Il conteggio dei frammenti nel test di frammentazione standardizzato nella norma EN 12150-1 è il modo per definire il livello di sicurezza del vetro temperato e un modo per ottenere anche un'indicazione sul livello di sollecitazione e resistenza del vetro temperato.
Anche se nella norma il modo di contare il numero di frammenti è definito tramite esempi, il risultato effettivo dipende sempre dall'esaminatore.Per rendere il conteggio coerente tra gli esami e gli esaminatori, è necessario un processo automatizzato di conteggio dei frammenti.Ciò lo rende un'applicazione perfetta per un sistema di visione artificiale poiché il computer non si stanca né perde la sua obiettività.Esistono già sistemi per il conteggio automatizzato dei frammenti, ma presentano gravi limitazioni

Negli ultimi anni gli strumenti e le tecnologie moderne hanno rivoluzionato il campo della visione artificiale.Ciò è dovuto principalmente ai progressi nelle reti neurali convoluzionali, che sono particolarmente adatte per estrarre modelli e informazioni dalle immagini visive.Per rendere i sistemi di conteggio dei frammenti più flessibili, più veloci e più economici, questi recenti progressi nella visione artificiale consentono di implementare sistemi di visione artificiale automatizzati anche su uno smartphone mobile.

introduzione
Il vetro temperato viene prodotto mediante un processo di trattamento termico in cui la lastra di vetro viene prima riscaldata oltre la sua temperatura di transizione e successivamente raffreddata rapidamente per produrre un gradiente di temperatura attraverso lo spessore.Lo scopo è congelare il vetro quando presenta un gradiente di temperatura e successivamente, quando la temperatura diventa uniforme, lo stato residuo è un profilo di sollecitazione parabolico attraverso lo spessore del vetro.Il vetro temperato è in compressione sulla superficie e in tensione nel nucleo del vetro.

Il vetro temperato presenta due vantaggi rispetto al vetro float ricotto.In primo luogo, la resistenza del vetro alla flessione e agli urti aumenta con la sollecitazione di compressione sulla superficie e, in secondo luogo, in caso di rottura il vetro si frattura in piccole particelle innocue a causa dell'elevata energia di deformazione indotta.A causa di questi vantaggi il vetro temperato è anche chiamato vetro di sicurezza.

La prova distruttiva e di frammentazione per rottura è il modo per definire il livello di sollecitazione e di sicurezza del vetro temperato.La frammentazione mostra diversi aspetti delle tensioni, ad esempio il livello di tensione e l'uniformità delle tensioni.Nella norma EN 12150-1 [1] è definita la prova di punzonatura in cui il vetro temperato di dimensione 1100 x 360 mm² viene urtato con uno strumento appuntito nel punto medio del bordo più lungo.

Dal modello di rottura, il numero delle particelle nell'area di 50 x 50 mm² viene conteggiato dall'area di conteggio minimo dei frammenti.La norma definisce il livello minimo di frammenti per diversi spessori di vetro per la sicurezza del vetro architettonico.Il vetro automobilistico ha uno standard ECE R43 [2] simile per la frammentazione sicura.Rispetto alla norma EN 12150-1, nella norma ECE R43 il vetro viene colpito nella zona centrale del vetro.

La frammentazione del vetro e la sua connessione al livello di stress è stata studiata già negli anni '60, un esempio sono i noti risultati di Akeyoshi et al.[3].Hanno definito la relazione tra il numero di frammenti e il livello di sollecitazione di trazione del piano medio per diversi spessori di vetro compresi tra 1,8 mm e 8,2 mm.

Nel 1968 Barsom [4] pubblicò anche i risultati sulla correlazione tra la tensione centrale e il peso medio delle particelle nel vetro temperato.Recentemente sono stati pubblicati studi da Pourmoghaddam & Schneider [5] e Pourmoghaddam et al.[6] che definiscono la relazione tra il livello di stress e la frammentazione e prevedono anche la forma e la distribuzione dei frammenti in base al livello di stress e al punto di impatto.

