KASVOJEN TERMOGRAFIA INFRAPUNAPIIRTEET

Koko: px
Aloita esitys sivulta:

Download "KASVOJEN TERMOGRAFIA INFRAPUNAPIIRTEET"

Transkriptio

1 Lappeenrannan Teknillinen Yliopisto Älykkään laskennan seminaari (CT50A6500) KASVOJEN TERMOGRAFIA INFRAPUNAPIIRTEET Anssi Hauvala ( ) Jussi Huotari ( )

2 TIIVISTELMÄ Teknologian kehittyminen luo uusia mahdollisuuksia kasvontunnistuksen menetelmien kehittämiselle. Perinteinen kasvonpiirteiden analysointi on pitkään ollut valtaa pitävä menetelmä, mutta perinteisen menetelmän rinnalla myös infrapunapiirteiden tutkimus kasvontunnistuksessa on yleistynyt. Tämä tutkielma vertailee perinteisen kasvonpiirteisiin perustuvan menetelmän ja infrapunapiirteisiin perustuvan menetelmän vahvuuksia ja heikkouksia, ja lopuksi tuottaa teorian näiden menetelmien yhdistämisestä saaduista hyödyistä. Hakusanat: Infrapuna, kasvontunnistus, lämpökuvaus. ABSTRACT Technological development is creating new opportunities for the development of methods for face recognition. Traditional facial analysis has long been a dominating method in face recognition, but alongside the traditional method also the infrared face recognition has become more common. This study compares these two methods and characteristics of the infrared method based on the strengths and weaknesses, and finally produce the theory of these methods combine the resulting benefits. Keywords: Infrared, face recognition, thermograph. ALKUSANAT Tämä tutkielma on seminaarityö ja se on valmistunut Lappeenrannan Teknillisessä Yliopistossa huhtikuussa 2013 osana Tietojohtaminen ja Informaatioverkostot - koulutusohjelman opintoja. Kiitämme itseämme, koska olemme olleet jälleen kerran niin kovin ahkeria. Kiitämme myös perheenjäseniämme, jotka ovat olleet kärsivällisiä tämän intensiivisen prosessin aikana. 2

3 SISÄLLYSLUETTELO 1. Johdanto Tausta Tavoitteet ja rajaukset Työn rakenne Tutkimuksen tavoitteet Tutkimusongelma Tutkimuskysymys Alakysymykset Teoriatausta ja aikaisempi tutkimus Kasvojen fysiologia ja anatomia Termografia ja infrapunapiirteet Kuvankäsittely Algoritmit Kasvontunnistuksen menetelmät Yleistietoa kasvontunnistuksesta Fyysisiin kasvonpiirteisiin perustuva perinteinen menetelmä (1) Fyysisiin kasvonpiirteisiin perustuva termografinen menetelmä (2) Kasvojen perfuusioon perustuva termografinen menetelmä (3) Infrapunapiirteisiin perustuvien menetelmien vahvuudet ja heikkoudet Tutkimusmenetelmät Tulokset Vastaukset tutkimuskysymyksiin Tuloksien arviointi Pohdintaa Tulevaisuus Yhteenveto LÄHDELUETTELO SYMBOLI- JA LYHENNELUETTELO

4 1. Johdanto Jokaisella ihmisellä on yksilölliset kasvot, joiden biometrisiä ominaisuuksia voidaan tarkastella samoin kuin esimerkiksi sormenjälkien piirteitä. Kasvontunnistusta voidaan hyödyntää esimerkiksi tietokoneavusteisessa tunnistamisessa ja todentamisessa automaattisissa turvajärjestelmissä. (Bhowmik et al., 2011; Wu et al., 2008). Henkilöiden tunnistamisessa on muutenkin hyödyllistä, ettei fyysistä kontaktia tarvita, esimerkiksi hygieniasyistä, uskonnollisista tai kulttuurillisista syistä (Bhattacharjee et al. 2012). Merkittävin haaste on tietokantaan tallennetun kuvan ja ihmisen kasvoista otetun kuvan luotettava vertaaminen. Kasvontunnistuksessa voidaan hyödyntää kasvojen Infrapunamenetelmiä (IR) infrapunapiirteiden havaitsemiseksi, joita edelleen tarkastelemalla todentamiseen liittyvien attribuuttien määrää saadaan laajennettua ja kasvontunnistuksen algoritmeistä saadaan monipuolisempia. (Bhowmik et al., 2011; Wu et al., 2008). Iho absorboi hyvin IR-säteilyä ja tämän perusteella ihosta pystytään havaitsemaan infrapunapiirteet paremmin kuin esimerkiksi UV- tai röntgensäteily. Myös näkyvän valon aallonpituudet ovat tärkeitä, koska ne absorboituvat hyvin ihoon ja kohteet pystytään siten havaitsemaan IR:n avulla. (Griffith et al., 2001). Yksittäisen ihmisen lisäksi voidaan tarkastella vaikkapa kokonaista ryhmää, kuinka he liikkuvat suhteessa toisiinsa ja mikä heidän reittivalintansa on. Esimerkiksi SARSepidemian aikaan Hong Kongin lentokentällä kuvattiin ihmisiä lämpökameralla taudinkantajien havaitsemiseksi, vastaavaa menetelmää voidaan soveltaa minkä tahansa liikehdinnän ja tästä aiheutuvien syy-yhteyksien seuraamiseen. (Karinen, 2007). Tilastoimalla tämäntyyppistä tietoa ja vertaamalla uutta tietoa tietokantaan, kuten myös Bhowmik ja muut esittää, voitaisiin seurata tarkasti rajatun joukon liikehdintää ja hyödyntää tätä tietoa esimerkiksi terrorismin vastaisessa toiminnassa. (Karinen, 2007). Termografialla on kasvontunnistuksen lisäksi useita muita sovelluskohteita. Koska se ei menetelmänä vaadi fyysistä kosketusta mitattavaan kohteeseen, sillä pystytään mittaamaan hyvin suuriakin lämpötiloja, eikä ylärajaa käytännössä ole. Tämä ominaisuus tekee lämpökuvauksesta ainutlaatuisen menetelmän ja samalla yhden 4

5 parhaista saatavilla olevista teollisuuden mittausmenetelmistä, esimerkiksi ennakoivan kunnossapidon sovellukset ja niiden käyttömahdollisuudet ovat rajattomat (Ocean Automation Solutions, 2011). Tässä tutkimuksessa tuodaan esille teoriatietoa infrapunapiirteisiin perustuvista termografisista kasvontunnistuksen menetelmistä ja analysoidaan menetelmien ominaisuuksia suhteessa muihin kasvontunnistuksen menetelmiin. 2. Tausta 2.1. Tavoitteet ja rajaukset Tutkielman tarkoituksena on selvittää, kuinka tehokkaasti kasvojen lämpöjälkeen perustuvia infrapunapiirteitä (2) voidaan hyödyntää kasvontunnistuksessa suhteessa perinteisiin menetelmiin (1). Tutkielma perustuu aiheeseen liittyvään kirjallisuuteen ja tieteellisiin tutkimuksiin. Vertailuaineistona tutkielmaan on sisällytetty kasvojen verenkierron infrapunapiirteisiin (3) perustuvan menetelmän tutkimus, joka täydentää infrapunamenetelmien tutkimusta. Näitä kolmea päälinjaa tutkimalla pyritään muodostamaan käsitys siitä kuinka tehokkaasti infrapunapiirteitä voidaan hyödyntää kasvontunnistuksessa. Tutkielmassa ei oteta kantaa eri valtioiden politiikkaan tai lainsäädäntöön, joka saattaa rajoittaa tunnistusmenetelmien hyödyntämistä. Lisäksi tutkielmasta on rajattu ulos NIR-sovellukset (Near Infrared), koska muuten tutkielmasta tulisi käytettävissä olevaan aikaan nähden liian laaja. Samasta syystä tämä tutkielma ei myöskään käsittele 2D- ja 3D- menetelmien ominaisuuksien vertailua, eikä kuvamateriaalin normalisointia. Tutkimuksen ulkopuoelle rajattujen osa-alueiden vaikutuksen kasvontunnistukseen uskotaan olevan merkittävä, joten tällä alueella on potentiaalinen jatkotutkimuksen mahdollisuus Työn rakenne 5

6 Kirjallisen aineiston hankinta ja analysointi sekä tutkielman laadinta on vaiheistettu neljään osioon työn jäsentelemiseksi (Kuva 1). Ensimmäisessä osiossa selvitetään yleisimmät kasvontunnistuksen menetelmät ja merkittävimmät yksittäiset tekijät, jotka vaikuttavat kasvontunnistuksen onnistumiseen. Seuraavassa osiossa selvitetään mitä algoritmeja kasvontunnistuksessa hyödynnetään ja arvioidaan algoritmien tehokkuutta suhteessa toisiinsa. Menetelmien vahvuuksista ja heikkouksista tehdään matriisi, jolloin vertailu on helpompaa. Kolmannessa ja neljännessä osiossa hyödynnetään matriisia ja analysoidaan infrapunapiirteisiin perustuvan menetelmän vahvuuksia ja heikkouksia suhteessa vertailtaviin menetelmiin. Lisäksi viimeisessä osiossa esitetään käytettävissä olevan teoriatiedon perusteella toimenpiteitä kasvotunnistuksen menetelmien kehittämiseksi. Kuva Tutkimuksen tavoitteet Tutkimuksen tavoitteena on infrapunapiirteisiin perustuvan kasvontunnistuksen vahvuuksien ja heikkouksien arviointi suhteessa vertailtaviin mentelmiin. Samalla tutkimus tuottaa tietoa erilaisten kasvontunnistuksen menetelmien luotettavuudesta yleisesti sekä esittää ratkaisua, jolla eri menetelmien heikkoudet voidaan välttää. Tutkimuksen yhteiskunnallinen vaikutus on huomionarvoinen, koska kasvontunnistuksen hyödyntäminen eri yhteiskunnan alueilla on yleistymässä ja tästä johtuen on erittäin tärkeää saada tietoa kasvontunnistukseen luotettavuuteen vaikuttavien seikkojen merkityksestä. Tutkimuksen tieteellinen käyttöarvo on myös huomionarvoinen. 6

