Konenäkö tekstiilien rakenteen tunnistuksessa
Eri kuitujen ja sekoitteiden tunnistamisen lisäksi poistotekstiilit olisi mahdollisimman tehokkaan jatkojalostuksen kannalta hyvä saada lajiteltua myös rakenteen mukaan eli eroteltua mm. kudotut ja neulotut tekstiilit toisistaan. Rakenne määrittää muun muassa sidospisteiden määrän ja langan pituuden, joilla on merkitystä, kun materiaali revitään mekaanisessa kierrätyksessä kuiduiksi.
Turun ammattikorkeakoulun konetekniikan koulutusohjelman kevään 2020 konenäkö- ja sensoritekniikoiden opintojaksolla selvitettiin opiskelijatyönä konenäköjärjestelmän soveltuvuutta tekstiilien rakenteen tunnistukseen. Opiskelijat testasivat pienryhmissä niin AMK:lla käytössä olevia älykamerajärjestelmiä, älykamerasimulaattoria kuin vaihtoehtoisiakin tunnistustekniikoita. Älykameralla tarkoitetaan kameraa, joka sisältää myös ”tietokoneen” eli riisutun käyttöjärjestelmän kuvantunnistus- ja kuvankäsittelyohjelmistoineen. Simulaattori taas tarjoaa mahdollisuuden testata ohjelmistoa muulla kuvamateriaalilla ilman varsinaista laitteistoa.
Koska tekstiilimateriaali on epähomogeenista ja väriltään, tiheydeltään ja rakenteeltaan vaihtelevaa, sen rakenteet osoittautuivat hyvin haasteelliseksi tunnistaa teolliseen kappaletavara-automaatioon suunnitelluilla älykameroilla ja älykamerasimulaattorilla. Testattujen kamerojen laitteisto – optiikka, tarkkuus ja käytössä ollut valaistus – olisi hyvinkin riittänyt tarkoitukseen, mutta niihin kiinteästi kuuluva ohjelmisto on tarkoitettu selkeiden kappaleiden ja tunnisteiden kuten viivakoodien tunnistamiseen ja mittaamiseen. Parhaat tulokset älykameroilla saatiin, kun tekstiili kuvattiin yksinkertaisena, pingotettuna ja läpi-/taustavalaistuna, mikä käytännössä tuottaisi omat vaatimuksensa lajittelulinjastolle ja hidastaisi koneellista lajitteluprosessia.
Neuroverkkoperusteinen, koneoppimista hyödyntävä kuvantunnistus sen sijaan osoittautui yllättävänkin tarkaksi tunnistusmenetelmäksi. Esimerkiksi Microsoftin yksityiskäyttöön ilmaista Custom Vision -työkalua kokeiltiin hyödyntää opettamalla sille 500 pientä harmaasävykuvaa, ja jo tällä tavalla noin 99 % testatuista kankaista tunnistui oikein. Teolliseen käyttöön soveltuvan, tarkkaan kuvantunnistukseen pystyvän neuroverkon rakentaminen alusta alkaen vaatisi huomattavaa erityisosaamista ja pitkäaikaista kehitystyötä, mutta valmiiden pilvipalvelujen hyödyntäminen on potentiaalinen kevyempi vaihtoehto. Lisäksi mallikuvia on mallille opetettava mieluummin tuhansia kuin satoja, jotta tunnistus saadaan mahdollisimman tarkaksi.
Kurssin opettaja, lehtori Teppo Mattsson tiivistää kokeilujen annin: ”Ryhmien tulokset olivat pääosin erittäin hyviä. Osa ryhmistä pystyi karsimaan kankaiden tunnistamiseen liittyviä konenäköä hyödyntäviä perustekniikoita, jotka eivät toimineet hyvin. Toiset ryhmät hyödynsivät tunnistamisessa uusia kuvantamista tukevia analyysi- ja laskentamenetelmiä kuten neuroverkkolaskentaa. Näiden osalta tulokset olivat lupaavia ja todennäköisesti hyödynnettävissä mahdollisissa kankaiden luokitteluun liittyvissä jatkoprojekteissa. Luokittelumenetelmien merkitys oli kuvantamistekniikoita suurempi, mikä oli osittain yllättäväkin tulos.”
Ilona Engblom
Kiinnostuitko? Lue lisää:
Engblom I. Konenäön käyttö tekstiilien rakenteen tunnistuksessa
Kamppuri T. ym. Tunnistusteknologiat tekstiilien kierrätyksessä (konenäöstä ja tekoälystä erityisesti s. 9–11)
Miten poistotekstiilejä tunnistetaan?
Tekstiilien tunnistuslaitteisto REISKAtex®
Yleisesti neuroverkoista mm. teoksessa Lehto ym. Tekoälyn perusteita ja sovelluksia (s. 21–46)
Tässä sarjassa esitellään kiinnostavaa tekstiileihin liittyvää tietoa, joka perustuu Telaketjussa tehtyyn tai Telaketjun työssä hyödynnettyyn tutkimukseen.