Syväoppiminen mahdollistaa tuotannon automatisoinnin tavalla, joka ei ennen ole ollut mahdollista

Jarmo Ilonen Jarmo Ilonen

Konenäkökamera kuvaamassa

Konenäköjärjestelmät kehittyvät räjähdysmäistä vauhtia ja nykyään niihin yhdistetään yhä enenevissä määrin myös tekoälyn ratkaisuja. Koneoppiminen (machine learning) ja sen parissa otetut merkittävät kehitysharppaukset ovatkin mahdollistaneet tekoälyratkaisujen yleistymisen myös teollisuudessa. Yhdessä konenäön ja tekoälyn avulla voidaan ratkoa sellaisia sovelluskohteita, jotka olisivat liian monimutkaisia ohjelmoida järjestelmiin, tai muutoin liian raskaita ja hankalia ylläpitää vain perinteisillä konenäköratkaisuilla.

Viime vuosina erityisesti neuroverkkoihin pohjautuva deep learning, eli syväoppiminen, on ollut kasvavan kiinnostuksen kohteena. Syväoppiminen on yksi koneoppimisen menetelmistä, jossa kone kykenee oppimaan opetusdatan, eli sille esitettyjen esimerkkien kautta. Syväoppimista hyödyntävä järjestelmä pystyy sille syötetyn datan perusteella tunnistamaan arvaamattomiakin muuttujia itsenäisesti, ilman tarkkojen sääntöjen, numeroiden tai mittojen ohjelmoimista. 

Perinteisen konenäköratkaisun ja syväoppimisen soveltamiskohteet eroavat merkittävästi toisistaan

Perinteisen konenäköratkaisun avulla tuotannosta ja tuotteista saadaan reaaliaikaista informaatiota esimerkiksi muodoista, väreistä ja pintojen struktuurista. Konenäkö mittaa asioita paljon tarkemmin kuin mihin ihmissilmä pystyy. Perinteiset konenäkömenetelmät vaativat kuitenkin selkeitä sääntöjä – järjestelmää ohjelmoidessa täytyy pystyä määrittämään, mitä piirteitä mitataan tai luokitellaan ja millaisten yksityiskohtien avulla kappaleet voidaan erotella toisistaan. Ratkaisu toimii luotettavasti nimenomaan silloin, kun kyseessä on säännölliset ja täsmälliset kappaleet.

Syväoppiminen tarkoittaa käytännössä sitä, että järjestelmälle voidaan opettaa siis samat asiat, kuin linjaston varrella kappaleita arvioivalle ihmiselle.

Syväoppiminen antaa mahdollisuuden tulkita ihmiselle subjektiivisia asioita, kuten virheitä kappaleen ulkomuodossa tai koostumuksessa. Yksittäisten osien luokittelu ja merkintöjen lukeminen vaihtelevilta pinnoilta on syväoppimisen avulla helpompaa, kun kone osaa huomioida myös materiaalin luonnolliset vaihtelut. Tällaiset tuotannon vaiheet ovat tyypillisesti vaatineet ihmisen arviointikykyä, mutta syöttämällä koneelle esimerkkejä hyvistä sekä huonoista lopputuloksista, voi kone oppia tunnistamaan eroavaisuudet eri kappaleiden välillä itsenäisesti. Syväoppiminen tarkoittaa käytännössä sitä, että järjestelmälle voidaan opettaa siis samat asiat, kuin linjaston varrella kappaleita arvioivalle ihmiselle.

Konenäön lisäksi syväoppimista hyödynnetään muun muassa puheentunnistuksessa, robotiikassa esineiden poimimisessa ja jopa pörssikurssien ennustamisessa. Mitä enemmän järjestelmä saa informaatiota kuvien, puheen, muotojen tai tekstin muodossa, sitä enemmän se oppii, ja pystyy tekemään itsenäisiä päätöksiä. 

Syväoppiminen – miten, miksi ja milloin sitä kannattaa hyödyntää?

Syväoppiminen on menetelmä, johon kannattaa tutustua tarkemmin mikäli tuotantoprosessissa on vielä vaiheita, joita ei perinteisten konenäköratkaisujen avulla ole onnistuttu automatisoimaan. Haasteita on voinut tuoda esimerkiksi merkittävät vaihtelut materiaalissa, huonolaatuinen data tai asiat, jotka eivät ole numeraalisesti mitattavia. Tällaiset tilanteet, joiden ehkä ennen ajattelit olevan liian vaikeita automatisoida, onnistuvat nykyään konenäön ja syväoppimisen yhdistelmällä luotettavammin, nopeammin ja yhdenmukaisesti. 

Syväoppiminen nopeuttaa tuotantoprosessia huomattavasti, kun manuaalisen työn määrä vähenee. Kappaleiden arviointi ei kestä kuin sekunnin murto-osan, eikä ihmissilmä pysty missään olosuhteissa yhtä tehokkaaseen työskentelyyn. Syväoppiminen tekee tunnistuksesta myös paljon tarkempaa ja varmempaa, kun mahdollisuutta inhimillisille virheille ei enää ole.

Koska kone hoitaa oppimisen, pienenee myös järjestelmän ohjelmoimiseen vaadittu aika. Tällöin syväoppimista hyödyntävän järjestelmän hankinta saattaa osoittautua jopa perinteistä järjestelmää edullisemmaksi vaihtoehdoksi, etenkin jos opetusmateriaalia on jo ennakkoon kerättynä. Syväoppimista hyödyntävän ratkaisun käyttöönotossa opetusvaihe on huomattavasti isommassa roolissa, kun perinteistä konenäköjärjestelmää hankittaessa.

Lisätietoa aiheesta

Pinja tarjoaa konenäköratkaisuja haastaviinkin olosuhteisiin. Käytössämme on uusimmat työkalut, jotka mahdollistavat monimutkaisetkin mittaukset. Lue lisää syväoppimisen hyödyntämisestä ja konenäköratkaisuistamme.

Lue lisää

Opas: Konenäön soveltaminen teollisuudessa
Opas konenäköratkaisun hankintaan teollisuudessa
4 vinkkiä konenäköratkaisujen soveltamiseen teollisuudessa
Moderni konenäköteknologia vaatii älyä ja soveltamiskykyä
 

Jarmo Ilonen

Jarmo Ilonen

Olen työskennellyt Pinjalla Machine Vision Specialistina konenäköjärjestelmien ja -anturien yksikössä noin kuuden vuoden ajan. Aiemmin toimin tutkijatohtorina konenäön ja hahmontunnistuksen laboratoriossa Lappeenrannan teknillisessä yliopistossa. Vapaa-aikani kuluu tietokoneen parissa ja ulkoillen.