(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210410114.8 (22)申请日 2022.04.19 (71)申请人 浙江工业大 学 地址 310006 浙江省杭州市拱 墅区朝晖六 区潮王路18号 (72)发明人 郑明凯　余清　蔡姚杰　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 周红芳 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06T 3/40(2006.01) (54)发明名称 基于K-means算法的轮胎X射线缺陷图像分 类方法 (57)摘要 一种基于K ‑means算法的轮胎X射线缺陷图 像分类方法， 包括以下步骤： 1)轮胎数据集预处 理； 2)迁移VGG16网络模型进行图像的特征提取； 3)利用K均值聚类算法为每张图像分配类别标 签， 并用平均准确率和混淆矩阵来评估模型的分 类效果。 本发 明通过对比度受限的自适应直方图 均衡化进行图像进行预处理， 使得图像强度分布 更宽、 缺陷与背景信息对比度明显； 然后引入已 经预训练好的VGG16网络来学习轮胎图像特征， 减少了从头开始训练模型的过程。 最后使用无监 督的K‑means方法对轮胎数据进行分类， 该方法 不需要标记训练数据， 训练速度快分类准确率 高。 权利要求书3页 说明书6页 附图2页 CN 114627322 A 2022.06.14 CN 114627322 A 1.基于K‑means算法的轮胎X射线缺陷图像分类方法， 其特 征在于： 包括以下步骤： 1)数据集预处理： 采集轮胎图像的数据集， 根据轮胎缺陷种类将采集的轮胎数据集划 分为四个类别， 分别为劈缝缺陷、 跳线缺陷、 异物缺陷、 以及正常轮胎， 对每张图片进 行对比 度受限的自适应直方图均衡化处 理； 2)网络模型迁移： 在ImageNet数据 集上预训练图像特征提取模型VGG16网络， 迁移预训 练好后的VG G16网络， 进行不同种类 轮胎图像的缺陷特 征提取； 3)构建缺陷分类模型： 在VGG16网络提取轮胎缺陷图像特征后， 利用K均值聚类算法为 每张轮胎图像分配 类别标签， 并用平均准确率和混淆矩阵来评估 模型的分类效果。 2.如权利 要求1所述的基于K ‑means算法的轮胎X射线缺 陷图像分类方法， 其特征在于， 所述步骤1)的具体过程 为： 根据缺陷定位信息对图像进行统一缩放， 然后， 通过对比度受限的自适应直方图均衡 化对每张图像进行 预处理， 使得图像强度分布更宽、 缺陷更明显， 达 到图像增强的效果。 3.如权利 要求2所述的基于K ‑means算法的轮胎X射线缺 陷图像分类方法， 其特征在于， 对比度受限的自适应直方图均衡化 算法的具体步骤如下： a)将原图像划分为r个大小为m ×n的子区域， 每个子区域相互连续并互不重叠， m， n的 取值决定图像的细节增强程度， 取值越大， 增强效果越强； b)将每个子区域像素个数平均分配到每 个灰度级， 平均值 Naver计算公式如下： 式中： Ngray是子区域中灰度级的数量； 是子区域x轴方向的像素数； 是子 区域y轴方向的像素 数； 限定每个灰度级包含的像素数不超过平均值Naver的Nclip倍， 则实际剪切极限值NCL的计 算公式如下： NCL＝Nclip·Naver 式中Nclip是截取限制系数， 其含义是限制每个灰度级所包含的像素数不超过平均像素 数的Nclip倍； c)剪切每个子块的灰度直方图， 多余的像素数目重新分配到各直方图的灰度级中， 设 已被剪切的像素总数为 N∑clip， 得到每个灰度级均分的剪切像素Nacp， Nacp的计算公式如下： 经过分配后， 剩余的像素 数数目为NLP， 被分配像素的步进值的计算公式如下： 对剩余像素从最小灰度级开始按上述的步进值进行循环分配至像素为0， 最终得到新 的直方图； d)对裁剪后的每 个子区域的灰度直方图进行直方图均衡化； e)把每个子块的中心点作为参考点， 获取其灰度值， 采用双线性插值的方法对图像中权　利　要　求　书 1/3 页 2 CN 114627322 A 2的每一个像素进 行灰度线性插值， 每个像素点的映射由其相 邻的一组参考点对应区域的映 射确定。 4.如权利 要求3所述的基于K ‑means算法的轮胎X射线缺 陷图像分类方法， 其特征在于， 所述步骤2)的具体过程如下： 将步骤1)中预处理后的数据集输入到VGG16网络的输入层， 网络中的多个中间层均可 用作图像的特征表 示， 将其作为信号处理器， 为每张轮胎图像生成一个特征描述符， 最后利 用无监督聚类方式对缺陷进行分类。 5.如权利 要求4所述的基于K ‑means算法的轮胎X射线缺 陷图像分类方法， 其特征在于， 所述步骤3)的具体过程如下： 利用K‑means算法为每 张轮胎图像数据分配类别标签， 将步骤2)中经过VGG16网络提取 缺陷特征后的轮胎图像作为样本集， 对于给定的样本集， 按照 样本之间的距离大小， 将样本 集划分为K个簇， 簇的数量 通过可视化数据后进行选择， 算法的具体步骤如下： 设数据集为X＝{x1,x2,···,xi,···,xn}， 聚类成的簇的个数为K， 聚类中心为C＝ {c1,c2,···,cj,···,ck}； a)从数据集中随机 选择K个样本作为聚类中心； b)计算数据集中每个样本xi(i＝1,2,···,n)与聚类中心cj(j＝1,2,···,k)的距 离， 距离的计算公式如下： 式中： m为样本的维度； c)计算每 个样本到聚类中心的距离， 找到最小距离并将该样本划分到对应的簇； d)对聚类中心进行重新计算更新， 计算公式如下： 然后， 计算目标函数的结果， 计算公式如下： e)对聚类中心和目标函数进行判断， 将所有图像划分到对应的聚类中心内。 6.如权利 要求5所述的基于K ‑means算法的轮胎X射线缺 陷图像分类方法， 其特征在于， 所述步骤3)中， 各类别平均准确率mAP的公式如下： 式中： 通过AP计算每个类别的分类准确率； TP表示数据得到正确分类的数量， FP表示数 据被错误分类的数量； q表示类别数量； mAP表示各类别分类准确率的平均； 该公 式表示所有 类别中正确分类的样本占样本总数的比例， 数值越接 近100％分类效果越好。权　利　要　求　书 2/3 页 3 CN 114627322 A 3