Deteksi Aktivitas Merokok di Tempat Umum: Mewujudkan Lingkungan Bebas Asap untuk Kota Cerdas

Perangkat Keras : reComputer J1020v2 dengan NVIDIA Jetson Nano
Aplikasi : Deteksi Asap Rokok
Industri : Kota Cerdas
Lokasi Implementasi : Malaysia

Deteksi aktivitas merokok di tempat umum sangat penting karena dampaknya yang luas terhadap kesehatan, keselamatan, serta pencegahan potensi kebakaran. Merokok di area publik seperti pusat perbelanjaan, restoran, hingga lingkungan sekolah tidak hanya membahayakan kesehatan perokok, tetapi juga orang-orang di sekitarnya. Selain itu, aktivitas ini meningkatkan risiko keselamatan, terutama di lokasi yang sensitif terhadap kebakaran.

Seiring dengan meningkatnya kesadaran akan risiko ini, berbagai infrastruktur publik seperti bandara, kereta cepat, SPBU, hingga gudang penyimpanan bahan mudah terbakar dan meledak, mulai menerapkan sistem deteksi merokok untuk mengontrol perilaku tersebut. Keberadaan sistem deteksi yang akurat dan efisien menjadi sangat krusial untuk mengidentifikasi potensi bahaya kebakaran secara tepat waktu. Hal ini tidak hanya melindungi keselamatan individu, tetapi juga memungkinkan petugas keamanan dan pemadam kebakaran untuk merespons lebih cepat terhadap potensi ancaman.

Permasalahan Teknis

Pengembangan sistem deteksi merokok menghadapi berbagai kendala teknis, terutama dalam hal efisiensi dan kemudahan implementasi. Metode konvensional seperti detektor asap memang unggul dalam menjangkau area luas dan mendeteksi asap dari jarak jauh, namun performanya bisa menurun akibat kondisi lingkungan, seperti pencahayaan rendah atau asap yang tipis.

Sementara itu, teknologi pemrosesan citra dan visi komputer kini menjadi pendekatan umum dalam deteksi visual. Namun, metode ini memiliki keterbatasan ketika harus mengenali objek berukuran kecil, seperti rokok yang sedang dipegang oleh tangan, sehingga kerap terjadi kesalahan deteksi atau objek tidak teridentifikasi.

Pendekatan Solutif

Untuk mengatasi keterbatasan dalam mendeteksi objek kecil, diterapkan pendekatan pembelajaran dua tahap guna meningkatkan akurasi dan efisiensi sistem. Pada tahap pertama, digunakan model deteksi tangan berbasis algoritma YOLO untuk secara akurat mengenali posisi tangan dalam keseluruhan gambar. Langkah ini membantu mengurangi beban komputasi pada proses berikutnya.

Tahap kedua memanfaatkan informasi visual spesifik dari objek yang terdeteksi. Model segmentasi semantik digunakan untuk mengidentifikasi piksel pada area yang mengindikasikan keberadaan asap. Dengan model segmentasi berbasis U-Net, sistem dapat memastikan keberadaan asap dan menentukan apakah aktivitas merokok terjadi.

Seluruh proses inferensi dilakukan menggunakan perangkat reComputer Jetson Nano dengan akselerasi TensorRT, yang memungkinkan kinerja tinggi dan efisiensi maksimal.

Melalui integrasi model-model canggih ini, sistem mampu mendeteksi aktivitas merokok secara real-time langsung dari perangkat (edge), mendukung pemantauan cerdas, menghemat bandwidth, melindungi privasi data, dan dapat dihubungkan dengan penyimpanan cloud untuk peringatan serta pelacakan kejadian secara instan.