渦巻き光干渉微小変位測定技術における従来の干渉縞変位反演アルゴリズムの精度制限の問題に対して、深層学習融合モデルに基づく共役渦巻き光干渉微小変位測定法を提案する。軽量化されたバックボーンネットワークFasterNetとCARAFE動的アップサンプリングモジュールを統合したYOLOv8s-Segセグメンテーションネットワークを用いて、干渉画像中の花弁領域を正確に分割し、位相情報抽出過程での背景ノイズおよびビーム歪みの干渉を抑制する。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、花弁領域の多段階多尺度特徴抽出を行い、花弁形状変化と回転角度の精密なマッピング関係を構築し、亜ナノメートル級の高精度変位検出を実現する。実験結果は、0～500 nmの標準変位範囲内で花弁領域分割の平均精度（mAP）が96.5％に達し、全体の変位測定精度は0.94 nm以下、平均絶対誤差は0.63 nmであることを示している。独特な二重ネットワーク協調アーキテクチャにより、本方法は縞模様の歪みやノイズに対する耐干渉性能を強化し、微小変位測定の精度および安定性に顕著な優位性を持つ。

微小変位測定;共役渦巻き光干渉;YOLOv8s-Segセグメンテーションネットワーク;多段階多尺度特徴抽出