看一看：基于细胞神经网络刀具磨损图像处理的研究

摘要本文提出了1种基于细胞神经网络的刀具磨损图像处理方法,通过设计细胞神经网络参数，利用细胞神经网络对刀具的2值图像平滑滤波,边沿提取，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，因此利用于刀具的磨损状态机器视觉检测中的图像处理是很有用的。关键词细胞神经网络; 图像处理; 刀具磨损1引言对加工刀具磨损状态检测是现代加工技术提出的新的要求,之前的研究中人们提出了许多直接和间接检测刀具磨损状态的方法[1⑶]，间接法是利用切削力,切削温度或声发射(AE)等特点参量的信号的变化特点为根据进行检测,但是特点参量与刀具的磨损程度没有严格的对应关系,机器视觉属于直接测试刀具的磨损图像的方法，丈量结果不容易受实际切削方法和切削参数的影响 。但是磨损刀具的图像却常常遭到各种噪声的影响，如切屑、污物及图像传感器噪声（如残像、弥散等）或信息传输误差引发的图像噪声这会直接影响到下面的模式辨认，终究影响检测精度，所以要对刀具图像进行平滑滤波、增强、边界检测阈值分割预处理。CNN具有高速并行实时信号处理能力独生子女在拆迁有什么补偿，特别适用于图像等实时信号处理领域5，6]。本文提出1种利用细胞神经网络（CNN）对刀具磨损图像预处理的方法,利用细胞神经网络对刀具磨损图像进行平滑滤波、边沿检测，这类方法速度快，易于实现等优点，在机器视觉刀具磨损状态中有较大的利用潜力。2 细胞神经网络细胞神经网络的每个神经元由线性电容、线性电阻、线性控制元件和非线性控制元件组成，等效电路如图1所示，它同它周围的神经元相接，是1个连接的动态系统，表示神经元的邻近其它神经元的集合，在1个的2维神经元排列空间内：

图1　CNN神经元的等效电路

下述1阶非线性微分方程描述：

表示的c(k,l)的输出与c(i,j)之间的连接权，是反馈模板。B(i,j;k,l)表示第c(k,l)的输入与c(i,j)之间的连接权，是控制模板。I是偏置电流。输入方程：（3）

输出方程：（4）

束缚条件为（5）

系统的对称条件为（6）

文献［5］已证明如果参数,CNN系统是稳定的,每个细胞的状态经过暂态衰减至0后，1定落在1个稳定平衡点上，并且，所有稳定平衡点的幅值都大于1，即

(2)式表示成矩阵的情势，可简化为 (9)

这里卷积运算就是将邻域中的每个像素分别与模板A和模板B中对应的每个象素相乘后求和。在实验中, 取h=1 ;邻域范围为3×3;取时间常数，实际仿真中,取c=1, Rx=1,得τ=1;细胞的初始状态。3磨损刀具图像预处理3.1平滑滤波图2 是计算机仿真中输入的含有噪声的输入图像，是2值图像：图2含噪声的磨损刀具图像

根据平滑（低通）滤波的空域特性设计CNN的参数以下:1)反馈模板:

2)控制模板:

3)偏置电流:

将以上模板代入(9)式,代入用C语言自主开发的程序处理后,可得到滤波结果:图3平滑滤波后的图像

3.2 边沿提取实验中，Rx=1, C=1取A(i,j;i,j) 为2,起正反馈的作用.当把CNN的外界输入ukl取为图像的象素值时,相应的就可以够把模板B取为高通滤波模板H, ukl表示为细胞的邻域的外界输入值组成3×3的矩阵为：

考察当前的象素点(i,j)的值对应ukl中的x5。黑色对应ukl=1，白色对应ukl=⑴。1) 当x5=⑴或x1=x2=x3=x4=x5=...x9=1时(i,j)为非边沿点，由式（9）推知此时，迭代后为白色, 。2) 当x5=1或x1,x2,x3,x4划拨土地征收有补偿吗,x5,...x9中的任意1个或多个不等于1时,则(i,j)为边沿点,代后为黑色,。根据 (9)解的I=⑵，这样得到1组CNN的参数:

图4为1磨损刀具的2值图像经过CNN边沿提取仿真处理后的效果图:图4边沿提取后的图像

4结束语本文对含有噪声磨损刀具图像的平滑滤波和边沿提取各设计了1组细胞神经网络的参数，用来去除刀具的2值图像的噪声并提取其边沿。传统的方法相比，CNN方法最突出计算机视觉检测刀具磨损状态中有较大的利用潜力。本文为计算机视觉检测刀具状态中图像处理提供了1种新的思路。参考文献[1] 李晓谦等补偿拆迁的钱为什么少，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):579⑸98[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)541⑸67[4] s.Kurada,C.Bradley A review of machine vision sensors for tool conclition monitoring[J].computers in Inclstry, 1997,34:55⑺2[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):1273～1290[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 (end)资讯分类行业动态帮助文档展会专题报道5金人物商家文章