EN 12150-1 standardındaki standartlaştırılmış parçalanma testindeki parça sayımı, temperli camın güvenlik seviyesini tanımlamanın ve aynı zamanda temperli camın stres ve mukavemet seviyesi hakkında bir gösterge elde etmenin bir yoludur.
Parça sayısını saymanın yolu standartta örnek olarak tanımlanmış olsa da, gerçek sonuç her zaman incelemeyi yapan kişiye bağlıdır.Sayımın muayeneler ve muayeneyi yapanlar arasında tutarlı olmasını sağlamak için otomatik bir parça sayma işlemine ihtiyaç vardır.Bu, onu bilgisayarlı görme sistemi için mükemmel bir uygulama haline getirir çünkü bilgisayar asla yorulmaz veya nesnelliğini kaybetmez.Otomatik parça sayımına yönelik sistemler halihazırda mevcuttur ancak bunların ciddi sınırlamaları vardır

Modern araçlar ve teknolojiler son yıllarda bilgisayarlı görme alanında devrim yarattı.Bunun temel nedeni, özellikle görsel görüntülerden desen ve bilgi çıkarmaya uygun olan evrişimli sinir ağlarındaki gelişmelerdir.Parça sayma sistemlerini daha esnek, daha hızlı ve daha ucuz hale getirmek için bilgisayarlı görü alanındaki bu son gelişmeler, otomatik bilgisayarlı görü sisteminin mobil bir akıllı telefonda bile uygulanmasına olanak tanıyor.

giriiş
Temperli cam, cam panelin önce geçiş sıcaklığının ötesinde ısıtıldığı ve daha sonra kalınlık boyunca bir sıcaklık gradyanı oluşturmak üzere hızla soğutulduğu ısıl işlem prosesi ile üretilir.Amaç, cam sıcaklık gradyanına sahip olduğunda camı dondurmak ve daha sonra sıcaklık tekdüze hale geldikten sonra artık durum, cam kalınlığı boyunca parabolik bir gerilim profili oluşturmaktır.Temperli cam, camın yüzeyinde basınç, çekirdeğinde ise gerilim altındadır.

Temperli camın tavlanmış düz cama göre iki avantajı vardır.Birincisi, yüzeydeki basınç gerilimi ile camın bükülme ve darbelere karşı mukavemeti artar, ikincisi ise yüksek indüklenen gerinim enerjisi nedeniyle cam kırılarak küçük, zararsız parçacıklara ayrılır.Bu avantajlarından dolayı temperli cama emniyet camı da denilmektedir.

Tahribatlı test ve kırılma nedeniyle parçalanma, temperli camın stres ve güvenlik seviyesini tanımlamanın yoludur.Parçalanma, gerilimlerden çeşitli şeyleri gösterir; örneğin gerilim seviyesi ve gerilimlerin tekdüzeliği.EN 12150-1 standardında [1], 1100 x 360 mm² boyutunda temperli camın en uzun kenarın orta noktasına sivri uçlu bir aletle vurulduğu zımba testi tanımlanmıştır.

Kırılma deseninden 50 x 50 mm² alandaki parçacıkların sayısı, minimum parça sayım alanından hesaplanır.Standart, mimari camların güvenliği için farklı cam kalınlıkları için minimum parça seviyesini tanımlar.Otomotiv camı, güvenli parçalanma için benzer ECE R43 [2] standardına sahiptir.EN 12150-1 standardına göre ECE R43 standardında cam, camın orta kısmından darbe almaktadır.

Camın parçalanması ve bunun stres düzeyiyle bağlantısı 1960'larda incelenmiştir; bunun bir örneği Akeyoshi ve ark.'nın iyi bilinen sonuçlarıdır.[3].1,8 mm ile 8,2 mm arasındaki farklı cam kalınlıkları için parça sayısı ile orta düzlem çekme gerilimi düzeyi arasındaki ilişkiyi tanımladılar.

1968'de Barsom [4] temperli camdaki merkez gerilimi ile ortalama parçacık ağırlığı arasındaki korelasyon hakkındaki sonuçları da yayınladı.Son zamanlarda Pourmoghaddam ve Schneider [5] ve Pourmoghaddam ve ark. tarafından çalışmalar yayınlanmıştır.[6], gerilim seviyesi ile parçalanma arasındaki ilişkiyi tanımlarken aynı zamanda gerilim seviyesi ve darbe noktasına bağlı olarak parçaların şeklini ve dağılımını da tahmin etmektedir.

