Jari Isohanni
Teksti perustuu TkT Jari Isohannin väitöskirjasta ”Recognition of Subtle Colour Differences: A Comparative Study of Machine Learning and Colour Difference Metrics” laadittuun lektioon, joka esitettiin väitöstilaisuudessa 3.9.2025 Vaasan yliopistossa.
Arjessamme värit ohjaavat meitä jatkuvasti. Katsomme, onko leipä paistunut oikean sävyiseksi, onko liikennevalo punainen vai vihreä, tai onko hedelmä riittävän kypsä syötäväksi. Usein emme edes tiedosta, kuinka tärkeää meille on se, että voimme erottaa värit toisistaan. Värit antavat meille merkkejä siitä, mikä on turvallista, mikä on valmista ja mikä on ehkä vaarallista. Punainen valo saa meidät pysähtymään, sininen pilleripakkaus erottuu vihreästä, ja jo lapsesta asti opimme yhdistämään tietyt värit tiettyihin merkityksiin.
Monesti tekemämme päätökset perustuvat hyvin pieniin värieroihin, jotka havaitsemme lähes huomaamattamme – automaattisesti. Tämä kyky on niin luonnollinen, että pidämme sitä itsestäänselvyytenä. Mutta jos ajattelemme tarkemmin, kuinka monessa tilanteessa värit ohjaavat arkeamme – liikenteessä, keittiössä, koulussa ja työssä – voimme ymmärtää, että kyse on perustavanlaatuisesta inhimillisestä taidosta, johon luotamme päivittäin.
Ihmiselle värien erottelemisen kyky on luonnollinen. Kun taas haluamme, että kone tunnistaa samat pienet erot väreissä, tehtävä muuttuu huomattavan monimutkaiseksi. Ihmiset kokevat värit eri tavoin. On tunnettua, että naisten kyky tunnistaa värejä on keskimäärin tarkempi kuin miesten, ja lisäksi ikä ja terveys voivat muuttaa värinäköä (Bimler, Kirkland & Jameson 2024). Tästä huolimatta me ihmiset pystymme yleensä saavuttamaan yhteisymmärryksen, ainakin silloin kun kyse on selkeistä väreistä – punainen on punainen, vihreä on vihreä, vaikka yksilöllinen kokemus sävystä saattaakin vaihdella.
Koneiden ja laitteiden osalta värien erottelukyky vaihtelee kuitenkin paljon enemmän. Meillä on käytössämme hyvin erilaisia laitteita: taskussa kannettava älypuhelin, laboratorioissa käytettävät skannerit tai teollisuuskamerat tuotantolinjoilla. Jokainen näistä rakentuu erilaisista komponenteista – kameroiden kennot, linssit, suodattimet ja ohjelmistot eroavat toisistaan (Hirsch 2022). Tämä kirjo johtaa siihen, että jopa kahden saman mallin puhelimen värintoisto voi olla erilainen.
Eikä kyse ole vain laitteista itsestään. Käyttöympäristö tuo lisähaasteensa. Valon määrä ja laatu, varjojen muodostuminen ja jopa ympäröivät värit vaikuttavat siihen, miltä värit näyttävät. Sama painettu kuva voi näyttää kirkkaalta auringonvalossa, mutta samealta sisävalaistuksessa. Ihmiselle tämä vaihtelu on usein ymmärrettävää ja tulkittavaa – mutta koneelle se on huomattavasti vaikeampi tehtävä.
Aiemmista tutkimuksista tiedämme, että värejä voidaan mitata, verrata ja luokitella, ja monissa käyttötapauksissa tehtävä on melko yksinkertainen, jopa helppo (Isohanni 2025).
Jos esimerkiksi otamme kaksi selvästi eriväristä pintaa – sanotaan vaikka punaisen omenankuoren ja vihreän – voimme laskea niiden välisen värieron matemaattisilla kaavoilla, ja tulos vastaa hyvin sitä, mitä silmämme näkevät. Mutta vain laboratorio-olosuhteissa, joissa valaistus ja mittauslaitteet ovat tarkasti hallittuja, värien mittaaminen voidaan tehdä erittäin täsmällisesti.
Kansainväliset standardit, kuten CIE-värieron kaavat, mahdollistavat kahden värin välisen etäisyyden laskemisen helposti hallituissa olosuhteissa. Lisäksi koneoppiminen ja erityisesti kuvantunnistus sekä tekoäly ovat tuoneet käyttöön tehokkaita menetelmiä visuaalisen informaation luokitteluun.
