Die genaue Klassifizierung ähnlicher Getriebebauteile ist entscheidend für deren präzise Montage. Die vorhandenen visuellen Klassifikationsmethoden weisen Probleme bei der Merkmalsdiskriminierung unter Bedingungen hoher Ähnlichkeit von Bauteilen, geringer Widerstandsfähigkeit gegenüber komplexen Hintergrundstörungen und schlechter Leistung auf, was zu Fehlern bei der präzisen Montage führen kann. Für die Klassifizierung von Getriebebauteilen, die innerhalb der Klasse große Unterschiede aufweisen und zwischen den Klassen geringe Unterschiede aufweisen, schlagen wir eine Klassifikationsmethode für Getriebebauteile auf der Grundlage des räumlichen Synenergie-Netzwerks mit doppelter Fokussierung (Spatial Dual-Focus Synergy Network, SDFSN) vor. Entwurf eines Mechanismus zur Auswahl der räumlich adaptiven Expansionsrate für mehrere Zweige, der dem Modell ermöglicht, automatisch den am besten geeigneten Formbereich auszuwählen. Entwurf des geometrisch-lokalen gemeinsamen Aufmerksamkeitsmechanismus in zwei Stufen, Ausschluss einer feinen sequenziellen Regulierung der Aufmerksamkeit auf die Ausgangsmerkmale jedes Expansionszweigs, dynamische Anpassung des Merkmalsgewichts, effektive Verstärkung der Modellfähigkeit zur Diskriminierung wichtiger Bereiche und Realisierung der Merkmalsextraktion von grob bis fein. Einführung variabler geometrischer Grafiken, verbunden mit geometrischer Topologie, Beseitigung traditioneller fester Gitterbeschränkungen, Einführung variabler Post-Convolution-Krümmung, Erbteilung adaptiver geometrischer Deformationsmerkmale, signifikante Verbesserung der Reaktionsfähigkeit auf komplexe Oberflächenbereiche und Genauigkeit des Ausdrucks. Experimentelle Ergebnisse zeigen, dass die Genauigkeit von SDFSN-HiFuse im hausgemachten Datensatz um 3.57% höher ist als der Basiswert, die Genauigkeit um 2.99% erhöht wird, und den Echtzeitanforderungen für die Bauteilklassifizierung entspricht, die Bildrate erreicht 300.39 Bilder/s.

Klassifizierung von Getriebebauteilen; Tiefenlernen; Aufmerksamkeitsmechanismus; Multi-Scale Expansionskonvolution