Liczba fragmentów w znormalizowanym teście fragmentacji zgodnie z normą EN 12150-1 jest sposobem na określenie poziomu bezpieczeństwa szkła hartowanego, a także sposobem na uzyskanie informacji o poziomie naprężenia i wytrzymałości szkła hartowanego.
Choć sposób liczenia fragmentów jest określony w normie na przykładach, ostateczny wynik zawsze zależy od egzaminatora.Aby liczenie było spójne u wszystkich egzaminatorów i egzaminatorów, potrzebny jest zautomatyzowany proces liczenia fragmentów.To sprawia, że ​​jest to idealna aplikacja dla komputerowego systemu wizyjnego, ponieważ komputer nigdy się nie męczy ani nie traci obiektywności.Systemy automatycznego liczenia fragmentów już istnieją, mają jednak poważne ograniczenia

Nowoczesne narzędzia i technologie zrewolucjonizowały w ostatnich latach dziedzinę widzenia komputerowego.Dzieje się tak głównie ze względu na postęp w konwolucyjnych sieciach neuronowych, które szczególnie nadają się do wydobywania wzorców i informacji z obrazów wizualnych.Aby systemy liczenia fragmentów były bardziej elastyczne, szybsze i tańsze, najnowsze postępy w dziedzinie wizji komputerowej umożliwiają wdrożenie zautomatyzowanego komputerowego systemu wizyjnego nawet na smartfonie mobilnym.

Wstęp
Szkło hartowane produkowane jest w procesie obróbki cieplnej, podczas którego tafla szkła jest najpierw podgrzewana powyżej temperatury przejścia, a następnie szybko schładzana w celu wytworzenia gradientu temperatury na całej grubości.Celem jest zamrożenie szkła, gdy szkło ma gradient temperatury, a następnie, gdy temperatura się ujednolici, stanem resztkowym jest paraboliczny profil naprężenia na całej grubości szkła.Szkło hartowane ulega ściskaniu na powierzchni i rozciąganiu w rdzeniu szkła.

Szkło hartowane ma dwie zalety w porównaniu do odprężonego szkła float.Po pierwsze, wytrzymałość szkła na zginanie i uderzenia wzrasta wraz z naprężeniami ściskającymi na powierzchni, a po drugie, podczas stłuczenia szkło pęka na małe, nieszkodliwe cząstki pod wpływem wysokiej indukowanej energii odkształcenia.Ze względu na te zalety szkło hartowane nazywane jest także szkłem bezpiecznym.

Badanie niszczące i fragmentacja na skutek stłuczenia to sposób na określenie naprężenia i poziomu bezpieczeństwa szkła hartowanego.Fragmentacja pokazuje kilka rzeczy na podstawie naprężeń, np. poziom naprężeń i jednorodność naprężeń.W normie EN 12150-1 [1] zdefiniowano próbę przebicia, podczas której szkło hartowane o wymiarach 1100 x 360 mm² jest uderzane ostrym narzędziem w środku najdłuższej krawędzi.

Ze wzoru pęknięcia liczba cząstek na obszarze 50 x 50 mm² jest liczona od minimalnego obszaru zliczania fragmentów.Norma określa minimalny poziom odłamków dla różnych grubości szkła dla bezpieczeństwa szkła architektonicznego.Szkło samochodowe spełnia podobną normę ECE R43 [2] dotyczącą bezpiecznej fragmentacji.W porównaniu z normą EN 12150-1, w standardzie ECE R43 szkło jest uderzane w środkowej części szyby.

Fragmentację szkła i jej związek z poziomem naprężeń badano już w latach 60. XX wieku, czego przykładem są dobrze znane wyniki Akeyoshi i in.[3].Określili zależność pomiędzy liczbą odłamków a poziomem naprężenia rozciągającego w płaszczyźnie środkowej dla różnych grubości szkła w zakresie od 1,8 mm do 8,2 mm.

W 1968 roku Barsom [4] opublikował także wyniki dotyczące korelacji napięcia środkowego i średniej masy cząstek w szkle hartowanym.Ostatnio badania opublikowali Pourmoghaddam i Schneider [5] oraz Pourmoghaddam i in.[6], którzy definiują związek pomiędzy poziomem naprężenia a fragmentacją, a także przewidują kształt i rozkład fragmentów na podstawie poziomu naprężenia i punktu uderzenia.

