摘 要 本文通过设计细胞神经网络参数，运用细胞神经网络对二值图像边缘进行提取，通过仿真证明该方法是有效的，由于细胞神经网络易于用VLSI实现并且并行处理速度快，能够解决图像预处理中的瓶颈问题，因此，此方法在刀具的磨损情况的计算机视觉检测图像处理方面是很有用的.
关键词 神经网络; 边缘提取; 刀具磨损

1 引　言
对加工刀具状态检测是现代加工技术提出的新的要求,监测刀具磨损方法很多[1-3],传统的刀具磨损状态的检测方法是根据切削力,切削温度或声发射(AE)的信号的变化特征为依据进行在线检测,但是以上各量与刀具的磨损程度没有严格的对应关系,计算机视觉技术不存在这些问题，并且测量结果不受实际切削方法和切削参数的影响[4]。但是磨损刀具的图像必然会含有噪声，如图像传感器噪声、信息传输误差引起的噪声等，这会直接影响到下面的模式识别，最终影响检测精度，所以要对刀具图像进行平滑滤波、增强、边界检测阈值分割等预处理。细胞神经网络（CNN）具有高速并行实时信号处理能力，特别适用于图像等实时信号处理领域[5,6]。本文提出的用CNN提取磨损刀具二值图像边缘的方法该方法速度快，易于实现, 此方法在刀具的磨损情况的计算机视觉检测图像处理方面是很有用的......

1 引　言
2 磨损刀具图像边缘提取
3 结论

[1] 李晓谦等，国内外刀具磨损、破损自动监测方法的现状述评.机床.1992(5)
[2] Li Dan,J.Mathew.Tool wear and failure monitoring techniques for turning A review[J]. Int.J.Mach . Tool Manufact,1990,30(4):579-598
[3] G. Byrne,D;Dornfeld,I.Inasaki,G.Keffler,W,Koeing,R.Teti,Tool condition monitoring(TCM)—the status of research and industrial application,CIRP Ann.44(2) (1995)541-567
[4] s.Kurada,C.Bradley A review of machine vision sensors for tool conclition monitoring[J].computers in Inclstry, 1997,34:55-72
[5] Chao L O,Yang L..IEEE Trans .Circuits and Systerm.1988 (10):1257～1272
[6] Chao L O,Yang L..IEEE Trans .Circuits and Systerm.1988 (10):1273～129 [1] LIU Xian-Li, Automated Inspection of Chip-Type Using Image Analysis .Method[J].Proceedings of SPIE ,1998,3558;304～307
[7] 田捷.实用图像分析与处理技术[M]. 北京:电子工业出版社,1995