Broj fragmenata u standardiziranom testu fragmentacije u standardu EN 12150-1 je način da se definira razina sigurnosti kaljenog stakla i način da se dobije indikacija o stresu i razini čvrstoće kaljenog stakla.
Iako je način brojanja fragmenata definiran standardom primjerom, stvarni rezultat uvijek ovisi o ispitivaču.Kako bi brojanje bilo dosljedno za preglede i ispitivače, potreban je automatizirani proces brojanja fragmenata.To ga čini savršenom primjenom za sustav računalnog vida jer se računalo nikada ne umara niti gubi svoju objektivnost.Sustavi za automatizirano brojanje fragmenata već postoje, ali imaju ozbiljna ograničenja

Moderni alati i tehnologije napravili su revoluciju u području računalnog vida posljednjih godina.To je uglavnom zbog napretka u konvolucijskim neuronskim mrežama, koje su posebno prikladne za izdvajanje uzoraka i informacija iz vizualnih slika.Kako bi sustavi brojanja fragmenata bili fleksibilniji, brži i jeftiniji, ova nedavna dostignuća u računalnom vidu omogućuju implementaciju automatiziranog sustava računalnog vida čak i na mobilni pametni telefon.

Uvod
Kaljeno staklo proizvodi se postupkom toplinske obrade gdje se staklena ploča prvo zagrijava iznad svoje prijelazne temperature, a zatim se brzo hladi kako bi se proizveo temperaturni gradijent kroz debljinu.Cilj je zamrznuti staklo kada staklo ima temperaturni gradijent, a zatim kada temperatura postane ujednačena, rezidualno stanje je parabolički profil naprezanja kroz debljinu stakla.Kaljeno staklo je kompresirano na površini i napetosti u jezgri stakla.

Kaljeno staklo ima dvije prednosti u usporedbi s žarenim float staklom.Prvo, čvrstoća stakla na savijanje i udarce povećava se s tlačnim naprezanjem u površini i drugo, pri lomu se staklo lomi u male bezopasne čestice zbog velike inducirane energije deformacije.Zbog ovih prednosti kaljeno staklo se naziva i sigurnosnim staklom.

Test razaranja i fragmentacija uslijed loma način je definiranja stresa i sigurnosne razine kaljenog stakla.Fragmentacija pokazuje nekoliko stvari iz naprezanja, npr. razinu naprezanja i jednolikost naprezanja.U standardu EN 12150-1 [1] definiran je test bušenja gdje se kaljeno staklo veličine 1100 x 360 mm² udara šiljastim alatom na sredini najduljeg ruba.

Iz obrasca lomljenja, broj čestica u području od 50 x 50 mm² računa se od površine minimalnog broja fragmenata.Norma definira minimalnu razinu fragmenata za različite debljine stakla za sigurnost arhitektonskog stakla.Automobilsko staklo ima sličan ECE R43 [2] standard za sigurnu fragmentaciju.U usporedbi sa standardom EN 12150-1, u standardu ECE R43 staklo se udara u središnje područje stakla.

Fragmentacija stakla i njezina povezanost s razinom naprezanja proučavana je već 1960-ih, primjer su dobro poznati rezultati Akeyoshija i sur.[3].Oni su definirali odnos između broja fragmenata i razine vlačnog naprezanja u srednjoj ravnini za različite debljine stakla između 1,8 mm i 8,2 mm.

Godine 1968. Barsom [4] također je objavio rezultate o korelaciji središnje napetosti i prosječne težine čestica u kaljenom staklu.Nedavno su studije objavili Pourmoghaddam & Schneider [5] i Pourmoghaddam et al.[6] koji definiraju odnos između razine naprezanja i fragmentacije te također predviđaju oblik i distribuciju fragmenata na temelju razine naprezanja i točke udara.

Brojanje fragmenata u biti je vizualni zadatak, pri čemu ljudski operater vrlo učinkovito koristi svoj mozak za odvajanje pojedinačnih krhotina od razbijenog stakla.Čovjeku se ovaj zadatak čini vrlo laganim i lako je zaboraviti kako takav zadatak zahtijeva vrlo sofisticirane i dobro razvijene sposobnosti prepoznavanja uzoraka, što je upravo svrha za koju su se razvili naši mozgovi.Definicija brojanja fragmenata je jednostavna i prikazana kao primjer u standardu EN 12150-1 [1].

