伝統的な干渉ストライプ位置逆推定アルゴリズムの精度に制限がある渦光干渉微細変位計測技術に対処し、深層学習融合モデルに基づく共軛渦光干渉微細変位計測方法を提案します。集成FasterNet軽量化バックボーンネットワークとCARAFE動的アップサンプリングモジュールを使用したYOLOv8s-Segセグメンテーションネットワークを使用して、干渉画像の花びら領域を正確にセグメンテーションして、位相情報の抽出中の背景ノイズと光束の歪みを抑制します。 14層の畳み込みニューラルネットワークアーキテクチャを設計して、花びら領域に多尺度階層的な特徴抽出を行い、花びらの形態変化と回転角度の正確なマッピング関係を構築し、亜ナノメートルレベルの変位を高精度に検出します。実験結果によると、0〜500nmの標準変位内で、花びら領域のセグメンテーションの平均精度（mAP）は96.5％であり、全体的な変位測定精度は0.94nmを上回り、平均絶対誤差は0.63nmです。 ユニークな双方向ネットワークアーキテクチャを使用することで、この手法はストライプの歪みとノイズに対する耐性を向上させ、微小変位計測の精度と安定性に明らかな優位性を持っています。

微細変位計測;共軛渦光干渉;YOLOv8s-Segセグメンテーションネットワーク;多尺度階層的な特徴抽出