Informamos sobre el diseño de un detector de bordes de red neuronal de disparo (SNN) con neuronas inspiradas biológicamente que tiene una similitud conceptual tanto con las neuronas del modelo Hodgkin-Huxley (HH) como con las neuronas de Integrate-and-Fire (LIF). El cálculo del potencial de membrana, que se utiliza para determinar la ocurrencia o ausencia de eventos de disparo, en cada paso de tiempo, se lleva a cabo utilizando la solución analítica a una versión simplificada del modelo de neurona HH. Encontramos que el detector de bordes basado en SNN detecta más píxeles de borde en imágenes que los obtenidos por un detector de bordes de Sobel. Diseñamos un flujo de trabajo para la clasificación de imágenes con una capa de simulación de fotogramas de baja exposición, capas de detección de bordes de SNN como capas de preprocesamiento y una Red Neuronal Convolucional (CNN) como módulo de clasificación. Probamos este flujo de trabajo para la tarea de clasificación con el conjunto de datos Digits, que está disponible en MATLAB. Encontramos que la capa de detección de bordes basada en SNN aumenta la precisión de la clasificación de imágenes en tiempos de exposición más bajos, es decir, para 1/4, donde es el número de milisegundos en un fotograma de exposición simulado y es el tiempo total de exposición, en referencia a una capa de detección de bordes de Sobel o Canny en el flujo de trabajo. Estos resultados allanan el camino para el desarrollo de nuevas arquitecturas de computación neuromórfica cognitiva para la detección y clasificación de objetos en la escala de tiempo de milisegundos utilizando cámaras de eventos o disparos.