Mengenali pola visual
Model membantu menemukan objek dan pola pada tampilan area atau produk yang diamati.
AI · Neural Network · Computer Vision
DGeoDetection memanfaatkan AI untuk mengenali kondisi dan penyimpangan visual, menghasilkan informasi yang relevan, lalu mendukung tindak lanjut di lapangan.
Konsep solusi · Pengembangan berbasis kebutuhan
Deteksi sesuai kebutuhan nyata
Data dan bukti untuk diperiksa
Tindak lanjut yang jelas
Apa yang perlu dikenali? Bukti apa yang bisa diamati? Apa yang dilakukan setelah ditemukan? Tiga pertanyaan ini menjadi titik awal DGeoDetection.
Dengan computer vision berbasis neural network, gambar dan video dapat diolah untuk mengenali objek, kondisi, aktivitas, atau penyimpangan. Hasilnya diterjemahkan menjadi informasi yang berguna bagi pengguna.
Model membantu menemukan objek dan pola pada tampilan area atau produk yang diamati.
Zona, waktu, durasi, serta kriteria mutu menentukan arti hasil deteksi bagi operasional.
Foto, cuplikan video, dan catatan hasil membantu petugas memeriksa kembali temuan.
Hasil deteksi dapat memicu pemeriksaan, evaluasi, atau mekanisme pemilahan sesuai SOP.
Dari monitoring aktivitas sampai inspeksi kualitas, pengamatan visual dihubungkan dengan hasil dan tindak lanjut yang berbeda.
Diagram konsep · Klik gambar untuk memperbesar.
Tidak semua pengamatan harus menjadi alarm. Ada yang menjadi kejadian, data angka, atau hasil pengenalan.
Mengenali kondisi yang perlu diperiksa atau ditindaklanjuti, disertai waktu, lokasi, dan bukti.
No helmetIndikasi smokingIndikasi sleepingTemuan cacat visualMenghasilkan jumlah, perubahan kondisi, dan ringkasan hasil untuk evaluasi operasional.
People countingOccupancyCrowdedStatistik mutuMengenali jenis objek atau peserta terdaftar sesuai lingkup dan tujuan penggunaan yang disepakati.
Face recognitionPeserta terdaftarJenis produkPilih use case untuk melihat kebutuhan, contoh fungsi, dan alur penggunaannya.
Pada area kerja, pintu masuk, pos petugas, atau fasilitas, DGeoDetection dirancang untuk membantu menyaring temuan dan menyediakan bukti untuk pemeriksaan.
Satu CCTV ditargetkan dapat menjalankan beberapa fungsi bersamaan. Kelayakan gambar dan kinerja gabungannya dibuktikan melalui PoC.
Tentukan zona, kondisi yang dicari, dan periode pemantauan.
Temuan memiliki waktu, lokasi, foto atau cuplikan video.
Petugas menilai konteks, menjalankan SOP, dan mencatat penanganan.
Ringkasan aktivitas dan temuan menjadi bahan perbaikan operasional.
Deteksi diarahkan pada penyimpangan yang terlihat, seperti kondisi permukaan, kelengkapan komponen, atau kemasan, berdasarkan kriteria mutu yang ditetapkan.
Inspeksi visual pada aktivitas Quality Control mendukung Quality Assurance dan evaluasi mutu. Jenis cacat, toleransi, dan tindakan mesin ditetapkan bersama tim produksi.
Amati produk pada titik inspeksi dengan kriteria mutu yang jelas.
Kelompokkan sebagai OK, NG (Not Good), atau Perlu review.
Produk sesuai melanjutkan proses; produk NG dialihkan; hasil meragukan ditinjau.
Bukti, jenis temuan, dan hasil pemilahan dirangkum menurut produk atau batch.
DGeoDetection diarahkan untuk membantu pemeriksaan, mendokumentasikan bukti, dan menyediakan data bagi evaluasi. Manfaatnya dinilai pada penerapan nyata.
| Kebutuhan | Monitoring CCTV | QA produksi |
|---|---|---|
| Perhatian lebih terarah | Temuan membantu petugas memilih kondisi yang perlu ditinjau. | Temuan membantu operator meninjau produk yang menyimpang dari kriteria visual. |
| Bukti yang dapat ditelusuri | Waktu, lokasi, dan visual kejadian terhubung dengan catatan penanganan. | Hasil inspeksi dan pemilahan terkait dengan produk atau batch yang diperiksa. |
| Data untuk evaluasi | Statistik aktivitas dan pola kejadian membantu evaluasi area. | Proporsi OK/NG serta jenis temuan membantu evaluasi mutu dan proses. |
| Tindak lanjut yang jelas | Verifikasi dan tindakan petugas mengikuti SOP lokasi. | Pemilahan dan penanganan pengecualian mengikuti prosedur produksi. |
Lingkup awal dipilih agar kebutuhan, contoh data, dan hasilnya bisa diperiksa bersama.
Tentukan objek, kondisi, pengguna, dan tindakan yang diharapkan.
Periksa contoh gambar, variasi kondisi, serta kriteria penilaiannya.
Ukur ketepatan hasil, waktu respons, dan kesesuaian tindak lanjut.
Sempurnakan penerapan berdasarkan hasil pilot dan pengalaman pengguna.
Mulai dengan satu area atau satu jenis produk. Bahan sederhana ini membantu menentukan lingkup PoC.
Tidak. Computer vision berbasis neural network dapat digunakan untuk kebutuhan deteksi yang dibahas di sini. Penggunaan layanan AI eksternal atau LLM dipilih hanya bila relevan dengan kebutuhan tambahan.
Itu menjadi sasaran pengembangan: event detection, counting/crowded, dan face recognition dapat dipilih pada satu CCTV. Detail gambar untuk tiap fungsi serta kinerja saat aktif bersamaan perlu dibuktikan melalui PoC.
Hasil inspeksi dapat dikembangkan untuk mendukung tindakan fisik, termasuk pemilahan produk. Kesesuaian hasil dengan produk yang sama, waktu pemilahan, dan penanganan pengecualian diuji bersama tim produksi dan otomasi.
Hasil dapat diarahkan ke pemeriksaan petugas. Wajah yang belum layak dianalisis tidak dipaksa menjadi identitas, dan produk dengan hasil meragukan mengikuti jalur review sesuai SOP.
CCTV dinilai dari ketepatan temuan, alarm salah, kejadian terlewat, galat hitungan, serta kinerja gabungan. QA dinilai dari produk NG yang lolos, produk OK yang ditolak, waktu inspeksi, dan keberhasilan pemilahan. Target disepakati berdasarkan kebutuhan serta contoh nyata.
Monitoring area atau inspeksi produk—pilih kebutuhan awal, tentukan hasil yang diharapkan, lalu buktikan melalui pengujian.