표준 EN 12150-1의 표준화된 조각화 테스트의 조각 수는 강화 유리의 안전 수준을 정의하는 방법이자 강화 유리의 응력 및 강도 수준에 대한 표시를 얻는 방법이기도 합니다.
조각 수를 세는 방법은 표준에 예를 들어 정의되어 있지만 실제 결과는 항상 검사자에 따라 다릅니다.검사와 검사관 전체에서 일관된 계산을 수행하려면 조각 계산의 자동화된 프로세스가 필요합니다.컴퓨터는 지치거나 객관성을 잃지 않기 때문에 컴퓨터 비전 시스템에 완벽한 응용 프로그램이 됩니다.자동 조각 계산 시스템이 이미 존재하지만 심각한 제한 사항이 있습니다.

최신 도구와 기술은 최근 몇 년 동안 컴퓨터 비전 분야에 혁명을 일으켰습니다.이는 주로 시각적 이미지에서 패턴과 정보를 추출하는 데 적합한 컨벌루션 신경망의 발전 덕분입니다.파편 계수 시스템을 더욱 유연하고 빠르며 저렴하게 만들기 위해 최근 컴퓨터 비전의 발전을 통해 모바일 스마트폰에서도 자동화된 컴퓨터 비전 시스템을 구현할 수 있습니다.

소개
강화 유리는 유리판을 먼저 전이 온도 이상으로 가열한 다음 빠르게 냉각하여 두께 전체에 온도 구배를 생성하는 열처리 공정을 통해 생산됩니다.목표는 유리에 온도 구배가 있을 때 유리를 동결시키고 온도가 균일해지면 잔류 상태가 유리 두께를 통한 포물선 응력 프로파일이 되는 것입니다.강화유리는 표면이 압축되고 유리 중심부가 장력을 받습니다.

강화유리는 열처리된 플로트유리에 비해 두 가지 장점이 있습니다.첫째, 표면의 압축 응력에 따라 굽힘 및 충격에 대한 유리의 강도가 증가하고, 둘째, 파손 시 유리가 높은 유도 변형 에너지로 인해 작고 무해한 입자로 부서집니다.이러한 장점 때문에 강화유리는 안전유리라고도 불립니다.

파괴 시험과 파손으로 인한 파편화는 강화유리의 응력과 안전 수준을 정의하는 방법입니다.단편화는 스트레스 수준 및 스트레스 균일성과 같은 스트레스로부터 여러 가지를 보여줍니다.표준 EN 12150-1 [1]에서는 1100 x 360 mm² 크기의 강화 유리가 가장 긴 가장자리의 중간 지점에서 뾰족한 도구로 충격을 받는 펀치 테스트를 정의했습니다.

파손 패턴에서 50 x 50 mm² 영역의 입자 수는 최소 조각 수 영역에서 계산됩니다.이 표준은 건축용 유리의 안전을 위해 다양한 유리 두께에 대한 파편의 최소 수준을 정의합니다.자동차 유리는 안전한 조각화를 위해 유사한 ECE R43 [2] 표준을 따릅니다.EN 12150-1 표준과 비교하여 ECE R43 표준 유리는 유리 중앙 영역에서 충격을 받습니다.

유리 조각화와 응력 수준과의 연관성은 이미 1960년대에 연구되었으며, 그 예로 Akeyoshi et al.의 잘 알려진 결과가 있습니다.[삼].그들은 1.8mm에서 8.2mm 사이의 다양한 유리 두께에 대해 파편 수와 미드플레인 인장 응력 수준 사이의 관계를 정의했습니다.

1968년 Barsom[4]은 강화유리의 중심 장력과 평균 입자 중량의 상관 관계에 대한 결과도 발표했습니다.최근 Pourmoghaddam & Schneider [5]와 Pourmoghaddam et al.에 의해 연구가 발표되었습니다.[6]은 응력 수준과 조각화 사이의 관계를 정의하며 응력 수준과 충격 지점을 기반으로 조각의 모양과 분포를 예측합니다.

