Czytaj także -

Aktualne wydanie

2021 03 okladka1

Świat Szkła 03/2021

User Menu

 

 ET-160x600-PL-3

 

 

 

facebook12

czytaj newsy Świata Szkła

- więcej szklanej architektury

 

Baztech

Miesięcznik Świat Szkła

indeksowany jest w bazie

czasopism technicznych

 

 

Tagi Globalne

Wydanie Specjalne

okladka Dom inteligentny 22

(w opracowaniu) 

 dom bez barier okladka

gotowy

20200909przeciwpozarowe przegrody budowlane

 

Fasady przeszklone termika akustyka odpornosc ogniowa 2016

 

okna pasywne 2015a

 

Fotowoltaika w architekturze okladka

 

20140808Przegrody przeciwpozarowe

 

konstrukcje szklane

 

20140533 Konstrukcje przeszklone 2

 

Katalog 2021 okladka

 

banner konferencja 04 2019

 RODO

konferencja webinarium 2021 

 pl 480x100 AW Banner 201208

 

baner4 abprojekt

Zliczanie odłamków w teście fragmentacji szkła hartowanego
Data dodania: 03.02.21

Liczba odłamków w znormalizowanym teście fragmentacji wg normy EN 12150-1 jest sposobem na określenie poziomu bezpieczeństwa szkła hartowanego, a także sposobem na określenie wielkości naprężeń i wytrzymałości szkła hartowanego.

 

Chociaż sposób obliczania liczby fragmentów jest określony w normie, łącznie z opisem praktycznego przykładu, faktyczny wynik zawsze zależy od badacza. Aby liczenie było spójne we wszystkich badaniach, potrzebny jest automatyczny proces liczenia fragmentów.

 

2021 01 32 1

 Rys. 1. Zależność między naprężeniem rozciągającym w płaszczyźnie środkowej, a liczbą odłamków na obszarze 50 x 50 mm. Wyniki eksperymentalne dla nominalnych grubości szkła 4 mm, 6 mm, 8 mm i 10 mm oraz dane porównawcze z Akeyoshi i in. [3] dla szkła o grubości 1,8 mm, 3,0 mm, 3,4 mm, 4,9 mm i 8,2 mm

 

To sprawia, że idealnym rozwiązaniem aplikacja wykorzystująca komputerowy system wizyjny1 (computer vision system), ponieważ komputer nigdy się nie męczy ani nie traci obiektywizmu. Systemy automatycznego liczenia fragmentów już istnieją, ale mają poważne ograniczenia.

 

Nowoczesne narzędzia i technologie zrewolucjonizowały w ostatnich latach dziedzinę „widzenia” komputerowego (computer vision). Wynika to głównie z postępu w wykorzystywaniu konwolucyjnych sieci neuronowych2, które są szczególnie dostosowane/ wyspecjalizowane do wydobywania wzorców/ zależności i informacji z obrazów/zdjęć.

 

Aby uczynić systemy liczenia fragmentów bardziej elastycznymi, szybszymi i tańszymi, te ostatnie postępy w dziedzinie komputerowej analizy obrazów umożliwiają wdrożenie automatycznej analizy wizyjnej nawet na smartfonie.

 


Wprowadzenie
Szkło hartowane jest wytwarzane w procesie obróbki cieplnej, w którym tafla szkła jest najpierw podgrzewana powyżej temperatury przejścia, a następnie szybko schładzana, aby uzyskać odpowiedni gradient temperatury na całej grubości tafli szkła.

 

Celem jest „zamrożenie” szkła, gdy szkło ma odpowiedni gradient temperatury, a następnie, gdy temperatura się ujednolici, stan wewnętrznych naprężeń wyraża się parabolicznym profilem naprężenia na grubości tafli szkła.

 

Szkło hartowane ma naprężenia ściskające na powierzchniach zewnętrznych tafli szklanej i naprężenia rozciągające w rdzeniu tafli szklanej. Szkło hartowane ma dwie zalety w porównaniu do odprężonego szkła float. Po pierwsze, wytrzymałość szkła na zginanie i uderzenia wzrasta wraz z wielkością naprężeń ściskających na powierzchni, a po drugie, w przypadku rozbicia – rozpada na małe, nieszkodliwe cząstki z powodu wysokiej indukowanej energii odkształcenia.

Ze względu na te zalety szkło hartowane nazywane jest również szkłem bezpiecznym.

 

Próba niszcząca - fragmentacja spowodowana pęknięciem szkła to sposób na określenie wielkości naprężeń i poziomu bezpieczeństwa hartowanego szkła. Fragmentacja pokazuje kilka rzeczy wynikających z analizy naprężeń, np. wielkość i równomierność naprężeń. W normie EN 12150-1 [1] zdefiniowano test fragmentacji (rozbicia w wyniku uderzenia), w którym hartowane szkło o wymiarach 1100 x 360 mm2 jest uderzane ostrym narzędziem w środkowym punkcie dłuższej krawędzi.

 

Na podstawie wzoru spękania, wybiera się obszar, o wielkości 50 x 50 mm, z największymi odłamkami szkła (czyli z minimalną liczbą odłamków) i zlicza te odłamki w tym obszarze. Norma określa minimalną liczbę odłamków, dla różnych grubości szkła, dla uzyskania klasyfikacji bezpiecznego szkła architektonicznego.