Parçaların sayılması aslında görsel bir görevdir; burada insan operatör, kırık cam parçalarını tek tek ayırmak için beynini çok verimli bir şekilde kullanır.Bir insan için bu görev çok kolay görünür ve böyle bir görevin ne kadar karmaşık ve iyi gelişmiş örüntü tanıma yetenekleri gerektirdiğini, beynimizin tam da bu amaç için geliştiğini unutmak kolaydır.Parça sayısını saymanın tanımı basittir ve EN 12150-1 standardında örnek olarak gösterilmiştir [1].

Ancak iş her ne kadar kolay gibi görünse de oldukça zahmetli ve zaman alıcıdır.Sayma işlemi aynı zamanda çok tekrarlayıcıdır ve konsantrasyon eksikliği ve yorgunluk nedeniyle insan hatalarına açıktır.Bu nedenle sayım sonuçlarının denetçiler arasında farklılık göstermesi mümkündür.Özellikle parça sayısı yüksek, parçaların boyutu küçük olduğunda, hangi parçaların sayılacak en küçük parçalar olduğunu ve hangi parçaların sayma alanı içinde olduğunu insan gözüyle belirlemek zor olabilir.

Geleneksel otomatik süreçte, parçalanma modelinin fotoğrafı işlenir ve görüntü analiz araçlarıyla analiz edilir [7].SoftSolution'dan CulletScanner ve Deltamax'tan FROG: Camın parça tanıyıcısı gibi görüntü analizine dayalı otomatik parça sayımı için ekipmanlar bulunmaktadır.

Son zamanlarda makine öğrenimi, derin sinir ağlarının temeldeki verilerin çok soyut temsillerini öğrenebilmesi nedeniyle bilgisayarlı görme alanında devrim yarattı.Bu, parçalanma modellerini analiz etmek için yeni araçlar sağlar.Bununla birlikte, derin sinir ağları iyi miktarda iyi açıklamalı veriye ihtiyaç duyar.Bu, parçacık sayımı için iyi bir model oluşturmanın zaman alıcı kısmıdır.

Bu yazıda, makine öğrenimi alanındaki en son gelişmeleri kullanarak temperli camdaki parçaları saymanın yeni bir yolunu sunmaya odaklanıyoruz.Ayrıca derin öğrenme için verilere açıklama eklenmesinin önemi sunulmaktadır.Makine öğrenimi bölümünden önce, temperli camdaki parça sayısını sayma problemlerini daha iyi anlamak için cam kırılmasıyla ilgili arka plan sunulmaktadır.

Cam parçalanma teorisi
Kırılma sonrası cam parçalanması çoğunlukla strese bağlıdır.Parçalanma sürecinde çatlakların büyümesi iki kısma ayrılabilir.İlk olarak, camın çatlakların kendiliğinden büyümesi için yeterince yüksek bir gerilim seviyesine ihtiyacı vardır.Bu gerilim seviyesine, tüm çatlakların kenara doğru büyümesi gerektiğinde, ısıyla güçlendirilmiş camdan zaten ihtiyaç duyulmaktadır.İkinci olarak, temperli camda yüksek parça sayısı için çatlakların çatallanması gerekmektedir.Bu çatallanma fenomeni daha yüksek düzeyde strese ihtiyaç duyar.[8]

Başlangıçtaki kırılma noktası ve dış destek veya kuvvet, camın parçalanmasını etkiler.Bu şeylerin çatlak uçlarındaki gerilim dağılımı üzerinde etkisi vardır ve buna bağlı olarak parçalanma düzeni değişir.[8,9] Bu nedenle standartta başlangıç ​​kırılma noktası tanımlanmıştır.EN 12150-1 standardında kırılmadan sonra parça sayısının sayılması gereken süre 3 ila 5 dakika olarak ayarlanmıştır [1].Bunun dikkate alınması da önemlidir, çünkü ilk çatlak ilerlemesinden sonra ikincil çatlaklar oluşur.Bu ikincil çatlaklar genellikle başlangıçtaki çatlak kenarlarına diktir ve bunların sayısı da başlangıç ​​gerilim durumuna bağlıdır.