7 Kasvontunnistusta ja sen eri menetelmiä on tutkittu paljon. Myös menetelmien algoritmejä on tutkittu paljon, mutta vain harvat tutkimukset (mm. Delac et al., 2008; Wu et al., 2008; Kong et al., 2004) ovat keskittyneet vertailemaan eri menetelmiä algoritmitasolla ja pyrkineet löytämään synergioita eri menetelmiä yhdistämällä. Tämä tarkastelukulma on erittäin mielenkiintoinen ja uskomme sen herättävän keskustelua myös tieteellisessä yhteisössä lähitulevaisuudessa, kun teknologian kehittyminen tuottaa helpommin lähestyttäviä käytännön sovelluksia. 3. Tutkimusongelma 3.1. Tutkimuskysymys Voidaanko infrapunapiirteitä hyödyntää kasvontunnistuksen luotettavuuden parantamisessa? 3.2. Alakysymykset Mitkä yksittäiset tekijät vaikuttavat eniten kasvontunnistuksen onnistumiseen? Mitä algoritmejä infrapunapiirteisiin perustuvassa kasvontunnistuksessa käytetään? Mitä algoritmejä muissa yleisissä kasvontunnistusmenetelmissä käytetään? Voidaanko infrapunapiirteisiin perustuvalla tunnistusmenetelmällä täydentää tai korvata perinteisiä menetelmiä? Mitä luotettavuuteen vaikuttavia ominaisuuksia infrapunapiirteisiin perustuvasta kasvontunnistuksesta puuttuu? Voidaanko infrapunapiirteiden avulla päästä parempiin tuloksiin kuin muilla kasvontunnistusmenetelmillä? 4. Teoriatausta ja aikaisempi tutkimus 4.1. Kasvojen fysiologia ja anatomia 7

8 Tässä kappaleessa esitellään ihmisen elimistön lämmönsäätelyyn vaikuttavia tekijöitä ja niistä johtuvia vaikutuksia kasvojen termografiaan. Iholla on useita eri toimintoja. Iho suojelee allaan olevia kudoksia, osallistuu elimistön lämmönsäätelyyn ja toimii verivarastona. Ihon lukuisat verisuonet osallistuvat elimistön lämmön säätelyyn. Ihon kautta kulkee verta levossa ja viileässä ympäristössä l/min ja helteellä jopa 3.5 l/min. Ihossa kiertää tavallisesti 5-10 kertaa niin paljon verta kuin sen ravitsemus vaatii. Ihon verenkiertoa säätelevät hermosto ja hormonit, kuten esimerkiksi adrenaliini. (Nienstedt et al., 1993, 93,98). Ihonalaiskudosen (subkutis) paksuus vaihtelee ihmisen elintottumusten perusteella, laihan ihmisen ihonalaiskudos on keskimäärin 2-10 mm paksu ja lihavan ihmisen ihonalaiskudos voi olla huomattavasti paksumpi. Ihonalaiskerroksen rasvakudos on sidekudosseinien ympäröimässä pienissä lokeroissa. Ihonalainen rasva toimii elimistön energiavarastona ja myös lämmöneristeenä. Lämmönsäätely perustuu siihen, että elimistön lämmönmuodostus ja lämmönhukka ovat yhtäsuuret. Lämmönsäätelyä säätelee hypotalamuksen lämmönsäätelykeskus. Lämmönhukka tapahtuu säteilyn, johtumisen ja veden haihtumisen avulla. Lämmön muodostus perustuu aineenvaihdunta reaktioihin (Nienstedt et al., 1993, 422). Lämmönsäätökeskukseen vaikuttaa pääasiassa veren lämpötila ja myös ihon lämpötilareseptorien toiminta. Keskuksen toiminta vaihtelee vuorokauden aikana joten ihmisen lämpötila ei pysykkään aivan muuttumattomana koko aikaa. Iltapäivälämpö on noin puoli astetta korkeampi kuin aamulämpö. Ankarat lihasponnistus voi nostaa lämpötilan hetkellisesti 40 ºC asteeseen, myös syöminen vaikuttaa elimistön lämpötilaan, varsinkin jos ateriaan sisältyy runsaasti valkuaisaineita (Nienstedt et al., 1993, 425). Tarkimmin lämpötila pysyy samana valtimoveren ja sisäelinten sekä erityisesti aivojen kohdalla. Ympäristön lämpötilan vaihtelut vaikuttavat erittäin selvästi elimistön pintaosien lämpötilaan. Tuulessa ja toisaalta vedessä lämmön kuljetus on voimakasta, joten iho joutuu aina lämmittämään uuden ilma- tai vesikerroksen pois siirtyneen lämmön tilalle. Kylmällä ilmalla ihon pintakerrosten verenkierto vähenee ja iho kaqlpenee, näin myös lämmönhukka jää pieneksi. Myös lämpimällä ilmalla elimistön lämpötilaa säätelevät mekanismit tehostuvat, iho tulee verekkääksi ja punakaksi. Kuumeessa lämmönsäätelykeskus asettuu uusille 8

9 lukemille ja se toimii ikään kuin normaali lämpötila olisi esimerkiksi 39 ºC normaalin ºC. Kuumeessa lämpöä syntyy tavallista enemmän ja lämpöä poistuu tavallista vähemmän ja potilas on tavallisesti kalpea. Kuumeen laskiessa tilanne on päinvastainen ja potilas on hikinen ja punakka. (Nienstedt et al., 1993,424). Kasvojen verenkiertoon vaikuttavia tekijöitä on useita ja tässä on esitelty näistä vain muutamia. Tarkoitus oli selvittää, mitkä fysiologiset tekijät mahdollisesti vaikuttavat termografiseen kasvontunnistukseen ja erityisesti ymmärtää veren perfuusioon perustuvan infrapunamenetelmän (Wu et al., 2008) lainalaisuuksia Termografia ja infrapunapiirteet Sana Infra on latinaa ja tarkoittaa "alla". Punainen sitä vastoin on näkyvän valon pisimmän aallonpituuden väri. Infrapunavalolla on pidempi aallonpituus (ja siten alhaisempi taajuus) kuin näkyvällä punaisella värillä ja tästä asiayhteydestä on johdettu Infrared -termi, joka siis käytännössä tarkoittaa punaista väriä, jota ihmissilmä ei havaitse ilman apuvälineitä. (Bhowmik et al., 2011). Termografialla tarkoitetaan lämpöjäljen kuvausmenetelmää, joka mahdollistaa infrapunapiirteeiden tutkimisen. Lämpöjäljen kuvaamisessa hyödynnetään lämpökamera (Raymarine, 2012). Lämpökamera on laite, joka havaitsee vapautuvan infrapuna-energian määrän ja muuttaa sen sähköiseksi signaaliksi jonka avulla tuotetaan kuvaa LCD-näytölle. Lämpökamera havaitsee pienetkin lämpötilaerot ja sen avulla voidaan tehdä erilaisia lämpötilaan liittyviä laskelmia. (Ocean Automation Solutions, 2011). Lämpökuvauksella tarkoitetaan siis infrapunapiirteiden kuvaamista ja tallentamista lämpökameran avulla. Lukuisat eri alojen tutkijat ovat huomanneet, että infrapuna on luotettava ja nopea tapa tutkia kohteiden lämpötilamuutoksia. (Flir Systems, 2004). IR-kuvausmenetelmät tuottavat kuvia, jotka muodostavat kuvattavan kohteen pinnasta lämpötilan muutoksia esittävän termografin (thermogram). Kuvaus tapahtuu mittaamalla kohteen pinnasta infrapunasäteilyn muutoksia (infrapunapiirteet). IR-lämpökuvauksen perusperiaate on, että kaikki esineet lähettävät sähkömagneettista säteilyä ja säteilyn 9

10 infrapunapiirteet havaitaan ja tallennetaan lämpökameran avulla. Säteilyn määrä on riippuvainen tarkasteltavan kohteen lämpötilasta, joten sen avulla voidaan tarkastella kohteen lämpötilaa, tavallisesti hyödynnetään infrapunan 1-10 μm aallonpituuden spektriä. Nykyiset kuvausmenetelmät pystyvät erottamaan lämpötilaeroja alle 0.1 ºC tarkkuudella, joka mahdollistaa IR-kuvauksen käyttämisen monissa eri sovelluksissa, kuten prosessitekniikassa, rakennustekniikassa, sotilaskäytössä ja lääketieteellisissä kuvauksissa. Tietyt sovellukset eivät tarvitse tarkkaa tietoa lämpötiloista vaan niille riittää pelkästään suhteelliset lämpötilaerot, kuten esimerkiksi sovellus rakennusten lämpövuotojen analysoinnissa. Infrapuna termograafiset järjestelmät (Infrared thermographic systems) ovat yleensä IR- radiometrejä. Tavallisesti laitteet kuvaavat jatkuvasti ja reaaliaikaisesti tutkittavaa ympäristöä perinteisen videokameran tapaan. Laitteisto koostuu lämpötilan ilmaisimesta ja kuvan muodostamiseen tarvittavista komponenteista. Järjestelmissä on lisäksi ominaisuudet kuvan prosessointia ja esittämistä varten. (Griffith et al., 2001). Järjestelmät voidaan jakaa karkeasti kahteen pääluokkaan; radiometrisiin (Radiometric IR) ja ei-radiometrisiin (Non-Radiometric IR) järjestelmiin. Olennainen ero näiden järjestelmien välillä on, että radiometrinen pystyy mittaamaan lämpötiloja. Eiradiometrisiä järjestelmiä käytetään sovelluksissa, joissa ei tarvitse mitata tarkkoja lämpötiloja vaan pelkkä lämpötilaerojen havaitseminen riittää. Esimerkkinä eiradiometrisiä sovelluksista on erilaiset yönäkölaitteet. Ei-radiometriset laitteet eivät tarvitse laajoja kalibrointeja eikä lämmönkestävyys- tai kuvankäsittelyominaisuuksia, joten ne ovat myös hinnoiltaan huomattavasti edullisempia kuin radiometriset järjestelmät. (Griffith et al., 2001). Radiometrisissä järjestelmissä on kaksi perustyyppiä: FPA (Focal Plane Arrays) ja skannerit. Lisäksi ilmaisimissa on olemassa kaksi pääryhmää: Fotonin vaimennin (Photon absorbers) ja fotonin ilmaisin (Photon detectors). (Griffith et al., 2001). Focal Plane Arrays (FPA). FPA-järjestelmä on yleisimmin käytössä oleva radiometrinen IRjärjestelmä. FPA:n toiminta on samankaltainen kuin CCD-kennoilla (Charge-Coupled Device), joita hyödynnetään esimerkiksi videokameroissa, mutta näkyvän valon sijaan 10

