El recuento de fragmentos en la prueba de fragmentación estandarizada en la norma EN 12150-1 es la forma de definir el nivel de seguridad del vidrio templado y también una forma de obtener una indicación sobre el nivel de tensión y resistencia del vidrio templado.
Aunque la forma de contar el número de fragmentos está definida en la norma con ejemplos, el resultado real siempre depende del examinador.Para que el recuento sea coherente entre los exámenes y los examinadores, se necesita un proceso automatizado de recuento de fragmentos.Esto la convierte en una aplicación perfecta para un sistema de visión por computadora, ya que la computadora nunca se cansa ni pierde su objetividad.Ya existen sistemas para el recuento automatizado de fragmentos, pero tienen graves limitaciones.

Las herramientas y tecnologías modernas han revolucionado el campo de la visión por computadora en los últimos años.Principalmente esto se debe a los avances en las redes neuronales convolucionales, que son especialmente adecuadas para extraer patrones e información de imágenes visuales.Para hacer que los sistemas de recuento de fragmentos sean más flexibles, rápidos y económicos, estos avances recientes en visión por computadora permiten implementar sistemas de visión por computadora automatizados incluso en un teléfono inteligente móvil.

Introducción
El vidrio templado se produce mediante un proceso de tratamiento térmico en el que primero se calienta el panel de vidrio más allá de su temperatura de transición y luego se enfría rápidamente para producir un gradiente de temperatura a lo largo del espesor.El objetivo es congelar el vidrio cuando el vidrio tiene un gradiente de temperatura y luego, cuando la temperatura se vuelve uniforme, el estado residual es un perfil de tensión parabólico a través del espesor del vidrio.El vidrio templado está comprimido en la superficie y en tensión en el núcleo del vidrio.

El vidrio templado tiene dos ventajas en comparación con el vidrio flotado recocido.En primer lugar, la resistencia del vidrio a la flexión y a los impactos aumenta con la tensión de compresión en la superficie y, en segundo lugar, al romperse, el vidrio se fractura en pequeñas partículas inofensivas debido a la alta energía de deformación inducida.Debido a estas ventajas, el vidrio templado también se denomina vidrio de seguridad.

La prueba destructiva y la fragmentación por rotura es la forma de definir el nivel de tensión y seguridad del vidrio templado.La fragmentación muestra varias cosas de las tensiones, por ejemplo, el nivel de tensión y la uniformidad de las tensiones.En la norma EN 12150-1 [1] se define la prueba de punzonado en la que se impacta vidrio templado de tamaño 1100 x 360 mm² con una herramienta puntiaguda en el punto medio del borde más largo.

A partir del patrón de rotura, se cuenta el número de partículas en el área de 50 x 50 mm² a partir del área mínima de recuento de fragmentos.La norma define el nivel mínimo de fragmentos para diferentes espesores de vidrio para la seguridad del vidrio arquitectónico.El vidrio para automóviles tiene un estándar ECE R43 [2] similar para una fragmentación segura.En comparación con la norma EN 12150-1, en la norma ECE R43 el vidrio se impacta en el área central del vidrio.

La fragmentación del vidrio y su relación con el nivel de tensión ya se estudió en los años 60, siendo un ejemplo los conocidos resultados de Akeyoshi et al.[3].Definieron la relación entre el número de fragmentos y el nivel de tensión de tracción en el plano medio para diferentes espesores de vidrio entre 1,8 mm y 8,2 mm.

En 1968, Barsom [4] también publicó los resultados sobre la correlación de la tensión central y el peso medio de las partículas en vidrio templado.Recientemente, Pourmoghaddam & Schneider [5] y Pourmoghaddam et al. han publicado estudios.[6] que definen la relación entre el nivel de tensión y la fragmentación y también predicen la forma y distribución de los fragmentos en función del nivel de tensión y el punto de impacto.

El recuento de fragmentos es esencialmente una tarea visual, en la que el operador humano utiliza su cerebro de forma muy eficaz para separar los fragmentos individuales del cristal roto.Para un ser humano, esta tarea parece muy fácil y es fácil olvidar que dicha tarea requiere capacidades de reconocimiento de patrones muy sofisticadas y bien desarrolladas, que es el propósito para el que se han desarrollado nuestros cerebros.La definición para contar el número de fragmentos es sencilla y se muestra como ejemplo en la norma EN 12150-1 [1].