Međutim, iako se zadatak može činiti laganim, vrlo je naporan i dugotrajan.Proces brojanja također se vrlo ponavlja i podložan je ljudskim pogreškama zbog nedostatka koncentracije i umora.Zbog toga je moguće da rezultati prebrojavanja mogu i variraju od ispitivača do ispitivača.Osobito kada je broj fragmenata velik, veličina fragmenata je mala i ljudskom oku može biti teško definirati koji su najmanji fragmenti za brojanje i koji se fragmenti nalaze unutar područja brojanja.

U tradicionalnom automatiziranom procesu, fotografija uzorka fragmentacije obrađuje se i analizira alatima za analizu slike [7].Postoji oprema za automatizirano brojanje fragmenata na temelju analize slike kao što je CulletScanner tvrtke SoftSolution i FROG:Fragment prepoznavač stakla tvrtke Deltamax.

Nedavno je strojno učenje revolucioniralo polje računalnog vida, jer duboke neuronske mreže mogu naučiti vrlo apstraktne prikaze temeljnih podataka.To daje nove alate za analizu uzoraka fragmentacije.Međutim, duboke neuronske mreže trebaju dobru količinu dobro označenih podataka.Ovo je dugotrajan dio za izradu dobrog modela za brojanje čestica.

U ovom radu fokus je na predstavljanju novog načina brojanja fragmenata u kaljenom staklu korištenjem najnovijih dostignuća u području strojnog učenja.Također, prikazana je važnost označavanja podataka za duboko učenje.Prije poglavlja o strojnom učenju, predstavljena je pozadina o lomu stakla kako bi se bolje razumjeli problemi brojanja fragmenata u kaljenom staklu.

Teorija fragmentacije stakla
Fragmentacija stakla nakon loma uglavnom ovisi o naprezanju.U procesu fragmentacije, rast pukotina može se podijeliti u dva dijela.Prvo, staklo treba dovoljno visoku razinu naprezanja da pukotine spontano narastu.Ova razina naprezanja je potrebna već kod toplinski ojačanog stakla kada bi sve pukotine trebale narasti do ruba.Drugo, od kaljenog stakla, bifurkacija pukotina je potrebna za veliki broj fragmenata.Ovaj fenomen bifurkacije zahtijeva višu razinu induciranog stresa.[8]

Početna točka loma i vanjski oslonac ili sila utječu na fragmentaciju stakla.Ove stvari utječu na raspodjelu naprezanja na vrhovima pukotina i zbog toga se mijenja obrazac fragmentacije.[8,9] Zbog toga je početna točka loma definirana standardom.Vrijeme nakon loma u kojem se treba računati broj fragmenata postavljeno je na 3 do 5 minuta u standardu EN 12150-1 [1].Ovo je također važno uzeti u obzir jer nakon početnog širenja pukotine nastaju sekundarne pukotine.Ove sekundarne pukotine obično su okomite na početne rubove pukotine, a njihov broj također ovisi o početnom stanju naprezanja.

Fragmentacija tankog i debelog stakla je slična.Međutim, kod debljih stakala rubovi pukotina su grublji nego kod tanjih stakala.Također, za debelo staklo, površina ruba loma može se nagnuti.Tipični uzorak loma stakla nominalne debljine 4 mm i 10 mm prikazan je kasnije kao primjer na slikama 9 odnosno 10.Hrapaviji rub pukotine uzrokuje širu liniju pukotine, a nagnuta površina pukotine može se vidjeti kao bijelo područje zbog velike raspršene refleksije svjetlosti s površine pukotine.Oboje može utjecati na brojanje fragmenata.

Jedan pristup broju fragmenata je definiranje odnosa između razine zaostalog naprezanja stakla i broja fragmenata.Ovo je važno ako se oprema za mjerenje optičkog naprezanja koristi za provjeru kvalitete kaljenih stakala.Odnos između polariskopa raspršenog svjetla (SCALP-05) [10] izmjerenog vlačnog naprezanja u srednjoj ravnini i izbrojanog broja fragmenata prikazan je na slici 1. Ispitivanja su provedena sa staklom veličine 1100 x 360 mm².Eksperimentalni podaci uspoređeni su s podacima Akeyoshija i sur.[3].Eksperimentalni rezultati autora daju višu razinu fragmentacije za stakla u usporedbi s podacima Akeyoshija i sur.[3].

