan. Justeru, bab ini
didedikasikan khusus untuk tujuan pembentangan hasil kajian kepustakaan yang telah
dilakukan.
2.2 TEKNOLOGI PENGASINGAN PLASTIK BERASASKAN SINARAN
Pembangunan sistem pengasingan plastik kegunaan pengguna sudah bermula sejak
tahun 1989 lagi. Dua tahun kemudian, sistem komersial pertama yang boleh
memisahkan antara plastik jenis PVC dengan PET menggunakan teknologi X-RAY
10
telah diperkenalkan oleh Phillips (2001). Sejak itu, pelbagai usaha pembangunan dan
penyelidikan dalam bidang ini semakin bertambah seiring dengan peningkatan
kesedaran ke atas isu-isu kitar hayat kejuruteraan seperti kitar semula, guna semula,
perkilangan semula dan sebagainya. Walaupun sistem pengasingan automatik semasa
mampu mengasingkan plastik dengan cekap, namun ia melibatkan pelaburan yang
tinggi kerana memerlukan teknologi dan peralatan khusus. Teknologi Sinar-X
transmisi, Sinar X floresen dan Infra Merah adalah di antara beberapa jenis teknologi
yang telah digunakan oleh para penyelidik untuk mengasingkan plastik secara
automatik. Bahagian seterusnya memperihalkan secara lengkap tentang teknologi
sistem pengasingan sedia ada.
2.2.1 Teknologi Sinar X Transmisi (XRT)
Teknologi XRT menggunakan pancaran sinar XRT yang dipancarkan menerusi botol
dan dikesan oleh pengesan pada hujung yang berikutnya. Disebabkan sinar XRT
dipancarkan menembusi botol, ia mengabaikan butir seperti label dan kotoran yang
melekat pada permukaan botol yang boleh membawa kepada bacaan yang salah pada
sistem pengesan. Namun begitu, kelebihan utama sistem ini adalah ia boleh mengesan
kandungan kimia dalam botol meskipun botol-botol tersebut bertindih atau melekat di
antara satu sama lain. Keadaan botol yang sedemikian adalah perkara biasa lebih-lebih
lagi untuk sisa buangan plastik yang diperolehi dari tempat perlupusan sampah besar-
besaran apabila botol-botol plastik kebanyakan terpadat dan melekat dengan rapat
antara satu sama lain.
Sebagai contoh, apabila botol PVC bertindih dengan botol PET, sistem sinar
XRT akan mengesannya sebagai botol PV dan kedua-dua botol tersebut akan di
asingkan sebagai bahan plastik jenis PV. Kelemahan utama sistem ini adalah bentuk
botol yang tidak sempurna iaitu samada telah terleper atau separa terleper yang boleh
menyebabkan gangguan pada penyebaran sinar yang akhirnya boleh menyebabkan
kegagalan pada bahagian pengesan di hujung untuk mengesan isyarat tersebut. Hal ini
boleh membawa masalah kerana sistem XRT telah diprogramkan untuk mengeluarkan
botol yang tidak dapat dikesan oleh sensor. Cara terbaik untuk mengurangkan
11
kehilangan bahan PET adalah dengan mengasingkan dulu antara kedua-dua botol
tersebut sebelum melalukan bahan sisa plastik pada sensor XRT.
2.2.2 Teknologi Sinar X-Floresen (XRF)
Pada sistem XRF pula, sinar XRF yang dipantulkan kembali pada sensor dikesan oleh
pengesan pada hujung yang sama untuk menentukan jenis botol tersebut. Halangan
pada pengesanan permukaan ini adalah ia tidak dapat mengesan botol PVC yang
terlindung disebalik botol lain serta menghalang sinar tersebut. Akibatnya, sistem ini
tidak dapat mengesan botol PVC yang terlindung di sebalik botol PET apabila kedua-
duanya melalui permukaan sensor. Tambahan pula hasil pengesanan permukaan botol
plastik juga mungkin dipengaruhi oleh kotoran, label dan penutup botol yang boleh
menyebabkan botol PET disalah cam dan dibuang keluar. Apabila menggunakan XRF
atau jenis-jenis pengesan permukaan yang lain adalah penting bagi sistem tersebut
direka agar ia mempunyai satu laluan yang boleh melalukan satu botol bagi satu masa
untuk mengelakkan pertindihan antara botol-botol yang menyebabkan masalah bagi
pengesan untuk mengesan maklumat bagi jenis botol tersebut. Ini berkemungkinan
mengurangkan kesan halangan (shielding effect) yang boleh menyebabkan botol PVC
tersembunyi di sebalik botol PVC.