파편 수를 세는 것은 본질적으로 시각적 작업입니다. 작업자는 두뇌를 매우 효율적으로 사용하여 깨진 유리에서 개별 파편을 분리합니다.인간의 경우 이 작업은 매우 쉬워 보이며 이러한 작업에는 우리 두뇌가 개발한 바로 그 목적인 매우 정교하고 잘 발달된 패턴 인식 능력이 어떻게 필요한지 잊어버리기 쉽습니다.조각 수를 계산하는 정의는 간단하며 표준 EN 12150-1 [1]에 예시로 나와 있습니다.

그러나 작업이 쉬워 보일 수도 있지만 매우 힘들고 시간이 많이 걸립니다.계산 과정도 매우 반복적이며 집중력 부족과 피로로 인해 인적 오류가 발생하기 쉽습니다.그렇기 때문에 계산 결과는 심사관마다 다를 수 있습니다.특히 조각 수가 높으면 조각의 크기가 작아서 인간의 눈으로는 어떤 조각이 계산할 가장 작은 조각인지, 어떤 조각이 계산 영역 내에 있는지 정의하기 어려울 수 있습니다.

전통적인 자동화 프로세스에서는 조각화 패턴의 사진을 이미지 분석 도구를 사용하여 처리하고 분석합니다[7].SoftSolution의 CulletScanner 및 Deltamax의 FROG:Fragment recognitionr와 같은 이미지 분석을 기반으로 자동 조각 계산을 위한 장비가 있습니다.

최근 기계 학습은 컴퓨터 비전 분야에 혁명을 일으켰습니다. 심층 신경망이 기본 데이터의 매우 추상적인 표현을 학습할 수 있기 때문입니다.이는 조각화 패턴을 분석하는 새로운 도구를 제공합니다.그러나 심층 신경망에는 주석이 잘 달린 상당한 양의 데이터가 필요합니다.이는 입자 계산을 위한 좋은 모델을 만드는 데 시간이 많이 걸리는 부분입니다.

본 논문에서는 기계 학습 분야의 최신 기술을 활용하여 강화 유리 조각 수를 세는 새로운 방법을 제시하는 데 중점을 두고 있습니다.또한 딥러닝을 위한 데이터 주석의 중요성도 제시됩니다.머신러닝 장에 앞서 강화유리 조각 수 계산의 문제를 더 잘 이해하기 위해 유리 파손에 대한 배경을 제시합니다.

유리 파편화 이론
파손 후 유리 조각화는 주로 응력에 따라 달라집니다.단편화 과정에서 균열의 성장은 두 부분으로 나눌 수 있습니다.첫째, 유리에 균열이 자연스럽게 커지려면 충분히 높은 응력 수준이 필요합니다.이 응력 수준은 모든 균열이 가장자리까지 커져야 할 때 열 강화 유리에 이미 필요합니다.둘째, 강화유리의 경우 파편수가 많아 균열의 분기점이 필요하다.이러한 분기 현상에는 더 높은 유도 스트레스 수준이 필요합니다.[8]

초기 파괴 지점과 외부 지지 또는 힘은 유리 조각화에 영향을 미칩니다.이러한 것들은 균열선단의 응력분포에 영향을 미치며 이로 인해 파편화 패턴이 변하게 된다.이로 인해 표준에서는 초기 파괴 지점을 정의합니다.EN 12150-1 표준[1]에서는 파손 후 조각 수를 계산해야 하는 시간이 3~5분으로 설정되어 있습니다.초기 균열이 전파된 후 2차 균열이 형성되기 때문에 이를 고려하는 것도 중요합니다.이러한 2차 균열은 일반적으로 초기 균열 가장자리에 수직이며 그 수도 초기 응력 상태에 따라 달라집니다.

