Подсчет фрагментов в стандартизированном тесте на фрагментацию в стандарте EN 12150-1 — это способ определить уровень безопасности закаленного стекла, а также способ получить информацию об уровне напряжения и прочности закаленного стекла.
Хотя способ подсчета количества фрагментов определен в стандарте на примере, реальный результат всегда зависит от экзаменатора.Чтобы обеспечить единообразие подсчета результатов исследований и экспертов, необходим автоматизированный процесс подсчета фрагментов.Это делает его идеальным приложением для системы компьютерного зрения, поскольку компьютер никогда не устает и не теряет своей объективности.Системы автоматического подсчета фрагментов уже существуют, но они имеют серьезные ограничения.

Современные инструменты и технологии произвели революцию в области компьютерного зрения за последние годы.В основном это связано с достижениями в области сверточных нейронных сетей, которые особенно подходят для извлечения закономерностей и информации из визуальных изображений.Чтобы сделать системы подсчета фрагментов более гибкими, быстрыми и дешевыми, последние достижения в области компьютерного зрения позволяют реализовать автоматизированную систему компьютерного зрения даже на мобильном смартфоне.

Введение
Закаленное стекло производится в процессе термообработки, при котором стекло сначала нагревается выше переходной температуры, а затем быстро охлаждается, чтобы создать температурный градиент по толщине.Цель состоит в том, чтобы заморозить стекло, когда оно имеет температурный градиент, а затем, когда температура станет однородной, остаточное состояние представляет собой параболический профиль напряжений по толщине стекла.Закаленное стекло испытывает сжатие на поверхности и растяжение в сердцевине стекла.

Закаленное стекло имеет два преимущества по сравнению с отожженным флоат-стеклом.Во-первых, прочность стекла на изгиб и удары увеличивается за счет сжимающего напряжения на поверхности, а во-вторых, при разрушении стекло раскалывается на мелкие безвредные частицы из-за высокой наведенной энергии деформации.Благодаря этим преимуществам закаленное стекло еще называют безопасным.

Разрушающее испытание и фрагментация из-за разрушения – это способ определить уровень нагрузки и безопасности закаленного стекла.Фрагментация показывает несколько характеристик напряжений, например, уровень напряжений и однородность напряжений.В стандарте EN 12150-1 [1] определено испытание на удар, при котором закаленное стекло размером 1100 x 360 мм² подвергается удару заостренным инструментом в середине самого длинного края.

На основе картины разрушения количество частиц на площади 50 х 50 мм² подсчитывается от площади с минимальным количеством фрагментов.Стандарт определяет минимальный уровень осколков для стекла разной толщины для обеспечения безопасности архитектурного стекла.Автомобильное стекло соответствует стандарту ECE R43 [2] по безопасному фрагментированию.По сравнению со стандартом EN 12150-1, в стандарте ECE R43 удар по стеклу приходится на центральную часть стекла.

Фрагментация стекла и ее связь с уровнем напряжения изучались еще в 1960-х годах, примером могут служить хорошо известные результаты Акейоши и др.[3].Они определили взаимосвязь между количеством фрагментов и уровнем растягивающего напряжения средней плоскости для стекла различной толщины от 1,8 мм до 8,2 мм.

В 1968 году Барсом [4] также опубликовал результаты о корреляции центрального натяжения и среднего веса частиц в закаленном стекле.Недавно исследования были опубликованы Pourmoghaddam & Schneider [5] и Pourmoghaddam et al.[6], которые определяют взаимосвязь между уровнем напряжения и фрагментацией, а также прогнозируют форму и распределение фрагментов на основе уровня напряжения и точки удара.

Подсчет осколков — это, по сути, визуальная задача, в которой человек-оператор очень эффективно использует свой мозг, чтобы отделить отдельные осколки от разбитого стекла.Для человека эта задача кажется очень простой, и легко забыть, что такая задача требует очень сложных и хорошо развитых способностей к распознаванию образов, а это и есть та самая цель, для которой развился наш мозг.Определение количества фрагментов простое и показано в качестве примера в стандарте EN 12150-1 [1].