Il conteggio dei frammenti è essenzialmente un compito visivo, in cui l'operatore umano usa il suo cervello in modo molto efficiente per separare i singoli frammenti dal vetro rotto.Per un essere umano, questo compito sembra molto semplice ed è facile dimenticare come tale compito richieda capacità di riconoscimento di schemi molto sofisticate e ben sviluppate, che è proprio lo scopo per cui si è sviluppato il nostro cervello.La definizione per contare il numero di frammenti è semplice e mostrata come esempio nella norma EN 12150-1 [1].

Tuttavia, anche se il compito può sembrare facile, è molto laborioso e richiede molto tempo.Il processo di conteggio è inoltre molto ripetitivo e soggetto a errori umani dovuti alla mancanza di concentrazione e alla stanchezza.Per questo motivo è possibile che i risultati del conteggio possano variare da un esaminatore all'altro.In particolare, quando il numero di frammenti è elevato, la dimensione dei frammenti è piccola e per l'occhio umano potrebbe essere difficile definire quali siano i frammenti più piccoli da contare e quali frammenti si trovino all'interno dell'area di conteggio.

Nel processo automatizzato tradizionale, la foto del modello di frammentazione viene elaborata e analizzata con strumenti di analisi delle immagini [7].Esistono apparecchiature per il conteggio automatizzato dei frammenti basato sull'analisi delle immagini come CulletScanner di SoftSolution e FROG: Riconoscitore di frammenti di vetro di Deltamax.

Recentemente, l’apprendimento automatico ha rivoluzionato il campo della visione artificiale, poiché le reti neurali profonde sono in grado di apprendere rappresentazioni molto astratte dei dati sottostanti.Ciò fornisce nuovi strumenti per analizzare i modelli di frammentazione.Tuttavia, le reti neurali profonde necessitano di una buona quantità di dati ben annotati.Questa è la parte che richiede tempo per creare un buon modello per il conteggio delle particelle.

In questo articolo, l'obiettivo è presentare un nuovo modo per contare i frammenti nel vetro temperato utilizzando gli ultimi progressi nel campo dell'apprendimento automatico.Inoltre, viene presentata l'importanza dell'annotazione dei dati per il deep learning.Prima del capitolo sull'apprendimento automatico, viene presentato il contesto relativo alla rottura del vetro per comprendere meglio i problemi del conteggio del numero di frammenti nel vetro temperato.

Teoria della frammentazione del vetro
La frammentazione del vetro dopo la rottura dipende principalmente dallo stress.Nel processo di frammentazione, la crescita delle crepe può essere divisa in due parti.In primo luogo, il vetro necessita di un livello di stress sufficientemente elevato affinché le crepe possano svilupparsi spontaneamente.Questo livello di sollecitazione è già necessario dal vetro indurito termicamente quando tutte le crepe dovrebbero estendersi fino al bordo.In secondo luogo, nel vetro temperato è necessaria la biforcazione delle fessure per l'elevato numero di frammenti.Questo fenomeno di biforcazione richiede un livello di stress indotto più elevato.[8]

Il punto di frattura iniziale e il supporto o forza esterna influenzano la frammentazione del vetro.Questi fattori influenzano la distribuzione delle tensioni sulle punte delle cricche e, di conseguenza, il modello di frammentazione cambia.[8,9] Per questo motivo, il punto di frattura iniziale è definito nella norma.Il tempo successivo alla rottura in cui deve essere conteggiato il numero dei frammenti è fissato nella norma EN 12150-1 da 3 a 5 minuti [1].Anche questo è importante da tenere in considerazione perché dopo la propagazione iniziale delle cricche si formano cricche secondarie.Queste fessure secondarie sono solitamente perpendicolari ai bordi iniziali della fessura e il loro numero dipende anche dallo stato tensionale iniziale.