İnce ve kalın camların parçalanması benzerdir.Ancak kalın camlarda çatlak kenarları ince camlara göre daha pürüzlüdür.Ayrıca kalın camlarda kırılma kenarı yüzeyi eğilebilir.4 mm ve 10 mm nominal kalınlıktaki camların tipik kırılma modeli daha sonra örnek olarak sırasıyla Şekil 9 ve 10'da gösterilmektedir.Çatlak kenarının daha pürüzlü olması çatlak çizgisinin daha geniş olmasına neden olur ve çatlak yüzeyinden gelen ışığın yüksek oranda saçılımlı yansıması nedeniyle eğimli çatlak yüzeyi beyaz bir alan olarak görülebilir.Bunların her ikisi de parçaların sayılmasını etkileyebilir.

Parça sayımına yönelik bir yaklaşım, camın artık gerilim seviyesi ile parça sayısı arasındaki ilişkiyi tanımlamaktır.Temperli camların kalite kontrolü için optik stres ölçüm ekipmanı kullanılıyorsa bu önemlidir.Dağınık ışık polarisskobu (SCALP-05) [10] ölçülen orta düzlem çekme gerilimi ile sayılan parça sayısı arasındaki ilişki Şekil 1'de gösterilmektedir. Testler 1100 x 360 mm² cam boyutlarında yapılmıştır.Deneysel veriler Akeyoshi ve ark.'nın verileriyle karşılaştırılmıştır.[3].Yazarların deneysel sonuçları, Akeyoshi ve arkadaşlarının verileriyle karşılaştırıldığında camlar için daha yüksek parçalanma seviyesi vermektedir.[3].

Şekil 1. Orta düzlem çekme gerilimi ile 50 x 50 mm2 alandaki parça sayısı arasındaki ilişki.4 mm, 6 mm, 8 mm ve 10 mm nominal cam kalınlıkları (noktalar) için deneysel sonuçlar ve Akeyoshi ve ark.'nın karşılaştırma verileri.[3] 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm ve 8,2 mm cam kalınlıkları için.
Şekil 1. Orta düzlem çekme gerilimi ile 50 x 50 mm2 alandaki parça sayısı arasındaki ilişki.4 mm, 6 mm, 8 mm ve 10 mm nominal cam kalınlıkları (noktalar) için deneysel sonuçlar ve Akeyoshi ve ark.'nın karşılaştırma verileri.[3] 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm ve 8,2 mm cam kalınlıkları için.

Makine görüşüyle ​​parçaların sayımının otomatikleştirilmesi
Evrişimsel sinir ağları (CNN), uzun süredir görüntü sınıflandırma ve nesne tanıma alanına hakimdir.2012 yılında, derin evrişimli sinir ağı (DCNN), ilk kez ImageNet Büyük Ölçekli Görsel Tanıma Yarışması'nda (ILSVRC) en son teknoloji performansına ulaştı [11].DCNN'lerin getirdiği yenilik, giriş alanının artık karmaşık, elle hazırlanmış özelliklerine gerek kalmamasıydı.

Derin öğrenmeden önce tipik bir görüntü sınıflandırma hattı, el yapımı özelliklerle eğitilmiş bir sınıflandırıcıdan oluşur.İnsanların girdi sınıflarını en iyi şekilde ayırt eden özellikleri tanımlamada pek etkili olmamalarından dolayı bunun bazı sorunları vardır.Derin öğrenmenin avantajı, göreve özgü özelliklerin ağ tarafından otomatik olarak çıkarılması ve giriş görüntülerinden çıkış sınıflarına kadar doğrudan uçtan uca eğitilebilmesidir.

Ancak cam parçalarının bölütlenmesi basit bir görüntü sınıflandırma problemi değildir.Daha ziyade bir piksel sınıflandırma problemidir.Giriş görüntüsündeki her pikselin belirli bir sınıfa sınıflandırıldığı işleme anlamsal bölümleme adı verilir.Derin öğrenmedeki atılımın ardından yeni teknolojilerin görüntü sınıflandırmadan anlamsal bölümlemeye aktarılması çok uzun sürmedi.

Sorun, çıktının basitçe sınıf olasılıklarının bir vektörü olarak tanımlanmasından dolayı sınıflandırma ağlarının çok düşük çıktı çözünürlüğüne sahip olmasıdır.Ancak anlamsal bölümlemede çıktı çözünürlüğünün, giriş görüntü çözünürlüğü kadar yüksek olması gerekir.Long ve ark.[12] mevcut sınıflandırma ağlarının anlamsal bölümleme ağlarına aktarılabileceğini gösterdi.Bu, sınıflandırmanın, ağ içi bir üst örnekleme ve piksel düzeyinde bir kayıp eklenerek tamamen bağlı sinir ağlarına (FCNN) aktarılmasıyla yapıldı.

