Xử lý ảnh trong công nghiệp - Nhu cầu, thách thức và giải pháp - Phạm Đức Long

T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 121 XỬ LÝ ẢNH TRONG CÔNG NGHIỆP - NHU CẦU, THÁCH THỨC VÀ GIẢI PHÁP Phạm Đức Long (Khoa Công nghệ thông tin - ĐH Thái Nguyên)- Phạm Thượng Cát (Viện Công nghệ thông tin - Viện KH&CN Việt Nam) 1. Mở đầu Quan sát là một trong những phương thức thu thập thông tin quan trọng. 79% thông tin con người thu thập được qua thị giác đều bắt nguồn từ ảnh [3]. Các hình ảnh được truyền tới bộ não, được xử lý tại đây, rồi sau đó các chỉ thị của não sẽ gây ra các phản ứng tương ứng của cơ thể. Nhưng những năng lực tự nhiên của con người không phải là vô hạn. Trong rất nhiều trường hợp khả năng bắt ảnh của mắt người, khả năng xử lý của não người không đáp ứng được các yêu cầu quan sát - Đặc biệt là trong lĩnh vực sản xuất công nghiệp, nơi mà tốc độ của các dây chuyền sản xuất cực kỳ nhanh, thời gian tồn tại sự kiện vô cùng nhỏ, số lượng đối tượng quan sát, thông tin cần xử lý vô cùng lớn. Con người với sức sáng tạo không ngừng đã tạo ra được nhiều công cụ có khả năng hỗ trợ, khắc phục được các năng lực hạn chế của bản thân. Các camera độ nhạy cao cùng với các máy tính số mạnh đã tạo ra các hệ thống quan sát có khả năng thay thế con người trong nhiều trường hợp. Tuy nhiên vẫn còn quá nhiều khoảng trống trong bức tranh xử lý ảnh bằng máy tính trong công nghiệp. Do sử dụng các máy tính số hoạt động theo nguyên lý xử lý lệnh tuần tự làm công cụ thực hiện nên mặc dù các chuyên gia xử lý ảnh đã cố gắng cải tiến, hoàn thiện các thuật toán thu và xử lý ảnh nhưng với nhiều nhu cầu như thu và xử lý ảnh trong những thời gian cỡ micro giây, tốc độ bắt ảnh và xử lý vài trăm hình trên giây (fps), xử lý ảnh thời gian thực từ nhiều nguồn ảnh tới cùng một lúc... thì phương pháp xử lý ảnh truyền thống đã không đáp ứng được. Việc tăng tốc độ xử lý của các bộ vi xử lý cũng không phải là vô hạn do các hạn chế về cấu trúc vật lý của vật liệu bán dẫn. Mạng nơron tế bào CNN (Cellular Nonlinear/neural Network) được các nhà bác học Mỹ Leon O.Chua và L.Yang giới thiệu năm 1988 và sau đó năm 1992 là máy tính vạn năng tương tự logic CNN UM [5, 6, 7] đã mở ra một lối thoát cho bài toán xử lý ảnh thời gian thực. Với kiến trúc mạng nơron tế bào, xử lý song song với hàng chục nghìn CPU (sản phNm thương mại hiện nay là ACE16k với 16.384 CPU và Q-Eye với 25.344 CPU trong một chip), lập trình được từ các máy tính số sử dụng hệ điều hành thông dụng như Windows 2000, XP khả năng bắt ảnh và xử lý của các thiết bị ứng dụng công nghệ CNN đã đạt tới 10.000 fps; trong nhiều trường hợp đã đạt đến 50.000-70.000 fps. 2. Nhu cầu xử lý ảnh trong công nghiệp Ngày nay sản xuất công nghiệp đã đạt tới trình độ tự động hoá cao, tốc độ sản xuất của dây chuyền rất lớn. Thực tế này dẫn tới là nếu có sai lệch trong quá trình sản xuất thì chỉ trong những khoảng thời gian rất ngắn đã có ngay hàng loạt lớn số lượng sản phNm phế phNm. Do đó mọi khâu từ kiểm tra giám sát đến điều chỉnh đều phải đáp ứng rất nhanh; đặc biệt là khâu kiểm tra phát hiện. Nhu cầu xử lý ảnh trong công nghiệp hiện nay càng ngày càng lớn chủ yếu