11 FPA on herkempi Infrapunalle. FPA:n muodostama jokainen pikseli on mitattu omalla yksilöllisellä ilmaisimella. Tuloksena on kaksiulotteinen taulukko, joka on havainnollistettu alla olevassa kuvassa (Kuva 2). (Griffith et al., 2001). Kuva 2. Menetelmän etuna on se, ettei siinä ole muita liikkuvia osia kuin fokuksen säätö. Valittaessa parhaiten sopivaa mittauslaitetta on otettava huomioon menetelmän sopivuus mitattavaan lämpötilan alueeseen, kasvontunnistuksessa tämä tarkoittaa 10 ºC - 50 ºC mittausaluetta. Griffith ja muut esittävät menetelmän laskea mitattavan lämpötilan perusteella käytettävä aallonpituus, joka on 10 ºC - 50 ºC lämpötilassa 9-10 μm. Alla oleva taulukko havainnollistaa erilaisia IR-mittausjärjestelmiä ja niiden ominaisuuksia sekä soveltuvuutta eri olosuhteisiin (Taulukko 1). (Griffith et al., 2001). Taulukko 1. IR imager Resolutions Response NETD (Noise Typical Uses system types available ranges(μm) Equivalent (pixels) Temperature Difference) (mk) FPA, Indium 320 x 256, 0.9 to 1.68 N/A IR Laser/LED 11

12 Gallium Arsenide (InGaAs) 640 x 512 development, High temperatures FPA, Indium 320 x 256, 1.0 to General, Antimonide 640 x to 5 Military (InSb) imaging, Fast FPA, Microbolomete r (absorber) 160 x 128, 320 x to General, Predictive Maintenance, Fire Fighting FPA, Quantum 320 x 256, Narrow 30 R&D, Well 640 x 512 band within Laboratory Infrared 8 to 10 Photodetectors (QWIP). Scanner, Variable 8 to 14, 50 R&D, Mercury 173 x 240, 3 to 5 Laboratory Cadmium 1024 x 600 Telluride (HgCdTe or MCT) 4.3. Kuvankäsittely Tietokoneavusteisessa kasvontunnistuksessa on oleellista analysoida ja tallentaa kohdetta mahdollisimman tarkasti mallintavan konfiguraation tiedot, joko tietyllä hetkellä tapahtuvaa tai mahdollisesti myöhempää vertailua varten. Varsinainen valokuva kertoo 12

13 ihmissilmälle enemmän kuin tietokoneen data, mutta tietokone tarvitsee kuvankäsittelyyn aina laskennallisen lähestymistavan, jota se vertailee referenssiaineistoon havaitakseen saman konfiguraation tai sulkeakseen pois ne löydökset joista vastaavuutta ei tunnisteta. Tämä voidaan toteuttaa esimerkiksi värispektrianalyysillä hyödyntämäällä tarkoitukseen sopivaa algoritmiä. Konfiguraatio muodostuu tietyistä havaintopisteistä ja näiden välillä vallitsevista suhteista. (Delac et al., 2008). Konfiguraation monimutkaisuus riippuu havaintopisteiden määrästä ja tekijöistä, joihin eri algoritmit ottavat kantaa (Kong et al., 2004). Edellä mainitusta syystä kuvankäsittelyssä on tärkeää kuvan normalisointi, jonka avulla pyritään tuottamaan mahdollisimman optimaalinen kuva tietyn konfiguraation havaitsemiseksi ja vertaamiseksi mahdollisimman luotettavasti. Käytännössä tämä tarkoittaa erilaisia menetelmiä, joilla pyritään välttämään konfiguraation tunnistamiseen liittyviä haittatekijöitä, kuten kuvan valaistus, kuvakulma, etäisyys, kuvasuhde sekä toisaalta taas erilaiset asusteet kuten silmälasit ja muut henkilön kasvonpiirteitä peittävät ominaisuudet kuten viikset ja parta (Delac et al., 2008, 57). Normalisoinnin ongelmatiikkaa pyrkii selittämään Wang ja muut esittämällä oman teoriansa normalisoinnista (Wang et al., 2003), johon ei tässä tutkimuksessa ole tarkoitus syventyä, mutta todettakoon kuitenkin, että normalisoinnilla on merkittävä vaikutus niin perinteisen kasvontunnistuksen kuin termografisen kasvontunnistuksenkin onnistumisessa. Termograafinen kasvojen tunnistus voidaan jakaa eri vaiheisiin, jotka on kuvattu alla. Eri vaiheita ovat lämpökuvan hankinta, kuvan esikäsittely ja binäärikuvien alueiden luokittelu sekä piirteiden etsintä kuvasta. Esikäsittelyssä tarkasteltavaa kuvaa käsitellään siten, että siitä on mahdollisimman helposti löydettävissä kasvot, jotka lopuksi rajataan ellipsin muotoiseksi alueeksi (Bhattacharjee et al., 2012). 1. Raaka-kuvien hankkiminen 2. Raaka-kuvien binäärisointi 3. Binäärikuvasta eri alueiden luokittelu 4. Suurimman alueen löytäminen 13

14 5. Suurimman alueen keskikohdan määritys 6. Kasvojen rajaaminen ellipsin muotoiseen alueeseen Lähtökuvan hankinnan jälkeen kuvalle tehdään binärisöinti eli muutetaan kuva nollia ja ykkösiä vastaavaksi taulukoksi. Tämän tarkoitus on erotella kasvojen alue alkuperäisestä kuvasta. (Bhattacharjee et al., 2012). Muodostettu binäärikuva voi koostua useammasta eri osasta eli alueesta. Alueiden havaitsemiseen voidaan käyttää esimerkiksi Connected Component Labeling -algoritmia (CCL), joka perustuu 4- connected neighbours tai 8-connected neighbours -menetelmiin. Algoritmin suorituksen jälkeen kuvan eri alueet on pystytty erottelemaan ja erottelun tuloksena voidaan havaita suurin yksittäinen tarkasteltava alue, jonka jälkeen kuvasta löytyneen suurimman alueen keskipisteen koordinaatit määritetään. (Bhattacharjee et al., 2012). Ihmisen kasvot ovat ellipsin muotoiset ja suurimman alueen keskipisteen paikka voidaan määrittää esimerkiksi Bresenham Ellipse Drawing -algoritmin (BED) avulla. Lopputuloksena on ellipsin muotoinen alue, jossa kasvot sijaitsevat. (Bhattacharjee et al., 2012). Käsittelyn seurauksena saadulle alueelle hyödynnetään tunnistusalgoritmejä. Kasvojen alueen löytäminen raaka-kuvasta on tärkein vaihe kasvojen tunnistamisessa Algoritmit Algoritmi on yksityiskohtainen ohje tietyn monimutkaisen ongelman ratkaisemiseksi. Valmiita hahmontunnistuksessa hyödynnettäviä algoritmeja on olemassa laaja joukko. Tähän tutkielmaan valitut algoritmit perustuvat amerikkalaisen FERET-projektin tutkimustuloksiin, joka on tutkinut kasvontunnistusta ja algoritmeja jo pitkään. FERETprojektin toimesta testattiin eri algoritmien tehokkuutta kasvontunnistuksessa hyödyntämällä laajaa yli 3000 kasvokuvan tietokantaa. Parhaimmat tulokset saavutettiin seuraavilla kolmella algoritmeilla. (Kong et al., 2004). The probabilistic eigenface method (MIT), MIT Media Lab Elastic Graph Matching (EGM), University of Southern California Linear Discriminant Analysis, (LDA), University of Maryland 14