Long ve ark.hâlâ yüksek performanslı semantik bölümlemeye doğru yalnızca ilk adımdı.O zamandan bu yana, daha karmaşık ağlar sürekli olarak en son teknoloji performansı öne çıkardı.2018 yılı itibarıyla en iyi performans gösteren semantik segmentasyon ağı Google tarafından geliştirilen DeepLab v3+'dır [13] ve bu ağ da bu çalışmada cam parçası segmentasyonu görevine uyarlanmıştır.

Teori
Bu çalışmada kullanılan parça sayma hattının arkasındaki teori Şekil 2'de sunulmaktadır. Boru hattı, segmentasyonu gerçekleştirmek için Google'ın DeepLab v3+ sisteminden ve gerçek sayımı yapmak için bir son işleme algoritmasından oluşur.

Şekil 2. Parça sayma boru hattı.
Şekil 2. Parça sayma boru hattı.
Şekil 2'deki DCNN, ASPP ve DECODER bloğu DeepLab v3+ sisteminin parçalarıdır.Kodlayıcı, ağın özellik çıkarıcı bir parçası olarak kullanılan standart bir derin evrişimli sinir ağıdır.Bu çalışmada özellikle artık ağ mimarisi [14] kullanılmıştır.Kodlayıcının çıktısı, çok ölçekli bağlamı yakalamak için özellik haritasını farklı alıcı alanlarla (görüş alanı) örnekleyen atrous uzamsal piramit havuzlama (ASPP) modülüne yönlendirilir.

Giriş görüntüsünün uzamsal çözünürlüğünü geri yüklemek için bir kod çözücü kullanılır.Kod çözücü esas olarak ASPP modülünden gelen düşük çözünürlüklü, zengin anlamsal bilgiyi kodlayıcı modülünden gelen yüksek çözünürlüklü uzamsal bilgiyle birleştirir.Sonuç, orijinal ham giriş görüntüsünün yüksek çözünürlüklü bir bölümleme maskesidir.

DeepLab sistemi tarafından verilen segmentasyon maskesi, parça sayısını elde etmek için ayrıca sonradan işlenir.Her parça örneği, bitişik parçalar arasındaki küçük bağlantıların kaldırılacağı şekilde eşiklenir.Bundan sonra, ikili segmentasyon maskesindeki her bağlı bölgenin sayılmasıyla parça sayısı basit bir şekilde elde edilebilir.

Veri açıklaması
Modern derin öğrenme sinir ağları, eğitim sırasında kullanabilecekleri veri miktarına büyük ölçüde bağlıdır.Veri kümesi üzerinde birçok kez yineleme yaparak sorunun dahili temsilini ayarlarlar.Çok seyrek verilerle bu, yalnızca çok spesifik bir veri kümesini öğrenen, muhtemelen aşırı uyumlu bir modele yol açar.Bu tür bir model genellikle sorunun tüm alanına genelleştirilemez, bu da onu daha geniş bir uygulama yelpazesinde kullanılamaz hale getirir.

Bu dava da farklı değil.Ancak cam parçası segmentasyonu durumunda veri seti, örneğin internetten toplanan genel görüntülerden çok daha basittir.Cam bölümlendirmede yalnızca tek bir nesne sınıfı sunulur: parçanın kendisi.Sinir ağı modelinin, parçalı ve parçasız bölgeler arasında nasıl ayrım yapılacağını öğrenmesi gerekir.Yaygın olarak kullanılan, daha karmaşık bir veri kümesinin örneği, yaklaşık 22.000 farklı kategoriye ait 15 milyondan fazla görüntüyü içeren ImageNet'tir [15].Görüntüler internetten toplanır ve insanlar tarafından açıklamalar eklenir.Modern sinir ağları, ImageNet gibi çok zorlu veri kümelerinde bile insan seviyesinde performans göstermiştir [16].

Verilere açıklama eklemek insan emeğine ihtiyaç duyması nedeniyle oldukça zaman alıcı ve pahalıdır.Veri miktarı, özellikle belirli bir göreve uygulandığında ve serbestçe kullanılabilen veri kümeleri kullanılamadığında, genellikle model performansında bir darboğaz oluşturur.Cam parçalanması böyle bir soruna örnektir.Modelin, parçaların nasıl bölümlendirileceğini öğrenmesi için, ona çok sayıda doğru veya temel gerçek bölümleme örneklerinin gösterilmesi gerekir.