 

Szkło samochodowe ma podobną normę ECE R43 [2] dotyczącą fragmentacji bezpiecznego szkła hartowanego. W porównaniu z normą EN 12150-1, w normie ECE R43 szkło jest uderzane w środkowej części tafli szkła.

 

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

 

W 1968 roku Barsom [4] opublikował także wyniki dotyczące korelacji naprężenia w rdzeniu (części środkowej) i średniej masy cząstek w rozbitym szkle hartowanym. Ostatnio badania zostały opublikowane przez Pourmoghaddam & Schneider [5] oraz Pourmoghaddam i in. [6], które określają zależność między poziomem naprężenia a fragmentacją, a także przewidują kształt i rozmieszczenie odłamków na podstawie wielkości naprężeń i punktu uderzenia. Liczenie odłamków jest zasadniczo zadaniem wizualnym, w którym człowiek-badacz bardzo efektywnie wykorzystuje swój mózg do oddzielania i policzenia pojedynczych odłamków od potłuczonego szkła.

 

Dla człowieka zadanie to wydaje się bardzo proste i łatwo jest zapomnieć, że to zadanie wymaga bardzo wyrafinowanych i dobrze rozwiniętych zdolności rozpoznawania „wzorców”, do czego właśnie przeznaczony jest nasz mózg - co osiągnął w rozwoju w czasie ewolucji. Definicja określenia liczby fragmentów jest prosta i przedstawiona na przykładzie opisanym w normie EN 12150-1 [1]. Jednak choć zadanie to może wydawać się łatwe, jest bardzo pracochłonne i czasochłonne.

 

Proces liczenia jest również bardzo żmudny i podatny na „błędy ludzkie” z powodu braku koncentracji i zmęczenia. W związku z tym możliwe jest, że wyniki liczenia mogą się różnić w zależności od osoby badacza/egzaminatora. Zwłaszcza, gdy liczba odłamków/ fragmentów jest duża, fragmenty mają niewielki rozmiar, a ludzkim okiem może być trudno określić, które z nich są najmniejszymi fragmentami do zliczenia,a także zdefiniowanie, które odłamki znajdują się w obszarze zliczania. W tradycyjnym zautomatyzowanym procesie zliczania - zdjęcie wzoru fragmentacji jest przetwarzane i analizowane za pomocą narzędzi do analizy obrazu [7].

 

Istnieją urządzenia do automatycznego liczenia fragmentów oparte na analizie obrazu, takie jak skanery odłamków szkła hartowanego: Cullet- Scanner firmy SoftSolution i FROG (Fragment Recognizer On Glass) firmy Deltamax. Niedawno  uczenie maszynowe zrewolucjonizowało dziedzinę widzenia komputerowego, ponieważ głębokie sieci neuronowe są w stanie uczyć się bardzo abstrakcyjnych reprezentacji danych bazowych. Daje to nowe narzędzia do analizy wzorców fragmentacji.

 

1 Komputerowy system wizyjny (computer vision system), nazywany również widzeniem komputerowym to układ współpracujących ze sobą elektronicznych urządzeń, którego funkcją jest automatyczna analiza wizyjna otoczenia na podobieństwo zmysłu wzroku u ludzi.


2 Konwolucyjne (splotowe) sieci neuronowe – (convolutional neural network - CNN lub ConvNet) to klasa sieci neuronowych w głębokim uczeniu (deep learning), podkategorii uczenia maszynowego (machine learning) – stanowiącego podstawę wykorzystania sztucznej inteligencji (AI – artificial intelligence), ściśle związanego z analityką dużych zbiorów danych (big data) i programowaniem eksploracji danych (data mining).
Konwolucyjne sieci neuronowe są stosowane najczęściej do analizowania (przetwarzania) obrazów. Przykładowe aplikacje obejmują rozpoznawanie twarzy, analizę obrazów (organów ludzkich) w medycynie czy detekcję obiektów w otoczeniu. CNN to algorytm, który może pobrać obraz wejściowy i sklasyfikować go wedle predefiniowanych kategorii (np. rasy psa). Jest to możliwe dzięki przypisaniu wag różnym kształtom, strukturom, obiektom.

Sieci konwolucyjne poprzez trening są w stanie nauczyć się, jakie cechy szczególne obrazu pomagają w jego klasyfikacji. Ich przewagą nad standardowymi sieciami głębokimi jest większa skuteczność w wykrywaniu zawiłych zależności w obrazach.

 

 

 

Jednak głębokie sieci neuronowe wymagają dużej ilości danych, dobrze opatrzonych adnotacjami (przykłady skategoryzowanych obrazów z różnych dziedzin). Jest to czasochłonna część tworzenia dobrego modelu do zliczania odłamków/ cząstek szkła.

 

W tym artykule skupiamy się na przedstawieniu nowatorskiego sposobu liczenia fragmentów szkła hartowanego przy użyciu najnowszych osiągnięć w dziedzinie uczenia maszynowego. Przedstawiono również znaczenie adnotacji danych dla głębokiego uczenia się. Przed rozdziałem o uczeniu maszynowym przedstawiono tło (podstawowe informacje) dotyczące stłuczenia szkła, aby lepiej zrozumieć problemy związane z liczeniem odłamków w szkle hartowanym.