Liczenie fragmentów jest zasadniczo zadaniem wizualnym, w którym operator bardzo efektywnie wykorzystuje swój mózg, aby oddzielić pojedyncze odłamki od potłuczonego szkła.Dla człowieka zadanie to wydaje się bardzo łatwe i łatwo zapomnieć, że wymaga ono bardzo wyrafinowanych i dobrze rozwiniętych zdolności rozpoznawania wzorców, do czego właśnie wykształciły się nasze mózgi.Definicja liczenia fragmentów jest prosta i pokazana jako przykład w normie EN 12150-1 [1].

Jednak choć zadanie to może wydawać się łatwe, jest bardzo pracochłonne i czasochłonne.Proces liczenia jest również bardzo powtarzalny i podatny na błędy ludzkie wynikające z braku koncentracji i zmęczenia.Z tego powodu możliwe jest, że wyniki liczenia mogą się różnić u poszczególnych egzaminatorów.Zwłaszcza, gdy liczba fragmentów jest duża, rozmiar fragmentów jest mały i dla ludzkiego oka może być trudno określić, które fragmenty są najmniejsze do zliczenia, a które znajdują się w obszarze zliczania.

W tradycyjnym, zautomatyzowanym procesie zdjęcie wzoru fragmentacji jest przetwarzane i analizowane za pomocą narzędzi do analizy obrazu [7].Istnieją urządzenia do automatycznego liczenia fragmentów w oparciu o analizę obrazu, takie jak CulletScanner firmy SoftSolution i FROG:Fragment Recogniter of Glass firmy Deltamax.

Niedawno uczenie maszynowe zrewolucjonizowało dziedzinę widzenia komputerowego, ponieważ głębokie sieci neuronowe są w stanie uczyć się bardzo abstrakcyjnych reprezentacji podstawowych danych.Daje to nowe narzędzia do analizy wzorców fragmentacji.Jednak głębokie sieci neuronowe wymagają dużej ilości dobrze opatrzonych adnotacjami danych.Jest to czasochłonna część tworzenia dobrego modelu do liczenia cząstek.

W artykule skupiono się na przedstawieniu nowatorskiego sposobu zliczania fragmentów szkła hartowanego z wykorzystaniem najnowszych osiągnięć w dziedzinie uczenia maszynowego.Przedstawiono także znaczenie adnotacji danych dla głębokiego uczenia się.Przed rozdziałem dotyczącym uczenia maszynowego zaprezentowano tło dotyczące stłuczenia szkła, aby lepiej zrozumieć problemy zliczania liczby fragmentów w szkle hartowanym.

Teoria fragmentacji szkła
Fragmentacja szkła po stłuczeniu zależy głównie od naprężeń.W procesie fragmentacji wzrost pęknięć można podzielić na dwie części.Po pierwsze, szkło wymaga wystarczająco wysokiego poziomu naprężeń, aby pęknięcia mogły samoistnie narastać.Ten poziom naprężenia jest potrzebny już w przypadku szkła wzmacnianego termicznie, gdy wszystkie pęknięcia powinny urosnąć do krawędzi.Po drugie, w przypadku szkła hartowanego konieczne jest rozwidlenie pęknięć ze względu na dużą liczbę fragmentów.To zjawisko bifurkacji wymaga wyższego poziomu naprężenia indukowanego.[8]

Początkowy punkt pęknięcia oraz zewnętrzne podparcie lub siła wpływają na fragmentację szkła.Czynniki te mają wpływ na rozkład naprężeń na wierzchołkach pęknięć i w związku z tym zmienia się wzór fragmentacji.[8,9] Z tego powodu w normie określono początkowy punkt pęknięcia.Czas po stłuczeniu, w którym powinna zostać policzona liczba odłamków, w normie EN 12150-1 [1] wynosi od 3 do 5 minut.Należy to również wziąć pod uwagę, ponieważ po początkowej propagacji pęknięć tworzą się pęknięcia wtórne.Pęknięcia wtórne są zwykle prostopadłe do krawędzi pęknięć początkowych, a ich liczba zależy również od stanu naprężenia początkowego.

