Konenäkö avuksi tekstiilijätteen lajitteluun

Blogit
Mikko P. Mäkelä
waste containers full of old rags

Konenäkö voi erottaa väärennetyn lääkkeen oikeasta, terveen kasvin sairaasta ja kivilajin toisesta. Se saattaa myös ratkaista lähivuosina tekstiilijätteen hyötykäytön. 

Tekstiilikuidun koostumus sanelee sille sopivan kierrätysmenetelmän. Yhtä muokataan sulattamalla, toista liuottamalla, kolmatta vain mekaanisesti. Menetelmiä on lukuisia, mutta niiden käyttöä rajoittavat edelleen puutteet tekstiilijätteen keräyksessä ja lajittelussa. Valtaosa maailman tekstiilijätteestä päätyy läjitykseen tai poltettavaksi.

Vuoteen 2025 mennessä EU-maiden on järjestettävä tekstiilijätteiden erilliskeräys. On tärkeää, että viimeistään siinä vaiheessa kerätty jäte pystytään myös lajittelemaan.

Konenäkö pysyy liukuhihnan tahdissa

Kuidun koostumus selviää, kun leikataan kankaasta pala ja viedään se laboratorioon. Tämä ei auta, jos tekstiilijätettä kumotaan lajittelukeskukseen satoja tonneja joka päivä. Tarvitaan menetelmä, jolla kuidun koostumus selviää liukuhihnan pyöriessä. Tarvitaan hyperspektrikamera, joka nappaa kuvan kaikesta, mitä hihnalla näkyy. Lisäksi tarvitaan kuvien pohjalta kehitetty algoritmi, joka kertoo, onko puuvillatakin kauluksissa polyesteriä ja mikä kuitu hallitsee sekoitekankaassa.

Näin muodostuu konenäkö. Se voi erottaa väärennetyn lääkkeen oikeasta, terveen kasvin sairaasta ja kivilajin toisesta. Nyt tutkimme, millaisella tarkkuudella se erottaa tekstiilimarkkinoiden valtakuidut, puuvillan ja polyesterin, sekä näiden erilaiset seokset toisistaan.

Tavallinen digikamera paloittelee kohteensa pikseleiksi ja mittaa kappaleen heijastamaa säteilyä kunkin pikselin kohdalla. Käytössä on kolme näkyvän valon aallonpituutta, punainen, sininen ja vihreä, ja yhdistämällä ne toisiinsa syntyy tuttu monivärivalokuva. Hyperspektrikamera puolestaan voi mitata jokaisesta pikselistä koko spektrin. Spektri toimii kuin kemiallinen sormenjälki, joka sisältää tietoa näytteen koostumuksesta. Tavallisesti käytössä on kymmeniä tai jopa satoja aallonpituuksia näkyvän valon tai infrapunan alueella. Päällekkäisiä kuvia voi siis tulla yhtä pikseliä kohden satoja.

Konenäkö tarkentuu tekstiilinäytteitä analysoimalla

Jotta hyperspektrikameran kuva kertoisi tekstiilin koostumuksen, sitä on verrattava kuviin tekstiileistä, joiden koostumus tunnetaan. Kuvaamme siis näytteitä ja selvitämme niiden koostumuksen kemiallisin menetelmin. Näiden näytteiden avulla voimme opettaa kuvien käsittelyyn ja laskentamalleihin perustuvia algoritmeja tunnistamaan eri kuituseoksia.

Meillä on tapana puhua kemometriasta silloin, kun sovellettua matematiikkaa ja tilastollisia menetelmiä liitetään kemian tutkimukseen. Lopputulos on joka tapauksessa kamerateknologian ja algoritmin yhdistävä konenäkösovellus, joka tunnistaa tekstiilikuituja tai ennustaa niiden ominaisuuksia.

Tekstiilinäytteiden kemiallinen analysointi on niin työlästä, että se sanelee kehitystyömme tahdin. Aikaisemmissa tekstiilialan projekteissa on luokiteltu kuituja hyvin karkealla tasolla puuvillaksi, polyesteriksi ja näiden seoksiksi.

Tulevaisuudessa tämä taso ei riitä. Meidän olisi hyvä tunnistaa muun muassa se, millaisella suhteella kankaiden kuituseokset on valmistettu, onko kankaan selluloosa peräisin luonnonkuiduista vai tekokuiduista ja missä kunnossa kuitujen polymeerit ovat kenties useampienkin kierrätyskierrosten jälkeen. Konenäkö pystyy kyllä tähän, kunhan saamme sen opetettua. 

Hyperspectral image of textile sample

Valokuva tekstiilinäytteestä (vasemmalla) ja näytteen kemialliset erot hyperspektrikuvan perusteella (oikealla). Oikealla käytetty väritys on mielivaltainen ja visualisoi pikselien välisiä kemiallisia eroja pääkomponenttianalyysin avulla.

Jaa