얇은 안경과 두꺼운 안경의 조각화는 비슷합니다.그러나 두꺼운 유리의 경우 균열 가장자리가 얇은 유리보다 더 거칠습니다.또한 두꺼운 유리의 경우 파단 가장자리 표면이 기울어질 수 있습니다.공칭 두께 4mm 및 10mm 유리의 일반적인 파손 패턴은 나중에 각각 그림 9 및 10에 예시로 표시됩니다.균열 가장자리가 거칠수록 균열 선이 넓어지고 기울어진 균열 표면은 균열 표면에서 빛의 높은 산란 반사로 인해 흰색 영역으로 보일 수 있습니다.이 두 가지 모두 조각 계산에 영향을 줄 수 있습니다.

파편 수에 대한 한 가지 접근 방식은 유리의 잔류 응력 수준과 파편 수 사이의 관계를 정의하는 것입니다.이는 강화유리의 품질 점검을 위해 광학적 응력 측정 장비를 사용하는 경우 중요합니다.산란광 편광기(SCALP-05)[10] 측정된 중간면 인장 응력과 계산된 조각 수 사이의 관계는 그림 1에 나와 있습니다. 테스트는 1100 x 360mm² 유리 크기로 수행됩니다.실험 데이터는 Akeyoshi et al.의 데이터와 비교됩니다.[삼].저자의 실험 결과는 Akeyoshi 등의 데이터와 비교하여 안경에 대해 더 높은 조각화 수준을 제공합니다.[삼].

그림 1. 중앙면 인장 응력과 50 x 50 mm2 영역의 조각 수 사이의 관계.4mm, 6mm, 8mm 및 10mm 공칭 유리 두께(점)에 대한 실험 결과 및 Akeyoshi 등의 비교 데이터.[3] 1.8mm, 3.0mm, 3.4mm, 4.9mm 및 8.2mm 유리 두께의 경우.
그림 1. 중앙면 인장 응력과 50 x 50 mm2 영역의 조각 수 사이의 관계.4mm, 6mm, 8mm 및 10mm 공칭 유리 두께(점)에 대한 실험 결과 및 Akeyoshi 등의 비교 데이터.[3] 1.8mm, 3.0mm, 3.4mm, 4.9mm 및 8.2mm 유리 두께의 경우.

머신 비전을 통한 조각 계산 자동화
CNN(Convolutional Neural Network)은 오랫동안 이미지 분류 및 객체 인식 분야를 지배해 왔습니다.2012년에는 DCNN(Deep Convolutional Neural Network)이 ImageNet Large Scale Visual Recognition Competition(ILSVRC)에서 처음으로 최고 수준의 성능을 달성했습니다[11].DCNN이 가져온 획기적인 발전은 더 이상 입력 공간의 정교하고 수작업으로 만들어진 기능이 필요하지 않다는 것입니다.

딥러닝 이전의 일반적인 이미지 분류 파이프라인은 직접 제작한 기능으로 훈련된 분류자로 구성되었습니다.인간이 입력 클래스를 가장 잘 구별하는 기능을 정의하는 데 반드시 매우 효율적인 것은 아니기 때문에 여기에는 몇 가지 문제가 있습니다.딥러닝의 장점은 작업별 특징이 네트워크에 의해 자동으로 추출되고 입력 이미지부터 출력 클래스까지 엔드투엔드(end-to-end)를 직접 학습할 수 있다는 것입니다.

그러나 유리 조각 분할은 단순한 이미지 분류 문제가 아닙니다.오히려 픽셀 분류 문제입니다.입력 영상의 각 픽셀을 특정 클래스로 분류하는 과정을 의미론적 분할이라고 합니다.딥러닝의 획기적인 발전 이후 새로운 기술이 이미지 분류에서 의미론적 분할로 전환되는 데는 오랜 시간이 걸리지 않았습니다.

