Järjestelmäkameran etäohjausohjelmiston kehittäminen
Sumia, Tapio (2025)
2025
Johtamisen ja tietotekniikan DI-ohjelma - Master's Programme in Management and Information Technology
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2025-09-29
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202509289542
https://urn.fi/URN:NBN:fi:tuni-202509289542
Tiivistelmä
Tuulivoimaa rakennetaan kovaa vauhtia lisää. Samalla on puhuttu voimaloiden haitoista. Tuulivoimapuistojen rakentamiseen myönnettävissä luvissa saatetaan edellyttää lintujen määrien ja lajien tunnistamista. Ihmisen tekemänä seuraaminen olisi valtava urakka.
Tässä työssä rakennettiin lajien automaattista tunnistamista varten järjestelmäkameraa ohjaavaa sovellusta, joka on yksi osa tutkan, kääntöpään ja lajitunnistuksessa käytettävän konvoluutioneuroverkon kokonaisuutta.
Linnut lentävät niin kaukana, että pitkästä polttovälistä huolimatta ne ovat kuvassa pieniä. Jos kameraa käytetään automatiikalla valotus saattaa mennä vain taustan mukaan ja lintu ei näy selvästi. Esim. vastavalotilanteessa lintu voi jäädä tummaksi ja tunnistamattomaksi. Tutkajärjestelmään liittyy paikallinen sääasema, jonka tietokannasta pystytään lukemaanhavaittuja sääparametreja.Työssä on tutkittu voidaanko säätutkan tietojen perusteella päätellä pilvisyyttä ja ohjata sen perusteella kameran valotusta ohjelmallisesti. Lisäksi on selvitetty millaiseen lopputulokseen tällä tavalla päädytään.
Ratkaisua haettiin aluksi analysoimalla havaintohistoriaa ja vertaamalla sitä mitattuun pilvisyyteen. Lisäksi otettiin testikuvia eri valotusasetuksilla. Maksimivalotusta haettiin ottamalla testikuvia samasta kohteesta eri vuodenaikoina ja eri auringon korkeuksilla. Myöhemmin pilvisyyden päättelyä ratkottiin myös ChatGPT:n tekoälyavustajan kanssa. Havaittiin, että puhtaasti teoriaan pohjautuva tekoälyavustajan ehdotus ei ole paras mahdollinen. Hieman parempaan lopputulokseen päästään testikuvien pohjalta tehdyllä ratkaisulla. Sekään ei toimi kaikissa tilanteissa, vaan on tuuripeliä erityisesti nopeasti muuttuvissa sääolosuhteissa ja harmaalla alueella, kun parametrit eivät ole vahvasti pilvisyyden puolella eivätkä vastaan. Pilvien muoto ja koostumus voi olla monenlainen ja kamera näkee 500 mm polttovälisen objektiivin kautta vain hyvin kapean alan, joten vallitseva tilanne voi olla erilainen kuin kuvassa näkyvä. Kameran ohjaaminen on kuitenkin mahdollista ja toimii hyvin.
Pilvisyyden päättelyä sääasemantietojen perusteella voi luonnehtia aika suurpiirteiseksi, mutta toisaalta se sopii hyvin yhteen sen kanssa, että kameratekniikassakin asiat tuntuvat olevan vähän suuntaa-antavia, eikä tarkasti teorian mukaan.
Avustajan kanssa päätyy myös helposti tilanteeseen, jossa ehdotus ei toimi ja korjauksena saa käytännössä saman. Sovelluskehityksen apuna tekoäly toimii kuitenkin hyvin.
Sovellusta ei kokeiltu todellisessa tuotantoympäristössä.
Tässä työssä rakennettiin lajien automaattista tunnistamista varten järjestelmäkameraa ohjaavaa sovellusta, joka on yksi osa tutkan, kääntöpään ja lajitunnistuksessa käytettävän konvoluutioneuroverkon kokonaisuutta.
Linnut lentävät niin kaukana, että pitkästä polttovälistä huolimatta ne ovat kuvassa pieniä. Jos kameraa käytetään automatiikalla valotus saattaa mennä vain taustan mukaan ja lintu ei näy selvästi. Esim. vastavalotilanteessa lintu voi jäädä tummaksi ja tunnistamattomaksi. Tutkajärjestelmään liittyy paikallinen sääasema, jonka tietokannasta pystytään lukemaanhavaittuja sääparametreja.Työssä on tutkittu voidaanko säätutkan tietojen perusteella päätellä pilvisyyttä ja ohjata sen perusteella kameran valotusta ohjelmallisesti. Lisäksi on selvitetty millaiseen lopputulokseen tällä tavalla päädytään.
Ratkaisua haettiin aluksi analysoimalla havaintohistoriaa ja vertaamalla sitä mitattuun pilvisyyteen. Lisäksi otettiin testikuvia eri valotusasetuksilla. Maksimivalotusta haettiin ottamalla testikuvia samasta kohteesta eri vuodenaikoina ja eri auringon korkeuksilla. Myöhemmin pilvisyyden päättelyä ratkottiin myös ChatGPT:n tekoälyavustajan kanssa. Havaittiin, että puhtaasti teoriaan pohjautuva tekoälyavustajan ehdotus ei ole paras mahdollinen. Hieman parempaan lopputulokseen päästään testikuvien pohjalta tehdyllä ratkaisulla. Sekään ei toimi kaikissa tilanteissa, vaan on tuuripeliä erityisesti nopeasti muuttuvissa sääolosuhteissa ja harmaalla alueella, kun parametrit eivät ole vahvasti pilvisyyden puolella eivätkä vastaan. Pilvien muoto ja koostumus voi olla monenlainen ja kamera näkee 500 mm polttovälisen objektiivin kautta vain hyvin kapean alan, joten vallitseva tilanne voi olla erilainen kuin kuvassa näkyvä. Kameran ohjaaminen on kuitenkin mahdollista ja toimii hyvin.
Pilvisyyden päättelyä sääasemantietojen perusteella voi luonnehtia aika suurpiirteiseksi, mutta toisaalta se sopii hyvin yhteen sen kanssa, että kameratekniikassakin asiat tuntuvat olevan vähän suuntaa-antavia, eikä tarkasti teorian mukaan.
Avustajan kanssa päätyy myös helposti tilanteeseen, jossa ehdotus ei toimi ja korjauksena saa käytännössä saman. Sovelluskehityksen apuna tekoäly toimii kuitenkin hyvin.
Sovellusta ei kokeiltu todellisessa tuotantoympäristössä.