Die Bruchstückzahl im genormten Bruchtest der Norm EN 12150-1 ist die Möglichkeit, das Sicherheitsniveau von gehärtetem Glas zu definieren und auch einen Hinweis auf die Beanspruchung und Festigkeit des gehärteten Glases zu erhalten.
Auch wenn die Art und Weise, wie die Anzahl der Fragmente gezählt wird, in der Norm anhand von Beispielen definiert ist, hängt das tatsächliche Ergebnis immer vom Prüfer ab.Um die Zählung über alle Untersuchungen und Prüfer hinweg konsistent zu machen, ist ein automatisierter Prozess der Fragmentzählung erforderlich.Dies macht es zu einer perfekten Anwendung für ein Computer-Vision-System, da der Computer niemals ermüdet oder seine Objektivität verliert.Es gibt bereits Systeme zur automatisierten Fragmentzählung, die jedoch erhebliche Einschränkungen aufweisen

Moderne Werkzeuge und Technologien haben in den letzten Jahren den Bereich Computer Vision revolutioniert.Dies ist vor allem auf die Fortschritte bei Faltungs-Neuronalen Netzen zurückzuführen, die sich besonders für die Extraktion von Mustern und Informationen aus visuellen Bildern eignen.Um Fragmentzählsysteme flexibler, schneller und kostengünstiger zu machen, ermöglichen diese jüngsten Fortschritte in der Computer-Vision die Implementierung automatisierter Computer-Vision-Systeme sogar auf einem mobilen Smartphone.

Einführung
Gehärtetes Glas wird durch einen Wärmebehandlungsprozess hergestellt, bei dem die Glasscheibe zunächst über ihre Übergangstemperatur hinaus erhitzt und anschließend schnell abgekühlt wird, um einen Temperaturgradienten über die gesamte Dicke zu erzeugen.Das Ziel besteht darin, das Glas einzufrieren, wenn das Glas einen Temperaturgradienten aufweist und dann, wenn die Temperatur gleichmäßig wird, der Restzustand ein parabolisches Spannungsprofil über die Glasdicke ist.Gehärtetes Glas steht an der Oberfläche unter Druck und im Glaskern unter Spannung.

Gehärtetes Glas hat gegenüber getempertem Floatglas zwei Vorteile.Erstens wird die Biege- und Schlagfestigkeit des Glases durch die Druckspannung an der Oberfläche erhöht, und zweitens zerbricht das Glas beim Bruch aufgrund der hohen induzierten Spannungsenergie in kleine harmlose Partikel.Aufgrund dieser Vorteile wird Hartglas auch als Sicherheitsglas bezeichnet.

Der zerstörende Test und die Fragmentierung aufgrund von Bruch sind der Weg, um die Beanspruchung und das Sicherheitsniveau des gehärteten Glases zu definieren.Die Fragmentierung zeigt verschiedene Aspekte der Spannungen, z. B. das Spannungsniveau und die Gleichmäßigkeit der Spannungen.In der Norm EN 12150-1 [1] ist der Schlagtest definiert, bei dem gehärtetes Glas der Größe 1100 x 360 mm² mit einem spitzen Werkzeug in der Mitte der längsten Kante geschlagen wird.

Aus dem Bruchmuster wird die Anzahl der Partikel im 50 x 50 mm² großen Bereich ab dem Bereich mit der minimalen Fragmentanzahl gezählt.Für die Sicherheit des Architekturglases legt die Norm den Mindestgrad der Bruchstücke für unterschiedliche Glasdicken fest.Für Autoglas gilt ein ähnlicher ECE-R43-Standard [2] zur sicheren Zersplitterung.Im Vergleich zur Norm EN 12150-1 wird bei der Norm ECE R43 das Glas im mittleren Bereich des Glases getroffen.