문제는 출력이 단순히 클래스 확률의 벡터로 정의되기 때문에 분류 네트워크의 출력 해상도가 매우 낮다는 것입니다.그러나 의미론적 분할에서는 출력 해상도가 입력 이미지 해상도만큼 높아야 합니다.Long 등의 연구.[12]는 기존 분류 네트워크가 의미론적 분할 네트워크로 전환될 수 있음을 보여주었습니다.이는 네트워크 내 업샘플링과 픽셀별 손실을 추가하여 완전 연결 신경망(FCNN)으로 분류를 캐스팅함으로써 수행되었습니다.

Long 등의 연구.이는 여전히 고성능 의미론적 분할을 향한 첫 단계에 불과했습니다.이후 더욱 정교한 네트워크는 지속적으로 최첨단 성능을 추구해 왔습니다.2018년 현재 가장 성능이 좋은 의미론적 분할 네트워크는 Google의 DeepLab v3+입니다[13]. 이 작업에서도 유리 조각 분할 작업에 채택되었습니다.

이론
이 작업에 사용된 조각 계산 파이프라인의 배경 이론은 그림 2에 나와 있습니다. 파이프라인은 분할을 수행하는 Google의 DeepLab v3+ 시스템과 실제 계산을 수행하는 후처리 알고리즘으로 구성됩니다.

그림 2. 단편 계수 파이프라인.
그림 2. 단편 계수 파이프라인.
그림 2의 DCNN, ASPP 및 DECODER 블록은 DeepLab v3+ 시스템의 일부입니다.인코더는 네트워크의 특징 추출 부분으로 사용되는 표준 심층 합성곱 신경망입니다.특히, 이 작업에서는 잔여 네트워크 아키텍처[14]가 사용됩니다.인코더의 출력은 다중 스케일 컨텍스트를 캡처하기 위해 다양한 수용 필드(시야)로 기능 맵을 샘플링하는 ASPP(Atrous 공간 피라미드 풀링) 모듈로 전달됩니다.

디코더는 입력 이미지의 공간 해상도를 복원하는 데 사용됩니다.디코더는 본질적으로 ASPP 모듈의 풍부한 저해상도 의미 정보와 인코더 모듈의 고해상도 공간 정보를 결합합니다.결과는 원본 원시 입력 이미지의 고해상도 분할 마스크입니다.

DeepLab 시스템에서 제공하는 분할 마스크는 추가 후처리를 거쳐 조각 수를 얻습니다.각 조각 인스턴스는 인접한 샤드 간의 작은 연결이 제거되도록 임계값이 지정됩니다.그 후, 이진 분할 마스크에서 연결된 모든 영역을 계산하여 조각 수를 간단하게 얻을 수 있습니다.

데이터 주석
현대의 딥러닝 신경망은 훈련 중에 활용할 수 있는 데이터의 양에 크게 의존합니다.데이터 세트를 여러 번 반복하여 문제의 내부 표현을 조정합니다.매우 희박한 데이터를 사용하면 매우 특정한 데이터 세트만 학습한 모델이 과적합될 가능성이 있습니다.이러한 종류의 모델은 일반적으로 문제의 전체 영역을 일반화할 수 없으므로 더 넓은 범위의 응용 프로그램에서 사용할 수 없습니다.

이 경우도 다르지 않습니다.그러나 유리 조각 분할의 경우 데이터세트는 인터넷에서 수집한 일반 이미지보다 훨씬 간단합니다.유리 분할에서는 단 하나의 개체 클래스, 즉 조각 자체만 표시됩니다.신경망 모델은 조각 영역과 조각이 아닌 영역을 구별하는 방법을 학습해야 합니다.널리 사용되는 더 복잡한 데이터 세트의 예로는 대략 22,000개의 서로 다른 카테고리에 속하는 1,500만 개 이상의 이미지가 포함된 ImageNet이 있습니다[15].이미지는 인터넷에서 수집되어 사람이 주석을 달았습니다.현대 신경망은 ImageNet[16]과 같은 매우 까다로운 데이터 세트에서도 인간 수준의 성능을 보여주었습니다.

