Ante el problema de las limitaciones de precisión del algoritmo de inversión del desplazamiento de las franjas de interferencia tradicionales en la técnica de medición del desplazamiento microinterferométrico de la interferencia en espiral, proponemos un método de medición del desplazamiento microinterferométrico de la interferencia en espiral basado en el modelo de integración del aprendizaje profundo. Utilizamos la red centralizada más rápida y el módulo de muestreo dinámico CARAFE YOLOv8s-Seg para una segmentación precisa de las zonas de pétalos en las imágenes de interferencia con el fin de suprimir el ruido de fondo y la distorsión de los haces en el proceso de extracción de información de fase. Diseñamos una arquitectura de red neuronal convolucional de 14 capas para extraer características multi-escalares de las zonas de pétalos y establecer una relación de mapeo precisa entre la forma de los pétalos y el ángulo de rotación para una detección precisa del desplazamiento del orden de los nanómetros. Los resultados experimentales muestran que la precisión promedio de la segmentación de las zonas de pétalos (mAP) alcanza el 96,5% en el rango de desplazamiento estándar de 0 a 500 nm, la precisión general de medición de desplazamiento es superior a 0,94 nm y el error absoluto promedio es de 0,63 nm. Gracias a una arquitectura de red doble única, este método refuerza la resistencia a las distorsiones de las franjas y al ruido, y presenta ventajas evidentes en términos de precisión y estabilidad en la medición de desplazamientos microinterferométricos.

Medición del desplazamiento microinterferométrico; Interferencia en espiral; Red de segmentación YOLOv8s-Seg; Extracción de características multi-escalares