Esimerkiksi maataloudessa, terveydenhuollossa ja elintarviketurvallisuudessa näitä menetelmiä käytetään jo laadun mittaamiseen ja vikojen tunnistamiseen. Kehitys on nopeaa, ja tekoälyn avulla uusia konenäön käyttökohteita syntyy päivittäin.
Se, mitä emme kuitenkaan vielä tiedä, on se, kuinka hyvin nykyiset menetelmät toimivat silloin, kun värierot ovat hienovaraisia, kun ne esiintyvät painetuissa materiaaleissa, ja kun mittaukset tehdään kontrolloitujen laboratorio-olosuhteiden ulkopuolella. Tällä on ratkaiseva merkitys, jos haluamme teknologian toimivan todellisissa käyttötilanteissa.
Arjessa värejä ei katsota täydellisissä valaistusolosuhteissa eikä kuvata huippuluokan kameroilla. Päinvastoin värit näkyvät usein keinovalossa, varjojen lomassa tai matkapuhelimen kameran läpi.
Painetut pinnat puolestaan tuovat mukanaan oman kohinansa: paperin tekstuuri, musteen laatu ja tulostimen ominaisuudet muuttavat väriä hienovaraisesti (Isohanni 2025). Näissä olosuhteissa perinteiset laskentakaavat ja yksinkertaiset mallit eivät välttämättä enää riitä. Juuri tämän epävarmuuden ymmärtäminen on keskeistä, jos haluamme siirtää tutkimustulokset laboratorioista aidosti käyttökelpoisiksi ratkaisuiksi.
Pienten värierojen tunnistaminen haastavissa olosuhteissa on ratkaisevaa erityisesti funktionaalisten musteiden kehitykselle — musteiden, jotka muuttavat väriään lämpötilan, kosteuden tai muiden olosuhteiden mukaan. Nämä musteet tarjoavat edullisen ja kestävän vaihtoehdon elektronisille sensoreille. Niiden tuottaminen on verrattain edullista, eivätkä ne sisällä elektroniikka, joka voisi vaikuttaa kierrätykseen. (Bilgin, Mustafa & Backhaus 2017.)
Otetaan esimerkkinä elintarvikepakkaus, joka vaihtaa väriä, jos sitä on säilytetty liian korkeassa lämpötilassa, tai lääkepakkaus, joka kertoo, onko sitä säilytetty turvallisissa olosuhteissa. Jotta tällaisiin ratkaisuihin voitaisiin luottaa, värinmuutoksen täytyy olla havaittavissa tarkasti – myös silloin, kun muutos on hyvin hienovarainen ja sen tunnistaminen tehdään automaattisesti konenäöllä. (Bilgin, Mustafa & Backhaus 2017.)
Juuri tätä varten funktionaaliset musteet on kehitetty: ne painetaan pakkauksiin ja tuotteisiin tarjoamaan arvokasta tietoa. Funktionaaliset musteet vaihtavat väriä nopeasti, hitaasti, hienovaraisesti tai laajemmin, musteiden kirjo on suuri, joten niitä tunnistavien ohjelmistojen on toimittava luotettavasti.
Funktionaalisten musteiden painaminen itsessään tuo vaihtelua väreihin: paperin laatu, musteen tyyppi, tulostimen asetukset ja jopa tulostimen ikä vaikuttavat lopulliseen väriin. Lisäksi, kun kuluttajat käyttävät älypuhelimia värin tunnistamiseen tai kun pakkauksia tarkastellaan koneälyn avulla, kameran laatu ja valaistusolosuhteet tuovat lisähaasteita.
Väitöskirjassani kysynkin: kuinka hienovaraiset värierot painetuissa lähteissä voidaan havaita luotettavasti ja mitkä menetelmät soveltuvat eri käyttötapauksiin parhaiten?
Väitöskirjan tutkimusaineisto koostui painetuista QR-koodeista, joihin oli sisällytetty värejä tarkoin suunnitelluilla eroilla. Näissä eroissa oli mukana sekä suuria että pieniä värimuutoksia, aina helposti silmällä havaittavista eroista sellaisiin, joita ihminenkin joutuu katsomaan tarkkaan. QR-koodeja käytettiin pääosin väridatan kantajina, mutta samalla ne toimivat myös keinona simuloida todellisia käyttötilanteita: ne ovat tuttuja kuluttajille, ja niitä voidaan lukea helposti mobiililaitteilla.
