摘要 本文提出了一種基於細胞神經網路的刀具磨損圖像處理方法,通過設計細胞神經網路參數，運用細胞神經網路對刀具的二值圖像平滑濾波,邊緣提取，通過模擬證明該方法是有效的，由於細胞神經網路易於用VLSI實現並且并行處理速度快，因此應用於刀具的磨損狀態機器視覺檢測中的圖像處理是很有用的。
關鍵詞 細胞神經網路; 圖像處理; 刀具磨損
1 引言
對加工刀具磨損狀態檢測是現代加工技術提出的新的要求,以前的研究中人們提出了許多直接和間接檢測刀具磨損狀態的方法[1-3]，間接法是利用切削力,切削溫度或聲發射(AE)等特徵參量的信號的變化特徵為依據進行檢測,但是特徵參量與刀具的磨損程度沒有嚴格的對應關係,機器視覺屬於直接測試刀具的磨損圖像的方法，測量結果不易受實際切削方法和切削參數的影響 。但是磨損刀具的圖像卻往往受到各種雜訊的影響，如切屑、污物及圖像感測器雜訊（如殘像、彌散等）或信息傳輸誤差引起的圖像雜訊這會直接影響到下面的模式識別，最終影響檢測精度，所以要對刀具圖像進行平滑濾波、增強、邊界檢測閾值分割預處理。CNN具有高速并行實時信號處理能力，特別適用於圖像等實時信號處理領域5，6]。本文提出一種利用細胞神經網路（CNN）對刀具磨損圖像預處理的方法,利用細胞神經網路對刀具磨損圖像進行平滑濾波、邊緣檢測，這種方法速度快，易於實現等優點，在機器視覺刀具磨損狀態中有較大的應用潛力。
2 細胞神經網路
細胞神經網路的每個神經元由線性電容、線性電阻、線性控制元件和非線性控制元件組成，等效電路如圖1所示，它同它周圍的神經元相接，是一個連接的動態系統，表示神經元的鄰近其它神經元的集合，在一個的二維神經元排列空間內：
CNN神經元的等效電路下述一階非線性微分方程描述：
表示的c(k,l)的輸出與c(i,j)之間的連接權，是反饋模板。B(i,j;k,l)表示第c(k,l)的輸入與c(i,j)之間的連接權，是控制模板。I是偏置電流。
輸入方程：
（3）輸出方程：
（4）約束條件為
（5）系統的對稱條件為
（6）文獻［5］已證明如果參數,CNN系統是穩定的,每個細胞的狀態經過暫態衰減至0后，一定落在一個穩定平衡點上，並且，所有穩定平衡點的幅值都大於1，即
(2)式表示成矩陣的形式，可簡化為
(9)這裡卷積運算就是將鄰域中的每個像素分別與模板A和模板B中對應的每個象素相乘后求和。在實驗中, 取h=1 ;鄰域範圍為3×3;取時間常數，實際模擬中,取c=1, Rx=1,得τ=1;細胞的初始狀態。
3 磨損刀具圖像預處理
3.1平滑濾波
是計算機模擬中輸入的含有雜訊的輸入圖像，是二值圖像：
含雜訊的磨損刀具圖像根據平滑（低通）濾波的空域特性設計CNN的參數如下:
1) 反饋模板:
2) 控制模板:
