Tunnistusteknologiat laitettiin suurennuslasin alle
![](https://telaketju.turkuamk.fi/uploads/5e7049ea-reiska11-2021-oona-rouhiainen-1024x643.png)
Tässä blogitekstissä esitellään Telavalue-hankkeen tutkimustuloksia tekstiilien tunnistusteknologioihin liittyen. Yhtenä osana hanketta oli selvittää tunnistusteknologioiden nykytilannetta ja tehdä tunnistusteknologioista SWOT-analyysi. Lähempään tarkasteluun otettiin lähi-infrapuna, hyperspektrikuvantaminen sekä konenäkö. Itse englanninkielinen selvitys sekä siinä käytetyt artikkelit löytyvät blogitekstin lopusta liitetiedostoina.
Teksti julkaistu alun perin LAB Pro -lehdessä.
Poistotekstiiliä on erilliskerätty Suomessa jo vuoden 2023 alusta alkaen. Jotta erilliskerätyt poistotekstiilit saadaan hyötykäyttöön, tulee ne lajitella hyödyntämispotentiaalin mukaisesti eri kategorioihin. Kun sellaisenaan uudelleenkäyttökelpoiset ja täysin käyttökelvottomat tekstiilit on saatu eroteltua tekstiilimassasta, jää jäljelle kierrätysprosesseihin soveltuvat tekstiilit. Nämä tulee lajitella materiaaleittain parhaan lopputuloksen saamiseksi. Tässä avuksi astuu tunnistusteknologiat, joilla voidaan parantaa olennaisesti tunnistuksen luotettavuutta sekä nopeutta.
Telavalue-hankkeessa selvitettiin tekstiilien tunnistukseen soveltuvia teknologioita
LAB-ammattikorkeakoulu on mukana Telavalue-hankkeessa, jossa keskitytään edistämään tekstiilien kiertotaloutta luomalla kestäviä arvoketjuja elinkaaren jokaisessa vaiheessa. Tämän julkisen tutkimushankkeen rahoittaa Business Finland yhdessä kansallisten yritysten kanssa. LABin lisäksi hankkeen tutkimusorganisaatioina ovat VTT sekä Turun ammattikorkeakoulu. (Telaketju 2024) .Hankkeessa on ollut yhtenä tehtävänä selvittää tunnistusteknologioiden nykytilannetta (SotA eli State of the Art). Kartoituksien pohjalta kolmea erilaista tunnistusteknologiaa eli lähi-infrapunaa, konenäköä sekä hyperspektrikuvantamista vertailtiin SWOT-analyysillä.
Lähi-infrapunalla (NIR) tarkoitetaan elektromagneettista säteilyä, heti näkyvän valon ulkopuolelta. Siinä missä näkyvän valon säteilystä päätellään värejä, kyetään NIR-alueella tunnistamaan monia orgaanisia materiaaleja. Lisäksi tällaisella pintaa lukevalla menetelmällä kyetään havainnoimaan myös pinnoitteita ja kyllästeaineita. (Cleve et al. 2000) Tällä hetkellä käytössä on sekä käsikäyttöisiä NIR-laitteita että isomman mittakaavan laitteistoja teollisuudenkin tarpeisiin. Konenäkö puolestaan on kuin tietokone ihmissilmällä. Sen avulla pystytään tunnistamaan tekstiileistä rakenteellisia poikkeavuuksia, jopa mikroskoopin tarkasti. (Cognex 2024; Davies 2015; Pietikäinen 2000) Hyperspektrikuvantamisessa sen sijaan edellä mainitut laitteet yhdistyvät eräässä mielessä yhdeksi kokonaisuudeksi. Se pitää sisällään siis molempien laitteiden ominaisuudet tunnistuksen suhteen ja lisäksi sellaisella kyetään parhaimmillaan erottamaan ja tunnistamaan tekstiilit jopa lankatasolla. Tämä mahdollistaa esimerkiksi yksittäisten lankojen materiaalin tunnistamisen. (Mäkelä et. al. 2020; Burger & Gowen 2011)
LAB-ammattikorkeakoulun kiertotalouslaboratoriossa tehdään tutkimusta myös tunnistusteknologioita hyödyntäen. Laboratoriossa on käytössä REISKAtex-pilotlinjasto, jolla pystytään erottelemaan tekstiileitä toisistaan materiaalipohjaisesti NIR-teknologian avulla. (LAB-ammattikorkeakoulu 2024) Linjastossa oleva lähi-infrapunaspektrometri tunnistaa tekstiilin materiaalin, jonka jälkeen liukuhihnalla olevat puhaltimet siirtävät tekstiilin oikeaan laatikkoon. Haasteena nykyisessä pilottilinjassa on spektrometrin rajoitteet; sillä kyetään analysoimaan vain tekstiilin pintamateriaali. Sen takia monikerroksisia sekä pinnoitettuja tuotteita ei saada lajiteltua materiaalinsa perusteella. Nykyisellään laitteistossa sellaiset tuotteet ohjataan jatkotutkimuksiin tai suoraan poistuvaksi materiaalijakeeksi. SWOT- ja SotA -analyysien pohjalta pilottilinjaston kehitystä voidaan ohjata toiminnallisemmaksi ja monimuotoisemmaksi, mahdollistaen myös joidenkin ongelmallisempien materiaalien lajittelun.
