Angesichts des Problems der Messfehler durch Beleuchtungsänderungen bei der präzisen Bildvermessung wird ein Fehlerkompensationsmodell vorgeschlagen, das auf der Konstruktion multidimensionaler Graustufenmerkmale als Eingaben basierend auf dem Segment-Anything-Modell (Segment Anything Model, SAM) beruht und ein radial-basisfunktionenbasiertes neuronales Netzwerk verwendet, das mit dem Whale-Optimization-Algorithmus (WOA-RBF) optimiert wird. Durch die Erstellung eines mathematischen Modells zwischen Beleuchtung und Kantenauslenkung wurde der nichtlineare Einfluss der Lichtquellenintensität und der Oberflächenstreuungseigenschaften auf die Messgenauigkeit analysiert. Die Zero-Shot-Segmentierungsfähigkeit von SAM wird genutzt, um automatisch den durchschnittlichen Grauwert heterogener Materialbereiche zu extrahieren, der als multidimensionaler Merkmalsvektor zur Darstellung komplexer Bildinformationen dient. Der Whale-Optimization-Algorithmus (Whale Optimization Algorithm, WOA) wird zur Parametersuche des radial-basisfunktionenbasierten neuronalen Netzwerks (Radial basis function neural network) eingesetzt, um eine präzise Kompensation von Ausrichtungsfehlern zu erreichen. Die Methode wurde im Vergleich zu traditioneller eindimensionaler linearer Regression, genetisch optimierten Kernel-Support-Vektor-Maschinen und Support Vector Regression bei Messungen an Chrom-Zirkon-Kupfer-Haltevorrichtungen getestet. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell einen mittleren quadratischen Fehler (Root Mean Square Error, RMSE) von 2,07 μm, einen mittleren absoluten Fehler (Mean Absolute Error, MAE) von 1,73 μm und einen Bestimmtheitskoeffizienten (R²) von 0,99 erreicht (am Beispiel des Zernike-Unterschriftspixel-Matrix-Algorithmus). Das Modell zeigt unter verschiedenen Subpixel-Kantenerkennungsalgorithmen eine ähnliche Genauigkeit und hervorragende Stabilität und bietet eine praktikable Lösung zur Kompensation von Messfehlern, die durch Beleuchtungsänderungen bei der präzisen Bildvermessung verursacht werden.

Computer Vision;Kantenerkennung;Fehlerkompensation;SAM-Modell;Waloptimierung;Radial basis function neural network