Savonia-ammattikorkeakoulussa kehitetään yhteistyössä poliisin ja pelastustoimen kanssa uusia älykkäitä ratkaisuja henkilöetsintään. Tarpeet voivat liittyä esimerkiksi kiireellisiin hätätilanteisiin, rikostutkintaan tai eksyneiden henkilöiden paikantamiseen. Hankkeessa hyödynnetään kehittyvää tutkimustietoa droonien ja tekoälyn mahdollisuuksista.

Dronen hyödyntäminen henkilöetsinnässä on todettu erinomaiseksi työvälineeksi. Käytännössä tällä hetkellä etsintää toteutetaan drone-lennättäjän ammattitaidon ja kokemuksen avulla. Etsintämenetelmä on aina tapauskohtainen olosuhteet, ympäristö ja etsittävä henkilö sekä käytettävissä olevan dronen ominaisuudet huomioiden. Etsintä voi tapahtua esimerkiksi vaiheittain, missä dronella suoritetaan yksi toimenpide kerrallaan ja siirrytään seuraavaan menetelmään, mikäli toimenpide ei ole tuottanut tulosta. Etsintä voidaan aloittaa nostamalla drone mahdollisimman korkealle ja ottamalla 360 asteen kuva päivänvalo tai lämpökameralla (Kuva 1). Seuraavaksi dronella etsitään todennäköisimmät selkeät kohteet, tiet, maastonmuodot, hakkuuaukot jne. vaiheittain lopulta voidaan päätyä haravoimaan ennalta määriteltyä etsintäaluetta ilmakuvan perusteella. Tuomalla ihmisen avuksi konenäkö ja automatisoimalla lennätystapa tai -reitti voidaan etsintätyötä nopeuttaa, helpottaa ja varmistaa.

Dronen hyödyntäminen henkilöetsinnässä on todettu erinomaiseksi työvälineeksi. Käytännössä tällä hetkellä etsintää toteutetaan drone-lennättäjän ammattitaidon ja kokemuksen avulla. Etsintämenetelmä on aina tapauskohtainen olosuhteet, ympäristö ja etsittävä henkilö sekä käytettävissä olevan dronen ominaisuudet huomioiden. Etsintä voi tapahtua esimerkiksi vaiheittain, missä dronella suoritetaan yksi toimenpide kerrallaan ja siirrytään seuraavaan menetelmään, mikäli toimenpide ei ole tuottanut tulosta. Etsintä voidaan aloittaa nostamalla drone mahdollisimman korkealle ja ottamalla 360 asteen kuva päivänvalo tai lämpökameralla (Kuva 1). Seuraavaksi dronella etsitään todennäköisimmät selkeät kohteet, tiet, maastonmuodot, hakkuuaukot jne. vaiheittain lopulta voidaan päätyä haravoimaan ennalta määriteltyä etsintäaluetta ilmakuvan perusteella. Tuomalla ihmisen avuksi konenäkö ja automatisoimalla lennätystapa tai -reitti voidaan etsintätyötä nopeuttaa, helpottaa ja varmistaa.

Viime vuosina tekoälypohjaiseen syväoppimiseen perustuvat menetelmät ovat mullistaneet ihmisten tunnistamisen miehittämättömien ilma-alusten tuottamasta kuvamateriaalista, ja ne mahdollistavat reaaliaikaisen havainnoinnin myös haastavissa olosuhteissa. Kansainvälisen tutkimuskirjallisuuden mukaan erityisesti konenäkötekniikkaan perustuvat YOLO-mallit ovat nousseet keskeisiksi pienikokoisten kohteiden, kuten maastossa liikkuvien tai osittain peittyneiden ihmisten havaitsemisessa(Simões et al., 2025).

Savonian Robomove-AI-hankeessa on huomattu lämpökameran mahdollisuudet henkilön etsinnässä. Etenkin syksyllä, talvella ja keväällä ympäristöä kuumemmat kohteet erottuvat selvästi muusta ympäristöstä (Kuva 2). Kun näkyvän valon kamera ja lämpökamera toimivat yhdessä, saadaan molempien teknologioiden edut käyttöön. Tämä mahdollistaa kohteiden tunnistamisen tarkemmin ja parantaa etsintätehokkuutta ympäri vuoden erilaisissa sää- ja valaistusolosuhteissa.

Itävaltalaisessa Johannes Kepler -yliopistossa on tutkittu ja kehitetty Airborne Optical Sectioning (AOS)-tekniikkaa. Tekniikka mahdollistaa kuvien yhdistämisen niin että puuston ja muun peitteisyyden vaikutusta näkyvyyteen voi vähentää, jolloin tiheässä metsämaastosta erottuu etsittävät henkilöt selkeämmin. (Amala Arokia Nathan et al., 2025; Kurmi et al., 2022) Tämän mahdollisuuden jatkokehittämistä pohdintaan myös Savonia-ammattikorkeakoulussa

Savonia-ammattikorkeakoulun Robomove-AI -hankkeen tavoitteena on tutkia ja kehittää älykästä droneteknologiaa ja maarobotiikkaa, jotka toimivat luotettavasti ja tukevat laajasti viranomaisen ja elinkeinoelämän käytännön tarpeita.

