A contagem de fragmentos no teste de fragmentação padronizado na norma EN 12150-1 é a forma de definir o nível de segurança do vidro temperado e uma forma de também obter uma indicação sobre o nível de tensão e resistência do vidro temperado.
Embora a forma de contar o número de fragmentos seja definida na norma por meio de exemplo, o resultado real sempre depende do examinador.Para tornar a contagem consistente entre os exames e examinadores, é necessário um processo automatizado de contagem de fragmentos.Isso o torna um aplicativo perfeito para um sistema de visão computacional, já que o computador nunca se cansa ou perde sua objetividade.Já existem sistemas para contagem automatizada de fragmentos, mas apresentam severas limitações

Ferramentas e tecnologias modernas revolucionaram o campo da visão computacional nos últimos anos.Isto se deve principalmente aos avanços nas redes neurais convolucionais, que são especialmente adequadas para extrair padrões e informações de imagens visuais.Para tornar os sistemas de contagem de fragmentos mais flexíveis, rápidos e baratos, esses avanços recentes na visão computacional permitem que sistemas automatizados de visão computacional sejam implementados até mesmo em um smartphone móvel.

Introdução
O vidro temperado é produzido pelo processo de tratamento térmico onde o painel de vidro é primeiro aquecido além da sua temperatura de transição e depois resfriado rapidamente para produzir um gradiente de temperatura através da espessura.O objetivo é congelar o vidro quando o vidro apresenta gradiente de temperatura e, depois, quando a temperatura se uniformiza, o estado residual é um perfil de tensão parabólica através da espessura do vidro.O vidro temperado está em compressão na superfície e em tensão no núcleo do vidro.

O vidro temperado tem duas vantagens em comparação com o vidro float recozido.Em primeiro lugar, a resistência do vidro à flexão e aos impactos aumenta com a tensão de compressão na superfície e, em segundo lugar, na quebra, o vidro fratura-se em pequenas partículas inofensivas devido à elevada energia de deformação induzida.Devido a essas vantagens, o vidro temperado também é chamado de vidro de segurança.

O ensaio destrutivo e a fragmentação por quebra é a forma de definir o nível de tensão e segurança do vidro temperado.A fragmentação mostra vários aspectos das tensões, por exemplo, o nível de tensão e a uniformidade das tensões.Na norma EN 12150-1 [1] definiu-se o teste de punção onde o vidro temperado de tamanho 1100 x 360 mm² é impactado com uma ferramenta pontiaguda no ponto médio da borda mais longa.

A partir do padrão de quebra, o número de partículas na área de 50 x 50 mm² é contado a partir da área mínima de contagem de fragmentos.A norma define o nível mínimo dos fragmentos para diferentes espessuras de vidro para a segurança do vidro arquitetônico.O vidro automotivo possui padrão ECE R43 [2] semelhante para fragmentação segura.Em comparação com a norma EN 12150-1, na norma ECE R43 o vidro é impactado na área central do vidro.

A fragmentação do vidro e a sua ligação ao nível de tensão já foram estudadas na década de 1960, sendo um exemplo os conhecidos resultados de Akeyoshi et al.[3].Eles definiram a relação entre o número de fragmentos e o nível de tensão de tração no plano médio para diferentes espessuras de vidro entre 1,8 mm e 8,2 mm.

Em 1968, Barsom [4] também publicou os resultados sobre a correlação da tensão central e o peso médio das partículas em vidro temperado.Recentemente, estudos foram publicados por Pourmoghaddam & Schneider [5] e Pourmoghaddam et al.[6] que definem a relação entre o nível de tensão e a fragmentação, bem como prevê a forma e distribuição dos fragmentos com base no nível de tensão e no ponto de impacto.

A contagem de fragmentos é essencialmente uma tarefa visual, onde o operador humano usa seu cérebro de forma muito eficiente para separar os cacos individuais do vidro quebrado.Para um ser humano, esta tarefa parece muito fácil e é fácil esquecer como tal tarefa requer capacidades de reconhecimento de padrões muito sofisticadas e bem desenvolvidas, que é o propósito para o qual o nosso cérebro se desenvolveu.A definição para contar o número de fragmentos é simples e mostrada como exemplo na norma EN 12150-1 [1].

