Konenäkö vähentää manuaalista työtä ja tarjoaa mahdollisuuden yhdessä esineiden internet laitteiden (IoT) kanssa vähentää päästöjä.
Tilaa luovuudelle? Olin juuri saanut uuden sääaseman sekä IoT –laitteen veden happamuuden ja lämpötilan mittaamiseen. Nopeasti huomasin, että anturien ja tiedonsiirron energiankulutus sekä tietopalveluiden kustannukset putosivat 1/100 osaan 20 vuodessa. Pystymme säästämään noin 2 TWh energiaa vuosittain maapallon tulevilla 50 miljardilla IoT -laitteella Voimme tunnistaa kuka on ovellamme ja antaa hälytyksiä hinnalla, joka on kaikkien ulottuvilla.
Ratkaistavia ongelmia tekoälylle riittää, sillä tulvariskien ennustetaan yli kaksinkertaistuvan vuosisadan loppuun mennessä talous- ja väestönkasvun sekä ilmastonmuutoksen seurauksena. Vesivarojen käyttö lisääntyy voimakkaasti energian- ja ravinnontuotannon kasvaessa. Leviä ja kasveja hyödynnetään ravinnoksi ja energiaksi. Samalla julkisella sektorilla voimavarojen käyttöä pitää tehostaa yli 20 % ja toiminnan vaikuttavuutta kasvattaa. Miten tämä voi onnistua?
Ongelmia ratkotaan hallituksen sinisen biotalouden kärkihankkeessa nimeltä ÄlyVesi. Hankkeessa hyödynnetään autonomisia ilma-aluksia, konenäköä sekä IoT-teknologiaa pinta- ja pohjavesiasemilla ja syväoppimista tulvariskien hallinnassa. Hankkeessa kartoitetaan konenäön avulla kiinnostavia kohteita vesi- ja maaympäristössä seurannan ja biomassan määrän arvioimiseksi sekä arvioidaan jään lähtöä ja jäätymistä (Lisätietoa https://www.syke.fi/hankkeet/alyvesi).
Asiakasarvo syntyy paremman liiketoimintaymmärryksen kautta
Asiakasarvon synnyttäminen on avain uusien menetelmien käyttöönottoon, kun voimavarat vähenevät. Me osaamme kerätä, siirtää ja varastoida tietoa, mutta tarjonnan kasvaessa hinnat ovat romahtaneet. Arvoa on haettava muualta, ajatus onkin parantaa digitaalisia palveluita. Asiakasarvon lisäksi on tärkeää että henkilöstö sitoutuu.
Kokeilujen kautta ihmiset saadaan mukaan ja uusi teknologia käyttöön. Kokeilimme aiemmin miten voimme lineaarisia sekamalleja hyödyntäen mallintaa veden klorofyllipitoisuuden ”lehtivihreä” käyttäen apuna apumuuttujia, kuten veden lämpötilaa, sameutta, ravinnepitoisuutta ja näkösyvyyttä. Tulokset olivat luotettavia ja lähes 50 % säästö näytti mahdolliselta ilman että tiedon luotettavuudesta olisi tingitty. Samansuuntaisia tuloksia saimme optimoimalla valtakunnallisia seurantajärjestelmiä. Osin kokeilun onnistuimmekin karsimaan valtakunnallista seurantaa 20 %.
Teknologian hyödyntäminen
IoT:ta käytämme vedenkorkeuden mittaamisessa, koska paineanturit ovat kohtuuhintaisia, ne kuluttavat vähän energiaa ja siirrettävää tietoa on vähän. Nykyisin havaintoasemilla on yksi paineanturi ja usein vedenkorkeusasteikko, jota luetaan kerran kuussa. Asemakäyntien vähentämiseksi tulisi asemille sijoittaa kolme toisistaan riippumatonta vedenkorkeusmittaria, näin asemakäyntien määrää voitaisiin vähentää arviolta ¾ -osaan. Tällaisen investoinnin takaisinmaksu olisi alle 5 vuotta. Vedenkorkeus voidaan tulkita myös kuvatulkinnan avulla..
Konenäön hyödyntäminen vedenkorkeuden tulkinnassa vaatii kameran, konenäkömallin sekä vedenkorkeusasteikon. Kuvassa on kuva Rakkolanjoelle keväällä 2019 asennetulta tavalliselta videokameralta. Konenäkö mallinnus on tehty käyttäen konvoluutio neuroverkkoa. Mallin opetuksessa on käytetty apuna virtuaalimaailmaa, koska opetusaineistoa on ollut rajallisesti saatavilla, näin on kyetty vähentämään opetustyön määrää merkittävästi.
Virtuaalisen mallin avulla voidaan erilaisia mittaustilanteita ja olosuhteita voidaan luoda lähes rajattomasti, täten malli oppii tunnistamaan vedenkorkeuden jopa olosuhteissa joissa ihminen ei välttämättä kuvasta enää edes voisi sitä tulkita. Neuroverkko oppii opetusaineiston perusteella tunnistamaan esimerkiksi vedenpinnan heijasteen varsinaisesta suorasta kamerakuvasta ja jättää sen huomioimatta.
Konenäkömalli on toteutettu keskitettynä pilvipalveluna johon kameroilta tuleva kuva-aineisto siirretään. Pilvessä kuvasta prosessoidaan asteikko ja tulkitaan joko ennalta määriteltyjen parametrien tai kuvasta mitatun mukaisesti todellinen vedenkorkeus. Tämä vedenkorkeus tallennetaan aikasarjana tietokantaan josta sitä voidaan siirtää muihin järjestelmiin tai käyttää sellaisenaan.
Tulokset
Tulokset ovat lupaavia konenäkömalleista on apua ja IoT –automaattiasemat ovat tulleet jäädäkseen. Pystymme vaikuttavasti sekä tehokkaasti vähentämään manuaalista työtä sekä päästöjä. Lähivuosina näemme mikä teknologia lopulta vie voiton vedenkorkeuden mittaamisessa.
TkT. Jari Silander työskentelee Suomen ympäristökeskuksessa erikoistutkijana. Hän on työskennellyt vesisektorilla yli 20 vuotta ja on nyt keskittynyt tekoälyn ja IoT:n hyödyntämiseen ympäristösektorilla.