精密画像計測における照度変化による測定誤差問題に対し、セグメント・エニシング・モデル（Segment Anything Model、SAM）を基に多次元グレースケール特徴を入力として構築し、クジラ最適化アルゴリズム（Whale Optimization Algorithm、WOA）で最適化した放射基底関数ニューラルネットワーク（WOA-RBF）による誤差補償モデルを提案する。照度とエッジオフセットの数学モデルを構築し、光源強度と表面散乱特性が測定精度に与える非線形影響を解析した。SAMのゼロショットセグメンテーション能力を利用して異種材料領域の平均グレースケールを自動抽出し、多次元特徴ベクトルとして入力し、複雑な画像情報を表現する。クジラ最適化アルゴリズム（WOA）を用いて放射基底関数ニューラルネットワーク（RBFNN）のパラメータ探索を行い、オフセット誤差を正確に補償する。本手法は、クロムジルコニウム銅治具測定の比較実験において、従来の一次元線形フィッティング、遺伝的アルゴリズムで最適化した最小二乗サポートベクターマシン及びサポートベクタ回帰法と比較した。実験結果より、本研究で提案したモデルは（ゼルニケ行列亜画素アルゴリズムを例に）二乗平均平方根誤差（Root Mean Square Error、RMSE）が2.07 μm、平均絶対誤差（Mean Absolute Error、MAE）が1.73 μm、決定係数（R²）が0.99であることが示された。本モデルは複数の亜画素エッジ検出アルゴリズムにおいて類似した精度と優れた安定性を示し、照度変化による精密画像計測の測定誤差問題に対する実用的な補償手段を提供する。

コンピュータビジョン;エッジ検出;誤差補償;SAMモデル;クジラ最適化;放射基底関数ニューラルネットワーク