Tutkimus on tärkeä osa ihmiskunnan kehitystä, ja tulevaisuudessa sen tärkeys korostuu entisestään ennustettaessa maailman tapahtumia. Uusia tehokkaampia tutkimusvälineitä tarvitaan, jotta voimme tutkia vielä enemmän ja tarkemmin erilaisia muuttuvia asioita. Konenäön avulla pystytään tekemään tarkkoja laskentoja ja analyysejä esimerkiksi pintojen likaantumisesta, metsien kasvillisuudesta ja auton osien tuotantomääristä.
Konenäkö, mikä se on?
Konenäöllä tarkoitetaan älykästä elektroniikkasysteemiä, joka voi hyödyntää toiminnassaan tietokonenäköä, mallinnusta ja koneoppimista. Konenäköjärjestelmä koostuu silmäanturina toimivasta kamerasta, kohteesta, valonlähteestä, tietokoneesta ja kuvankäsittelyohjelmasta. Konenäön avulla voidaan tarkastaa, arvioida ja tunnistaa erilaisia kohteita, ja sen avulla on mahdollista havaita useita ominaisuuksia samanaikaisesti. Toiminta perustuu etukäteen tehtyyn tarkkaan ohjelmointiin, ja konenäölle on myös mahdollista opettaa kuvainformaation tulkintaa esimerkiksi kuvan tunnistusmalleja käyttämällä.
Tutkimustyössä konenäköä on hyödynnetty jo pidemmän aikaa. Esimerkiksi kasvillisuuden tutkimuksessa on käytetty erilaisia kameroita havaitsemaan kasvien varhaisia sairastumisia tai puutostiloja. Muita tutkimuskohteita ovat muun muassa ruoka-, lääke- ja autoteollisuuden tuotteet. Teollisuudessa konenäköä on käytetty eniten tuotannon laadunvalvonnassa – esimerkiksi kankaiden valmistuksessa konenäöllä voidaan valvoa oikeanlaisen kangaskuvion muodostumista.
Konenäön hyödyt ja haasteet tutkimuksessa
Konenäköä voidaan käyttää havaintojen tekemiseen, kuvien tai videoiden tallentamiseen ja tutkittavan kohteen analysointiin. Tietokoneavusteisen teknologian avulla voidaan tunnistaa ja seurata objekteja sekä ennustaa niiden käyttäytymistä. Konenäön avulla toteutettava analysointi on nopeaa ja toistettavaa, joten sen avulla voidaan vähentää ihmisten manuaalista työtä ja säästää aikaa esimerkiksi näytteiden lajittelussa.
Konenäön hyödyntämisen haasteet riippuvat tutkimuskohteista: oikeanlaisen valaistuksen löytäminen on toisinaan haastavaa esimerkiksi korkeakiiltoisia, heijastavia näytteitä kuvattaessa, joskus haasteena taas voi olla näytteiden erilaisuus ja liian suuri poikkeavuus halutusta. Esimerkiksi toisessa näytteessä voi olla paljon pieniä mustia pisteitä ja toisessa yksi suuri harmaa läntti, kumpi niistä on likaisempi? Konenäön ohjelma myös analysoi tutkittavia kohteita vain siten, miten se koodataan niitä analysoimaan. Siksi ohjelman koodaus on tehtävä huolella ja sen testaus vie aikaa. Lisäksi erilaisia ohjelmia on monia, mikä tekee niiden vertailusta hankalaa. Suurten datamäärien tallennus, muokkaus ja käsittely vie myös oman tallennustilansa ja aikansa.
Tulevaisuudennäkymät
Tulevaisuudessa konenäkö voi kehittyä vielä paremmaksi tekoälyn ja prosessoriteknologian kehittyessä. Tämä kehitys antaa mahdollisuuden entistä tarkempien ja tehokkaampien kuvankäsittelymenetelmien kehittämiseen. Myös uusien sensoreiden ja kameratekniikkojen kehittyminen parantaa konenäön laatua. Tulevaisuudessa konenäköä voidaan hyödyntää vielä tehokkaammin esimerkiksi lääketieteessä, liikenne- ja kuljetusjärjestelmissä.
Konenäön tehokas hyödyntäminen vaatii perehtymistä ohjelmointiin ja tutkimuskohteeseen tai -kohteisiin. Ihmisten manuaalisen työn vähentäminen on yksi tavoitteista, mihin konenäöllä pystytään tulevaisuudessa todennäköisesti vastaamaan entistä paremmin. Tekniikka kehittyy jatkuvasti – siispä yhä tarkempia analyyseja on mahdollista tehdä ja vaatia.
Kirjoittaja toimii HAMK Tech -tutkimusyksikössä testausinsinöörinä ja on tehnyt konetekniikan insinööritutkinnon (AMK) opinnäytetyön aiheesta konenäkö likaantumisnäytteissä.
Kirjoittaja
Riikka Aalto, testausinsinööri, HAMK Tech -tutkimusyksikkö
