基于改进聚类的机体损伤识别方法研究

范杰 司伟森 巴翔

摘要：为了清晰快速地辨识飞机机体损伤区域，引入K均值聚类算法处理损伤图像，通过分析K均值聚类算法的局限性，提出了基于误差平方和差值以及基于像素点变化的聚类迭代终止条件的优化方法，并通过飞机机体损伤图像实例，从损伤识别效果和运算效率两个方面进行验证。验证结果显示，基于改进聚类的机体损伤识别方法，在保证图像损伤区域识别效果的同时，明显减少了迭代次数，提高了聚类算法的运算效率，可以满足飞机机体损伤高效识别的要求。

关键词：损伤区域划分；图像识别；K均值聚类算法

中图分类号：V267文献标识码：ADOI：10.19452/j.issn1007-5453.2022.05.005

随着图像处理技术的不断发展，彩色图像中目标区域提取技术已广泛应用于诸多领域，但由于应用领域的差异和目标区域的复杂性，提取彩色图像中有意义的目标区域一直是难点问题。

聚类算法以其简单高效的分类机制成为图像目标区域高效提取的典型算法。目前，主流的聚类算法主要有两步聚类、层次聚类和K均值聚类算法[1]。其中，K均值聚类算法对大规模图像集的高效处理，使其成为最常用的聚类算法之一。周宏元等[2]将K均值聚类引入蝴蝶优化算法，实现土木工程结构损伤识别。赵杨超等[3]利用K均值聚类实现对航空复合材料的敲击检测。刘立坤等[4]引入聚类算法提出颤振模态参数自动辨识方法。但由于K均值聚类算法过分依赖于迭代次数的设定且对离群点和噪声点敏感，聚类结果经常为局部最优而非全局最优[5]。

本文面向机体损伤识别方法研究，针对K均值聚类算法的局限性，研究K均值聚类改进算法，解决迭代次数人工设定问题，实现损伤区域的精准聚类，进而实现机体损伤的高效识别。

1 K均值聚类算法

由于服役条件、维护修理不当、设计制造缺陷等因素，航空结构在服役过程中容易产生小损伤[6]。当造成非常细微且无法用肉眼进行观察的飞机机体损伤时，需要对损伤区域进行图像处理来损伤识别[7]。图像的显示是由不同的灰度像素点组成的，通过K均值聚类法确定锈蚀和完好区域范围，将图像上的像素点划分到这两类区域中，达到区分损伤区域的目的，从而方便维修[8]。

相似度的计算根据一个簇中对象的平均值来进行。具体为：（1）将所有对象随机分配到k个非空的簇中；（2）计算每个簇的平均值，并用该平均值代表相应的簇；（3）根据每个对象与各个簇中心的距离，分配给最近的簇；（4）然后转第（2）步，重新计算每个簇的平均值。这个过程不断重复，直到满足聚类中心不再改变或者达到最大迭代次数。

2 K均值聚类算法的改进

K均值聚类算法的计算准确度由其迭代次数决定。一般迭代终止条件是聚类中心不再改变或者达到最大迭代次数，以节省计算时间[11-12]。而机体损伤区域识别中，K均值聚类的迭代后期，聚类中心虽未达到稳定值，但从图像上观察，肉眼难以分辨输出图像的差异，对损伤辨识效果没有影响。本文提出基于误差平方和差值以及基于像素点变化的两种改进迭代终止条件，确定观察图像最佳迭代次数的迭代终止参数。

2.1基于误差平方和差值的优化方法

K均值聚类算法停止迭代的条件是聚类中心不变或者达到最大迭代次数，可使用改进误差平方和方法，由于迭代后期误差平方和变化较小，则设定迭代终止条件为前后两次迭代过程误差平方和之差小于阈值时即停止迭代，保证损伤辨识效果的同时减少迭代次数。

2.2基于像素点变化的优化

迭代终止条件还可以从前后两次迭代过程输出的像素点数目变化入手，设置迭代的终止条件为：前后两次迭代像素点变化值小于某一值时即输出图像。这样既能保证输出图像的效果，又能减少迭代次数，减少运算时间。

