La classification précise des pièces similaires de réducteur est cruciale pour leur assemblage de précision. Les méthodes de classification visuelle existantes présentent des problèmes tels qu'une faible discriminabilité des caractéristiques et une faible résistance aux interférences de fond complexes lorsqu'elles traitent des pièces très similaires, ce qui entraîne de mauvaises performances et des erreurs potentielles dans l'assemblage de précision. En tenant compte des grandes différences intra-classe et des faibles différences inter-classe des pièces de réducteur, nous proposons une méthode de classification des pièces de réducteur basée sur un réseau de synergie à double focalisation spatiale (Spatial Dual-Focus Synergy Network, SDFSN) basé sur HiFuse. Un mécanisme de sélection adaptative du taux de dilatation multi-branche est conçu, permettant au modèle de choisir automatiquement le champ réceptif le plus approprié pour les zones déformées. Un mécanisme d'attention géométrique-locale en deux étapes est conçu, appliquant une guidance d'attention progressive aux caractéristiques de sortie de chaque branche dilatée, ajustant dynamiquement les poids des caractéristiques, renforçant efficacement la capacité du modèle à distinguer les régions importantes, permettant une extraction des caractéristiques du grossier au fin. L'introduction d'un graphe géométrique déformable réalise une structure graphique adaptée à la topologie géométrique, dépassant les limites des grilles fixes traditionnelles ; après la convolution déformable, un mécanisme de porte de courbure est introduit, héritant des caractéristiques adaptatives de la déformation géométrique, améliorant significativement la réponse et la précision d'expression des zones complexes de surface. Les résultats expérimentaux montrent que SDFSN-HiFuse améliore la précision de 3,57 % et la précision spécifique de 2,99 % par rapport à la ligne de base sur un ensemble de données personnalisé, tout en répondant aux exigences de temps réel pour la classification des pièces avec un FPS atteignant 300,39 images/ms.

Classification des pièces de réducteur; apprentissage profond; mécanisme d'attention; convolution dilatée multi-échelle