Face au problème des erreurs de mesure dues aux variations d'illumination dans la mesure d'images de précision, un modèle de compensation d'erreur est proposé, basé sur la construction de caractéristiques de niveaux de gris multidimensionnelles en entrée à partir du modèle de segmentation universel (Segment Anything Model, SAM), combiné à un réseau de neurones à fonctions de base radiales optimisé par l'algorithme d'optimisation de la baleine (WOA-RBF). En établissant un modèle mathématique entre l'illumination et le décalage des bords, l'influence non linéaire de l'intensité de la source lumineuse et des propriétés de diffusion de surface sur la précision de mesure a été analysée. La capacité de segmentation zéro-shot de SAM permet d'extraire automatiquement la moyenne des niveaux de gris dans les zones de matériaux hétérogènes, utilisée comme vecteur de caractéristiques multidimensionnelles pour représenter l'information complexe de l'image. L'algorithme d'optimisation de la baleine (Whale Optimization Algorithm, WOA) est employé pour optimiser les paramètres du réseau de neurones à fonctions de base radiales (Radial basis function neural network), permettant une compensation précise du décalage d'erreur. Cette méthode est comparée expérimentalement à la régression linéaire unidimensionnelle traditionnelle, au support vector machine par moindres carrés optimisé par algorithmes génétiques, et à la régression par machines à vecteurs de support dans la mesure d'un dispositif en cuivre chrome-zirconium. Les résultats expérimentaux montrent que le modèle proposé présente une erreur quadratique moyenne (Root Mean Square Error, RMSE) de 2,07 μm, une erreur absolue moyenne (Mean Absolute Error, MAE) de 1,73 μm, et un coefficient de détermination (R²) de 0,99 (exemple avec l'algorithme sous-pixel de matrice Zernike). Le modèle offre une précision proche et une excellente stabilité sous divers algorithmes de détection de contours sous-pixels, proposant une solution réalisable pour compenser les erreurs de mesure dues aux variations d'illumination dans la mesure d'images précises.

Vision par ordinateur;Détection des contours;Compensation d'erreur;Modèle SAM;Optimisation par baleine;Réseau de neurones à fonctions de base radiales