Ek açıklama süreci
Şekil 3'te temel doğruluk segmentasyonlarının örnekleri gösterilmektedir.Bu örnekler insan yapımıdır ve her örnek, açıklamayı yapanın deneyimine bağlı olarak yaklaşık 10-30 dakika sürer.Açıklama işlemi oldukça basittir: Her parça, köşeleri tanımlanarak bir çokgenle etiketlenir.

Örneklerden de anlaşılacağı üzere süreç oldukça subjektiftir.Her kişi segmentasyonu biraz farklı yapar.Ancak açıklama, bitişik çokgenler arasında yeterince geniş boşluklar kalacak şekilde yapılmalıdır.Bu, modelin, parça sayısı gibi miktarları elde etmek için kritik olan bitişik parçaları güvenilir bir şekilde ayırmasını sağlar.Ham bir görüntüde, parça kenarı bazen yalnızca birkaç piksel genişliğinde olabilir ve pratik olarak arka plandan ayırt edilemez olabilir.Bu durumlarda etiket poligonları arasında daha geniş boşluklar kalır.

Şekil 3. Farklı cam kategorileri için ham görüntü örnekleri ve bunlara karşılık gelen temel gerçek açıklamaları.
Şekil 3. Farklı cam kategorileri için ham görüntü örnekleri ve bunlara karşılık gelen temel gerçek açıklamaları.

Parça sayımının öznelliği üzerine deney yapın
Parça sayma görevi doğası gereği oldukça subjektiftir.Kırık camın hangi alanlarının bireysel kırıklar olarak sayılabileceği genellikle açık değildir ve standart bile bunun için net talimatlar vermez.Dolayısıyla fragmentasyon testini yapan asıl kişi, fragmentler aynı bölgeden sayılsa bile fragment sayısına önemli bir etkide bulunabilmektedir.Dahası, bireylerden en az parçalı bölgeyi seçmeleri istendiğinde çeşitlilik ortaya çıkar.Şekil 4'te EN 12150-1 standardı [1] tarafından tanımlanan parçalanma testinin ilgi alanı sunulmaktadır.

Şekil 4. Parçalanma analizinin ilgi alanı.Kesikli çizginin içindeki tüm alanlar analize dahil edilmelidir.
Şekil 4. Parçalanma analizinin ilgi alanı.Kesikli çizginin içindeki tüm alanlar analize dahil edilmelidir.
Parça sayımının öznel doğası deneysel olarak araştırıldı.Deneyin amacı, birkaç insan incelemeci arasında parça sayısındaki değişimi araştırmaktı.Test, 4 mm ve 10 mm kalınlığında iki test numunesinden oluşuyordu.İnce ve kalın camlar için parçalanma modeli çok farklı olduğundan iki cam kalınlığı seçilmiştir.Kalınlığın kırılma şekli ve parçaların görsel görünümü üzerinde önemli bir etkisi vardır.Genel olarak ince camdan parçaların sayılması daha kolaydır.Test şu şekilde organize edildi.4 mm ve 10 mm kalınlığında iki adet standart ebatlı (1100 x 360 mm²) temperli cam kırıldı.Her birey, iki ayrı 50 x 50 mm²'lik bölgeden gelen parçaları saydı: biri camın merkezinden, diğeri ise serbestçe seçilmiş en az parçadan oluşan bölge (Şekil 4'teki kesikli çizginin içinde).Serbestçe seçilen bölgelerin koordinatları da her bireyin camdan en az kırıntı alanını nasıl bulduğunu karşılaştırmak için rapor edildi.

4 mm ve 10 mm test camlarının parçalanma modelleri sırasıyla Şekil 5 ve 6'da gösterilmektedir ve her iki cam için parça sayma sonuçları Tablo 1'de gösterilmektedir. Ayrıca her iki numune için parça dağılımına ilişkin ısı haritaları Şekillerde sunulmaktadır. 6 ve 7. Her ısı haritasının üstüne serbestçe seçilen alanları belirten dikdörtgenler çizilir.

