В связи с проблемой ошибки измерения, вызванной изменениями освещенности при точных измерениях изображений, предложена модель компенсации ошибки на основе построения многомерных серых признаков в качестве входных данных с использованием модели сегментации "Segment Anything Model" (SAM), применяемой вместе с радиальной базисной функцией нейронной сети, оптимизированной алгоритмом оптимизации китов (WOA-RBF). Путем построения математической модели связи освещенности со смещением краев проанализировано нелинейное влияние интенсивности источника света и особенностей рассеяния поверхности на точность измерений. Используются возможности zero-shot сегментации SAM для автоматического извлечения среднего оттенка серого в областях гетерогенных материалов, которые служат многомерными векторными признаками для представления сложной информации изображения. Алгоритм оптимизации китов (Whale Optimization Algorithm, WOA) используется для оптимизации параметров радиальной базисной функции нейронной сети (Radial basis function neural network), обеспечивая точную компенсацию смещений ошибки. Метод сравнивается с традиционной одномерной линейной регрессией, оптимизированной генетическими алгоритмами методом опорных векторов и регрессией опорных векторов в экспериментах измерения хромо-циркониевого медного зажима. Экспериментальные результаты показывают, что предложенная модель достигает среднеквадратичной ошибки (Root Mean Square Error, RMSE) 2.07 мкм, средней абсолютной ошибки (Mean Absolute Error, MAE) 1.73 мкм и коэффициента детерминации (R²) 0.99 (на примере алгоритма подпиксельной матрицы Зернике). Модель демонстрирует схожую точность и высокую стабильность на различных алгоритмах подпиксельного обнаружения границ, предлагая практическое решение для компенсации ошибок измерений, вызванных изменениями освещенности в точных измерениях изображений.

Компьютерное зрение;Обнаружение границ;Компенсация ошибок;Модель SAM;Оптимизация китов;Радиальная базисная функция нейронной сети