 


Teoria fragmentacji szkła
Fragmentacja szkła po rozbiciu 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 rosnąć. Ten poziom naprężenia jest potrzebny już dla szkła wzmocnionego termicznie, gdy wszystkie pęknięcia powinny dochodzić do krawędzi. Po drugie, dla szkła hartowanego potrzebne jest rozwidlenie pęknięć dla dużej liczby fragmentów. To zjawisko bifurkacji3 wymaga wyższego poziomu indukowanych naprężeń wewnętrznych. [8]

 

Początkowy punkt pęknięcia i zewnętrzne podparcie lub siła wpływają na fragmentację szkła. Te czynniki mają wpływ na rozkład naprężeń w wierzchołkach pęknięć, przez co zmienia się wzór fragmentacji. [8,9] Z tego powodu początkowy punkt pęknięcia jest określony w normie.

 

Czas po spękaniu szkła hartowanego, w którym należy policzyć liczbę odłamków, jest ustalony na 3 do 5 minut w normie EN 12150-1 [1]. Jest to również ważne, aby wziąć to pod uwagę, ponieważ po wstępnej propagacji4 pęknięć tworzą się pęknięcia wtórne. Te wtórne pęknięcia są zwykle prostopadłe do początkowych krawędzi pęknięcia, a ich liczba zależy również od początkowego stanu naprężenia.

 

Zjawisko fragmentacji zachodzi dla cienkich i grubych szkieł. Jednak w przypadku grubszych szkieł krawędzie pęknięć są bardziej szorstkie niż w przypadku cieńszych szkieł. Również w przypadku grubego szkła powierzchnia krawędzi pęknięcia może być pochylona. Typowe pęknięcia szkła o grubości nominalnej 4 mm i 10 mm pokazano jako przykłady, odpowiednio na rys. 9 i 10.

 

Bardzie chropowata krawędź pęknięcia powoduje szerszą linię pęknięcia, a nachyloną powierzchnię pęknięcia można postrzegać jako biały obszar z powodu silnie rozproszonego odbicia światła od powierzchni pęknięcia. Obie cechy mogą wpływać na wyniki liczenia fragmentów/odłamków szkła. Jednym ze sposobów liczenia odłamków jest zdefiniowanie związku między wielkością naprężeń wewnętrznych w szkle, a liczbą odłamków. Jest to ważne, jeśli sprzęt do optycznego pomiaru naprężeń jest używany do kontroli jakości szkieł hartowanych.

 

Zależność między naprężeniami rozciągającymi zmierzonymi w płaszczyźnie środkowej za pomocą polaryzatora światła rozproszonego (SCALP-05) [10], a zliczoną liczbą fragmentów/odłamków szkła pokazano na rys. 1.

 

Badania przeprowadzono na szkle o wymiarach 1100 x 360 mm. Dane z eksperymentu przeprowadzonego przez autorów artykułu porównano z danymi Akeyoshi i in. [3]. Wyniki eksperymentalne autorów podają wyższy poziom fragmentacji szkła w porównaniu z danymi Akeyoshi i in. [3].

 

 

Automatyzacja liczenia fragmentów za pomocą „widzenia” maszynowego
Konwolucyjne sieci neuronowe (convolutional neural networks CNN) od dawna dominują w dziedzinie klasyfikacji obrazów i rozpoznawania obiektów. W 2012 r. głęboka konwolucyjna sieć neuronowa (deep convolutional neural network DCNN) po raz pierwszy osiągnęła najlepsze wyniki w konkursie ImageNet Large Scale Visual Recognition Competition (ILSVRC) [11]. Przełomem, który przyniósł DCNN, było to, że nie było już wymagane wyrafinowane/ szczegółowe „ręczne tworzenie” zmiennych do modelu - określenie właściwości obiektu wchodzącego do badań

 

Przed głębokim uczeniem (deep learning) typowy proces klasyfikacji obrazu wymagałby wyszkolonego klasyfikatora wykonującego „ręcznie” specyfikacje właściwości obiektu („ręcznie” tworzone zmienne).

 

Stwarza to pewne problemy, ponieważ ludzie niekoniecznie są bardzo skuteczni w definiowaniu cech, które najlepiej różnicują/wyróżniają poszczególne cechy obiektu badanego – „klasyfikację wejściową”.

 

Zaletą uczenia głębokiego jest to, że specyficzne cechy obiektu potrzebne do wykonania zadania są automatycznie wyodrębniane przez sieć i można ją bezpośrednio trenować/doskonalić od początku do końca, od obrazów wejściowych po klasyfikację wyjściową.

