يعد عدد الشظايا في اختبار التجزئة القياسي في المعيار EN 12150-1 هو الطريقة لتحديد مستوى أمان الزجاج المقسى وطريقة للحصول أيضًا على إشارة حول مستوى الضغط والقوة للزجاج المقسى.
على الرغم من أن طريقة حساب عدد الأجزاء محددة في المعيار بالمثال، فإن النتيجة الفعلية تعتمد دائمًا على الفاحص.ولجعل عملية العد متسقة عبر الامتحانات والممتحنين، هناك حاجة إلى عملية تلقائية لعد الأجزاء.وهذا يجعله تطبيقًا مثاليًا لنظام رؤية الكمبيوتر نظرًا لأن الكمبيوتر لا يتعب أبدًا أو يفقد موضوعيته.أنظمة العد الآلي للأجزاء موجودة بالفعل، ولكن لديها قيود شديدة

أحدثت الأدوات والتقنيات الحديثة ثورة في مجال رؤية الكمبيوتر في السنوات الأخيرة.ويرجع ذلك أساسًا إلى التقدم في الشبكات العصبية التلافيفية، والتي تعتبر مناسبة بشكل خاص لاستخراج الأنماط والمعلومات من الصور المرئية.ولجعل أنظمة عد الأجزاء أكثر مرونة وأسرع وأرخص، تسمح هذه التطورات الحديثة في رؤية الكمبيوتر بتنفيذ نظام رؤية الكمبيوتر الآلي حتى على الهاتف الذكي المحمول.

مقدمة
يتم إنتاج الزجاج المقسى من خلال عملية المعالجة الحرارية حيث يتم تسخين لوح الزجاج أولاً إلى ما بعد درجة الحرارة الانتقالية ومن ثم يتم تبريده بسرعة لإنتاج تدرج في درجة الحرارة من خلال السُمك.الهدف هو تجميد الزجاج عندما يكون للزجاج تدرج في درجة الحرارة، وبعد ذلك عندما تصبح درجة الحرارة موحدة، تكون الحالة المتبقية عبارة عن شكل ضغط مكافئ من خلال سمك الزجاج.يتعرض الزجاج المقسى للضغط على السطح وفي حالة توتر في قلب الزجاج.

يتمتع الزجاج المقسى بميزتين مقارنة بالزجاج المصقول الملدن.أولاً، تزداد قوة الزجاج في الانحناء والصدمات مع إجهاد الضغط في السطح، وثانيًا، عند كسر الزجاج ينكسر إلى جزيئات صغيرة غير ضارة بسبب طاقة الانفعال العالية المستحثة.ونظرًا لهذه المزايا، يُطلق على الزجاج المقسى أيضًا اسم زجاج الأمان.

إن الاختبار المدمر والتفتت الناتج عن الكسر هو الطريقة لتحديد مستوى الضغط والسلامة للزجاج المقسى.ويبين التجزئة عدة أشياء من الضغوط، على سبيل المثال، مستوى الإجهاد وانتظام الضغوط.في المعيار EN 12150-1 [1] تم تحديد اختبار التثقيب حيث يتم صدم الزجاج المقسى بحجم 1100 × 360 مم² بأداة مدببة عند النقطة الوسطى لأطول حافة.

من نمط الكسر، يتم حساب عدد الجسيمات في مساحة 50 × 50 مم² من الحد الأدنى لمنطقة عدد الشظايا.تحدد المواصفة الحد الأدنى لمستوى القطع لسماكات الزجاج المختلفة من أجل سلامة الزجاج المعماري.يتمتع زجاج السيارات بمعيار ECE R43 [2] مماثل للتجزئة الآمنة.بالمقارنة مع معيار EN 12150-1، في معيار ECE R43، يتأثر الزجاج في المنطقة المركزية للزجاج.

تمت دراسة تفتيت الزجاج وارتباطه بمستوى الإجهاد بالفعل في ستينيات القرن العشرين، ومن الأمثلة على ذلك النتائج المعروفة التي توصل إليها أكيوشي وآخرون.[3].وقد حددوا العلاقة بين عدد الشظايا ومستوى إجهاد الشد في المستوى المتوسط ​​لسمك زجاجي مختلف يتراوح بين 1.8 ملم و8.2 ملم.