No entanto, embora a tarefa possa parecer fácil, é muito trabalhosa e demorada.O processo de contagem também é muito repetitivo e sujeito a erros humanos devido à falta de concentração e cansaço.Devido a isso, é possível que os resultados da contagem possam variar entre os examinadores.Especialmente, quando o número de fragmentos é elevado, o tamanho dos fragmentos é pequeno e pelo olho humano pode ser difícil definir quais são os fragmentos mais pequenos a contar e quais os fragmentos que estão dentro da área de contagem.

No processo automatizado tradicional, a foto do padrão de fragmentação é processada e analisada com ferramentas de análise de imagem [7].Existem equipamentos para contagem automatizada de fragmentos baseados em análise de imagens como CulletScanner da SoftSolution e FROG:Reconhecedor de fragmentos de vidro da Deltamax.

Recentemente, o aprendizado de máquina revolucionou o campo da visão computacional, uma vez que redes neurais profundas são capazes de aprender representações muito abstratas dos dados subjacentes.Isso fornece novas ferramentas para analisar padrões de fragmentação.No entanto, as redes neurais profundas precisam de uma boa quantidade de dados bem anotados.Esta é a parte demorada para criar um bom modelo para contagem de partículas.

Neste artigo, o foco é apresentar uma nova forma de contar os fragmentos no vidro temperado usando os mais recentes avanços na área de aprendizado de máquina.Além disso, é apresentada a importância da anotação dos dados para aprendizagem profunda.Antes do capítulo sobre aprendizado de máquina, são apresentados os antecedentes sobre a quebra do vidro para melhor compreender os problemas de contagem do número de fragmentos em vidro temperado.

Teoria da fragmentação do vidro
A fragmentação do vidro após a quebra depende principalmente do estresse.No processo de fragmentação, o crescimento das fissuras pode ser dividido em duas partes.Em primeiro lugar, o vidro necessita de um nível de tensão suficientemente elevado para que as fissuras cresçam espontaneamente.Este nível de tensão já é necessário no vidro reforçado termicamente, quando todas as rachaduras devem crescer até a borda.Em segundo lugar, no vidro temperado, a bifurcação das fissuras é necessária para a alta contagem de fragmentos.Este fenômeno de bifurcação necessita de maior nível de estresse induzido.[8]

O ponto de fratura inicial e o suporte ou força externa afetam a fragmentação do vidro.Essas coisas influenciam a distribuição de tensões nas pontas das trincas e, com isso, o padrão de fragmentação muda.[8,9] Devido a isso, o ponto inicial de fratura é definido na norma.O tempo após a quebra em que o número de fragmentos deve ser contado é definido como 3 a 5 minutos na norma EN 12150-1 [1].Isto também é importante levar em consideração porque após a propagação inicial da fissura, fissuras secundárias estão se formando.Estas fissuras secundárias são geralmente perpendiculares às bordas iniciais da fissura e o número delas também depende do estado de tensão inicial.

A fragmentação dos vidros finos e grossos é semelhante.No entanto, para vidros mais grossos, as bordas das fissuras são mais ásperas do que para vidros mais finos.Além disso, para vidro espesso, a superfície da borda da fratura pode ser inclinada.O padrão de fratura típico de vidros com espessura nominal de 4 mm e 10 mm é mostrado posteriormente como exemplo nas Figuras 9 e 10, respectivamente.A borda mais áspera da fissura causa a linha de fissura mais larga e a superfície da fissura inclinada pode ser vista como uma área branca devido à alta reflexão dispersa da luz da superfície da fissura.Ambos podem afetar a contagem de fragmentos.

Uma abordagem para a contagem de fragmentos é definir a relação entre o nível de tensão residual do vidro e a contagem de fragmentos.Isto é importante se o equipamento de medição de tensão óptica for utilizado para verificação de qualidade dos vidros temperados.A relação entre o polariscópio de luz espalhada (SCALP-05) [10] mediu a tensão de tração no plano médio e o número de fragmentos contados é mostrada na Figura 1. Os testes são feitos com vidros de 1100 x 360 mm².Os dados experimentais são comparados com os dados de Akeyoshi et al.[3].Os resultados experimentais dos autores fornecem maior nível de fragmentação para vidros em comparação com os dados de Akeyoshi et al.[3].