Sin embargo, aunque la tarea pueda parecer fácil, es muy laboriosa y requiere mucho tiempo.El proceso de conteo también es muy repetitivo y propenso a errores humanos debido a la falta de concentración y la fatiga.Debido a esto, es posible que los resultados del conteo puedan variar entre los examinadores.Especialmente, cuando el número de fragmentos es alto, el tamaño de los fragmentos es pequeño y para el ojo humano puede resultar difícil definir cuáles son los fragmentos más pequeños a contar y qué fragmentos están dentro del área de recuento.

En el proceso automatizado tradicional, la fotografía del patrón de fragmentación se procesa y analiza con herramientas de análisis de imágenes [7].Existen equipos para el recuento automatizado de fragmentos basados ​​en análisis de imágenes como CulletScanner de SoftSolution y FROG:Reconocedor de fragmentos de vidrio de Deltamax.

Recientemente, el aprendizaje automático ha revolucionado el campo de la visión por computadora, ya que las redes neuronales profundas pueden aprender representaciones muy abstractas de los datos subyacentes.Esto brinda nuevas herramientas para analizar patrones de fragmentación.Sin embargo, las redes neuronales profundas necesitan una buena cantidad de datos bien anotados.Esta es la parte que lleva mucho tiempo para hacer un buen modelo para el recuento de partículas.

En este artículo, el objetivo es presentar una forma novedosa de contar los fragmentos en el vidrio templado utilizando los últimos avances en el campo del aprendizaje automático.Además, se presenta la importancia de la anotación de los datos para el aprendizaje profundo.Antes del capítulo sobre aprendizaje automático, se presentan los antecedentes sobre la rotura del vidrio para comprender mejor los problemas del conteo del número de fragmentos en el vidrio templado.

Teoría de la fragmentación del vidrio.
La fragmentación del vidrio después de la rotura depende principalmente de la tensión.En el proceso de fragmentación, el crecimiento de las grietas se puede dividir en dos partes.En primer lugar, el vidrio necesita un nivel de tensión suficientemente alto para que las grietas crezcan espontáneamente.Este nivel de tensión ya es necesario para el vidrio termoendurecido cuando todas las grietas deberían crecer hasta el borde.En segundo lugar, en el vidrio templado, la bifurcación de las grietas es necesaria para el alto número de fragmentos.Este fenómeno de bifurcación necesita un mayor nivel de tensión inducida.[8]

El punto de fractura inicial y el apoyo o fuerza externa afectan la fragmentación del vidrio.Estas cosas influyen en la distribución de la tensión en las puntas de las grietas y, debido a eso, el patrón de fragmentación cambia.[8,9] Debido a esto, el punto de fractura inicial está definido en la norma.El tiempo después de la rotura en el que se debe contar el número de fragmentos se establece entre 3 y 5 minutos en la norma EN 12150-1 [1].También es importante tener esto en cuenta porque después de la propagación inicial de la grieta se forman grietas secundarias.Estas grietas secundarias suelen ser perpendiculares a los bordes de la grieta inicial y el número de ellas también depende del estado de tensión inicial.

La fragmentación de los vasos finos y gruesos es similar.Sin embargo, en los vidrios más gruesos, los bordes de las grietas son más ásperos que en los vidrios más delgados.Además, para vidrio grueso, la superficie del borde de fractura se puede inclinar.El patrón de fractura típico de vidrios de 4 mm y 10 mm de espesor nominal se muestra más adelante como ejemplo en las Figuras 9 y 10, respectivamente.El borde de la grieta más rugoso causa una línea de grieta más ancha y la superficie de la grieta inclinada puede verse como un área blanca debido a la alta reflexión dispersa de la luz desde la superficie de la grieta.Ambos pueden afectar el recuento de fragmentos.

Un enfoque para el recuento de fragmentos es definir la relación entre el nivel de tensión residual del vidrio y el recuento de fragmentos.Esto es importante si se utiliza el equipo de medición de tensión óptica para comprobar la calidad de los vidrios templados.La relación entre la tensión de tracción medida en el plano medio del polariscopio de luz dispersa (SCALP-05) [10] y el número de fragmentos contados se muestra en la Figura 1. Las pruebas se realizan con tamaños de vidrio de 1100 x 360 mm².Los datos experimentales se comparan con los datos de Akeyoshi et al.[3].Los resultados experimentales de los autores dan un mayor nivel de fragmentación para las gafas en comparación con los datos de Akeyoshi et al.[3].