 

3 Bifurkacja [łac. bifurcus ‘widlasty’, ‘rozdwojony’] – zjawisko skokowej zmiany własności modelu matematycznego przy drobnej zmianie jego parametrów (np. warunków początkowych procesu albo warunków brzegowych). Szczególnie często spotykane i istotne jest to pojęcie przy rozwiązywaniu równań różniczkowych oraz badaniu fraktali (i teorii chaosu). Pojęcie bifurkacji zostało wprowadzone przez Henri Poincaré.
Systemy nieliniowe, których zachowanie zależy od parametru μ, mogą nagle zmienić swoje zachowanie, gdy parametr ten się zmieni. Na przykład system, który wcześniej dążył do uzyskania wartości granicznej, może teraz przeskakiwać między dwiema wartościami, tj. mieć dwa punkty akumulacji /równowagi. Nazywa się to bifurkacją . Niektóre systemy mogą pod wpływem skończonej zmiany parametru μ mu doświadczać nieskończonej liczby bifurkacji, a tym samym mają nieskończoną liczbę punktów akumulacji. Zachowanie takich systemów zmienia się wraz ze zmianą parametru μ co prowadzi do deterministycznego chaotycznego zachowania (Chaos deterministyczny to przypadkowe zachowanie systemu dynamicznego , który jednak podlega deterministycznym regułom).


4 Propagacja - w wytrzymałości materiałów może oznaczać rozprzestrzenianie się uszkodzenia w materiale poddanym naprężeniu. Mówimy wtedy o propagacji pęknięć. Zjawisko takie ma miejsce podczas kruchego pękania.  

 

 2021 01 32 2

Rys. 2. Proces zliczania fragmentów/odłamków szkła

 

Jednak segmentacja odłamków szkła to nie tylko problem z klasyfikacją całego obrazu. Jest to raczej problem z klasyfikacją pojedynczych pikseli. Proces, w którym każdy piksel obrazu wejściowego jest klasyfikowany do określonej klasy, nazywany jest segmentacją semantyczną. Po przełomie głębokiego uczenia się nie minęło dużo czasu, zanim nowe technologie mogły zostać przeniesione z klasyfikacji obrazów do segmentacji semantycznej5.

 

Problem polega na tym, że sieci klasyfikacyjne mają bardzo niską rozdzielczość wyjściową, ponieważ wynik jest definiowany po prostu jako wektor prawdopodobieństw klas (vector of class probabilities).

 

Jednak w przypadku segmentacji semantycznej rozdzielczość wyjściowa powinna być równa rozdzielczości obrazu wejściowego. Praca Long i in. [12] wykazała, że istniejące sieci klasyfikacyjne można przenieść do sieci segmentacji semantycznej. Dokonano tego poprzez przerzucenie klasyfikacji na w pełni połączone sieci neuronowe6 (fully connected neural networks FCNN) poprzez dodanie interpolacji7 (upsampling) w sieci i zdefiniowanie dopuszczalnych strat na każdy pojedynczy pixel (pixelwise loss). Praca Long i in. była nadal tylko pierwszym krokiem w kierunku skutecznej segmentacji semantycznej.

 

Od tego czasu coraz bardziej wyrafinowane sieci nieustannie poprawiają coraz bardziej efektywność/ wydajność. W 2018 roku najlepiej działającym modelem do segmentacji semantycznej był DeepLab v3+ firmy Google [13], który również został zaadaptowany w tej pracy do segmentacji fragmentów szkła.

 

2021 01 32 3

Rys. 3. Próbki surowych/nieprzetworzonych obrazów i odpowiadające im przypisane obszary dla różnych kategorii szkła

 

 

Teoria
Teoria stojąca za procesem zliczania fragmentów wykorzystanym w tej pracy jest przedstawiona na rys. 2. Proces składa się z programu/modelu Google DeepLab v3+ do przeprowadzania segmentacji oraz algorytmu przetwarzania końcowego (postprocessing) do faktycznego liczenia.

 

Bloki DCNN, ASPP i DECODER na rys. 2 są częściami programu DeepLab v3+. Koder jest standardową głęboką konwolucyjną siecią neuronową, która jest używana jako część sieci selekcjonująca wg właściwości (wydzielająca cechy z obrazu wejściowego).

 

W szczególności w pracy wykorzystano architekturę resztkową sieci (residual network architecture) [14]. Sygnał wyjściowy kodera jest kierowany do modułu rozszerzonej przestrzennej agregacji postrzegania (atrous spatial pyramid pooling ASPP), który próbkuje8 mapę cech z różnymi polami widzenia, aby uchwycić kontekst w wielu skalach (w dużej skali lub małej skali).

 

Dekoder jest używany do przywracania rozdzielczości przestrzennej do rozdzielczości obrazu wejściowego. Dekoder zasadniczo łączy bogate semantycznie informacje o niskiej rozdzielczości z modułu ASPP z informacjami o wysokiej rozdzielczości przestrzennej z modułu kodera. Rezultatem jest maska segmentacji o wysokiej rozdzielczości – czyli rozdzielczości oryginalnego surowego obrazu wejściowego.

 

Maska segmentacji podana przez system DeepLab jest dalej przetwarzana końcowo (postprocess) w celu uzyskania liczby fragmentów. Każdy przykładowy fragment szkła jest porównywany z minimalną wartością progową tak, że wszelkie zbyt małe odłamki i puste szczeliny leżące między sąsiednimi fragmentami są pomijane. Następnie liczbę fragmentów można uzyskać w prosty sposób, licząc każdy spójny obszar w binarnej masce segmentacji (binary segmentation mask).