gồm: đo, kiểm tra, phân loại, hiển thị. Các hệ thống xử lý ảnh công nghiệp này ngoài yêu cầu chính xác còn cần phải đảm bảo yêu cầu về thời gian thực (real-time). T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 122 3. Xử lý ảnh bằng máy tính hệ lệnh tuần tự Xử lý ảnh bằng máy tính hệ lệnh tuần tự đã đạt được nhiều thành tựu trong các lĩnh vực của thực tiễn: Các chương trình nhận dạng mặt người, nhận dạng vân tay trong điều tra hình sự. Các chương trình xử lý ảnh vệ tinh, kiểm soát giao thông. Xử lý ảnh chụp cắt lớp, chuNn đoán tế bào trong y học. Các chương trình nhận dạng chữ viết...đã đem lại nhiều ứng dụng tiện ích cho con người. Việc nghiên cứu các phương pháp xử lý ảnh, cải tiến các thuật toán xử lý trên máy tính hệ lệnh tuần tự vẫn được được tiếp tục nhằm đáp ứng các nhu cầu của thực tế. Tuy nhiên việc xử lý đã gặp phải các ngưỡng, các giới hạn khó có thể vượt qua như đã nói ở phần đầu bài viết. Vì sao vậy? Ta hãy xem xét quá trình xử lý ảnh bằng phương pháp truyền thống: Các ảnh đưa vào máy tính để xử lý là các ảnh đã được số hoá. Chúng có thể là ảnh nhị phân (chỉ có 2 mức đen/trắng) hoặc ảnh mức xám (đen trắng có nhiều mức) hoặc ảnh màu (tổng hợp từ 3 màu cơ bản: đỏ, xanh, lục). Các ảnh được lưu trữ dưới dạng các ma trận có kích cỡ khác nhau. Khi xử lý ảnh tuỳ theo yêu cầu các giá trị ảnh sẽ bị biến đổi với các phép tính toán khác nhau. Việc thao tác được thực hiện lần lượt từng bit một. Ảnh càng lớn, thao tác càng phức tạp số lượng phép tính thực hiện yêu cầu càng lớn dẫn đến thời gian xử lý càng dài. Một ví dụ thực hiện hình thái học erosion & dilation ảnh nhị phân như sau: Hình 1 Thực hiện erosion và dilation ảnh nhị phân Ta có một ảnh P như hình 1. Thực hiện phép erosion và dilation ảnh bằng cách tuỳ theo yêu cầu xử lý tạo ra các tập phần tử có cấu trúc (mặt nạ), sau đó rê mặt nạ đi khắp ảnh và tính giá trị điểm ảnh bởi các điểm lân cận với motip của mặt nạ. Các phép thực hiện có thể là hội, tuyển hoặc liên hợp [3, 4]. Chẳng hạn Dilation: Rê mặt nạ S đi khắp ảnh và tại mỗi điểm kiểm tra nếu bít có giá trị 1 thì thực hiện phép tuyển với bit mặt nạ quanh điểm ảnh đó. Kết quả được D(P,S) Theo cách này khối lượng tính toán rất lớn: Với ảnh P như trên có 28 bit cần kiểm tra 28 lần, tại mỗi vị trí cần thực hiện 9 lần phép tuyển.Với các thao tác lọc, dò biên, trích chọn đặc tính... số lượng tính toán cũng vô cùng lớn. 3. Công nghệ CNN và hệ thống thu ảnh - xử lý song song Công nghệ CNN [5,6] được xây dựng trên tư tưởng chung là sử dụng một mảng đơn giản các tế bào nối liền nhau cục bộ để xây dựng một hệ thống xử lý tín hiệu analog đồ sộ. Đặc điểm mấu chốt của mạng nơron là xử lý song song không đồng bộ, thời gian liên tục. Mô hình của một mạng nơron 2 chiều gồm 16 cell như hình 2. T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 123 Hình 2. Mạng nơron tế bào Khối mạch cơ bản của CNN được gọi là cell. Nó chứa các phần tử mạch tuyến tính và không tuyến tính. Đó là các tụ điện, điện trở, nguồn dòng, nguồn dòng được điều khiển bằng điện áp. Mỗi một cell trong CNN chỉ nối tới các cell láng giềng của cell đó. Các cell liền kề có thể ảnh hưởng trực tiếp đến mối cell