Die Fragmentierung des Glases und ihr Zusammenhang mit dem Spannungsniveau wurden bereits in den 1960er Jahren untersucht, ein Beispiel sind die bekannten Ergebnisse von Akeyoshi et al.[3].Sie definierten den Zusammenhang zwischen der Anzahl der Fragmente und dem Zugspannungsniveau in der Mittelebene für verschiedene Glasdicken zwischen 1,8 mm und 8,2 mm.

Im Jahr 1968 veröffentlichte Barsom [4] auch Ergebnisse über den Zusammenhang zwischen der Mittenspannung und dem durchschnittlichen Partikelgewicht in gehärtetem Glas.Kürzlich wurden Studien von Pourmoghaddam & Schneider [5] und Pourmoghaddam et al. veröffentlicht.[6], die die Beziehung zwischen dem Spannungsniveau und der Fragmentierung definieren und auch die Form und Verteilung von Fragmenten basierend auf dem Spannungsniveau und dem Aufprallpunkt vorhersagen.

Das Zählen von Bruchstücken ist im Wesentlichen eine visuelle Aufgabe, bei der der menschliche Bediener sein Gehirn sehr effizient einsetzt, um einzelne Scherben vom zerbrochenen Glas zu trennen.Für einen Menschen scheint diese Aufgabe sehr einfach zu sein und man vergisst leicht, dass eine solche Aufgabe sehr ausgefeilte und gut entwickelte Mustererkennungsfähigkeiten erfordert, für die sich unser Gehirn genau entwickelt hat.Die Definition zur Zählung der Bruchstückzahl ist einfach und beispielhaft in der Norm EN 12150-1 [1] dargestellt.

Auch wenn die Aufgabe einfach erscheint, ist sie doch sehr mühsam und zeitaufwändig.Der Zählvorgang ist zudem sehr repetitiv und anfällig für menschliche Fehler aufgrund mangelnder Konzentration und Ermüdung.Aus diesem Grund ist es möglich, dass die Zählergebnisse von Prüfer zu Prüfer variieren können.Insbesondere wenn die Fragmentanzahl hoch ist, ist die Größe der Fragmente klein und es kann für das menschliche Auge schwierig sein, zu definieren, welche Fragmente am kleinsten zu zählen sind und welche Fragmente sich innerhalb des Zählbereichs befinden.

Im traditionellen automatisierten Prozess wird das Foto des Fragmentierungsmusters mit Bildanalysetools verarbeitet und analysiert [7].Es gibt Geräte zur automatisierten Fragmentzählung auf Basis der Bildanalyse wie den CulletScanner von SoftSolution und den FROG:Fragment Recognitor of Glass von Deltamax.

In jüngster Zeit hat das maschinelle Lernen den Bereich des Computersehens revolutioniert, da tiefe neuronale Netze in der Lage sind, sehr abstrakte Darstellungen der zugrunde liegenden Daten zu lernen.Dadurch stehen neue Werkzeuge zur Analyse von Fragmentierungsmustern zur Verfügung.Allerdings benötigen tiefe neuronale Netze eine gute Menge gut kommentierter Daten.Dies ist der zeitaufwändige Teil, um ein gutes Modell für die Partikelzählung zu erstellen.

In diesem Artikel liegt der Schwerpunkt darauf, eine neuartige Methode zum Zählen der Fragmente im gehärteten Glas vorzustellen, indem die neuesten Fortschritte im Bereich des maschinellen Lernens genutzt werden.Außerdem wird die Bedeutung der Annotation der Daten für Deep Learning dargestellt.Vor dem Kapitel über maschinelles Lernen werden die Hintergründe zum Glasbruch dargestellt, um die Probleme bei der Zählung der Anzahl der Bruchstücke in gehärtetem Glas besser zu verstehen.