Fragmentacja szkieł cienkich i grubych jest podobna.Jednakże w przypadku grubszych szkieł krawędzie pęknięć są bardziej chropowate niż w przypadku cieńszych szkieł.Ponadto w przypadku grubego szkła powierzchnię krawędzi pęknięcia można odchylić.Typowy wzór pęknięć szkieł o grubości nominalnej 4 mm i 10 mm pokazano później jako przykład, odpowiednio na rysunkach 9 i 10.Bardziej szorstka krawędź pęknięcia powoduje szerszą linię pęknięcia, a nachyloną powierzchnię pęknięcia można zobaczyć jako biały obszar ze względu na silnie rozproszone odbicie światła od powierzchni pęknięcia.Obydwa mogą mieć wpływ na liczenie fragmentów.

Jednym ze sposobów liczenia odłamków jest zdefiniowanie zależności pomiędzy poziomem naprężeń szczątkowych szkła a liczbą odłamków.Jest to ważne, jeśli do kontroli jakości szkieł hartowanych używany jest sprzęt do pomiaru naprężeń optycznych.Zależność pomiędzy polaryskopem światła rozproszonego (SCALP-05) [10] zmierzonym w środkowej płaszczyźnie naprężenia rozciągającego a zliczoną liczbą fragmentów pokazano na rysunku 1. Badania przeprowadzono na szkle o wymiarach 1100 x 360 mm².Dane eksperymentalne porównano z danymi Akeyoshi i in.[3].Wyniki eksperymentów autorów wskazują na wyższy stopień fragmentacji szkieł w porównaniu z danymi Akeyoshi i in.[3].

Rysunek 1. Zależność naprężenia rozciągającego w płaszczyźnie środkowej od liczby odłamków na powierzchni 50 x 50 mm2.Wyniki eksperymentów dla nominalnych grubości szkła 4 mm, 6 mm, 8 mm i 10 mm (kropki) oraz dane porównawcze z Akeyoshi i in.[3] dla grubości szkła 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm i 8,2 mm.
Rysunek 1. Zależność naprężenia rozciągającego w płaszczyźnie środkowej od liczby odłamków na powierzchni 50 x 50 mm2.Wyniki eksperymentów dla nominalnych grubości szkła 4 mm, 6 mm, 8 mm i 10 mm (kropki) oraz dane porównawcze z Akeyoshi i in.[3] dla grubości szkła 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm i 8,2 mm.

Automatyzacja liczenia fragmentów za pomocą wizji maszynowej
Konwolucyjne sieci neuronowe (CNN) od dawna dominują w dziedzinie klasyfikacji obrazów i rozpoznawania obiektów.W 2012 roku głęboko splotowa sieć neuronowa (DCNN) po raz pierwszy osiągnęła najnowocześniejszą wydajność w konkursie rozpoznawania wizualnego na dużą skalę (ILSVRC) ImageNet [11].Przełomem, jaki przyniosły sieci DCNN, było to, że nie były już wymagane wyrafinowane, ręcznie wykonane funkcje przestrzeni wejściowej.

Przed głębokim uczeniem typowy potok klasyfikacji obrazów składałby się z klasyfikatora przeszkolonego przy użyciu ręcznie opracowanych funkcji.Rodzi to pewne problemy, ponieważ ludzie niekoniecznie są bardzo skuteczni w definiowaniu cech, które najlepiej odróżniają klasy wejściowe.Zaletą głębokiego uczenia się jest to, że funkcje specyficzne dla zadania są automatycznie wyodrębniane przez sieć i można je bezpośrednio trenować od początku do końca, od obrazów wejściowych po klasy wyjściowe.

Jednak segmentacja fragmentów szkła nie jest po prostu problemem klasyfikacji obrazu.Jest to raczej problem klasyfikacji pikseli.Proces, w którym każdy piksel obrazu wejściowego jest klasyfikowany do określonej klasy, nazywany jest segmentacją semantyczną.Po przełomie w zakresie głębokiego uczenia się nie trwało długo, zanim nowe technologie mogły zostać przeniesione z klasyfikacji obrazów do segmentacji semantycznej.