15 Tietokoneavusteiseen hahmontunnistukseen käytetään yleisesti Eigenface-menetelmää, jonka ovat kehittäneet 80-luvun puolivälin tietämillä L. Sirovich ja M. Kirby. Eigenfacemenetelmässä hyödynnetään matemaattista prosessia, joka tunnetaan pääkomponenttianalyysinä (PCA; Principal Component Analysis). (Kong et al., 2004). PCA on luotettava ja yksinkertainen tapa kantavektorijoukon määrittämiseksi värispektreille ja sen tärkein tehtävä on olennaisen informaation rajaaminen tutkittavasta kohteesta, joten PCA:n rooli hahmontunnistuksessa on keskeinen. (Karttunen, 2002). PCA:n tehtävänä on käytännössä ihmisen kasvojen paikantaminen kuvasta, mutta sitä käytetään kasvontunnistuksen lisäksi monessa muussakin hahmontunnistuksessa. Varsinainen kahden kuvan välisen yhtäläisyyden tunnistaminen suoritetaan kasvontunnistukseen erikoistuneella algoritmilla (esim. MIT, EGM, LDA). Mainituista algoritmeista MIT on todennäköisyyksiin perustuva Eigenface-menetelmä. EGM puolestaan käyttää lineaarista Gabor -suodatusta, joka on monimutkainen ääriviivatunnistuksen menetelmä. (Kong et al., 2004). LDA:lla puolestaan on hyvin paljon yhtäläisyyksiä PCA:n kanssa, sillä molemmissa hahmontunnistusmenetelmissä etsitään lineaarisia yhdistelmiä, jotka parhaiten selittävät kasvojen kuvaa edustavaa dataa. PCA- ja LDA-algortimit ovat erittäin tehokkaita ja hyvin laajasti käytettyjä kasvontunnistuksen menetelmiä. Näiden kahden algoritmin yhdistämisestä saatavia hyötyjä on myös tutkittu ja esimerkiksi Marcialis & Roli käsittelee tätä aihetta laajasti omassa tutkimuksessaan Fusion of LDA and PCA for Face Recognition. (Marcialis & Roli, 2002). Myös Delac ja muut käsittelevät samaa aihetta omassa tutkimuksessaan Recent Advances in Face Regonition ja päätyvät samaan suositukseen, mutta samalla Delac ja muut ottavat kantaa myös siihen seikkaan, että useamman rinnakkaisen erilaisen algoritmin samanaikaisesta käytöstä saataisiin vielä tätäkin suurempi tehokkuus (Delac et al., 2008). Tutkimustiedon perusteella voidaan kuitenkin hyvin todeta, että läheistä sukua olevien PCA- ja LDA-algoritmien ominaisuuksia yhdistämällä saataisiin aikaan erittäin tehokas kasvontunnistuksen algoritmi Kasvontunnistuksen menetelmät Yleistietoa kasvontunnistuksesta 15

16 Automaattiseen kasvontunnistukseen liittyy tiettyjä vaiheita, jotka toistuvat kaikissa kasvontunnistuksen menetelmissä teknologiasta riippumatta. Kasvontunnistuksessa voidaan hyödyntää erilaisia algoritmeja, joilla ratkaistaan yleisesti tunnistettu ongema. Erilaisten algoritmien lisäksi esimerkiksi teknologiasta riippuen kasvontunnistuksen eri vaiheiden toteutustapa ja tekniset ratkaisut saattavat poiketa toisistaan. Alla olevassa kuvassa (Kuva 3) on esitetty periaatekuva kasvontunnistuksen eri vaiheista. Tätä periaatetta voidaan soveltaa teknologia- ja algoritmiriippumattomasti. Kuva 3. Prosessi alkaa tavallisesti kasvojen kuvaamisella. Tämän jälkeen seuraava vaihe on kuvan normalisointi ja muu tarpeellinen kuvankäsittely, jolla pyritään saamaan kasvojen piirteet paremmin esille. Normalisoinnin jälkeen käsitellystä kuvasta etsitään valitun algoritmin avulla kasvojen paikka ja edelleen tunnusomaisia piirteitä, kuten esimerkiksi silmien, nenän ja suun sijainti. Menetelmä ei eroa perinteisen kasvonpiirteiden ja infrapunapiirteiden analysoinnin välillä mitenkään. (Akhloufi, 2008) Fyysisiin kasvonpiirteisiin perustuva perinteinen menetelmä (1) 16

17 Fyysisiin kasvonpiirteisiin perustuva kasvontunnistusmenetelmä on perinteisin kasvontunnistuksen tietokoneavusteinen menetelmä. Tässä menetelmässä kasvoja analysoidaan ja tarkastellaan kasvonpiirteiden etäisyyksien, muotojen ja ääriviivojen perusteella. Lähtötieto voi koostua yhdestä tai useasta eri kulmasta otetusta tavallisesta valokuvasta tai videokuvasta. Kasvoista etsitään tiettyjä kaikille kasvoille tunnusomaisia piirteitä, kuten silmät, silmien koko, silmien sijainti, nenän sijainti ja nenän muoto. Analysointi voi perustua kasvokuvaan tai sivuprofiiliin, joko 2D- tai 3D- menetelmällä ja tulokset voidaan tallentaa myöhempää käyttöä varten. (Delac et al., 2008, ). Kasvontunnistuksen prosessi on kuvattu kokonaisuudessaan alla olevassa kuvassa (Kuva 4), (Oasis Project, 2013). Kuva 4. 17

18 Fyysisiin kasvonpiirteisiin perustuva perinteinen menetelmässä erityinen huolenaihe on kuvausolosuhteisiin vaikuttava valaistus, kuvakulma, etäisyys, kuvasuhde sekä toisaalta taas erilaiset asusteet kuten silmälasit ja muut henkilön kasvonpiirteitä peittävät ominaisuudet kuten viikset ja parta vertailtavaan dataan nähden (Delac et al., 2008, 57). Perinteisen kasvonpiirteiden tunnistuksen mittauspisteitä on havainnollistettu esimerkinomaisesti alla olevassa Daily Telegraphin kuvassa (Kuva 5). Kuva Fyysisiin kasvonpiirteisiin perustuva termografinen menetelmä (2) Termografinen menetelmä (IR-menetelmä) perustuu pääosin samoihin prosesseihin, lainalaisuuksiin ja algoritmeihin kuin edellisessä kappaleessa esitetty perinteinen menetelmä. Infrapunakuvia otetaan erilaisilla laitteilla, mutta kuvia analysoidaan ja tutkitaan samoilla menetelmillä. IR-kasvontunnistuksen etuna esimerkiksi Kong ja muut nostavat esiin sen seikan, että IR-kuvat ovat yleisesti riippumattomia ympäristön valaistuksesta, varjoista, heijastuksista tai vastaavista kuvan laadulliseen lopputulokseen vaikuttavavista tekijöistä. Lisäksi IR-kuvien eduksi on katsotaan se, että ne eivät ole samalla tavalla riippuvaisia fyysisistä kasvonpiirteistä kuin perinteiset kasvontunnistuksen menetelmät. Toisaalta taas termografin tulkitseminen ihmissilmällä on vaikeampaa kuin perinteisten valokuvien tulkitseminen, tällä ei ole kuitenkaan 18

19 tietokoneavusteisen kasvontunnistuksen kannalta merkitystä. Huomioitavaa on, että IRkuvilla saadaan lisätietoa myös kasvojen fysiologiasta ja anatomiaan liittyvistä infrapunapiirteistä, joka tekee menetelmästä monikäyttöisemmän ja luotettavamman kuin perinteinen kasvontunnistus. (Kong et al., 2004); Wu et al., 2008). Ominaisuuksien vertailua havainnollistaa Kong ja muut alla olevaan taulukkoon (Taulukko 2) koostetulla yhteenvedolla, joka kuvastaa hyvin eri tutkimuksissa esille tulleita päätelmiä (Kong et al., 2004). Taulukko 2. Vaikka ulkoisten vaikuttimien merkitys ei olisikaan IR-kuvauksessa suuri, voidaan kuitenkin tunnistaa kuvaustilanteen aikana valitsevien olosuhteiden vaikutus kuvamateriaalin laatuun. Socolinsky ja muut ovat testanneet olosuhteiden vaikutusta kuvaamalla samoja otoksia eri sessioissa ja vertailleet lopputuloksia keskenään. Tutkimuksen tuloksena on selvästi havaittavissa sessioiden väliset erot kuvan laadussa mikäli olosuhteita ei pystytä täysin vakioimaan (Kuva 7). 19

20 Tämäkään ei tarkan lopputuloksen aikaan saamiseksi riitä, sillä kuvattavaan kohteeseen on voinut vaikuttaa esimerkiksi kuume. (Socolinsky et al., 2004). Kuva 6. Edellä esitettyyn tutkimustietoon perustuen voidaan hyvin todeta, että perinteisen kasvontunnistuksen ja infrapunapiirteisiin perustuvan menetelmän yhdistäminen on luotettavan kasvontunnistuksen kannalta järkevää, etenkin jos käytettävä kuvamateriaali on epätasalaatuista tai kuvausolosuhteita ei pystytä täysin vakioimaan. Tällöin menetelmät täydentävät toisiaan kattavasti Kasvojen perfuusioon perustuva termografinen menetelmä (3) Anatomiassa perfuusiolla tarkoitetaan veren läpivirtausta jonkin elimen läpi eli kansanomaisesti verenkiertoa. Perfuusiotutkimuksen lääketieteen sovelluksena yleisesti hyödynnetään esimerkiksi sydänlihaksen perfuusion gammakuvausta (Sinisalo & Virtanen, 2005). Kasvojen perfuusion analysointia voidaan vastaavalla tavalla hyödyntää myös esimerkiksi allergioiden tutkimuksessa, koska erilaiset allergiat heijastuvat herkästi kasvojen perfuusioon (Clark et al., 2007). Tämän yksilöllisen ominaispiirteen analysointia voidaan hyödyntää hyvin monessa eri yhteydessä. Tässä tutkielmassa perfuusiota käsitellään kasvontunnistuksen menetelmänä, sillä yhä useammassa 20

Spektroskooppiset menetelmät kiviaineksen laadun tutkimisessa. Lasse Kangas Aalto-yliopisto Yhdyskunta- ja ympäristötekniikka

Spektroskooppiset menetelmät kiviaineksen laadun tutkimisessa. Lasse Kangas Aalto-yliopisto Yhdyskunta- ja ympäristötekniikka Spektroskooppiset menetelmät kiviaineksen laadun tutkimisessa Lasse Kangas Aalto-yliopisto Yhdyskunta- ja ympäristötekniikka Kalliokiviaineksen tunnistaminen ja luokittelu Nykymenetelmät Hitaita (päiviä,

Lisätiedot

Malleja ja menetelmiä geometriseen tietokonenäköön

Malleja ja menetelmiä geometriseen tietokonenäköön Malleja ja menetelmiä geometriseen tietokonenäköön Juho Kannala 7.5.2010 Johdanto Tietokonenäkö on ala, joka kehittää menetelmiä automaattiseen kuvien sisällön tulkintaan Tietokonenäkö on ajankohtainen

