Konenäkö on lupaava työkalu likaantumisnäytteiden tutkimuksessa

Likaantuminen on yksi suurimmista julkisivujen ja kattojen huoltotarpeiden aiheuttajista, ja se näkyy esimerkiksi pinnan värin, rakenteen ja kiillon muutoksina, pintojen kasvustoina, rakenteiden haurastumisena ja kestävyyden muutoksina. Likaantumista aiheuttavat ilmassa olevat epäpuhtaudet, esimerkiksi saasteet, pöly ja hiekka sekä eliöperäinen aines kuten siitepöly, levä ja lintujen jätökset. Julkisivujen ja kattojen likaantumisen laajuutta ja materiaalipintojen kulumista tutkitaan usein silmämääräisesti maasta käsin. Laboratoriossa likaantumisnäytteistä tutkitaan muun muassa kiiltoa ja sävyä, ja niille tehdään visuaalinen tarkastus. Jotta likaantumisen tutkimusta voitaisiin tehdä paremmin ja materiaalitutkimuksen kautta löytää taloudellisimmat materiaalit eri kohteisiin, ovat uudet, tehokkaammat analysointikeinot tarpeen.

Konenäkö on älykäs elektroniikkajärjestelmä, jonka avulla voidaan vähentää ihmisten manuaalista työtä. Konenäköjärjestelmä koostuu silmäanturina toimivasta kamerasta, kohteesta, valonlähteestä, tietokoneesta ja kuvankäsittelyohjelmasta. Konenäön avulla voidaan tarkastaa, arvioida ja tunnistaa kohteita, ja sitä on hyödynnetty esimerkiksi teollisuudessa laadunvalvontaan liittyvissä tehtävissä sekä passintarkastuksessa kasvojen tunnistamisessa. Konetekniikan insinööriopiskelija Riikka Aallon HAMK Tech -tutkimusyksikölle tekemässä opinnäytetyössä Konenäkö likaantumisnäytteissä (2022) tavoitteena oli selvittää, miten konenäköjärjestelmää voitaisiin hyödyntää likaantumisnäytteiden tutkimisessa.

Likaantumisen havainnointi tutkimusnäytteistä

Näytteiksi tutkimukseen valikoituivat erilaisissa ulkotesteissä luonnollisessa likaantumisessa tai laboratoriossa keinotekoisissa likaantumiskokeissa olleet, maalatut teräsohutlevyt. Näytteissä oli havaittavissa erilaisia likoja sekä pintamuutoksia kuten jäkälää, levää, nokea, siitepölyä, naarmuja ja tummentumia. Likaantumisnäytteitä kuvattiin Canonin ja Nikonin digitaalisilla järjestelmäkameroilla sekä Specim IQ -hyperspektrikameralla. Digitaalinen kamera ottaa kuvan objektiivin läpi ja tallentaa sen kennon näkemänä, kun taas hyperspektrikamera kuvaa kohteen heijastuksia. Jokaisella värillä on oma heijastuskäyränsä eli spektri, joka kuvaa valon määrää eri aallonpituuksilla. Spektrien avulla voidaan tunnistaa ja määrittää materiaaleja sekä niiden ominaisuuksia. Opinnäytteen tutkimustyössä paras valo näytteiden kuvaamiseen löytyi ulkoa: pilvisellä säällä valo jakautui näytteisiin tasaisesti.

Digitaalisella kameralla kuvattiin 25 vaaleapohjaista, eri tavoin likaantunutta näytettä, ja niiden analysointiin käytettiin Mathworksin Matlab R2022a -ohjelmaa. Ohjelmaan tehtiin koodi, jonka avulla kuvat yksinkertaistettiin ja muutettiin mustavalkoisiksi, minkä jälkeen ohjelma laski kuinka paljon tummaa muodostelmaa eli likaa vaalealta pohjalta löytyi (kuva 1). Saatujen lukujen perusteella näytteet voitiin järjestää puhtaimmasta likaisimpaan. Hyperspektrikameralla analysoitiin 24 eriväristä näytettä ja niiden spektrikäyriä vertailtiin Specim IQ Studio -ohjelmalla. Laboratorio-oloissa liatuista näytteistä tehtiin oma standardikirjasto, jonne tallennettiin levän, siitepölyn ja noen spektrit.