Theorie der Glasfragmentierung
Die Glassplitterung nach dem Bruch ist hauptsächlich spannungsabhängig.Beim Fragmentierungsprozess kann das Wachstum der Risse in zwei Teile geteilt werden.Erstens benötigt das Glas einen ausreichend hohen Spannungspegel, damit Risse spontan entstehen.Dieses Spannungsniveau wird bereits beim vorgespannten Glas benötigt, wenn alle Risse bis zum Rand wachsen sollen.Zweitens ist beim gehärteten Glas die Verzweigung der Risse für die hohe Fragmentzahl erforderlich.Dieses Bifurkationsphänomen erfordert ein höheres induziertes Stressniveau.[8]

Der anfängliche Bruchpunkt und äußere Unterstützung oder Kraft beeinflussen die Fragmentierung des Glases.Diese Dinge haben Einfluss auf die Spannungsverteilung an den Rissspitzen und dadurch verändert sich das Fragmentierungsmuster.[8,9] Aus diesem Grund ist der anfängliche Bruchpunkt in der Norm definiert.Die Zeit nach dem Bruch, in der die Anzahl der Bruchstücke gezählt werden soll, ist in der Norm EN 12150-1 [1] auf 3 bis 5 Minuten festgelegt.Dies ist ebenfalls zu berücksichtigen, da sich nach der anfänglichen Rissausbreitung sekundäre Risse bilden.Diese Sekundärrisse verlaufen normalerweise senkrecht zu den anfänglichen Risskanten und ihre Anzahl hängt auch vom anfänglichen Spannungszustand ab.

Die Fragmentierung der dünnen und dicken Gläser ist ähnlich.Allerdings sind die Risskanten bei dickeren Gläsern rauer als bei dünneren Gläsern.Bei dickem Glas kann die Bruchkantenfläche außerdem geneigt werden.Das typische Bruchbild von Gläsern mit 4 mm und 10 mm Nenndicke wird später beispielhaft in den Abbildungen 9 bzw. 10 dargestellt.Die rauere Risskante führt zu einer breiteren Risslinie und die geneigte Rissoberfläche kann aufgrund der starken Streureflexion des Lichts von der Rissoberfläche als weißer Bereich wahrgenommen werden.Beides kann die Zählung der Fragmente beeinflussen.

Ein Ansatz zur Fragmentanzahl besteht darin, die Beziehung zwischen dem Restspannungsniveau des Glases und der Fragmentanzahl zu definieren.Dies ist wichtig, wenn die optische Spannungsmessausrüstung zur Qualitätsprüfung der gehärteten Gläser verwendet wird.Die Beziehung zwischen der im Streulichtpolariskop (SCALP-05) [10] gemessenen Zugspannung in der Mittelebene und der gezählten Fragmentanzahl ist in Abbildung 1 dargestellt. Die Tests werden mit Glasgrößen von 1100 x 360 mm² durchgeführt.Die experimentellen Daten werden mit den Daten von Akeyoshi et al. verglichen.[3].Die experimentellen Ergebnisse der Autoren geben im Vergleich zu den Daten von Akeyoshi et al. einen höheren Fragmentierungsgrad für Brillen an.[3].

Abbildung 1. Zusammenhang zwischen der Zugspannung in der Mittelebene und der Anzahl der Fragmente in einer Fläche von 50 x 50 mm2.Die experimentellen Ergebnisse für 4 mm, 6 mm, 8 mm und 10 mm Nennglasdicken (Punkte) und Vergleichsdaten von Akeyoshi et al.[3] für 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm und 8,2 mm Glasdicke.
Abbildung 1. Zusammenhang zwischen der Zugspannung in der Mittelebene und der Anzahl der Fragmente in einer Fläche von 50 x 50 mm2.Die experimentellen Ergebnisse für 4 mm, 6 mm, 8 mm und 10 mm Nennglasdicken (Punkte) und Vergleichsdaten von Akeyoshi et al.[3] für 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm und 8,2 mm Glasdicke.