Lisätiedot

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI. VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Oskari Uitto i78966 Lauri Karppi j82095 SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI Sivumäärä: 14 Jätetty tarkastettavaksi: 25.02.2008 Työn

Lisätiedot

Kandidaatintutkielman arviointikriteerit

Kandidaatintutkielman arviointikriteerit Kandidaatintutkielman arviointikriteerit Kandidaatintutkielman laajuus on 10 op, josta kypsyysnäyte 1 op ja tieteellinen tiedonhankinta 2 op. Kuvataidekasvatuksen koulutusohjelmassa tieteellinen tiedonhankinta

Lisätiedot

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat

Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Reijo Sund Rekisterit tutkimusaineistona: tieteenfilosofis-metodologiset lähtökohdat Rekisterit tutkimuksen apuvälineenä kurssi, Biomedicum, Helsinki 25.05.2009 Kevät 2009 Rekisterit tutkimusaineistona

Lisätiedot

Fenomenografia. Hypermedian jatko-opintoseminaari Päivi Mikkonen

Fenomenografia. Hypermedian jatko-opintoseminaari Päivi Mikkonen Fenomenografia Hypermedian jatko-opintoseminaari 12.12.2008 Päivi Mikkonen Mitä on fenomenografia? Historiaa Saksalainen filosofi Ulrich Sonnemann oli ensimmäinen joka käytti sanaa fenomenografia vuonna

Lisätiedot

Liikehavaintojen estimointi langattomissa lähiverkoissa. Diplomityöseminaari Jukka Ahola

Liikehavaintojen estimointi langattomissa lähiverkoissa. Diplomityöseminaari Jukka Ahola Liikehavaintojen estimointi langattomissa lähiverkoissa Diplomityöseminaari Jukka Ahola ESITYKSEN SISÄLTÖ Työn tausta Tavoitteen asettelu Johdanto Liikehavaintojen jakaminen langattomassa mesh-verkossa

Lisätiedot

Gradu-seminaari (2016/17)

Gradu-seminaari (2016/17) Gradu-seminaari (2016/17) Tavoitteet Syventää ja laajentaa opiskelijan tutkimusvalmiuksia niin, että hän pystyy itsenäisesti kirjoittamaan pro gradu -tutkielman sekä käymään tutkielmaa koskevaa tieteellistä

Lisätiedot

KANNATTAVUUDEN ARVIOINTI JA KEHITTÄMINEN ELEMENTTILIIKETOIMINNASSA

KANNATTAVUUDEN ARVIOINTI JA KEHITTÄMINEN ELEMENTTILIIKETOIMINNASSA LAPPEENRANNAN TEKNILLINEN YLIOPISTO TEKNISTALOUDELLINEN TIEDEKUNTA Tuotantotalouden koulutusohjelma KANNATTAVUUDEN ARVIOINTI JA KEHITTÄMINEN ELEMENTTILIIKETOIMINNASSA Diplomityöaihe on hyväksytty Tuotantotalouden

Lisätiedot

PIXE:n hyödyntäminen materiaalitutkimuksessa

PIXE:n hyödyntäminen materiaalitutkimuksessa PIXE:n hyödyntäminen materiaalitutkimuksessa Syventävien opintojen seminaari Ella Peltomäki 30.10.2014 Sisällys PIXE perustuu alkuainekohtaisiin elektronikuorirakenteisiin Tulosten kannalta haitallisen

Lisätiedot

JOHDATUS TEKOÄLYYN TEEMU ROOS

JOHDATUS TEKOÄLYYN TEEMU ROOS JOHDATUS TEKOÄLYYN TEEMU ROOS TERMINATOR SIGNAALINKÄSITTELY KUVA VOIDAAN TULKITA KOORDINAATTIEN (X,Y) FUNKTIONA. LÄHDE: S. SEITZ VÄRIKUVA KOOSTUU KOLMESTA KOMPONENTISTA (R,G,B). ÄÄNI VASTAAVASTI MUUTTUJAN

Lisätiedot

ETNIMU-projektin, aivoterveyttä edistävän kurssin 5.osa. Aistit.

ETNIMU-projektin, aivoterveyttä edistävän kurssin 5.osa. Aistit. ETNIMU-projektin, aivoterveyttä edistävän kurssin 5.osa Aistit. Aistien maailma Ympäristön havainnointi tapahtuu aistien välityksellä. Tarkkailemme aistien avulla jatkuvasti enemmän tai vähemmän tietoisesti

Lisätiedot

TUKIMATERIAALI: Arvosanan kahdeksan alle jäävä osaaminen

TUKIMATERIAALI: Arvosanan kahdeksan alle jäävä osaaminen KEMIA Kemian päättöarvioinnin kriteerit arvosanalle 8 ja niitä täydentävä tukimateriaali Opetuksen tavoite Merkitys, arvot ja asenteet T1 kannustaa ja innostaa oppilasta kemian opiskeluun T2 ohjata ja

Lisätiedot

Biologia. Pakolliset kurssit. 1. Eliömaailma (BI1)

Biologia. Pakolliset kurssit. 1. Eliömaailma (BI1) Biologia Pakolliset kurssit 1. Eliömaailma (BI1) tuntee elämän tunnusmerkit ja perusedellytykset sekä tietää, miten elämän ilmiöitä tutkitaan ymmärtää, mitä luonnon monimuotoisuus biosysteemien eri tasoilla

Lisätiedot

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä

Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Data Envelopment Analysis (DEA) - menetelmät + CCR-DEA-menetelmä Mat-2.4142 Optimointiopin seminaari kevät 2011 Esityksen rakenne I osa Tehokkuudesta yleisesti DEA-mallin perusajatus CCR-painotus II osa

Lisätiedot

Hypermedian jatko-opintoseminaari

Hypermedian jatko-opintoseminaari Hypermedian jatko-opintoseminaari Tutkimusmenetelmät, kun tutkimuskohteena on ihminen ja tekniikka I, 1-4 ov Kirsi Silius 26.11.2004 Seminaarin aikataulu pe 26.11.04 Kirsi Silius: Seminaarin yleisesittely,

Lisätiedot

Teoreettisen viitekehyksen rakentaminen

Teoreettisen viitekehyksen rakentaminen Teoreettisen viitekehyksen rakentaminen Eeva Willberg Pro seminaari ja kandidaatin opinnäytetyö 26.1.09 Tutkimuksen teoreettinen viitekehys Tarkoittaa tutkimusilmiöön keskeisesti liittyvän tutkimuksen

Lisätiedot

EKOkeS. Energiahävikkien Kartoituslaitteiston ja Osaamisen kehittäminen energiatehokkaan Satakunnan tarpeisiin ( ) Satakunnassa

EKOkeS. Energiahävikkien Kartoituslaitteiston ja Osaamisen kehittäminen energiatehokkaan Satakunnan tarpeisiin ( ) Satakunnassa EKOkeS Energiahävikkien Kartoituslaitteiston ja Osaamisen kehittäminen energiatehokkaan Satakunnan tarpeisiin (205-206) Satakunnassa Energia- ja resurssitehokkuuden foorumi Satakuntaliitto, 4.5.206 Jari

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia, 3 op 9 luentoa, 3 laskuharjoitukset ja vierailu mittausasemalle Tentti Oppikirjana Rinne & Haapanala:

Lisätiedot

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen

Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen Simulation and modeling for quality and reliability (valmiin työn esittely) Aleksi Seppänen 16.06.2014 Ohjaaja: Urho Honkanen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Tulevaisuuden kameravalvontaa SUBITO (Surveillance of Unattended Baggage including Identification and Tracking of the Owner)

Tulevaisuuden kameravalvontaa SUBITO (Surveillance of Unattended Baggage including Identification and Tracking of the Owner) Tulevaisuuden kameravalvontaa SUBITO (Surveillance of Unattended Baggage including Identification and Tracking of the Owner) Turvallisuusmessut 8.9.2010, Tampere Erikoistutkija Jukka Laitinen, VTT 8.9.2010

Lisätiedot

Luku 8 EXERGIA: TYÖPOTENTIAALIN MITTA

Luku 8 EXERGIA: TYÖPOTENTIAALIN MITTA Thermodynamics: An Engineering Approach, 7 th Edition Yunus A. Cengel, Michael A. Boles McGraw-Hill, 2011 Luku 8 EXERGIA: TYÖPOTENTIAALIN MITTA Copyright The McGraw-Hill Companies, Inc. Permission required

Lisätiedot

Korkean resoluution ja suuren kuva-alueen SAR

Korkean resoluution ja suuren kuva-alueen SAR Korkean resoluution ja suuren kuva-alueen SAR MATINE tutkimusseminaari 17.11.2016 Risto Vehmas, Juha Jylhä, Minna Väilä, Ari Visa Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos Hankkeelle myönnetty

Lisätiedot

VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA

VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA Juha Lehtonen 20.3.2002 Joensuun yliopisto Tietojenkäsittelytiede Kandidaatintutkielma ESIPUHE Olen kirjoittanut tämän kandidaatintutkielman Joensuun yliopistossa

Lisätiedot

9. Polarimetria. 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä. 3. Polarisaattorit 4. CCD polarimetria

9. Polarimetria. 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä. 3. Polarisaattorit 4. CCD polarimetria 9. Polarimetria 1. Stokesin parametrit 2. Polarisaatio tähtitieteessä 3. Polarisaattorit 4. CCD polarimetria 10.1 Stokesin parametrit 10.1

Lisätiedot

lämpöviihtyvyyteen Sisäilmastoseminaari 2013 VTT

lämpöviihtyvyyteen Sisäilmastoseminaari 2013 VTT Ihmismallilla parempaan lämpöviihtyvyyteen Sisäilmastoseminaari 2013 Tiimipäällikkö TkT Riikka Holopainen Tiimipäällikkö, TkT Riikka Holopainen VTT 2 Tutkimuksen taustaa Energiatehokkaissa matalaenergia-,

