Sistem inspeksi visual telah dimanfaatkan pada berbagai bidang seperti pengawasan, perakitan, pemandu kendaraan, pengawasan lalu lintas, pengukuran biometrik, dan bidang lainnya. Perangkat pencitraan yang digunakan, seperti kamera, harus diatur pada titik fokusnya untuk mendapatkan gambar yang jernih dan tajam. Dalam suatu sistem yang otomatis, seperti pada inspeksi visual produksi papan sirkuit elektronik (PCB), kamera harus mampu mengatur dirinya sendiri agar selalu mendapatkan gambar yang tajam. Dengan kata lain, sistem kamera harus autofokus. Oleh sebab itu, komputer harus memiliki parameter yang mengkuantisasi ketajaman gambar dari objek yang sedang dicitrakan sehingga mampu membedakan antara citra yang kabur dan tajam seperti yang ditunjukkan oleh Gambar 1. Terdapat 11 algoritma autofokus yang dinilai performanya pada artikel ini, diantaranya Absolute Gradient, Autocorrelation, Blur Measurement, Brenner Gradient, Entropy, Energy of Laplacian, Midfrequency Discrete Fourier Transform (MDCT), Squared Gradient, Standard Deviation-Based Correlation, Tenenbaum Gradient, dan Variance. Seluruh algoritma tersebut merupakan suatu persamaan matematis dengan masukan yang berasal dari nilai-nilai intensitas pixel pada citra yang dihasilkan oleh kamera.

Langkah pertama yang dilakukan adalah mengumpulkan dataset yang berupa foto PCB berukuran 640x 480 yang diambil menggunakan mikroskop digital USB dengan perbesaran 10 kali. Mikroskop tersebut diatur sedemikian rupa sehingga bergerak setiap 1 mm secara vertikal untuk mendapatkan rangkaian citra yang berbeda ketajaman secara berurutan. Sejumlah 47 rangkaian gambar digital dihitung nilai ketajamannya dengan masing-masing algoritma menggunakan komputer bekecepatan 2.42 GHz dan RAM 8 GB. Eksperimen dilakukan dengan beberapa perlakuan terhadap citra. Perlakuan pertama yaitu dengan memberikan filter untuk meredam derau (noise) pada citra yang dianalisis. Selain itu, sebagai perlakuan kedua, juga mereduksi ukuran gambar (resize) untuk mengamati efek dari perubahan kualitas gambar akibat perubahan resolusi. Penelitian yang dilakukan menggunakan ukuran citra asli dan reduksi 50%. Pemeringkatan performa dari setiap algoritma didasarkan pada parameter berikut:

1. Waktu komputasi: diukur berdasarkan waktu yang dibutuhkan sebuah metode untuk menghitung ketajaman setiap gambar. Semakin cepat sebuah algoritma dalam menyelesaikan perhitungan, semakin baik.
2. Full Width at Half Maximum (FWHM): jarak dua posisi dimana nilai ketajaman turun menjadi setengah dari nilai tertingginya. Semakin kecil jaraknya, menunjukkan semakin sempat kurvanya, semakin baik algoritmanya.
3. Akurasi: didefinisikan sebagai jarak titik fokus sebenarnya, yang ditentukan oleh pengguna, dengan jarak titik fokus yang ditemukan oleh algoritma. Semakin kecil selisih jaraknya, semakin tinggi akurasinya. Nilai idealnya adalah 0.
4. Jumlah puncak palsu (false maxima): Suatu kurva yang monoton idealnya menunjukkan satu puncak yang menunjukkan titik fokus tanpa disertai puncak-puncak lainnya. Algoritma yang baik memberikan satu puncak saja.
5. Jangkauan: parameter ini berhubungan dengan parameter pada poin 4. Kurva yang dibentuk akan mencapai titik maksimum atau titik minimum lokal sebelum berbalik arah. Jangkauan diukur berdasarkan jarak antar dua titik maksimum atau minimum lokal. Semakin besar jangkauannya, semakin baik.

Peringkat setiap algoritma akan diurutkan sesuai peringkatnya pada setiap parameter. Selanjutnya akan dilakukan penjumlahan peringkat total dari seluruh parameter. Sehingga, algoritma terbaik pada penelitian ini akan mendapatkan skor terkecil.

Berdasarkan kriteria yang digunakan dalam penilaian, algoritma squared gradient, Brenner, autocorrelation, dan Tenengrad adalah kandidat algoritma terbaik, karena menunjukkan profil puncak kurva yang sempat. Tanda silang pada titik tertentu adalah puncak palsu, dimana nilai tersebut lebih tinggi dari nilai di sebelah kanan dan kirinya. Jika algoritma pencairan titik fokus tidak cukup cerdas untuk mendapatkan nilai puncak global, maka komputer akan salah menginterpretasikan bahwa titik puncak palsu adalah titik fokus utama.

Efek yang sangat signifikan tampak pada waktu komputasi yang lebih lama untuk memproses satu gambar. Tentu, waktu komputasi yang lama tidak cocok untuk aplikasi waktu nyata (real time). Penerapan filter NLM juga sedikit mengubah peringkat dimana squared gradient (SqGrad) menjadi algoritma terbaik, yang diikuti oleh MDCT dan Brenner pada kasus ini. Berdasarkan hasil eksperimen yang dilakukan, aplikasi filter NLM kurang cocok karena akan meningkatkan waktu komputasi. Reduksi ukuran citra juga menunjukkan perubahan hasil. Mengingat ukuran asli citra tergolong kecil, 0.3 MP, maka lebih direkomendasikan untuk tidak direduksi. Metode Brenner dapat menjadi pilihan utama dalam menentukan ketajaman citra kemudian disusul dengan squared gradient dan Tenengrad.

Penulis: Rizki Putra Prastio, S. Si., M. T.

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

https://ijeecs.iaescore.com/index.php/IJEECS/article/view/31804

[1]      Prastio, Rizki Putra, and Rodik Wahyu Indrawan. “Selection of autofocus algorithms for printed circuit board automated optical inspection system.” Indonesian Journal of Electrical Engineering and Computer Science 31.2 (2023): 856-865.