La frammentazione dei vetri sottili e spessi è simile.Tuttavia, nei bicchieri più spessi, i bordi delle fessure sono più ruvidi rispetto ai bicchieri più sottili.Inoltre, per il vetro spesso, la superficie del bordo di frattura può essere inclinata.Il tipico schema di frattura dei vetri con spessore nominale di 4 mm e 10 mm è mostrato successivamente come esempio nelle Figure 9 e 10, rispettivamente.Il bordo della fessura più ruvido determina una linea di fessura più ampia e la superficie inclinata della fessura può essere vista come un'area bianca a causa dell'elevata riflessione diffusa della luce dalla superficie della fessura.Entrambi possono influenzare il conteggio dei frammenti.

Un approccio al conteggio dei frammenti consiste nel definire la relazione tra il livello di stress residuo del vetro e il conteggio dei frammenti.Ciò è importante se l'apparecchiatura di misurazione dello stress ottico viene utilizzata per il controllo di qualità dei vetri temperati.La relazione tra la sollecitazione di trazione sul piano medio misurata dal polariscopio a luce diffusa (SCALP-05) [10] e il numero di frammenti contati è mostrata nella Figura 1. I test vengono eseguiti con dimensioni di vetro di 1100 x 360 mm².I dati sperimentali vengono confrontati con i dati di Akeyoshi et al.[3].I risultati sperimentali degli autori forniscono un livello di frammentazione più elevato per gli occhiali rispetto ai dati di Akeyoshi et al.[3].

Figura 1. Relazione tra la sollecitazione di trazione sul piano medio e il numero di frammenti in un'area di 50 x 50 mm2.I risultati sperimentali per gli spessori nominali del vetro di 4 mm, 6 mm, 8 mm e 10 mm (punti) e i dati di confronto di Akeyoshi et al.[3] per spessori vetro 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm e 8,2 mm.
Figura 1. Relazione tra la sollecitazione di trazione sul piano medio e il numero di frammenti in un'area di 50 x 50 mm2.I risultati sperimentali per gli spessori nominali del vetro di 4 mm, 6 mm, 8 mm e 10 mm (punti) e i dati di confronto di Akeyoshi et al.[3] per spessori vetro 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm e 8,2 mm.

Automatizzazione del conteggio dei frammenti con la visione artificiale
Le reti neurali convoluzionali (CNN) dominano da tempo il campo della classificazione delle immagini e del riconoscimento degli oggetti.Nel 2012, una rete neurale convoluzionale profonda (DCNN) ha raggiunto per la prima volta prestazioni all'avanguardia nella competizione di riconoscimento visivo su larga scala ImageNet (ILSVRC) [11].La svolta apportata dalle DCNN è stata che non erano più necessarie caratteristiche sofisticate e realizzate a mano dello spazio di input.

Prima del deep learning, una tipica pipeline di classificazione delle immagini consisteva in un classificatore addestrato con funzionalità realizzate manualmente.Ciò presenta alcuni problemi poiché gli esseri umani non sono necessariamente molto efficienti nel definire le caratteristiche che meglio distinguono le classi di input.Il vantaggio del deep learning è che le funzionalità specifiche dell’attività vengono automaticamente estratte dalla rete e possono essere addestrate direttamente end-to-end, dalle immagini di input alle classi di output.

Tuttavia, la segmentazione dei frammenti di vetro non è semplicemente un problema di classificazione delle immagini.Piuttosto, è un problema di classificazione dei pixel.Il processo in cui ogni pixel nell'immagine di input viene classificato in una determinata classe è chiamato segmentazione semantica.Dopo la svolta del deep learning, non c’è voluto molto prima che le nuove tecnologie potessero essere trasferite dalla classificazione delle immagini alla segmentazione semantica.