像素点变化值为

2.3 K均值聚类改进算法流程

K均值聚类改进算法流程图如图1所示。具体流程为：（1）初始化簇集，确定要聚类的数据；（2）确定聚类中心数目，随机选取初始化聚类中心；（3）使用式（1）计算数据与聚类中心的距离，按照数据与聚类中心较近原则分配到相应的簇中；（4）使用式（2）计算各簇集中的数据与聚类中心的误差平方和；（5）求出各个簇集中数据的平均值作为新的聚类中心；（6）判断是否达到规定最大迭代次数或者聚类中心不再改变，如果不改变完成计算过程，输出迭代次数。

3基于改进K均值聚类的机体损伤识别方法验证

为验证基于改进K均值聚类的机体损伤识别方法，选取螺钉锈蚀、蒙皮锈蚀、小孔锈蚀、涂层剥落损伤、丝状锈蚀和应力锈蚀裂纹等损伤图像为实例，如图2所示。

针对损伤图像实例，分别使用K均值聚类算法和改进算法进行对比验证，验证结果图像如图3～图8所示，实例a和实例b验证计算过程见表1。

损伤识别效果方面，由图3～图8的验证结果图像可以看出，K均值聚类算法的验证结果图像与改进K均值聚类算法的验证结果图像相比，视觉区分度较小。对于整体色度单一的实例c，改进K均值聚类算法获得的验证结果图像中，损伤区域清晰可辨识，与传统K均值聚类算法的验证结果图像相比，损伤识别效果更优。因此，從损伤识别效果方面来说，改进K均值聚类算法对于损伤识别领域的应用效果较好。3B86AB7F-2AE9-42A2-8552-9231C4FC578D

在运算效率方面，由表1、表2的验证计算过程数据可以看出，随着迭代次数的增多，误差平方和差值减小，输出图片损伤区域的像素点逐渐增多。当迭代符合终止条件时，误差平方和比值接近0.001，像素点数目几乎不变，输出的图像面积不再变化，迭代运算结束。聚类迭代运算可通过误差平方和以及像素点数目的变化率动态优化迭代次数，达到最优迭代次数，不需人工设定迭代次数。在保证损伤区域辨识效果的基础上，减少运算复杂度，提升计算效率。

4结论

本文通过分析不同迭代数目输出图像的区别，发现原算法存在不足，随着迭代次数的增多，图像效果并不是越来越清晰，所以对原始K均值聚类算法进行改进设计，原始算法的迭代终止条件是聚类中心不变或者达到最大迭代次数，由于初始聚类中心的随机选取对结果影响很大，所以在保证初始聚类中心不变的情况下，改进算法的迭代终止条件，一种改进方法是根据误差平方和差值进行改进，另一种方法是根据像素点变化的数目来进行改进。结果证明，改进算法在保证输出图像效果的同时，减少了迭代计算次数，提高了执行效率。

参考文献

[1]李彬.具有全局优化能力的K均值聚类算法[J].西南师范大学学报（自然科学版），2014，39（7）：36-40. Li Bin. On K-means clustering algorithm with global optimization ability[J]. Journal of Southwest China Normal University（Natural Science Edition），2014，39（7）：36-40.（in Chinese）

[2]周宏元，张广才，王小娟，等.基于互相关函数的聚类蝴蝶优化算法的结构损伤识别[J].振动与冲击，2021，40（17）：189-196. Zhou Hongyuan， Zhang Guangcai， Wang Xiaojuan， et al. Structural damage identification based on clustering butterfly optimization algorithm of cross-correlation function[J]. Journal of Vibration and Shock， 2021，40（17）： 189-196.（in Chinese）

[3]赵杨超，李艳军，曹愈远，等.基于K-means聚类的航空复合材料敲击检测研究[J].航空科学技术，2019，30（10）：45-49. Zhao Yangchao，Li Yanjun，Cao Yuyuan， et al. Study on percussion detection of aerospace composite materials based on K-means clustering[J]. Aeronautical Science & Technology， 2019，30（10）：45-49.（in Chinese）