 

2021 01 32 4

Rys. 4. Obszar „zainteresowania” w analizie fragmentacji wg normy EN 12150-1. Analiza powinna obejmować wszystkie obszary wewnątrz linii przerywanej

 

 


Adnotacja/Przypisanie danych
Nowoczesne sieci neuronowe do głębokiego uczenia się w dużym stopniu opierają się na dużej ilości danych, które mogą wykorzystać podczas „treningu modelu”.

 

Dostosowują swoją wewnętrzną reprezentację zadania, wielokrotnie powtarzając iterację zbioru danych. Przy bardzo „rzadkich” (sparse) danych prowadzi to do prawdopodobnie nadmiernego dopasowania (overfitting) modelu, który nauczył się tylko bardzo określonego zestawu danych. Ten rodzaj modelu zwykle nie jest w stanie uogólnić (wykryć zależności) na całą dziedzinę zadania, co czyni go bezużytecznym w szerszym zakresie zastosowań (taki model, jak „tępy uczeń”, zapamiętał rozwiązania poszczególnych zadań, ale nie znalazł sposobu/zależności do rozwiązywania podobnych/analogicznych zadań).

 

W przypadku segmentacji odłamków szkła zbiór danych jest dużo prostszy niż np. zróżnicowane obrazy z różnych dziedzin zebrane z internetu. W przypadku segmentacji szkła prezentowana jest tylko jedna klasa obiektów: tylko odłamki szkła. Model sieci neuronowej musi nauczyć się rozróżniać obszary „fragmentowe” (zawierające odłamki odpowiedniej wielkości) i „niefragmentowe” (zawierające odłamki zbyt małej wielkości lub puste przerwy

 

5 Segmentacja obrazu (ang. image segmentation) – proces podziału obrazu na części określane jako obszary (regiony), które są jednorodne (homogeniczne) pod względem pewnych wybranych własności. Obszarami są zbiory pikseli (punktów). Własnościami, które są często wybierane jako kryteria jednorodności obszarów są: poziom szarości, barwa, tekstura. Segmentacja semantyczna jest klasycznym zadaniem widzenia komputerowego, który polega na przyjęciu pewnych danych (np. obrazów 2D) jako danych wejściowych i przekształceniu ich w maskę z wyróżnionymi obszarami zainteresowania. Wcześniejsze zadania związane z widzeniem komputerowym dotyczyły tylko takich elementów, jak krawędzie (linie i krzywe) lub gradienty, ale nigdy nie pozwalały na zrozumienie obrazów na poziomie pikseli, tak jak postrzega je człowiek. Segmentacja semantyczna, która skupia razem części obrazów należące do tego samego obiektu według określonego zainteresowania/zapytania, rozwiązuje te zadania, a tym samym znajduje zastosowanie w niezliczonych dziedzinach.


6 W pełni połączone sieci neuronowe (FCNN) to rodzaj sztucznych sieci neuronowych, których architektura jest taka, że wszystkie węzły lub neurony w jednej warstwie są połączone z neuronami w następnej warstwie. Chociaż ten typ algorytmu jest powszechnie stosowany do niektórych typów danych, w praktyce tego typu sieci mają pewne problemy z rozpoznawaniem i klasyfikacją obrazu. Takie sieci wymagają dużej mocy obliczeniowej i mogą być podatne na nadmierne dopasowanie . Kiedy takie sieci są również „głębokie” (co oznacza, że istnieje wiele warstw węzłów lub neuronów), mogą być one szczególnie trudne do zrozumienia dla ludzi.


7 W cyfrowym przetwarzaniu sygnału , upsampling, rozszerzanie i interpolacja to terminy związane z procesem ponownego próbkowania w wielostopniowym systemie przetwarzania sygnału cyfrowego. Upsampling może być synonimem rozszerzania lub może opisywać cały proces rozszerzania i filtrowania (interpolacja ). [1] [2] [3] Gdy upsampling jest wykonywany na sekwencji próbek sygnału lub innej funkcjji ciągłej, tworzy przybliżenie sekwencji, która zostałaby uzyskana przez próbkowanie sygnału z większą szybkością (lub gęstością - w przypadku fotografii).


8 Próbkowanie, dyskretyzacja, kwantowanie w czasie – proces tworzenia sygnału dyskretnego, reprezentującego sygnał ciągły za pomocą ciągu wartości nazywanych próbkami. Zwykle jest jednym z etapów przetwarzania sygnału analogowego na sygnał cyfrowy   

 

2021 01 32 5

Rys. 5. Wzór fragmentacji w próbce testowej dla szkła o grubości 4 mm

 

2021 01 32 6

Rys. 6. Wzór fragmentacji w próbce testowej dla szkła o grubości 10 mm

 

2021 01 32 7

Rys. 7. Mapa termiczna/cieplna pokazująca rozkład fragmentów/ odłamków szkła dla próbki grubości 4 mm i czerwone prostokąty przedstawiające swobodnie wybrane regiony w eksperymencie

 

2021 01 32 8

Rys. 8. Mapa termiczna/cieplna pokazująca rozkład fragmentów/ odłamków szkła dla próbki grubości 10 mm i czerwone prostokąty przedstawiające swobodnie wybrane regiony w eksperymencie

 

Przykładem szeroko stosowanego, bardziej złożonego zbioru danych jest ImageNet, który zawiera ponad 15 milionów obrazów należących do około 22 000 różnych kategorii [15]. Obrazy są zbierane z internetu i przypisywane/kategoryzowane przez ludzi. Nowoczesne sieci neuronowe wykazały skuteczność/ wydajność „na poziomie ludzkim” nawet w przypadku bardzo wymagających zestawów danych, takich jak ImageNet [16].

