Tekstiilien tunnistaminen tietokonenäöllä

Tietokonenäkö on eräs tekoälyn osa-alue, jossa erilaisten syväoppimisalgoritmien avulla pyritään kuvasta tunnistamaan haluttuja asioita. Tekoälypaja-projektissa kehitämme erilaisia tekoäly- ja sensoriteknologian ratkaisuja sote- ja kiertotalouden yritysten avuksi. Erilaisten tekstiilien kierrättämisessä on tullut esille tarve tunnistaa toisistaan kudokset ja neulokset kierrätystä ja lajittelua varten. Tällä hetkellä lajittelu tapahtuu silmämääräisesti, jolloin virheitä voi syntyä tarkkailijan kokemattomuuden, väsymyksen tai inhimillisen virheen takia. Tutkimme erilaisia konenäön menetelmiä, joilla voitaisiin automatisoida ja tehostaa tätä lajitteluprosessia esimerkiksi puhelinsovelluksen tai IoT-laitteen avulla. 

Kuva 1. Tekoälypaja-hankkeessa kehitetään uutta tekoäly- ja sensoriteknologian kehittämisympäristöä Mukkulankadun kampukselle. Kuva: Ville Teräväinen 

Tekoälymallin luominen tekstiilien tunnistukseen 

Keräsimme LAB-ammattikorkeakoulun Tekstiilien ja muovien materiaalikierrot -tutkimustiimin avustuksella kuvia kudoksista ja neuloksista tekoälymallin koulutusta varten. Halusimme tutkia tekstiilien tunnistamista etäältä ja makrotasolta. Testausvaiheessa loimme molemmista tapauksista erilliset tekoälymallit saadaksemme tietoa siitä, onko toinen tapa tarkempi. On mahdollista kouluttaa malli tunnistamaan tekstiilit etäältä ja makrotasolta.  

Teimme ensimmäisen mallin käyttämällä Microsoftin Custom Vision -työkalua. Koulutimme mallin noin 300 kuvalla neuloksista ja kudoksista läheltä kuvatun mallin kouluttamiseksi ja noin 200 kuvaa per tyyppi makromallin kouluttamiseksi. Läheltä kuvattu malli pääsi yllättävänkin tarkkaan tulokseen kuten kuvassa 2, mutta pitää huomioida, että malli ei välttämättä tosielämän tilanteessa yllä vastaavaan tarkkuuteen. Koulutusdata ei vielä tällaisenaan pysty käsittämään kaikkia erilaisia kudoksia ja neuloksia, minkä lisäksi erilaiset kuvausolosuhteet voivat vaikuttaa lopputulokseen.  

Kuva 2. Läheltä kuvattujen kuvien mallin yhteenveto. Neulokset löydettiin kuvista 93.1% ajasta ja tunnistettiin oikein 90% ajasta. Kudokset löydettiin kuvista 90.2% ajasta ja tunnistettiin oikein 93.2% ajasta. Koulutuskuvia käyettiin neuloksiin 299 kappaletta ja kudoksiin 295 kappaletta. Kuva: Ville Teräväinen 

Makromalli suoriutui hyvillä tuloksilla ja hieman alempi tulos johtuu luultavasti koulutusdatan pienemmästä koosta. Kuvassa 3 esitetyt tulokset ovat lupaavia siis myös makrotason tunnistusta varten.  

Kuva 3. Makromallin yhteenveto. Neulokset löydettiin kuvista 86% ajasta ja tunnistettiin oikein 90.2% ajasta. Kudokset löydettiin kuvista 90.2% ajasta ja tunnistettiin oikein 86% ajasta. Koulutuskuvia käyettiin neuloksiin 203 kappaletta ja kudoksiin 213 kappaletta. Kuva: Ville Teräväinen 

Tekoälymallin hyödyntäminen 

Tekoälypaja-projektin seuraavana tavoitteena on luoda sovelluksia esiteltyjen mallien ympärille, esimerkiksi puhelimeen tai IoT-laitteeseen. Puhelinsovellus tulisi lajittelun parissa työskenteleville henkilöille, kun taas IoT-laite voidaan asentaa tarkkailemaan tuotantolinjaa ja näin tehostaa automaattista lajittelua. IoT-laitteeksi soveltuisi esimerkiksi kuvan 4 Raspberry Pi -mikrotietokone, johon liitetään kameramoduuli kuvan ottamista varten. Mikrotietokone voi välittää tuotantolinjalla olevalla lajittelukoneelle tiedon, miten lajitella tulevat tekstiilit. 

Kuva 4. Raspberry Pi 4 -mikrotietokone ja kameramoduuli. Kuva: Ville Teräväinen 

Kirjoittaja
 
Ville Teräväinen työskentelee TKI-asiantuntijana LAB-ammattikorkeakoulussa ja tekniikan asiantuntijana Tekoälypaja- ja Konenäkö-hankkeissa.  

Linkit

LAB 2020. Tekoälypaja. [Viitattu 4.11.2021]. Saatavissa: https://lab.fi/fi/projekti/tekoalypaja 

LAB 2020. Konenäön sovellukset sote- ja hyvinvointialalla. [Viitattu 4.11.2021]. Saatavissa: https://lab.fi/fi/projekti/konenaon-sovellukset-sote-ja-hyvinvointialalla 

Jätä kommentti

Sähköpostiosoitettasi ei julkaista.