Lisätiedot

Rakennuskustannukset hallintaan Fore-laskennan käyttö suunnittelussa

Rakennuskustannukset hallintaan Fore-laskennan käyttö suunnittelussa Rakennuskustannukset hallintaan Fore-laskennan käyttö suunnittelussa Hankesuunnittelupäivä 25.10.2016, Ari Huomo Kustannusohjauksen tavoitteet Tavoitteellinen, kuhunkin hankkeen vaiheeseen sopiva kustannusarvio

Lisätiedot

PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti

PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti PSY181 Psykologisen tutkimuksen perusteet, kirjallinen harjoitustyö ja kirjatentti Harjoitustyön ohje Tehtävänäsi on laatia tutkimussuunnitelma. Itse tutkimusta ei toteuteta, mutta suunnitelman tulisi

Lisätiedot

arvioinnin kohde

arvioinnin kohde KEMIA 8-lk Merkitys, arvot ja asenteet T2 Oppilas asettaa itselleen tavoitteita sekä työskentelee pitkäjänteisesti. Oppilas kuvaamaan omaa osaamistaan. T3 Oppilas ymmärtää alkuaineiden ja niistä muodostuvien

Lisätiedot

13.11. Tulosten arviointi. tulosten arviointi. voimmeko luottaa saamiimme tuloksiin?

13.11. Tulosten arviointi. tulosten arviointi. voimmeko luottaa saamiimme tuloksiin? 13.11. tulosten arviointi Tulosten arviointi voimmeko luottaa saamiimme tuloksiin? onko osa saaduista tuloksista sattumanvaraisia? mitkä OSAT puusta ovat luotettavimpia? 1 KONSENSUSDIAGRAMMI Useita yhtä

Lisätiedot

arvioinnin kohde

arvioinnin kohde KEMIA 9-lk Merkitys, arvot ja asenteet T2 Oppilas tunnistaa omaa kemian osaamistaan, asettaa tavoitteita omalle työskentelylleen sekä työskentelee pitkäjänteisesti T3 Oppilas ymmärtää kemian osaamisen

Lisätiedot

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan

Lisätiedot

Vanhankaupunginkosken ultraäänikuvaukset Simsonar Oy Pertti Paakkolanvaara

Vanhankaupunginkosken ultraäänikuvaukset Simsonar Oy Pertti Paakkolanvaara Vanhankaupunginkosken ultraäänikuvaukset 15.7. 14.11.2014 Simsonar Oy Pertti Paakkolanvaara Avaintulokset 2500 2000 Ylös vaellus pituusluokittain: 1500 1000 500 0 35-45 cm 45-60 cm 60-70 cm >70 cm 120

Lisätiedot

Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen. Harri Mäkelä

Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen. Harri Mäkelä Web-palvelut ja niihin kohdistuneiden poikkeavuuksien tunnistamisen Harri Mäkelä Aiheet Yleiset asiat ja tutkimuskysymys Johdanto Web-palvelun tietoturvaan Sisällysluettelo Teoria Testausympäristö Mitä

Lisätiedot

Pisan 2012 tulokset ja johtopäätökset

Pisan 2012 tulokset ja johtopäätökset Pisan 2012 tulokset ja johtopäätökset Jouni Välijärvi, professori Koulutuksen tutkimuslaitos Jyväskylän yliopisto PISA ja opettajankoulutuksen kehittäminen-seminaari Tampere 14.3.2014 17.3.2014 PISA 2012

Lisätiedot

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman

Lisätiedot

Esimerkki - Näkymätön kuu

Esimerkki - Näkymätön kuu Inversio-ongelmat Inversio = käänteinen, päinvastainen Inversio-ongelmilla tarkoitetaan (suoran) ongelman ratkaisua takaperin. Arkipäiväisiä inversio-ongelmia ovat mm. lääketieteellinen röntgentomografia

Lisätiedot

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman Viestinnän mentelmät I: sisällön erittely Juha Herkman 25.11.2010 Helsingin yliopisto, viestinnän laitos Sisällönanalyysi/sisällön erittely Sisällönanalyysi (SA), content analysis Veikko Pietilä: Sisällön

Lisätiedot

Biometriikka. Markku Metsämäki, SFS/SR 302 Biometriikka puheenjohtaja Guiart Oy suunnittelujohtaja

Biometriikka. Markku Metsämäki, SFS/SR 302 Biometriikka puheenjohtaja Guiart Oy suunnittelujohtaja Biometriikka, SFS/SR 302 Biometriikka puheenjohtaja Guiart Oy suunnittelujohtaja SFS on jäsenenä kansainvälisessä standardisoimisjärjestössä ISOssa (International Organization for Standardization) ja eurooppalaisessa

Lisätiedot

VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA

VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA VAPAAEHTOISILLA TEHTY TESTIMITTAUS HARMONIFIN TM SUOJAAVIEN VAIKUTUKSIEN SELVITTÄMISEKSI SÄHKÖMAGNEETTISEN KENTÄN MILLIMETRIN AALLONPITUUSALUEELLA ELIMISTÖSI HARMONIASSA Email: info@nanosmart.fi Web: www.nanosmart.fi

Lisätiedot

Tuorein tieto ja ohjeistus työn tukena. Jarmo Salo

Tuorein tieto ja ohjeistus työn tukena. Jarmo Salo Tuorein tieto ja ohjeistus työn tukena Jarmo Salo (jarmo.salo@thl.fi) 12.11.2013 1 Taustaa Neuvolatyössä käytettävien menetelmien ja käytäntöjen on perustuttava parhaaseen mahdolliseen näyttöön 13.11.2013

Lisätiedot

Tohtorixi. Pasi Tyrväinen , Päivitetty Prof. Digital media

Tohtorixi. Pasi Tyrväinen , Päivitetty Prof. Digital media Tohtorixi 9.2. 2004, Päivitetty 9.1. 2005 http://www.jyu.fi/~pttyrvai/papers/tohtorixi.pdf Pasi Tyrväinen Prof. Digital media email: Pasi.Tyrvainen@jyu.fi Tutkinnon sisältö Tohtori Väitöskirja Lisensiaattityö

Lisätiedot

DIPLOMITYÖ ARI KORHONEN

DIPLOMITYÖ ARI KORHONEN DIPLOMITYÖ ARI KORHONEN TEKNILLINEN KORKEAKOULU Diplomityö Tietotekniikan osasto 20.5.1997 Ari Korhonen WORLD WIDE WEB (WWW) TIETORAKENTEIDEN JA ALGORITMIEN TIETOKONEAVUSTEISESSA OPETUKSESSA Työn valvoja

Lisätiedot

Havaitsevan tähtitieteen peruskurssi I

Havaitsevan tähtitieteen peruskurssi I Havaintokohteita 9. Polarimetria Lauri Jetsu Fysiikan laitos Helsingin yliopisto Havaintokohteita Polarimetria Havaintokohteita (kuvat: @phys.org/news, @annesastronomynews.com) Yleiskuvaus: Polarisaatio

Lisätiedot

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman

Viestinnän mentelmät I: sisällön erittely. Sisällönanalyysi/sisällön erittely. Sisällön erittely. Juha Herkman Viestinnän mentelmät I: sisällön erittely Juha Herkman 10.1.008 Helsingin yliopisto, viestinnän laitos Sisällönanalyysi/sisällön erittely Sisällönanalyysi (SA), content analysis Veikko Pietilä: Sisällön

Lisätiedot

Kone- ja rakentamistekniikan laboratoriotyöt KON-C3004. Koesuunnitelma: Paineen mittaus venymäliuskojen avulla. Ryhmä C

Kone- ja rakentamistekniikan laboratoriotyöt KON-C3004. Koesuunnitelma: Paineen mittaus venymäliuskojen avulla. Ryhmä C Kone- ja rakentamistekniikan laboratoriotyöt KON-C3004 Koesuunnitelma: Paineen mittaus venymäliuskojen avulla Ryhmä C Aleksi Mäki 350637 Simo Simolin 354691 Mikko Puustinen 354442 1. Tutkimusongelma ja

Lisätiedot

Verkostoanalyysi yritysten verkostoitumista tukevien EAKRhankkeiden arvioinnin menetelmänä. Tamás Lahdelma ja Seppo Laakso

Verkostoanalyysi yritysten verkostoitumista tukevien EAKRhankkeiden arvioinnin menetelmänä. Tamás Lahdelma ja Seppo Laakso Verkostoanalyysi yritysten verkostoitumista tukevien EAKRhankkeiden arvioinnin menetelmänä Tamás Lahdelma ja Seppo Laakso Euroopan aluekehitysrahasto-ohjelmien arviointi alueellisten osaamisympäristöjen

Lisätiedot

NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI. EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.

NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI. EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9. NÄYTÖN ARVIOINTI: SYSTEMAATTINEN KIRJALLISUUSKATSAUS JA META-ANALYYSI EHL Starck Susanna & EHL Palo Katri Vaasan kaupunki 22.9.2016 Näytön arvioinnista Monissa yksittäisissä tieteellisissä tutkimuksissa

Lisätiedot

Indoor Environment 2011-2015

Indoor Environment 2011-2015 Indoor Environment 2011-2015 18.4.2013 Risto Kosonen Ohjelma on investointinäkökulmasta edennyt pääosin suunnitelman mukaisesti Työpaketti Kumulatiiviset kustannukset 1.5.2011 31.8.2012 Kumulatiiviset

Lisätiedot

LAADULLISEN TUTKIMUKSEN OMINAISLAATU

LAADULLISEN TUTKIMUKSEN OMINAISLAATU LAADULLINEN TUTKIMUS Hanna Vilkka 1 LAADULLISEN TUTKIMUKSEN OMINAISLAATU Hermeneuttinen tieteenihanne: intentionaaliset selitykset, subjektiivisuus, sanallinen/käsitteellinen tarkastelutapa, metodien moneus.