 

Dodawanie adnotacji do danych jest bardzo czasochłonne i kosztowne ze względu na potrzebę żmudnej i precyzyjnej pracy ludzkiej. Ilość danych jest zwykle „wąskim gardłem” w opracowaniu modelu dobrej jakości/skuteczności, szczególnie gdy mowa jest o wyspecjalizowanych zadaniach i nie ma jeszcze dostępnych adnotacji/kategoryzacji, czyli nie można wykorzystać żadnych swobodnie dostępnych zestawów danych (które ktoś uprzednio wykonał).

 

Przykładem takiego zadania jest fragmentacja szkła. Aby model nauczył się segmentować fragmenty, trzeba mu pokazać liczne przykłady prawidłowych, bazowych (ground truth) segmentacji.

 

2021 01 32 9

Rys. 9. Środkowy obszar 50 x 50 mm próbki szkła grubości 4 mm. W segmentacji fragmenty/odłamki graniczne (leżące na granicy obszaru próbki) są niebieskie, a środkowe - żółte. Fragmenty brzegowe liczy się jako „połówki” zgodnie z normą EN 12150-1 [1]

 

2021 01 32 10

Rys. 10. Środkowy obszar 50 x 50 mm próbki szkła grubości 10 mm. W segmentacji fragmenty/odłamki graniczne (leżące na granicy obszaru próbki) są niebieskie, a środkowe - żółte. Fragmenty brzegowe liczy się jako połówki zgodnie z normą EN 12150-1 [1]

 

(...)


Proces adnotacji/przypisywania
Na rys. 3 pokazano przykłady segmentacji oparte na prawidłowych/bazowych danych. Te przykładowe zadania były wykonane przez człowieka, a każda kategoryzacja obrazu wymaga około 10-30 minut (na pojedynczą adnotację/przypisanie), w zależności od doświadczenia badacza/osoby przypisującej. Proces adnotacji/przypisywania jest dość prosty, ale żmudny i pracochłonny: każdy fragment jest oznaczony wielokątem przez zdefiniowanie jego wierzchołków. Jak widać na podstawie przykładów, proces ten jest również wysoce subiektywny. Każda osoba przeprowadza segmentację w inny sposób.

 

Jednak adnotację/przypisywanie należy wykonać w taki sposób, aby między sąsiednimi wielokątami pozostawały wystarczająco szerokie przerwy. Wymusza to na modelu niezawodne/konsekwentne oddzielanie sąsiednich fragmentów, co ma kluczowe znaczenie dla uzyskania statystycznych informacji, np. takich jak liczba fragmentów/odłamków szkła. W surowym/nieprzerobionym obrazie krawędź odłamka może czasami mieć tylko kilka pikseli szerokości i praktycznie nie do odróżnienia od otoczenia/tła. W takich przypadkach między określonymi wielokątami zostawione są szersze odstępy.

 

Tabela 1. Wyniki eksperymentalnego testu liczenia fragmentów

 2021 01 32 11

(kliknij na tabelę aby ją powiekszyć)

 


Eksperyment pokazujący subiektywność w liczeniu fragmentów
Zadanie liczenia fragmentów/odłamków szkła jest z natury bardzo subiektywne. Często nie jest jasne, które obszary stłuczonego szkła można zaliczyć jako pojedyncze odłamki i nawet norma nie podaje jednoznacznych instrukcji.

 

Dlatego faktyczna osoba wykonująca test fragmentacji może mieć znaczący wpływ na liczbę policzonych fragmentów, nawet jeśli liczone fragmenty pochodzą z tego samego obszaru. Co więcej, jeszcze większe różnice się pojawiają, gdy osoby muszą wybrać obszar występowania największych odłamków (z najmniejszą liczbą odłamków). Na rys. 4 przedstawiono obszar zainteresowania dla testu fragmentacji zdefiniowany w normie EN 12150-1 [1].

 

Subiektywną naturę liczenia fragmentów zbadano eksperymentalnie. Celem eksperymentu było zbadanie zmienności liczby fragmentów/odłamków występującej u kilku „ludzkich” badaczy. Test polegała na zliczaniu odłamków dla dwóch próbek testowych ze szkłem o grubości 4 mm i 10 mm. Wybrano dwie grubości szkła, ponieważ wzór fragmentacji jest bardzo różny dla szkła cienkiego i grubego. Grubość ma istotny wpływ na wzór pęknięć i wygląd odłamków. Generalnie łatwiej jest policzyć fragmenty z cieńszego szkła.