Şekil 5. 4 mm'lik test numunesinin parçalanma modeli.
Şekil 5. 4 mm'lik test numunesinin parçalanma modeli.
Şekil 6. 10 mm'lik test numunesinin parçalanma modeli.
Şekil 6. 10 mm'lik test numunesinin parçalanma modeli.
Isı haritalarında mavi renk daha düşük parça yoğunluğunu, sarı renk ise daha yüksek yoğunluğu gösterir.Her iki durumda da, incelemecilerin çoğu, Şekil 4'te açıklanan izin verilen ilgi alanı dahilinde aslında en düşük parça yoğunluğunun olduğu alan olan üst sağ bölgedeki alanı seçmiştir. Ancak bazı incelemeciler sonuçta farklı bölgeler bulmuşlardır ve bu, numunenin nihai parça sayısında daha fazla değişiklik.

Tablo 1. Parça sayımına ilişkin deneysel bir testin sonuçları
Tablo 1. Parça sayımına ilişkin deneysel bir testin sonuçları.
Sonuçlar, herkes tam olarak aynı bölgeden parçaları saysa bile, insan incelemeciler arasında parça sayımlarında önemli farklılıklar olduğunu gösteriyor.Muayeneyi yapan kişi en az kırık parçanın bulunduğu alanı serbestçe seçtiğinde farklar daha da büyüktür.

4 mm cam için AI modelinin sayısı, ortalama insan sayısının 1 standart sapması dahilindedir.10 mm cam için biraz daha uzaktadır.Ancak bu, görevin oldukça öznel olması nedeniyle yapay zeka modelinin yanlış olduğu anlamına gelmiyor.Test örneklerinin merkez bölgelerinin görüntüleri Şekil 7 ve 8'de gösterilmektedir ve AI segmentasyonunun ilgili katman görüntüleri Şekil 9 ve 10'da gösterilmektedir.

Şekil 7. 4 mm numune için parça dağılımının ısı haritası ve deneyde serbestçe seçilen bölgeleri gösteren kırmızı dikdörtgenler.
Şekil 7. 4 mm numune için parça dağılımının ısı haritası ve deneyde serbestçe seçilen bölgeleri gösteren kırmızı dikdörtgenler.
Şekil 8. 10 mm numune için parça dağılımının ısı haritası ve deneyde serbestçe seçilen bölgeleri gösteren kırmızı dikdörtgenler.
Şekil 8. 10 mm numune için parça dağılımının ısı haritası ve deneyde serbestçe seçilen bölgeleri gösteren kırmızı dikdörtgenler.
4 mm ve 10 mm numuneler için AI modelinin karşılık gelen parça sayıları sırasıyla 98 ve 68 idi.Bu görüntüler parça saymanın zorluğunu gösteriyor: Görüntülerde yapay zeka sisteminin bireysel parçalar olarak saydığı ve bir insanın sayamayacağı çok sayıda küçük parça var.Bu özellikle 10 mm'lik bir numune durumunda geçerlidir.10 mm'lik numunenin segmentasyon görüntüsünde, AI sisteminin son sayıma birçok küçük parçayı dahil ettiği görülebilir; bu yanlış değildir ancak ortalama insan muayeneciden daha yüksek bir sayıyla sonuçlanır.Otomatik sistemin bir faydası, kararlarında tutarlı olması ve sonuçların yorgunluk, konsantrasyon eksikliği veya insan muayenecileri etkileyen diğer koşullar nedeniyle değişmemesidir.

Özet
Parça sayımının zorlukları deneysel olarak araştırılmış ve sonuçlar bu makalede sunulmuştur.Sonuçlar, parça sayımının önemsiz bir iş olmadığını ve standartlarda süreçle ilgili net talimatlar bulunmadığından sayım sonuçlarının denetçiler arasında önemli ölçüde farklılık gösterebileceğini gösterdi.4 mm ve 10 mm numunelerin merkez bölgeleri için parçaların bağıl standart sapmaları sırasıyla %4,9 ve %6,4 idi.

Ayrıca son parça sayısını etkileyen tek şey sayımdaki farklılıklar değildir.Muayeneyi yapan kişi aynı zamanda daha fazla varyansa neden olan en düşük parça yoğunluğunun alanını da belirlemelidir.4 mm ve 10 mm numunelerin serbest seçilen bölgeleri için ilgili bağıl standart sapmalar %8,0 ve %9,9 idi.