Sesetengah botol PET dan PVC dikilangkan dengan tambahan bahan kimia
untuk menyerap sebahagian sinar X dan sinar matahari sekitaran agar dapat
melindungi kandungan produk di dalamnya. Selain itu, disebabkan sinar X adalah
suatu bentuk radiasi maka langkah berjaga-jaga mestilah diambil kira dengan teliti
agar tidak membahayakan dan mendedahkan pekerja-pekerja kepada sinar radiasi.
Sistem perisai yang bagus mestilah digunakan oleh setiap pekerja agar tidak ada
masalah pencemaran radiasi ke atas diri mereka. Penangkis pencemaran radiasi
memerlukan sumber kewangan yang banyak dan perlu sesuai digunakan dalam apa
jua industri yang menggunakan teknologi berpenglihatan mesin. Ini kerana
pencemarannya boleh mendatangkan risiko penyakit kanser kulit dan katarak pada
mata di kalangan pekerja.
12
2.2.3 Teknologi Sistem Pengasingan Infra Merah (Near Infra Red - NIR)
Infra merah adalah sebahagian daripada spektrum cahaya yang tidak dapat dikesan
oleh mata manusia. Apabila botol plastik didedahkan kepada NIR setiap resin botol
plastik akan menyerap cahaya tersebut dalam caranya yang tersendiri dan unik yang
mampu dikesan oleh pengesan. Oleh yang demikian NIR mempunyai kuasa untuk
mengasingkan pelbagai jenis resin botol plastik. Seperti XRT, sinar NIR menembusi
sepenuhnya botol plastik dan boleh mengesan botol yang terlindung disebalik botol
yang lain. Kelebihan utama NIR adalah kemampuannya untuk mengesan bekas
komposit dan lapisan yang banyak. Sebahagian bekas ini boleh membawa pencemaran
kepada proses kitar semula botol PET dan amat sukar dikesan secara visual.
Kebolehan NIR mengasingkan bekas-bekas sebegini adalah menjadi semakin penting
dalam pemprosesan botol PET.
Walaubagaimanapun, sinar NIR juga masih mempunyai kelemahan. Seperti
XRT, sinar NIR juga boleh mencapah dengan mudah apabila melalui botol atau bekas
yang kemek atau separa kemek yang menghalang isyarat daripada dikesan oleh
pengesan yang menyebabkan bekas tersebut dibuang keluar. Kelebihan utama sistem
NIR berbanding X-ray adalah tiada masalah yang melibatkan radiasi yang boleh
membahayakan keselamatan pekerja dan alam semulajadi seperti yang dihasilkan oleh
sistem X-ray.
Beberapa kajian lepas (Bruno 2000; Clean Washinton Centre 2006) telah
membuktikan bahawa sistem NIR spektroskopi boleh memenuhi kehendak sistem
pengasingan plastik seperti sifat yang disebutkan di atas. Antaranya adalah kajian
yang dilakukan oleh SIRIUS yang membangunkan sistem pengecaman untuk
mengasingkan plastik daripada bukan plastik berasaskan teknologi penglihatan
spektroskopi, (Stchur et al. 2002). Dua kriteria utama yang menjadi objektif sistem ini
ialah mengenalpasti sampel bahan buangan plastik sekurang-kurangnya 80% daripada
bahan buangan tersebut adalah plastik dan selebihnya adalah bukan plastik.