Digitaalisella kameralla otetuista kuvista kysyttiin myös ihmisten mielipiteitä. Heitä pyydettiin kuvien perusteella sijoittamaan järjestyksessä samat 25 vaaleapohjaista näytettä omasta mielestään puhtaimmasta likaisimpaan, ja näitä järjestyksiä verrattiin konenäön tuloksiin. Konenäkö ja ihmissilmät näkivät näytteiden likaantumisen digitaalisista kuvista osittain eri tavalla: ihminen näkee ja havaitsee asiat suuremmalla tieto- ja tunnetasolla kuin konenäkö, ja tämän tiedon siirto konenäölle on haastavaa. Ihmisten mielipiteet voivat myös poiketa toisistaan, sillä eri ihmiset näkevät asiat eri tavoin, mikä tekee havaintojenteon toistettavuuden haastavaksi. Konenäkö taas näkee asiat objektiivisesti siten, miten se on ohjelmoitu ne näkemään. Yhteneväisimmät tulokset saatiin laikukkaista näytteistä, joissa lian paksuus ja väri olivat tasaisia. Vähän, mutta tasaisesti likaantuneiden levyjen kuvat kone näki likaisempina kuin ihmiset, koska konenäkö määritteli levyn likaisuuden pelkästään likaisen pinta-alan perusteella eikä ottanut kantaa likakerroksen paksuuteen.

Konenäkö mahdollistaa likaantumisnäytteiden monipuolisen analysoinnin

Tutkimuksessa havaittiin yksinkertaisen konenäköjärjestelmän toimivan maalipinnoitettujen ohutlevyjen likaisuuden tutkimuksessa ja arvioinnissa. Konenäön analysointi on käytännössä nopeaa ja toistettavaa, ja sen avulla voidaan vähentää ihmisten manuaalista työtä. Esimerkiksi Matlabin likaantumisluvun tai Specim IQ Studion testiajon avulla näytteitä voidaan lajitella nopeasti. Konenäön analysoinnissa näytekuvien korkea laatu on tärkeää. Oikeanlainen valaistus ja kuvauksen olosuhteet takaavat onnistuneen kuvan.

Hyperspektrikameralla kuvaaminen laajentaa konenäköjärjestelmän mahdollisuuksia näyttämällä levyjen pintoja vielä laajemmalla spektrillä kuin digitaalinen kuvaus. Hyperspektrikameralla varsinainen kuvaus on helppoa, mutta tulosten analysointi vaatii asiantuntemusta. Testiajojen spektrien osumat olivat välillä osittaisia, minkä voi selittää jokin toinen lika, jota näytteestä löytyy, mutta johon ei ole vertailukirjastossa vastaavaa standardia. Hyperspektrikuvausta voitaisiin käyttää monipuolisesti erilaisten likojen analysointiin, mutta siihen tarvittaisiin laaja vertailukirjasto tunnetuista lioista.

Konenäkö on erittäin lupaava työkalu likaantumisnäytteiden tutkimuksessa. Erityisenä haasteena on osata opettaa konenäkö huomioimaan samoja asioita kuin ihmissilmä. Tässä opinnäytetyössä esimerkiksi korkeakiiltoisten näytteiden heijastumat sekä tummissa näytteissä lian erottumattomuus taustasta tuottivat konenäölle ongelmia. Laajempi tutkimustyö antaisi lisää vastauksia ja ajatuksia siitä, miten konenäköä voitaisiin hyödyntää vieläkin tehokkaammin likaantumisnäytteiden analysoinnissa.