Il problema è che le reti di classificazione hanno una risoluzione di output molto bassa poiché l’output è definito semplicemente come un vettore di probabilità di classe.Nella segmentazione semantica, tuttavia, la risoluzione dell'output dovrebbe essere alta quanto la risoluzione dell'immagine in input.Il lavoro di Long et al.[12] hanno dimostrato che le reti di classificazione esistenti potrebbero essere trasferite in reti di segmentazione semantica.Ciò è stato fatto inserendo la classificazione in reti neurali completamente connesse (FCNN) aggiungendo un sovracampionamento in rete e una perdita pixel.

Il lavoro di Long et al.era ancora solo un primo passo verso una segmentazione semantica ad alte prestazioni.Da allora, reti più sofisticate hanno continuamente spinto verso prestazioni all’avanguardia.A partire dal 2018, la rete di segmentazione semantica più performante è DeepLab v3+ di Google [13], che viene adottata anche in questo lavoro per il compito di segmentazione dei frammenti di vetro.

Teoria
La teoria alla base della pipeline di conteggio dei frammenti utilizzata in questo lavoro è presentata nella Figura 2. La pipeline è costituita dal sistema DeepLab v3+ di Google per eseguire la segmentazione e da un algoritmo di postelaborazione per eseguire il conteggio effettivo.

Figura 2. Pipeline di conteggio dei frammenti.
Figura 2. Pipeline di conteggio dei frammenti.
I blocchi DCNN, ASPP e DECODER nella Figura 2 fanno parte del sistema DeepLab v3+.Il codificatore è una rete neurale convoluzionale profonda standard che viene utilizzata come funzionalità per l'estrazione di parte della rete.In particolare, in questo lavoro viene utilizzata un'architettura di rete residua [14].L'output del codificatore è diretto a un modulo di pooling piramidale spaziale (ASPP), che campiona la mappa delle caratteristiche con diversi campi recettivi (campo visivo) per catturare il contesto multiscala.

Un decodificatore viene utilizzato per ripristinare la risoluzione spaziale dell'immagine in ingresso.Il decodificatore combina essenzialmente le ricche informazioni semantiche a bassa risoluzione del modulo ASPP con le informazioni spaziali ad alta risoluzione del modulo codificatore.Il risultato è una maschera di segmentazione ad alta risoluzione dell'immagine di input grezza originale.

La maschera di segmentazione fornita dal sistema DeepLab viene ulteriormente post-elaborata per ottenere il conteggio dei frammenti.Ogni istanza di frammento ha una soglia in modo tale che eventuali piccole connessioni tra frammenti adiacenti vengano rimosse.Successivamente, il conteggio dei frammenti può essere ottenuto banalmente contando ogni regione connessa nella maschera di segmentazione binaria.

Annotazione dei dati
Le moderne reti neurali di deep learning fanno molto affidamento sulla quantità di dati che possono utilizzare durante l'addestramento.Adattano la loro rappresentazione interna del problema ripetendo più volte il set di dati.Con dati molto scarsi, ciò porta a un modello forse sovradimensionato che ha appreso solo un insieme di dati molto specifico.Questo tipo di modello solitamente non è in grado di generalizzare all’intero ambito del problema, rendendolo inutilizzabile in una gamma più ampia di applicazioni.

Questo caso non è diverso.Tuttavia, nel caso della segmentazione dei frammenti di vetro, il set di dati è molto più semplice rispetto, ad esempio, alle immagini generali raccolte da Internet.Nella segmentazione del vetro viene presentata una sola classe di oggetti: il frammento stesso.Il modello di rete neurale deve imparare a distinguere tra regioni frammentali e non frammentarie.Un esempio di un set di dati più complesso e ampiamente utilizzato è ImageNet, che contiene oltre 15 milioni di immagini appartenenti a circa 22.000 categorie diverse [15].Le immagini vengono raccolte da Internet e annotate da esseri umani.Le moderne reti neurali hanno mostrato prestazioni a livello umano anche su set di dati molto impegnativi come ImageNet [16].