وفي عام 1968، نشر برسوم [4] أيضًا نتائج حول العلاقة بين توتر المركز ومتوسط ​​وزن الجسيمات في الزجاج المقسى.في الآونة الأخيرة، تم نشر دراسات من قبل بورمقدم وشنايدر [5] وبورمقدم وآخرين.[6] والتي تحدد العلاقة بين مستوى الإجهاد والتجزئة كما تتنبأ أيضًا بشكل وتوزيع الأجزاء بناءً على مستوى الإجهاد ونقطة التأثير.

إن إحصاء الشظايا هو في الأساس مهمة بصرية، حيث يستخدم المشغل البشري عقله بكفاءة عالية لفصل الشظايا الفردية عن الزجاج المكسور.بالنسبة للإنسان، تبدو هذه المهمة سهلة للغاية ومن السهل أن ننسى كيف تتطلب مثل هذه المهمة قدرات متطورة جدًا ومتطورة للتعرف على الأنماط، وهو الغرض نفسه الذي تطورت أدمغتنا من أجله.تعريف حساب عدد الأجزاء بسيط ويظهر كمثال في المعيار EN 12150-1 [1].

ومع ذلك، على الرغم من أن المهمة قد تبدو سهلة، إلا أنها شاقة للغاية وتستغرق وقتًا طويلاً.كما أن عملية العد متكررة للغاية وعرضة للأخطاء البشرية بسبب قلة التركيز والتعب.ونتيجة لذلك، من الممكن أن يختلف عد النتائج بين الممتحنين.على وجه الخصوص، عندما يكون عدد الأجزاء مرتفعًا، يكون حجم الأجزاء صغيرًا وقد يكون من الصعب بالعين البشرية تحديد الأجزاء الأصغر التي يجب حسابها وأي الأجزاء موجودة داخل منطقة العد.

في العملية الآلية التقليدية، تتم معالجة صورة نمط التجزئة وتحليلها باستخدام أدوات تحليل الصور [7].توجد معدات لحساب الأجزاء تلقائيًا بناءً على تحليل الصور مثل CulletScanner من SoftSolution وFROG: أداة التعرف على الأجزاء من الزجاج من Deltamax.

في الآونة الأخيرة، أحدث التعلم الآلي ثورة في مجال رؤية الكمبيوتر، حيث أصبحت الشبكات العصبية العميقة قادرة على تعلم تمثيلات مجردة للغاية للبيانات الأساسية.وهذا يوفر أدوات جديدة لتحليل أنماط التجزئة.ومع ذلك، تحتاج الشبكات العصبية العميقة إلى كمية لا بأس بها من البيانات المشروحة جيدًا.هذا هو الجزء الذي يستغرق وقتًا طويلاً لصنع نموذج جيد لحساب الجسيمات.

ينصب التركيز في هذه الورقة على تقديم طريقة جديدة لحساب الأجزاء الموجودة في الزجاج المقسى باستخدام أحدث التطورات في مجال التعلم الآلي.كما تم عرض أهمية شرح البيانات للتعلم العميق.قبل فصل التعلم الآلي، يتم عرض الخلفية حول كسر الزجاج لفهم مشاكل حساب عدد الأجزاء في الزجاج المقسى بشكل أفضل.

نظرية تفتيت الزجاج
يعتمد تفتيت الزجاج بعد الكسر بشكل أساسي على الإجهاد.في عملية التجزئة يمكن تقسيم نمو الشقوق إلى قسمين.أولاً، يحتاج الزجاج إلى مستوى ضغط مرتفع بدرجة كافية حتى تنمو الشقوق تلقائيًا.مستوى الضغط هذا مطلوب بالفعل من الزجاج المقوى بالحرارة عندما تنمو جميع الشقوق إلى الحافة.ثانيا، من الزجاج المقسى، هناك حاجة إلى تشعب الشقوق لزيادة عدد الشظايا.تحتاج ظاهرة التشعب هذه إلى مستوى إجهاد مستحث أعلى.[8]