Automatisieren Sie das Zählen von Fragmenten mit maschinellem Sehen
Convolutional Neural Networks (CNN) dominieren seit langem den Bereich der Bildklassifizierung und Objekterkennung.Im Jahr 2012 erreichte ein Deep Convolutional Neural Network (DCNN) erstmals beim ImageNet Large Scale Visual Recognition Competition (ILSVRC) [11] höchste Leistung.Der Durchbruch, den DCNNs brachten, bestand darin, dass keine ausgefeilten, handgefertigten Funktionen des Eingaberaums mehr erforderlich waren.

Vor Deep Learning würde eine typische Bildklassifizierungspipeline aus einem Klassifikator bestehen, der mit den handgefertigten Funktionen trainiert wurde.Dies bringt einige Probleme mit sich, da Menschen nicht unbedingt sehr effizient darin sind, die Merkmale zu definieren, die die Eingabeklassen am besten unterscheiden.Der Vorteil von Deep Learning besteht darin, dass die aufgabenspezifischen Merkmale automatisch vom Netzwerk extrahiert werden und direkt durchgängig trainiert werden können, von Eingabebildern bis hin zu Ausgabeklassen.

Die Segmentierung von Glasfragmenten ist jedoch nicht nur ein Problem der Bildklassifizierung.Es handelt sich vielmehr um ein Pixelklassifizierungsproblem.Der Prozess, bei dem jedes Pixel im Eingabebild einer bestimmten Klasse zugeordnet wird, wird als semantische Segmentierung bezeichnet.Nach dem Durchbruch des Deep Learning dauerte es nicht lange, bis die neuen Technologien von der Bildklassifizierung auf die semantische Segmentierung übertragen werden konnten.

Das Problem besteht darin, dass Klassifikationsnetzwerke eine sehr geringe Ausgabeauflösung haben, da die Ausgabe einfach als Vektor von Klassenwahrscheinlichkeiten definiert ist.Bei der semantischen Segmentierung sollte die Ausgabeauflösung jedoch genauso hoch sein wie die Eingabebildauflösung.Die Arbeit von Long et al.[12] zeigten, dass die bestehenden Klassifizierungsnetzwerke in semantische Segmentierungsnetzwerke überführt werden konnten.Dies wurde erreicht, indem die Klassifizierung in vollständig verbundene neuronale Netze (FCNN) umgewandelt wurde, indem ein netzwerkinternes Upsampling und ein pixelweiser Verlust hinzugefügt wurden.

Die Arbeit von Long et al.war immer noch nur ein erster Schritt in Richtung einer leistungsstarken semantischen Segmentierung.Seitdem haben anspruchsvollere Netzwerke die Leistung auf dem neuesten Stand der Technik kontinuierlich vorangetrieben.Ab 2018 ist DeepLab v3+ von Google [13] das leistungsstärkste semantische Segmentierungsnetzwerk, das in dieser Arbeit auch für die Aufgabe der Glasfragmentsegmentierung übernommen wird.

Theorie
Die Theorie hinter der in dieser Arbeit verwendeten Pipeline zur Fragmentzählung ist in Abbildung 2 dargestellt. Die Pipeline besteht aus dem DeepLab v3+-System von Google zur Durchführung der Segmentierung und einem Nachverarbeitungsalgorithmus zur Durchführung der eigentlichen Zählung.

Abbildung 2. Pipeline zur Fragmentzählung.
Abbildung 2. Pipeline zur Fragmentzählung.
Der DCNN-, ASPP- und DECODER-Block in Abbildung 2 sind Teile des DeepLab v3+-Systems.Der Encoder ist ein standardmäßiges tiefes Faltungs-Neuronales Netzwerk, das als merkmalsextrahierender Teil des Netzwerks verwendet wird.In dieser Arbeit wird insbesondere eine Restnetzwerkarchitektur [14] verwendet.Die Ausgabe des Encoders wird an ein atrous Spatial Pyramid Pooling (ASPP)-Modul weitergeleitet, das die Feature-Map mit verschiedenen Empfangsfeldern (Sichtfeld) abtastet, um den Multiskalenkontext zu erfassen.

