Moderni konenäköteknologia vaatii älyä ja soveltamiskykyä

22.7.2020 Pinja Blogi

Viivakoodinlukijat ovat sitä arkisinta konenäköteknologiaa. 

Konenäköteknologian hienous piilee erityisesti kehittyneissä ohjelmistoissa, jotka tuovat älyn mukaan yhtälöön. Tavanomaisellakin laitteella päästään monimutkaisiin käyttötapoihin, mikäli taustalla oleva ohjelmisto sen mahdollistaa. Esimerkiksi kasvojentunnistus perustuu melko yksinkertaiseenkin hahmontunnistus-teknologiaan, mutta vasta taustalla toimiva älykäs ohjelmisto tekee teknologian tuottamasta tiedosta aidosti hyödynnettävää.

Millaista nykyaikainen teknologia on ja mitä se mahdollistaa? Voidaanko konenäöllä saavuttaa mitä tahansa?

Konenäköteknologia - mistä kaikki alkoi?

Perinteisimpiä ja käytetyimpiä esimerkkejä konenäköteknologiasta ovat viivakoodinlukijat, joita on ilmestynyt kauppoihin 60- ja 70-lukujen taitteessa. Tänä päivänä olisi erikoista kuvitellakaan kauppaa ilman viivakoodeja. Teollisuudessa konenäköteknologiaa alettiin hyödyntää 80-luvun alkupuolella.

Aluksi kuvausmenetelmät olivat vahvasti elektroniikkaan perustuvia ja pelkästään kuvauslaitteiden hankinta ja pystytys aiheuttivat haasteita

Nuo ensimmäiset konenäköteknologian pioneeriratkaisut olivat nykyteknologioihin verrattuna todella yksinkertaisia, kalliita ja hitaita. Kuten aina uusien keksintöjen kanssa, alku saattaa olla tahmea, sillä vanhat tavat istuvat tiukassa. Helposti ajateltiin “Ainahan on tehty tällä tavalla”, eikä älykkäitä teknologiaan perustuvia ratkaisuja osattu edes kaivata tai etsiä.

Aluksi kuvausmenetelmät olivat vahvasti elektroniikkaan perustuvia ja pelkästään kuvauslaitteiden hankinta ja pystytys aiheuttivat haasteita, kun taas nykyään kuvauslaitteistot ovat jokaisen saatavilla. Käytännössä myös tietokoneiden laskentateho on mullistanut konenäköteknologian alan täysin: aikaisemmin laitteet kykenivät itsenäisesti suorittamaan joitakin peruslaskutoimituksia kokonaisluvuilla, mutta nykypäivänä monimutkaisia laskutoimituksia pystytään käsittelemään reaaliaikaisesti. Varsinainen hyöty laitteistoista saadaan kuitenkin irti vasta monimutkaisempien algoritmien avulla.

Äly teknologian ytimessä

Merkittävimmät kehitysaskeleet konenäköteknologiassa on otettu ohjelmistopuolella. Kuvien tulkinta on nykyään hyvin pitkälle kehittynyttä.

Teknologian älykkyys ja sen käyttösovellukset ovat konenäköteknologian tärkein piirre. Merkittäviä muutoksia vuosikymmenten mittaan on saavutettu ennen kaikkea mittausten ja tulkintojen nopeudessa sekä älykkyyden ketteryydessä. Lisäksi ohjelmistojen datakapasiteetti on aivan eri luokkaa kuin aikaisemmin. 

Suurin muutos modernissa konenäköteknologiassa on tapahtunut algoritmien kehittymisessä. Nykyisin konenäköteknologia perustuu erilaisten kuvien tulkintaan ja tiedon soveltamiseen ketterästi ja nopeasti. Käytännössä tämä tarkoittaa, että tänä päivänä samasta kuvasta saadaan huomattavasti enemmän irti kuin aikaisemmin. Myös kuvien tarkkuus on parantunut noin satakertaisesti. Kun aiemmin resoluutio oli noin 0,25 megapikselin luokkaa, nyt 25 megapikseliä on tavallinen arvo. 