L'annotazione dei dati richiede molto tempo ed è costosa a causa della necessità di lavoro umano.La quantità di dati rappresenta solitamente un collo di bottiglia nelle prestazioni del modello, soprattutto se applicata a un'attività specifica e non è possibile utilizzare set di dati disponibili gratuitamente.La frammentazione del vetro è un esempio di tale problema.Affinché il modello impari a segmentare i frammenti, devono essere mostrati numerosi esempi di segmentazioni corrette o di verità.

Processo di annotazione
Nella Figura 3 vengono mostrati esempi di segmentazioni della verità di base.Questi esempi sono realizzati dall'uomo e ogni campione richiede circa 10-30 minuti di tempo, a seconda dell'esperienza dell'annotatore.Il processo di annotazione è abbastanza semplice: ogni frammento viene etichettato con un poligono definendone i vertici.

Come si può vedere dai campioni, anche il processo è altamente soggettivo.Ogni persona esegue la segmentazione in modo leggermente diverso.Tuttavia, l'annotazione dovrebbe essere eseguita in modo tale da lasciare spazi sufficientemente ampi tra i poligoni adiacenti.Ciò impone al modello di separare in modo affidabile i frammenti adiacenti, il che è fondamentale per ottenere quantità come il conteggio dei frammenti.In un'immagine grezza, il bordo del frammento potrebbe talvolta essere largo solo pochi pixel e praticamente indistinguibile dallo sfondo.In questi casi, vengono lasciati spazi più ampi tra i poligoni dell'etichetta.

Figura 3. Esempi di immagini grezze e corrispondenti annotazioni di base per diverse categorie di vetro.
Figura 3. Esempi di immagini grezze e corrispondenti annotazioni di base per diverse categorie di vetro.

Esperimento sulla soggettività del conteggio dei frammenti
Il compito del conteggio dei frammenti è molto soggettivo per sua natura.Spesso non è chiaro quali aree del vetro rotto possano essere conteggiate come singoli frammenti e anche la norma non fornisce indicazioni univoche al riguardo.Pertanto, la persona stessa che esegue il test di frammentazione può avere un effetto significativo sul conteggio dei frammenti anche quando i frammenti vengono contati dalla stessa regione.Ancor di più, viene introdotta la variazione, quando agli individui viene richiesto di scegliere la regione con il minor numero di frammenti.Nella Figura 4 viene presentata l'area di interesse per il test di frammentazione definita dalla norma EN 12150-1 [1].

Figura 4. Area di interesse nell'analisi della frammentazione.Tutte le aree all'interno della linea tratteggiata dovrebbero essere incluse nell'analisi.
Figura 4. Area di interesse nell'analisi della frammentazione.Tutte le aree all'interno della linea tratteggiata dovrebbero essere incluse nell'analisi.
La natura soggettiva del conteggio dei frammenti è stata studiata sperimentalmente.L'obiettivo dell'esperimento era studiare la variazione nel conteggio dei frammenti tra diversi esaminatori umani.Il test consisteva in due campioni di spessore 4 mm e 10 mm.Sono stati scelti due spessori di vetro perché il modello di frammentazione è molto diverso per il vetro sottile e quello spesso.Lo spessore ha un effetto significativo sul modello di rottura e sull'aspetto visivo dei frammenti.In generale, è più facile contare i frammenti di vetro più sottile.La prova è stata organizzata come segue.Si sono rotti due vetri temperati di dimensioni standard (1100 x 360 mm²) con spessore 4 mm e 10 mm.Ciascun individuo ha contato i frammenti di due regioni separate di 50 x 50 mm²: una dal centro del vetro e una regione scelta liberamente (all'interno della linea tratteggiata della Figura 4) di frammenti minori.Sono state inoltre riportate le coordinate delle regioni scelte liberamente per confrontare come ogni individuo trova le aree con meno rottami di vetro dal vetro.