khác. Các cell không nối trực tiếp với nhau có thể tác động cell khác gián tiếp bởi sự lan truyền động học của CNN [5]. Phương trình trạng thái của CNN tiêu chuNn Trong đó z=I được gọi là ngưỡng của cell Cij . A(ij;kl) và B(ij;kl) được gọi là các toán tử hồi tiếp và điều khiển. Với r=1 chúng là các ma trận 3 x 3. Trong một cell, động học là cố định. Bộ ba thông số (A, B, z) định nghĩa tác động của lớp CNN. Chúng được gọi là tập mẫu hay còn gọi là gien. Do có kiến trúc là một mảng các bộ xử lý (mỗi cell là một bộ xử lý) nên CNN rất thích hợp cho xử lý ảnh [6]. Khi mới được phát minh các CNN chỉ có thể thực hiện các nhiệm vụ cụ thể tuỳ theo tập gien của nó. Để việc sử dụng linh hoạt, mềm dẻo và linh hoạt hơn người ta đã nghĩ tới chuyện thay đổi các tập gien. Kiến trúc máy tính vạn năng tương tự logic CNN UM (CNN Universal Machine) ra đời (1992) [7]. Từ đây các gien có thể thay đổi tuỳ theo yêu cầu của phép xử lý. Việc đưa bộ gien vào CNN UM được thực hiện thông qua máy tính số thông thường. Tiến xa hơn nữa, để tạo ra các thiết bị chuyên dùng xử lý ảnh có công suất mạnh người ta đã tích hợp các mảng sensor thu ảnh vào thiết bị CNN. Luồng tín hiệu ảnh từ các sensor được đưa thẳng tới đầu vào của chip CNN. Quá trình động học diễn ra với những thời gian vô cùng ngắn (5µs hoặc nhỏ hơn [5]). Tuỳ theo tập gien nạp vào theo những yêu cầu khác nhau của xử lý ảnh mà tín hiệu đầu ra của các cell - tập hợp thành ảnh đã được xử lý khác nhau. Một số những đại diện cho loại thiết bị này là thiết bị Bi-i V2 (và gần đây là Bi-i V301). Đây là những thiết bị camera thông minh sử dụng chip ACE16k. Bộ xử lý này được cấu thành từ một ma trận 128 x 128 tế bào xử lý. Trong CNN các tế bào CNN nhiều lớp kết hợp với các sensor có cấu trúc tương tự như cấu trúc sinh học của mắt người. Con chip gồm 16.384 bộ xử lý tế bào làm việc song song. Toàn bộ quá trình hoạt động, tính toán của con chip cung cấp khả năng xử lý hình ảnh kích thước 128 x 128 lên đến 10.000fps bao gồm cả vào ra. Cấu tạo Bi-i như trong hình 3. ∑∑ ∈∈ +++−= ),(),(),(),( ),;,()(),;,()(1)( jiNrlkC ukl jiNrlkC yklxij x xij IvlkjiBtvlkjiAtv Rdt tdv C T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 124 Thiết bị có cấu tạo nhỏ gọn (154x182x58, trọng lượng <1kg) tiêu thụ công suất nhỏ (7W). Thiết bị Bi-i V2 và Bi-i V301 có thể hoạt động độc lập (Stand-alone) hoặc hoạt động phối hợp với máy tính (PC hoặc máy tính công nghiệp). Để đưa các tập gien và các thuật xử lý vào bộ nhớ của hệ thống Bi-i nói riêng và các thiết bị CNN nói chung có thể sử dụng một trong các công cụ phần mềm chạy trên các máy tính PC. Đó là ngôn ngữ lập trình AMC hoặc sử dụng các hàm Bi-i API, hoặc Bi-i SDK và môi trường Code Composer Studio lập trình cho các bộ DSP của hãng Texas. Việc sử dụng dễ dàng nếu người sử dụng đã am hiểu về lập trình hướng đối tượng với C++. Để thuận tiện cho việc sử dụng, các bộ gien tốt, ổn định đã được kiểm nghiệm sử dụng cho thiết bị CNN được nhà sản xuất cung cấp cho người sử dụng thông qua thư viện mẫu chẳng hạn [9]. Việc nghiên cứu các tập gien (các tập mẫu-template) trong CNN là một vấn đề khoá nhằm mục đích để tìm ra các phương pháp tạo