Ein Decoder wird verwendet, um die räumliche Auflösung des Eingabebildes wiederherzustellen.Der Decoder kombiniert im Wesentlichen die niedrig aufgelösten, reichhaltigen semantischen Informationen vom ASPP-Modul mit den hochauflösenden räumlichen Informationen vom Encoder-Modul.Das Ergebnis ist eine hochauflösende Segmentierungsmaske des ursprünglichen Roheingabebildes.

Die vom DeepLab-System bereitgestellte Segmentierungsmaske wird weiter nachverarbeitet, um die Fragmentanzahl zu erhalten.Für jede Fragmentinstanz wird ein Schwellenwert festgelegt, sodass alle kleinen Verbindungen zwischen benachbarten Shards entfernt werden.Danach kann die Fragmentanzahl trivial ermittelt werden, indem jeder verbundene Bereich in der binären Segmentierungsmaske gezählt wird.

Datenanmerkung
Moderne neuronale Deep-Learning-Netzwerke sind stark von der Datenmenge abhängig, die sie während des Trainings nutzen können.Sie passen ihre interne Darstellung des Problems an, indem sie den Datensatz mehrmals durchlaufen.Bei sehr spärlichen Daten führt dies zu einem möglicherweise überangepassten Modell, das nur einen ganz bestimmten Datensatz gelernt hat.Diese Art von Modell lässt sich normalerweise nicht auf den gesamten Problembereich verallgemeinern und ist daher für ein breiteres Anwendungsspektrum unbrauchbar.

Dieser Fall ist nicht anders.Bei der Segmentierung von Glasfragmenten ist der Datensatz jedoch viel einfacher als beispielsweise allgemeine Bilder aus dem Internet.Bei der Glassegmentierung wird nur eine Klasse von Objekten dargestellt: das Fragment selbst.Das neuronale Netzwerkmodell muss lernen, zwischen einem Fragment und Nicht-Fragment-Regionen zu unterscheiden.Ein Beispiel für einen weit verbreiteten, komplexeren Datensatz ist ImageNet, das über 15 Millionen Bilder enthält, die zu etwa 22.000 verschiedenen Kategorien gehören [15].Die Bilder werden aus dem Internet gesammelt und von Menschen kommentiert.Moderne neuronale Netze haben selbst bei sehr anspruchsvollen Datensätzen wie ImageNet [16] eine Leistung auf menschlichem Niveau gezeigt.

Die Datenannotation ist aufgrund des menschlichen Arbeitsaufwands sehr zeitaufwändig und teuer.Die Datenmenge stellt in der Regel einen Engpass für die Modellleistung dar, insbesondere wenn sie auf eine bestimmte Aufgabe angewendet wird und keine frei verfügbaren Datensätze verwendet werden können.Ein Beispiel für ein solches Problem ist die Glassplitterung.Damit das Modell lernen kann, die Fragmente zu segmentieren, müssen ihm zahlreiche Beispiele für korrekte oder Ground-Truth-Segmentierungen gezeigt werden.

Anmerkungsprozess
In Abbildung 3 sind Beispiele für Ground-Truth-Segmentierungen dargestellt.Diese Beispiele sind von Menschenhand erstellt und jedes Beispiel erfordert je nach Erfahrung des Annotators etwa 10 bis 30 Minuten Zeit.Der Annotationsprozess ist recht einfach: Jedes Fragment wird durch die Definition seiner Eckpunkte mit einem Polygon beschriftet.