Figura 1. Relación entre la tensión de tracción en el plano medio y el número de fragmentos en un área de 50 x 50 mm2.Los resultados experimentales para espesores de vidrio nominales (puntos) de 4 mm, 6 mm, 8 mm y 10 mm y los datos de comparación de Akeyoshi et al.[3] para espesores de vidrio de 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm y 8,2 mm.
Figura 1. Relación entre la tensión de tracción en el plano medio y el número de fragmentos en un área de 50 x 50 mm2.Los resultados experimentales para espesores de vidrio nominales (puntos) de 4 mm, 6 mm, 8 mm y 10 mm y los datos de comparación de Akeyoshi et al.[3] para espesores de vidrio de 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm y 8,2 mm.

Automatizar el recuento de fragmentos con visión artificial
Las redes neuronales convolucionales (CNN) dominan desde hace mucho tiempo el campo de la clasificación de imágenes y el reconocimiento de objetos.En 2012, una red neuronal convolucional profunda (DCNN) alcanzó por primera vez un rendimiento de vanguardia en el concurso de reconocimiento visual a gran escala ImageNet (ILSVRC) [11].El gran avance que aportaron las DCNN fue que ya no se requerían características sofisticadas y hechas a mano del espacio de entrada.

Antes del aprendizaje profundo, un proceso de clasificación de imágenes típico consistiría en un clasificador entrenado con funciones hechas a mano.Esto tiene algunos problemas, ya que los humanos no son necesariamente muy eficientes a la hora de definir las características que mejor distinguen las clases de entrada.La ventaja del aprendizaje profundo es que la red extrae automáticamente las características específicas de la tarea y se puede entrenar directamente de un extremo a otro, desde imágenes de entrada hasta clases de salida.

Sin embargo, la segmentación de fragmentos de vidrio no es simplemente un problema de clasificación de imágenes.Más bien, es un problema de clasificación de píxeles.El proceso en el que cada píxel de la imagen de entrada se clasifica en una determinada clase se denomina segmentación semántica.Tras el avance del aprendizaje profundo, no pasó mucho tiempo hasta que las nuevas tecnologías pudieron transferirse de la clasificación de imágenes a la segmentación semántica.

El problema es que las redes de clasificación tienen una resolución de salida muy baja ya que la salida se define simplemente como un vector de probabilidades de clase.Sin embargo, en la segmentación semántica, la resolución de salida debe ser tan alta como la resolución de la imagen de entrada.El trabajo de Long et al.[12] mostraron que las redes de clasificación existentes podrían transferirse a redes de segmentación semántica.Esto se hizo al convertir la clasificación en redes neuronales completamente conectadas (FCNN) agregando un muestreo ascendente dentro de la red y una pérdida de píxeles.

El trabajo de Long et al.Todavía era sólo un primer paso hacia la segmentación semántica de alto rendimiento.Desde entonces, redes más sofisticadas han impulsado continuamente el rendimiento de última generación.A partir de 2018, la red de segmentación semántica con mejor rendimiento es DeepLab v3+ de Google [13], que también se adopta en este trabajo para la tarea de segmentación de fragmentos de vidrio.

Teoría
La teoría detrás del proceso de conteo de fragmentos utilizado en este trabajo se presenta en la Figura 2. El proceso consiste en el sistema DeepLab v3+ de Google para realizar la segmentación y un algoritmo de posprocesamiento para realizar el recuento real.

Figura 2. Tubería de recuento de fragmentos.
Figura 2. Tubería de recuento de fragmentos.
El bloque DCNN, ASPP y DECODER en la Figura 2 son partes del sistema DeepLab v3+.El codificador es una red neuronal convolucional profunda estándar que se utiliza como parte de extracción de características de la red.En particular, en este trabajo se utiliza una arquitectura de red residual [14].La salida del codificador se dirige a un atroz módulo de agrupación de pirámides espaciales (ASPP), que muestrea el mapa de características con diferentes campos receptivos (campo de visión) para capturar el contexto de múltiples escalas.

Se utiliza un decodificador para restaurar la resolución espacial de la imagen de entrada.Básicamente, el decodificador combina la rica información semántica de baja resolución del módulo ASPP con la información espacial de alta resolución del módulo codificador.El resultado es una máscara de segmentación de alta resolución de la imagen de entrada original sin procesar.