các gien tuỳ theo yêu cầu của tác vụ xử lý. Hình 3. Cấu tạo của thiết bị Bi-i V2 Trên thế giới hiện nay các nước đi đầu, có trung tâm nghiên cứu mạnh, chế tạo các chip CNN là Mỹ, Hungary, Tây ban nha. Trường đại học Berkelay - California, University of Maryland, Sevilla Tây Ban Nha, Viện nghiên cứu MTA SzTAKI Budapest Hungary, Công ty Analogic Computer LTD...là các địa chỉ quen thuộc gắn liền với công nghệ CNN. Các nước Đức, Ytalia cũng là các nước nghiên cứu công nghệ CNN. Nội dung của CNN đã được giảng dạy trong trường đại học của nhiều nước [10]. Tại châu Á các nước như Nhật Bản, Đài Loan, Thái Lan cũng là các nước nghiên cứu về CNN. Cho đến nay đã có rất nhiều các cuộc hội thảo quốc tế về CNN với sự tham gia của hàng trăm nhà nghiên cứu về CNN [8]. Các hội thảo gần đây nhất là: Năm 2002 tại Frankfurt, Germany. Năm 2003 tại Mỹ. Năm 2004 tại Budapest Hungary. Năm 2005 tại Hsinchu (Taiwan), năm 2006 Hội thảo lần thứ 10 tại Istanbul Turkey và Hội thảo lần thứ 11 vào tháng 11-2007 tại Hàn Quốc. Liên lạc với Host Com puter qua Ethernet, RS 232, USB Sensor – bộ xử lý CNN Bộ xử lý truyền tin ETRAX 100 DSP số nguyên TX C6415 @600MHz DSP số thực TX @150MHz PLD (Xilinx) Các sensor ngoài Bộ nhớ Flash và SDRAM Vào ra số T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 125 Từ đầu năm 2005 thông qua chương trình hợp tác khoa học công nghệ quốc tế giữa hai nước, về phía Việt Nam là Viện Công nghệ thông tin thuộc Viện khoa học Việt Nam về phía Hungary là Viện nghiên cứu máy tính và tự động hoá thuộc Viện hàn lâm khoa học Hungary, công nghệ CNN tại Việt Nam đã được bắt đầu nghiên cứu. Những kết quả bước đầu đã hứa hẹn một tiềm năng ứng dụng lớn lao trong an ninh, quốc phòng và công nghiệp. 4. Thực tiễn, tiềm năng Ngoài rất nhiều ứng dụng đa dạng và có ý nghĩa lớn trong các lĩnh vực an ninh quốc phòng đã được liệt kê trong [1], trong phần này chúng tôi chỉ đề cập tới các khả năng đáp ứng của công nghệ CNN với nhu cầu thực tiễn công nghiệp và một số lĩnh vực khác như là một giải pháp duy nhất.  Ứng dụng trong công nghiệp dược: Kiểm tra, phân loại thuốc, sản phNm y học. Tại Phòng thí nghiệm trọng điểm nghiên cứu CNN thuộc Viện công nghệ thông tin, thí nghiệm phân loại các viên thuốc trong sản xuất đã được thực hiện với tốc độ 15.000fps có thể phát hiện các viên thuốc bị lỗi trên dây chuyền chuyển động rất nhanh mắt thường không phân biệt được.  Trong chuNn đoán y học: Xây dựng hệ thống điện tâm đồ 2D thời gian thực, điện tâm đồ 3D trực tuyến. Phân tích thời gian thực chuỗi DNA. Ứng dụng nghiên cứu miễn dịch. Chế tạo mắt nhân tạo-dự kiến năm 2015 sẽ làm ra mắt nhân tạo sử dụng công nghệ CNN.  Trong ngành in: Các sản phNm in; nhất là các sản phNm in cao cấp, quan trọng như tiền giấy, thẻ tín dụng, mẫu chứng chỉ, bằng cấp, nhãn mác...cần phải được kiểm tra rất kỹ để tránh các sai sót, nhất là các chi tiết chống làm giả. Hoạ tiết của sản phNm thường phức tạp, sản xuất trên dây chuyền chuyển động nhanh (tới 4m/s). Trong những trường hợp này sử dụng công nghệ CNN rất thích hợp  Kiểm tra bề mặt không tiếp xúc sản phNm trong khi sản xuất (Surface Inspection) là phương pháp kiểm tra mà dụng cụ đo