Para atender aos requisitos de alta eficiência e alta precisão na detecção da planicidade do plano do detector em telescópios de grande abertura e grande campo de visão, este artigo propõe um método de segmentação de agrupamento K-means com restrição de informações de borda para detectores em montagem. Este método, como um passo chave de pré-processamento antes da avaliação de planicidade, pode extrair eficazmente áreas de estrutura regular, melhorando a precisão e estabilidade dos cálculos subsequentes dos índices de planicidade, sendo adequado para tarefas de inspeção do detector em múltiplas fases e condições. Primeiro, analisaram-se as características estruturais do detector em montagem e construiu-se um método para processar os dados da nuvem de pontos do detector em montagem. Em seguida, extraíram-se as características das fendas das bordas e reforçou-se a continuidade das bordas, com a seleção adaptativa dos centros iniciais de cluster no conjunto interno de pontos da área fechada, evitando a instabilidade na convergência causada pela inicialização aleatória. Por fim, foram introduzidos termos de penalização de bordas e um mecanismo de detecção de anomalias de valores de altura na função objetivo do K-means, permitindo uma segmentação refinada da nuvem de pontos do detector por otimização iterativa. Os resultados experimentais mostram que o método de inicialização dos centróides baseado na área fechada reduziu o número médio de iterações e evitou a configuração manual prévia do número de clusters. Em comparação com métodos tradicionais, a introdução de restrições de borda e critérios de anomalia de altura melhorou a precisão da correspondência de bordas em mais de 50%. Este método pode efetivamente realizar a segmentação da nuvem de pontos do conjunto de dados do detector em montagem, fornecendo um método eficiente para o desenvolvimento e uso de detectores em montagem em telescópios de grande abertura.

Telescópio eletro-óptico de grande abertura; Detector em montagem; Segmentação de nuvem de pontos; Detecção de bordas; Clustering