Slika 1. Odnos između vlačnog naprezanja u srednjoj ravnini i broja fragmenata u području 50 x 50 mm2.Eksperimentalni rezultati za nominalne debljine stakla od 4 mm, 6 mm, 8 mm i 10 mm (točke) i usporedni podaci iz Akeyoshi et al.[3] za debljine stakla od 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm i 8,2 mm.
Slika 1. Odnos između vlačnog naprezanja u srednjoj ravnini i broja fragmenata u području 50 x 50 mm2.Eksperimentalni rezultati za nominalne debljine stakla od 4 mm, 6 mm, 8 mm i 10 mm (točke) i usporedni podaci iz Akeyoshi et al.[3] za debljine stakla od 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm i 8,2 mm.

Automatiziranje brojanja fragmenata sa strojnim vidom
Konvolucijske neuronske mreže (CNN) već dugo dominiraju područjem klasifikacije slika i prepoznavanja objekata.Godine 2012. duboka konvolucijska neuronska mreža (DCNN) prvi je put postigla najsuvremeniju izvedbu u ImageNet Large Scale Visual Recognition Competition (ILSVRC) [11].Proboj koji su donijeli DCNN-ovi bio je da više nisu bile potrebne sofisticirane, ručno izrađene značajke ulaznog prostora.

Prije dubokog učenja, tipični cjevovod za klasifikaciju slika sastojao bi se od klasifikatora obučenog za ručno izrađene značajke.Ovo ima problema jer ljudi nisu nužno vrlo učinkoviti u definiranju značajki koje najbolje razlikuju ulazne klase.Prednost dubokog učenja je u tome što mreža automatski izdvaja značajke specifične za zadatak i može se izravno obučavati od kraja do kraja, od ulaznih slika do izlaznih klasa.

Međutim, segmentacija fragmenata stakla nije samo problem klasifikacije slike.Umjesto toga, to je problem klasifikacije piksela.Proces u kojem se svaki piksel na ulaznoj slici svrstava u određenu klasu naziva se semantička segmentacija.Nakon prodora dubokog učenja, nije trebalo dugo da se nove tehnologije prebace s klasifikacije slika na semantičku segmentaciju.

Problem je u tome što klasifikacijske mreže imaju vrlo nisku rezoluciju izlaza budući da je izlaz definiran jednostavno kao vektor vjerojatnosti klase.U semantičkoj segmentaciji, međutim, izlazna razlučivost bi trebala biti jednako visoka kao i ulazna razlučivost slike.Rad Longa i sur.[12] pokazali su da se postojeće klasifikacijske mreže mogu prenijeti u mreže semantičke segmentacije.To je učinjeno prevođenjem klasifikacije u potpuno povezane neuronske mreže (FCNN) dodavanjem povećanja uzorkovanja unutar mreže i gubitka po pikselima.

Rad Longa i sur.je još uvijek bio samo prvi korak prema visokoučinkovitoj semantičkoj segmentaciji.Od tada su sve sofisticiranije mreže kontinuirano gurale najsuvremenije performanse.Od 2018. godine, mreža semantičke segmentacije s najboljom izvedbom je DeepLab v3+ tvrtke Google [13], koja je također u ovom radu usvojena za zadatak segmentacije fragmenata stakla.

Teorija
Teorija koja stoji iza cjevovoda za brojanje fragmenata korištenog u ovom radu prikazana je na slici 2. Cjevovod se sastoji od Googleovog sustava DeepLab v3+ za izvođenje segmentacije i algoritma za naknadnu obradu za stvarno brojanje.

Slika 2. Cjevovod za brojanje fragmenata.
Slika 2. Cjevovod za brojanje fragmenata.
DCNN, ASPP i DECODER blok na slici 2 dijelovi su sustava DeepLab v3+.Koder je standardna duboka konvolucijska neuronska mreža koja se koristi kao značajka koja izdvaja dio mreže.Posebno se u ovom radu koristi rezidualna mrežna arhitektura [14].Izlaz kodera usmjeren je na modul prostorne piramide (ASPP) koji uzorkuje mapu značajki s različitim receptivnim poljima (vidnim poljem) kako bi uhvatio kontekst u više razmjera.

Dekoder se koristi za vraćanje prostorne rezolucije ulazne slike.Dekoder u biti kombinira bogate semantičke informacije niske rezolucije iz modula ASPP s prostornim informacijama visoke rezolucije iz modula kodera.Rezultat je segmentacijska maska ​​visoke razlučivosti izvorne neobrađene ulazne slike.

