A classificação precisa de peças semelhantes de redutores é crucial para sua montagem precisa. Os métodos de classificação visual existentes enfrentam problemas como baixa discriminação de características e fraca resistência a interferências complexas de fundo ao lidar com peças altamente semelhantes, apresentando desempenho insatisfatório e propensão a erros na montagem precisa. Considerando as grandes diferenças intra-classe e as pequenas diferenças interclasse dos componentes de redutor, propomos um método de classificação baseado na rede de sinergia espacial de duplo foco (Spatial Dual-Focus Synergy Network, SDFSN) baseada em HiFuse. Foi projetado um mecanismo de seleção adaptativa da taxa de dilatação multi-ramificada, permitindo que o modelo escolha automaticamente o campo receptivo mais adequado para regiões deformadas. Concebemos um mecanismo de atenção colaborativa geométrica-local em duas etapas, aplicando orientação de atenção progressivamente refinada às características de saída de cada ramo dilatado, ajustando dinamicamente os pesos das características, reforçando efetivamente a capacidade do modelo de discriminar regiões importantes e possibilitando a extração de características da grosseira à fina. A introdução de um grafo geométrico deformável possibilita uma estrutura de grafo adaptada à topologia geométrica, superando as limitações das grades fixas tradicionais; após a convolução deformável, é introduzido um mecanismo de portão de curvatura, herdando características adaptativas da deformação geométrica, melhorando significativamente a capacidade de resposta e a precisão de expressão em regiões de superfícies complexas. Os resultados experimentais mostram que o SDFSN-HiFuse aumenta a precisão em 3,57% e a exatidão em 2,99% em um conjunto de dados personalizado, além de atender aos requisitos em tempo real para classificação de peças, alcançando 300,39 quadros/ms.

Classificação de peças de redutor; aprendizado profundo; mecanismo de atenção; convolução dilatada multiescala