데이터 주석은 사람의 노동력이 필요하기 때문에 시간과 비용이 매우 많이 소요됩니다.데이터의 양은 일반적으로 모델 성능에 병목 현상을 일으키며, 특히 특정 작업에 적용할 때 무료로 사용할 수 있는 데이터 세트를 활용할 수 없는 경우 더욱 그렇습니다.유리 조각화는 이러한 문제의 예입니다.모델이 조각을 분할하는 방법을 학습하려면 올바른 분할 또는 실제 분할의 수많은 예가 표시되어야 합니다.

주석 처리
그림 3에는 Ground Truth 분할의 예가 나와 있습니다.이러한 예는 사람이 만든 것이며 각 샘플에는 주석 작성자의 경험에 따라 약 10~30분 정도의 시간이 필요합니다.주석 프로세스는 매우 간단합니다. 각 조각에는 정점을 정의하여 다각형으로 레이블이 지정됩니다.

샘플에서 볼 수 있듯이 프로세스도 매우 주관적입니다.사람마다 세분화를 다소 다르게 수행합니다.그러나 인접한 다각형 사이에 충분히 넓은 간격이 남도록 주석을 작성해야 합니다.이는 모델이 인접한 샤드를 안정적으로 분리하도록 강제하며, 이는 샤드 수와 같은 수량을 얻는 데 중요합니다.원시 이미지에서 샤드 가장자리의 너비는 몇 픽셀에 불과하여 배경과 거의 구별할 수 없는 경우가 있습니다.이러한 경우 레이블 다각형 사이에 더 넓은 간격이 남습니다.

그림 3. 다양한 유리 카테고리에 대한 원본 이미지 샘플과 해당 실측 주석.
그림 3. 다양한 유리 카테고리에 대한 원본 이미지 샘플과 해당 실측 주석.

조각 계산의 주관성에 대한 실험
조각 계산 작업은 본질적으로 매우 주관적입니다.깨진 유리의 어느 부분이 개별 파편으로 간주될 수 있는지 명확하지 않은 경우가 많으며 표준에서도 이에 대한 명확한 지침을 제공하지 않습니다.따라서 실제 조각화 테스트를 수행하는 사람은 동일한 영역에서 조각을 계산하더라도 조각 수에 큰 영향을 미칠 수 있습니다.더욱이, 개인이 최소한의 조각이 있는 영역을 선택해야 할 때 변형이 도입됩니다.그림 4에는 EN 12150-1 표준[1]에 정의된 단편화 테스트에 대한 관심 영역이 나와 있습니다.

그림 4. 단편화 분석의 관심 영역.점선 안의 모든 영역이 분석에 포함되어야 합니다.
그림 4. 단편화 분석의 관심 영역.점선 안의 모든 영역이 분석에 포함되어야 합니다.
조각 계산의 주관적인 특성을 실험적으로 조사했습니다.실험의 목표는 여러 인간 검사관의 조각 수의 변화를 조사하는 것이었습니다.테스트는 두께가 4mm와 10mm인 두 개의 테스트 샘플로 구성되었습니다.얇은 유리와 두꺼운 유리의 조각화 패턴이 매우 다르기 때문에 두 가지 유리 두께가 선택되었습니다.두께는 파손 패턴과 파편의 시각적 외관에 중요한 영향을 미칩니다.일반적으로 얇은 유리 조각을 계산하는 것이 더 쉽습니다.테스트는 다음과 같이 구성되었습니다.두께가 4mm와 10mm인 표준 크기(1100 x 360mm²) 강화유리 2개가 깨졌습니다.각 개인은 두 개의 별도 50 x 50 mm² 영역에서 조각을 계산했습니다. 하나는 유리 중앙에서 하나는 자유롭게 선택한 영역(그림 4의 점선 내부)은 최소 조각으로 구성되었습니다.각 개인이 유리에서 최소 유리 조각 영역을 찾는 방법을 비교하기 위해 자유롭게 선택한 영역의 좌표도 보고되었습니다.