Problem polega na tym, że sieci klasyfikacyjne mają bardzo niską rozdzielczość wyjściową, ponieważ wynik jest definiowany po prostu jako wektor prawdopodobieństw klas.Jednak w segmentacji semantycznej rozdzielczość wyjściowa powinna być tak wysoka, jak rozdzielczość obrazu wejściowego.Praca Longa i in.[12] pokazali, że istniejące sieci klasyfikacyjne można przenieść do sieci segmentacji semantycznej.Dokonano tego poprzez rzutowanie klasyfikacji na w pełni połączone sieci neuronowe (FCNN) poprzez dodanie wewnętrznego próbkowania w sieci i utraty pikseli.

Praca Longa i in.nadal stanowił jedynie pierwszy krok w kierunku wysokowydajnej segmentacji semantycznej.Od tego czasu bardziej wyrafinowane sieci nieustannie poprawiają wydajność.Od 2018 roku najlepiej działającą siecią do segmentacji semantycznej jest DeepLab v3+ firmy Google [13], która również została przyjęta w tej pracy do zadania segmentacji fragmentów szkła.

Teoria
Teorię stojącą za potokiem zliczania fragmentów wykorzystaną w tej pracy przedstawiono na rysunku 2. Potok składa się z systemu Google DeepLab v3+ służącego do przeprowadzania segmentacji oraz algorytmu przetwarzania końcowego do przeprowadzania faktycznego zliczania.

Rysunek 2. Potok zliczania fragmentów.
Rysunek 2. Potok zliczania fragmentów.
Blok DCNN, ASPP i DECODER na rysunku 2 to części systemu DeepLab v3+.Koder to standardowa, głęboko splotowa sieć neuronowa, która służy jako funkcja wyodrębniająca część sieci.W szczególności w tej pracy wykorzystano resztkową architekturę sieci [14].Dane wyjściowe kodera są kierowane do modułu łączenia piramid przestrzennych (ASPP), który próbkuje mapę obiektów z różnymi polami recepcyjnymi (polem widzenia), aby uchwycić kontekst wieloskalowy.

Dekoder służy do przywracania rozdzielczości przestrzennej obrazu wejściowego.Dekoder zasadniczo łączy bogatą informację semantyczną o niskiej rozdzielczości z modułu ASPP z informacją przestrzenną o wysokiej rozdzielczości z modułu kodera.Rezultatem jest maska ​​segmentacji o wysokiej rozdzielczości oryginalnego, nieprzetworzonego obrazu wejściowego.

Maska segmentacji podana przez system DeepLab jest poddawana dalszej obróbce końcowej w celu uzyskania liczby fragmentów.Każda instancja fragmentu jest progowana w taki sposób, że wszelkie małe połączenia między sąsiednimi fragmentami są usuwane.Następnie liczbę fragmentów można uzyskać w prosty sposób, zliczając każdy połączony region w binarnej masce segmentacji.

Adnotacja danych
Nowoczesne sieci neuronowe głębokiego uczenia się w dużym stopniu zależą od ilości danych, które mogą wykorzystać podczas szkolenia.Dostosowują swoją wewnętrzną reprezentację problemu, wielokrotnie iterując po zbiorze danych.W przypadku bardzo rzadkich danych prowadzi to do prawdopodobnie nadmiernie dopasowanego modelu, który nauczył się tylko bardzo określonego zestawu danych.Tego rodzaju model zwykle nie jest w stanie uogólnić na całą dziedzinę problemu, co czyni go bezużytecznym w szerszym zakresie zastosowań.

