La classification précise des pièces similaires de réducteur est cruciale pour leur assemblage de précision. Les méthodes de classification visuelle existantes présentent des problèmes de discrimination des caractéristiques dans des conditions de similitude élevée des pièces, une faible résistance aux interférences de fond complexes, une performance médiocre, pouvant entraîner des erreurs lors de l'assemblage précis. Pour la classification des pièces de réducteur, présentant de grandes différences intra-classe et une petite différence inter-classe, nous proposons une méthode de classification des pièces de réducteur basée sur le réseau de synergie à double focalisation spatiale (Spatial Dual-Focus Synergy Network, SDFSN). Conception d'un mécanisme de sélection de taux de dilatation adaptatif spatial à plusieurs branches, permettant au modèle de choisir automatiquement la région de forme la plus appropriée. Conception du mécanisme d'attention conjointe géométrique-locale en deux étapes, excluant une régulation séquentielle fine de l'attention sur les caractéristiques de sortie de chaque branche dilatée, ajustements dynamiques du poids des caractéristiques, renforcement efficace de la capacité du modèle à discriminer les zones importantes, réalisation de l'extraction de caractéristiques grossières à fines. Introduction de graphiques géométriques variables, associés à la topologie géométrique, éliminant les contraintes de grille fixe traditionnelles, introduction de courbure post-convolution variable, héritage des caractéristiques adaptatives de déformation géométrique, amélioration significative de la capacité de réponse aux zones de surface complexes et de la précision d'expression. Les résultats expérimentaux montrent que la précision de SDFSN-HiFuse sur l'ensemble de données domestiques est supérieure de 3,57% par rapport au niveau de base, la précision augmente de 2,99%, tout en répondant aux exigences de temps réel pour la classification des pièces, la fréquence d'images atteignant 300,39 images/s.

classification des pièces de réducteur; apprentissage profond; mécanisme d'attention; convolution à dilatation multi-échelle