13
Seterusnya sistem ini boleh membezakan antara campuran plastik tulen dengan
yang bukan plastik. Ini kerana sampel bahan buangan terdiri dari campuran plastik
dan bukan plastik.
Pelbagai teknik untuk mengenalpasti jenis bahan kimia plastik seperti kaedah
kimia oleh Hall & Dunsmore (2005), kaedah mekanikal berasaskan ketumpatan
seperti pengelasan udara dan air (Biddle et al. 1999; Hammaad 2005; Hurd 1997;
Bruno 2000) atau kaedah elektromagnetik iaitu mengukur tahap penyerapan spekrum
elektromagnetik. Teknologi elektromagnetik merupakan teknologi pengecaman
plastik dari plastik yang banyak digunakan dalam industri kitar semula plastik. Ia
menggunakan teknologi NIR bagi mengenalpasti jenis plastik. Kebaikan
menggunakan NIR spektroskopi adalah kelajuan mengenalpasti jenis plastik,
(GLIfRM 1998). Kebaikan lainnya adalah warna tidak menjejaskan pengenalpastian
bahan kimia plastik kecuali botol plastik yang berwarna hitam. (Kowol et al. 1998).
Walau bagaimanapun pengasingan botol plastik kepada tujuh komponen kimia yang
berbeza boleh meningkatkan kos komponen perkakasan berbanding nilai tambah ke
atas botol plastik oleh sistem pengasingan (Hurd 1997).
2.3 SISTEM PENGASINGAN BERASASKAN TEKNOLOGI PENGLIHATAN MESIN
Bahagian ini mempersembahkan ulasan mengenai hasil tinjauan kepustakaan yang
dilakukan terhadap sistem pengasingan automatik yang telah dibangunkan
menggunakan teknologi sistem penglihatan mesin yang mengaplikasikan serta
memanfaatkan kemajuan teknologi dalam bidang komputeran pintar dan pemprosesan
imej. Kaedah berasaskan sistem penglihatan komputer telah diaplikasikan dalam
pelbagai bidang antaranya untuk pertanian oleh Aouache (2006); Ang (2008); Zhao-
yan et al. (2005) & Kamarul (2009) manakala dalam bidang pembuatan/pengredan
makanan/industri makanan seperti yang dilaporkan oleh Heleno et al. (2002),
Leemans & Destain (2004); Riyadi et al. (2007); Abbasgolipour et al. (2010) &
Dehrouyeh et al. (2010). Keseluruhan kajian menunjukkan teknik pemprosesan imej
mampu mengecam objek sasaran juga boleh mengelaskan objek tersebut kepada
kelas-kelas yang telah ditentukan.
14
Menerusi bidang pembuatan atau penggredan makanan pula, Riyadi et al.
(2007) telah melaksanakan satu kajian menggunakan teknik pemprosesan imej untuk
pengredan buah betik. Analisa profil imej digital betik telah digunakan bagi
mengelaskan buah betik mengikut gred saiz masing-masing. Perlakuran sifat antara
mean-jumlah diameter, mean-nilai maksimum diameter dan jumlah-nilai max
diameter. Kesemua sifat ini dikelaskan menggunakan pengelas rangkaian neural dan
ketepatan pengelasan adalah 95%.
Sifat warna adalah parameter penting dalam pengelasan dan pengasingan
kismis oleh Abbasgolipour et al. (2010). Bagi menyari sifat berguna daripada imej
yang dikumpul oleh sistem mesin penglihatan, algoritma yang cekap dibangunkan dan
diimplementasi menggunakan persekitaran Visual Basic 6.0. Algoritma ini
mengandungi modul segmentasi latarbelakang, pemilihan kismis dan sarian sifat.
Pengasingan kismis dilakukan berasaskan kepada sifat warna HSI iaitu, hue saturasi
dan keamatan. Gabungan nilai panjang dan nilai warna HIS, kismis akan dikelaskan
kepada dua kelas. Kedudukan titik tengan graviti juga ditentukan untuk pengelasan
kismis yang baik dan kismis yang rosak. Ketepatan hasil kajian menunjukkan sistem
yang dicadangkan mampu mengelas kan kismis sehingga 96% pengelasan benar.
