Hyperspektrikuvantaminen mahdollistaa pintojen epäpuhtauksien havaitsemisen optisesti. Tämä monen eri aallonpituuden käyttäminen tuottaa valtavasti moniulotteista dataa, jonka tulkitsemiseen tarvitaan tekoälyä. Aalto-yliopiston AutoDet projektissa tavoitteena on tuottaa menetelmä epäpuhtauksien automaattiseen havaitsemiseen.
Aivan ensimmäisillä tekoälykursseilla mausteita luokiteltiin ryhmiin niiden sisältämien vitamiinien, hivenaineiden, ostopaikan ja hinnan perusteella. AutoDet-menetelmällä (automatic biological contamination detection) pystytään vastaavalla tavalla, reaaliaikaisen optisen menetelmän avulla, tunnistamaan ja luokittelemaan pinnoilla olevat bakteerit ja lika.
AutoDet-menetelmässä käytetty hyperspektrikamera tuottaa useita sadoilla eri aallonpituuksilla otettuja kuvia sekunnissa useiden megapikselien resoluutiolla. Tämä tarkoittaa 100 000 000 mittapistettä sekunnissa. Vaikka 99% tästä datasta onkin turhaa tai kohinaista, jäljelle jää 1 000 000 olennaista mittapistettä.
Miljoonasta mittapisteestä on enemmän haittaa kuin hyötyä tavalliselle kuluttajalle ja ammattilainenkin joutuu haastavan tilanteen eteen. AutoDet-menetelmän tavoitteena onkin luokitella automaattisesti biologiset kontaminaatiot, eli tunnistaa esimerkiksi elävät organismit epäorgaanisesta.
Mittapisteiden perusteella tehdään päätös mahdollisimman tehokkaasta ja samalla ympäristöystävällisestä siivouksesta. Kannattaako siivoukseen käyttää antiseptista liuosta, etanolia vai pölyhuiskaa?
Hyperspektrikamera tuottaa siis tuottaa suunnattoman määrän dataa sekunnissa, kun taas koneoppiminen tarvitsee suunnattoman määrän dataa. Taika paljastuu, kun yhdistetään nämä kaksi.
Mitä on hyperspektrikuvantaminen
Ihmissilmän solut ovat herkät kolmelle aallonpituudelle: siniselle, punaiselle ja vihreälle. Ihmisellä ei ole esimerkiksi mahdollisuutta erottaa, onko keltainen liekki oikea vai ainoastaan ruudulla pyörivä videokuva. Hyperspektrikamera sen sijaan näkee heti, että natrium palaa aallonpituudella 589 nm eli keltaisena. Tietokoneen ruutu sen sijaan koostuu ledeistä, jotka välkkyvät liekin tahdissa sinisinä (480 nm), vihreinä (560 nm) ja punaisina (640 nm). Näytöltä puuttuu siis kokonaan keltainen valo, vaikka aivot ovet sen selkeästi tunnistaneet.
Yksinkertaisimmillaan hyperspektrikuvantamisella voi korostaa tai piilottaa tahroja. Esimerkiksi vaaleanpunainen tussi ei näy vaaleanpunaisten silmälasien läpi. Sen sijaan tausta näkyy tussin läpi. Muut aallonpituudet käyttäytyvät kuin pinta olisi täysin puhdas.
Tätä ideaa voidaan jalostaa kehittämällä yksinkertainen algoritmi vaaleanpunaisten tahrojen tunnistamiseksi. Siinä vihreä aallonpituus kertoo taustatekstuurin ja vaaleanpunainen pinnalla olevan ylimääräisen lian.
Tekoäly prosessoijana
Yksinkertaisimmillaan hyperspektrikameralla saadun datan jaottelu voidaan tehdä käsin kahdessa ulottuvuudessa, kahdella eri aallonpituudella. Kun kuvataan teräspintaa, jossa on tahra, kaksi klusteria piirtyy näytölle (Kuva 1). Niiden sijainnista voidaan päätellä myös kuvassa oleva materiaali. Tässä on kuitenkin käytetty ihmistyötä: aallonpituudet ja tulkinta perustuvat aikaisempaan tietoon. Osaisikohan kone tehdä tämän itse pienen alkukoulutuksen jälkeen?
Tekoälylle voidaan syöttää sata aallonpituutta ja kertoa, että kuvassa on tietty määrä komponentteja. Kone määrittelee sen jälkeen, kuinka monta aluetta kuvassa on, mitä materiaalia nämä alueet ovat ja kuinka varma se on tulkinnasta.
Pintojen jakaminen likaisiin ja puhtaisiin ei riitä. Tekoälyn tulee tietää, kuinka oikein jaottelu on mennyt. Olennainen osa prosessointia on omien virheiden löytäminen. Tätä tietoa voidaan hyödyntää myöhemmässä vaiheessa.
Kyse on pitkälti resurssien optimoinnista. Jos esimerkiksi kuvattavaa aluetta on sata neliömetriä ja aikaa yksi tunti, miten kannattaa toimia? Mitä aallonpituuksia käytetään? Tehdäänkö nopea kartoitus ensin? Tehdäänkö riskiarvio, keskitytäänkö epäselviin kohtiin tai alueisiin, joissa on potentiaalisesti vaarallisimmat aineet?