4mm 및 10mm 테스트 안경의 조각화 패턴은 각각 그림 5와 6에 표시되어 있으며 두 유리의 조각 계산 결과는 표 1에 표시되어 있습니다. 또한 두 샘플의 조각 분포에 대한 히트맵은 그림에 표시되어 있습니다. 6 및 7. 각 히트맵 위에는 자유롭게 선택한 영역을 지정하는 직사각형이 그려집니다.

그림 5. 4mm 테스트 샘플의 조각화 패턴.
그림 5. 4mm 테스트 샘플의 조각화 패턴.
그림 6. 10mm 테스트 샘플의 조각화 패턴.
그림 6. 10mm 테스트 샘플의 조각화 패턴.
히트맵에서 파란색은 조각의 밀도가 낮음을 나타내고 노란색은 밀도가 높음을 나타냅니다.두 경우 모두 대부분의 검사관은 그림 4에 설명된 허용된 관심 영역 내에서 조각 밀도가 가장 낮은 영역인 상단 오른쪽 영역을 선택했습니다. 그러나 일부 검사관은 결국 다른 영역을 선택했으며 이로 인해 샘플의 최종 조각 수에 대한 추가 변형.

표 1. 단편 계수 실험 테스트 결과
표 1. 단편 계수 실험 테스트 결과.
결과는 모든 사람이 정확히 동일한 지역의 조각을 셀 때에도 인간 조사관마다 조각 수에 상당한 차이가 있음을 보여줍니다.검사관이 최소 파유리 영역을 자유롭게 선택할 때 차이는 더욱 커집니다.

4mm 유리의 경우 AI 모델의 개수는 평균 사람 수의 1 표준편차 이내입니다.10mm 유리의 경우 약간 더 멀리 떨어져 있습니다.그러나 작업이 매우 주관적이기 때문에 이것이 AI 모델이 잘못되었다는 의미는 아닙니다.테스트 샘플의 중앙 영역 이미지는 그림 7과 8에 표시되고 AI 분할의 해당 오버레이 이미지는 그림 9와 10에 표시됩니다.

그림 7. 4mm 샘플에 대한 단편 분포의 히트맵과 실험에서 자유롭게 선택된 영역을 보여주는 빨간색 직사각형.
그림 7. 4mm 샘플에 대한 단편 분포의 히트맵과 실험에서 자유롭게 선택된 영역을 보여주는 빨간색 직사각형.
그림 8. 10mm 샘플에 대한 단편 분포의 히트맵과 실험에서 자유롭게 선택된 영역을 보여주는 빨간색 직사각형.
그림 8. 10mm 샘플에 대한 단편 분포의 히트맵과 실험에서 자유롭게 선택된 영역을 보여주는 빨간색 직사각형.
4mm 및 10mm 샘플에 대한 AI 모델의 해당 조각 수는 각각 98개와 68개였습니다.이러한 이미지는 조각 계산의 어려움을 보여줍니다. 이미지에는 AI 시스템이 개별 조각으로 계산했지만 인간은 계산하지 않은 작은 조각이 많이 있습니다.이는 특히 10mm 샘플의 경우에 해당됩니다.10mm 샘플의 분할 이미지에서 AI 시스템이 최종 카운트까지 많은 작은 조각을 포함했음을 알 수 있는데, 이는 잘못된 것은 아니지만 평균적인 인간 검사자보다 더 많은 수의 결과를 낳습니다.자동화된 시스템의 한 가지 이점은 결정이 일관되고 피곤함, 집중력 부족 또는 시험관에게 영향을 미치는 기타 조건으로 인해 결과가 달라지지 않는다는 것입니다.

요약
조각 계산의 어려움을 실험적으로 조사했으며 결과가 이 논문에 제시되어 있습니다.결과는 단편 계수가 사소한 작업이 아니며 표준에 프로세스에 대한 명확한 지침이 없기 때문에 계수 결과가 검사관마다 크게 다를 수 있음을 보여주었습니다.4mm와 10mm 샘플의 중앙 영역에 대한 조각의 상대 표준 편차는 각각 4.9%와 6.4%였습니다.