Sistem penglihatan mesin yang memanfaatkan teknik pemprosesan imej
dilaksanakan oleh Dehrouyeh et al. (2010) menerusi algoritma berasaskan
pemprosesan imej bagi mengesan tompokan darah dalam telur ayam serta kotoran
pada cengkerang telur yang diambil pada iluminasi berbeza. Bagi menyari sifat vektor
terbaik, untuk imej telur ini, algorima dalam ruang warna HIS telah dibangunkan.
Histogram hue digunakan untuk mengesan tompokan darah dalam telur manakala nilai
maksimum bagi histogram yang dipilih akan digunakan untuk mengesan kerosakan
pada cengkerang telur. Kaedah lain untuk mengesan kotoran pada kulit telur adalah
dengan menggunakan teknik mengesan kawasan berhubungan. Keputusan dari ujikaji
menunkjukkan purata 91% kecekapan pengesanan telur yang mempunyai tompokan
darah dalam telur manakala purata 85.66% ketepatan algoritma mampu mengesan
telur rosak berdasarkan kekotoran pada cengkerang telur.
15
2.4 SISTEM PENGASINGAN SISA PEPEJAL DAN BOTOL PLASTIK
Menurut Hearn & Ballard (2005), terdapat pelbagai teknik telah dibangunkan bagi
membolehkan bahan sisa domestik dikenal pasti dan diasingkan mengikut kumpulan
bahan sebelum proses kitar semula. Bahan sisa tersebut boleh diasingkan berdasarkan
saiz dan bentuk sama ada dari jenis kadbod, kayu atau kertas. Semua ini boleh
dilakukan dengan menggunakan tahap cas elektrostatik terkawal dan membandingkan
santaian cas menggunakan meter lapangan elektrik tak bersentuhan. Sisa domestik
seperti botol, tab dan dulang makanan plastik akan dialir ke dalam kumpulan polimer
masing-masing menggunakan siri kuar tribo-elektrik. Kuar yang mempunyai kepala
gelendong berputar serta mampu menghasilkan cas elektrostatik akan bersentuhan
dengan bahan sisa untuk proses pengenal pastian.
Bagi sistem pengecaman botol plastik pula, Ong (2005) telah membangunkan
sistem pengecaman botol plastik secara automatik untuk mengklasifikasikan jenis
bentuk botol kepada lima jenis iaitu botol syampu, botol mineral, botol pembersih, tin
biskut dan botol minuman ringan. Ong juga menekankan penganalisaan dan
pengkelasan botol plastik menggunakan rangkaian neural. Antara algoritma
pemprosesan imej yang digunakan adalah penuras untuk penukaran ke skala kelabu
dan pengesanan sisi imej. Keputusan keupayaan pengelasan jenis-jenis botol tersebut
yang diperolehi adalah di antara 83% ke 100%. Ong mengelaskan botol plastik kepada
jenis botol plastik itu sendiri menggunakan kaedah padanan templat.
FarahYasmin (2005) pula dalam tesisnya telah membangunkan algoritma
pengelasan botol menggunakan kod rantaian Freeman. Kaedah sentroid bintang dan
tetingkap bergerak bersaiz 10x10 digunakan untuk menjana kod rantaian Freeman.
Rangkaian neural juga digunakan untuk mengelaskan botol kepada PET dan BUKAN-
PET. Keputusan pengelasan antara 98% dan 99.6% menunjukkan kaedah yang
digunakan mampu mengecam botol plastik serta mengelaskannya kepada kelas botol
masing-masing.
Dzuraidah et al. (2006), telah membina perkakasan yang mempunyai struktur
mekanikal seperti yang digambarkan dalam Rajah 2.1. Secara asasnya algoritma
16
sarian sifat pengecaman imej botol yang dibina dalam kajian tesis ini akan
digabungkan dengan struktur mekanikal sedia ada ini bagi menghasilkan sebuah
sistem penglihatan mesin yang cekap lagi tegar.
