FootFit
Tim 5 orang · Proyek mata kuliah computer vision · BINUS
Mengukur kaki dari satu foto, dengan kartu bank sebagai penggaris.
- Temukan kartunya
- Koreksi perspektif
- Ukur dan klasifikasikan
Lebar ÷ panjang menentukan fit: narrow, normal, atau wide.
Ilustrasi metodenya. OpenCV klasik, tanpa neural network.
- Peran saya
- Saya membangun frontend dan sebagian backend di sekitar pipeline computer vision tim.
- Tim
- 5 mahasiswa: Valentino Allen Prasetyo, Bryan Dale, Jonathan Davin, Michael Hendrilie, Shane Anthony
- Stack
- Python, OpenCV, FastAPI
Masalah
FootFit mengukur panjang dan lebar kaki dari satu foto, tanpa meteran, lalu menentukan apakah kakinya narrow, normal, atau wide.
Pendekatan
Kartu bank standar (lebar 85,60 mm) di dalam foto menjadi acuan skala sekaligus koreksi perspektif. Pipeline-nya menemukan kartu, meluruskan sudut pandang, memisahkan kaki dari lantai dengan GrabCut, lalu mengukur panjang dan lebar dalam milimeter.
Foot Index (lebar ÷ panjang) kemudian mengelompokkan kaki menjadi narrow, normal, atau wide. Semuanya computer vision klasik dengan OpenCV, tanpa neural network. Hasilnya tidak dikonversi ke ukuran EU, US, atau UK.
Hasil
Akurasi pengukurannya belum divalidasi, jadi belum ada margin error yang bisa disebut. Demo live menjalankan seluruh pipeline, dari foto sampai kategori fit.
| Foot Index | Kategori |
|---|---|
| Di bawah 37,71% | Narrow-Fit |
| 37,71% sampai 42,17% | Normal-Fit |
| 42,17% ke atas | Wide-Fit |
Yang saya kerjakan
Saya membangun frontend dan sebagian backend di sekitar pipeline computer vision tim.
Dikerjakan bersama Bryan Dale, Jonathan Davin, Michael Hendrilie, dan Shane Anthony.
Keterbatasan
Kartu harus terlihat penuh, rata, dan kontras dengan lantai. Lantai yang gelap atau bermotif membuat pengukuran gagal.
Demo berjalan di hosting gratis, jadi permintaan pertama bisa butuh sekitar satu menit.