Konenäön edistysaskeleet tekevät mahdolliseksi rakentaa entistä etevämpiä ja ympäristöään paremmin hahmottavia, itsenäisesti toimivia koneita. Movetecin konenäön asiantuntija Ilkka Nenämaan mukaan tekoälyn ja konenäön yhteistoiminta tarjoaa koneenrakentajille sananmukaisesti ennennäkemättömiä mahdollisuuksia.
Kumpikaan teknologia ei ole täydellinen. Konenäköjärjestelmät ovat kuitenkin kehittyneet viime vuosina huimasti erityisesti 3D-ominaisuuksiltaan, ja kaupallisesti saatavilla – ja jopa ilmaisilla – deep learningin algoritmeilla voidaan monessa tapauksessa päästä erittäin hyviin ja luotettaviin tuloksiin. Deep learning eli syväoppiminen tai neuroverkko on erinomainen ja jatkuvasti kehittyvä tapa tulkita konenäköjärjestelmien tuottamaa dataa.
Järjestelmien kehitystyötä on tehty suurien teknologiayhtiöiden tuotekehityslaboratorioissa sekä yliopistoissa ja tutkimuslaitoksissa. Edistysaskelista on kiittäminen myös suuria teollisuudenaloja, jotka tarvitsevat tuotteisiinsa ja valmistusproresseihinsa parempaa konenäköä eli auto-, elektroniikka- ja puolustusvälineteollisuutta. Ei pidä vähätellä myöskään terveysteknologian ja logistiikka-alan vaikutusta konenäön ja teköälyn kehitykseen.
Kaikilla muilla elinkeinoelämän alueilla on nyt tilaisuus välillisesti hyötyä näiden alojen eteen tehdystä tutkimustyöstä.
Ilkka Nenämaan mukaan Suomessa näiden teknologioiden hyödyntämisestä eniten tulevat hyötymään liikkuvien työkoneiden, robotiikan sekä varasto- ja tuotantoautomaation kehittäjät.
Itsenäisesti liikkuvat työkoneet voivat käyttää kamerateknologiaa suunnistamisen ja paikoittamisen apuna ja työympäristön hahmottamisessa aivan vastaavalla tavalla kuin kiivaasti kehitettävät kuljettajattomat autot.
Robotiikan ja kappaleenkäsittelyautomaation toimintaympäristö on yleensä strukturoidumpi kuin esimerkiksi metsä- tai rakennustyömaa. Silti tehtaissa ja tuotantosoluissakin tarvitaan kykyä havaita ja tunnistaa objekteja ja päätellä kuinka kaukana ja missä asennossa ne ovat.
Esimerkiksi kappaleiden poiminta järjestämättömältä lavalta vaatii näitä taitoja.
Yksi 3D-konenäön lupaavimmista viimeaikaisista kehitysaskelista on Nenämaan mukaan strukturoidun valaistuksen käyttö, jota mm. Keyence kehittää. Kuvattavaa kohdetta valaistaan tietyillä valokuvioilla ja kuvataan eri suunnista, jolloin valokuvioiden “vääristyminen” 2D-kameran kuvassa antaa järjestelmälle tietoa pinnan muodosta kolmannessa ulottuvuudessa.
Loppu onkin kolmiomittauksista tuttua numeroiden murskausta, kun valosäteiden suunnat ja kameroiden sijainnit tunnetaan.