Rajah 2.1 Gambaran struktur sebuah sistem pengasingan botol plastik secara automatik
Bagi tujuan sistem prototaip semua botol kitar semula akan jatuh ke dalam
bekas pengumpul dalam keadaan posisi menegak serta sebiji demi sebiji seakan sama
ia melalui konveyor. Tetapan ini adalah sama seperti sistem automasi menggunakan
NIR sebagai pengesan di mana botol kitar semula harus sampai ke alat pengesan sebiji
demi sebiji pada satu-satu masa bagi memaksimakan ketepatan dan kualiti. Sistem
prototaip ini seharusnya mampu mengendali, mengesan dan mengisih botol kitar
semula dalam pelbagai saiz seperti botol bersaiz kecil vitagen sehinggalah ke botol
minyak masak yang bersaiz besar. Namun untuk kajian ini, Dzuraidah et al. (2006)
menghadkan kepada bahan PET dan BUKAN-PET sahaja.
Tachwali et al. (2007) telah membangunkan sebuah sistem pengasingan botol
secara automatik yang mengaplikasikan kaedah pemprosesan imej-imej botol dengan
teknik kecerdikan buatan untuk mengesan vektor sifat yang dikenalpasti iaitu vektor
sifat warna dan komposisi kimia botol. Namun, sifat yang digunakan tidak
Sistem Pengesan
Pengumpul
Pengesan
Pelenting
Sistem Pengendali Bahan
Tali Sawat Penyampai
Bekas Botol
BUKAN-PET
Bekas Botol PET
17
memberikan hasil yang unik bagi jenis-jenis botol di mana peratus pengelasan yang
diperolehi adalah sederhana iaitu hanya 83.4%. Sememangnya, adalah amat sukar
untuk melakukan pengasingan botol dengan hanya berdasarkan kepada warna
manakala pengesanan komposisi kimia menggunakan panjang gelombang tidak dapat
memberikan perwakilan botol yang tepat. Kajian ini mengelaskan botol plastik kepada
kelas lutsinar atau legap.
Edgar et al. (2009) dalam kajiannya untuk mengenalpasti botol plastik untuk kitar
semula telah melaksanakan algoritma berasaskan bentuk dan dimensi objek. Empat
kaedah sarian sifat iaitu sifat geometri, perimeter cartesan, perimeter polar dan profil
polar. Pengenalpastian tercapai dengan membandingkan set sifat yang diukur dengan
yang terdapat di pangkalan data disamping mengintergrasikan dengan teknik
pengecaman seperti jarak minimum dalam ruang sifat, peta tersusun sendiri dan
rangkaian neural. Sistem pengecaman ini diuji pada 50 biji botol berbeza dan
ketepatan pengenalpastian adalah 97%. Kajian ini turut mengelaskan botol plastik
kepada kelas PET dan BUKAN-PET.
2.5 KAJIAN BERKAITAN KEPINTARAN BUATAN
Kajian ini melibatkan penggunaan alat pengelas untuk menguji dan mengesahkan
vektor sifat yang disari benar-benar unik dan jitu sebagai perwakilan kepada imej
botol plastik. Dua jenis alat pengelas yang digunakan adalah pengelas pendiskriminan
lelurus dan pengelas rangkaian neural. Latihan dan pengujian untuk kedua-dua alat
pengelas dilaksanakan secara pengesahan bersilang.
2.5.1 Pengelas Pendiskriminan Lelurus
Pengelas pendiskriminan lelurus mempunyai sempadan keputusan yang lelurus.
Sebagai contoh masalah dua kelas seperti di bawah:
Sempadan keputusan antara dua kelas adalah hiper satah atau garisan
pancangan dalam ruang vektor sifat.