تؤثر نقطة الكسر الأولية والدعم الخارجي أو القوة على تفتيت الزجاج.هذه الأشياء لها تأثير على توزيع الضغط على أطراف الشقوق ونتيجة لذلك يتغير نمط التجزئة.[8،9] ونتيجة لهذا، يتم تعريف نقطة الكسر الأولية في المعيار.يتم ضبط الوقت بعد الكسر الذي يجب أن يتم فيه حساب عدد الأجزاء على 3 إلى 5 دقائق في معيار EN 12150-1 [1].من المهم أيضًا أخذ هذا في الاعتبار لأنه بعد انتشار الشقوق الأولي، تتشكل شقوق ثانوية.عادة ما تكون هذه الشقوق الثانوية متعامدة مع حواف الشقوق الأولية ويعتمد عددها أيضًا على حالة الإجهاد الأولية.

تجزئة النظارات الرقيقة والسميكة متشابهة.ومع ذلك، بالنسبة للنظارات السميكة، تكون حواف الشقوق أكثر خشونة من النظارات الرقيقة.أيضًا، بالنسبة للزجاج السميك، يمكن إمالة سطح حافة الكسر.يتم عرض نمط الكسر النموذجي للنظارات ذات السمك الاسمي 4 مم و10 مم لاحقًا كمثال في الشكلين 9 و10، على التوالي.تتسبب حافة الشق الأكثر خشونة في ظهور خط صدع أوسع ويمكن رؤية سطح الشق المائل كمنطقة بيضاء بسبب الانعكاس العالي المتناثر للضوء من سطح الشق.يمكن أن يؤثر كلاهما على عدد الأجزاء.

أحد الأساليب المتبعة لحساب عدد الشظايا هو تحديد العلاقة بين مستوى الضغط المتبقي للزجاج وعدد الشظايا.وهذا أمر مهم إذا تم استخدام معدات قياس الضغط البصري لفحص جودة الزجاج المقسى.يظهر الشكل 1 العلاقة بين منظار استقطاب الضوء المبعثر (SCALP-05) [10] الذي تم قياسه لإجهاد الشد في منتصف المستوى ورقم الجزء المحسوب. ويتم إجراء الاختبارات باستخدام أحجام زجاجية تبلغ 1100 × 360 مم².تتم مقارنة البيانات التجريبية بالبيانات التي أجراها Akeyoshi et al.[3].النتائج التجريبية التي أجراها المؤلفون تعطي مستوى تجزئة أعلى للنظارات مقارنة بالبيانات التي أجراها أكيوشي وآخرون.[3].

الشكل 1. العلاقة بين إجهاد الشد في منتصف المستوى وعدد الأجزاء في مساحة 50 × 50 مم2.النتائج التجريبية لسمك الزجاج الاسمي 4 مم و6 مم و8 مم و10 مم (النقاط) وبيانات المقارنة من Akeyoshi et al.[3] لسمك الزجاج 1.8 مم، 3.0 مم، 3.4 مم، 4.9 مم و8.2 مم.
الشكل 1. العلاقة بين إجهاد الشد في منتصف المستوى وعدد الأجزاء في مساحة 50 × 50 مم2.النتائج التجريبية لسمك الزجاج الاسمي 4 مم و6 مم و8 مم و10 مم (النقاط) وبيانات المقارنة من Akeyoshi et al.[3] لسمك الزجاج 1.8 مم، 3.0 مم، 3.4 مم، 4.9 مم و8.2 مم.

أتمتة عد الأجزاء من خلال الرؤية الآلية
سيطرت الشبكات العصبية التلافيفية (CNN) لفترة طويلة على مجال تصنيف الصور والتعرف على الكائنات.في عام 2012، وصلت الشبكة العصبية التلافيفية العميقة (DCNN) لأول مرة إلى أحدث أداء في مسابقة ImageNet للتعرف البصري على نطاق واسع (ILSVRC) [11].كان الاختراق الذي حققته شبكات DCNN هو أنه لم تعد هناك حاجة إلى ميزات متطورة مصنوعة يدويًا لمساحة الإدخال.