Oikea ympäristö asettaa haasteita
Tekoälyn hyödyntäminen auttaa myös madaltamaan kynnystä siirtyä laboratoriosta kenttäolosuhteisiin. Laboratorioissa tutkijat pyrkivät yleisesti minimoimaan ulkoiset häiriötekijät. Tämä tarkoittaa esimerkiksi valaistuksen optimointia, vakaata kuvaa ja toistettavia olosuhteita. Teollisessa ympäristössä tämä on harvoin mahdollista.
Tekoälyn olennaisia ominaisuuksia ovat sopeutuminen ja kyky oppia uutta. Laboratorio-olosuhteissa voidaan kartoittaa vain muutamat referenssipisteet eli tyypilliset hyperspektrikuvat muutamalle materiaalille, ja tehdä niiden avulla ensimmäiset luokittelut. Tämän jälkeen tekoäly kerää jatkuvasti uutta dataa ja täydentää referenssipisteidensä verkkoa.
Kuvien tulkintaan liittyy myös olennaisesti suuri data ja toisistaan riippuvien ja riippumattomien muuttujien suuri määrä. Näiden määrä lisääntyy huomattavasti ulkoisen kohinan vaikutuksesta, kun siirrytään laboratoriosta kenttäolosuhteisiin. Samalla lopputuloksen tulkinnan pitää muuttua yksinkertaisemmaksi. Kiireisellä siivoojalla, lääkärillä tai vuoropäälliköllä ei ole aika jäädä miettimään esimerkiksi kulmakertoimia, vaan heidän pitää pystyä tekemään selkeä päätös toiminnan aloittamisesta. Modernit luokittelualgoritmit ovat hyviä tulkitsemaan ja toimimaan päätöksenteon apuna.
Miksi juuri nyt?
Aikaisemmin kamerat painoivat muutamia kiloja, kuvien saaminen kesti päiviä ja hyvät laitteet olivat kalliita. Nyt kamerat ovat parempia, halvempia ja nopeampia. Kuvat siirtyvät salamannopeasti pilvipalveluihin, jossa saatavilla oleva tila mitataan Petatavuissa (1000 teratavua) tai vielä isommissa yksiköissä. Tilaa on hyperspektrikuvantamisen kannalta loputtomasti tarjolla. 5G-teknologian tullessa sensorit ja prosessointiyksiköt voivat sijaita missä vaan, siirtonopeuden pullonkaulakin poistuu lopullisesti.
Optiikan kehittyminen ja pienentyminen hyperspektrikuvauksen alalla, ja niitä seuraava hintojen lasku, mahdollistavat myös laitteiden leviämisen uusille aloille. Turvakameroita on jo kaikkialla, ja kohta niissä on mukana hyperspektrifiltterit.
Teknologian kehittyessä myös algoritmit kehittyvät. Tarvitaan yhä vaativampia ja automatisoidumpia algoritmeja hoitamaan alati monimutkaistuvampia töitä. Laatimani mausteidenluokittelualgoritmini oli harvinainen opiskeluni alussa, mutta nykyään käytössä on paljon parempia ja tehokkaampia algoritmeja, joiden tekniseen käyttöönottoon vaaditaan alle kymmenen koodiriviä. Ongelma ei enää tekoälyn koodaaminen.
Ongelma on tietää tekoälyn vahvuudet ja heikkoudet. Tärkeintä on valita tehokkain algoritmi kulloiseenkin käyttöön. Hyperspektrikuvantamisessa datamäärät ovat kuitenkin niin pieniä, ettei tehokkuutta tarvitse miettiä. Tulkinnan johdonmukaisuus ja oikeellisuus ovat ainoita kriteereitä.
Puhtaustason automaattinen määrittäminen hyperspektrikuvantamisen ja tekoälyn keinoin on siis täysin mahdollista. Optiset lian havaitsemis- ja puhdistamismenetelmät ovat jo saatavilla erikoiskohteissa, ja ne leviävät sieltä hiljalleen muille elämän alueille.
Otsikoissa ovat olleet superbakteerien leviäminen Lontoon metrossa, pesuaineille vastustuskykyisten kantojen ilmaantuminen sekä hometalot. Yksi ratkaisu näihin kaikkiin on epäpuhtauksien havaitseminen, tunnistaminen ja asianmukaisten pesuaineiden käyttö. Monesti vesipesu riittää – desinfioivaa tiskiainetta ei aina tarvita.
Taustaa
AutoDet-idea lähti liikkeelle Industryhack-yrityksen järjestämästä Hack the building -tapahtumasta, jossa Lassila&Tikanoja etsi uusia avauksia siivouksen kehittämiseen. Ensimmäisessä visiossa turvakamera kertoi, missä on likaista. Tekoälyllä varustettu automaattinen siivouskärry voitti Hacker’s choice –palkinnon ja hackathonissa visio jalostui UV-alueen käyttämiseksi.
Vaikka alkuperäinen idea oli hyvä, se oli liian kaukana tuotteesta yksityisellä rahoituksella toteutettavaksi. Ratkaisu löytyi Aalto-yliopiston ja Business Finlandin tutkimuksesta liiketoimintaa -rahoituksesta. Yliopistotason osaamisella tekoälystä ja kuvantamisesta voidaan jalostaa ideasta prototyyppi (Kuva 2), pilotti ja menetelmä, jolla on yhteiskunnallista ja taloudellista merkitystä. Yhdistettynä yritysyhteistyöhön saadaan lisäksi näkemys keihäänkärjestä.
Juha Koivisto on Akatemian tutkija-tohtori Aalto-yliopistossa ja työskennellyt yli vuosikymmenen kuvantamisen, konenäön ja niihin liittyvien algoritmien alueella.