Однако, хотя задача может показаться легкой, она очень трудоемкая и требует много времени.Процесс подсчета также очень повторяющийся и подвержен человеческим ошибкам из-за недостатка концентрации и усталости.В связи с этим вполне возможно, что результаты подсчета могут различаться у разных экзаменаторов.В частности, когда количество фрагментов велико, размер фрагментов мал, и человеческому глазу может быть трудно определить, какие фрагменты являются наименьшими для подсчета, а какие фрагменты находятся внутри области подсчета.

В традиционном автоматизированном процессе фотография рисунка фрагментации обрабатывается и анализируется с помощью инструментов анализа изображений [7].Существует оборудование для автоматического подсчета фрагментов на основе анализа изображений, такое как CulletScanner от SoftSolution и FROG: Распознаватель фрагментов стекла от Deltamax.

Недавно машинное обучение произвело революцию в области компьютерного зрения, поскольку глубокие нейронные сети способны изучать очень абстрактные представления лежащих в основе данных.Это дает новые инструменты для анализа моделей фрагментации.Однако глубоким нейронным сетям требуется большое количество хорошо аннотированных данных.Это трудоемкая часть создания хорошей модели для подсчета частиц.

В этой статье основное внимание уделяется представлению нового способа подсчета фрагментов в закаленном стекле с использованием последних достижений в области машинного обучения.Также представлена ​​важность аннотации данных для глубокого обучения.Перед главой о машинном обучении представлены общие сведения о разбитии стекла, чтобы лучше понять проблемы подсчета количества фрагментов в закаленном стекле.

Теория фрагментации стекла
Фрагментация стекла после разрушения в основном зависит от напряжения.В процессе фрагментации рост трещин можно разделить на две части.Во-первых, стеклу необходим достаточно высокий уровень напряжения, чтобы трещины могли самопроизвольно расти.Такой уровень напряжения необходим уже для термоупрочненного стекла, когда все трещины должны дорасти до края.Во-вторых, из закаленного стекла раздвоение щелей необходимо для большого количества осколков.Это явление бифуркации требует более высокого уровня индуцированного стресса.[8]

Начальная точка разрушения и внешняя поддержка или сила влияют на фрагментацию стекла.Эти факторы влияют на распределение напряжений в вершинах трещин, в результате чего меняется характер фрагментации.[8,9] В связи с этим в стандарте определяется начальная точка разрушения.Время после разрушения, когда необходимо подсчитать количество осколков, в стандарте EN 12150-1 установлено от 3 до 5 минут [1].Это также важно учитывать, поскольку после первоначального распространения трещины образуются вторичные трещины.Эти вторичные трещины обычно располагаются перпендикулярно исходным краям трещины, и их количество также зависит от начального напряженного состояния.

Фрагментация тонких и толстых стекол аналогична.Однако у более толстых стекол края трещин более шероховатые, чем у более тонких.Кроме того, для толстого стекла поверхность края излома может быть наклонена.Типичная картина разрушения стекол номинальной толщиной 4 мм и 10 мм показана позже в качестве примера на рисунках 9 и 10 соответственно.Более грубый край трещины приводит к более широкой линии трещины, а наклонную поверхность трещины можно рассматривать как белую область из-за сильного рассеянного отражения света от поверхности трещины.И то, и другое может повлиять на подсчет фрагментов.

Один из подходов к подсчету фрагментов заключается в определении взаимосвязи между уровнем остаточного напряжения стекла и количеством фрагментов.Это важно, если для проверки качества закаленных стекол используется оборудование для измерения оптического напряжения.Зависимость между измеренным полярископом рассеянного света (SCALP-05) [10] растягивающим напряжением в средней плоскости и подсчитанным количеством фрагментов показана на рисунке 1. Испытания проводились со стеклом размером 1100 x 360 мм².Экспериментальные данные сравниваются с данными Akeyoshi et al.[3].Экспериментальные результаты авторов дают более высокий уровень фрагментации стекол по сравнению с данными Akeyoshi et al.[3].

Рисунок 1. Зависимость между растягивающим напряжением в средней плоскости и количеством фрагментов на площади 50 х 50 мм2.Результаты экспериментов для стекла номинальной толщиной (точек) 4 мм, 6 мм, 8 мм и 10 мм и сравнительные данные Akeyoshi et al.[3] для стекла толщиной 1,8 мм, 3,0 мм, 3,4 мм, 4,9 мм и 8,2 мм.
Рисунок 1. Зависимость между растягивающим напряжением в средней плоскости и количеством фрагментов на площади 50 х 50 мм2.Результаты экспериментов для стекла номинальной толщиной (точек) 4 мм, 6 мм, 8 мм и 10 мм и сравнительные данные Akeyoshi et al.[3] для стекла толщиной 1,8 мм, 3,0 мм, 3,4 мм, 4,9 мм и 8,2 мм.

