Diante do problema de erro de medição causado pela variação de iluminação em medições de imagem precisas, propõe-se um modelo de compensação de erro baseado na construção de características multidimensionais de tons de cinza como entrada, utilizando o Segment Anything Model (SAM) e uma rede neural de função base radial otimizada pelo algoritmo de otimização de baleias (WOA-RBF) para fitting. Estabelecendo um modelo matemático entre iluminação e deslocamento de borda, analisou-se o efeito não linear da intensidade da fonte luminosa e das propriedades de dispersão da superfície na precisão da medição. A capacidade de segmentação zero-shot do SAM foi utilizada para extrair automaticamente o tom médio de cinza de regiões de materiais heterogêneos, servindo como vetor de características multidimensionais para representar a informação complexa da imagem. O algoritmo de otimização de baleias (Whale Optimization Algorithm, WOA) foi usado para otimizar os parâmetros da rede neural de função base radial (Radial basis function neural network), alcançando compensação precisa do erro de deslocamento. O método foi comparado em experimentos de medição com grampos de cobre cromo zircônio a métodos tradicionais de ajuste linear unidimensional, máquinas de vetores de suporte de mínimos quadrados otimizadas por algoritmos genéticos e regressão de vetores de suporte. Os resultados experimentais mostraram que o modelo proposto alcançou erro quadrático médio (Root Mean Square Error, RMSE) de 2,07 μm, erro absoluto médio (Mean Absolute Error, MAE) de 1,73 μm e coeficiente de determinação (R²) de 0,99 (exemplo com o algoritmo de matriz subpixel Zernike). O modelo apresentou precisão semelhante e excelente estabilidade sob vários algoritmos de detecção de bordas subpixel, oferecendo uma solução viável para o problema de erro de medição causado por variações de iluminação em medições de imagens precisas.

Visão computacional;Detecção de bordas;Compensação de erro;Modelo SAM;Otimização de baleia;Rede neural de função base radial