I modelli di frammentazione dei vetri di prova da 4 mm e 10 mm sono mostrati rispettivamente nelle Figure 5 e 6 e i risultati del conteggio dei frammenti per entrambi i vetri sono mostrati nella Tabella 1. Inoltre, le mappe di calore per la distribuzione dei frammenti per entrambi i campioni sono presentate nelle Figure 6 e 7. Sopra ciascuna mappa termica vengono disegnati dei rettangoli che specificano le aree scelte liberamente.

Figura 5. Schema di frammentazione del campione di prova da 4 mm.
Figura 5. Schema di frammentazione del campione di prova da 4 mm.
Figura 6. Schema di frammentazione del campione di prova da 10 mm.
Figura 6. Schema di frammentazione del campione di prova da 10 mm.
Nelle mappe di calore, il colore blu indica una densità inferiore di frammenti mentre il colore giallo indica una densità maggiore.In entrambi i casi, la maggior parte degli esaminatori ha scelto l'area nella regione in alto a destra, che è effettivamente l'area con la densità di frammenti più bassa all'interno dell'area di interesse consentita descritta nella Figura 4. Tuttavia, alcuni esaminatori si sono ritrovati con regioni diverse e ciò introduce ulteriore variazione al conteggio finale dei frammenti per il campione.

Tabella 1. Risultati di un test sperimentale di conteggio dei frammenti
Tabella 1. Risultati di un test sperimentale di conteggio dei frammenti.
I risultati mostrano che esiste una variazione significativa nel conteggio dei frammenti tra gli esaminatori umani, anche quando tutti contano frammenti provenienti dalla stessa identica regione.Le differenze sono ancora maggiori quando l'esaminatore sceglie liberamente la zona con meno rottami di vetro.

Per il vetro da 4 mm, il conteggio del modello AI rientra in 1 deviazione standard del conteggio umano medio.Per il vetro da 10 mm è leggermente più lontano.Tuttavia, ciò non significa che il modello di intelligenza artificiale sia sbagliato poiché il compito è altamente soggettivo.Le immagini delle regioni centrali dei campioni di prova sono mostrate nelle Figure 7 e 8 e le corrispondenti immagini sovrapposte della segmentazione AI sono mostrate nelle Figure 9 e 10.

Figura 7. Mappa termica della distribuzione dei frammenti per un campione da 4 mm e rettangoli rossi che mostrano le regioni scelte liberamente nell'esperimento.
Figura 7. Mappa termica della distribuzione dei frammenti per un campione da 4 mm e rettangoli rossi che mostrano le regioni scelte liberamente nell'esperimento.
Figura 8. Mappa termica della distribuzione dei frammenti per un campione da 10 mm e rettangoli rossi che mostrano le regioni scelte liberamente nell'esperimento.
Figura 8. Mappa termica della distribuzione dei frammenti per un campione da 10 mm e rettangoli rossi che mostrano le regioni scelte liberamente nell'esperimento.
I conteggi dei frammenti corrispondenti del modello AI per campioni da 4 mm e 10 mm erano rispettivamente 98 e 68.Queste immagini dimostrano la difficoltà del conteggio dei frammenti: nelle immagini ci sono molti piccoli frammenti che il sistema di intelligenza artificiale ha contato come frammenti individuali e un essere umano potrebbe non contarli.Ciò è particolarmente vero nel caso di un campione di 10 mm.Nell'immagine di segmentazione del campione da 10 mm, si può vedere che il sistema di intelligenza artificiale ha incluso molti piccoli frammenti nel conteggio finale, il che non è sbagliato ma risulta in un numero più elevato rispetto all'esaminatore umano medio.Un vantaggio del sistema automatizzato è che è coerente nelle sue decisioni e i risultati non variano a causa della stanchezza, della mancanza di concentrazione o di altre condizioni che influenzano gli esaminatori umani.