Wie aus den Proben hervorgeht, ist der Prozess zudem sehr subjektiv.Jeder Mensch führt die Segmentierung etwas anders durch.Die Annotation sollte jedoch so erfolgen, dass zwischen benachbarten Polygonen ausreichend große Lücken verbleiben.Dies zwingt das Modell dazu, benachbarte Shards zuverlässig zu trennen, was für die Ermittlung von Mengen wie der Shard-Anzahl von entscheidender Bedeutung ist.In einem Rohbild ist die Shard-Kante manchmal nur wenige Pixel breit und praktisch nicht vom Hintergrund zu unterscheiden.In diesen Fällen bleiben größere Lücken zwischen den Beschriftungspolygonen.

Abbildung 3. Beispiele von Rohbildern und entsprechenden Ground-Truth-Anmerkungen für verschiedene Glaskategorien.
Abbildung 3. Beispiele von Rohbildern und entsprechenden Ground-Truth-Anmerkungen für verschiedene Glaskategorien.

Experiment zur Subjektivität der Fragmentzählung
Die Aufgabe der Fragmentzählung ist naturgemäß sehr subjektiv.Oft ist unklar, welche Bereiche der Glassplitter als einzelne Scherben gezählt werden können und selbst die Norm gibt keine eindeutigen Anweisungen dazu.Daher kann die tatsächliche Person, die den Fragmentierungstest durchführt, einen erheblichen Einfluss auf die Fragmentzahl haben, selbst wenn die Fragmente aus derselben Region gezählt werden.Noch mehr Variation wird eingeführt, wenn die Individuen aufgefordert werden, den Bereich mit den wenigsten Fragmenten auszuwählen.In Abbildung 4 ist der Interessenbereich für den Fragmentierungstest gemäß der Norm EN 12150-1 [1] dargestellt.

Abbildung 4. Interessengebiet der Fragmentierungsanalyse.Alle Bereiche innerhalb der gestrichelten Linie sollten in die Analyse einbezogen werden.
Abbildung 4. Interessengebiet der Fragmentierungsanalyse.Alle Bereiche innerhalb der gestrichelten Linie sollten in die Analyse einbezogen werden.
Die subjektive Natur der Fragmentzählung wurde experimentell untersucht.Ziel des Experiments war es, die Variation der Fragmentanzahl bei mehreren menschlichen Untersuchern zu untersuchen.Der Test bestand aus zwei Testproben mit einer Dicke von 4 mm und 10 mm.Es wurden zwei Glasstärken gewählt, da das Fragmentierungsmuster bei dünnem und dickem Glas sehr unterschiedlich ist.Die Dicke hat einen erheblichen Einfluss auf das Bruchmuster und das optische Erscheinungsbild der Fragmente.Im Allgemeinen ist es einfacher, Fragmente aus dünnerem Glas zu zählen.Der Test war wie folgt organisiert.Zwei gehärtete Gläser in Standardgröße (1100 x 360 mm²) mit einer Dicke von 4 mm und 10 mm wurden zerbrochen.Jede Person zählte die Fragmente aus zwei separaten 50 x 50 mm² großen Bereichen: einem aus der Mitte des Glases und einem frei gewählten Bereich (innerhalb der gestrichelten Linie in Abbildung 4) mit den wenigsten Fragmenten.Es wurden auch die Koordinaten frei gewählter Regionen angegeben, um zu vergleichen, wie jeder Einzelne die Bereiche mit den wenigsten Scherben aus dem Glas findet.

Die Fragmentierungsmuster der 4-mm- und 10-mm-Testgläser sind in den Abbildungen 5 bzw. 6 dargestellt und die Ergebnisse der Fragmentzählung für beide Gläser sind in Tabelle 1 aufgeführt. Außerdem sind die Heatmaps für die Fragmentverteilung für beide Proben in den Abbildungen dargestellt 6 und 7. Über jeder Heatmap werden Rechtecke gezeichnet, die die frei gewählten Bereiche angeben.