W tym przypadku nie jest inaczej.Jednak w przypadku segmentacji fragmentów szkła zbiór danych jest znacznie prostszy niż np. ogólne obrazy pobrane z Internetu.W segmentacji szkła prezentowana jest tylko jedna klasa obiektów: sam fragment.Model sieci neuronowej musi nauczyć się odróżniać obszary fragmentacyjne od niefragmentowych.Przykładem powszechnie stosowanego, bardziej złożonego zbioru danych jest ImageNet, który zawiera ponad 15 milionów obrazów należących do około 22 000 różnych kategorii [15].Obrazy są pobierane z Internetu i opatrzone komentarzami przez ludzi.Nowoczesne sieci neuronowe wykazały wydajność na poziomie ludzkim nawet w przypadku bardzo wymagających zbiorów danych, takich jak ImageNet [16].

Adnotacja danych jest bardzo czasochłonna i kosztowna ze względu na potrzebę pracy ludzkiej.Ilość danych jest zwykle wąskim gardłem w wydajności modelu, zwłaszcza gdy są stosowane do konkretnego zadania i nie można wykorzystać swobodnie dostępnych zbiorów danych.Przykładem takiego problemu jest fragmentacja szkła.Aby model nauczył się segmentować fragmenty, należy pokazać wiele przykładów prawidłowych lub podstawowych segmentacji.

Proces adnotacji
Na rysunku 3 pokazano przykłady segmentacji prawdy podstawowej.Przykłady te zostały stworzone przez człowieka, a każda próbka wymaga około 10–30 minut, w zależności od doświadczenia piszącego.Proces adnotacji jest dość prosty: każdy fragment jest oznaczony wielokątem poprzez określenie jego wierzchołków.

Jak widać na próbkach, proces ten jest również wysoce subiektywny.Każda osoba dokonuje segmentacji nieco inaczej.Jednakże adnotację należy wykonać w taki sposób, aby pomiędzy sąsiadującymi wielokątami pozostały wystarczająco szerokie odstępy.Wymusza to na modelu niezawodne oddzielanie sąsiadujących fragmentów, co ma kluczowe znaczenie w celu uzyskania takich ilości, jak liczba fragmentów.Na surowym obrazie krawędź fragmentu może czasami mieć tylko kilka pikseli szerokości i jest praktycznie nie do odróżnienia od tła.W takich przypadkach pomiędzy wielokątami etykiet pozostają szersze odstępy.

Rysunek 3. Próbki surowych obrazów i odpowiadające im adnotacje dotyczące prawdy dla różnych kategorii szkła.
Rysunek 3. Próbki surowych obrazów i odpowiadające im adnotacje dotyczące prawdy dla różnych kategorii szkła.

Eksperyment dotyczący subiektywności liczenia fragmentów
Zadanie liczenia fragmentów jest ze swej natury bardzo subiektywne.Często nie jest jasne, które obszary rozbitego szkła można zaliczyć do pojedynczych odłamków, a nawet norma nie podaje w tym zakresie jednoznacznych wskazówek.Dlatego faktyczna osoba wykonująca test fragmentacji może mieć znaczący wpływ na liczbę fragmentów, nawet jeśli fragmenty są liczone z tego samego regionu.Co więcej, wprowadza się zróżnicowanie, gdy od osób wymaga się wybrania obszaru o najmniejszych fragmentach.Na rysunku 4 przedstawiono obszar zainteresowań badania fragmentacji określony w normie EN 12150-1 [1].

Rysunek 4. Obszar zainteresowania analizą fragmentacji.Analizie należy uwzględnić wszystkie obszary znajdujące się wewnątrz linii przerywanej.
Rysunek 4. Obszar zainteresowania analizą fragmentacji.Analizie należy uwzględnić wszystkie obszary znajdujące się wewnątrz linii przerywanej.
Subiektywny charakter zliczania fragmentów zbadano eksperymentalnie.Celem eksperymentu było zbadanie różnic w liczbie fragmentów u kilku badaczy.Do badania wykorzystano dwie próbki o grubości 4 mm i 10 mm.Wybrano dwie grubości szkła, ponieważ wzór fragmentacji jest bardzo różny w przypadku cienkiego i grubego szkła.Grubość ma znaczący wpływ na wzór złamania i wygląd fragmentów.Ogólnie rzecz biorąc, łatwiej jest policzyć fragmenty z cieńszego szkła.Test został zorganizowany w następujący sposób.Uszkodzone zostały dwie standardowe szyby hartowane (1100 x 360 mm²) o grubości 4 mm i 10 mm.Każda osoba liczyła fragmenty z dwóch oddzielnych obszarów o wymiarach 50 x 50 mm²: jednego ze środka szyby i jednego dowolnie wybranego obszaru (wewnątrz linii przerywanej na rys. 4) zawierającej najmniejsze fragmenty.Podano także współrzędne dowolnie wybranych regionów, aby porównać, w jaki sposób każda osoba znalazła najmniejszą ilość stłuczki w szkle.

