Angesichts der Probleme mit der Genauigkeitsbegrenzung des traditionellen Phasenverschiebungs-Inversionsalgorithmus für Interferenzstreifen bei der Technik zur Messung von Mikrointerferometrie des Spiralen-Interferenzlichts schlagen wir eine Methode zur Messung der Mikrointerferometrie des Spiralen-Interferenzlichts auf der Basis eines integrierten Modells des Tiefenlernens vor. Wir verwenden das integrierte FasterNet Backbone-Netzwerk und das dynamische Upsampling-CARAFE-Modul des YOLOv8s-Seg zur präzisen Segmentierung von Blütenblattbereichen auf Interferenzbildern, um Hintergrundrauschen und Strahlverzerrungen im Phaseninformationsextraktionsprozess zu unterdrücken. Wir entwerfen eine 14-Schichten-CNN-Architektur zur mehrstufigen Merkmalsextraktion von Blütenblattbereichen und zur genauen Zuordnung von Blütenblattformänderungen und Drehwinkeln zur präzisen Erkennung von Subnanometer-Verlagerungen. Experimentelle Ergebnisse zeigen, dass die durchschnittliche Segmentiergenauigkeit (mAP) der Blütenblattbereiche im Standardverschiebungsbereich von 0 bis 500 nm 96,5% beträgt, die Gesamtverschiebungsfehlergenauigkeit über 0,94 nm liegt und der durchschnittliche absolute Fehler 0,63 nm beträgt. Durch eine einzigartige doppelte Netzwerkarchitektur stärkt diese Methode die Resistenz gegenüber Streifenverzerrungen und Rauschen und weist offensichtliche Vorteile in Bezug auf die Genauigkeit und Stabilität bei der Messung von Mikrointerferometrie auf.

Messung der Mikrointerferometrie; Spiralen-Interferenzlicht; Segmentierungsnetzwerk YOLOv8s-Seg; Mehrstufige Merkmalsextraktion