![\"\"](\"http:\/\/blogit.jamk.fi\/techtothefuture\/wp-content\/uploads\/sites\/530\/2018\/08\/Näkyvyysluokat-Data-analytiikka-1024x676.png\")
<\/p>\nKehitimme yhteisty\u00f6ss\u00e4 Ilmatieteen laitoksen (FMI) teko\u00e4lyyn pohjautuvan teiden n\u00e4kyvyyden arviointity\u00f6kalun kelikameroiden kuvia hy\u00f6dynt\u00e4en. Arviointiin k\u00e4ytettiin esimerkiksi pys\u00e4ytyskuvia ties\u00e4\u00e4asemasta tai kelikameroista sek\u00e4 videokuvaa auton kojelaudan kamerasta. Syv\u00e4oppimista eli neuroverkkotekniikkaa k\u00e4ytettiin arvioimaan n\u00e4kyvyyden tasoa kelikameratietojen ja kuvien avulla.<\/p>\n
Tutkimuksen tarkoituksena oli luokitella havaittu n\u00e4kyvyys kolmeen luokkaan: normaali, huono ja eritt\u00e4in huono. Samalla selvitettiin n\u00e4kyvyysluokkien kriteerit: lumisade, pilvisyys ja lumen tuiskuaminen\/p\u00f6llym\u00e4inen tien pinnalla. My\u00f6s sateen (lumi- tai vesisade) tunnistamiseen k\u00e4ytettiin s\u00e4\u00e4havaintoja. Meteorologisesta n\u00e4k\u00f6kulmasta eritt\u00e4in heikko n\u00e4kyvyys tarkoittaa, ett\u00e4 vaakasuuntainen n\u00e4kyvyys on 1000 metri\u00e4 tai v\u00e4hemm\u00e4n. Huono n\u00e4kyvyys ja j\u00e4inen kitkapinta ovat haastava yhdistelm\u00e4 liikenneturvallisuuden kannalta.<\/p>\n
Nykyisin termej\u00e4 teko\u00e4ly (Articial Intelligence), koneoppiminen (Machine Learning) ja syv\u00e4oppiminen (Deep Learning) k\u00e4ytet\u00e4\u00e4n hyvin sekavasti. K\u00e4ytimme tutkimuksessa syv\u00e4oppimisen algoritmeja, tarkemmin ottaessa monikerroksisia neuroverkkoja tunnistamaan n\u00e4kyvyytt\u00e4 kuvista. Kone- ja syv\u00e4oppimisalgoritmeja voidaan k\u00e4ytt\u00e4\u00e4 jonkin funktion likim\u00e4\u00e4r\u00e4isen mallin rakentamiseen, kuten kuvan n\u00e4kyvyyden poimimiseen.<\/p>\n
Tutkimuksessa k\u00e4ytettiin konvoluutioneuroverkkoja (Convolutional Neural Network) ennustamaan yht\u00e4 skalaaria (n\u00e4kyvyytt\u00e4) neuroverkolle sy\u00f6tetyst\u00e4 kuvasta. Konvoluutioneuroverkot ovat yksi yleisimmin k\u00e4ytetyist\u00e4 neuroverkkomalleista kuvantunnistuksessa ja muissa kuvapohjaisissa regressio-teht\u00e4viss\u00e4. Konvoluutioneuroverkkojen t\u00e4rkein etu on kyky tunnistaa samat piirteet, esimerkiksi objektit, riippumatta niiden sijainnista kuvassa. Tutkimuksessa k\u00e4ytettiin useita erilaisia konvoluutioneuroverkkoja ja niiden erilaisia variaatioita. Kaikki koostuivat useista konvoluutiokerroksista (Convolutional Layer) ja koontikerroksista (Pooling Layer) ja jokaisessa verkossa oli my\u00f6s kaksi t\u00e4ysin yhdistetty\u00e4 kerrosta (Fully Connected Layer) lopussa. Kahdessa verkoista kuvan koko oli 192 x 192 pikseli\u00e4, kun kahdessa muussa 96 x 96 pikseli\u00e4. Suurempi kuvakoko antoi verkolle mahdollisuuden tunnistaa pienemm\u00e4t ominaisuudet kuvasta helpommin. Lis\u00e4ksi yksi verkko molemmista kuvan kokoluokista sis\u00e4lsi j\u00e4\u00e4nn\u00f6skerrokset (Residual Layer) jokaisen konvoluutiokerroksen j\u00e4lkeen. N\u00e4m\u00e4 kerrokset paransivat ennustustarkkuutta pienell\u00e4 m\u00e4\u00e4r\u00e4ll\u00e4, mutta vaikeuttivat verkon opetusta.<\/p>\n
N\u00e4kyvyyden ennustamisen lis\u00e4ksi neuroverkosto yritt\u00e4\u00e4 arvioida omia vahvuuksiaan ja heikkouksiaan. T\u00e4m\u00e4 suoritetaan toisella konvoluutiollisella neuroverkolla, joka toimii rinnakkain kuvan tunnistusverkon kanssa. N\u00e4in saadaan verkosta toinen ulostulo, ep\u00e4varmuus, joka pyrkii mittaamaan verkon varmuutta n\u00e4kyvyysennustuksesta. Ep\u00e4varmuustekij\u00e4 voi kuitenkin olla ep\u00e4tarkka itsess\u00e4\u00e4n: neuroverkko voi yli- tai aliarvioida omia kykyj\u00e4\u00e4n. Ep\u00e4varmuuden arviointiverkko vakauttaa my\u00f6s verkon koulutusvaihetta.<\/p>\n
Neuroverkon opettamiseen valittiin kuvatietokanta erilaisista n\u00e4kyvyystilanteista. Pieni osa t\u00e4t\u00e4 tietokokonaisuutta otettiin arviointitietueeksi, jota k\u00e4ytettiin verkon suorituskyvyn arvioimiseen. Sy\u00f6tteen\u00e4 verkolle k\u00e4ytettiin vain kuvaa: mit\u00e4\u00e4n muita muuttujia ei hy\u00f6dynnetty n\u00e4kyvyyden ennustamiseen.<\/p>\n
Koska opetusjoukon koko on rajallinen, ylioppimisen v\u00e4ltt\u00e4miseksi useita kuvien muokkaustekniikoita k\u00e4ytettiin opetusjoukon laajentamiseen. Ty\u00f6kaluja, kuten kuvien rajausta, pehment\u00e4mist\u00e4, py\u00f6rist\u00e4mist\u00e4, k\u00e4\u00e4nt\u00e4mist\u00e4, kontrastin s\u00e4\u00e4t\u00f6\u00e4 ja satunnaisen kohinan lis\u00e4\u00e4mist\u00e4 k\u00e4ytet\u00e4\u00e4n muuttamaan alkuper\u00e4isi\u00e4 opetusjoukon kuvia. Kaikki verkot koulutettiin Adam-optimointialgoritmilla oletusasetuksilla. Kaikki kerrokset k\u00e4yttiv\u00e4t Rectified Linear Unit- aktivointifunktiota. Viimeisell\u00e4 t\u00e4ysin yhdistetyll\u00e4 kerroksella ei k\u00e4ytetty aktivointia.<\/p>\n
<\/p>\n