Wzory fragmentacji szkieł testowych o średnicy 4 mm i 10 mm pokazano odpowiednio na rysunkach 5 i 6, a wyniki zliczania fragmentów dla obu szkieł przedstawiono w tabeli 1. Na rysunkach przedstawiono również mapy cieplne rozkładu fragmentów dla obu próbek 6 i 7. Na górze każdej mapy cieplnej narysowane są prostokąty określające dowolnie wybrane obszary.

Rysunek 5. Wzór fragmentacji próbki testowej o średnicy 4 mm.
Rysunek 5. Wzór fragmentacji próbki testowej o średnicy 4 mm.
Rysunek 6. Wzór fragmentacji próbki testowej o średnicy 10 mm.
Rysunek 6. Wzór fragmentacji próbki testowej o średnicy 10 mm.
Na mapach cieplnych kolor niebieski oznacza niższą gęstość fragmentów, natomiast kolor żółty oznacza większą gęstość.W obu przypadkach większość badaczy wybrała obszar w prawym górnym obszarze, który w rzeczywistości jest obszarem o najniższej gęstości fragmentów w dozwolonym obszarze zainteresowania opisanym na rysunku 4. Jednakże niektórzy badacze doszli do innych obszarów, co wprowadza dalsze różnice w ostatecznej liczbie fragmentów w próbce.

Tabela 1. Wyniki eksperymentalnego testu zliczania fragmentów
Tabela 1. Wyniki eksperymentalnego testu zliczania fragmentów.
Wyniki pokazują, że istnieją znaczne różnice w liczbie fragmentów pomiędzy badaczami, nawet jeśli wszyscy liczyli fragmenty z dokładnie tego samego regionu.Różnice są jeszcze większe, gdy badający swobodnie wybiera obszar najmniejszej stłuczki.

W przypadku szkła o grubości 4 mm liczba modeli AI mieści się w granicach 1 odchylenia standardowego średniej liczby ludzi.W przypadku szkła o grubości 10 mm jest ona nieco dalej.Nie oznacza to jednak, że model AI jest błędny, ponieważ zadanie jest wysoce subiektywne.Obrazy środkowych obszarów próbek testowych pokazano na rysunkach 7 i 8, a odpowiednie nałożone obrazy segmentacji AI pokazano na rysunkach 9 i 10.

Rysunek 7. Mapa cieplna rozkładu fragmentów dla próbki o średnicy 4 mm oraz czerwone prostokąty przedstawiające dowolnie wybrane obszary w eksperymencie.
Rysunek 7. Mapa cieplna rozkładu fragmentów dla próbki o średnicy 4 mm oraz czerwone prostokąty przedstawiające dowolnie wybrane obszary w eksperymencie.
Rysunek 8. Mapa cieplna rozkładu fragmentów dla próbki o średnicy 10 mm oraz czerwone prostokąty przedstawiające dowolnie wybrane obszary w eksperymencie.
Rysunek 8. Mapa cieplna rozkładu fragmentów dla próbki o średnicy 10 mm oraz czerwone prostokąty przedstawiające dowolnie wybrane obszary w eksperymencie.
Odpowiednia liczba fragmentów modelu AI dla próbek o średnicy 4 mm i 10 mm wynosiła odpowiednio 98 i 68.Obrazy te pokazują trudność liczenia fragmentów: na obrazach znajduje się wiele małych fragmentów, które system sztucznej inteligencji zliczył jako pojedyncze fragmenty, czego człowiek może nie.Jest to szczególnie prawdziwe w przypadku próbki o średnicy 10 mm.Na obrazie segmentacyjnym próbki o średnicy 10 mm widać, że system sztucznej inteligencji uwzględnił w ostatecznym zliczeniu wiele małych fragmentów, co nie jest błędne, ale skutkuje liczbą większą niż przeciętny badacz.Jedną z zalet zautomatyzowanego systemu jest to, że jest on konsekwentny w swoich decyzjach, a wyniki nie różnią się ze względu na zmęczenie, brak koncentracji lub inne warunki wpływające na osobę badającą.