Figura 1. Relação entre tensão de tração no plano médio e número de fragmentos em área de 50 x 50 mm2.Os resultados experimentais para espessuras nominais de vidro de 4 mm, 6 mm, 8 mm e 10 mm (pontos) e dados de comparação de Akeyoshi et al.[3] para espessuras de vidro de 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm e 8,2 mm.
Figura 1. Relação entre tensão de tração no plano médio e número de fragmentos em área de 50 x 50 mm2.Os resultados experimentais para espessuras nominais de vidro de 4 mm, 6 mm, 8 mm e 10 mm (pontos) e dados de comparação de Akeyoshi et al.[3] para espessuras de vidro de 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm e 8,2 mm.

Automatizando a contagem de fragmentos com visão artificial
As redes neurais convolucionais (CNN) dominam há muito tempo o campo da classificação de imagens e reconhecimento de objetos.Em 2012, uma rede neural convolucional profunda (DCNN) alcançou pela primeira vez desempenho de última geração na Competição de Reconhecimento Visual em Grande Escala ImageNet (ILSVRC) [11].O avanço que as DCNNs trouxeram foi que não eram mais necessários recursos sofisticados e artesanais do espaço de entrada.

Antes do aprendizado profundo, um pipeline típico de classificação de imagens consistiria em um classificador treinado com recursos artesanais.Isto apresenta alguns problemas, uma vez que os humanos não são necessariamente muito eficientes na definição das características que melhor distinguem as classes de entrada.A vantagem do aprendizado profundo é que os recursos específicos da tarefa são extraídos automaticamente pela rede e podem ser treinados diretamente de ponta a ponta, desde imagens de entrada até classes de saída.

No entanto, a segmentação de fragmentos de vidro não é simplesmente um problema de classificação de imagens.Pelo contrário, é um problema de classificação de pixels.O processo em que cada pixel da imagem de entrada é classificado em uma determinada classe é chamado de segmentação semântica.Após o avanço do aprendizado profundo, não demorou muito até que as novas tecnologias pudessem ser transferidas da classificação de imagens para a segmentação semântica.

O problema é que as redes de classificação têm uma resolução de saída muito baixa, uma vez que a saída é definida simplesmente como um vetor de probabilidades de classe.Na segmentação semântica, entretanto, a resolução de saída deve ser tão alta quanto a resolução da imagem de entrada.O trabalho de Long et al.[12] mostraram que as redes de classificação existentes poderiam ser transferidas para redes de segmentação semântica.Isso foi feito lançando a classificação em redes neurais totalmente conectadas (FCNN), adicionando um upsampling na rede e uma perda pixel a pixel.

O trabalho de Long et al.ainda era apenas um primeiro passo em direção à segmentação semântica de alto desempenho.Desde então, redes mais sofisticadas têm continuamente impulsionado o desempenho de última geração.A partir de 2018, a rede de segmentação semântica com melhor desempenho é DeepLab v3+ do Google [13], que também é adotada neste trabalho para a tarefa de segmentação de fragmentos de vidro.

Teoria
A teoria por trás do pipeline de contagem de fragmentos usado neste trabalho é apresentada na Figura 2. O pipeline consiste no sistema DeepLab v3+ do Google para realizar a segmentação e um algoritmo de pós-processamento para fazer a contagem real.

Figura 2. Pipeline de contagem de fragmentos.
Figura 2. Pipeline de contagem de fragmentos.
Os blocos DCNN, ASPP e DECODER na Figura 2 fazem parte do sistema DeepLab v3+.O codificador é uma rede neural convolucional profunda padrão que é usada como um recurso que extrai parte da rede.Em particular, uma arquitetura de rede residual [14] é utilizada neste trabalho.A saída do codificador é direcionada para um módulo atrous de pooling de pirâmide espacial (ASPP), que amostra o mapa de características com diferentes campos receptivos (campo de visão) para capturar o contexto multiescala.

Um decodificador é usado para restaurar a resolução espacial da imagem de entrada.O decodificador combina essencialmente as informações semânticas ricas e de baixa resolução do módulo ASPP com as informações espaciais de alta resolução do módulo codificador.O resultado é uma máscara de segmentação de alta resolução da imagem de entrada bruta original.

