Koneoppimisen ja konenäön sovellukset ja menetelmät

Abstract

Automaation ja robotiikan lisääntyminen teollisuudessa on kasvussa ja varsinkin joustavaan tuotantoon pyritään panostamaan. Järjestelmien joustavuutta pystytään lisäämään konenäkösovellusten avulla, milloin tuotteen ei tarvitse olla aina samassa paikassa tai asennossa. Automaatioasteen lisääntyessä manuaalinen työ pienenee, mikä tarkoittaa ihmisen tekemän laadunvalvonnan vähenemistä. Tästä syystä myös automaattista laadunvalvontaa tarvitaan yhä enemmän tuotteiden kokoonpanoon ja lopputarkastukseen. Konenäköjärjestelmiä on ollut markkinoilla jo pitkään ja niitä hyödynnetään laajasti. Koneoppimisen yleistymisen myötä järjestelmiin on kuitenkin tullut uusia toimintamalleja, millä pystytään tekemään sovelluksia myös kohteisiin, mihin perinteiset sääntöpohjaiset järjestelmät eivät toimi.

Tavoitteena oli selvittää koneoppimiseen, konenäköön ja niiden yhdistämiseen liittyvät perusteet ja käytänteet. Toteutustavaksi valittiin kirjallisuusselvitys menetelmien mahdollisuuksien ja haasteiden selvittämiseksi, järjestelmäselvitys menetelmien ominaisuuksien vertailemiseksi, sekä kyselytutkimus yritysten näkökulman selvittämiseksi koneoppimisen hyödyntämismahdollisuuksista. Kirjallisuuskatsauksen tavoitteena oli selvittää koneoppimisen ja konenäön perusteet ja toimintatavat, minkä perusteella pystyttiin syventymään konvoluutioneuroverkkojen rakenteeseen ja käyttömahdollisuuksiin. Järjestelmätestaukseen valittiin avoimen lähdekoodin järjestelemä, sekä kaksi kaupallista järjestelmää. Tavoitteena oli selvittää järjestelmien eroja ja käyttömahdollisuuksia.

Tuloksista voitiin päätellä, että kirjallisuuskatsauksen, järjestelmävertailun ja kyselytutkimuksen tulokset ja näkemykset koneoppimisen hyödyntämiskohteista ja haasteista ovat linjassa. Koneoppimisen hyödyntämisessä on haasteita, mitkä ovat tärkeä tiedostaa menetelmää käytettäessä, mutta mahdollisuudet ovat erittäin laajat. Avoimen lähdekoodin järjestelmiä pystyy hyödyntämään laajasti erilaisiin sovelluskohteisiin, mutta käyttö voi olla huomattavasti haastavampaa, kuin kaupallisilla järjestelmillä. Kaupallisista järjestelmistä löytyy käyttöä helpottavia graafisia käyttöliittymiä ja helppokäyttötoimintoja mallin tekemiseen. Koneoppimista hyödynnetään esimerkiksi laadunvalvonnassa, luokittelussa ja merkkien tunnistuksessa. Koneoppimista voidaan hyödyntää erittäin laajasti ja työkalujen kehitys on nopeaa. Kuitenkin perinteisilläkin konenäkötoiminnoilla on omat vahvuutensa, mihin koneoppimista ei pystytä tai kannata hyödyntää. Tällaisia kohteita ovat esimerkiksi mittaukset ja tuotteiden paikoitukset, sekä nopeaa analyysiä vaativat kohteet.