나선형 광 간섭의 마이크로 이동 측정 기술에서 기존 간섭 띠 변위 역변환 알고리즘의 정밀도 제약 문제에 직면하여, 깊은 학습 통합 모델을 기반으로 한 나선형 광 간섭의 마이크로 이동 측정 방법을 제안한다. 우리는 백본 네트워크 FasterNet과 동적 업샘플링 모듈 CARAFE YOLOv8s-Seg을 사용하여 간섭 이미지의 꽃잎 영역을 정확하게 분할하여 상위 인디케이터 페이즈 정보 추출과 빔 왜곡을 억제한다. 꽃잎 영역의 멀티 스케일 피처 추출 및 회전 각도에 대한 정확한 맵핑 관계를 구축하여 나노미터 수준의 정밀한 이동 감지를 실현하기 위해 14층 합성곱 신경망 아키텍처를 설계한다. 실험 결과는 꽃잎 영역 분할의 평균 정확도 (mAP)가 0~500 nm 표준 이동 범위 내에서 96.5%이고 총 이동 측정 정확도가 0.94 nm 이상이며 평균 절대 오차가 0.63 nm임을 보여준다. 유일한 이중 네트워크 아키텍처를 통해 이 방법은 줄무늬 왜곡과 소음에 대한 저항력을 강화하고 마이크로 이동 측정의 정확도와 안정성에서 명백한 이점을 가지고 있다.

마이크로 이동 측정; 나선형 광 간섭; 세그멘테이션 네트워크 YOLOv8s-Seg; 멀티 스케일 피처 추출