Автоматизация подсчета фрагментов с помощью машинного зрения
Сверточные нейронные сети (CNN) уже давно доминируют в области классификации изображений и распознавания объектов.В 2012 году глубокая сверточная нейронная сеть (DCNN) впервые достигла самых современных показателей на конкурсе ImageNet Large Scale Visual Recognition Competition (ILSVRC) [11].Прорыв, который принесли DCNN, заключался в том, что больше не требовались сложные, создаваемые вручную функции входного пространства.

До глубокого обучения типичный конвейер классификации изображений состоял бы из классификатора, обученного с помощью созданных вручную функций.Это имеет некоторые проблемы, поскольку люди не обязательно очень эффективно определяют признаки, которые лучше всего различают входные классы.Преимущество глубокого обучения заключается в том, что функции, специфичные для конкретной задачи, автоматически извлекаются сетью, и ее можно напрямую обучать от начала до конца, от входных изображений до выходных классов.

Однако сегментация фрагментов стекла — это не просто проблема классификации изображений.Скорее, это проблема классификации пикселей.Процесс, при котором каждый пиксель входного изображения относится к определенному классу, называется семантической сегментацией.После прорыва в области глубокого обучения вскоре новые технологии смогли перейти от классификации изображений к семантической сегментации.

Проблема в том, что сети классификации имеют очень низкое выходное разрешение, поскольку выходные данные определяются просто как вектор вероятностей классов.Однако при семантической сегментации выходное разрешение должно быть таким же высоким, как разрешение входного изображения.Работа Лонга и др.[12] показали, что существующие классификационные сети могут быть преобразованы в сети семантической сегментации.Это было сделано путем преобразования классификации в полностью связанные нейронные сети (FCNN) путем добавления внутрисетевой повышающей дискретизации и попиксельной потери.

Работа Лонга и др.был всего лишь первым шагом на пути к высокопроизводительной семантической сегментации.С тех пор более сложные сети постоянно повышали производительность.По состоянию на 2018 год самой эффективной сетью семантической сегментации является DeepLab v3+ от Google [13], которая также используется в этой работе для задачи сегментации фрагментов стекла.

Теория
Теория, лежащая в основе конвейера подсчета фрагментов, используемого в этой работе, представлена ​​на рисунке 2. Конвейер состоит из системы Google DeepLab v3+ для выполнения сегментации и алгоритма постобработки для фактического подсчета.

Рисунок 2. Конвейер подсчета фрагментов.
Рисунок 2. Конвейер подсчета фрагментов.
Блок DCNN, ASPP и DECODER на рисунке 2 являются частями системы DeepLab v3+.Кодер — это стандартная глубокая сверточная нейронная сеть, которая используется в качестве функции, извлекающей часть сети.В частности, в данной работе используется остаточная архитектура сети [14].Выходные данные кодера направляются в модуль объединения пространственных пирамид (ASPP), который производит выборку карты объектов с различными восприимчивыми полями (полями обзора) для захвата многомасштабного контекста.

Декодер используется для восстановления пространственного разрешения входного изображения.Декодер по существу объединяет богатую семантическую информацию низкого разрешения из модуля ASPP с пространственной информацией высокого разрешения из модуля кодера.Результатом является маска сегментации исходного необработанного входного изображения высокого разрешения.

Маска сегментации, заданная системой DeepLab, подвергается дальнейшей постобработке для получения количества фрагментов.Для каждого экземпляра фрагмента устанавливается пороговое значение, при котором любые небольшие связи между соседними фрагментами удаляются.После этого количество фрагментов можно получить тривиально, подсчитав каждую связную область в маске двоичной сегментации.

Аннотация данных
Современные нейронные сети глубокого обучения во многом полагаются на объем данных, которые они могут использовать во время обучения.Они корректируют свое внутреннее представление проблемы, многократно перебирая набор данных.При очень скудных данных это приводит к возможно переоснащенной модели, которая изучает только очень специфический набор данных.Модель такого типа обычно не может быть обобщена на всю область проблемы, что делает ее непригодной для использования в более широком диапазоне приложений.