قبل التعلم العميق، كان مسار تصنيف الصور النموذجي يتكون من مصنف تم تدريبه باستخدام الميزات المصنوعة يدويًا.يواجه هذا بعض المشكلات نظرًا لأن البشر ليسوا بالضرورة فعالين جدًا في تحديد الميزات التي تميز فئات الإدخال بشكل أفضل.وتتمثل ميزة التعلم العميق في أن الميزات الخاصة بالمهمة يتم استخراجها تلقائيًا بواسطة الشبكة ويمكن تدريبها بشكل مباشر من البداية إلى النهاية، بدءًا من صور الإدخال وحتى فئات الإخراج.

ومع ذلك، فإن تجزئة شظايا الزجاج ليست مجرد مشكلة في تصنيف الصور.بل هي مشكلة تصنيف بكسل.تسمى العملية التي يتم فيها تصنيف كل بكسل في الصورة المدخلة إلى فئة معينة بالتجزئة الدلالية.بعد اختراق التعلم العميق، لم يستغرق الأمر وقتًا طويلاً حتى يمكن نقل التقنيات الجديدة من تصنيف الصور إلى التجزئة الدلالية.

المشكلة هي أن شبكات التصنيف لديها دقة إخراج منخفضة للغاية حيث يتم تعريف الإخراج ببساطة على أنه ناقل لاحتمالات الفئة.ومع ذلك، في التجزئة الدلالية، يجب أن تكون دقة الإخراج عالية مثل دقة صورة الإدخال.العمل الذي قام به لونغ وآخرون.[12] أظهر أنه يمكن نقل شبكات التصنيف الحالية إلى شبكات التجزئة الدلالية.تم ذلك عن طريق صب التصنيف في شبكات عصبية متصلة بالكامل (FCNN) عن طريق إضافة الاختزال داخل الشبكة وفقدان البكسل.

العمل الذي قام به لونغ وآخرون.كان لا يزال مجرد خطوة أولى نحو التجزئة الدلالية عالية الأداء.ومنذ ذلك الحين، عملت الشبكات الأكثر تطورًا على دفع الأداء المتطور بشكل مستمر.اعتبارًا من عام 2018، كانت شبكة التجزئة الدلالية الأفضل أداءً هي DeepLab v3+ من Google [13]، والتي تم اعتمادها أيضًا في هذا العمل لمهمة تجزئة أجزاء الزجاج.

نظرية
يتم عرض النظرية الكامنة وراء خط أنابيب عد الأجزاء المستخدم في هذا العمل في الشكل 2. ويتكون خط الأنابيب من نظام DeepLab v3+ من Google لإجراء التجزئة وخوارزمية المعالجة اللاحقة للقيام بالعد الفعلي.

الشكل 2. خط أنابيب عد الأجزاء.
الشكل 2. خط أنابيب عد الأجزاء.
تعد كتلة DCNN وASPP وDECODER في الشكل 2 أجزاء من نظام DeepLab v3+.جهاز التشفير عبارة عن شبكة عصبية تلافيفية عميقة قياسية تُستخدم كميزة لاستخراج جزء من الشبكة.على وجه الخصوص، يتم استخدام بنية الشبكة المتبقية [14] في هذا العمل.يتم توجيه مخرجات برنامج التشفير إلى وحدة تجميع الهرم المكاني (ASPP)، والتي تقوم بأخذ عينات من خريطة المعالم مع مجالات استقبال مختلفة (مجال الرؤية) لالتقاط السياق متعدد النطاق.

يتم استخدام وحدة فك التشفير لاستعادة الدقة المكانية لصورة الإدخال.يجمع جهاز فك التشفير بشكل أساسي بين المعلومات الدلالية الغنية والمنخفضة الدقة من وحدة ASPP مع المعلومات المكانية عالية الدقة من وحدة التشفير.والنتيجة هي قناع تجزئة عالي الدقة لصورة الإدخال الأولية الأصلية.

تتم معالجة قناع التجزئة الذي يقدمه نظام DeepLab بشكل إضافي للحصول على عدد الأجزاء.يتم تحديد عتبة كل مثيل للجزء بحيث تتم إزالة أي اتصالات صغيرة بين الأجزاء المتجاورة.بعد ذلك، يمكن الحصول على عدد الأجزاء بشكل تافه عن طريق حساب كل منطقة متصلة في قناع التجزئة الثنائي.

