Para resolver o problema da precisão limitada do algoritmo tradicional de inversão do deslocamento das franjas de interferência na técnica de medição de microdeslocamento por interferência de luz de vórtice, propõe-se um método de medição de microdeslocamento por interferência de luz de vórtice conjugado baseado em um modelo de fusão de aprendizado profundo. Utiliza-se a rede de segmentação YOLOv8s-Seg, que integra a rede backbone leve FasterNet e o módulo de upsample dinâmico CARAFE, para segmentar com precisão a região das pétalas nas imagens de interferência, a fim de suprimir a interferência do ruído de fundo e a distorção do feixe durante a extração de informação de fase. Foi projetada uma arquitetura de rede neural convolucional de 14 camadas para extração de características multiescala em camadas da região das pétalas, construindo uma relação de mapeamento precisa entre a variação morfológica das pétalas e o ângulo de rotação, alcançando a detecção de deslocamento de alta precisão em escala subnanométrica. Os resultados experimentais mostram que, dentro do deslocamento padrão de 0 a 500 nm, a precisão média da segmentação da região das pétalas (mAP) alcança 96,5%, a precisão total da medição de deslocamento é melhor que 0,94 nm e o erro absoluto médio é 0,63 nm. Através de uma arquitetura cooperativa única de dupla rede, este método melhora a resistência a distorções das franjas e ruído, apresentando vantagens evidentes na precisão e estabilidade da medição de microdeslocamento.

Medição de microdeslocamento;interferência de luz de vórtice conjugado;rede de segmentação YOLOv8s-Seg;extração de características multiescala em camadas