Этот случай ничем не отличается.Однако в случае сегментации фрагментов стекла набор данных намного проще, чем, например, общие изображения, собранные из Интернета.При сегментации стекла представлен только один класс объектов: сам фрагмент.Модель нейронной сети должна научиться различать фрагментированные и нефрагментированные области.Примером широко используемого и более сложного набора данных является ImageNet, который содержит более 15 миллионов изображений, относящихся примерно к 22 000 различным категориям [15].Изображения собраны из Интернета и аннотированы людьми.Современные нейронные сети показали производительность человеческого уровня даже на очень сложных наборах данных, таких как ImageNet [16].

Аннотирование данных занимает очень много времени и стоит дорого из-за необходимости использования человеческого труда.Объем данных обычно является узким местом в производительности модели, особенно применительно к конкретной задаче, когда невозможно использовать свободно доступные наборы данных.Фрагментация стекла является примером такой проблемы.Чтобы модель научилась сегментировать фрагменты, ей необходимо показать многочисленные примеры правильных или достоверных сегментаций.

Процесс аннотации
На рисунке 3 показаны примеры истинной сегментации.Эти примеры созданы людьми, и каждый образец требует около 10–30 минут времени, в зависимости от опыта аннотатора.Процесс аннотации довольно прост: каждый фрагмент помечается многоугольником путем определения его вершин.

Как видно из образцов, процесс также весьма субъективен.Каждый человек делает сегментацию по-своему.Однако аннотацию следует делать так, чтобы между соседними полигонами оставались достаточно широкие промежутки.Это позволяет модели надежно разделять соседние сегменты, что имеет решающее значение для получения таких величин, как количество сегментов.В необработанном изображении край фрагмента иногда может иметь ширину всего несколько пикселей и практически неотличим от фона.В этих случаях между полигонами меток остаются более широкие промежутки.

Рисунок 3. Образцы необработанных изображений и соответствующие аннотации для различных категорий стекла.
Рисунок 3. Образцы необработанных изображений и соответствующие аннотации для различных категорий стекла.

Эксперимент по субъективности подсчета фрагментов
Задача подсчета фрагментов очень субъективна по своей природе.Зачастую неясно, какие участки разбитого стекла можно считать отдельными осколками и даже стандарт не дает на это однозначных указаний.Таким образом, фактическое лицо, проводящее тест на фрагментацию, может оказать существенное влияние на количество фрагментов, даже если фрагменты подсчитываются из одного и того же региона.Более того, вводится вариативность, когда от особей требуется выбрать область с наименьшим количеством фрагментов.На рисунке 4 представлена ​​область интереса для испытания на фрагментацию, определенная стандартом EN 12150-1 [1].

Рисунок 4. Область интереса при анализе фрагментации.Все области внутри пунктирной линии должны быть включены в анализ.
Рисунок 4. Область интереса при анализе фрагментации.Все области внутри пунктирной линии должны быть включены в анализ.
Экспериментально исследован субъективный характер подсчета фрагментов.Цель эксперимента состояла в том, чтобы изучить различия в количестве фрагментов у нескольких исследователей.Испытание состояло из двух тестовых образцов толщиной 4 мм и 10 мм.Были выбраны две толщины стекла, поскольку характер фрагментации сильно различается для тонкого и толстого стекла.Толщина оказывает существенное влияние на характер разрушения и внешний вид фрагментов.В целом легче считать осколки из более тонкого стекла.Тест был организован следующим образом.Были разбиты два закаленных стекла стандартного размера (1100 х 360 мм²) толщиной 4 мм и 10 мм.Каждый человек подсчитывал фрагменты из двух отдельных областей размером 50 х 50 мм²: одна из центра стекла и одна свободно выбранная область (внутри пунктирной линии на рисунке 4) с наименьшим количеством фрагментов.Сообщалось также о координатах свободно выбранных областей для сравнения того, как каждый человек находит на стекле участки с наименьшим количеством стеклобоя.