شرح البيانات
تعتمد الشبكات العصبية الحديثة للتعلم العميق بشكل كبير على كمية البيانات التي يمكنها استخدامها أثناء التدريب.يقومون بضبط تمثيلهم الداخلي للمشكلة من خلال التكرار على مجموعة البيانات عدة مرات.مع وجود بيانات متفرقة جدًا، يؤدي هذا إلى نموذج محتمل مفرط التجهيز لم يتعلم سوى مجموعة محددة جدًا من البيانات.عادة ما يكون هذا النوع من النماذج غير قادر على التعميم على نطاق المشكلة بأكمله، مما يجعله غير قابل للاستخدام في نطاق أوسع من التطبيقات.

هذه الحالة لا تختلف.ومع ذلك، في حالة تجزئة أجزاء الزجاج، تكون مجموعة البيانات أبسط بكثير من الصور العامة التي تم جمعها من الإنترنت على سبيل المثال.في تجزئة الزجاج، يتم عرض فئة واحدة فقط من الكائنات: القطعة نفسها.يجب أن يتعلم نموذج الشبكة العصبية كيفية التمييز بين المناطق المجزأة وغير المجزأة.ومن الأمثلة على مجموعة البيانات الأكثر تعقيدًا والمستخدمة على نطاق واسع ImageNet، والتي تحتوي على أكثر من 15 مليون صورة تنتمي إلى ما يقرب من 22000 فئة مختلفة [15].يتم جمع الصور من الإنترنت والتعليق عليها من قبل البشر.أظهرت الشبكات العصبية الحديثة أداءً على المستوى البشري حتى في مجموعات البيانات الصعبة للغاية مثل ImageNet [16].

يستغرق شرح البيانات وقتًا طويلاً ومكلفًا للغاية نظرًا للحاجة إلى العمالة البشرية.عادة ما تكون كمية البيانات بمثابة عنق الزجاجة في أداء النموذج، خاصة عند تطبيقها على مهمة محددة ولا يمكن استخدام مجموعات البيانات المتاحة مجانًا.تجزئة الزجاج مثال على هذه المشكلة.لكي يتعلم النموذج كيفية تقسيم الأجزاء، يجب أن يُعرض عليه العديد من الأمثلة على التجزئة الصحيحة أو الحقيقة الأساسية.

عملية الشرح
في الشكل 3، تظهر أمثلة على تجزئة الحقيقة الأرضية.هذه الأمثلة من صنع الإنسان، وتتطلب كل عينة حوالي 10-30 دقيقة من الوقت، اعتمادًا على خبرة المُعلق.عملية التعليق التوضيحي بسيطة للغاية: يتم تصنيف كل جزء بمضلع من خلال تحديد رؤوسه.

وكما يتبين من العينات، فإن العملية أيضًا ذاتية للغاية.يقوم كل شخص بالتجزئة بشكل مختلف بعض الشيء.ومع ذلك، يجب أن يتم التعليق التوضيحي بحيث يتم ترك فجوات واسعة بما فيه الكفاية بين أي مضلعات متجاورة.وهذا يفرض على النموذج فصل القطع المتجاورة بشكل موثوق، وهو أمر بالغ الأهمية للحصول على كميات مثل عدد القطع.في الصورة الأولية، قد يبلغ عرض حافة الجزء في بعض الأحيان بضع وحدات بكسل فقط ولا يمكن تمييزها عمليًا عن الخلفية.في هذه الحالات، يتم ترك فجوات أوسع بين مضلعات التسمية.

الشكل 3. عينات من الصور الخام وما يقابلها من شروح الحقيقة الأرضية لفئات زجاجية مختلفة.
الشكل 3. عينات من الصور الخام وما يقابلها من شروح الحقيقة الأرضية لفئات زجاجية مختلفة.

