Ante el problema de errores de medición causados por variaciones de iluminación en la medición precisa de imágenes, se propone un modelo de compensación de errores basado en la construcción de características multidimensionales en escala de grises como entrada mediante el modelo de segmentación Segment Anything Model (SAM), utilizando una red neuronal de función base radial optimizada por el algoritmo de optimización de ballenas (WOA-RBF) para el ajuste. Se estableció un modelo matemático que relaciona la iluminación con el desplazamiento de bordes, analizando el efecto no lineal de la intensidad de la fuente de luz y las características de dispersión de la superficie en la precisión de la medición. Se utilizó la capacidad de segmentación de cero disparos de SAM para extraer automáticamente el gris medio de las áreas de materiales heterogéneos, sirviendo como vector de características multidimensionales para representar la compleja información de la imagen. Se empleó el algoritmo de optimización de ballenas (Whale Optimization Algorithm, WOA) para optimizar los parámetros de la red neuronal de función base radial (Radial basis function neural network), logrando una compensación precisa del error de desplazamiento. El método se comparó con ajustes lineales unidimensionales tradicionales, máquinas de vectores de soporte de mínimos cuadrados optimizadas por algoritmos genéticos y métodos de regresión de soporte vectorial en experimentos de medición con sujetadores de cobre cromo zirconio. Los resultados experimentales muestran que el modelo propuesto alcanzó un error cuadrático medio (Root Mean Square Error, RMSE) de 2.07 μm, un error absoluto medio (Mean Absolute Error, MAE) de 1.73 μm y un coeficiente de determinación (R²) de 0.99 (con el algoritmo de matriz subpíxel Zernike como ejemplo). El modelo mostró precisión similar y excelente estabilidad bajo varios algoritmos de detección de bordes subpíxel, ofreciendo una solución factible para la compensación de errores de medición causados por variaciones de iluminación en mediciones de imágenes de precisión.

Visión por computadora;Detección de bordes;Compensación de errores;Modelo SAM;Optimización por ballena;Red neuronal de función base radial