Pour répondre aux exigences d'efficacité élevée et de haute précision de la détection de la planéité des détecteurs à grand diamètre et grand champ de vue, cet article propose une méthode de segmentation par clustering K-means intégrant une contrainte d'information sur les bords pour les détecteurs assemblés. Cette méthode, en tant qu'étape clé de prétraitement avant l'évaluation de la planéité, permet d'extraire efficacement des zones à structures régulières, améliorant ainsi la précision et la stabilité du calcul ultérieur des indicateurs de planéité. Elle convient aux tâches de détection des détecteurs en plusieurs étapes et sous plusieurs conditions de fonctionnement. Tout d'abord, les caractéristiques structurelles des détecteurs assemblés ont été analysées et une méthode de traitement des données de nuages de points a été développée. Ensuite, les caractéristiques des fissures de bord et la continuité renforcée des bords ont été extraites, en sélectionnant de manière adaptative les centres initiaux des clusters à partir de l'ensemble de points à l'intérieur des zones fermées, évitant ainsi l'instabilité de convergence due à une initialisation aléatoire. Enfin, une pénalité sur les bords et un mécanisme de détection des anomalies de valeurs de hauteur ont été introduits dans la fonction objectif de K-means, permettant une segmentation fine du nuage de points du détecteur par optimisation itérative. Les résultats expérimentaux montrent que la méthode d'initialisation des centroïdes basée sur les zones fermées réduit le nombre moyen d'itérations et évite de définir manuellement le nombre de clusters. Par rapport aux méthodes traditionnelles, l'introduction de contraintes sur les bords et du critère d'anomalies de hauteur améliore la précision de la correspondance des limites de plus de 50%. Cette méthode permet une segmentation efficace des nuages de points des détecteurs assemblés des grands télescopes, offrant une méthode efficace pour le développement et l'utilisation de ces détecteurs.

Télescope optoélectronique grand diamètre; détecteur assemblé; segmentation de nuage de points; détection de bords; clustering