تجربة على ذاتية عد الأجزاء
مهمة عد الأجزاء هي ذاتية للغاية بطبيعتها.ليس من الواضح في كثير من الأحيان أي مناطق من الزجاج المكسور يمكن اعتبارها شظايا فردية، وحتى المعيار لا يعطي تعليمات لا لبس فيها بشأنها.ولذلك، فإن الشخص الفعلي الذي يقوم باختبار التجزئة يمكن أن يكون له تأثير كبير على عدد الأجزاء حتى عندما يتم حساب الأجزاء من نفس المنطقة.والأكثر من ذلك، يتم تقديم الاختلاف، عندما يُطلب من الأفراد اختيار المنطقة ذات الأجزاء الأقل.في الشكل 4، يتم عرض مجال الاهتمام لاختبار التجزئة المحدد بواسطة معيار EN 12150-1 [1].

الشكل 4. مجال الاهتمام في تحليل التجزئة.وينبغي إدراج جميع المناطق الموجودة داخل الخط المتقطع في التحليل.
الشكل 4. مجال الاهتمام في تحليل التجزئة.وينبغي إدراج جميع المناطق الموجودة داخل الخط المتقطع في التحليل.
تم التحقيق تجريبيا في الطبيعة الذاتية لحساب الأجزاء.كان الهدف من التجربة هو دراسة التباين في أعداد الشظايا عبر العديد من الفاحصين البشريين.يتكون الاختبار من عينتين اختباريتين بسماكة 4 مم و 10 مم.تم اختيار سماكتين للزجاج لأن نمط التجزئة يختلف تمامًا بين الزجاج الرقيق والسميك.للسمك تأثير كبير على نمط الكسر والمظهر المرئي للشظايا.بشكل عام، من الأسهل حساب شظايا الزجاج الرقيق.تم تنظيم الاختبار على النحو التالي.تم كسر زجاجين مقسّى بالحجم القياسي (1100 × 360 مم²) بسماكة 4 مم و10 مم.أحصى كل فرد الشظايا من منطقتين منفصلتين بمساحة 50 × 50 مم²: واحدة من مركز الزجاج ومنطقة واحدة تم اختيارها بحرية (داخل الخط المتقطع في الشكل 4) من الشظايا الأقل.تم أيضًا الإبلاغ عن إحداثيات المناطق المختارة بحرية لمقارنة كيفية عثور كل فرد على أقل مناطق من الزجاج.

تظهر أنماط التجزئة لنظارات الاختبار مقاس 4 مم و10 مم في الشكلين 5 و6، على التوالي، وتظهر نتائج عد الأجزاء لكلا الزجاجين في الجدول 1. كما يتم عرض خرائط الحرارة لتوزيع الأجزاء لكلتا العينتين في الأشكال 6 و 7. في أعلى كل خريطة حرارية، يتم رسم مستطيلات تحدد المناطق المختارة بحرية.

الشكل 5. نمط تجزئة عينة اختبار 4 مم.
الشكل 5. نمط تجزئة عينة اختبار 4 مم.
الشكل 6. نمط تجزئة عينة اختبار 10 ملم.
الشكل 6. نمط تجزئة عينة اختبار 10 ملم.
في الخرائط الحرارية، يشير اللون الأزرق إلى كثافة أقل للأجزاء بينما يشير اللون الأصفر إلى كثافة أعلى.في كلتا الحالتين، اختار معظم الفاحصين المنطقة الموجودة في المنطقة العلوية، وهي بالفعل المنطقة ذات الكثافة الشظية الأقل داخل منطقة الاهتمام المسموح بها الموضحة في الشكل 4. ومع ذلك، انتهى الأمر ببعض الفاحصين إلى مناطق مختلفة ويقدم مزيد من الاختلاف في عدد الأجزاء النهائية للعينة.

الجدول 1. نتائج الاختبار التجريبي لعد الأجزاء
الجدول 1. نتائج الاختبار التجريبي لعد الأجزاء.
تظهر النتائج أن هناك تباينًا كبيرًا في عدد الشظايا بين الفاحصين البشريين، حتى عندما قام الجميع بإحصاء الشظايا من نفس المنطقة بالضبط.تكون الاختلافات أكبر عندما يختار الفاحص بحرية المنطقة الأقل من الكريتات.

