La clasificación precisa de piezas similares de reductores es crucial para su montaje preciso. Los métodos de clasificación visual existentes presentan problemas de discriminación de características en condiciones de alta similitud de piezas, una resistencia débil a interferencias de fondo complejas, un rendimiento pobre, lo que puede provocar errores en el montaje preciso. Para la clasificación de piezas de reductores, que presentan grandes diferencias intraclase y pequeñas diferencias entre clases, proponemos un método de clasificación de piezas de reductores basado en la red de sinergia de doble enfoque espacial (Spatial Dual-Focus Synergy Network, SDFSN). Diseño de un mecanismo de selección de tasa de expansión adaptativa espacial de múltiples ramas, lo que permite al modelo seleccionar automáticamente la región de forma más adecuada. Diseño del mecanismo de atención conjunta geométrica-local en dos etapas, excluyendo una regulación fina secuencial de la atención sobre las características de salida de cada rama de expansión, ajustes dinámicos del peso de las características, reforzamiento eficaz de la capacidad del modelo para discriminar áreas importantes, logrando la extracción de características de gruesos a finos. Introducción de gráficos geométricos variables, asociados a la topología geométrica, eliminando las limitaciones de la cuadrícula fija tradicional, introducción de curvatura pos-convolución variable, heredando las características adaptativas de la deformación geométrica, mejorando significativamente la capacidad de respuesta a áreas de superficie complejas y la precisión de expresión. Los resultados experimentales muestran que la precisión de SDFSN-HiFuse en el conjunto de datos caseros es un 3,57% mayor que el nivel de base, la precisión aumenta un 2,99%, cumpliendo con los requisitos de tiempo real para la clasificación de piezas, la frecuencia de imágenes alcanza 300,39 imágenes/seg.

clasificación de piezas de reductores; aprendizaje profundo; mecanismo de atención; convolución de expansión multi-escala