A máscara de segmentação fornecida pelo sistema DeepLab é posteriormente pós-processada para obter a contagem de fragmentos.Cada instância de fragmento é limitada de modo que quaisquer pequenas conexões entre fragmentos adjacentes sejam removidas.Depois disso, a contagem de fragmentos pode ser obtida trivialmente contando cada região conectada na máscara de segmentação binária.

Anotação de dados
As redes neurais modernas de aprendizagem profunda dependem muito da quantidade de dados que podem utilizar durante o treinamento.Eles ajustam sua representação interna do problema iterando o conjunto de dados várias vezes.Com dados muito esparsos, isso leva a um modelo possivelmente superajustado que aprendeu apenas um conjunto muito específico de dados.Este tipo de modelo geralmente é incapaz de generalizar para todo o domínio do problema, tornando-o inutilizável em uma gama mais ampla de aplicações.

Este caso não é diferente.No entanto, no caso da segmentação de fragmentos de vidro, o conjunto de dados é muito mais simples do que, por exemplo, imagens gerais recolhidas da Internet.Na segmentação do vidro, apenas uma classe de objetos é apresentada: o próprio fragmento.O modelo de rede neural precisa aprender como distinguir entre regiões fragmentadas e não fragmentadas.Um exemplo de conjunto de dados mais complexo e amplamente utilizado é o ImageNet, que contém mais de 15 milhões de imagens pertencentes a cerca de 22.000 categorias diferentes [15].As imagens são coletadas da internet e anotadas por humanos.As redes neurais modernas mostraram desempenho de nível humano, mesmo em conjuntos de dados muito desafiadores, como o ImageNet [16].

A anotação de dados consome muito tempo e é cara devido à necessidade de mão de obra humana.A quantidade de dados geralmente é um gargalo no desempenho do modelo, especialmente quando aplicado a uma tarefa específica e nenhum conjunto de dados disponível gratuitamente pode ser utilizado.A fragmentação do vidro é um exemplo desse problema.Para que o modelo aprenda como segmentar os fragmentos, devem ser mostrados numerosos exemplos de segmentações corretas ou verdadeiras.

Processo de anotação
Na Figura 3, são mostrados exemplos de segmentações verdadeiras.Esses exemplos são criados por humanos e cada amostra requer cerca de 10 a 30 minutos, dependendo da experiência do anotador.O processo de anotação é bastante simples: cada fragmento é rotulado com um polígono definindo seus vértices.

Como pode ser visto nas amostras, o processo também é altamente subjetivo.Cada pessoa faz a segmentação de maneira um pouco diferente.No entanto, a anotação deve ser feita de forma que sejam deixados espaços suficientemente grandes entre quaisquer polígonos adjacentes.Isso força o modelo a separar de forma confiável os fragmentos adjacentes, o que é fundamental para obter quantidades como a contagem de fragmentos.Em uma imagem raw, a borda do fragmento às vezes pode ter apenas alguns pixels de largura e ser praticamente indistinguível do fundo.Nestes casos, são deixadas lacunas maiores entre os polígonos do rótulo.

Figura 3. Amostras de imagens brutas e anotações de verdade correspondentes para diferentes categorias de vidro.
Figura 3. Amostras de imagens brutas e anotações de verdade correspondentes para diferentes categorias de vidro.

Experimente a subjetividade da contagem de fragmentos
A tarefa de contagem de fragmentos é muito subjetiva por natureza.Muitas vezes não é claro quais áreas do vidro quebrado podem ser contadas como cacos individuais e mesmo a norma não fornece instruções inequívocas sobre isso.Portanto, a pessoa que realiza o teste de fragmentação pode ter um efeito significativo na contagem de fragmentos, mesmo quando os fragmentos são contados na mesma região.Mais ainda, a variação é introduzida, quando os indivíduos são obrigados a escolher a região de menores fragmentos.Na Figura 4 é apresentada a área de interesse para o ensaio de fragmentação definida pela norma EN 12150-1 [1].

