jamk.fi
toggle mainmenu toggle search

Talvella näkyvyys tien päällä voi tippua huonoksi yhtäkkiä, vaikuttaen merkittävästi liikenneturvallisuuteen. Näkyvyys riippuu monesta tekijästä, joten sen mittaaminen on joissain tilanteissa vaikeaa. Erityisesti tuiskuava lumi on meteorologien näkökulmasta hankala tiesään ilmiö.

– Tuiskuava lumi ei ole välttämättä suoraan liitoksissa lumisateisiin, vaan lunta voi kertyä teiden varsille esimerkiksi tuulen vaikutuksesta. Sopivalla pakkasella irtolumi sitten lähtee pöllyämään, kertoo Ilmatieteen laitoksen tutkija Marjo Hippi.

Ilmatieteen laitoksella on kehitetty numeerinen säämalli tuiskulumen ennustamiseen. Malli huomioi lumisateet ja niiden ajankohdan, ilman lämpötilan ja tuuliolosuhteet. Havaintoja tuiskuavasta lumesta ei kuitenkaan varsinaisesti ole ollut saatavilla. Ainoa luotettava keino mitata pöllyävän lumen heikentämää näkyvyyttä olisi näköhavainto.

– Sitten tuli idea, että kelikamerathan antavat sen näköhavainnon, voisiko niiden ottamaa kuvadataa analysoida tekoälyn avulla, Hippi kertoo. Ilmatieteen laitoksella tiedettiin JAMKissa olevan tekoälyosaajia. Laitokselta otettiin yhteyttä JAMKin data-analytiikan ja tekoälyn asiantuntijaan lehtori Mika Rantoseen, joka innostui aiheesta.

– Olimme jo jonkun verran tehneet neuroverkkokokeiluja, mutta lähinnä avoimella datalla. Ilmatieteen laitokselta saatiin valmis data ja oikea tarve sen analysoinnille, Rantonen kiittelee.

JAMKinIT-instituutin lehtori Mika Rantonen (vas.) sekä nykyisin IT-instituutissa projekti-insinöörinä työskentelevä Antti Mäkelä tutkivat kelikameradataa.

Projektiin valjastettiin vielä tuolloin JAMKin IT-instituutissa opiskeleva Antti Mäkelä, jolla oli jo taustaa neuroverkkojen rakentamisesta. Mäkelä ryhtyi opettamaan neuroverkkoa kelikameroiden kuvamateriaalin avulla.

– Materiaalia oli todella paljon. Katsoin itse kuvia videon muodossa pikakelauksella läpi ja merkkasin kuvat hyvän tai huonon näkyvyyden mukaan, Mäkelä kertoo.

Kuvamateriaalista irrotettiin kymmeniä tuhansia merkattuja kuvia, jotka syötettiin neuroverkkoon. Neuroverkko oppi tunnistamaan näkyvyyden eri asteet tuhansien ja taas tuhansien esimerkkien kautta. Neuroverkko luokitteli onnistuneesti myös tuiskulunta sisältävät kuvat huonon näkyvyyden kuviksi.

Neuroverkko arvioi kuvan näkyvyyttä: mitä korkeampi prosentti, sitä parempi näkyvyys.

Projektia esiteltiin kansainvälisessä tiesään SIRWEC -konferenssissa Slovakiassa, missä idea sai hyvän vastaanoton. Tekoäly on alalla tällä hetkellä pinnalla.

– Sitä kohti mennään, että esimerkiksi kelikameratiedoista, kojelautakameroista ja muista havainnoista saataisiin kattava kuva senhetkisestä paikallissäästä suoraan autoilijoille, Marjo Hippi kertoo.

Mika Rantonenkin odottaa jo innoissaan jatkoprojekteja, joista Ilmatieteen laitoksen kanssa on jo alustavasti puhuttu. Samalla hän myöntää, että data on yksi suurimmista kynnyskysymyksistä neuroverkkoprojekteissa.

– Valitettavasti yritykset ovat vielä varsin varovaisia luovuttamaan dataa edes toiminnan kehittämiseksi. Yritysten kautta tuleva oikea tarve olisi aina parempi projektin lähtökohta meillekin, Rantonen sanoo.

Tekoäly on lisäksi vielä sen verran nuori tieteenala, että osaajia on vähän. Tilanne kuitenkin paranee tulevaisuudessa. Esimerkiksi JAMKissa alkaa syksyllä uusi data-analytiikan ja tekoälyn opintokokonaisuus.

TEKSTI ESKO PULLIAINEN KUVAT iSTOCK

Neuroverkon kuvituskuva

Mikä neuroverkko?

Neuroverkko on ihmisaivojen hermoratojen toimintaa jäljittelevä informaation käsittelyn malli. Neuroverkko rakentuu keinotekoisista neuroneista, jotka ovat yhteydessä toisiinsa. Neuroverkko on oppiva systeemi, jota opetetaan esimerkkidatalla. Esimerkkeihin perustuvan oppimisen vuoksi neuroverkkoja käytetään paljon juuri kuvantunnistuksessa.

Lue lisää

JAMKin tekoälyyn liittyvistä projekteista:
www.jamk.fi/tekoaly