La máscara de segmentación proporcionada por el sistema DeepLab se procesa posteriormente para obtener el recuento de fragmentos.Cada instancia de fragmento tiene un umbral que elimina cualquier pequeña conexión entre fragmentos adyacentes.Después de esto, el recuento de fragmentos se puede obtener de forma trivial contando cada región conectada en la máscara de segmentación binaria.

Anotación de datos
Las redes neuronales modernas de aprendizaje profundo dependen en gran medida de la cantidad de datos que pueden utilizar durante el entrenamiento.Ajustan su representación interna del problema iterando sobre el conjunto de datos varias veces.Con datos muy escasos, esto conduce a un modelo posiblemente sobreajustado que sólo ha aprendido un conjunto de datos muy específico.Este tipo de modelo normalmente no puede generalizarse a todo el dominio del problema, lo que lo hace inutilizable en una gama más amplia de aplicaciones.

Este caso no es diferente.Sin embargo, en el caso de la segmentación de fragmentos de vidrio, el conjunto de datos es mucho más simple que, por ejemplo, las imágenes generales recopiladas de Internet.En la segmentación del vidrio sólo se presenta una clase de objetos: el fragmento mismo.El modelo de red neuronal tiene que aprender a distinguir entre regiones fragmentadas y no fragmentadas.Un ejemplo de un conjunto de datos más complejo y ampliamente utilizado es ImageNet, que contiene más de 15 millones de imágenes pertenecientes a aproximadamente 22 000 categorías diferentes [15].Las imágenes se recopilan de Internet y están anotadas por humanos.Las redes neuronales modernas han demostrado un rendimiento a nivel humano incluso en conjuntos de datos muy desafiantes como ImageNet [16].

La anotación de datos requiere mucho tiempo y es costosa debido a la necesidad de mano de obra humana.La cantidad de datos suele ser un cuello de botella en el rendimiento del modelo, especialmente cuando se aplica a una tarea específica y no se pueden utilizar conjuntos de datos disponibles gratuitamente.La fragmentación del vidrio es un ejemplo de tal problema.Para que el modelo aprenda a segmentar los fragmentos, se le deben mostrar numerosos ejemplos de segmentaciones correctas o reales.

Proceso de anotación
En la Figura 3, se muestran ejemplos de segmentaciones de verdad fundamental.Estos ejemplos están creados por humanos y cada muestra requiere entre 10 y 30 minutos de tiempo, según la experiencia del anotador.El proceso de anotación es bastante sencillo: cada fragmento se etiqueta con un polígono definiendo sus vértices.

Como se desprende de las muestras, el proceso también es muy subjetivo.Cada persona hace la segmentación de forma algo distinta.Sin embargo, la anotación debe realizarse de manera que queden espacios suficientemente amplios entre los polígonos adyacentes.Esto obliga al modelo a separar de manera confiable fragmentos adyacentes, lo cual es fundamental para obtener cantidades como el recuento de fragmentos.En una imagen sin formato, el borde del fragmento a veces puede tener solo unos pocos píxeles de ancho y prácticamente no se puede distinguir del fondo.En estos casos, se dejan espacios más amplios entre los polígonos de etiquetas.

Figura 3. Muestras de imágenes sin procesar y anotaciones reales correspondientes para diferentes categorías de vidrio.
Figura 3. Muestras de imágenes sin procesar y anotaciones reales correspondientes para diferentes categorías de vidrio.

Experimento sobre la subjetividad del recuento de fragmentos.
La tarea de contar fragmentos es muy subjetiva por su naturaleza.A menudo no está claro qué zonas del cristal roto se pueden contar como fragmentos individuales y ni siquiera la norma da instrucciones claras al respecto.Por lo tanto, la persona real que realiza la prueba de fragmentación puede tener un efecto significativo en el recuento de fragmentos incluso cuando los fragmentos se cuentan de la misma región.Aún más, se introduce variación cuando se requiere que los individuos elijan la región con menos fragmentos.En la Figura 4 se presenta el área de interés para el ensayo de fragmentación definido por la norma EN 12150-1 [1].