Segmentacijska maska ​​koju daje sustav DeepLab dalje se naknadno obrađuje kako bi se dobio broj fragmenata.Svaka instanca fragmenta ima prag tako da se uklanjaju sve male veze između susjednih fragmenata.Nakon toga, broj fragmenata može se trivijalno dobiti brojanjem svake povezane regije u binarnoj segmentacijskoj maski.

Anotacija podataka
Moderne neuronske mreže dubokog učenja uvelike se oslanjaju na količinu podataka koje mogu iskoristiti tijekom obuke.Oni prilagođavaju svoj interni prikaz problema ponavljajući skup podataka više puta.S vrlo rijetkim podacima, to dovodi do moguće preopterećenog modela koji je naučio samo vrlo specifičan skup podataka.Ova vrsta modela obično se ne može generalizirati na cijelu domenu problema, što ga čini neupotrebljivim u širem rasponu primjena.

Ovaj slučaj nije drugačiji.Međutim, u slučaju segmentacije fragmenata stakla, skup podataka je puno jednostavniji od primjerice općih slika prikupljenih s interneta.U segmentaciji stakla prikazana je samo jedna klasa predmeta: sam ulomak.Model neuronske mreže mora naučiti razlikovati fragmentirana i nefragmentirana područja.Primjer široko korištenog, složenijeg skupa podataka je ImageNet, koji sadrži preko 15 milijuna slika koje pripadaju otprilike 22 000 različitih kategorija [15].Slike su prikupljene s interneta i komentirane od strane ljudi.Moderne neuronske mreže pokazale su performanse na ljudskoj razini čak i na vrlo izazovnim skupovima podataka kao što je ImageNet [16].

Bilježenje podataka je dugotrajno i skupo zbog potrebe za ljudskim radom.Količina podataka obično je usko grlo u izvedbi modela, osobito kada se primjenjuje na određeni zadatak i ne mogu se koristiti slobodno dostupni skupovi podataka.Fragmentacija stakla primjer je takvog problema.Kako bi model naučio segmentirati fragmente, moraju mu se pokazati brojni primjeri ispravnih ili temeljnih istinitih segmentacija.

Proces anotiranja
Na slici 3 prikazani su primjeri segmentacija temeljne istine.Ove primjere izradio je čovjek, a svaki uzorak zahtijeva oko 10-30 minuta vremena, ovisno o iskustvu autora primjedbi.Proces označavanja je vrlo jednostavan: svaki fragment je označen poligonom definiranjem njegovih vrhova.

Kao što se može vidjeti iz uzoraka, proces je također vrlo subjektivan.Svaka osoba radi segmentaciju na drugačiji način.Međutim, bilješku treba napraviti tako da između svih susjednih poligona ostanu dovoljno široki razmaci.Ovo prisiljava model na pouzdano odvajanje susjednih krhotina, što je ključno za dobivanje količina kao što je broj krhotina.Na neobrađenoj slici, rub krhotine ponekad može biti samo nekoliko piksela širok i praktički se ne može razlikovati od pozadine.U tim slučajevima ostavljaju se širi razmaci između poligona oznaka.

Slika 3. Uzorci neobrađenih slika i odgovarajućih bilješki temeljne istine za različite kategorije stakla.
Slika 3. Uzorci neobrađenih slika i odgovarajućih bilješki temeljne istine za različite kategorije stakla.

Eksperimentirajte subjektivnost brojanja fragmenata
Zadatak brojanja fragmenata vrlo je subjektivan po svojoj prirodi.Često nije jasno koja se područja razbijenog stakla mogu računati kao pojedinačne krhotine, a čak ni standard ne daje nedvosmislene upute za to.Stoga stvarna osoba koja provodi test fragmentacije može imati značajan učinak na broj fragmenata čak i kada se fragmenti broje iz iste regije.Štoviše, uvodi se varijacija, kada se od pojedinaca traži da odaberu područje najmanje fragmenata.Na slici 4. prikazano je područje interesa za ispitivanje fragmentacije definirano normom EN 12150-1 [1].

