Kännykkä ja konenäkö liikennemerkkien tunnistuksessa

Tässä Blogissa esitän lyhyesti tekniikkaamme, kuinka kännykän video voi todellakin toimia täydellisesti konenäköpohjaisen datan lähtökohtana ja miksi video toimii paremmin kuin kertaluontoiset kuvat.

”Uskomatonta!”, oli ensimmäinen asia mitä tuli mieleeni, kun kehitystiimimme esitti minulle ratkaisun, miten jatkossa liikennemerkkien jatkuvan ylläpidon ja videoon perustuvan liikennemerkkitunnistuksen keskeisin ongelma oli ratkaistu. Tietyt hetket teknisessä sovelluskehityksessä ovat sellaisia, että ne jäävät mieleen. Tämä oli sellainen. Tuntui samaan aikaan hyvältä ja jännittyneeltä. Ymmärtäisiköhän ihmiset tämän oivalluksen arvon? Voisiko tämä olla tukemassa myös autoteollisuuden kehityksen kuuminta painopistettä – autonomisten autojen kehittymistä.

Niin kuin Vionicen tuntevat ovat huomanneet, olemme konenäköön erikoistunut yritys. Kaikki toimintamme tähtää pohjimmiltaan siihen, että visuaaliset tarkastukset ja inventoinnit voidaan automatisoida. Tällä tiellä on nyt otettu merkittävä kehitysaskel. Konenäön haasteena on tyypillisesti se, että konenäkö tekee virheitä – ihan niin kuin ihminenkin. Me olemme määrätietoisesti lähestyneet tunnistamista videon kautta, koska vähennämme sillä tunnistus puutteita ja toisaalta 3D-pistepilven muodostaminen videosta parantaa meidän paikannustarkkuutta. Valinta on osoittautunut hyväksi.

Oheisessa kuvasta käy ilmi, kuinka videosta tunnistetaan sama 80 km/h nopeusrajoitus merkki lukuisia kertoja. Kuvan käyttöliittymässä on visualisoitu kaikki saman merkin tunnistuskerrat, yhteensä 21 tunnistusta. On luonnollista, että kaukaa tunnistus ei ole koneellekkaan helppoa ja virheitä sattuu. Toisaalta läheltäkin tunnistusta voi häiritä valaistus, liike-epäterävyys tai muut syyt. Oheisessa esimerkissä kauimmat tunnistukset ovat 95 metrin päästä ja lähimmät muutamasta metristä normaalista maantienopeudesta.

Kehittämämme järjestelmä toimii siten, että 3D-pistepilven avulla samaan tolppaan tunnistettu yksilöllinen merkki vahvistuu oikeaksi tilastollisin menetelmin. On helppoa todeta 18 tunnistuksen perusteella tunnistuksen oikea luokitus, vaikka seassa oli muutama virheellinen. Esimerkissä tunnistus on mennyt väärin kolme kertaa, jokaisella kerralla virheellinen luokitus on ollut erilainen. Johtopäätös inventoinnin tai tunnistuksen lopputulokseksi on yksittäisten samojen tunnistusten keskiarvo. Asiakkaalle näkyvässä lopputuloksessa ei koneen tekemät välivaiheet ole luonnollisesti näkyvillä. Tätähän me koneilta ja automaatiolta juuri haluamme. Yksinkertaiset tehtävät hyvin hoidettuna, jotta itse voimme keskittyä tärkeämpään tekemiseen.

Kommentoi tai ota yhteyttä, jos menetelmä kiinnostaa. Asiakkalle ja yhteistyökumppaneille tämä tarkoittaa sitä, että palvelumme liikennemerkkitiedon ylläpito
on entistä laadukkaampi.

/ Markus