Luminance-based methodology for assessment of low level haze in glazing
Notice bibliographique
Résumé
Abstract Visual defects, in particular haze, in glass and façade technologies can significantly impact the aesthetic quality and human experience of daylight and views in buildings. The glass and façade industry increasingly requires methods that can objectively predict and measure the subjective user experience of haze. This is required to appropriately inform the manufacturing process, ensuring optimal functionality and performance, and avoiding material waste and economic losses due to the replacement of defective glazing. Existing methods for measuring haze are not appropriate for assessing large samples, either at manufacturing sites or in-situ. However, haze defects are often only exhibited and visible when glazing is produced in large samples or installed under real luminous conditions. This paper introduces a novel luminance-based method that measures haze by evaluating the halo around a light source that is observed through the glazing. This method is initially tested in a controlled laboratory setting on small glazing samples with varying level of haze. The halo serves as a proxy for haze severity and it is quantified by using luminance-based measurements. In this work, the newly-proposed method is verified by comparing the ranking in haze severity of different samples as performed by means of a standard haze meter and the newly proposed method. Additionally, the paper examines the dependence of this ranking on factors such as camera setup distance and light intensity. It was found that the proposed method was able to effectively ranks samples differing in haze intensity by more than 0.1 orders of magnitude. Positioning the camera closer to the glazing and using higher light intensity yielded more accurate results. However, for haze levels below 1% and differences smaller than 0.1 orders of magnitude, the accuracy is insufficient. To define the expected level of accuracy of methods for haze characterisation in-situ, the sensitivity of the human eye to haze under varying luminous environments and view content needs to be quantified.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».