Картина фрагментации тестовых стекол толщиной 4 мм и 10 мм представлена ​​на рисунках 5 и 6 соответственно, а результаты подсчета фрагментов для обоих стекол показаны в таблице 1. Также на рисунках представлены тепловые карты распределения фрагментов для обоих образцов. 6 и 7. Поверх каждой тепловой карты нарисованы прямоугольники, обозначающие свободно выбранные области.

Рис. 5. Картина фрагментации исследуемого образца толщиной 4 мм.
Рис. 5. Картина фрагментации исследуемого образца толщиной 4 мм.
Рис. 6. Картина фрагментации исследуемого образца диаметром 10 мм.
Рис. 6. Картина фрагментации исследуемого образца диаметром 10 мм.
На тепловых картах синий цвет указывает на меньшую плотность фрагментов, а желтый — на более высокую плотность.В обоих случаях большинство экспертов выбрали область в верхней правой области, которая действительно является областью с наименьшей плотностью фрагментов в пределах разрешенной области интереса, описанной на рисунке 4. Однако некоторые эксперты в конечном итоге остановились на других областях, и это вводит дальнейшее изменение окончательного количества фрагментов в образце.

Таблица 1. Результаты экспериментальной проверки подсчета фрагментов
Таблица 1. Результаты экспериментальной проверки подсчета фрагментов.
Результаты показывают, что существуют значительные различия в подсчете фрагментов у разных исследователей, даже если все считали фрагменты из одной и той же области.Различия еще больше, когда эксперт свободно выбирает область с наименьшим количеством стеклообоев.

Для стекла толщиной 4 мм подсчет модели AI находится в пределах 1 стандартного отклонения от среднего человеческого подсчета.У стекла толщиной 10 мм оно находится чуть дальше.Однако это не означает, что модель ИИ неверна, поскольку задача весьма субъективна.Изображения центральных областей тестовых образцов показаны на рисунках 7 и 8, а соответствующие наложенные изображения сегментации AI показаны на рисунках 9 и 10.

Рисунок 7. Тепловая карта распределения фрагментов для образца диаметром 4 мм и красными прямоугольниками, показывающими свободно выбранные области в эксперименте.
Рисунок 7. Тепловая карта распределения фрагментов для образца диаметром 4 мм и красными прямоугольниками, показывающими свободно выбранные области в эксперименте.
Рисунок 8. Тепловая карта распределения фрагментов для образца диаметром 10 мм и красными прямоугольниками, показывающими свободно выбранные области в эксперименте.
Рисунок 8. Тепловая карта распределения фрагментов для образца диаметром 10 мм и красными прямоугольниками, показывающими свободно выбранные области в эксперименте.
Соответствующее количество фрагментов модели AI для образцов диаметром 4 мм и 10 мм составило 98 и 68 соответственно.Эти изображения демонстрируют сложность подсчета фрагментов: на изображениях много мелких фрагментов, которые система ИИ посчитала как отдельные фрагменты, а человек — нет.Особенно это касается образца диаметром 10 мм.На изображении сегментации образца диаметром 10 мм видно, что система искусственного интеллекта включила в окончательный подсчет множество мелких фрагментов, что не является ошибкой, но приводит к большему количеству, чем средний исследователь-человек.Одним из преимуществ автоматизированной системы является то, что она последовательна в своих решениях, и результаты не меняются из-за усталости, недостатка концентрации или других условий, влияющих на экспертов-людей.

Краткое содержание
Трудности подсчета фрагментов были экспериментально исследованы, результаты представлены в данной работе.Результаты показали, что подсчет фрагментов — нетривиальная задача, и поскольку в стандартах нет четких инструкций по этому процессу, результаты подсчета могут существенно различаться у разных экзаменаторов.Относительные стандартные отклонения фрагментов для центральных участков образцов диаметром 4 мм и 10 мм составили 4,9% и 6,4% соответственно.

Кроме того, различия в подсчете — не единственное, что влияет на итоговое количество фрагментов.Эксперт должен также определить область с наименьшей плотностью фрагментов, что приводит к большей дисперсии.Для свободно выбранных участков образцов диаметром 4 мм и 10 мм соответствующие относительные стандартные отклонения составили 8,0% и 9,9%.