Vaikka kuvantamislaitteetkin ovat toki kehittyneet, ei niillä yksinään ole niin suurta merkitystä kuin kehittyneillä algoritmeilla ja ammattitaitoisella osaamisella kameran tuottaman informaation tulkinnassa ja hyödyntämisessä.

Esimerkkejä kuvantamismenetelmistä:

Spektrikamerat:

Hyperpektrikamerat perustuvat valon hajottamiseen pieniin aallonpituusalueisiin, jolloin havaitaan asioita, joita ihmissilmä ei erota. Spektrikameroille on useita käytännön sovellutuksia eri teollisuuden aloilla aina elintarvikkeista ja lääkkeistä raskaampaan teollisuuteen. Hyperspektrikameralla pystytään esimerkiksi erottamaan päällisin puolin saman näköisiä materiaaleja toisistaan, sekä tarkastelemaan materiaalien käyttäytymistä erilaisissa olosuhteissa. 

Syväoppiminen:

Syväoppiminen tarkoittaa, että kone kykenee oppimaan asioita itsenäisesti ja hyödyntämään oppimaansa käytännössä. Esimerkiksi kasvojen tunnistamisessa voidaan hyödyntää syväoppimista. Aikaisemmin piti tietää tarkalleen mitä piirteitä mitataan ja luokitellaan, mutta nykyään koneet osaavat itse tehdä päätöksiä mitattavista asioista ja tehdä luokittelua. Tällöin siis ihmisen ei tarvitse kertoa koneelle mitä tarkkaillaan, vaan kone osaa tarkkailla niitä itse. Moniin mittauksiin löytyy jo valmiita algoritmeja, mutta mikäli tarve on aivan uudenlainen, tarvitaan ammattilaisten osaamista ja algoritmin rakentamista, jotta haluttua dataa saadaan tuotettua.

3D-mittaus ja -mallinnus:

3D-teknologian hyödyntäminen ei ole enää pelkästään yleistyvä trendi, vaan sitä käytetään laajasti monenlaisissa tarpeissa jo nyt. 3D-mittauksen eräitä ensimmäisiä sovellutuksia oli tukkirekkojen kehysmittaukset, joita aikaisemmin tehtiin manuaalisesti mittavälineiden kanssa. Tähän kehitettiin sittemmin laserlaitteet, jotka mittasivat automaattisesti tukkirekkojen sisältämän puun tilavuuden ja antoivat myös tietoa kyseisten puiden yksittäisestä koosta. 

Tukkirekkojen mittaamisesta on kuitenkin päästy todella pitkälle, ja nykyään 3D-mittauksilla onnistuu hyvinkin tarkat ja yksityiskohtaiset mittaukset. 3D-teknologiaa hyödynnetään laajasti erilaisissa tarkoituksissa ja mitattavien kohteiden kokoluokka voi vaihdella ääripäästä toiseen, mikrometreistä kilometreihin. Eräs 3D-mittauksen alalaji on stereoskooppinen mittaus, jossa kahdella tai useammalla kameralla tuotetaan tarkkaa tietoa syvyyksistä ja etäisyyksistä. 3D-mittauksen ja -mallinnuksen sovellusmahdollisuudet ovat käytännössä rajattomat, ja sitä hyödynnetäänkin aina tilasuunnittelusta autonrenkaiden kulutuspinnan havainnointiin.

Lue lisää: Finex-menestystarina

Teknologisesta kehityksestä siirrytään laitteiston ja älyn soveltamiseen

Laserkeilain on teollisuusympäristössä kuin omassa elementissään.

