تصنيف القطع الدقيقة لأجزاء المضخات الصناعية المماثلة أمر حاسم لتركيبها بدقة. تواجه الأساليب الحالية للتصنيف البصري مشكلات مثل عدم كفاية تمييز السمات وضعف مقاومة التداخل مع الخلفيات المعقدة، مما يؤدي إلى أداء ضعيف واحتمال إدخال أخطاء في التركيب الدقيق. استناداً إلى خصوصية قطع المضخات التي تتمثل في اختلافات كبيرة داخل الصنف واختلافات صغيرة بين الأصناف، تم اقتراح طريقة تصنيف الأجزاء باستخدام شبكة مزدوجة المركز للتركيز المكاني (SDFSN) مبنية على HiFuse. تم تصميم آلية تحديد معدل التمدد المتكيفة متعددة الفروع للنموذج، والتي تتيح للنموذج اختيار النطاق الحساس الأنسب تلقائياً لمنطقة التشوه. تم تصور آلية اهتمام جيومتري-محلي مزدوج الخطوات للتعاون، حيث تتم إضافة تركيز متدرج للانتباه للسمات المخرجة لكل فرع ناشئ، مما يؤدي إلى ضبط ديناميكي لأوزان السمات، وزيادة فعالية النموذج في التمييز بين المناطق الهامة واستخراج السمات بشكل دقيق. تم تقديم الرسومات الهندسية المتغيرة لتحقيق توافق الهندسة المتغيرة والتوبولوجيا، حيث يتم تقديم هيكل الرسم البياني القابل للتشكيل بعد التكيف للتشوهات الهندسية، ويتم دمج آلية التحكم في الانحناء بعد التحويل المتغير، مما يورث سمة التكيف للتشوهات الهندسية ويعزز بشكل كبير الاستجابة للمناطق ذات السطوح المعقدة ودقة التعبير. أظهرت النتائج التجريبية أن SDFSN-HiFuse قد زادت دقة التصنيف بنسبة 3.57% وزادت الدقة بنسبة 2.99% على الحد الأدنى، وتلبي متطلبات الوقت الفعلي لتصنيف القطع، حيث بلغ عدد الإطارات في الثانية 300.39 إطار / مللي ثانية.

تصنيف أجزاء مضخات السرعة; التعلم العميق; آلية تركيز متعددة المدى; تمدد تصاعدي