بالنسبة للزجاج مقاس 4 مم، يقع عدد نموذج الذكاء الاصطناعي ضمن انحراف معياري واحد عن متوسط ​​عدد البشر.بالنسبة للزجاج 10 ملم، فهو أبعد قليلاً.ومع ذلك، هذا لا يعني أن نموذج الذكاء الاصطناعي خاطئ لأن المهمة ذاتية للغاية.تظهر صور المناطق المركزية لعينات الاختبار في الشكلين 7 و8 وتظهر صور التراكب المقابلة لتجزئة الذكاء الاصطناعي في الشكلين 9 و10.

الشكل 7. خريطة الحرارة لتوزيع الأجزاء لعينة مقاس 4 مم ومستطيلات حمراء توضح المناطق المختارة بحرية في التجربة.
الشكل 7. خريطة الحرارة لتوزيع الأجزاء لعينة مقاس 4 مم ومستطيلات حمراء توضح المناطق المختارة بحرية في التجربة.
الشكل 8. خريطة الحرارة لتوزيع الأجزاء لعينة مقاس 10 مم ومستطيلات حمراء توضح المناطق المختارة بحرية في التجربة.
الشكل 8. خريطة الحرارة لتوزيع الأجزاء لعينة مقاس 10 مم ومستطيلات حمراء توضح المناطق المختارة بحرية في التجربة.
كانت أعداد الأجزاء المقابلة لنموذج الذكاء الاصطناعي لعينات 4 مم و10 مم 98 و68 على التوالي.توضح هذه الصور صعوبة عد الأجزاء: في الصور، هناك العديد من الأجزاء الصغيرة التي قام نظام الذكاء الاصطناعي بإحصائها كأجزاء فردية، وقد لا يحسبها الإنسان.وهذا ينطبق بشكل خاص على عينة بحجم 10 ملم.في صورة التجزئة للعينة مقاس 10 مم، يمكن للمرء أن يرى أن نظام الذكاء الاصطناعي قد أدرج العديد من الأجزاء الصغيرة في العدد النهائي، وهذا ليس خطأ ولكنه يؤدي إلى عدد أعلى من الفاحص البشري العادي.ومن فوائد النظام الآلي أنه متسق في قراراته ولا تختلف النتائج بسبب التعب أو عدم التركيز أو غيرها من الظروف التي تؤثر على الممتحنين من البشر.

ملخص
تم التحقيق تجريبيا في صعوبات عد الأجزاء وتم عرض النتائج في هذه الورقة.وأظهرت النتائج أن عد الأجزاء ليس مهمة تافهة، وبما أنه لا توجد تعليمات واضحة للعملية في المعايير، فإن نتائج العد قد تختلف بشكل كبير بين الممتحنين.كانت الانحرافات المعيارية النسبية للشظايا للمناطق المركزية لعينات 4 مم و 10 مم 4.9٪ و 6.4٪ على التوالي.

بالإضافة إلى ذلك، فإن الاختلافات في العد ليست هي الشيء الوحيد الذي يؤثر على عدد الأجزاء النهائية.يجب على الفاحص أيضًا تحديد المنطقة ذات الكثافة الشظية الأقل، مما يؤدي إلى مزيد من التباين.بالنسبة للمناطق المجانية المختارة لعينات 4 مم و10 مم، كانت الانحرافات المعيارية النسبية 8.0% و9.9%.

يتم أيضًا تقديم نهج قائم على التعلم الآلي لحساب الأجزاء في هذه الورقة.لقد تبين أن تقنيات التعلم العميق ورؤية الكمبيوتر الحديثة قادرة على حساب الأجزاء بدقة من صورة الزجاج المكسور.يتمتع النهج الآلي بميزة النتائج الموضوعية والمتسقة.ومع ذلك، فإن هذا النوع من النهج يعتمد بشكل كبير على البيانات المتاحة، والتي يعد الحصول عليها مرهقًا ومكلفًا.