Abbildung 5. Fragmentierungsmuster einer 4-mm-Testprobe.
Abbildung 5. Fragmentierungsmuster einer 4-mm-Testprobe.
Abbildung 6. Fragmentierungsmuster einer 10-mm-Testprobe.
Abbildung 6. Fragmentierungsmuster einer 10-mm-Testprobe.
In den Heatmaps weist die blaue Farbe auf eine geringere Fragmentdichte hin, während die gelbe Farbe auf eine höhere Dichte hinweist.In beiden Fällen haben die meisten Prüfer den Bereich im oberen rechten Bereich ausgewählt, bei dem es sich in der Tat um den Bereich mit der niedrigsten Fragmentdichte innerhalb des in Abbildung 4 beschriebenen zulässigen Interessenbereichs handelt. Einige Prüfer haben sich jedoch letztendlich für andere Bereiche entschieden, und das führt dazu weitere Variation der endgültigen Fragmentzahl für die Probe.

Tabelle 1. Ergebnisse eines experimentellen Tests zur Fragmentzählung
Tabelle 1. Ergebnisse eines experimentellen Tests zur Fragmentzählung.
Die Ergebnisse zeigen, dass es bei menschlichen Untersuchern erhebliche Unterschiede in der Fragmentanzahl gibt, selbst wenn jeder Fragmente aus genau derselben Region zählte.Noch größer sind die Unterschiede, wenn der Prüfer den Bereich mit den wenigsten Scherben frei wählt.

Für das 4-mm-Glas liegt die Anzahl des KI-Modells innerhalb einer Standardabweichung der durchschnittlichen menschlichen Anzahl.Bei 10 mm Glas liegt der Abstand etwas weiter.Dies bedeutet jedoch nicht, dass das KI-Modell falsch ist, da die Aufgabe sehr subjektiv ist.Die Bilder der Mittelbereiche der Testproben sind in den Abbildungen 7 und 8 dargestellt und die entsprechenden Überlagerungsbilder der KI-Segmentierung sind in den Abbildungen 9 und 10 dargestellt.

Abbildung 7. Heatmap der Fragmentverteilung für eine 4-mm-Probe und rote Rechtecke, die die frei gewählten Regionen im Experiment zeigen.
Abbildung 7. Heatmap der Fragmentverteilung für eine 4-mm-Probe und rote Rechtecke, die die frei gewählten Regionen im Experiment zeigen.
Abbildung 8. Heatmap der Fragmentverteilung für eine 10-mm-Probe und rote Rechtecke, die die frei gewählten Regionen im Experiment zeigen.
Abbildung 8. Heatmap der Fragmentverteilung für eine 10-mm-Probe und rote Rechtecke, die die frei gewählten Regionen im Experiment zeigen.
Die entsprechenden Fragmentzahlen des AI-Modells für 4-mm- und 10-mm-Proben betrugen 98 bzw. 68.Diese Bilder verdeutlichen die Schwierigkeit der Fragmentzählung: In den Bildern gibt es viele kleine Fragmente, die das KI-System als einzelne Fragmente gezählt hat, ein Mensch jedoch möglicherweise nicht.Dies gilt insbesondere im Fall einer 10-mm-Probe.Im Segmentierungsbild der 10-mm-Probe kann man erkennen, dass das KI-System viele kleine Fragmente in die endgültige Zählung einbezogen hat, was nicht falsch ist, aber zu einer höheren Zahl als der durchschnittliche menschliche Untersucher führt.Ein Vorteil des automatisierten Systems besteht darin, dass es konsistente Entscheidungen trifft und die Ergebnisse nicht aufgrund von Müdigkeit, mangelnder Konzentration oder anderen Bedingungen, die menschliche Prüfer beeinträchtigen, variieren.

Zusammenfassung
Die Schwierigkeiten der Fragmentzählung wurden experimentell untersucht und die Ergebnisse werden in diesem Artikel vorgestellt.Die Ergebnisse zeigten, dass die Fragmentzählung keine triviale Aufgabe ist und da es in den Standards keine klaren Anweisungen für den Prozess gibt, können die Zählergebnisse von Prüfer zu Prüfer erheblich variieren.Die relativen Standardabweichungen der Fragmente für die Mittelbereiche von 4-mm- und 10-mm-Proben betrugen 4,9 % bzw. 6,4 %.

