Nykypäivän konenäköratkaisut vaativat älyä ja soveltamiskykyä
Konenäköjärjestelmän hienous piilee erityisesti edistyneissä ohjelmistoissa, jotka tuovat älyn mukaan yhtälöön. Jos taustalla oleva ohjelmisto sen mahdollistaa, päästään tavanomaisellakin laitteella monimutkaisiin käyttötapoihin. Esimerkiksi kasvojentunnistus perustuu yksinkertaiseen hahmontunnistusteknologiaan, mutta vasta taustalla toimiva älykäs ohjelmisto mahdollistaa teknologian tuottaman tiedon hyödyntämisen.
Konenäköteknologian historian perinteisimmät ja käytetyimmät esimerkit konenäköteknologiasta ovat viivakoodinlukijat, joita on ilmestynyt kauppoihin jo 60- ja 70-lukujen taitteessa. Nykyään olisi vaikeaa kuvitella kauppoja ilman viivakoodeja. Teollisuudessa konenäköteknologiaa alettiin hyödyntää 80-luvun alkupuolella. Nämä ensimmäiset konenäköteknologian pioneeriratkaisut olivat nykyteknologioihin verrattuna hyvin yksinkertaisia, kalliita ja hitaita.
Kuten aina uusien keksintöjen kanssa, alku saattaa olla tahmea, sillä vanhat tavat istuvat usein tiukassa, eikä älykkäitä teknologiaan perustuvia ratkaisuja edes osattu kaivata tai etsiä.
Ensimmäiset konenäköteknologian pioneeratkaisut olivat nykyteknologioihin verrattuna hyvin yksinkertaisia, kalliita ja hitaita
Nykyään kuvauslaitteistot ovat jokaisen saatavilla, kun taas alussa kuvausmenetelmät perustuivat vahvasti elektroniikkaan ja pelkästään kuvauslaitteiden hankinta ja pystytys aiheuttivat haasteita. 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.
Kuvantamismenetelmiä
Spektrikamerat
Hyperspektrikamerat 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 tarkastelemaan materiaalien käyttäytymistä erilaisissa olosuhteissa, sekä erottamaan päällisin puolin samannäköisiä materiaaleja toisistaan.
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 suorittaa luokittelua. Tällöin ihmisten ei siis 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 vain yleistyvä trendi, vaan sitä käytetään jo laajasti monenlaisiin tarpeisiin. 3D-mittauksen ensimmäisiä sovellutuksia olivat tukirekkojen kehysmittaukset, joita aiemmin tehtiin manuaalisesti mittavälineiden kanssa. Tähän kehitettiin myöhemmin laserlaitteet, jotka mittasivat automaattisesti tukkirekkojen sisältämän puun tilavuuden ja antoivat lisäksi tietoa kyseisten puiden yksittäisestä koosta.
Tukkirekkojen mittaamisesta on kuitenkin päästy todella pitkälle, ja nykyään 3D-mittauksilla onnistuvat 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 niitä hyödynnetäänkin aina tilasuunnittelusta autonrenkaiden kulutuspinnan havainnointiin.
Teknologinen kehitys siirtyy laitteiston ja älyn soveltamiseen
Kun modernilla konenäköteknologialla mahdollistetaan täysin uudenlaisia ratkaisuja, tärkeintä on valita juuri käsillä olevaan haasteeseen parhaiten sopiva ratkaisu. Tämän päivän konenäköteknologia mahdollistaa laadukkailla algoritmeilla, optiikalla ja suurella laskentateholla todella tarkkaa ja yksityiskohtaista kuvantamista ja analyysia, mutta vaihtoehtoja on tarjolla runsaasti. Seuraava haaste tuleekin olemaan se, kuinka näitä moderneja ratkaisuja hyödynnetään ja sovelletaan eri ympäristöissä - teknologia ei itsessään välttämättä kehity mittavasti, ainakaan yhtä suurina harppauksina kuin se tähän asti on.
Tulevaisuudessa tämän hetken jännittävät uutuudet arkipäiväistyvät, samalla tavalla kuin viivakoodinlukijasta on tullut meille jokaiselle itsestäänselvyys. Algoritmeille voisi myös odottaa käyvän samoin kuin puhelinsovelluksille. Aikaisemmin jokaisessa puhelimessa oli omat ennaltamääritellyt toimintonsa, mutta nykyään kenen tahansa on mahdollista ladata valmiita lisäosia puhelimen omien ominaisuuksien täydentämiseksi. Tällä tavoin jokainen soveltaa puhelinta omiin käyttötarkoituksiinsa ja tekee siitä omannäköisensä.
Sama ilmiö tapahtuu konenäköteknologiassa: sovelluksia voi hankkia rajattomasti, mutta kuinka niitä lopulta sovelletaan ja käytetään?
Konenäköä hyödynnettäessä itse kuvantaminen on usein melko yksinkertaista. Kärjistetysti sanottuna kuka tahansa voisi hankkkia kuvantamislaitteen ja suorittaa sillä yksinkertaisia mittauksia täysin itsenäisesti. Koko konenäköteknologian potentiaalin hyödyntäminen vaatii kuitenkin ammattilaisen ja kokemusta erilaisista sovelluskohteista. Etenkin sopiva valaistus kohteessa on tärkeää, jotta mittaukset voidaan suorittaa luotettavasti.
Tulevaisuus lupaa hyvää konenäölle ja sen mahdollisuuksille
Näemme tulevaisuudessa vähitellen kehittyneempiä ratkaisuja, sillä kokonaisvaltainen ympäristön havaitseminen ja siinä toimiminen automaattisesti ovat olleet tavoitteina jo pidemmän aikaa.
Yksi konenäön suurimmista haasteista ja toisaalta tavoitteista on esimerkiksi itseajavien autojen ja metsäkoneiden kehitys ja arkipäiväistäminen. Vaikka konenäköteknologian sovellukset tulevat yhä tutummiksi ja lähemmäksi arkea, on alalla vielä tilaa kasvamiseen ja erikoistumiseen.
AFRYllä me uskomme, että konenäön ammattilaisilla on yhä suurempi rooli nyt ja tulevaisuudessa, kun luodaan jatkuvasti monimutkaisempia ratkaisuja uudenlaisiin haasteisiin ja vaativiin olosuhteisiin. Tulevaisuudessa monimutkaiset algoritmit tulevat tarpeeseen, kun konenäkäteknologian mahdollisuuksia opitaan havaitsemaan yhä uudenlaisissa ympäristöissä ja eri toimialoilla, mutta yhä suurempi tarve tulee olemaan erityisesti laitteiston ja teknologian soveltamisessa sopiviin tarpeisiin.