في مواجهة مشكلة خطأ القياس الناجم عن تغير الإضاءة في قياس الصور الدقيقة، تم اقتراح نموذج تعويض الخطأ قائم على بناء ميزات رمادية متعددة الأبعاد كمدخلات باستخدام نموذج تقسيم الكل (Segment Anything Model، SAM)، مع دمج شبكة عصبية ذات دالة قاعدة شعاعية محسنة بخوارزمية الحوت (WOA-RBF) للملاءمة. من خلال إنشاء نموذج رياضي يربط بين الإضاءة وانزياح الحافة، تم تحليل التأثير غير الخطي لشدة المصدر الضوئي وخصائص التشتت السطحي على دقة القياس. استُخدم قدرة تقسيم الصفر عينه لـ SAM لاستخلاص متوسط الرمادي للمناطق بالمواد غير المتجانسة تلقائيًا وُقدم كمُدخلات لفيكتور ميزات متعددة الأبعاد، لتمثيل المعلومات المعقدة للصورة. طُبقت خوارزمية تحسين الحوت (Whale Optimization Algorithm، WOA) لضبط معاملات شبكة العصبونية ذات دالة القاعدة الشعاعية (Radial basis function neural network) لتحقيق تعويض دقيق للانزياح الخطأ. تمت مقارنة هذه الطريقة بتجارب قياس تجهيزات كروزروم النحاس المبنية على التقنيات التقليدية للانحدار الخطي أحادي البعد، آلة متجه الدعم ذات المربعات الصغرى المحسنة بواسطة الخوارزميات الوراثية، وطريقة الانحدار بدعم المتجهات. أظهرت النتائج التجريبية أن النموذج المقترح في هذه الورقة لديه متوسط جذر مربع الخطأ (Root Mean Square Error، RMSE) بقيمة 2.07 ميكرون، ومتوسط الخطأ المطلق (Mean Absolute Error، MAE) بقيمة 1.73 ميكرون، ومعامل التحديد (R²) بواقع 0.99 (كمثال باستخدام خوارزمية زيرنيكه للمصفوفة تحت البكسلية). أظهر النموذج دقة واستقرارًا متميّزين عبر عدة خوارزميات كشف الحواف تحت البكسلية، مما يوفر حلًا عمليًا لتعويض أخطاء القياس الناجمة عن تغيرات الإضاءة في قياسات الصور الدقيقة.

الرؤية الحاسوبية;كشف الحواف;تعويض الخطأ;نموذج SAM;تحسين الحوت;شبكة عصبية بدالة قاعدة شعاعية