Bu yazıda parça sayımına yönelik makine öğrenmesine dayalı bir yaklaşım da sunulmaktadır.Modern derin öğrenme ve bilgisayarlı görme teknolojilerinin, kırık bir cam görüntüsündeki parçaları doğru bir şekilde sayabildiği gösterilmiştir.Otomatik bir yaklaşımın objektif ve tutarlı sonuçlara faydası vardır.Ancak bu tür bir yaklaşım büyük ölçüde mevcut verilere bağlıdır ve elde edilmesi zahmetli ve pahalıdır.

Referanslar
[1] EN 12150-1:2015, 2015, Binalarda Cam – Termal Olarak Sertleştirilmiş Soda Kireç Silikat Emniyet Camı – Bölüm 1: Tanım ve Açıklama, CEN.
[2] E/ECE, 2017, Motorlu Taşıt Ekipman ve Parçalarına İlişkin Tekdüzen Onay Koşullarının Kabulüne ve Onayın Karşılıklı Tanınmasına ilişkin Anlaşma.Ek 42, Yönetmelik No. 43, Revizyon 4: Güvenlik Cam Malzemelerinin Onaylanması ve Araçlara Montajına İlişkin Tekdüzen Hükümler, Ek 5, Nisan 2017
[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res.Lab., Asahi Glass., 17, s. 23.
[4] Barsom, JM, 1968, Temperli Cam Kırığı, J. Am.Seramik.Sos.cilt51, s.75-78.https://doi.org/10.1111/j.1151-2916.1968.tb11840.x
[5] Pourmoghaddam, N. & Schneider, J., 2018, Temperlenmiş camın parça boyutunun deneysel incelenmesi, Glass Struct Eng, cilt.3, s.167-181.https://doi.org/10.1007/s40940-018-0062-0
[6] Pourmoghaddam, N., Kraus, MA, Schneider, J., Siebert, G., 2018, Camın 2 boyutlu makro ölçekli parçalanmasının tahmini için termal olarak temperlenmiş camın gerinim enerjisi ile kırılma modeli morfolojisi arasındaki ilişki, Glass Struct Eng .https://doi.org/10.1007/s40940-018-00091-1
[7] Gordon, GG, 1996, Otomatik cam parçalanma analizi, Proc.SPIE 2665, Endüstriyel Muayenede Yapay Görme Uygulamaları IV.https://doi.org/10.1117/12.232245
[8] Gardon, R., 1980, Camın Termal Temperlenmesi, Cam Bilimi ve Teknolojisi cilt.5 Camlarda Esneklik ve Dayanıklılık, DR Uhlmann ve NJ Kreidl (Ed.), Academic Press, New York, s. 145-216.
[9] Aronen, A., Koçer., C., 2015, Temperli Camın Mekanik Arızası;Test Standartları ve Hizmet İçi Felaket Arızalarının Karşılaştırması, GPD Glass performans günleri 2015 Bildirileri, s. 388-391.
[10] Anton, J., Aben, H., 2003, Cam Plakalarda Artık Gerilim Ölçümü için Kompakt Dağınık Işık Polariskopu, Cam Bildiri Günleri Bildirileri 2003, s. 86-88.
[11] Krizhevsky, A., Sutskever, I., Hinton, GE, 2012, Derin Evrişimli Sinir Ağlarıyla Imagenet Sınıflandırması, Sinir Bilgi İşleme Sistemlerindeki Gelişmeler, Curran Associates, Inc., s. 1097-1105.
[12] Long, J., Shelhamer, E., Darrell, T., 2015, Anlamsal bölümleme için tam evrişimli ağlar, 2015 IEEE Bilgisayarlı Görme ve Örüntü Tanıma Konferansı (CVPR), IEEE, s. 3431-3440.
[13] Chen, L., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018, Anlamsal Görüntü Segmentasyonu için Atrous Ayrılabilir Evrişimli Encoder-Secoder, CoRR, 2018, Mevcut (09.05'te erişildi) .2018).https://arxiv.org/abs/1802.02611.
[14] He, K., Zhang, X., Ren, S., Sun, J., 2016, Görüntü Tanıma için Derin Kalıntı Öğrenme, 2016 IEEE Bilgisayarlı Görme ve Örüntü Tanıma Konferansı (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 Büyük Ölçekli Görsel Tanıma Yarışması, International Journal of Computer Vision, Cilt.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, web sayfası.Mevcut (erişim tarihi: 09.05.2018).https://image-net.org/challenges/LSVRC/2017/results.