مراجع
[1] EN 12150-1:2015، 2015، الزجاج في المباني - زجاج الأمان المقسى حراريًا من سيليكات الصودا والجير - الجزء 1: التعريف والوصف، CEN.
[2] E/ECE, 2017، اتفاقية بشأن اعتماد الشروط الموحدة للموافقة والاعتراف المتبادل بالموافقة لمعدات المركبات وقطع الغيار.ملحق 42، اللائحة رقم 43، المراجعة 4: أحكام موحدة بشأن اعتماد مواد الزجاج الآمن وتركيباتها على المركبات، الملحق 5، أبريل 2017
[3] أكيوشي، ك.، كاناي، إي.، ياماموتو، ك.، شيما، إس.، 1967، النائب الدقة.مختبر، أساهي جلاس، 17، ص 23.
[4] برسوم، جي إم، 1968، كسر الزجاج المقسى، جي آم.سيرام.شركة نفط الجنوب.المجلد.51، ص 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] بورمقدم، ن. وشنايدر، ج.، 2018، تحقيق تجريبي في حجم شظايا الزجاج المقسى، Glass Struct Eng، المجلد 3، الصفحات من 167 إلى 181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam، N.، Kraus، MA، Schneider، J.، Siebert، G.، 2018، العلاقة بين طاقة الإجهاد وتشكل نمط الكسر للزجاج المقسى حرارياً للتنبؤ بتجزئة الزجاج على نطاق واسع ثنائي الأبعاد، Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] جوردون، جي جي، 1996، التحليل الآلي لتجزئة الزجاج، بروك.SPIE 2665، تطبيقات رؤية الآلة في التفتيش الصناعي IV.https://doi.org/10.1117/12.232245
[8] جاردون، ر.، 1980، التقسية الحرارية للزجاج، في علوم وتكنولوجيا الزجاج المجلد.5 المرونة والقوة في النظارات، د. أولمان و إن جي كريدل (محرران)، الصحافة الأكاديمية، نيويورك، الصفحات من 145 إلى 216.
[9] Aronen, A., Kocer., C., 2015، العطل الميكانيكي للزجاج المقسى؛مقارنة معايير الاختبار والفشل الكارثي أثناء الخدمة، في وقائع أيام أداء GPD Glass لعام 2015، الصفحات من 388 إلى 391.
[10] أنطون، ج.، أبين، هـ.، 2003، منظار مدمج للضوء المبعثر لقياس الإجهاد المتبقي في الألواح الزجاجية، في وقائع أيام إجراءات الزجاج 2003، الصفحات من 86 إلى 88.
[11] Krizhevsky، A.، Sutskever، I.، Hinton، GE، 2012، تصنيف Imagenet مع الشبكات العصبية التلافيفية العميقة، التقدم في أنظمة معالجة المعلومات العصبية، Curran Associates، Inc.، الصفحات من 1097 إلى 1105.
[12] Long، J.، Shelhamer، E.، Darrell، T.، 2015، شبكات تلافيفية كاملة للتجزئة الدلالية، مؤتمر IEEE لعام 2015 حول رؤية الكمبيوتر والتعرف على الأنماط (CVPR)، IEEE، ص 3431-3440.
[13] Chen، L.، Zhu، Y.، Papandreou، G.، Schroff، F.، Adam، H.، 2018، Encoder-Secoder with Atrous Separable Convolution for Semantic Image Segmentation، CoRR، 2018، متاح (تم الوصول إليه في 09.05) .2018).https://arxiv.org/abs/1802.02611.
[14] He, K., Zhang, X., Ren, S., Sun, J., 2016, التعلم المتبقي العميق للتعرف على الصور، مؤتمر IEEE لعام 2016 حول رؤية الكمبيوتر والتعرف على الأنماط (CVPR)، IEEE، ص 770 -778.
[15] روساكوفسكي، 0.، دنغ، ج.، سو، ه.، كراوس، ج.، ساتيش، س.، ما، س.، هوانغ، ز.، كارباثي، أ.، خوسلا، أ.، برنشتاين، م.، 2015، تحدي التعرف البصري على نطاق واسع من Imagenet، المجلة الدولية لرؤية الكمبيوتر، المجلد.115، ص 211-252.
[16] روساكوفسكي، أو.، دنغ، ج.، سو، ه.، كراوس، ج.، ساتيش، س.، ما، س.، هوانغ، ز.، كارباثي، أ.، خوسلا، أ.، برنشتاين، م.، ILSVRC 2017، إيماج نت، صفحة ويب.متاح (تم الوصول إليه في 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.