Figura 4. Área de interés en el análisis de fragmentación.Todas las áreas dentro de la línea discontinua deben incluirse en el análisis.
Figura 4. Área de interés en el análisis de fragmentación.Todas las áreas dentro de la línea discontinua deben incluirse en el análisis.
Se investigó experimentalmente la naturaleza subjetiva del recuento de fragmentos.El objetivo del experimento era investigar la variación en el recuento de fragmentos entre varios examinadores humanos.El ensayo consistió en dos probetas de 4 mm y 10 mm de espesor.Se eligieron dos espesores de vidrio porque el patrón de fragmentación es muy diferente para el vidrio fino y el grueso.El espesor tiene un efecto significativo sobre el patrón de rotura y la apariencia visual de los fragmentos.En general, es más fácil contar fragmentos de vidrio más delgado.La prueba se organizó de la siguiente manera.Se rompieron dos cristales templados de tamaño estándar (1100 x 360 mm²) de 4 mm y 10 mm de espesor.Cada individuo contó los fragmentos de dos regiones separadas de 50 x 50 mm²: una del centro del vidrio y una región elegida libremente (dentro de la línea discontinua de la Figura 4) de mínimos fragmentos.También se informaron las coordenadas de regiones elegidas libremente para comparar cómo cada individuo encuentra las áreas con menos fragmentos de vidrio del vidrio.

Los patrones de fragmentación de los vidrios de prueba de 4 mm y 10 mm se muestran en las Figuras 5 y 6, respectivamente, y los resultados del recuento de fragmentos para ambos vidrios se muestran en la Tabla 1. Además, los mapas de calor para la distribución de fragmentos para ambas muestras se presentan en las Figuras. 6 y 7. Encima de cada mapa de calor, se dibujan rectángulos que especifican las áreas elegidas libremente.

Figura 5. Patrón de fragmentación de una muestra de prueba de 4 mm.
Figura 5. Patrón de fragmentación de una muestra de prueba de 4 mm.
Figura 6. Patrón de fragmentación de una muestra de prueba de 10 mm.
Figura 6. Patrón de fragmentación de una muestra de prueba de 10 mm.
En los mapas de calor, el color azul indica una menor densidad de fragmentos, mientras que el color amarillo indica una mayor densidad.En ambos casos, la mayoría de los examinadores han elegido el área en la región superior derecha, que de hecho es el área de menor densidad de fragmentos dentro del área de interés permitida descrita en la Figura 4. Sin embargo, algunos examinadores han terminado con regiones diferentes e introduce variación adicional en el recuento final de fragmentos de la muestra.

Tabla 1. Resultados de una prueba experimental de recuento de fragmentos
Tabla 1. Resultados de una prueba experimental de recuento de fragmentos.
Los resultados muestran que existe una variación significativa en el recuento de fragmentos entre examinadores humanos, incluso cuando todos contaron fragmentos de exactamente la misma región.Las diferencias son aún mayores cuando el examinador elige libremente el área con menor cantidad de vidrio desecho.

Para el vidrio de 4 mm, el recuento del modelo de IA está dentro de 1 desviación estándar del recuento humano promedio.Para vidrio de 10 mm está un poco más alejado.Sin embargo, esto no significa que el modelo de IA sea incorrecto ya que la tarea es muy subjetiva.Las imágenes de las regiones centrales de las muestras de prueba se muestran en las Figuras 7 y 8 y las imágenes superpuestas correspondientes de la segmentación de IA se muestran en las Figuras 9 y 10.

Figura 7. Mapa de calor de distribución de fragmentos para una muestra de 4 mm y rectángulos rojos que muestran las regiones elegidas libremente en el experimento.
Figura 7. Mapa de calor de distribución de fragmentos para una muestra de 4 mm y rectángulos rojos que muestran las regiones elegidas libremente en el experimento.
Figura 8. Mapa de calor de distribución de fragmentos para una muestra de 10 mm y rectángulos rojos que muestran las regiones elegidas libremente en el experimento.
Figura 8. Mapa de calor de distribución de fragmentos para una muestra de 10 mm y rectángulos rojos que muestran las regiones elegidas libremente en el experimento.
Los recuentos de fragmentos correspondientes del modelo AI para muestras de 4 mm y 10 mm fueron 98 y 68, respectivamente.Estas imágenes demuestran la dificultad del recuento de fragmentos: en las imágenes, hay muchos fragmentos pequeños que el sistema de IA ha contado como fragmentos individuales y un humano podría no hacerlo.Esto es especialmente cierto en el caso de una muestra de 10 mm.En la imagen de segmentación de la muestra de 10 mm, se puede ver que el sistema de IA ha incluido muchos fragmentos pequeños en el recuento final, lo que no es incorrecto, pero da como resultado un número mayor que el del examinador humano promedio.Un beneficio del sistema automatizado es que es consistente en sus decisiones y los resultados no varían por cansancio, falta de concentración u otras condiciones que afecten a los examinadores humanos.