Riepilogo
Le difficoltà del conteggio dei frammenti sono state studiate sperimentalmente e i risultati sono presentati in questo articolo.I risultati hanno mostrato che il conteggio dei frammenti non è un compito banale e poiché non ci sono istruzioni chiare per il processo negli standard, i risultati del conteggio possono variare in modo significativo tra gli esaminatori.Le deviazioni standard relative dei frammenti per le regioni centrali dei campioni da 4 mm e 10 mm erano rispettivamente del 4,9% e del 6,4%.

Inoltre, le differenze nel conteggio non sono l'unica cosa che influenza il conteggio finale dei frammenti.L'esaminatore deve anche determinare l'area con la densità di frammenti più bassa, che introduce una maggiore varianza.Per le regioni scelte liberamente dei campioni da 4 mm e 10 mm, le rispettive deviazioni standard relative erano 8,0% e 9,9%.

In questo articolo viene presentato anche un approccio basato sull'apprendimento automatico al conteggio dei frammenti.È stato dimostrato che le moderne tecnologie di deep learning e visione artificiale sono in grado di contare con precisione i frammenti di un'immagine di vetro rotto.Un approccio automatizzato ha il vantaggio di risultati oggettivi e coerenti.Tuttavia, questo tipo di approccio dipende fortemente dai dati disponibili, che sono complessi e costosi da ottenere.

Riferimenti
[1] EN 12150-1:2015, 2015, Vetro per edilizia – Vetro di sicurezza in silicato sodo-calcico temprato termicamente – Parte 1: Definizione e descrizione, CEN.
[2] E/ECE, 2017, Accordo relativo all'adozione di condizioni uniformi di approvazione e al riconoscimento reciproco dell'omologazione per equipaggiamenti e parti di veicoli a motore.Addendum 42, Regolamento n. 43, Revisione 4: Disposizioni uniformi relative all'approvazione dei materiali per vetrature di sicurezza e della loro installazione sui veicoli, Allegato 5, aprile 2017
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, pp. 23.
[4] Barsom, JM, 1968, Frattura del vetro temperato, J. Am.Ceram.Soc.vol.51, pp. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, Indagine sperimentale sulla dimensione dei frammenti di vetro temperato, 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, Relazione tra energia di deformazione e morfologia del modello di frattura del vetro termicamente temperato per la previsione della frammentazione macroscala 2D del vetro, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Analisi automatizzata della frammentazione del vetro, Proc.SPIE 2665, Applicazioni della visione artificiale nell'ispezione industriale IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Tempera termica del vetro, in Glass Science and Technology vol.5 Elasticità e resistenza negli occhiali, DR Uhlmann e NJ Kreidl (a cura di), Academic Press, New York, pp. 145-216.
[9] Aronen, A., Kocer., C., 2015, Il cedimento meccanico del vetro temperato;un confronto tra standard di test e guasti catastrofici in servizio, in Proceedings of GPD Glass performance days 2015, pp. 388-391.
[10] Anton, J., Aben, H., 2003, Un polariscopio compatto a luce diffusa per la misurazione dello stress residuo nelle lastre di vetro, in Atti dei Glass Proceedings Days 2003, pp. 86-88.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, Classificazione Imagenet con reti neurali convoluzionali profonde, progressi nei sistemi di elaborazione delle informazioni neurali, Curran Associates, Inc., pp. 1097-1105.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, Reti completamente convoluzionali per la segmentazione semantica, Conferenza IEEE 2015 sulla visione artificiale e il riconoscimento dei modelli (CVPR), IEEE, pp. 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, Disponibile (accesso 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, Conferenza IEEE 2016 sulla visione artificiale e il riconoscimento dei modelli (CVPR), IEEE, pp. 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 Sfida di riconoscimento visivo su larga scala, International Journal of Computer Vision, vol.115, pp. 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, pagina web.Disponibile (accesso 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.