[4]刘立坤，闫轲.随机子空间颤振模态参数自动辨识方法研究[J].航空科学技术，2020，31（3）：53-58. Liu Likun， Yan Ke. Research on automated stochastic subspace flutter modal identification method[J]. Aeronautical Science & Technology， 2020，31（3）：53-58.（in Chinese）

[5]贲志伟，赵勋杰.基于改进的K均值聚类算法提取彩色图像有意义区域[J].计算机应用与软件，2010，27（9）：11-13. Ben Zhiwei， Zhao Xunjie. Extracting meaningful region in colour image based on improved K-means clustering algorithm[J]. Com‐puterApplication and Software，2010，27（9）：11-13.（in Chinese）

[6]邢博邯，蔡建，周智權，等.航空结构中Lamb波小损伤监测能力研究[J].航空科学技术，2021，32（3）：40-48. Xing Bohan， Cai Jian， Zhou Zhiquan， et al. Research on smalldamage monitoring abilities of Lamb waves in aircraft struc‐tures[J]. Aeronautical Science & Technology， 2021， 32（3）：40-48.（in Chinese）

[7]李忠良，魏麟，刘晔璐，等.飞机外表面地检设备图像处理技术初探[J].航空维修与工程，2018（5）：56-58. Li Zhongliang， Wei Lin， Liu Yelu， et al. Preliminary study on image processing technology of ground inspection equipment for aircraft[J].Aviation Maintenance and Engineering，2018（5）：56-58.（in Chinese）3B86AB7F-2AE9-42A2-8552-9231C4FC578D

[8]丁明月，莊晓东.基于数据融合的K均值聚类彩色图像分割方法[J].青岛大学学报（工程技术版），2018，33（2）：42-46，58. Ding Mingyue， Zhuang Xiaodong. K-means clustering color image segmentation method based on data fusion[J]. Journal of Qingdao University （Engineering and Technology）， 2018， 33（2）： 42-46，58.（in Chinese）

[9]Park H S，Jun C H. A simple and fast algorithm for K-means clustering[J]. Expert Systems with Applications，2009，36（2）：3336-3341.

[10]刘玉洁.改进的K均值聚类算法彩色图像分割的研究[J].工业控制计算机，2012，25（4）：76-77. Liu Yujie. Color image segmentation based on an improved Kmeans clustering algorithm[J]. Industrial Control Computer， 2012，25（4）：76-77.（in Chinese）

[11]裴晨，徐国彬，于艺铭，等.基于改进K均值聚类的图像修复方法[J].包装工程，2020，41（23）： 255-262. Pei Chen， Xu Guobin， Yu Yiming， et al. Image restoration method based on improved K-means clustering[J]. Packaging Engineering，2020，41（23）： 255-262.（in Chinese）

[12]谢娟英，蒋帅，王春霞，等.一种改进的全局K-均值聚类算法[J].陕西师范大学学报（自然科学版），2010，38（2）：18-22. Xie Juanying， Jiang Shuai， Wang Chunxia， et al. An improved global K-means clustering algorithm[J]. Journal of Shanxi Normal University （Natural Science Edition），2010， 38（2）：18-22.（in Chinese）

Research on Airframe Damage Identification Method Based on Improved Clustering

Fan Jie，Si Weisen，Ba Xiang

China Southern Airlines Henan Branch，Zhengzhou 450000，China

Abstract： In order to identify the airframe damage region clearly and quickly， the K-means clustering algorithm is introduced to process the damage image. By analyzing the limitations of the K-means clustering algorithm， an improved method of clustering iteration termination condition based on error square sum difference and pixel change is proposed. Through the verification of aircraft body damage images， it is verified from two aspects： damage recognition effect and operation efficiency. The verification results show that the airframe damage identification method based on improved clustering not only ensures the identification effect of image damage regions， but also significantly reduces the number of iterations， improves the operation efficiency of the clustering algorithm， and can meet the requirements of efficient processing of airframe damage identification.

Key Words： damage region division； image recognition； K-means clustering algorithm3B86AB7F-2AE9-42A2-8552-9231C4FC578D