Segmentasi Citra Cacat Industri Menggunakan CNN dengan Contrastive Learning
DOI:
https://doi.org/10.33005/santika.v6i1.1207Keywords:
Segmentasi Citra, CNN, Contrastive Learning, InfoNCE, ComboLoss, Inspeksi Visual Industri, Deep LearningAbstract
Penelitian ini dilatarbelakangi oleh kebutuhan peningkatan akurasi segmentasi citra cacat pada inspeksi visual industri, terutama karena model CNN konvensional masih cenderung kurang optimal dalam membedakan area cacat dan latar belakang. Penelitian ini mengusulkan dua varian model, yaitu CNN baseline berbasis encoder–decoder dengan ComboLoss, serta CNN + Contrastive yang menambahkan projection head dan Proposal Contrastive Loss berbasis InfoNCE untuk memperkuat pemisahan representasi foreground dan background. Model diuji melalui pelatihan dan validasi, kemudian dievaluasi menggunakan IoU, Dice, Precision, dan Recall. Hasil eksperimen menunjukkan bahwa model CNN + Contrastive memberikan kinerja yang lebih baik dibandingkan baseline, dengan peningkatan IoU dari 0,21 menjadi 0,66, Dice dari 0,31 menjadi 0,77, Precision dari 0,67 menjadi 0,78, dan Recall dari 0,21 menjadi 0,81. Secara visual, mask hasil segmentasi juga tampak lebih presisi dan lebih mendekati ground truth. Dengan demikian, integrasi pembelajaran kontrastif dalam arsitektur CNN terbukti efektif untuk meningkatkan kualitas segmentasi citra cacat pada konteks inspeksi industri.
References
R. Kühlechner and R. Kühlechner, “A Survey of Image Segmentation for Industrial Applications with a Focus on Quality Control,” pp. 0–23, 2026, doi: 10.20944/preprints202604.0507.v1.
C. Sung, W. Kim, J. An, W. Lee, H. Lim, and H. Myung, “Contextrast : Contextual Contrastive Learning for Semantic Segmentation”.
R. Azad and M. Hüttemann, “L OSS F UNCTIONS IN THE E RA OF S EMANTIC S EGMENTATION : A S URVEY AND O UTLOOK,” pp. 1–24.
T. Chen, S. Kornblith, M. Norouzi, and G. Hinton, “A Simple Framework for Contrastive Learning of Visual Representations,” no. Figure 1, 2019.
X. Zhao and P. A. Mansfield, “Contrastive Learning for Label Efficient Semantic Segmentation,” pp. 10623–10633.
M. Hirano and Y. Yamakawa, “Semantic Information in Contrastive Learning,” pp. 5686–5696.
X. Wang, K. Zhao, R. Zhang, S. Ding, Y. Wang, and W. Shen, “ContrastMask : Contrastive Learning to Segment Every Thing,” vol. 1, pp. 11604–11613.
Z. Wang, “Dual-Contrastive Dual-Consistency Dual-Transformer : A Semi-Supervised Approach to Medical Image Segmentation,” pp. 870–879.
C. You et al., “Rethinking Semi-Supervised Medical Image Segmentation : A Variance-Reduction Perspective,” no. CL, 2023.
J. Huang, S. A. Ariffin, Q. Yang, K. Yong, and W. Xu, “Contrastive learning enhanced MobileMamba for real time industrial defect detection on edge devices,” pp. 1–15, 2026.
