Tekoäly voi tehostaa teollisuuslaitoksia: tuore tutkielma terävöittää 3D-malleja
Finnish AI Region, Helsingin yliopisto ja suomalainen Twinverse-yritys ovat selvittäneet, miten hyvin tekoäly tunnistaa yksittäisiä kohteita teollisuuslaitosten kolmiulotteisissa malleissa ja missä se kohtaa vielä haasteita.
Pia Mikkola | 14.10.2026 | Kuva: Helsingin yliopisto
Digitaaliset kaksoset ovat todellisten ympäristöjen, kuten tehtaiden, varastojen tai teollisuuslaitosten, virtuaalisia kolmiulotteisia malleja. Niiden avulla yritykset voivat seurata laitteita, suunnitella ylläpitoa ja tutkia muutosten vaikutuksia varsinaisen toiminnan häiriintymättä.
Jotta digitaalisesta kaksosesta olisi hyötyä, järjestelmän on kuitenkin pystyttävä tunnistamaan ympäristön eri kohteet, kuten putket, säiliöt ja koneet. Kohteiden tunnistaminen ja erottelu toisistaan muodostavat niin sanotun segmentointiongelman.
Helsingin yliopistossa opiskeleva Ofia Rahman Alif tutkii opinnäytetyössään juuri tätä ongelmaa. Työtä rahoitti Finnish AI Region (FAIR EDIH) ‑hanke, joka auttaa pieniä ja keskisuuria yrityksiä tekoälyn käyttöönotossa.
Tutkimus toteutettiin yhteistyössä Helsingin yliopiston Spatiotemporal Data Analysis ‑tutkimusryhmän (SDA) ja suomalaisen Twinverse-yrityksen kanssa. Twinverse kehittää monimutkaisten teollisuustilojen digitaalisia kaksosia.
Twinversen teknologiajohtaja Arttu Julinin mukaan yhteistyö tarjosi ainutlaatuisen mahdollisuuden. Tulokset olivat oivaltavia, jonka vuoksi Twinverse on avoin yhteistyölle myös jatkossa.
– Kannustan yrityksiä olemaan aktiivisia ja perehtymään siihen, millainen akateeminen opinnäytetyö on ja miten sen tekijää voi ohjata ja kannustaa tekemään parhaansa. Yritykseltä yhteistyö vaatii ennen kaikkea aikaa, mutta sen kautta voi saada aidosti hyödyllisiä tuloksia, hän toteaa.
Mikä toimii oikeassa tehdasympäristössä?
Alifin tutkielma tarkastelee systemaattisesti, missä lähestymistapa toimii ja millaisissa todellisissa teollisuusympäristöissä se kohtaa haasteita. Tutkielmassa selvitetään, miten kolmiulotteisen rekonstruktion laatu vaikuttaa segmentoinnin tarkkuuteen, miten kameroiden asettelu muuttaa tuloksia ja millainen vaikutus segmentointimaskien yhdenmukaisuudella ja tarkkuudella on lopputulokseen.
– Analyysissani tarkastelen myös teollisuusympäristöjen ominaisuuksia, jotka vaikeuttavat tekoälyn toimintaa, kuten tummia metallipintoja, monimutkaisia muotoja, osittain peittyneitä kohteita sekä toisiaan hyvin paljon muistuttavia kohteita. Kaikki nämä vaikuttavat käsittelyketjun eri vaiheisiin, Alif kuvaa.
Menetelmien Tekoälyn suoritusta parantavien menetelmien toimivuutta vertailtiin sekä Twinversen tarjoamilla todellisilla teollisuusaineistoilla että 3D Gaussian Splatting ‑tekniikan (3DGS) yhteydessä yleisesti käytetyillä vertailuaineistoilla. Tässä tekniikassa todellinen tila mallinnetaan miljoonien pienten kolmiulotteisten muotojen avulla useista eri suunnista otettujen valokuvien perusteella. Näin voitiin vertailla ihanneolosuhteita ja todellista monimutkaista teollisuusympäristöä.
Tulokset auttavat tunnistamaan, mitkä segmentoinnin vaiheet soveltuvat jo käyttöön ja missä tarvitaan vielä kehitystä, jotta teollisten digitaalisten kaksosten kohteiden merkintä voidaan tulevaisuudessa automatisoida luotettavasti.
Kolme menetelmää, yksi ketju
Alifin opinnäytetyössä hyödynnetään kolmea olemassa olevaa menetelmää: 3DGS muodostaa tavallisten kamerakuvien sekä kameran sijoittelun ja suunnan perusteella todellisuutta tarkasti vastaavan kolmiulotteisen rekonstruktion. FlashSplat määrittää useiden kameranäkymien perusteella, mihin kohteeseen kukin kolmiulotteinen muoto kuuluu. Metan Segment Anything Model 2 ‑malli (SAM2) puolestaan tunnistaa ja rajaa samat kohteet kuvista.
– Opinnäytetyöni keskeistä antia on käsittelyketju, joka yhdistää nämä työkalut. SAM2 rajaa kuvista kohteet eli segmentointimaskit. Sen videoseurannan avulla kohteet säilyvät samoina eri kameranäkymissä, ja tätä tietoa hyödynnetään FlashSplatissa, kun 3D-muotoja yhdistetään niitä vastaaviin kohteisiin, Alif sanoo.
Työssä esitellään myös mukautuva komponentti, joka säätää SAM2:n asetuksia automaattisesti näkymän ominaisuuksien perusteella. Se ottaa huomioon esimerkiksi valaistuksen, pintojen heijastavuuden ja näkymän monimutkaisuuden.
Alifin mielestä yllättävin tulos oli se, ettei suurempi tietomäärä aina parantanut tekoälyn suoritusta. Päinvastoin, pieni, huolellisesti tarkistettu syöte tuotti laadukkaamman lopputuloksen kuin suurempi mutta epätarkempi aineisto. Toisin sanoen järjestelmä ei pysty myöhemmin oikaisemaan mukaan päätyneitä virheitä.
– Tämän vuoksi muutama virhe voi heikentää lopputulosta enemmän kuin suuri määrä lisätietoa sitä parantaa. Tulos muistutti siitä, että tekoälyn kohdalla tiedon laatu on usein määrää tärkeämpää, hän kertoo.
Alifin mukaan siirtyminen kontrolloiduista tutkimusaineistoista todelliseen teollisuusympäristöön tuotti huomattavasti enemmän haasteita. Hänen alun perin käyttämänsä menetelmät toimivat hyvin selkeissä ja hallituissa ympäristöissä, mutta niiden toiminnassa ilmeni odottamattomia ongelmia todellisessa teollisuusympäristössä.
– Tutkimuksen tärkeimpiä oppeja oli, että epäonnistuminen ei ole umpikuja, jos sen syy ymmärretään. Joskus syyn ymmärtäminen on arvokkaampaa kuin toimivan ratkaisun löytäminen, Alif toteaa.
