Konenäköteknologiat ovat kehittyneet sellaiselle tasolle, että lähes kaikkeen näkemistä vaativaan tarkastukseen ja tunnistukseen voidaan jo soveltaa konenäköä. Konenäkölaitteisto koostuu yksinkertaisimmillaan yhdestä kamerasta ja analysointitietokoneesta, mutta laajemmissa järjestelmissä voidaan käyttää tarpeen mukaista valaisutekniikkaa, erityistä tiedonsiirtotekniikkaa ja hyvinkin monipuolisia kuva-analyysimenetelmiä (kuva 1). Konenäkösovelluksen suunnittelu ja toteutus koostuu useimmiten järjestelmän suunnittelusta ja rakentamisesta sekä tarkoituksenmukaisen analysointiohjelman tekemisestä ja testaamisesta.
Konenäköä on käytetty teollisuudessa jo vuosikymmeniä erityisesti laaduntarkastustehtävissä sekä prosessin ohjauksen työkaluna, kun konenäköjärjestelmän avulla on tutkittu ja määritelty vaikka lautojen katkaisukohtia tai elintarvikepakkauksen kiinnitysten onnistumista. Konenäöllä on myös merkittävä rooli robottien monipuolisen toiminnan ja joustavuuden mahdollistamisessa. Konenäön avulla voidaan tunnistaa kappaleen poimintapiste niin, että robotti saa poimittua kappaleen esimerkiksi kuljettimelta aina oikeasta kohdasta ja oikeassa asennossa. Näin voidaan välttää joskus monimutkaisten ja kalliidenkin mekaanisten ratkaisujen käyttö, kun kappale pitäisi saada aina robotin tuntemaan poimintapisteeseen juuri oikeassa asennossa.
Viimeisen vuosikymmenen aikana myös 3D-kuvaustekniikat ovat kehittyneet ja niitä käytetään yhä enemmän tuotteiden 3D-laaduntarkastuksessa mutta erityisesti robotin ohjauksessa (kuva 2). 3D-konenäön ansiosta robotti voi poimia laatikossa epämääräisessä järjestyksessä olevia kappaleita aina oikeassa asennossa tai viedä kappaleita hyvin vaihteleviin kohteisiin esimerkiksi kokoonpanossa tai pakkaustehtävissä.
Tekoäly on tullut myös osaksi konenäköjärjestelmiä. Konenäköjärjestelmän toiminta voikin perustua joko perinteisiin konenäön laitteisiin ja komponentteihin sekä analysointiohjelmistoissa olemassa oleviin perinteisiin konenäön analysointityökaluihin tai tekoälyyn kuten erilaisten syväoppimismenetelmien (deep learning) käyttöön. Perinteiset analysointityökalut sopivat hyvin tilanteisiin, joissa kappaleen muoto ja siinä esiintyvät virheet tai esimerkiksi kappaleen dimensioiden mittaaminen voidaan opettaa järjestelmälle yksiselitteisesti. Tällainen tilanne voi olla esimerkiksi, kun halutaan tarkastaa, että kappale on leikattu oikein ja sivut ovat suunnitellun mittaisia. Perinteisen konenäköanalysointiohjelman tekeminen voi olla asiantuntijalle hyvinkin nopea prosessi, mutta monimutkaisemman ohjelman tekeminen vaatii aina laajempia testejä ja ohjelman hiomista. Analysointiin tarkoitettuja ohjelmistoja löytyy ilmaisista, avointa lähdekoodia hyödyntävistä ohjelmistoista ja kirjastoista aina hyvinkin monipuolisiin, eri yritysten tarjoamiin, maksullisiin ohjelmistoihin.
Syväoppimistyökalut perustuvat pääsääntöisesti siihen, että ohjelmalle opetetaan kuvien muodossa paljon tilanteita tai tuotteita, jotka ovat tavoitteiden mukaisia ja samalla ohjelmalle näytetään kuvia, joissa on virheitä, viallisia tuotteita tai ei vaikka ollenkaan tutkittuja tuotteita. Näin ohjelma itse oppii tunnistamaan onnistuneet tuotteet tai haetut kohteet. Syväoppimiseen perustuvan ohjelman tekeminen vie aikaa erityisesti siksi, että opetuskuvia täytyy ottaa satoja tai tuhansia riippuen kohteesta ja sen virheiden tai vaihtoehtojen monipuolisuudesta.
Teollisuudesta ja muistakin konenäön hyödyntämisympäristöistä löytyy paljon kohteita, joihin perinteiset konenäön työkalut tuovat nopeita ja helppoja ratkaisuja, mutta myös paljon kohteita, joihin syväoppimiseen perustuvat menetelmät ovat ainoa toimiva ratkaisua. Jos tunnistettavat virheet tai ominaisuudet ovat selvästi määriteltävissä tai rajattavissa, päädytään usein käyttämään perinteisiä konenäön työkaluja. Jos taas virheet voivat olla periaatteessa mitä tahansa tai tunnistettavat kappaleet ovat vaikka luonnon tuottamia, kuten erilaisia hedelmiä ja vihanneksia, joiden muoto voi vaihdella paljonkin ja silti kaikki ovat vielä hyviä tuotteita, kannattaa lähteä kokeilemaan syväoppimistyökalujen käyttöä.