Figura 4. Área de interesse na análise de fragmentação.Todas as áreas dentro da linha tracejada devem ser incluídas na análise.
Figura 4. Área de interesse na análise de fragmentação.Todas as áreas dentro da linha tracejada devem ser incluídas na análise.
A natureza subjetiva da contagem de fragmentos foi investigada experimentalmente.O objetivo do experimento era investigar a variação na contagem de fragmentos em vários examinadores humanos.O teste consistiu em duas amostras de teste com espessuras de 4 mm e 10 mm.Duas espessuras de vidro foram escolhidas porque o padrão de fragmentação é muito diferente para vidro fino e grosso.A espessura tem um efeito significativo no padrão de quebra e na aparência visual dos fragmentos.Em geral, é mais fácil contar fragmentos de vidros mais finos.A prova foi organizada da seguinte forma.Foram quebrados dois vidros temperados de tamanho padrão (1100 x 360 mm²) com espessuras de 4 mm e 10 mm.Cada indivíduo contou os fragmentos de duas regiões separadas de 50 x 50 mm²: uma do centro do vidro e uma região escolhida livremente (dentro da linha tracejada da Figura 4) de menor número de fragmentos.As coordenadas de regiões escolhidas livremente também foram relatadas para comparar como cada indivíduo encontra as áreas com menos fragmentos de vidro.

Os padrões de fragmentação dos vidros de teste de 4 mm e 10 mm são mostrados nas Figuras 5 e 6, respectivamente, e os resultados da contagem de fragmentos para ambos os vidros são mostrados na Tabela 1. Além disso, os mapas de calor para a distribuição de fragmentos para ambas as amostras são apresentados nas Figuras 6 e 7. No topo de cada mapa de calor, são desenhados retângulos especificando as áreas escolhidas livremente.

Figura 5. Padrão de fragmentação da amostra teste de 4 mm.
Figura 5. Padrão de fragmentação da amostra teste de 4 mm.
Figura 6. Padrão de fragmentação da amostra teste de 10 mm.
Figura 6. Padrão de fragmentação da amostra teste de 10 mm.
Nos mapas de calor, a cor azul indica menor densidade de fragmentos, enquanto a cor amarela indica maior densidade.Em ambos os casos, a maioria dos examinadores escolheu a área na região superior direita, que é de fato a área de menor densidade de fragmentos dentro da área de interesse permitida descrita na Figura 4. No entanto, alguns examinadores acabaram com regiões diferentes e isso introduz variação adicional na contagem final de fragmentos da amostra.

Tabela 1. Resultados de um teste experimental de contagem de fragmentos
Tabela 1. Resultados de teste experimental de contagem de fragmentos.
Os resultados mostram que há uma variação significativa nas contagens de fragmentos entre examinadores humanos, mesmo quando todos contaram fragmentos exatamente da mesma região.As diferenças são ainda maiores quando o examinador escolhe livremente a área com menos resíduos.

Para o vidro de 4 mm, a contagem do modelo AI está dentro de 1 desvio padrão da contagem humana média.Para vidro de 10 mm, fica um pouco mais distante.No entanto, isto não significa que o modelo de IA esteja errado, uma vez que a tarefa é altamente subjetiva.As imagens das regiões centrais das amostras de teste são mostradas nas Figuras 7 e 8 e as imagens de sobreposição correspondentes da segmentação AI são mostradas nas Figuras 9 e 10.

Figura 7. Mapa de calor da distribuição de fragmentos para amostra de 4 mm e retângulos vermelhos mostrando as regiões escolhidas livremente no experimento.
Figura 7. Mapa de calor da distribuição de fragmentos para amostra de 4 mm e retângulos vermelhos mostrando as regiões escolhidas livremente no experimento.
Figura 8. Mapa térmico de distribuição de fragmentos para amostra de 10 mm e retângulos vermelhos mostrando as regiões escolhidas livremente no experimento.
Figura 8. Mapa térmico de distribuição de fragmentos para amostra de 10 mm e retângulos vermelhos mostrando as regiões escolhidas livremente no experimento.
As contagens de fragmentos correspondentes do modelo AI para amostras de 4 mm e 10 mm foram 98 e 68, respectivamente.Estas imagens demonstram a dificuldade da contagem de fragmentos: nas imagens, há muitos pequenos fragmentos que o sistema de IA contou como fragmentos individuais e um ser humano talvez não o fizesse.Isto é especialmente verdadeiro no caso de uma amostra de 10 mm.Na imagem de segmentação da amostra de 10 mm, pode-se ver que o sistema de IA incluiu muitos pequenos fragmentos na contagem final, o que não é errado, mas resulta em um número superior ao do examinador humano médio.Um benefício do sistema automatizado é que ele é consistente em suas decisões e os resultados não variam devido ao cansaço, falta de concentração ou outras condições que afetem os examinadores humanos.

