Точная классификация аналогичных деталей редукторов критически важна для их точной сборки. Существующие методы классификации по зрению имеют проблемы с дискриминацией признаков в условиях высокой схожести деталей, слабой устойчивостью к сложным фоновым помехам, показывая низкую производительность и способствуя возможным ошибкам при точной сборке. Для классификации деталей редукторов, отличающихся внутри класса и имеющих малую разницу между классами, предлагается метод классификации деталей редукторов на основе HiFuse - пространственной двухфокусной совместной сети (Spatial Dual-Focus Synergy Network, SDFSN). Разработка механизма выбора адаптивной скорости расширения для нескольких ветвей пространственной адаптивной выборки, позволяющая модели автоматически выбрать наиболее подходящий область формы. Западная геометрическая-локальная совместная внимательность на двух уровнях, исключая последовательную тонкую регуляцию внимания к выходным особенностям каждой расширенной ветви, динамические корректировки веса особенностей, эффективное повышение способности модели к дискриминации важных областей, реализация извлечения особенностей от грубых к тонким. Введение изменчивой геометрической графики, связанной с топологической геометрией, с обходом традиционного ограничения фиксированной сетки, введение кривизны после изменчивой свертки, наследование адаптивных особенностей геометрической деформации, значительное повышение ответной способности к сложным областям поверхности и точности выражения. Результаты эксперимента показывают, что точность SDFSN-HiFuse на собственном наборе данных выше на 3.57% по сравнению с базовым уровнем, точность увеличивается на 2.99%, при этом удовлетворяя требованиям реального времени для классификации деталей, частота кадров достигает 300.39 кадр/мс.

классификация деталей редукторов; глубокое обучение; механизм внимания; многомасштабная расширенная свертка