 

Eksperyment/test został zorganizowany w następujący sposób. Dwie próbki z hartowanego szkła o standardowych wymiarach (1100 x 360 mm) o grubości 4 mm i 10 mm zostały rozbite. Każda osoba liczyła fragmenty z dwóch oddzielnych obszarów o wymiarach 50 x 50 mm: jednego ze środka szkła i jednego ze samodzielnie/swobodnie wybranego obszaru (wewnątrz przerywanej linii na rys. 4), który według badacza jest miejscem występowania największych odłamków (najmniejszej ilości odłamków). Podano również współrzędne samodzielnie wybranych obszarów do liczenia, aby porównać, w jaki sposób każda osoba samodzielnie/swobodnie wybiera obszar z największymi odłamkami szkła.

 

Wzory fragmentacji dla badań szkła o grubości 4 mm i 10 mm przedstawiono odpowiednio na rys. 5 i 6, a wyniki zliczania fragmentów dla obu szkieł przedstawiono w tabeli 1. Również mapy cieplne „odwzorowujące” rozkład fragmentów/odłamków dla obu próbek przedstawiono na rys. 6 i 7. Na każdej mapie cieplnej nałożone/narysowane są kwadraty określające samodzielnie/swobodnie wybrane obszary do liczenia odłamków szkła.

 

Na mapach termicznych/cieplnych kolor niebieski wskazuje na mniejszą gęstość fragmentów (czyli obszar z mniejszą ilością dużych fragmentów), podczas gdy kolor żółty wskazuje na większą gęstość (czyli obszar z większą ilością mniejszych fragmentów). W obu przypadkach większość badaczy wybrała obszar w prawym górnym rogu badanej próbki , który jest rzeczywiście obszarem o najniższej gęstości fragmentów, w określonym w normie obszarze zainteresowania pokazanym na rys. 4. Jednak niektórzy badacze wybrali inne obszary, co wprowadza dalsze zróżnicowanie w wykazywanej końcowej liczbie fragmentów w badanej próbce.

 

Wyniki eksperymentu pokazują, że istnieje znaczna zmienność liczby zliczanych fragmentów u badaczy, nawet jeśli każdy liczył fragmenty z dokładnie tego samego obszaru. Różnice są jeszcze większe, gdy badacz/egzaminator swobodnie wybiera obszar z odłamkami o największej wielkości.


W przypadku szkła o grubości 4 mm liczba zliczonych odłamków obliczona przez model AI (sztucznej inteligencji) mieści się w zakresie 1 odchylenia standardowego od średniej liczby określonej przez ludzi.

 

W przypadku szkła o grubości 10 mm jest nieco dalej. Nie oznacza to jednak, że model AI jest niedokładny, ponieważ zadanie jest wysoce subiektywne. Obrazy środkowych obszarów z próbek testowych przedstawiono na rys. 7 i 8, a odpowiadające im obrazy nałożonej/ pokrytej segmentacją AI pokazano na rys. 9 i 10. Odpowiednie liczby fragmentów/odłamków dla modelu AI dla próbek szkła o grubości 4 mm i 10 mm wynosiły odpowiednio 98 i 68. Obrazy te ilustrują trudności w zliczaniu fragmentów/odłamków: na obrazach jest wiele małych fragmentów, które system AI zaliczył jako pojedyncze fragmenty, a człowiek może tego nie robić.

 

Jest to szczególnie prawdziwe w przypadku próbki 10 mm. Na obrazie segmentacji próbki 10 mm widać, że system sztucznej inteligencji uwzględnił wiele małych fragmentów w końcowym zliczeniu, co nie jest błędne, ale skutkuje wyższą liczbą niż wynik przeciętnego człowieka- badacza. Jedną z zalet zautomatyzowanego systemu jest to, że jest konsekwentny w swoich decyzjach, a wyniki nie zmieniają się z powodu zmęczenia, braku koncentracji lub innych warunków wpływających na egzaminatorów.

 


Podsumowanie
Trudności z liczeniem fragmentów/odłamków zostały zbadane eksperymentalnie, a wyniki przedstawiono w artykule. Wyniki pokazały, że liczenie fragmentów/ odłamków nie jest prostym zadaniem, a ponieważ w normie nie ma jasnych instrukcji dotyczących tego procesu, wyniki liczenia mogą się znacznie różnić w zależności od egzaminatorów. Względne odchylenia standardowe fragmentów dla środkowych obszarów próbek szkła o grubości 4 mm i 10 mm wynosiły odpowiednio 4,9% i 6,4%.

 

Dodatkowo różnice w liczeniu nie są jedyną rzeczą wpływającą na ostateczną liczbę zliczonych fragmentów/ odłamków. Badacz musi również określić obszar występowania największych odłamków (obszar z najmniejszą liczbą odłamków), co wprowadza większą zmienność (większe różnice w wynikach). Dla samodzielnie/ swobodnie wybranych obszarów próbek szkła o grubości 4 mm i 10 mm odpowiednie względne odchylenia standardowe wynosiły 8,0% i 9,9%. W artykule przedstawiono też podejście do liczenia fragmentów opartych na uczeniu maszynowym.