Resumo
As dificuldades da contagem de fragmentos foram investigadas experimentalmente e os resultados são apresentados neste artigo.Os resultados mostraram que a contagem de fragmentos não é uma tarefa trivial e como não há instruções claras para o processo nas normas, os resultados da contagem podem variar significativamente entre os examinadores.Os desvios padrão relativos dos fragmentos para as regiões centrais das amostras de 4 mm e 10 mm foram de 4,9% e 6,4%, respectivamente.

Além disso, as diferenças na contagem não são a única coisa que afeta a contagem final de fragmentos.O examinador também deve determinar a área de menor densidade de fragmentos, o que introduz maior variação.Para as regiões livremente escolhidas das amostras de 4 mm e 10 mm, os respectivos desvios padrão relativos foram de 8,0% e 9,9%.

Uma abordagem baseada em aprendizado de máquina para contagem de fragmentos também é apresentada neste artigo.Foi demonstrado que as modernas tecnologias de aprendizagem profunda e visão computacional são capazes de contar com precisão fragmentos de uma imagem de vidro quebrado.Uma abordagem automatizada tem o benefício de resultados objetivos e consistentes.No entanto, este tipo de abordagem é altamente dependente dos dados disponíveis, que são complicados e caros de obter.

Referências
[1] EN 12150-1:2015, 2015, Vidro em edifícios – Vidro de segurança de silicato de cal sodada termicamente temperado – Parte 1: Definição e descrição, CEN.
[2] E/ECE, 2017, Acordo relativo à adoção de condições uniformes de homologação e ao reconhecimento recíproco de homologação de equipamentos e peças de veículos motorizados.Adendo 42, Regulamento nº 43, Revisão 4: Disposições Uniformes Relativas à Aprovação de Materiais para Vidraças de Segurança e Suas Instalações em Veículos, Anexo 5, abril de 2017
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep.Laboratório, Asahi Glass., 17, pp.
[4] Barsom, JM, 1968, Fratura de Vidro Temperado, 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, Investigação experimental sobre o tamanho do fragmento de vidro temperado, 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, Relação entre energia de deformação e morfologia do padrão de fratura de vidro temperado termicamente para a previsão da fragmentação de vidro em macroescala 2D, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Análise automatizada de fragmentação de vidro, Proc.SPIE 2665, Aplicações de visão mecânica em inspeção industrial IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Têmpera Térmica de Vidro, em Glass Science and Technology vol.5 Elasticidade e resistência em vidros, DR Uhlmann e NJ Kreidl (Eds.), Academic Press, Nova York, pp.
[9] Aronen, A., Kocer., C., 2015, A falha mecânica do vidro temperado;uma comparação de padrões de teste e falha catastrófica em serviço, em Proceedings of GPD Glass performance days 2015, pp.
[10] Anton, J., Aben, H., 2003, Um polariscópio compacto de luz dispersa para medição de tensão residual em placas de vidro, em Proceedings of Glass Proceedings Days 2003, pp.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, Classificação Imagenet com Redes Neurais Convolucionais Profundas, Avanços em Sistemas de Processamento de Informação Neural, Curran Associates, Inc., pp.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, Redes totalmente convolucionais para segmentação semântica, Conferência IEEE 2015 sobre Visão Computacional e Reconhecimento de Padrões (CVPR), IEEE, pp.
[13] Chen, L., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018, Encoder-Secoder with Atrous Separable Convolution for Semantic Image Segmentation, CoRR, 2018, Disponível (acessado em 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, Conferência IEEE 2016 sobre Visão Computacional e Reconhecimento de Padrões (CVPR), IEEE, pp. -778.
[15] Russakovsky, 0., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., 2015, Desafio de reconhecimento visual em grande escala da Imagenet, International Journal of Computer Vision, Vol.115, pp.
[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 da web.Disponível (acessado em 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.