Kun modernilla konenäköteknologialla mahdollistetaan täysin uudenlaisia ratkaisuja, tärkeintä on osata valita juuri käsillä olevaan haasteeseen parhaiten sopiva ratkaisu. Tämän päivän konenäköteknologia mahdollistaa laadukkailla algoritmeilla, optiikalla ja suurella laskentateholla todella tarkkaa ja yksityiskohtaista kuvantamista ja analyysiä, mutta vaihtoehtoja on tarjolla runsaasti. Seuraava haaste tuleekin olemaan se, kuinka näitä moderneja ratkaisuja hyödynnetään ja sovelletaan eri ympäristöissä – teknologia itsessään ei välttämättä enää kovin mittavasti kehity, ainakaan niin suurina harppauksina kuin tähän asti.

Tulevaisuudessa tämän hetken jännittävät uutuudet arkipäiväistyvät, samalla tavalla kuin esimerkiksi viivakoodinlukijasta on tullut meille jokaiselle itsestäänselvyys. Voisi myös odottaa, että algoritmeille käy samoin, kuin on nähty käyvän puhelinsovelluksille. Aikaisemmin jokaisessa puhelimessa oli omat, ennaltamääritetyt toimintonsa, mutta nykyään kenen tahansa on mahdollista ladata valmiita lisäosia puhelimen omien ominaisuuksien täydennykseksi. Tällä tavoin jokainen soveltaa puhelinta omiin käyttötarpeisiinsa ja tekee siitä omannäköisensä. Sama tapahtuu konenäköteknologian puolella: sovelluksia voi hankkia rajattomasti, mutta kuinka niitä lopulta sovelletaan ja käytetään?

Konenäköä hyödynnettäessä itse kuvantaminen on usein melko yksinkertaista. Kärjistetysti sanottuna kuka tahansa voisi hankkia kuvantamislaitteen ja suorittaa sillä yksinkertaisia mittauksia täysin itsenäisesti. Koko konenäköteknologian potentiaalin hyödyntäminen vaatii kuitenkin ammattilaisen ja kokemusta erilaisista sovelluskohteista. Etenkin sopiva valaistus on tärkeää, jotta mittaukset pystytään tekemään luotettavasti.

Konenäön laajat mahdollisuudet myös tulevaisuudessa

Kokonaisvaltainen ympäristön havaitseminen ja siinä toimiminen automaattisesti ovat olleet jo pidempään tavoitteina, ja vähitellen näemme jatkuvasti edistyneempiä ratkaisuja. Yksi konenäön suurimmista haasteista, ja toisaalta tavoitteista, on esimerkiksi itseajavien autojen ja metsäkoneiden kehitys ja arkipäiväistäminen.

Vaikka konenäköteknologian sovellukset tulevat yhä tutummaksi ja lähemmäksi arkipäivää, on alalla vielä paljon kasvamisen ja erikoistumisen tilaa. Me Pinjalla uskomme, että alan ammattilaisilla on yhä tärkeämpi merkitys nyt ja tulevaisuudessa, kun luodaan jatkuvasti monimutkaisempia ratkaisuja uudenlaisiin haasteisiin ja vaativiin olosuhteisiin. Monimutkaiset algoritmit tulevat jatkossakin olemaan tarpeen, kun konenäköteknologian mahdollisuuksia opitaan havaitsemaan yhä uudenlaisissa ympäristöissä ja eri toimialoilla, mutta yhä suurempi tarve tulee olemaan erityisesti laitteiston ja teknologian soveltamisessa sopivaan tarpeeseen.

Markku Lauttamus

Kirjoittaja Markku Lauttamus

Toimin Pinjalla Industrial Solutions -liiketoiminnan projektimyynnissä. Työssäni haluan kehittää yhdessä asiakkaiden kanssa innovatiivisia ratkaisuja heidän liiketoimintansa tehostamiseen ja laadun parantamiseen. Vapaa-aikani kuluu normaalissa ja turvallisessa sijaisperheen elämässä, veneillen sekä teräsvenettä rakentaen.