không tiếp xúc cơ khí lên đối tượng cần đo: Các vết đen, các chỗ rách của giấy, các chỗ lỗi của các tấm nhôm, sắt, nếu có sẽ được phát hiện ngay trong quá trình sản xuất. Một ứng dụng được chúng tôi đề xuất có thể kể đến là kiểm tra kích thước hình học và bề mặt thép cán (cả thép cây và thép cuộn, thép trơn và thép hình): Việc phát hiện trực tuyến (on-line) các sai lệch kích thước hình học và độ bóng bề mặt trong sản xuất thép cán rất quan trọng. Tuy nhiên do các phôi thép trong quá trình cán rất nóng (9500C đến 10000C) và chuyển động rất nhanh (Khoảng 20 m/s - tương đương 72 km/giờ) nên không đo trực tiếp được và các camera thường cũng không bắt được ảnh. Sử dụng công nghệ CNN kết hợp với phần mềm giám sát trong trường hợp này cho đến nay là giải pháp không thay thế được.  Kiểm tra độ cách điện của sứ cách điện cao áp: Để kiểm tra các quả sứ cao áp, kiểm tra bugi, kiểm tra các thiết bị đóng cắt điện cần phải kiểm tra sự xuất hiện tia lửa điện trên đối tượng cần kiểm tra. Do các tia lửa điện này có thời gian tồn tại rất ngắn nên các thiết bị bắt ảnh thông thường không đáp ứng được yêu cầu mà phải sử dụng các thiết bị CNN. Tại Phòng thí nghiệm trọng điểm nghiên cứu CNN thuộc Viện Công nghệ thông tin - Viện khoa học Việt Nam thí nghiệm phát hiện ánh sáng có thời gian tồn tại ngắn đạt tốc độ lớn hơn 50.000fps đã được thực hiện thành công T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 126  Trong cơ khí chế tạo máy: Kiểm tra, phân loại các sản phNm cơ khí có kích thước nhỏ, số lượng lớn như đai ốc, đinh ốc, các chi tiết máy nhỏ, v,v...  Trong vận tải hàng không: Có thể đưa ra ví dụ dùng công nghệ CNN tìm các mảnh vụn kim loại trong dầu bôi trơn cho các động cơ máy bay, nhất là các máy bay vận tải cỡ lớn. Trong quá trình làm việc, do ma sát từ các chi tiết truyền động cơ khí có thể bong ra các mảnh vỡ kim loại nhỏ. Cần phân biệt các mảnh vỡ này với bọt của dầu chuyển động bôi trơn, xác định số lượng chúng. Từ đó cho ra quyết định cảnh báo cho hệ thống có nên thay dầu hay không (mặc dù chưa đến kỳ hạn thay)  Ứng dụng trong vận tải đường sắt: Một đề xuất cũng rất đáng qua tâm trong phần này: Chúng tôi muốn đề cập đến khả năng sử dụng thiết bị CNN kiểm tra đường sắt ngay trong khi tàu chạy: Sử dụng các camera CNN lắp trên tàu hoả để kiểm tra tình trạng các đai ốc giữ các thanh tà vẹt và phát hiện các vết nứt tiềm năng trên thanh ray. Giả sử tàu chạy với tốc độ 80km/h tức 22.2m/s. Chúng ta sẽ thu ảnh từng 20 cm để kiểm tra. Một mét cần thu 5 ảnh, vậy một giây cần thu 111 frame ảnh. Tính cả thời gian xử lý cũng chỉ tương đương vài trăm frame ảnh/giây. Khả năng thu và xử lý ảnh 10.000fps của Bi-i V2 đã lớn hơn yêu cầu của công việc rất nhiều. Thí nghiệm này cũng đã được thực hiện tại Phòng thí nghiệm trọng điểm CNN tại Viện Công nghệ thông tin [2].  Trong ngành sản xuất ô tô: Tạo các sensor điều khiển các túi khí thông minh bảo vệ người lái và hành khách khi xảy ra va chạm. Ứng dụng xây dựng các hệ thống phản ứng tự động trong các trường hợp khNn cấp do tốc độ xử lý của thiết bị sử dụng công nghệ CNN rất cao.  Trong viễn thông: Tối ưu hoá hệ thống truyền dữ liệu băng thông rộng.  