Pengembangan Model Deteksi Mikroalga berbasis YOLOv9: Chlorella vulgaris dan Spirulina platensis

Khofiya, Nidaan and Dr.Agr.Sc.Ir.Dimas Firmanda Al Riza, ST.,M.Sc,IPM and Putri Setiani, S.T., M.ES., Ph.D (2025) Pengembangan Model Deteksi Mikroalga berbasis YOLOv9: Chlorella vulgaris dan Spirulina platensis. Sarjana thesis, Universitas Brawijaya.

Abstract

Mikroalga, seperti Chlorella vulgaris dan Spirulina platensis, adalah mikroorganisme fotosintetik dengan potensi besar untuk mengatasi isu global seperti pemanasan global dan kelangkaan pangan. Identifikasi dan pemantauan mikroalga yang akurat menjadi hal penting untuk budidaya yang efektif. Metode tradisional seperti hemocytometer cukup memakan waktu. Perkembangan teknologi seperti Artificial Intelligence, terutama Deep Learning, menawarkan alternatif yang dapat mengatasi hal ini. Sebuah studi terkini menggunakan YOLOv8 untuk memodelkan mikroalga multispesies dan mencapai mAP sebesar 0,925. Penelitian tugas akhir ini bertujuan untuk mengembangkan model deep learning berbasis YOLOv9 untuk mendeteksi Spirulina platensis dan Chlorella vulgaris. Metode penelitian dimulai dengan akuisisi data sejumlah 576 gambar mikroalga menggunakan mikroskop, diikuti dengan anotasi data, preprocessing, dan augmentasi di Roboflow. Model yang dirancang divariasikan dengan beberapa skenario yakni menerapkan data preprocessing dan augmentasi serta variasi tipe segmentasi model YOLOv9c-seg dan YOLOv9e-seg. Langkah terakhir adalah dengan membandingkan performa YOLOv9 dengan YOLOv8. Hasilnya menunjukkan bahwa dengan preprocessing dan augmentasi, mAP meningkat sebesar 3.72%, optimal confidence threshold sebesar 3.40%. YOLOv9c-seg lebih unggul dibandingkan dengan YOLOv9e-seg, ditandai dengan nilai mAP untuk bounding box dan masking masing-masing lebih tinggi sebesar 0,3% dan 2,5%. Meskipun Ultralytics mengklaim bahwa YOLOv9e-seg kemungkinan akan mencapai mAP lebih tinggi pada dataset COCO, YOLOv9c-seg terbukti lebih unggul dalam deteksi mikroalga karena memiliki FLOPs yang lebih rendah 55,83%. Kesimpulannya, model YOLOv9c-seg menunjukkan potensi signifikan untuk pemantauan mikroalga, menawarkan akurasi tinggi, kompleksitas komputasi yang lebih rendah, dan adaptabilitas yang lebih baik terhadap variasi Depth of Focus (DOF) pada mikroskop.

English Abstract

Microalgae, such as Chlorella vulgaris and Spirulina platensis, are photosynthetic microorganisms with great potential to address global issues like global warming and food scarcity. Accurate identification and monitoring of microalgae are crucial for effective cultivation. Traditional methods like hemocytometers are quite time-consuming. Technological advancements such as Artificial Intelligence, particularly Deep Learning, offer alternatives that can overcome this. A recent study using YOLOv8 model multi-species microalgae and achieved a mAP of 0.925. This final project research aims to develop a deep learning model based on YOLOv9 to detect Spirulina platensis and Chlorella vulgaris. The research methodology begins with data acquisition of 576 microalgae images using a microscope, followed by data annotation, preprocessing, and augmentation in Roboflow. The designed model is varied with several scenarios, that included applying data preprocessing and augmentation as well as variations in YOLOv9c-seg and YOLOv9e-seg model segmentation types. The final step is to compare the performance of YOLOv9 with YOLOv8. The results show that with preprocessing and augmentation, mAP increased by 3.72%, and the optimal confidence threshold increased by 3.40%. YOLOv9c-seg outperformed YOLOv9e-seg, indicated by higher mAP values for bounding box and masking by 0.3% and 2.5%, respectively. Although Ultralytics claims that YOLOv9e-seg might achieve higher mAP on the COCO dataset, YOLOv9c-seg proved superior in microalgae detection due to having 55.83% lower FLOPs. In conclusion, the YOLOv9c-seg model demonstrates significant potential for microalgae monitoring, offering high accuracy, lower computational complexity, and better adaptability to variations in Depth of Focus (DOF) in microscopy.

Text (DALAM MASA EMBARGO) Nidaan Khofiya.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item