Apulaisprofessori Ilkka Pölönen: ”Innovaatioita syntyy tehokkaimmin tieteenalojen risteyskohdissa”

Apulaisprofessori Ilkka Pölönen, innovaatioita syntyy tehokkaimmin tieteenalojen risteyskohdissa

Ilkka Pölönen tutkimusryhmineen tutkii laskennallisia menetelmiä, joita voidaan soveltaa hyperspektrikuvien analysointiin. Hyperspektrikuvantamisen avulla voidaan katsoa esimerkiksi, mitä taidemaalauksen maalikerroksen alta löytyy, onko luomi pahanlaatuinen tai millainen satoennuste pellossa on. Alalla on vielä paljon tilaa innovoinnille.

Hyperspektrikamera on laite, joka kuvaa kohdetta useilla valon eri aallonpituuksilla, näkyvistä infrapunaan asti. Lopullinen kuva koostuu yleensä useista kymmenistä tai sadoista eri aallonpituudella tuotetuista kuvista, joissa yksi pikseli muodostaa spektrin. Spektristä voidaan tunnistaa kuvatun kohteen ominaisuuksia, kuten kuinka paljon tiettyä materiaalia kuvassa esiintyy tai mistä aineesta kohde koostuu.

Apulaisprofessori Ilkka Pölönen on maailmallakin tunnettu hyperspektrikuvantamisen asiantuntija, joka vetää useita hyperspektrikuvantamiseen liittyviä tutkimushankkeita. Hän väitteli tohtoriksi vuonna 2013 tutkittuaan hyperspektrikuvista saatavan datan esiprosessointia ja analysointia esimerkiksi lennokeilla tehtävässä kaukokartoituksessa, lääketieteessä ja rikostutkinnassa. Nykyään hän toimii tutkijatohtorina Jyväskylän yliopiston informaatioteknologian tiedekunnassa, missä hän jatkaa laskennallisten menetelmien tutkimista yhdessä kolmen post doc -tutkijan ja neljän väitöskirjatutkijan kanssa.

– Hyperspektrikamera herätti mielenkiintoni, sillä se, että siinä mitataan spektriä, luo mahdollisuuksia tarkastella ilmiötä useista eri näkökulmista. Valon sironta on fysikaalinen ilmiö, jota voidaan kuvantaa matemaattisia malleja soveltamalla. Puhumattakaan lukuisista sovellusalueista, joissa ilmiötä voidaan hyödyntää, Pölönen kuvailee.

Start-upeja Oulusta, miniatyyrikameroita Otaniemestä

Suomea pidetään hyperspektrikuvantamisen huippumaana. Jo 1990-luvun alussa Oulussa oli VTT:n tutkimusryhmä, joka kehitti hyperspektrikuvantamista ja josta syntyi startup-yritys Spectral Imaging Oy Ltd eli Specim. Oulusta lähti liikkeelle myös Rikola Oy:n hyperspektrikameraliiketoiminta, joka sulautui vuonna 2016 osaksi Millogin tytäryhtiötä Senopia.

– Muutama vuosi sitten tapasin belgialaisen tutkijan, joka on ollut kaukokartoitussatelliittiohjelmissa 80-luvulta lähtien. Hän kertoi, että kun 1990-luvulla muut puhuivat jokusen spektrin tallentavista multispektrikameroista, höpöttivat suomalaiset tyypit hyperspektrikameroista, jotka tallentavat informaatiota huomattavasti enemmän.

Specimin kamerat ovat tekniikaltaan viivaskannereita, jolloin kuvatessa kamera liikkuu kohteen yli tai kohde liikkuu kameran ali. Senopin toteutus perustuu kameran sisällä liikkuvaan suotimeen. Otaniemessä VTT:llä on kehitetty pieniä spektrikameroita, joita on saatu kutistettua kokoon 2,5 cm x 2,5 cm x 2,5 cm.

– Kamerat ovat vielä kuluttajakäyttöön turhan kalliita. Mutta ehkä viiden vuoden päästä kännyköissä on jo jonkinlainen hyperspektrikamera, Pölönen maalailee.

Maapalloa ja komeettoja havainnoimassa

Alan tutkimushankkeet ovat tyypillisesti poikkitieteellisiä ja niissä on mukana eri osa-alueiden asiantuntijoita. Jokaisen sovellusalueen opiskelu alusta asti olisi turhan työllistävää.

– Monitieteelliset hankkeet tuottavat nopeimmin innovaatioita. Innovaatiot syntyvät tehokkaimmin juuri tieteenalojen risteyskohdissa, yhteistyössä.

Esimerkkinä Pölönen mainitsee tutkimushankkeen, jossa kehitetään pieniä hyperspektrikameroita ja älykkäitä laskennallisia menetelmiä, joiden avulla kameroita voidaan käyttää autonomisissa tehtävissä maapallon ja komeettojen havainnoinnissa. Aiemmissa hankkeissa on tutkittu esimerkiksi puulajitunnistamista, satoennusteiden tekemistä, vesistön laadun arviointia ja maalausten aitoutta.

Lääketieteen alalla hyperspektrikuvantamista on sovellettu diabeetikkojen jalkojen verenkierron tutkimiseen sekä kasvainsolujen tunnistamiseen syöpäleikkauksissa.

– Täytyy olla aika selkeä mielikuva siitä, mitä kuvauksella halutaan saavuttaa ja onko se ylipäätään mahdollista. Oleellinen vaihe on kuvatun informaation jalostaminen tiedoksi. Jos kuvassa on miljoona spektriä ja kuvia otetaan tuhansia, koossa on äkkiä miljardi spektriä. Datan käsittelyyn tarvitaan automatisaatiota – jonkinlainen tekoäly.

Jatkuvasti uuden edessä

Koska hyperspektrikuvantamista voidaan hyödyntää melkeinpä mihin tahansa optiseen tarkkailuun, on uusille innovaatioille vielä tilaa.

– Käyttöönottokynnys madaltuu, kun laitteita on enemmän saatavilla ja niiden koko pienenee. Tällöin myös hyödynnettävää dataa saadaan enemmän. Samalla markkinoille tulee sovelluksia, joilla kuvista saatua informaatiota voidaan hyödyntää.

Pölösen mielestä niin Specimillä kuin Senopilla on mahdollisuuksia kehittää tuotteita pidemmälle kuin monella kilpailijalla, sillä molempien takana on isojen yritysten resurssit.

– Markkina ja tutkimus kehittyvät koko ajan. Tällä alalla ollaan jatkuvasti uuden edessä, ja se tekee tutkimuksesta mielenkiintoista ja motivoivaa, hän kiteyttää.