В свете проблемы ограничений точности традиционного алгоритма инверсии смещения интерференционных полос при технике исследования микроперемещений интерференционного вихря света, мы предлагаем метод измерения микроперемещений интерференционного вихря света на основе интеграционной модели глубокого обучения. Мы используем интегрированную сеть скелета FasterNet и модуль динамического апсемплинга CARAFE YOLOv8s-Seg для точной сегментации лепестковых областей на интерференционных изображениях, чтобы подавить фоновый шум и искажение лучей в процессе извлечения фазовой информации. Мы разрабатываем 14-ядерную архитектуру сверточной нейронной сети для извлечения многоуровневых мультискальных признаков для лепестковых областей и создания точного отображения изменения формы лепестков и угла вращения для высокоточного обнаружения субнанометрового уровня смещения. Экспериментальные результаты показывают, что средняя точность сегментации лепестковых областей (mAP) составляет 96,5% в пределах 0-500 нм, точность измерения перевижения выше 0,94 нм, а средняя абсолютная ошибка составляет 0,63 нм. Через уникальную совместную архитектуру двух сетей этот метод усиливает устойчивость к искажениям полос и шуму, и имеет явные преимущества в точности и стабильности измерения микроперемещений.

Измерение микроперемещений; Интерференционный вихрь света; Сегментация сети YOLOv8s-Seg; Многоуровневое извлечение признаков сегментации