DETEKSI OBJEK DAN JENIS BURUNG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTION RESNET-V2
Abstract Views : 800 / Downloads Count: 913DOI:
https://doi.org/10.31949/infotech.v8i2.2889Keywords:
Convolutional Neural Network, Identifikasi, Deteksi, Deep Learning, Inception Resnet-V2, BurungAbstract
Banyaknya spesies burung membuat kita kesulitan untuk mengenali jenis burung dan diperlukannya pemahaman yang lebih khususnya dalam bidang zoologi. mengenali spesies burung secara manual merupakan tugas berat, di perlukannya SDM yang besar untuk mengidentitifikasi spesies burung apalagi jumlah yang akan akan di identifikasi begitu banyak dan juga memakan banyak waktu. Pada penelitian ini membuat sebuah sistem yang dapat mengenali spesies burung menggunakan citra gambar secara otomatis dengan menggunakan salah satu Arsitektur dari Convolutional Neural Network yaitu Inception Resnet V2, sehingga data citra tersebut dapat diekstraksi kemudian dapat mengenali spesies dari jenis burung. Yang bertujuan untuk melakukan pemantauan satwa khususnya burung dengan mengidentifikasi spesies burung secara otomatis, kemudian diharapkan masyarakat dengan mudah untuk mengenali jenis burung dan juga meningkatkan kemampuan kita untuk mempelajari dan melestarikan ekosistem khususnya ekosistem burung.
Downloads
References
J. Jo, J. Park, J. Han, M. Lee, and A. H. Smith, “Dynamic Bird Detection Using Image Processing and Neural Network,” 2019 7th Int. Conf. Robot Intell. Technol. Appl. RiTA 2019, pp. 210–214, 2019, doi: 10.1109/RITAPP.2019.8932891.
S. Islam, S. I. A. Khan, M. Minhazul Abedin, K. M. Habibullah, and A. K. Das, “Bird species classification from an image using VGG-16 network,” PervasiveHealth Pervasive Comput. Technol. Healthc., pp. 38–42, 2019, doi: 10.1145/3348445.3348480.
C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, “Inception-v4, inception-ResNet and the impact of residual connections on learning,” 31st AAAI Conf. Artif. Intell. AAAI 2017, pp. 4278–4284, 2017.
R. M. Kamble et al., “Automated Diabetic Macular Edema (DME) analysis using fine tuning with inception-resnet-v2 on oct images,” 2018 IEEE EMBS Conf. Biomed. Eng. Sci. IECBES 2018 - Proc., vol. cl, pp. 442–446, 2019, doi: 10.1109/IECBES.2018.8626616.
J. Wang, X. He, S. Faming, G. Lu, H. Cong, and Q. Jiang, “A Real-Time Bridge Crack Detection Method Based on an Improved Inception-Resnet-v2 Structure,” IEEE Access, vol. 9, pp. 93209–93223, 2021, doi: 10.1109/ACCESS.2021.3093210.
Y. Bhatia, A. Bajpayee, D. Raghuvanshi, and H. Mittal, “v2 and Recurrent Neural Network,” 2019 Twelfth Int. Conf. Contemp. Comput., pp. 1–6, 2019.
A. Thomas, P. M. Harikrishnan, P. Palanisamy, and V. P. Gopi, “Moving Vehicle Candidate Recognition and Classification Using Inception-ResNet-v2,” Proc. - 2020 IEEE 44th Annu. Comput. Software, Appl. Conf. COMPSAC 2020, pp. 467–472, 2020, doi: 10.1109/COMPSAC48688.2020.0-207.
W. Xu, X. Zhang, L. Yao, W. Xue, and B. Wei, “A multi-view CNN-based acoustic classification system for automatic animal species identification,” Ad Hoc Networks, vol. 102, May 2020, doi: 10.1016/j.adhoc.2020.102115.
S. Lee, M. Lee, H. Jeon, and A. Smith, “Bird detection in agriculture environment using image processing and neural network,” 2019 6th Int. Conf. Control. Decis. Inf. Technol. CoDIT 2019, pp. 1658–1663, 2019, doi: 10.1109/CoDIT.2019.8820331.
H. Nguyen et al., “Animal recognition and identification with deep convolutional neural networks for automated wildlife monitoring,” in Proceedings - 2017 International Conference on Data Science and Advanced Analytics, DSAA 2017, Jul. 2017, vol. 2018–January, pp. 40–49, doi: 10.1109/DSAA.2017.31.
K. O. Lauw et al., “Identifikasi Jenis Anjing Berdasarkan Gambar Menggunakan Convolutional Neural Network Berbasis Android,” J. Infra, vol. 8, no. 2, pp. 37–43, 2020.
M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, pp. 337–344, 2018.
C. Li, B. Zhang, H. Hu, and J. Dai, “Enhanced Bird Detection from Low-Resolution Aerial Image Using Deep Neural Networks,” Neural Process. Lett., vol. 49, no. 3, pp. 1021–1039, Jun. 2019, doi: 10.1007/s11063-018-9871-z.
Y. P. Huang and H. Basanta, “Bird image retrieval and recognition using a deep learning platform,” IEEE Access, vol. 7, pp. 66980–66989, 2019, doi: 10.1109/ACCESS.2019.2918274.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 INFOTECH journal
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.