В этой статье также представлен подход к подсчету фрагментов, основанный на машинном обучении.Было показано, что современные технологии глубокого обучения и компьютерного зрения способны точно подсчитывать фрагменты изображения разбитого стекла.Автоматизированный подход дает преимущество объективных и последовательных результатов.Однако такой подход во многом зависит от имеющихся данных, получение которых обременительно и дорого.

Рекомендации
[1] EN 12150-1:2015, 2015, Стекло в строительстве – Термически закаленное натриево-известково-силикатное безопасное стекло – Часть 1: Определение и описание, CEN.
[2] Е/ЕЭК, 2017 г., Соглашение о принятии единообразных условий официального утверждения и взаимного признания официального утверждения оборудования и запасных частей автотранспортных средств.Приложение 42, Правила № 43, Редакция 4: Единые положения, касающиеся утверждения материалов безопасного остекления и их установки на транспортных средствах, Приложение 5, апрель 2017 г.
[3] Акейоши, К., Канаи, Э., Ямамото, К., Сима, С., 1967, Rep.Res.Лаб., Асахи Гласс., 17, стр. 23.
[4] Барсом, Дж. М., 1968, «Разрушение закаленного стекла», J. Am.Керам.Соц.том.51, стр. 75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Пурмогаддам Н. и Шнайдер Дж., 2018, Экспериментальное исследование размера фрагментов закаленного стекла, Glass Struct Eng, том 3, стр. 167-181.https://doi.org/10.1007/s40940-018-0062-0
[6] Пурмогаддам Н., Краус М.А., Шнайдер Дж., Зиберт Г., 2018, Взаимосвязь между энергией деформации и морфологией структуры разрушения термически закаленного стекла для прогнозирования двумерной макромасштабной фрагментации стекла, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Гордон, Г.Г., 1996, Автоматический анализ фрагментации стекла, Proc.SPIE 2665, Применение машинного зрения в промышленном контроле IV.https://doi.org/10.1117/12.232245
[8] Гардон Р., 1980, Термическая закалка стекла, в журнале Glass Science and Technology, том.5. Эластичность и прочность очков, Д. Р. Ульманн и Н. Дж. Крейдл (ред.), Academic Press, Нью-Йорк, стр. 145–216.
[9] Аронен А., Кочер К., 2015, Механическое разрушение закаленного стекла;Сравнение стандартов испытаний и катастрофических отказов в процессе эксплуатации, в материалах GPD Glass Performance Days 2015, стр. 388-391.
[10] Антон Дж., Абен Х., 2003 г., Компактный полярископ рассеянного света для измерения остаточного напряжения в стеклянных пластинах, в Proceedings of Glass Proceedings Days 2003, стр. 86-88.
[11] Крижевский, А., Суцкевер, И., Хинтон, GE, 2012, Классификация Imagenet с глубокими сверточными нейронными сетями, Достижения в области нейронных систем обработки информации, Curran Associates, Inc., стр. 1097-1105.
[12] Лонг, Дж., Шелхамер, Э., Даррелл, Т., 2015, Полностью сверточные сети для семантической сегментации, Конференция IEEE 2015 г. по компьютерному зрению и распознаванию образов (CVPR), IEEE, стр. 3431-3440.
[13] Чен, Л., Чжу, Ю., Папандреу, Г., Шрофф, Ф., Адам, Х., 2018, Кодер-секодер с разделяемой сверткой Atrous для семантической сегментации изображений, CoRR, 2018, Доступно (по состоянию на 09.05.2018). .2018).https://arxiv.org/abs/1802.02611.
[14] Хе, К., Чжан, К., Рен, С., Сунь, Дж., 2016, Глубокое остаточное обучение для распознавания изображений, Конференция IEEE 2016 по компьютерному зрению и распознаванию образов (CVPR), IEEE, стр. 770. -778.
[15] Русаковский, О., Денг, Дж., Су, Х., Краузе, Дж., Сатиш, С., Ма, С., Хуанг, З., Карпати, А., Хосла, А., Бернштейн, М., 2015, Крупномасштабная задача визуального распознавания Imagenet, Международный журнал компьютерного зрения, Vol.115, стр. 211-252.
[16] Русаковский О., Денг Дж., Су Х., Краузе Дж., Сатиш С., Ма, С., Хуанг З., Карпати А., Хосла А., Бернштейн, М., ILSVRC 2017, ImageNet, веб-страница.Доступен (дата обращения: 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.