Droonit etsinnän tukena

Droonien käyttö henkilönetsinnässä on yleistynyt maailmalla ja niillä pyritään tehostamaan kadonneiden tai loukkaantuneiden henkilöiden paikantamista vaikeakulkuisissa maastoissa. Useissa tutkimuksissa on kehitetty automaattisia, syväoppimiseen ja konenäköön perustuvia menetelmiä, jotka toimivat joko maasta ohjattuna tai täysin autonomisesti.

Eräässä tutkimuksessa hyödynnettiin TinyYolo-konenäköominaisuutta, joka on koulutettu erityisesti henkilöiden tunnistamiseen dronekuvissa. Järjestelmä toimi itsenäisesti ilman yhteyttä maassa olevaan ohjaajaan ja mahdollisti reaaliaikaisen etsinnän drooniparvessa (McClure & Sahin, 2019).

Toisessa tutkimuksessa käytettiin konenäkö-mallia (YOLOv5), jossa simuloiduilla etsintätilanteilla, etsittiin nukkeja ihmisten sijasta. Tutkimuksen mukaan mallin suorituskyky parani merkittävästi, kun kuvauksessa käytettiin 6 kertaisen zoomin tasoa ja malli kykeni käsittelemään noin 23 kuvaa sekunnissa. Tämä kuvaustaso on välttämätöntä reaaliaikaiseen etsintään. (Fadheli et al., 2024)

Käytännön etsintätilanteet: dataa viranomaisoperaatioista

Myös reaaliaikaisista viranomaisoperaatioista on saatu merkittävää tutkimustietoa. Suomalaisissa julkaisuissa on tarkasteltu UAV-järjestelmien käyttöä pelastustoiminnassa ja tilanteen havainnoinnissa. Vuonna 2024 tehdyn opinnäytetyön analyysin mukaan droonien tuottama lämpö- ja sensoridata voi tehostaa riskianalyysiä ja operatiivista toimintaa pelastustehtävissä, mikä parantaa tilannekuvaa ja turvallisuutta (Niskanen, 2024). Toisessa opinnäytetyössä todettiin, että UAV-teknologia voi integroitua etsintä- ja pelastusoperaatioihin siten, että se lisää etsinnän tehokkuutta ja päätöksenteon laatua (Zherebtsov, 2024).

Eräässä puolalaisessa tutkimuksessa analysoitiin palontorjuntayksiköiden UAV-toimintaa vuosina 2021–2023. Droonien avulla pelastushenkilöstö pystyi muodostamaan tarkemman ja nopeamman tilannekuvan, mikä tuki päätöksentekoa ja resurssien kohdentamista. Lisäksi UAV-laitteiden käyttö lisäsi pelastajien turvallisuutta, koska riskialueita voitiin kartoittaa ilman välitöntä henkilöriskiä. Tutkimuksessa havaittiin myös, että droonien käyttö on kustannustehokasta ja niiden operointi voidaan integroida pelastustehtäviin suhteellisen vähäisellä lisäkoulutuksella. Artikkeli suosittaa droonien käytön laajentamista ja yhtenäisten toimintamallien kehittämistä, jotta teknologian potentiaali voitaisiin hyödyntää täysimääräisesti etsintä- ja pelastustoiminnassa.

(Kubiak et al., 2025).

Tulokset osoittivat, että droonien käyttö etsinnässä lisääntyi vuosittain, ja droonien avulla toteutettuja operaatioita oli kolmen vuoden aikana 780. Näistä 36,2 % liittyi kadonneiden henkilöiden etsintään. Keskimääräinen droonien käyttöaika oli huomattava (yli 300 minuuttia), mikä korostaa laitteiden, akkujen ja yhteyksien kehittämisen tarvetta. Etsintäoperaatiot suuntautuivat erityisesti metsiin, vesistöihin ja jokiympäristöihin (Kubiak et al., 2025). Vertailuna Suomessa poliisilla oli vuonna 2025 yhteensä yli 6500 operatiivista lentoa. Näistä erilaisia etsintätehtäviä oli yli puolet (3410 kpl). Keskimääräinen lentoaika poliisin tehtävillä oli 25,6 minuuttia. (Suomen poliisin tilasto, 3.2.2026)

Konenäkö haastavissa olosuhteissa. Mikä toimii parhaiten?

Etsintä- ja pelastustoiminnan kannalta kuvamateriaalin automaattinen analysointi on kriittistä, koska ihminen ei pysty nopeasti käymään läpi suuria määriä videota. Deep learning (DL) -malleja hyödyntävissä tutkimuksissa on vertailtu useita huipputason objektinhavaitsemismalleja, kuten Faster R-CNN, RetinaNet, Cascade R-CNN ja YOLO. Näistä YOLO-kehys on kirjallisuudessa yleisimmin käytetty, erityisesti niiden reaaliaikaiseen käyttöön soveltuvan laskentanopeuden vuoksi.