Garis pancangan dalam keadaan ruang masukan dimensi p adalah set seperti
berikut:
18
f
:.
p1
p2
p3
p4
pR
:.
n a
b
w1,1
w1,R
1
Masukan p Masukan vektor w neuron
0:1
0
jj
p
j
xx (2.1)
Dua kawasan dipisahkan oleh garis pancangan seperti berikut:
0:1
0
jj
p
j
xx dan 0:1
0
jj
p
j
xx (2.2)
Pengelas pendiskriminan lelurus sesuai untuk tujuan pengelasan botol kerana:
Masalah pengelasannya melibatkan masalah pengelasan binari iaitu untuk
mengasingkan botol plastik kepada dua kategori iaitu samada botol plastik
PET atau BUKAN-PET.
2.5.2 Pengelas Rangkaian Neural Buatan
Rangkaian neural tiruan adalah entiti matematik yang dibina berdasarkan daripada
model neuron yang terdapat dalam otak manusia (Haykin 2009). Kesemua model
matematik adalah berdasarkan kepada blok asas yang dikenali sebagai neuron buatan.
Contoh neuron ditunjukkan pada Rajah 2.2.
Rajah 2.2 Contoh model neuron
Elemen masukan adalah p1, p2, p3...pr dan didarabkan dengan pemberat w1,1, w1,2 ...
w1R dan nilai pemberat tersebut di masukkan ke cabang pencampuran. Keluaran a
boleh ditulis sebagai
(2.3)
Model asas RNT mengandungi lapisan neuron yang mempunyai R bilangan vektor
masukan, manakala f adalah rangkap pindah yang mempunyai masukan n (Fausett
1990).
)( bwfa p
19
(2.4)
Rangkap pindah yang biasa digunakan dalam operasi rangkaian neural antaranya
adalah seperti yang ditunjukkan pada Rajah 3.8. Vektor masukan yang digunakan
dalam kajian ini adalah dua vektor mewakili satu imej masukan. Rangkap pindah yang
digunakan adalah rangkap pindah lelurus (linear transfer function).
Rajah 2.3 Contoh model neuron dengan rangkaian satu aras
Dalam kajian ini, kotak alatan Matlab RNT digunakan untuk tugas pengelasan.
Setelah rangkaian menerima latihan yang sempurna, ia digunakan bagi mengelas imej
botol plastik kepada jenis PET atau BUKAN-PET.
2.5.3 Pengesahan Bersilang
Pengesahan bersilang melibatkan pendiskriminan lelurus diperolehi pada set 1
pangkalan data imej dan pengujian dilakukan pada 4 set pangkalan data imej yang
lain. Seterusnya pangkalan data ditukar dengan mendapatkan pendiskriminan lelurus
pada set 2 pangkalan data dan pengujian dilakukan pada 4 set pangkalan data yang
lain. Proses ini berterusan sehingga kesemua 5 set data telah digunakan untuk
mendapatkan pendiskriminan lelurus atau rangkaian neural dan seterusnya mengukur
kecekapan di peringkat pengelasan.
Dalam statistik, kaedah pengesahan bersilang adalah amalan pembahagian
sampel data kepada beberapa sub-sampel (Richard 1987). Analisis dilakukan pada
satu sub-sampel sementara sub-sampel yang lain seolah-olah dihilangkan untuk tujuan
pengesahan analisa tersebut. Menerusi kaedah pengesahan bersilang k lipatan, data
bpwpwpwn RR ,122,111,1 ...
20
Set latihan
5 model pengesahan bersilang yang dibina
Latihan
Ujian
Model 1
Latihan
Latihan
Ujian
Model 2
Latihan
Ujian
Model 5
Model terbaik
Set ujian
++
++
__
Data imej
Vektor Fitur
dibahagikan kepada k subset pada saiz yang sama. Rangkaian dilatih sebanyak k kali,
dengan setiap kali latihan meninggalkan set-set yang lain untuk diuji. Sekiranya k
bersamaan dengan saiz sampel, ia dipanggil pengesahan bersilang ‘leave-one-out’.
Rajah 3.9 mempamerkan rajah skematik teknik pengesahan bersilang yang
diterangkan,
Rajah 2.4 Rajah skematik latihan pengesahan bersilang 5 set lipatan
2.6 RUMUSAN HASIL KAJIAN KEPUSTAKAAN
Berdasarkan hasil tinjauan, didapati kaedah pengasingan automatik berasaskan
teknologi penglihatan mesin adalah wajar dan amat sesuai digunakan dalam usaha
membangunkan sebuah sistem pengasingan bahan buangan sisa pepejal jenis plastik.
