Face au problème des limitations de précision de l'algorithme d'inversion du déplacement traditionnel des franges d'interférence dans la technique de mesure du déplacement micro-interférenciel de l'interférence en spirale, nous proposons une méthode de mesure du déplacement micro-interférentiel de l'interférence en spirale basée sur le modèle d'intégration de l'apprentissage profond. Nous utilisons le réseau centralisé plus rapide et le module d'échantillonnage dynamique CARAFE YOLOv8s-Seg pour une segmentation précise des zones de pétales sur les images d'interférence afin de supprimer le bruit de fond et la distorsion des faisceaux dans le processus d'extraction des informations de phase. Nous concevons une architecture de réseau de neurones convolutifs à 14 couches pour extraire des caractéristiques multi-échelles des pétales et établir une relation de mappage précise entre la forme des pétales et l'angle de rotation pour une détection précise du décalage de l'ordre du nanomètre. Les résultats expérimentaux montrent que la précision moyenne de segmentation des zones de pétales (mAP) atteint 96,5% dans la plage de déplacement standard de 0 à 500 nm, la précision globale de mesure de déplacement est supérieure à 0,94 nm, et l'erreur absolue moyenne est de 0,63 nm. Grâce à une architecture réseau double unique, cette méthode renforce la résistance aux distorsions de franges et au bruit, et présente des avantages évidents en termes de précision et de stabilité de mesure des déplacements micro-interférentiels.

Mesure du déplacement micro-interférentiel; Interférence spirale; Réseau de segmentation YOLOv8s-Seg; Extraction de caractéristiques multi-échelles