Tekniikka

Hyperspektri paljastaa viholliskohteet

Patria-konserniin kuuluva Senop kehittää ja valmistaa hyperspektrikameroita teollisuuden, tutkimuksen ja puolustuksen tarpeisiin. Senopin hyperspektrikameroiden käyttö laajenee tutkimuslaitoksista teollisuuteen ja puolustukseen. Tehokkaat laitteet auttavat löytämään maastosta miinakentät, naamioverkot ja panssarit.

Patria0117_senop_camera_handHyperspektriteknologia perustuu eri kohteiden erotteluun ja tunnistukseen sen perusteella, miten ne heijastavat valon eri aallonpituuksia. Tavallisen digikameran tallentama kuva koostuu kolmen leveän aallonpituuden informaatiosta. Hyperspektrikamera ottaa sen sijaan kuvia kymmenillä tai jopa sadoilla kapeilla aallonpituuksilla.

Muodostuva spektrikuva on kolmiulotteinen datakuutio, joka koostuu lukuisista päällekkäisistä harmaasävy- tai värikuvista. Kun jokaiselle kuvapisteelle saadaan spektri, eri aineiden yksilöllisiä ominaisspektrejä voidaan käyttää hyväksi erilaisten kohteiden tunnistuksessa. Tietojen analysointiin tarvitaan erilaisia algoritmeja.

Kompakti laite lennokkikäyttöön

Senop kehittää ja valmistaa Oulussa hyperspektrikameroita teollisuuden, tutkimuksen ja puolustuksen tarpeisiin. Toiminnan taustalla on teknologiaa pitkään kehittänyt Rikola Ltd Oy, jonka liiketoiminnan Senop osti kesäkuussa 2016.

Yhtiö hyödyntää hyperspektrikameroissa niin sanottua Fabry-Perot-interferometriteknologiaa, jota Suomessa on tutkittu erityisesti VTT:llä. Kyse on säädettävistä optisista suotimista, jotka mahdollistavat pienten mutta tehokkaiden laitteiden valmistamisen kustannustehokkaasti.

Esimerkiksi lennokkikäyttöön soveltuva hyperspektrikamera painaa vain 720 grammaa.

– Kansainvälisillä markkinoilla meidät tunnetaan erityisen hyvin juuri miehittämättömiin ilma-aluksiin soveltuvista kameroista, Senopin RIKOLA-tuotteista vastaava myyntijohtaja Jussi Soukkamäki sanoo.

Käyttökohteita maataloudesta lääketieteeseen

Hyperspektrikameroiden historia ulottuu 1970-luvulle. Tekniikkaa hyödynnettiin ensin sotilaskäytössä, mutta viime vuosina kuvantamistekniikalle on löytynyt lukuisia käyttökohteita myös siviilipuolella.

Hyperspektrikuvantamista on käytetty ensimmäisenä kaukokartoituksessa. Esimerkiksi lentokoneeseen tai satelliitteihin asennetulla kameralla voidaan kartoittaa metsiä tai selvittää ravinteiden määrää peltoalueilla, mikä auttaa suuntaamaan lannoituksen mahdollisimman tarkasti.

– Tulevaisuudessa hyperspektrikuvausta hyödynnetään entistä enemmän myös kasvitautien ja rikkaruohojen löytämisessä. Lisäksi sillä voidaan analysoida viljelysten vesitaloutta ja mahdollisen kastelun tarvetta, Soukkamäki luettelee.

Hyperspektritekniikan hyödyntäminen on laajentunut edelleen teollisuuden prosessin- ja laadunvalvontaan. Sille löytyy merkittäviä sovelluskohteita myös lääketieteessä.

– Hyperspektrikamera pystyy esimerkiksi tunnistamaan ihon pinnalta ihosyövän esiasteet, Soukkamäki huomauttaa.

Myös sotilaskäytössä paljon potentiaalia

Senopin Oulun yksikön päällikkö Jani Mäklin arvioi, että hyperspektritekniikkaa hyödynnetään tulevaisuudessa entistä enemmän myös sotilaskäytössä. Sen avulla voidaan esimerkiksi löytää miinoja tai tienvarsipommeja.

– Miinan kaivamisesta maahan jää aina jälkiä, vaikka ihmissilmä ei välttämättä niitä huomaa. Hyvällä erottelukyvyllä varustettu hyperspektrikamera auttaa tässä, Mäklin sanoo.

Hyperspektrikuvauksen avulla voidaan erottaa myös esimerkiksi naamioverkot kasvillisuuden seasta. Lisäksi pystytään tunnistamaan, onko maastoon piilotettu panssarivaunu oikea vai ilmatäytteinen valemaali.

– Hyperspektrikameralla voidaan myös tutkia maaston muotoa ja kosteutta. Tästä voi päätellä maa-alueen kantavuutta ajoneuvoille, Soukkamäki sanoo.

Kompakti teknologia soveltuu myös käsikäyttöisiin laitteisiin. Mäklinin mukaan tulevia käyttökohteita on esimerkiksi erottelukyvyltään tarkka kiikari, joka on helposti räätälöitävissä tunnistettavan kohteen mukaan.

Yhdellä napin painalluksella sillä voidaan erottaa esimerkiksi naamioverkkoja ja toista nappia painamalla tunnistaa tankkeja.

– RIKOLA-kameroissa mitattavat aallonpituudet voidaan valita nopeasti ja tarkasti halutun kohteen mukaan. Näin datan määrää voidaan rajoittaa, mikä nopeuttaa tiedon analysointia, Mäklin huomauttaa.