Resumen
Las dificultades del recuento de fragmentos se investigaron experimentalmente y los resultados se presentan en este artículo.Los resultados mostraron que el recuento de fragmentos no es una tarea trivial y, dado que no hay instrucciones claras para el proceso en los estándares, los resultados del recuento pueden variar significativamente entre los examinadores.Las desviaciones estándar relativas de los fragmentos para las regiones centrales de muestras de 4 mm y 10 mm fueron del 4,9% y el 6,4%, respectivamente.

Además, las diferencias en el conteo no son lo único que afecta el conteo final de fragmentos.El examinador también debe determinar el área de menor densidad de fragmentos, lo que introduce más variación.Para las regiones elegidas libremente de muestras de 4 mm y 10 mm, las desviaciones estándar relativas respectivas fueron 8,0% y 9,9%.

En este artículo también se presenta un enfoque basado en el aprendizaje automático para el recuento de fragmentos.Se demostró que las tecnologías modernas de aprendizaje profundo y visión por computadora son capaces de contar con precisión fragmentos de una imagen de vidrio roto.Un enfoque automatizado tiene el beneficio de obtener resultados objetivos y consistentes.Sin embargo, este tipo de enfoque depende en gran medida de los datos disponibles, cuya obtención es engorrosa y costosa.

Referencias
[1] EN 12150-1:2015, 2015, Vidrio para la construcción. Vidrio de seguridad de silicato sodocálcico termoendurecido. Parte 1: Definición y descripción, CEN.
[2] E/ECE, 2017, Acuerdo relativo a la Adopción de Condiciones Uniformes de Aprobación y Reconocimiento Recíproco de Aprobación de Equipos y Piezas de Vehículos de Motor.Anexo 42, Reglamento N° 43, Revisión 4: Disposiciones uniformes relativas a la aprobación de materiales de acristalamiento de seguridad y sus instalaciones en vehículos, Anexo 5, abril de 2017
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, págs.23.
[4] Barsom, JM, 1968, Fractura de vidrio templado, J. Am.Cerámica.Soc.vol.51, págs. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, Investigación experimental sobre el tamaño de los fragmentos de vidrio templado, Glass Struct Eng, vol.3, pp.167-181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam, N., Kraus, MA, Schneider, J., Siebert, G., 2018, Relación entre la energía de deformación y la morfología del patrón de fractura del vidrio templado térmicamente para la predicción de la fragmentación del vidrio a macroescala 2D, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Análisis automatizado de fragmentación de vidrio, Proc.SPIE 2665, Aplicaciones de Visión Artificial en Inspección Industrial IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Templado térmico del vidrio, en Glass Science and Technology vol.5 Elasticidad y resistencia en gafas, DR Uhlmann y NJ Kreidl (Eds.), Academic Press, Nueva York, págs. 145-216.
[9] Aronen, A., Kocer., C., 2015, La falla mecánica del vidrio templado;una comparación de los estándares de prueba y las fallas catastróficas en servicio, en Actas de los días de desempeño de GPD Glass 2015, págs. 388-391.
[10] Anton, J., Aben, H., 2003, Un polariscopio compacto de luz dispersa para medición de tensión residual en placas de vidrio, en Actas de Glass Proceedings Days 2003, págs. 86-88.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, Clasificación de Imagenet con redes neuronales convolucionales profundas, Avances en sistemas de procesamiento de información neuronal, Curran Associates, Inc., págs.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, Redes totalmente convolucionales para segmentación semántica, Conferencia IEEE de 2015 sobre visión por computadora y reconocimiento de patrones (CVPR), IEEE, págs.
[13] Chen, L., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018, Codificador-Secodificador con convolución separable atroz para segmentación de imágenes semánticas, CoRR, 2018, disponible (consultado el 05 de septiembre). .2018).https://arxiv.org/abs/1802.02611.
[14] He, K., Zhang, X., Ren, S., Sun, J., 2016, Aprendizaje residual profundo para el reconocimiento de imágenes, Conferencia IEEE de 2016 sobre visión por computadora y reconocimiento de patrones (CVPR), IEEE, págs.770 -778.
[15] Russakovsky, 0., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., 2015, Desafío de reconocimiento visual a gran escala de Imagenet, Revista Internacional de Visión por Computadora, vol.115, págs. 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, página web.Disponible (consultado el 05.09.2018).https://image-net.org/challenges/LSVRC/2017/results.