Slika 4. Područje interesa u analizi fragmentacije.Sva područja unutar isprekidane linije trebaju biti uključena u analizu.
Slika 4. Područje interesa u analizi fragmentacije.Sva područja unutar isprekidane linije trebaju biti uključena u analizu.
Eksperimentalno je ispitana subjektivna priroda brojanja fragmenata.Cilj eksperimenta bio je istražiti varijacije u broju fragmenata kod nekoliko ljudskih ispitivača.Ispitivanje se sastojalo od dva ispitna uzorka debljine 4 mm i 10 mm.Izabrane su dvije debljine stakla jer je uzorak fragmentacije vrlo različit za tanko i debelo staklo.Debljina ima značajan utjecaj na uzorak loma i vizualni izgled fragmenata.Općenito, lakše je brojati fragmente od tanjeg stakla.Test je organiziran na sljedeći način.Razbijena su dva kaljena stakla standardne veličine (1100 x 360 mm²) debljine 4 mm i 10 mm.Svaki je pojedinac brojao fragmente iz dva odvojena područja veličine 50 x 50 mm²: jedno iz središta stakla i jedno slobodno odabrano područje (unutar isprekidane linije na slici 4) najmanje fragmenata.Koordinate slobodno odabranih područja također su prijavljene kako bi se usporedilo kako svaki pojedinac nalazi najmanje područja krhotina u staklu.

Uzorci fragmentacije ispitnih stakala od 4 mm i 10 mm prikazani su na slikama 5 i 6, a rezultati brojanja fragmenata za oba stakla prikazani su u tablici 1. Također, toplinske karte za distribuciju fragmenata za oba uzorka prikazane su na slikama 6 i 7. Na vrhu svake toplinske karte nacrtani su pravokutnici koji specificiraju slobodno odabrana područja.

Slika 5. Uzorak fragmentacije ispitnog uzorka od 4 mm.
Slika 5. Uzorak fragmentacije ispitnog uzorka od 4 mm.
Slika 6. Uzorak fragmentacije ispitnog uzorka od 10 mm.
Slika 6. Uzorak fragmentacije ispitnog uzorka od 10 mm.
U toplinskim kartama plava boja označava manju gustoću fragmenata, dok žuta boja označava veću gustoću.U oba slučaja, većina ispitivača odabrala je područje u gornjem desnom dijelu, što je doista područje najmanje gustoće fragmenata unutar dopuštenog područja interesa opisanog na slici 4. Međutim, neki su ispitivači završili s različitim regijama i uvodi daljnje varijacije do konačnog broja fragmenata za uzorak.

Tablica 1. Rezultati eksperimentalnog testa brojanja fragmenata
Tablica 1. Rezultati eksperimentalnog testa brojanja fragmenata.
Rezultati pokazuju da postoji značajna varijacija u broju fragmenata među ljudskim ispitivačima, čak i kada su svi brojali fragmente iz potpuno iste regije.Razlike su još veće kada ispitivač slobodno izabere područje najmanjeg odboja.

Za staklo od 4 mm, broj AI modela je unutar 1 standardne devijacije prosječnog ljudskog broja.Za staklo od 10 mm je nešto dalje.Međutim, to ne znači da je model umjetne inteligencije pogrešan jer je zadatak vrlo subjektivan.Slike središnjih područja ispitnih uzoraka prikazane su na slikama 7 i 8, a odgovarajuće preklapajuće slike AI segmentacije prikazane su na slikama 9 i 10.

Slika 7. Toplinska karta distribucije fragmenata za uzorak od 4 mm i crveni pravokutnici koji prikazuju slobodno odabrana područja u eksperimentu.
Slika 7. Toplinska karta distribucije fragmenata za uzorak od 4 mm i crveni pravokutnici koji prikazuju slobodno odabrana područja u eksperimentu.
Slika 8. Toplinska karta distribucije fragmenata za uzorak od 10 mm i crveni pravokutnici koji prikazuju slobodno odabrana područja u eksperimentu.
Slika 8. Toplinska karta distribucije fragmenata za uzorak od 10 mm i crveni pravokutnici koji prikazuju slobodno odabrana područja u eksperimentu.
Odgovarajući broj fragmenata AI modela za uzorke od 4 mm i 10 mm bio je 98 odnosno 68.Ove slike pokazuju poteškoću brojanja fragmenata: na slikama postoji mnogo malih fragmenata koje je AI sustav prebrojao kao pojedinačne fragmente, a čovjek ih možda ne bi.To je osobito istinito u slučaju uzorka od 10 mm.Na segmentiranoj slici uzorka od 10 mm može se vidjeti da je AI sustav uključio mnogo malih fragmenata u konačni broj, što nije pogrešno, ali rezultira većim brojem od prosječnog ljudskog ispitivača.Jedna od prednosti automatiziranog sustava je da je dosljedan u svojim odlukama i da rezultati ne variraju zbog umora, nedostatka koncentracije ili drugih uvjeta koji utječu na ljudske ispitivače.