Trong nông nghiệp: phân loại hạt ngũ cốc, hoa quả, ...với chất lượng cao.  Cuối cùng, ngoài khả năng được dùng cho các ứng dụng có yêu cầu tốc độ và khả năng tính toán cực mạnh (như một số một số ví dụ như trên) thì các thiết bị xử lý ảnh CNN vẫn thực hiện được tất cả các ứng dụng mà các hệ xử lý ảnh bằng máy tính hệ lệnh tuần tự đã thực hiện từ trước đến nay. 5. Kết luận Công nghệ mạng nơron tế bào CNN ra đời đã tạo ra một bước đột phá về kỹ thuật tính toán, xử lý. Chỉ với các chip CNN một lớp, khả năng tính toán và xử lý ảnh trong nhiều trường hợp đã vượt các máy tính có hệ lệnh tuần tự hàng nghìn lần. Các chip CNN nhiều lớp thế hệ sau được thực hiện với các công nghệ mới như công nghệ nano, quang, từ sẽ được áp dụng để tạo ra các thiết bị siêu mạnh đáp ứng được các yêu cầu ngặt nghèo trong nhiều lĩnh vực của cuộc sống nói chung và trong công nghiệp nói riêng. Tại Việt Nam việc nghiên cứu về công nghệ CNN (cơ bản và ứng dụng) là rất có ích lợi và phải được đNy mạnh hơn nữa trong thời gian tới
Tóm tắt Trong công nghiệp rất nhiều công việc đo lường, thu thập dữ liệu, điều khiển tự động có ứng dụng xử lý ảnh. Tốc độ thu và xử lý ảnh khi đó cần phải rất cao mới đáp ứng được yêu cầu thực tế. Bài viết giới thiệu mạng nơ ron tế bào CNN (Cellular Neural Network) và khả năng ứng dụng chúng xử lý ảnh trong môi trường công nghiệp nhằm thoả mãn các yêu cầu khắt khe này. T¹p chÝ Khoa häc & C«ng nghÖ - Sè 1(45) Tập 2/N¨m 2008 127 Summary In Industry, image processing has been applied into a large number of fields, such as: measurements, data collection and automatic control. Image sampling and processing have to be at very high-speed so that it can satisfy requirements. The paper presents Cellular Neural Networks (CNNs) and their Applications for image processing in Industrial manufacture. Tài liệu tham khảo [1]. Phạm Đức Long, Phạm Thượng Cát, "Công nghệ mạng nơron tế bào và ứng dụng", Tạp chí Tin học và điều khiển học tập 22, số 1-2006. [2]. Phạm Đức Long, Phạm Thượng Cát (2006), "Hệ thống kiểm tra đường sắt dùng công nghệ CNN (Cellular Neural Network)", Tuyển tập báo cáo Hội nghị toàn quốc lần thứ 3 về cơ điện tử 10-2006 [3]. Ngô Diên Tập (1997), "Xử lý ảnh bằng máy tính", Nxb Khoa học kỹ thuật, Hà Nội. [4]. Lương Mạnh Bá, Nguyễn Thanh Thuỷ (199),"Nhập môn xử lý ảnh số", Nxb Khoa học kỹ thuật, HN. [5]. Leon O. Chua and L.Yang, "Cellular neural networks: Theory",IEEE Trans. Circuits Syst., vol.35, Oct. 1988 [6]. Leon O. Chua and L.Yang, "Cellular neural networks: Applications", IEEE Trans. Circuits Syst., vol.35, Oct. 1988 [7]. T.Roska and L.O.Chua, "The CNN Universal Machine", IEEE Trans. on Circ. & Syst. vol 40, 1993 [8]. T.Roska and L.O.Chua, "The CNN Universal Machine 10 Years Later", Journal of Circuits, Systems, and Computers Vol. 12, No.4, August 2003 [9]. CNN Software Library for ACE4K chip (Templates and algorithms) Ver. 1.1, Analogical & Neural Computing labotarary Computer and Automation Institute Hungarian Academy of Sciences, 2000 [10]. P.Arena, A.Basile, M.Bucolo, L.Fortula, "Teaching CNN and learning by using CNN", Dipartimento Electrico Electronico e Sistemistico, 2005.