Streszczenie
Trudności w liczeniu fragmentów zbadano eksperymentalnie, a wyniki przedstawiono w artykule.Wyniki pokazały, że liczenie fragmentów nie jest zadaniem trywialnym, a ponieważ w normach nie ma jasnych instrukcji dotyczących tego procesu, wyniki liczenia mogą się znacznie różnić w zależności od badacza.Względne odchylenia standardowe fragmentów dla środkowych obszarów próbek o średnicy 4 mm i 10 mm wynosiły odpowiednio 4,9% i 6,4%.

Ponadto różnice w zliczaniu nie są jedyną rzeczą wpływającą na ostateczną liczbę fragmentów.Badacz musi także określić obszar o najniższej gęstości fragmentów, co wprowadza większą wariancję.Dla swobodnie wybranych obszarów próbek 4 mm i 10 mm odpowiednie względne odchylenia standardowe wynosiły 8,0% i 9,9%.

W artykule przedstawiono również podejście do liczenia fragmentów oparte na uczeniu maszynowym.Wykazano, że nowoczesne technologie głębokiego uczenia się i wizji komputerowej są w stanie dokładnie policzyć fragmenty obrazu rozbitego szkła.Zautomatyzowane podejście zapewnia obiektywne i spójne wyniki.Jednakże tego rodzaju podejście jest w dużym stopniu zależne od dostępnych danych, których uzyskanie jest kłopotliwe i kosztowne.

Bibliografia
[1] EN 12150-1:2015, 2015, Szkło w budownictwie – Szkło bezpieczne sodowo-wapniowo-krzemianowe hartowane termicznie – Część 1: Definicja i opis, CEN.
[2] E/ECE, 2017, Porozumienie dotyczące przyjęcia jednolitych warunków homologacji i wzajemnego uznawania homologacji wyposażenia i części pojazdów silnikowych.Dodatek 42, Regulamin nr 43, wersja 4: Przepisy jednolite dotyczące homologacji bezpiecznych materiałów oszkleniowych i ich montażu w pojazdach, Załącznik 5, kwiecień 2017 r.
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, s. 23.
[4] Barsom, JM, 1968, Pęknięcie szkła hartowanego, J. Am.Ceram.Towarzystwotom.51, s. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, Eksperymentalne badanie rozmiaru fragmentu szkła hartowanego, Glass Struct Eng, tom 3, s. 167-181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam, N., Kraus, MA, Schneider, J., Siebert, G., 2018, Związek między energią odkształcenia a morfologią wzoru pękania szkła hartowanego termicznie w celu przewidywania fragmentacji szkła w makroskali 2D, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Automatyczna analiza fragmentacji szkła, Proc.SPIE 2665, Zastosowania widzenia maszynowego w inspekcji przemysłowej IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Thermal Tempering of Glass, w: Glass Science and Technology, tom.5 Elastyczność i siła w okularach, DR Uhlmann i NJ Kreidl (red.), Academic Press, Nowy Jork, s. 145–216.
[9] Aronen, A., Kocer., C., 2015, Mechaniczne uszkodzenie szkła hartowanego;a Porównanie standardów testowania i katastrofalnych awarii w eksploatacji, w: Proceedings of GPD Glass performance Days 2015, s. 388-391.
[10] Anton, J., Aben, H., 2003, Kompaktowy polaryskop światła rozproszonego do pomiaru naprężeń szczątkowych w płytkach szklanych, w: 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, Konferencja IEEE 2015 na temat widzenia komputerowego i rozpoznawania wzorców (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, dostęp (dostęp 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, Konferencja IEEE 2016 na temat widzenia komputerowego i rozpoznawania wzorców (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, tom.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, strona internetowa.Dostępne (dostęp: 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.