또한 계산의 차이만이 최종 조각 수에 영향을 미치는 것은 아닙니다.검사자는 또한 가장 낮은 조각 밀도의 영역을 결정해야 하며 이로 인해 더 많은 변동이 발생합니다.4mm와 10mm 샘플의 자유 선택된 영역에 대해 각각의 상대 표준 편차는 8.0%와 9.9%였습니다.

조각 계산에 대한 기계 학습 기반 접근 방식도 이 문서에 제시되어 있습니다.현대의 딥 러닝과 컴퓨터 비전 기술은 깨진 유리 이미지에서 조각을 정확하게 계산할 수 있는 것으로 나타났습니다.자동화된 접근 방식은 객관적이고 일관된 결과를 얻을 수 있다는 이점이 있습니다.그러나 이러한 종류의 접근 방식은 사용 가능한 데이터에 크게 의존하므로 획득하는 데 번거롭고 비용이 많이 듭니다.

참고자료
[1] EN 12150-1:2015, 2015, 건물 유리 – 열 강화 소다석회 규산염 안전 유리 – 1부: 정의 및 설명, CEN.
[2] E/ECE, 2017, 자동차 장비 및 부품에 대한 통일된 승인 조건 채택 및 승인의 상호 인정에 관한 계약.부록 42, 규정 번호 43, 개정 4: 안전 유리 재료 및 차량 설치 승인에 관한 통일 조항, 부록 5, 2017년 4월
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, pp. 23.
[4] Barsom, JM, 1968, 강화 유리 파손, J. Am.세라믹.Soc.권.51, 75-78페이지.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, 강화유리 조각 크기에 대한 실험적 조사, 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, 유리의 2D 거시적 조각화 예측을 위한 열 강화 유리의 변형 에너지와 파괴 패턴 형태 간의 관계, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, 자동 유리 단편화 분석, Proc.SPIE 2665, 산업 검사의 머신 비전 애플리케이션 IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, 유리의 열 강화, 유리 과학 및 기술 vol.5 안경의 탄력성과 강도, DR Uhlmann 및 NJ Kreidl(Eds.), Academic Press, New York, pp. 145-216.
[9] Aronen, A., Kocer., C., 2015, 강화 유리의 기계적 고장;2015년 GPD ​​Glass 성능일 간행물, pp. 388-391에서 테스트 표준 및 서비스 중 치명적인 고장 비교.
[10] Anton, J., Aben, H., 2003년, 유리판의 잔류 응력 측정을 위한 소형 산란광 편광경, Proceedings of Glass Proceedings Days 2003, pp. 86-88.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, 심층 합성곱 신경망을 사용한 Imagenet 분류, 신경 정보 처리 시스템의 발전, Curran Associates, Inc., pp. 1097-1105.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, 의미론적 분할을 위한 완전 컨벌루션 네트워크, 2015 컴퓨터 비전 및 패턴 인식(CVPR)에 관한 IEEE 컨퍼런스, IEEE, pp. 3431-3440.
[13] Chen, L., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018, 의미론적 이미지 분할을 위한 Atrous 분리 가능 컨볼루션을 갖춘 인코더-세코더, CoRR, 2018, 사용 가능(09.05에 액세스) .2018).https://arxiv.org/abs/1802.02611.
[14] He, K., Zhang, X., Ren, S., Sun, J., 2016년, 이미지 인식을 위한 심층 잔여 학습, 2016 컴퓨터 비전 및 패턴 인식(CVPR)에 관한 IEEE 컨퍼런스, IEEE, 770페이지 -778.
[15] Russakovsky, 0., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., 2015, Imagenet 대규모 시각 인식 챌린지, 컴퓨터 비전 국제 저널, 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, 웹페이지.이용 가능(2018년 5월 9일 접속).https://image-net.org/challenges/LSVRC/2017/results.