Lisätiedot

T3.2.1 Raportti, Fujitsu PalmSecure biometrinen tunnistus

T3.2.1 Raportti, Fujitsu PalmSecure biometrinen tunnistus T3.2.1 Raportti, Fujitsu PalmSecure biometrinen tunnistus Fujitsu PalmSecure on biometrinen tunnistin, jonka avulla henkilö voidaan tunnistaa kämmentä lukemalla. Tunnistimelle luvataan parempaa tunnistustarkkuutta

Lisätiedot

Lauseen erikoistapaus on ollut kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa seuraavassa muodossa:

Lauseen erikoistapaus on ollut kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa seuraavassa muodossa: Simo K. Kivelä, 13.7.004 Frégier'n lause Toisen asteen käyrillä ellipseillä, paraabeleilla, hyperbeleillä ja niiden erikoistapauksilla on melkoinen määrä yksinkertaisia säännöllisyysominaisuuksia. Eräs

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Datan käsittely ja tallentaminen Käytännössä kaikkien mittalaitteiden ensisijainen signaali on analoginen Jotta tämä

Lisätiedot

Passihakemukseen liitettävän valokuvan on täytettävä tässä ohjeessa annetut vaatimukset.

Passihakemukseen liitettävän valokuvan on täytettävä tässä ohjeessa annetut vaatimukset. Valokuvaohje Suomessa on siirrytty 21.8.2006 uusiin passikuvavaatimuksiin, jotka perustuvat YK:n alaisen kansainvälisen siviili-ilmailujärjestön määritelmiin. Niiden tehtävänä on yhdenmukaistaa passikuvia

Lisätiedot

How to Support Decision Analysis with Software Case Förbifart Stockholm

How to Support Decision Analysis with Software Case Förbifart Stockholm How to Support Decision Analysis with Software Case Förbifart Stockholm (Valmiin työn esittely) 13.9.2010 Ohjaaja: Prof. Mats Danielson Valvoja: Prof. Ahti Salo Tausta -Tukholman ohikulkutien suunnittelu

Lisätiedot

Tietotekniikan kandidaattiseminaari

Tietotekniikan kandidaattiseminaari Tietotekniikan kandidaattiseminaari Luento 1 14.9.2011 1 Luennon sisältö Seminaarin tavoitteet Seminaarin suoritus (tehtävät) Kandidaatintutkielman aiheen valinta Seminaarin aikataulu 2 2011 Timo Männikkö

Lisätiedot

Yksityisautoilijoille ABAX AJOPÄIVÄKIRJA

Yksityisautoilijoille ABAX AJOPÄIVÄKIRJA The difference is ABAX Yksityisautoilijoille ABAX AJOPÄIVÄKIRJA The difference is ABAX 2 The difference is ABAX ABAX SÄHKÖINEN AJOPÄIVÄKIRJA Tähän esitteeseen on koottu vastauksia kysymyksiin, jotka liittyvät

Lisätiedot

83450 Internetin verkkotekniikat, kevät 2002 Tutkielma

83450 Internetin verkkotekniikat, kevät 2002 Tutkielma <Aihe> 83450 Internetin verkkotekniikat, kevät 2002 Tutkielma TTKK 83450 Internetin verkkotekniikat Tekijät: Ryhmän nro:

Lisätiedot

Firstbeat Hyvinvointianalyysi

Firstbeat Hyvinvointianalyysi Firstbeat Hyvinvointianalyysi FIRSTBEAT TECHNOLOGIESOY SYKETEKNOLOGIAA TERVEYDEN EDISTÄMISEEN JA SUORITUSKYVYN OPTIMOINTIIN Juuret fysiologisessa tutkimuksessa Perustettu Jyväskylässä vuonna 2002 Yli 15

Lisätiedot

Integrointialgoritmit molekyylidynamiikassa

Integrointialgoritmit molekyylidynamiikassa Integrointialgoritmit molekyylidynamiikassa Markus Ovaska 28.11.2008 Esitelmän kulku MD-simulaatiot yleisesti Integrointialgoritmit: mitä integroidaan ja miten? Esimerkkejä eri algoritmeista Hyvän algoritmin

Lisätiedot

Kohti tulevaisuuden terveyspalvelujärjestelmää

Kohti tulevaisuuden terveyspalvelujärjestelmää Kohti tulevaisuuden terveyspalvelujärjestelmää Sanna Salanterä ja Heikki Korvenranta 16.09.2009 Kansallisen terveydenhuollon järjestämisestä vuoteen 2015 Alueellinen organisaatio ja järjestäminen Terveyden

Lisätiedot

S Ihminen ja tietoliikennetekniikka. Syksy 2005, laskari 1

S Ihminen ja tietoliikennetekniikka. Syksy 2005, laskari 1 Syksy 2005, laskari 1 Sisältö Tarvekartoituksen periaatteet Tutkimusmenetelmät Raportin laatiminen Tehtävä Kirjaa ylös: mitä tarvekartoituksen menetelmiä tunnet? Mitä hyötyjä tai haasteita tiedät niihin

Lisätiedot

Lukutaitotutkimukset arviointiprosessina. Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi

Lukutaitotutkimukset arviointiprosessina. Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi Lukutaitotutkimukset arviointiprosessina Sari Sulkunen Koulutuksen tutkimuslaitos, JY sari.sulkunen@jyu.fi Kansainväliset arviointitutkimukset Arvioinnin kohteena yleensä aina (myös) lukutaito Kansallisista

Lisätiedot

Edistynyt teknologia, turvallinen syy valita ilmaisin

Edistynyt teknologia, turvallinen syy valita ilmaisin Liikeilmaisimet Edistynyt teknologia, turvallinen syy valita ilmaisin Valitset sitten passiivisen infrapunailmaisimen (PIR), yhdistelmäilmaisimen tai vektoritekniikalla toimivan ilmaisimen, UTC Fire &

Lisätiedot

Mat 2.4177 Operaatiotutkimuksen projektityöseminaari

Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Mat 2.4177 Operaatiotutkimuksen projektityöseminaari Kemira GrowHow: Paikallisen vaihtelun korjaaminen kasvatuskokeiden tuloksissa 21.2.2008 Ilkka Anttila Mikael Bruun Antti Ritala Olli Rusanen Timo Tervola

Lisätiedot

7.4 Variability management

7.4 Variability management 7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product

Lisätiedot

TAKAVARIKKO TULLISSA

TAKAVARIKKO TULLISSA TAKAVARIKKO TULLISSA KOHDERYHMÄ: Työ on suunniteltu lukiolaisille. Erityisesti työ soveltuu kurssille KE2. KESTO: n. 30 min. Riippuen näytteiden määrästä ja ryhmän koosta. MOTIVAATIO: Tullin haaviin on

Lisätiedot

Megatrendianalyysi. Hypermedian jatko-opintoseminaari Elisa Vuori

Megatrendianalyysi. Hypermedian jatko-opintoseminaari Elisa Vuori Megatrendianalyysi Hypermedian jatko-opintoseminaari Elisa Vuori Yleistä Megatrendianalyysi on tulevaisuudentutkimuksen menetelmä Foreseeing Extrapolation - Time series /trend-forecasting (May 1996, s.

Lisätiedot

Vertaileva lähestymistapa järven virtauskentän arvioinnissa

Vertaileva lähestymistapa järven virtauskentän arvioinnissa Vertaileva lähestymistapa järven virtauskentän arvioinnissa Vertaileva lähestymistapa järven virtauskentän arvioinnissa Sisältö: 1. Virtauksiin vaikuttavat tekijät 2. Tuulen vaikutus 3. Järven syvyyden

Lisätiedot

Markkinoiden helpoin ja käytännöllisin IP Kamera

Markkinoiden helpoin ja käytännöllisin IP Kamera No.1. Plug and Play IP Kamera Markkinoiden helpoin ja käytännöllisin IP Kamera Helppo Käyttäjän ei tarvitse tietää mitään verkkotekniikasta eikä tehdä mitään asetuksia tai porttiohjauksia reitittimeen.

Lisätiedot

Tutkimusrahoittajien ja tiedejulkaisujen vaatimukset aineistonhallinnalle

Tutkimusrahoittajien ja tiedejulkaisujen vaatimukset aineistonhallinnalle Tutkimusrahoittajien ja tiedejulkaisujen vaatimukset aineistonhallinnalle Katja Fält FT, tieteenala-asiantuntija Katja.Falt@uta.fi 26.10.2015 TIETOARKISTO www.fsd.uta.fi Aineistonhallinta Aineistonhallinnalla

Lisätiedot

Sosiaalisten verkostojen data

Sosiaalisten verkostojen data Sosiaalisten verkostojen data Hypermedian jatko-opintoseminaari 2008-09 2. luento - 17.10.2008 Antti Kortemaa, TTY/Hlab Wasserman, S. & Faust, K.: Social Network Analysis. Methods and Applications. 1 Mitä

Lisätiedot

Prospektini. Usein kysytyt kysymykset SISÄLLYS

Prospektini. Usein kysytyt kysymykset SISÄLLYS Prospektini Usein kysytyt kysymykset SISÄLLYS Prospektini - yleistä 1. Mikä on Prospektini sovellus? 2. Mistä löydän Prospektini sovelluksen ja kuinka voin ladata sen? 3. Millä laitteilla Prospektini sovellus

Lisätiedot

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Sami Hokuni 12 Syyskuuta, 2012 1/ 54 Sami Hokuni Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun Turun Yliopisto. Gradu tehty 2012 kevään

Lisätiedot

Experiment on psychophysiological responses in an economic game (valmiin työn esittely) Juulia Happonen

Experiment on psychophysiological responses in an economic game (valmiin työn esittely) Juulia Happonen Experiment on psychophysiological responses in an economic game (valmiin työn esittely) Juulia Happonen 13.01.2014 Ohjaaja: DI Ilkka Leppänen Valvoja: Prof. Raimo P. Hämäläinen Työn saa tallentaa ja julkistaa

