An Improved Control Chart Pattern Classification using a Transfer Learning-Based VGG-16 Network

doi:10.5829/ije.2026.39.05b.14

An Improved Control Chart Pattern Classification using a Transfer Learning-Based VGG-16 Network

2026-05-01

1

PRE

AI

DOI：10.5829/ije.2026.39.05b.14

原文链接

原文求助

摘要

En 中文

控制图模式识别是一种关键的统计过程控制工具，用于确定过程是否在预期参数范围内运行或表现出异常行为。准确且自动化的识别对于制造企业维持高质量生产至关重要。近期研究将机器学习与控制图模式识别相结合，但这些方法通常假设训练数据和测试数据具有相同的特征空间和统计分布——这一条件在实践中很少满足。使用新数据从头重新训练模型耗时较长。迁移学习提供了一种更高效的替代方案，通过利用预训练模型的知识。本研究采用预训练的VGG-16深度卷积神经网络对控制图模式进行分类，在不进行大量重新训练的情况下显著提升了识别性能。通过蒙特卡洛模拟和实际案例研究，所提出的方法实现了99.3%的识别准确率，优于传统的MLP、1D-CNN和CNN模型。敏感性分析表明，使用ReLU激活函数、批量归一化和Dropout技术显著提高了准确性和模型鲁棒性。结果表明，所提出的基于迁移学习的识别器在有效处理有限训练数据和复杂特征提取方面具有潜力，能够改善制造过程中的智能质量控制。

Keyword:

Pattern Classification

VGG-16 Network

Deep Transfer Learning

Control Chart

An Improved Control Chart Pattern Classification using a Transfer Learning-Based VGG-16 Network

摘要

期刊

机构

引用论文