전통적인 간섭 무늬 변위 역산 알고리즘의 정확도가 제한되는 소용돌이 광 간섭 미세 변위 측정 기술의 문제를 해결하기 위해, 딥러닝 융합 모델 기반의 공액 소용돌이 광 간섭 미세 변위 측정 방법을 제안한다. 경량화된 백본 네트워크 FasterNet과 동적 업샘플링 모듈 CARAFE를 통합한 YOLOv8s-Seg 분할 네트워크를 사용하여 간섭 이미지 내 꽃잎 영역을 정밀하게 분할함으로써 위상 정보 추출 과정에서 배경 잡음 및 빔 왜곡의 간섭을 억제한다. 14층 합성곱 신경망 구조를 설계하여 꽃잎 영역의 다중 스케일 계층별 특징을 추출하고, 꽃잎 형태 변화와 회전 각도의 정확한 매핑 관계를 구축하여 아원자 수준 미세 변위의 고정밀 검출을 실현한다. 실험 결과, 0~500 nm 표준 변위 구간 내에서 꽃잎 영역 분할의 평균 정밀도(mAP)는 96.5%에 달하며, 전체 변위 측정 정확도는 0.94 nm 이하, 평균 절대 오차는 0.63 nm로 나타났다. 독특한 이중 네트워크 협력 아키텍처를 통해 이 방법은 간섭 무늬 왜곡과 잡음에 대한 내성을 강화하여 미세 변위 측정의 정확도와 안정성 측면에서 뚜렷한 이점을 가진다.

미세 변위 측정;공액 소용돌이 광 간섭;YOLOv8s-Seg 분할 네트워크;다중 스케일 계층별 특징 추출