Darüber hinaus beeinflussen nicht nur die Unterschiede in der Zählung die endgültige Fragmentzahl.Der Prüfer muss auch den Bereich mit der niedrigsten Fragmentdichte bestimmen, was zu einer größeren Varianz führt.Für die frei gewählten Bereiche der 4-mm- und 10-mm-Proben betrugen die jeweiligen relativen Standardabweichungen 8,0 % bzw. 9,9 %.

In diesem Artikel wird auch ein auf maschinellem Lernen basierender Ansatz zur Fragmentzählung vorgestellt.Es wurde gezeigt, dass moderne Deep-Learning- und Computer-Vision-Technologien in der Lage sind, Fragmente aus einem Bild von Glasscherben genau zu zählen.Ein automatisierter Ansatz bietet den Vorteil objektiver und konsistenter Ergebnisse.Allerdings ist dieser Ansatz stark von den verfügbaren Daten abhängig, deren Beschaffung umständlich und teuer ist.

Verweise
[1] EN 12150-1:2015, 2015, Glas im Bauwesen – Thermisch vorgespanntes Kalknatron-Sicherheitsglas – Teil 1: Definition und Beschreibung, CEN.
[2] E/ECE, 2017, Übereinkommen über die Annahme einheitlicher Genehmigungsbedingungen und die gegenseitige Anerkennung der Genehmigung für Kraftfahrzeugausrüstung und -teile.Anhang 42, Regelung Nr. 43, Revision 4: Einheitliche Bestimmungen zur Genehmigung von Sicherheitsverglasungsmaterialien und deren Einbau in Fahrzeugen, Anhang 5, April 2017
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, S. 23.
[4] Barsom, JM, 1968, Fracture of Tempered Glass, J. Am.Ceram.Soc.Bd.51, S. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, Experimentelle Untersuchung der Fragmentgröße von gehärtetem Glas, Glass Struct Eng, Bd. 3, S. 167–181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam, N., Kraus, MA, Schneider, J., Siebert, G., 2018, Beziehung zwischen Verformungsenergie und Bruchmustermorphologie von thermisch gehärtetem Glas zur Vorhersage der 2D-Makroskalenfragmentierung von Glas, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Automatisierte Glasfragmentierungsanalyse, Proc.SPIE 2665, Bildverarbeitungsanwendungen in der industriellen Inspektion IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Thermal Tempering of Glass, in Glass Science and Technology vol.5 Elasticity and Strength in Glasses, DR Uhlmann und NJ Kreidl (Hrsg.), Academic Press, New York, S. 145-216.
[9] Aronen, A., Kocer., C., 2015, The Mechanical Failure of Tempered Glass;ein Vergleich von Teststandards und katastrophalen Ausfällen im Betrieb, in Proceedings of GPD Glass Performance Days 2015, S. 388–391.
[10] Anton, J., Aben, H., 2003, A Compact Scattered Light Polariscope for Residual Stress Measurement in Glass Plates, in Proceedings of Glass Proceedings Days 2003, S. 86-88.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, Imagenet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems, Curran Associates, Inc., S. 1097–1105.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, Fully Convolutional Networks for Semantic Segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, S. 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, verfügbar (abgerufen am 09.05.2018). .2018).https://arxiv.org/abs/1802.02611.
[14] He, K., Zhang, X., Ren, S., Sun, J., 2016, Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, S. 770 -778.
[15] Russakovsky, 0., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., 2015, Imagenet Large Scale Visual Recognition Challenge, International Journal of Computer Vision, Bd.115, S. 211–252.
[16] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., ILSVRC 2017, ImageNet, Webseite.Verfügbar (abgerufen am 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.