Lisätiedot

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010 TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010 Optimaalisuus: objektiavaruus f 2 min Z = f(s) Parhaat arvot alhaalla ja vasemmalla

Lisätiedot

pitkittäisaineistoissa

pitkittäisaineistoissa Puuttuvan tiedon käsittelystä p. 1/18 Puuttuvan tiedon käsittelystä pitkittäisaineistoissa Tapio Nummi tan@uta.fi Matematiikan, tilastotieteen ja filosofian laitos Tampereen yliopisto Puuttuvan tiedon

Lisätiedot

AKATEEMISEN OSAAMISEN DOKUMENTOINTI

AKATEEMISEN OSAAMISEN DOKUMENTOINTI AKATEEMISEN OSAAMISEN DOKUMENTOINTI Tiina Kosunen tiina.kosunen@helsinki.fi Sisältö Portfolio??? Portfolion kaksi roolia Yliopistoportfolion rakenne ja sisältö Portfolio CV Hyvä / huono / turha portfolio

Lisätiedot

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on 13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu

Lisätiedot

4 Matemaattinen induktio

4 Matemaattinen induktio 4 Matemaattinen induktio Joidenkin väitteiden todistamiseksi pitää näyttää, että kaikilla luonnollisilla luvuilla on jokin ominaisuus P. Esimerkkejä tällaisista väitteistä ovat vaikkapa seuraavat: kaikilla

Lisätiedot

Laadullisen tutkimuksen piirteitä

Laadullisen tutkimuksen piirteitä Laadullisen aineiston luotettavuus Kasvatustieteiden laitos/ Erityispedagogiikan yksikkö Eeva Willberg 16.2.09 Laadullisen tutkimuksen piirteitä Laadullisessa tutkimuksessa tutkitaan ihmisten elämää, tarinoita,

Lisätiedot

Tausta tutkimukselle

Tausta tutkimukselle Näin on aina tehty Näyttöön perustuvan toiminnan nykytilanne hoitotyöntekijöiden toiminnassa Vaasan keskussairaalassa Eeva Pohjanniemi ja Kirsi Vaaranmaa 1 Tausta tutkimukselle Suomessa on aktiivisesti

Lisätiedot

Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto

Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Laskennallisen fysiikan esimerkkejä avoimesta tutkimuksesta Esa Räsänen Fysiikan laitos, Tampereen teknillinen yliopisto Julian Voss, Quantum man, 2006 (City of Moses Lake, Washington, USA) Kolme näkökulmaa

Lisätiedot

SVINGIN KIINNITYSKOHDAT

SVINGIN KIINNITYSKOHDAT Antti Mäihäniemi opettaa kesäisin Master Golfissa ja talvisin Golfin Vermon House Prona. Hän on tutkinut golfsvingiä omatoimisesti yli kymmenen vuoden ajan. Hän on oppinut, että vain kyseenalaistamalla

Lisätiedot

Toiminnanohjausjärjestelmien hyödyntäminen Suomessa 2013

Toiminnanohjausjärjestelmien hyödyntäminen Suomessa 2013 Toiminnanohjausjärjestelmien hyödyntäminen Suomessa 2013 Loppukäyttäjätutkimus, alle 500 henkilön organisaatiot Osa 1/3: Pilvipalvelujen hyödyntäminen toiminnanohjausjärjestelmissä Leena Mäntysaari, Mika

Lisätiedot

Top Analytica Oy Ab. XRF Laite, menetelmät ja mahdollisuudet Teemu Paunikallio

Top Analytica Oy Ab. XRF Laite, menetelmät ja mahdollisuudet Teemu Paunikallio XRF Laite, menetelmät ja mahdollisuudet Teemu Paunikallio Röntgenfluoresenssi Röntgensäteilyllä irroitetaan näytteen atomien sisäkuorilta (yleensä K ja L kuorilta) elektroneja. Syntyneen vakanssin paikkaa

Lisätiedot

Harjoite 9: Tavoitteenasettelu menestyksekkään kilpailemisen apuna

Harjoite 9: Tavoitteenasettelu menestyksekkään kilpailemisen apuna Kilpailemaan valmentaminen - Huipputaidot Osa 2: Taitava kilpailija Harjoite 9: Tavoitteenasettelu menestyksekkään kilpailemisen apuna Harjoitteen tavoitteet ja hyödyt Oikein toteutettu ja urheilijalle

Lisätiedot

Talouskriisit, työhyvinvointi ja työurat -hanke (2015 2017)

Talouskriisit, työhyvinvointi ja työurat -hanke (2015 2017) 5.11.15 Työntekijöiden työurapolut liikevaihdoltaan erilaisissa toimipaikoissa 199 1 Katri-Maria Järvinen, Liudmila Lipiäinen, Satu Ojala, Tiina Saari ja Pasi Pyöriä Yhteiskunta- ja kulttuuritieteiden

Lisätiedot

Kryptografiset vahvuusvaatimukset luottamuksellisuuden suojaamiseen - kansalliset suojaustasot

Kryptografiset vahvuusvaatimukset luottamuksellisuuden suojaamiseen - kansalliset suojaustasot Ohje 1 (5) Dnro: 11.11.2015 190/651/2015 Kryptografiset vahvuusvaatimukset luottamuksellisuuden suojaamiseen - kansalliset suojaustasot 1 Johdanto Tässä dokumentissa kuvataan ne kryptografiset vähimmäisvaatimukset,

Lisätiedot

T-110.460 Henkilöturvallisuus ja fyysinen turvallisuus, k-04

T-110.460 Henkilöturvallisuus ja fyysinen turvallisuus, k-04 T-110.460 Henkilöturvallisuus ja fyysinen turvallisuus, k-04 Harri Koskenranta Fyysinen turvallisuus 21.4.2004: Videovalvontajärjestelmät SUOJAUKSET UHKAT VAHINGOT TURVALLISUUSVALVONTA 21.4.2004 T-110.460

Lisätiedot

Harjoitus 7: NCSS - Tilastollinen analyysi

Harjoitus 7: NCSS - Tilastollinen analyysi Harjoitus 7: NCSS - Tilastollinen analyysi Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tilastollinen testaus Testaukseen

Lisätiedot

Johdatus tutkimustyöhön (811393A)

Johdatus tutkimustyöhön (811393A) Johdatus tutkimustyöhön (811393A) 5 op eli 128 h opiskelijan työtä 6. luento 4.10.2016 Tutkimuksen lähestymistapa osa 3 Kertausta... Miksi tutkimusta tehdään? Tuotetaan uutta tietoa Luodaan uusia käsitteitä

Lisätiedot

Aukoton havaitseminen. Varmasti luotettava. Commercial Series -liiketunnistimet

Aukoton havaitseminen. Varmasti luotettava. Commercial Series -liiketunnistimet Aukoton havaitseminen. Varmasti luotettava. Commercial Series -liiketunnistimet Havaitseminen on ensimmäinen vaihe kodin tai yrityksen ja niiden seinien sisällä olevien ihmisten ja omaisuuden suojelemisessa.

Lisätiedot

15 askelta kohti. Parempia kyselyitä ja tutkimuksia

15 askelta kohti. Parempia kyselyitä ja tutkimuksia 15 askelta kohti Parempia kyselyitä ja tutkimuksia Onnittelut! Lataamalla Webropol-tutkimusoppaan olet ottanut ensimmäisen askeleen kohti entistä parempien kyselyiden ja tutkimusten tekoa. Tämä opas tarjoaa

Lisätiedot

Ruiskuvalumuotin jäähdytys, simulointiesimerkki

Ruiskuvalumuotin jäähdytys, simulointiesimerkki Ruiskuvalumuotin jäähdytys, simuloiesimerkki School of Technology and Management, Polytechnic Institute of Leiria Käännös: Tuula Höök - Tampereen Teknillinen Yliopisto Mallinnustyökalut Jäähdytysjärjestelmän

Lisätiedot

YMPÄRISTÖMELUN MITTAUSRAPORTTI

YMPÄRISTÖMELUN MITTAUSRAPORTTI Ympäristömelu Raportti PR3231 Y01 Sivu 1 (11) Plaana Oy Jorma Hämäläinen Turku 16.8.2014 YMPÄRISTÖMELUN MITTAUSRAPORTTI Mittaus 14.6.2014 Raportin vakuudeksi Jani Kankare Toimitusjohtaja, FM HELSINKI Porvoonkatu

Lisätiedot

YLEISESITTELY: MITÄ ON AVOIN TIEDE? Ilkka Niiniluoto Helsingin yliopisto OKM:n seminaari

YLEISESITTELY: MITÄ ON AVOIN TIEDE? Ilkka Niiniluoto Helsingin yliopisto OKM:n seminaari YLEISESITTELY: MITÄ ON AVOIN TIEDE? Ilkka Niiniluoto Helsingin yliopisto OKM:n seminaari 2.12.2013 TIETEELLINEN TIETO tiedeyhteisön synty 1660-luvulla tieteellinen tieto on julkista tieteen itseäänkorjaavuus

Lisätiedot

Tutkiva toiminta luovan ja esittävän kulttuurin kehittämishaasteena. Pirkko Anttila 2006

Tutkiva toiminta luovan ja esittävän kulttuurin kehittämishaasteena. Pirkko Anttila 2006 Tutkiva toiminta luovan ja esittävän kulttuurin kehittämishaasteena Pirkko Anttila 2006 Tutkimus vs. tutkiva toiminta? Research = careful search Sana recercher (ransk.) jaettuna osiinsa on: re = intensiivisesti,

Lisätiedot

StatCrunch -laskentasovellus

StatCrunch -laskentasovellus StatCrunch -laskentasovellus Yleistä sovelluksesta StatCrunch on Integrated Analytics LLC:n valmistama sovellus tilastotieteellisten analyysien tuottamista varten. Se on verkon yli käytettävä analyysisovellus,

Lisätiedot