정밀 이미지 측정에서 조도 변화로 인한 측정 오차 문제에 대응하기 위해 분할 모든 모델(Segment Anything Model, SAM)을 기반으로 다차원 그레이스케일 특성을 입력으로 구성하고 고래 최적화 알고리즘(Whale Optimization Algorithm, WOA)을 사용한 방사 기저 함수 신경망(WOA-RBF)을 통한 오차 보상 모델을 제안한다. 조도와 경계 이동 간 수학적 모델을 구축하여 광원 강도 및 표면 산란 특성이 측정 정밀도에 미치는 비선형 영향을 분석한다. SAM의 제로샷 분할 기능을 활용해 이종 재료 영역의 평균 그레이스케일 값을 자동 추출하고 다차원 특성 벡터로 입력하여 복잡한 이미지 정보를 표현한다. 고래 최적화 알고리즘(Whale Optimization Algorithm, WOA)을 사용하여 방사 기저 함수 신경망(Radial basis function neural network)의 매개변수를 최적화함으로써 편이 오차를 정확히 보상한다. 본 방법을 크롬 지르코늄 구리 고정구 측정 비교 실험에서 전통적인 1차원 선형 피팅, 유전 알고리즘으로 최적화된 최소자승 서포트 벡터 머신 및 서포트 벡터 회귀 방법과 비교하였다. 실험 결과 본 논문에서 제안한 모델은 제르니케 매트릭스 아날고리즘 예시로 평균 제곱근 오차(Root Mean Square Error, RMSE) 2.07 μm, 평균 절대 오차(Mean Absolute Error, MAE) 1.73 μm, 결정 계수(R²) 0.99를 기록하였다. 본 모델은 다양한 서브픽셀 에지 검출 알고리즘에서 유사한 정밀도와 우수한 안정성을 보여 조도 변화에 의해 발생하는 정밀 이미지 측정 오차 문제에 대한 실행 가능한 보상 방법을 제시한다.

컴퓨터 비전;에지 검출;오차 보상;SAM 모델;고래 최적화;방사 기저 함수 신경망