Pour résoudre le problème des erreurs de mesure causées par les variations d'éclairement dans la mesure d'images de précision, un modèle de compensation d'erreur basé sur le modèle de segmentation universelle (Segment Anything Model, SAM) est proposé, utilisant des caractéristiques multidimensionnelles de niveaux de gris comme entrées, et une réseau de neurones à fonction de base radiale optimisé par l'algorithme d'optimisation des baleines (WOA-RBF) pour l'ajustement. En établissant un modèle mathématique de la relation entre l'éclairement et le décalage des contours, l'influence non linéaire de l'intensité de la source lumineuse et des propriétés de diffusion de la surface sur la précision de la mesure a été analysée. La capacité de segmentation sans échantillon de SAM est utilisée pour extraire automatiquement la moyenne des niveaux de gris des zones de matériaux hétérogènes, utilisée comme vecteur de caractéristiques multidimensionnel représentant des informations d'image complexes. L'algorithme d'optimisation des baleines (Whale Optimization Algorithm, WOA) est employé pour optimiser les paramètres du réseau de neurones à fonction de base radiale (Radial Basis Function Neural Network), réalisant une compensation précise des erreurs de décalage. La méthode a été comparée aux ajustements linéaires unidimensionnels traditionnels, à la machine à vecteurs de support à moindres carrés optimisée par algorithme génétique, et à la régression par vecteurs de support lors d'expériences de mesure sur un étau en cuivre chrome-zirconium. Les résultats expérimentaux montrent que le modèle proposé, dans l'expérience comparative (exemple avec l'algorithme de matrices subpixel de Zernike), 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. Le modèle affiche une précision comparable et une stabilité excellente sous divers algorithmes de détection de contours subpixel, offrant une méthode de compensation viable pour le problème des erreurs de mesure causées par les variations d'éclairement en mesure d'images de précision.

Vision par ordinateur;Détection de contours;Compensation d'erreurs;Modèle SAM;Optimisation par baleine;Réseau de neurones à fonction de base radiale