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VGG16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。

7.如权利要求6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，混淆矩阵采用b行b列的矩阵形式来表示，其中每列代表一个预测类别，每列的总数代表预测为该类别数据的数目；每行代表数据的真实类别，每行数据总数代表该类别数据实例数。