![Vihreä linjasto, jolla on vaatekappaleita](https://telaketju.turkuamk.fi/uploads/5e7049ea-reiska11-2021-oona-rouhiainen-1024x643.png)
Tunnistusteknologioiden ominaisuudet pääsivät arvioinnin kohteeksi
SWOT-analyysissä tarkastellaan tietyn asian vahvuuksia, heikkouksia, mahdollisuuksia ja uhkia. Tällaisella taulukoinnilla helpotetaan tutkittavien asioiden käyttökelpoisuuksia. Teknologioiden tutkimus keskitettiin niiden mahdollisuuksiin tekstiilin kiertotaloudessa, eritoten poistuvan kuluttajatekstiilin kierrätyksen parantamisessa. Tämän työn perusteella voidaan päätellä, että kaikilla kolmella teknologialla on sijaa kiertotalouden parantamisessa.
Näkyvän valon alueella toimivilla konenäköjärjestelmillä kyetään tehostamaan lajittelua muun muassa tekstiilin värin ja kunnon perusteella, siinä missä puhtaasti lähi-infrapuna pohjainen laitteiston kapasiteetti rajoittuu havainnoitavaan pieneen alueeseen ja siitä kerättävään reflektoituneen säteilyn tuottamaan dataan. NIR laitteiden katsantoalue on tavallisesti lähellä näytettä, ja mitä etäämmälle laitteen näytteestä asettaa, sitä enemmän havainnoitavasta näytteestä voi aiheutua sirontaa ja siten epävarmuutta.
Vaikka hyperspektrikamera yhdistääkin lähi-infrapunan konenäköön ja kykenee tarkastelemaan näytettä monipuolisemmin kuin komponentit itsenänsä, on sen ensisijaisena heikkoutena sen analyysiaika. Tavanomaisesti HSI laitteilla tarkastellaan linjamaista aluetta ja näyte skannataan linjan läpi, ja näytteestä luodaan linja kerrallaan yhtenäinen kokonaiskuva. (Mahlamäki et al. 2023, Mäkelä et al. 2021, Burger & Gowen 2011) Esimerkinomaisesti voidaan ajatella, että NIR spektrometrillä data kerätään ja käsitellään 100 millisekunnissa ja jos hyperspektrikamera pilkkoo näkökenttänsä 380 pikseliin ja käsittelee jokaisesta spektridataa saman ajan verran, kestäisi silloin HSI-laitteella noin 38 sekuntia yhteen kokonaiseen analyysiin. Toki laitteistoissa on mahdollista säätää parametrejä analyysien optimointia varten ja kokonaisesta alueesta ei dataa tarvitse käsitellä.
Hankkeessa tehty selvitys tunnistusteknologioista auttaa hahmottamaan teknologioiden välisiä eroja. Teknologioiden ominaisuuksien listaaminen helpottaa puolestaan niiden soveltuvuuden arviointia eri käyttökohteisiin. On tärkeä tiedostaa, että jokaisella teknologialla on omat vahvuudet ja heikkoudet, jotka tulee huomioida tekstiilien ja materiaalien tunnistuksessa. Valikoimalla oikeanlaista tekniikkaa oikeaan tarkoitukseen, voidaan lisätä tekstiilien kiertotalouden tehokkuutta ja siten lisätä kierrätystekstiilien katetta. Teknologioiden valjastaminen mahdollistaa myös niiden heikkouksien paikantamista ja paikkaamista.
![Strenght, weaknesses, opportunities, threats](https://telaketju.turkuamk.fi/uploads/d55f55b0-swot-kuva-1024x682.jpg)
Tutustu tarkemmin Indentification technologies -raporttiin.
Tutustu raportin lähdelistaukseen.
Kirjoittajat:
Niko Rintala työskentelee LAB-ammattikorkeakoulun kiertotalouslaboratorion ja -hankkeiden kehitysinsinöörinä ja materiaalitekniikan asiantuntijana.
Enni Arvez työskentelee LAB-ammattikorkeakoulun teknologiayksikössä TKI-asiantuntijana ja toimii LAB-ammattikorkeakoulun projektipäällikkönä Telavalue-hankkeessa.
Lähteet:
Athree23. 2020. Hallitus, Liitu, Swot. Pixabay.
Cognex. 2024. Machine Vision. Viitattu 3.4.2024.
Davies 2012. Davies, E. R. Computer and Machine Vision : Theory, Algorithms, Practicalities, Elsevier Science & Technology, 2012. ISBN 9780123869913.
LAB-ammattikorkeakoulu. 2024. Tekstiili- ja kuitulaboratorio. Viitattu 2.4.2024.
Pietikäinen 2000. Pietikainen Matti K. Texture Analysis In Machine Vision. World Scientific; 2000. Accessed April 3, 2024. ISBN 9789810243739.