Sebagaimana yang dibentangkan teknologi perkomputeran masakini yang serba
canggih dan berkemampuan tinggi serta perkembangan pesat teknologi bidang
pemprosesan imej dan kepintaran buatan telah membuktikan bahawa adalah tidak
mustahil untuk membangunkan sistem pengasingan botol plastik secara lebih efektif
dan cekap. Dengan itu, perlaksanaan kajian ini yang juga berasaskan teknologi
pemprosesan imej wajar di teruskan. Keadaan ini dikukuhkan lagi dengan Jadual 2.1
berikut yang merupakan ringkasan kajian pengecaman bentuk botol plastik yang telah
dijalankan oleh penyelidik lepas. Perbandingan adalah berdasarkan pada peratus
ketepatan pengelasan yang dilakukan.
21
Jadual 2.1 Perbandingan kajian pengecaman botol plastik
Penulis Vektor Ciri
Pendekatan Saiz Pangkalan
Data
Pengelas %ketepatan pengelasan
Jenis Pengelas
-an
Ong(2005)
Bentuk Set 30 biji botol berbeza
Rangkaian Neural Perambata-n Belakang
92% Padanan templat
FarahYasmin(2005)
Tetingkap dan FCC
Bentuk Set 8 biji botol berbeza
Rangkaian Neural Tiruan
99.60% PET atauNON-PET
Tachwali(2007)
Warna 83.40% ClearKomposisi kimia Set 100 biji
botol berbeza
Rangkaian Neural Tiruan
Opaque
Edgar(2009)
Profil polar
Bentuk Set 50 biji botol berbeza
Minimum distance in feature space
97% PET atau NON-PET
Ciri geometri
Bentuk Self organizing map
90% PET atau NON-PET
22
BAB II 9KAJIAN KEPUSTAKAAN 9
PENGENALAN 92.1 9
2.2 TEKNOLOGI PENGASINGAN PLASTIK BERASASKAN SINARAN 92.3 SISTEM PENGASINGAN BERASASKAN TEKNOLOGI PENGLIHATAN MESIN 132.4 SISTEM PENGASINGAN SISA PEPEJAL DAN BOTOL PLASTIK 152.5 KAJIAN BERKAITAN KEPINTARAN BUATAN 17
23
2.5.1 Pengelas Pendiskriminan Lelurus 172.5.2 Pengelas Rangkaian Neural Buatan 182.5.3 Pengesahan Bersilang 19
2.6 RUMUSAN HASIL KAJIAN KEPUSTAKAAN 20
24
Rajah 2.1 Gambaran struktur sebuah sistem pengasingan botol plastik secara automatik 16Rajah 2.2 Contoh model neuron 18Rajah 2.3 Contoh model neuron dengan rangkaian satu aras 19Rajah 2.4 Rajah skematik latihan pengesahan bersilang 5 lipatan 20
Jadual 2.2 Perbandingan kajian pengecaman botol plastik......................................... 21
Merah- tiada dlm ref, ada dlm teksPurple: tdlm ref, tiada dlm teks
Penulis Vektor Sifat
Pendekatan
Saiz Pangkala
n Data
Pengelas %ketepatan
pengelasan
Ong(2005) Bentuk Set 30 biji botol berbeza Rangkaian
neural perambatan belakang
92%
Farah Yasmin(2005)
Tetingkap dan FCC
Bentuk Set 8 biji botol berbeza
Rangkaian Neural Tiruan
99.60%
Tachwali(2007)
Warna 83.40%Komposisi kimia
Set 100 biji botol berbeza
Rangkaian Neural Tiruan
Edgar(2009) Profil polar
Bentuk
Set 50 biji botol berbeza
Minimum distance in feature space
97%
Sifatgeometri
Bentuk Rangkaian Neural
90%
Self organizing map