| --- |
| license: mit |
| library_name: scikit-learn |
| tags: |
| - computer-vision |
| - image-processing |
| - unsupervised-learning |
| - bag-of-visual-words |
| - sift |
| - surf |
| - kmeans |
| - meat-quality |
| - beef-grading |
| --- |
| |
|
|
| # Pipeline Beef Research BIMA: Deteksi Mutu Kesegaran Daging Sapi Multidomain |
|
|
| Pipeline **unsupervised** (SIFT/SURF -> Bags of Visual Words -> Clustering) untuk |
| dataset citra daging sapi multidomain (RPH & UMKM), seluruh proses klasifikasi mutu dilakukan tanpa pelatihan supervised |
| (tanpa SVM/KNN), murni berbasis unsupervised learning. |
|
|
| ## 1. Setup Environment (uv, Python 3.7, OpenCV 3.4.2.16) |
|
|
| ```bash |
| # Install python 3.7 lewat uv (jika belum ada di mesin) |
| uv python install 3.7 |
| |
| # Buat & sync environment sesuai pyproject.toml |
| uv sync |
| |
| # (opsional) verifikasi SIFT & SURF tersedia (harus tercetak True True) |
| uv run python -c "import cv2; s=cv2.xfeatures2d.SIFT_create(); f=cv2.xfeatures2d.SURF_create(); print(True, True)" |
| ``` |
|
|
| > Catatan: jika `uv python install 3.7` gagal karena python-build-standalone tidak |
| > lagi menyediakan build 3.7 di platform Anda, gunakan pyenv/conda untuk |
| > menyediakan interpreter 3.7, lalu arahkan uv ke sana dengan |
| > `uv venv --python /path/to/python3.7` sebelum `uv sync`. |
|
|
| ## 2. Siapkan Data |
|
|
| Susun dataset mentah sesuai struktur pada README dataset (folder `DAY-1/`, `DAY-2/`, |
| penamaan `[HARI]_[DOMAIN]_[KODE]_[NOMOR].JPG`). Atur path pada `config.py` |
| (`RAW_DATA_DIR`). |
|
|
| Jika Anda sudah punya sebagian label ground truth (dari pelabelan awal tim |
| peneliti / Peternakan), siapkan file CSV opsional `labels.csv` dengan kolom |
| `filename,label` (label: `segar` / `tidak_segar`) — dipakai HANYA untuk |
| validasi eksternal klaster (ARI/NMI/Purity), bukan untuk training. |
|
|
| ## 3. Menjalankan Pipeline |
|
|
| Pipeline terbagi menjadi 5 tahap, masing-masing bisa dijalankan terpisah |
| (hasil antara di-cache di `outputs/interim/`) atau sekaligus dengan `all`. |
|
|
| ```bash |
| uv run python run_pipeline.py --step preprocess |
| uv run python run_pipeline.py --step extract |
| uv run python run_pipeline.py --step bovw |
| uv run python run_pipeline.py --step cluster |
| uv run python run_pipeline.py --step evaluate |
| |
| # atau jalankan semua tahap sekaligus |
| uv run python run_pipeline.py --step all |
| ``` |
|
|
| ## 4. Struktur Output |
|
|
| ``` |
| outputs/ |
| ├── interim/ # cache pickle antar tahap (boleh dihapus & rerun) |
| │ ├── manifest.pkl # metadata semua citra (hari/domain/kode/label) |
| │ ├── masks/ # mask ROI hasil segmentasi (npz per citra) |
| │ ├── descriptors_sift.pkl |
| │ ├── descriptors_surf.pkl |
| │ ├── codebook_sift.pkl |
| │ ├── codebook_surf.pkl |
| │ ├── histograms_sift.npy |
| │ └── histograms_surf.npy |
| ├── figures/ # semua grafik (PCA/TSNE, perbandingan metrik, dsb.) |
| ├── tables/ # semua tabel hasil (CSV) siap ditempel ke laporan |
| └── logs/ |
| └── pipeline.log |
| ``` |
|
|
| ## 5. Tahapan Pipeline (ringkas) |
|
|
| 1. **Preprocessing & Segmentasi ROI** (`src/preprocessing.py`, `src/segmentation.py`) |
| Resize, denoising, konversi HSV, dan **segmentasi latar belakang berbasis |
| flood-fill dari tepi citra** (bekerja untuk backdrop hitam Day-1 maupun |
| karton biru muda Day-2 tanpa perlu aturan warna berbeda per hari) sehingga |
| fitur yang diekstraksi terfokus pada permukaan daging, bukan latar |
| belakang yang kebetulan berkorelasi dengan hari/tahap kesegaran. |
|
|
| 2. **Ekstraksi Fitur Lokal** (`src/feature_extraction.py`) |
| SIFT dan SURF dijalankan terpisah, keypoint dibatasi hanya pada area mask |
| ROI daging (parameter `mask` di `detectAndCompute`). |
|
|
| 3. **Bags of Visual Words** (`src/bovw.py`) |
| Codebook dibangun dengan `MiniBatchKMeans` (beberapa ukuran cluster diuji: |
| 50/100/150/200 sesuai indikator capaian proposal), setiap citra direpresentasikan |
| sebagai histogram fitur ternormalisasi. |
|
|
| 4. **Clustering Unsupervised** (`src/clustering.py`) |
| K-Means (k=2) dan Gaussian Mixture dibandingkan |
| untuk membagi citra ke 2 klaster akhir (Segar/Tidak Segar). |
|
|
| 5. **Evaluasi & Komparasi SIFT vs SURF** (`src/evaluation.py`, `src/visualization.py`) |
| Validasi internal (Silhouette, Davies-Bouldin, Calinski-Harabasz), validasi |
| eksternal opsional (ARI/NMI/Purity bila ada `labels.csv`), efisiensi |
| komputasi (waktu ekstraksi & jumlah keypoint rata-rata), serta visualisasi |
| PCA/t-SNE dari histogram BoVW. |
|
|