Tutkimuksessani näytteet kuvattiin matkapuhelimilla olosuhteissa, jotka vastasivat arkisia tilanteita – ei siis laboratorioiden tarkasti kontrolloituja ympäristöjä, vaan vaihtelevaa luonnonvaloa, keinovaloa ja niiden välimuotoja. Näissä olosuhteissa valaistuksen voimakkuus ja värilämpötila vaihtelivat, ja juuri tämä vaihtelu tekee tehtävästä erityisen haastavan.
Kerätyt näytteet julkaistiin lopulta kahtena erillisenä aineistona ja ne tuotiin julkisesti saataville. Avoimet aineistot tarjoavat muille tutkijoille mahdollisuuden testata omia menetelmiään ja jatkaa tästä työstä eteenpäin.
Väitöskirjassani kolmea menetelmäperhettä tutkittiin ja verrattiin:
- Matemaattiset värieron kaavat, kuten kansainvälinen standardi CIEDE2000. Nämä kaavat laskevat suoraan kahden värin välisen eron. CIEDE2000 käytetään laajasti digitaalisten värien mittaamiseen sekä laboratorio-olosuhteissa. (Isohanni 2022.)
- Ohjaamattomat klusterointimenetelmät, joissa tietokone ryhmittelee värit ilman ennalta annettuja luokkia niiden samankaltaisuuden perusteella. Klusterointimenetelmiä on aikaisemmin käytetty pääasiassa värien pakkaamiseen sekä kuvien luokitteluun. (Isohanni 2024.)
- Ohjatut syväoppimismenetelmät, erityisesti konvoluutioneuroverkot, jotka oppivat tuhansista esimerkeistä. Konvoluutioverkkoja käytetään pääasiassa objektien tunnistamiseen kuvista sekä niiden luokitteluun. (Isohanni 2025.)
Tutkimukseni ensimmäisessä vaiheessa arvioitiin matemaattisia kaavoja. Nämä kaavat toimivat hyvin, kun värierot olivat suhteellisen suuria, tarkoittaen että painomusteiden kylläisyydessä oli noin 40 prosentin eroja. Mutta kun erot pienenivät alle 40 prosenttiin, kaavat eivät enää vastanneet ihmisen näkökyvyn herkkyyttä vaihtelevissa olosuhteissa. Tämä herätti kysymyksen, voisiko koneoppiminen onnistua paremmin?
Tutkimuksen toisessa vaiheessa tutkittiin ohjaamatonta koneoppimista, keskittyen klusterointimenetelmiin. Näissä menetelmissä ei tarvita valmiiksi luokiteltuja aineistoja, vaan kone ryhmittelee samankaltaisia värejä yhteen. Klusterointi osoittautui laskentakaavoja tehokkaammaksi ja pystyi tunnistamaan pienempiä eroja, erityisesti kun painomusteiden kylläisyydessä oli yli 20 prosentin eroja.
Kun erot painomusteiden kylläisyydessä pienenivät 10 prosenttiin tai sen alle, klusterointimenetelmien tarkkuus putosi käyttökelpoisen alapuolelle. Klusterointi osoittikin tutkimuksessa toimivuutensa tiettyihin käyttötapauksiin. Klusteroinnin etuna on käyttöönoton yksinkertaisuus, sekä menetelmien laaja saatavuus. Mutta kuvien esikäsittelyyn ja oikean klusterointimenetelmän valintaan tulee kiinnittää huomiota.
Tutkimuksen kolmannessa vaiheessa keskityttiin ohjattuun syväoppimiseen, erityisesti konvoluutioneuroverkkoihin. Näitä käytetään laajalti konenäössä, koska ne osaavat automaattisesti oppia monimutkaisia piirteitä kuvista. Kyse on samoista menetelmistä, joilla tunnistetaan esimerkiksi, onko kuvassa kissa vai koira. Vaikka konvoluutioverkoilla voidaan tunnistaa monimutkaisia piirteitä, niiden käyttöä pienten värierojen tunnistamiseen ei ole aiemmin tutkittu.
Väitöskirjatutkimuksessani testattiin useita konvoluutioverkkoarkkitehtuureita, ja näistä ResNet-34 antoi parhaat tulokset. ResNet kuuluu niin sanottuihin syviin neuroverkkoihin, mutta sen erityispiirre on residual-rakenne: se sisältää ohituksia eli “pikakaistoja”, joiden avulla verkko pystyy oppimaan hyvin monikerroksisia malleja ilman, että oppiminen jumiutuu.
