Computer vision adalah konsep AI yang mampu melatih komputer untuk melihat, memahami, bahkan memproses dunia visual. Berbeda dengan mata manusia yang mudah mengenali visual, komputer justru menganggapnya sebagai susunan angka acak.
Oleh sebab itu, penglihatan komputer ini perlu pelatihan khusus hingga mesin mampu memahami konteks visual secara cerdas sesuai kebutuhan. Pada penerapannya, harus tahu dulu bagaimana mesin memahami visual, proses, identifikasi, sampai aplikasi nyatanya.
Cara Mesin Memahami Visual
Seperti yang sudah disebutkan di atas, computer vision berbeda dengan mata manusia. Komputer justru menangkap visual sebagai angka yang kemudian melalui proses khusus hingga menjadi data visual seperti apa yang mata manusia tangkap.
Contohnya adalah kamera yang menangkap cahaya dan mengubahnya menjadi matriks nilai piksel digital. Konsep seperti ini bisa terbentuk saat ada penggunaan algoritma pembelajaran mendalam sehingga mesin bisa terlatih mengenali karakteristik objek.
Analogi paling mudah soal pengajaran visual ini adalah saat orang tua mengajar balita. Pengenalan bentuk dan warna benda di sekitar tentu akan berjalan dari dasar sampai benar-benar hafal dari data yang masuk ke otaknya.
Proses Identifikasi Objek
Alur kerja kecerdasan buatan dalam mengidentifikasi objek ini tentu tidak mudah. Harus ada data mentah yang nantinya melewati banyak proses untuk kemudian mendapat hasil dan keputusan akhir.
Tidak hanya itu, pentingnya variasi sudut dan pencahayaan harus tetap diperhitungkan. Semakin banyak variasinya, maka proses identifikasi akan semakin akurat. Untuk mencapai akurasi itu, berikut rincian prosesnya:
1. Deteksi Piksel Warna
Tahap paling awal dari computer vision adalah mendeteksi piksel warna. Mesin akan membaca intensitas nilai warna merah, hijau, dan biru atau RGB di setiap piksel gambar. Langkah ini tidak akan terlewati karena sangat berkaitan dengan tahapan lain.
Bahkan sistem akan melakukan proses pemetaan kontras warna. Pemisahan objek utama dengan latar belakang gambar bisa terjadi sehingga segmentasi tertentu akan terbentuk sebagai indikator utama.
2. Ekstraksi Bentuk Dasar
Selanjutnya akan ada proses ekstraksi bentuk dasar dari data visual yang didapat. Algoritma akan mengenali sudut tajam, garis tepi, sampai tekstur permukaan secara menyeluruh sesuai data objek.
Proses akan berjalan sampai penggabungan elemen-elemen dasar tersebut terjadi. Saat sudah ada penggabungan, maka satu kerangka bentuk yang utuh bisa dikenali dengan mudah dan membentuk objek sesuai kondisi nyata.
3. Klasifikasi Data Gambar & Verifikasi Hasil
Setelah ekstraksi berlangsung, tentu visual tidak akan langsung keluar. Ada proses klasifikasi berdasarkan basis data computer vision yang sudah menjadi bahan belajar. Pencocokan ini akan menentukan label objeknya.
Setelah label berhasil keluar, maka ada tahap verifikasi hasil untuk menunjukkan tingkat kepercayaan presentase akurasi. Setelah proses akhir ini, maka keputusan bisa muncul sesuai dengan tujuan.
Aplikasi Nyata Hari Ini
Pemanfaatan teknologi ini semakin masif dan nyata hari ini. Misalnya saja teknologi pengenalan wajah untuk sistem keamanan ponsel pintar. Konsep ini adalah contoh paling dekat dengan kehidupan manusia.
Namun selain itu, penglihatan komputer yang sudah terlatih seperti ini juga masuk ke berbagai sektor. Contohnya adalah implementasi kamera lalu lintas untuk mendeteksi pelanggaran plat nomor kendaraan.
Selain itu, perannya juga krusial di dunia mesin untuk membantu dokter menganalisa foto rontgen lebih presisi. Tanpa teknologi ini, diagnosis medis akan sulit dilakukan dengan cepat dan akurat.
Penutup
Jadi tidak bisa dipungkiri jika computer vision sudah membuka pintu inovasi tanpa batas. Bukan hanya sebagai ajang menunjukkan kemampuan teknologi, tapi juga bermanfaat untuk manusia dalam jangka panjang.
