Recognition of Subtle Colour Differences : A Comparative Study of Machine Learning and Colour Difference Metrics

Väitöskirjassa tutkitaan hienovaraisten värisävyerojen tunnistamista eri menetelmillä. Hienovaraiset värisävyerot ovat tärkeitä eri sovelluksissa, kuten terveydenhuollossa, maataloudessa ja elintarviketeollisuudessa. Värisävyerojen avulla voidaan luokitella ja tunnistaa kuvista kiinnostavia piirteitä. Tässä väitöskirjassa keskitytään hienovaraisten värisävyerojen tunnistamiseen painotuotteista, ja yksi tutkimuksen sovelluskohteista ovat ns. funktionaaliset musteet. Funktionaalisten musteiden avulla voidaan valmistaa edullisia ei-elektronisia indikaattoreita, jotka ilmoittavat esimerkiksi tuotteen lämpötilan tai kosteuden värinmuutoksen avulla. Väitöskirjassa käytetään värisävyerojen laskenta-algoritmeja sekä valvomatonta (unsupervised) ja valvottua (supervised) koneoppimista hienovaraisten värisävyerojen tunnistamiseksi. Värisävyerojen laskennassa käytetään uusimpia ja tarkoitukseen parhaiten soveltuvia matemaattisia kaavoja. Valvomattomissa menetelmissä hyödynnetään erilaisia ryhmittelymenetelmiä (clustering). Valvottujen menetelmien osalta tutkitaan yleisimpiä neuroverkkorakenteita (convolutional neural network). Väitöskirjan kokeellisissa osissa pyritään löytämään ne menetelmät, joilla hienovaraiset sävyerot voidaan tunnistaa parhaiten. Värisävyerojen laskenta-algoritmit pystyvät tunnistamaan riittävän suuria värieroja todellisissa käyttötapauksissa. Ryhmittelymenetelmät toimivat tarkemmin kuin laskenta-algoritmit ja mahdollistavat myös pienempien värisävyerojen havaitsemisen. Parhaat tulokset saavutettiin konvoluutioneuroverkoilla, joista ResNet-34 osoittautui testeissä tarkimmaksi. Tätä arkkitehtuuria muokattiin edelleen käyttötarkoitukseen sopivammaksi. Sopivin neuroverkko saatiin, kun viimeinen yhdistävä kerros muutettiin keskiarvolaskennasta maksimilaskentaa n. Tässä arkkitehtuurissa käytettiin myös gradienttien keskittämistä osana oppimisprosessin takaisinkytkentää. Eri menetelmiin vaikuttavat merkittävästi kuvien häiriöt ja kuvien laatu. Kuvien esikäsittelyllä on tärkeä rooli, kun väitöskirjassa esiteltyjä menetelmiä otetaan käyttöön eri sovelluksissa. Käyttötarkoituksesta riippuen ryhmittelymenetelmät voivat tarjota paremman hyöty-panossuhteen kuin monimutkaisemmat neuroverkot. Tämä johtuu siitä, että ryhmittelymenetelmät eivät vaadi aineiston keruuta tai neuroverkon kouluttamista. Nämä menetelmät eivät myöskään pyri oppimaan painotuotteen paperin ominaisuuksia.