Sažetak
Poteškoće brojanja fragmenata eksperimentalno su ispitane i rezultati su prikazani u ovom radu.Rezultati su pokazali da brojanje fragmenata nije trivijalan zadatak i budući da nema jasnih uputa za postupak u standardima, rezultati brojanja mogu značajno varirati od ispitivača do ispitivača.Relativne standardne devijacije fragmenata za središnje regije uzoraka od 4 mm i 10 mm bile su 4,9% odnosno 6,4%.

Osim toga, razlike u brojanju nisu jedina stvar koja utječe na konačni broj fragmenata.Ispitivač također mora odrediti područje najniže gustoće fragmenata, što dovodi do veće varijance.Za slobodno odabrana područja uzoraka od 4 mm i 10 mm, odgovarajuće relativne standardne devijacije bile su 8,0% i 9,9%.

U ovom je radu također predstavljen pristup brojanju fragmenata koji se temelji na strojnom učenju.Pokazalo se da su suvremene tehnologije dubokog učenja i računalnog vida sposobne precizno prebrojati fragmente slike razbijenog stakla.Prednost automatiziranog pristupa su objektivni i dosljedni rezultati.Međutim, ovakav pristup uvelike ovisi o dostupnim podacima, čije je dobivanje glomazno i ​​skupo.

Reference
[1] EN 12150-1:2015, 2015, Staklo u građevinarstvu – Termički ojačano natrijum-vapneno silikatno sigurnosno staklo – 1. dio: Definicija i opis, CEN.
[2] E/ECE, 2017., Sporazum o usvajanju jedinstvenih uvjeta odobrenja i uzajamnog priznavanja odobrenja za opremu i dijelove motornih vozila.Dodatak 42, Pravilnik br. 43, Revizija 4: Jedinstvene odredbe koje se odnose na homologaciju materijala za sigurnosno staklo i njihove ugradnje na vozila, Dodatak 5, travanj 2017.
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967., Rep. Res.Lab., Asahi Glass., 17, str. 23.
[4] Barsom, JM, 1968., Lom kaljenog stakla, J. Am.Ceram.Soc.vol.51, str. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018., Eksperimentalno istraživanje veličine fragmenata kaljenog stakla, Glass Struct Eng, vol.3, str.167-181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam, N., Kraus, MA, Schneider, J., Siebert, G., 2018., Odnos između energije deformacije i morfologije uzorka loma toplinski kaljenog stakla za predviđanje 2D makrorazmjerne fragmentacije stakla, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Automatizirana analiza fragmentacije stakla, Proc.SPIE 2665, Primjene strojnog vida u industrijskoj inspekciji IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980., Toplinsko kaljenje stakla, u Glass Science and Technology sv.5 Elastičnost i čvrstoća u staklima, DR Uhlmann i NJ Kreidl (ur.), Academic Press, New York, str. 145-216.
[9] Aronen, A., Kocer., C., 2015., Mehanički kvar kaljenog stakla;Usporedba standarda testiranja i katastrofalnog kvara tijekom rada, u Proceedings of GPD Glass performance days 2015, str. 388-391.
[10] Anton, J., Aben, H., 2003, Kompaktni polariskop raspršene svjetlosti za mjerenje zaostalog naprezanja u staklenim pločama, u zborniku Glass Proceedings Days 2003, str. 86-88.
[11] Križhevsky, A., Sutskever, I., Hinton, GE, 2012., Imagenet klasifikacija s dubokim konvolucijskim neuronskim mrežama, Napredak u sustavima obrade neuronskih informacija, Curran Associates, Inc., str. 1097-1105.
[12] Long, J., Shelhamer, E., Darrell, T., 2015., Potpuno konvolucijske mreže za semantičku segmentaciju, 2015. IEEE konferencija o računalnom vidu i prepoznavanju uzoraka (CVPR), IEEE, str. 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., dostupno (pristupljeno 09.05.) .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, str. 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, Vol.115, str. 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, web stranica.Dostupno (pristupljeno 09.05.2018.).https://image-net.org/challenges/LSVRC/2017/results.