pothole·cnn

Pemrosesan Citra · Convolutional Neural Network

Mendeteksi jalan berlubang
dengan CNN yang ditulis dari nol.

Sebuah model LeNet-5 yang seluruh matematikanya — konvolusi, pooling, ReLU, softmax, cross-entropy, hingga backpropagation — dikodekan tangan dengan NumPy. Tanpa PyTorch, tanpa TensorFlow, tanpa autograd. Setiap gradien dibuktikan benar.

94,4% akurasi uji/ 712 citra/ 0 framework DL/ galat gradien 10⁻⁹

↓  coba modelnya di bawah

01 · coba modelnya

Beri model sebuah foto jalan.

Ensembel 3 model LeNet-5 (NumPy murni) — tiga model menebak bersama lalu suaranya dirata-rata, seperti panel juri agar lebih akurat — berjalan langsung di server dan menebak apakah permukaan jalan berlubang atau normal.

Pilih gambar
atau coba:
Menunggu gambar…
model memuat bobot terlatih (weights.npz)
normal—
pothole · berlubang—

Dilatih pada dataset terbatas (712 citra, RGB 48×48). Prediksi bersifat ilustratif untuk memperlihatkan cara kerja CNN — bukan untuk penggunaan kritis.

02 · pengujian

Hasil pada 107 citra uji.

Data uji tak pernah dilihat model saat pelatihan. Metrik dihitung manual dari confusion matrix.

94,4%
Akurasi
91,5%
Presisi
98,2%
Recall
94,7%
F1-score
confusion matrix
Confusion matrix — TP 54, TN 47, FP 5, FN 1.
kurva pelatihan
Kurva pelatihan — val-acc terbaik 89,7% (epoch 25); overfitting terkendali.

03 · arsitektur

Aliran data melewati tiap hidden layer.

Tiap kali gambar melewati sebuah lapisan, ukurannya menyusut bertahap — dari 48×48 titik jadi 9×9. Rumus (W − N + 2P)/S + 1 hanya menghitung ukuran yang tersisa di tiap tahap. Istilah asing? Lihat Kamus Istilah.

Conv = penyaring pola · Pool = memperkecil · FC = pengambil keputusan · Softmax = ubah skor jadi persen keyakinan.

flowchart TB A["Input
3×48×48"] --> B["Conv1 6@5×5 · ReLU
6×44×44"] B --> C["MaxPool
6×22×22"] C --> D["Conv2 16@5×5 · ReLU
16×18×18"] D --> E["MaxPool
16×9×9"] E --> F["Flatten
1296"] F --> G["FC-120"] --> H["FC-84"] --> I["Softmax
normal / pothole"]

↑ setiap kotak = satu lapisan; angka = ukuran data (kanal × tinggi × lebar) yang mengalir

feature map pothole
Feature map — citra pothole, dari tepi kasar ke fitur abstrak.
feature map normal
Feature map — citra normal.

04 · cara kerja

Dokumentasi teknis, langkah demi langkah.

Tiap dokumen memuat penurunan matematis dan diagram Mermaid yang memvisualkan aliran data & gradien antar lapisan.

Baca makalah lengkap (±20 halaman) →