Kattavat analyysit kuitenkin osoittavat, että etsintä- ja pelastustoimintaan (SAR) soveltuvin ratkaisu ei perustu yhteen yleiskäyttöiseen arkkitehtuuriin, vaan pitkälle erikoistuneisiin ja kevyisiin syviin konenäkötekniikoihin (Deep CNN). (Bany Abdelnabi & Rabadi, 2024; Sambolek & Ivasic-Kos, 2021). Näiden mallien tulisi olla räätälöityjä tiettyihin onnettomuusympäristöihin ja optimoituja ensisijaisesti korkean tarkkuuden saavuttamiseksi, sillä väärät positiiviset havainnot kuluttavat kriittistä aikaa ja rajallisia resursseja. Kevyen ja erikoistuneen mallisuunnittelun korostaminen on siten keskeistä resurssirajoitteisilla UAV-alustoilla tapahtuvan tehokkaan ja reaaliaikaisen laskennan mahdollistamiseksi.

Yhteenveto, tekoälyn ja droonien liitto vahvistuu

Tutkimusten perusteella voidaan todeta, että droonien ja kehittyneiden konenäkömenetelmien yhdistäminen tarjoaa huomattavia mahdollisuuksia henkilöetsinnän tehostamiseen. Menetelmät nopeuttavat suurten alueiden läpikäyntiä, parantavat havaintojen tarkkuutta ja tuovat reaaliaikaisia ratkaisuja viranomaisille. Samalla käytännön haasteet, esimerkiksi pitkäkestoiset operaatiot, yhteydenpito, akunkesto ja datansiirto edellyttävät jatkotutkimusta ja teknistä kehitystä.

Savonia-ammattikorkeakoulun, poliisin ja pelastustoimen yhteistyö (Kuva 3) asettuu osaksi kansainvälistä kehitystä, jossa nykyaikaiset tekoälyyn perustuvat järjestelmät voivat tulevaisuudessa tehdä etsintäoperaatioista nopeampia, turvallisempia ja vaikuttavampia ja parhaimmillaan pelastaa ihmishenkiä.

---

Kirjoittajat

Tolonen, Marko, lehtori, Savonia-ammattikorkeakoulu

Maskulainen, Paavo. TKI projektipäällikkö, Savonia-ammattikorkeakoulu

Jakorinne, Asmo, TKI asiantuntija, Savonia-ammattikorkeakoulu

Savolainen, Timo, TKI asiantuntija, Savonia-ammattikorkeakoulu

Geisler, Johannes, TKI asiantuntija, Savonia-ammattikorkeakoulu

---

Lähteet

Amala Arokia Nathan, R. J., Strand, S., Mehrwald, D., Shutin, D., & Bimber, O. (2025). An autonomous drone swarm for detecting and tracking anomalies among dense vegetation. Communications Engineering, 4(1), 205. https://doi.org/10.1038/s44172-025-00546-8

Bany Abdelnabi, A. A., & Rabadi, G. (2024). Human Detection From Unmanned Aerial Vehicles’ Images for Search and Rescue Missions: A State-of-the-Art Review. IEEE Access, 12, 152009–152035. https://doi.org/10.1109/ACCESS.2024.3479988

Fadheli, H., Ahmad Khalid, S. K., & Mohd Fadzil, L. (2024). A Non-GPS Return to Home Algorithm for Drones using Convolutional Neural Network. Journal of Advanced Research in Applied Sciences and Engineering Technology, 51(1), 15–27. https://doi.org/10.37934/araset.51.1.1527

Kubiak, T., Dudzinski, L., Fellner, R., Feltynowski, M., & Czyżewski, Ł. (2025). Use of unmanned aerial vehicles by the entities of National Firefighting and Rescue System in Poland to search for people – a review of interventions performed in the years 2021–2023. International Journal of Emergency Services, 14(1), 41–51. https://doi.org/10.1108/IJES-05-2024-0037

Kurmi, I., Schedl, D. C., & Bimber, O. (2022). Combined person classification with airborne optical sectioning. Scientific Reports, 12(1), 3804. https://doi.org/10.1038/s41598-022-07733-z

McClure, J., & Sahin, F. (2019). A Low-Cost Search-and-Rescue Drone for Near Real-Time Detection of Missing Persons. 2019 14th Annual Conference System of Systems Engineering (SoSE), 13–18. https://doi.org/10.1109/SYSOSE.2019.8753882

Niskanen, M. (2024). Droonien tuottaman datan hyödyntäminen pelastustoimessa. Theseus.Fi.

Sambolek, S., & Ivasic-Kos, M. (2021). Automatic Person Detection in Search and Rescue Operations Using Deep CNN Detectors. IEEE Access, 9, 37905–37922. https://doi.org/10.1109/ACCESS.2021.3063681

Simões, D. P., Oliveira, H. C. de, Marsico, S., Souza, J. R. de, & Barbosa, L. A. (2025). Human detection in UAV imagery using deep learning: a review. Neural Computing and Applications, 37(22), 18109–18150. https://doi.org/10.1007/s00521-025-11446-5

Suomen poliisin tilasto, 3.2.2026. Itä-Savon poliisi 2026

Zherebtsov, V. (2024). Unmanned aerial vehicles in search and rescue operations. LUT University.