Käytännössä tämä tekee ResNetistä sekä syvän, että tehokkaan — se kykenee tunnistamaan hyvin pieniä ja hienovaraisia eroja kuvista, joita yksinkertaisemmat mallit eivät havaitse.
Muokkaamalla tätä arkkitehtuuria — muuttamalla sen pooling-toimintoja ja soveltamalla gradienttikeskittämistä — mallin tarkkuus parani entisestään. Lopullinen malli saavutti 98 prosentin tarkkuuden, jopa silloin kun värierot olivat alle kymmenen prosenttia painomusteiden kylläisyydellä mitattuna.
Tutkimukseni tulokset osoittavat selkeän hierarkian -perinteiset kaavat ovat edelleen hyödyllisiä hallituissa ympäristöissä, joissa erot ovat suuria, klusterointi taas on helppo toteuttaa ja lisää tunnistamisen herkkyyttä puolikontrolloiduissa olosuhteissa.
Kuitenkin todellisissa sovelluksissa, joissa käytetään painettuja materiaaleja ja mobiililaitteita, syväoppiminen tarjoaa tarkimman ja kestävimmän ratkaisun. Toisaalta mallin opettaminen on työlästä.
Aiempi tutkimus on osoittanut matemaattisten kaavojen arvon hallituissa tehtävissä, kuten hammaslääketieteessä käytetyissä keraameissa, sekä klusteroinnin hyödyt esimerkiksi maataloudessa ja lääketieteellisessä kuvantamisessa.
Väitöskirjani laajentaa tätä tietoa uudelle alueelle: painettuihin väreihin, hienovaraisiin eroihin ja kontrolloimattomiin arkiolosuhteisiin. Tämä on alue, jossa aiemmin ei ollut tehty vertailututkimuksia.
Tulosten merkitys näkyy tulosten sovelluksissa:
- Teollisuudessa voidaan tukea älypakkauksien jatkokehitystä, erityisesti elintarvikealalla, jossa kuluttajien turvallisuus riippuu oikeasta säilytyksestä.
- Terveydenhuollossa värierojen tunnistamisen avulla voidaan luoda edullisia, ei-elektronisia indikaattoreita, joilla voidaan seurata lääkkeiden tai näytteiden olosuhteita.
- Maataloudessa tulosten soveltaminen avaa tien edulliseen laadunvalvontaan käyttäen vain funktionaalista mustetta ja älypuhelinta.
- Tutkimuksen näkökulmasta tulokset tuovat uusia aineistoja ja menetelmiä hienovaraisten värierojen tunnistamiseen ja sitovat tietokonenäön tiiviimmin painoteknologioihin.
Väreillä on aina ollut merkitystä ihmiskulttuurissa ja arjessa. Tutkimukseni osoittaa, kuinka teknologia voi oppia lukemaan värejä yhtä herkällä tavalla kuin ihmiset. Kun tämä on mahdollista, voimme paremmin hyödyntää mm. funktionaalisten musteiden mahdollisuuksia ja mahdollistaa edullisemman ja tarkemman tiedonkeruun sekä hyödyntämisen eri sovelluskohteissa.
Väitöskirja on luettavissa verkossa: Recognition of Subtle Colour Differences: A Comparative Study of Machine Learning and Colour Difference Metrics https://urn.fi/URN:ISBN:978-952-395-199-0
Lähteet
Bimler, D. L., Kirkland, J. & Jameson, K. A. 2004. Quantifying variations in personal color spaces: Are there sex differences in color vision? Color Research & Application 29(2), 128-134.
Bilgin, M. & Backhaus, J. 2017. Intelligent codes by controlled responsiveness to external stimuli. Printing future days 2017 7th international scientific conference on print and media technology, 85-90.
Hirsch, R. 2022. Light and Lens: Thinking about Photography in the Digital Age. Routledge.
Isohanni, J. 2022. Use of functional ink in a smart tag for fast-moving consumer goods industry. Journal of Packaging Technology and Research 6, 187-198.
Isohanni, J. 2024. Recognising small colour changes with unsupervised learning, comparison of methods. Advances in Computational Intelligence 4(6).
Isohanni, J. 2025. Customised ResNet architecture for subtle color classification. International Journal of Computers and Applications 47(4), 341-355.
Isohanni, J. 2025. Recognition of Subtle Colour Differences: A Comparative Study of Machine Learning and Colour Difference Metrics. University of Vaasa. Doctoral Dissertation.
Jari Isohanni
Johtaja (opetus)
Centria-ammattikorkeakoulu
p.040 669 0690