 

Wykazano, że nowoczesne technologie w trakcie pracy w trybie widzenia komputerowego potrafią dokładnie policzyć odłamki z obrazu potłuczonego szkła. Zautomatyzowane podejście zapewnia obiektywne i spójne liczenie. Jednak tego rodzaju podejście jest w dużym stopniu zależne od ilości dostępnych danych (obrazów i przypisanych adnotacji), stworzenie samodzielne danych jest czasochłonne i pracochłonne, a zakup takich danych może być kosztowny.

 

(...)


Juho Ruusunen, Antti Aronen
Glaston Finland Oy

Artykuł został oparty na wykładzie zaprezentowanym na Konferencji GLASS PERFORMANCE DAYS 2019, która odbyła się w dniach 26-28 czerwca 2019 r. Tampere w Finlandii

 

Bibliografia
[1] EN 12150-1: 2015 Szkło w budownictwie - Hartowane termicznie bezpieczne szkło sodowo-wapniowo- krzemianowe - Część 1: Definicja i opis


[2] E/ECE, 2017, Umowa w sprawie przyjęcia jednolitych warunków homologacji i wzajemnego uznawania homologacji wyposażenia i części pojazdów silnikowych. Uzupełnienie 42, regulamin nr 43, poprawka 4: Jednolite przepisy dotyczące homologacji materiałów oszklenia bezpiecznego i ich instalacji w pojazdach, załącznik 5, kwiecień 2017


[3] Akeyoshi, K., Kanai, E., Yamamoto, K., Shima, S., 1967, Rep. Res. Lab., Asahi Glass., 17, s. 23.
[4] Barsom, J.M., 1968, Spękanie (fragmentaryzacja) szkła hartowanego (Fracture of Tempered Glass), J. Am. Ceram. Soc. vol. 51, s. 75–78. https://doi.org/10.1111/j.1151-2916.1968.tb11840.x


[5] Pourmoghaddam, N. & Schneider, J., 2018, Eksperymentalne badanie wielkości fragmentu szkła hartowanego (Experimental investigation into the fragment size of tempered glass), Glass Struct Eng, tom 3, strony 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 pęknięcia szkła hartowanego termicznie do przewidywania fragmentacji szkła w makroskali 2D (Relationship between strain energy and fracture pattern morphology of thermally tempered glass for the prediction of the 2D macroscale fragmentation of glass), Glass Struct Eng . https://doi.org/10.1007/s40940-018-00091-1


[7] Gordon, G.G., 1996, Zautomatyzowana analiza fragmentacji szkła (Automated glassfragmentation analysis), Proc. Natl. SPIE 2665, Machine Vision Applications in Industrial Inspection IV. https://doi.org/10.1117/12.232245


[8] Gardon, R., 1980, Hartowanie termiczne szkła (Thermal Tempering of Glass), w Glass Science and Technology vol. 5 Elasticity and Strength in Glasses, D.R. Uhlmann i N.J. Kreidl (red.), Academic Press, Nowy Jork, str. 145–216.


[9] Aronen, A., Kocer., C., 2015, Mechaniczna uszkodzenie/ pęknięcie szkła hartowanego; Porównanie norm dotyczących badań i katastrofalnej awarii podczas eksploatacji (The Mechanical Failure of Tempered Glass; a Comparison of Testing Standards and In-Service Catastrophic Failure), GPD 2015, s. 388-391.


[10] Anton, J., Aben, H., 2003, Kompaktowy polaryzator światła rozproszonego do pomiaru naprężeń szczątkowych w płytach szklanych (A Compact Scattered Light Polariscope for Residual Stress Measurement in Glass Plates), GPD 2003, str. 86-88.


[11] Krizhevsky, A., Sutskever, I., Hinton, G.E., 2012, Klasyfikacja ImageNet z głębokimi konwolucyjnymi sieciami neuronowymi, postęp w neuronowych systemach przetwarzania informacji (Imagenet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems), Curran Associates, Inc., str. 1097–1105.


[12] Long, J., Shelhamer, E., Darrell, T., 2015, W pełni konwolucyjne sieci do segmentacji semantycznej (Fully convolutional networks for semantic segmentation), 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, s. 3431–3440.


[13] Chen, L., Zhu, Y., Papandreou, G., Schroff, F., Adam, H., 2018, Koder-dekoder z separowalną konwolucyjną siecią do semantycznej segmentacji obrazu (Encoder- Secoder with Atrous Separable Convolution for Semantic Image Segmentation), CoRR, 2018, http:// arxiv.org/abs/1802.02611.


[14] He, K., Zhang, X., Ren, S., Sun, J., 2016, Głębokie uczenie do rozpoznawania obrazu (Deep Residual Learning for Image Recognition), 2016 IEEE Conference on Computer Vision and Pattern Recognition (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, Wyzwanie związane z rozpoznawaniem wizualnym na dużą skalę (Imagenet Large Scale Visual Recognition Challenge), International Journal of Computer Vision, Vol. 115, str. 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. http://image-net.org/challenges/LSVRC/2017/results.

  

Całość artykułu w wydaniu drukowanym i elektronicznym 

Inne artykuły o podobnej tematyce patrz Serwisy Tematyczne 
Więcej informacji:  Świat Szkła 01/2021

 

Czytaj także --

 

 

01 chik
01 chik