基于VDRCNN的电力巡检图像超分辨率重建算法.pdf

May2023Journal of JilinUniversit(lntormationScienceEdition2023年5月No.3Vol.41第41卷第3期吉林大学#（信息科学版）文章编号：16 7 1-58 96(2 0 2 3)0 3-0 530-0 9基于VDRCNN的电力巡检图像超分辨率重建算法薛凯天，JOHNSavkinel，高吉龙（1.新南威尔士大学工程学院，新南威尔士悉尼2 0 33；2.长春绿动氢能科技有限公司系统工程部，长春130 0 2 2）摘要：针对无人机巡检图像模糊、分辨率低等问题，利用深度残差卷积神经网络（VDRCNN：Ve r y D e e pResidual ConvolutionalNeural Network）理论，提出了一种无人机巡检图像的超分辨率重构方法。该算法模型由超分辨率加深网络（VDSR：Ve r y D e e p Ne t w o r k f o r Su p e r-Re s o l u t i o n）和残差结构组成，同时结合批量组归一化和Adam优化器以获得更好的重建效果。在此基础上，构建电力部件检测数据集，通过恰当设置网络参数，实现针对模糊电力部件图像的高分辨率重构。实验结果表明，基于VDRCNN的超分辨率方法重建出的图像纹理更丰富、视觉效果更逼真，在峰值信噪比和结构相似度上分别有2.95dB和3.7 9%的提升，明显优于传统检测方法。所提出的基于VDRCNN的电力巡检图像超分辨率重构方法对解决电力巡检实际问题具有一定的应用价值。关键词：深度学习；超分辨率；卷积神经网络；电力巡检；巡检图像中图分类号：TP391.41；P315.9文献标志码：ASuper Resolution Reconstruction Algorithm ofPower Inspection Image Based on VDRCNNXUE Kaitian,JOHN Savkine,GAO Jilong2(1.School of Engineering,University of New South Wales,Sydney 2033,Australia;2.Department of System Engineering,Changchun Green Drive Hydrogen Technology Company Limited,Changchun 130022,China)Abstract:In the face of problems such as low resolution and image blurring in drone inspection images,a super-resolution reconstruction method is proposed for drone inspection images using the theory of VDRCNN(Very DeepResidual Convolutional Neural Network).The algorithm model consists of a VDSR(Very Deep Network forSuper-Resolution)and a residual structure.Based on the VDSR,the algorithm is improved by adding a residualstructure to enhance convergence speed,while combining batch group normalization and Adam optimizer toachieve better reconstruction effects.On this basis,an electric power component detection dataset is constructed,and high-resolution reconstruction of blurred electric power component images is achieved by properly setting thenetwork parameters.The experimental results show that the super-resolution method based on VDRCNN canreconstruct images with richer textures and more realistic visual effects,with improvements of 2.95 dB and3.79%in peak signal-to-noise ratio and structural similarity respectively,compared to traditional detectionmethods.Therefore,the proposed VDRCNN-based super-resolution reconstruction method has certain potentialapplication value in solving practical problems in power inspection.Key words:deep learning;super-resolution;convolutional neural network;power inspection;inspection images收稿日期：2 0 2 2-10-2 1基金项目：吉林省科技厅基金资助项目（2 0 2 2 0 10 1190 JC）作者简介：薛凯天（1997 一），男，长春人，新南威尔士大学硕士研究生，主要从事电力图像处理研究，（Tel)61-0424450828（E-ma i l）；Jo h n Sa v k i n e（198 7 一），男，墨尔本人，新南威尔士大学讲师，博士，主要从事深度学习研究，(Tel)61-0435090600(E-mail)z5348328ad.unsw.edu.au。531薛凯天，等：基于VDRCNN的电力巡检图像超分辨率重建算法第3 期0引言随着无人机技术（UAV：U n ma n n e d A e r i a l Ve h i c l e）1-2 的广泛应用，无人机在电力巡检领域得到了快速发展。由于其在电力巡检中不受地理和环境条件限制，可替代巡检工人在各种复杂地形和天气条件下及时、准确、高效地获取现场信息，相比于人工巡检的方式在工作效率及安全系数方面具有明显优势。然而，在无人机巡检过程中，由于一些外力因素，比如拍摄时风速过大使无人机不能保持稳定飞行，会导致拍摄得到的电力部件图像因无人机抖动变得模糊，从而影响了巡检图像中电力部件的识别准确率。因此有必要对拍摄得到的模糊图像进行高分辨率重建，以满足实际电力巡检技术要求超分辨率重构是指对低分辨率图像进行处理，进而重构得到高分辨率图像的处理过程，相关理论方法已经应用于卫星遥感3、医疗图像4、视频监控5 以及图像压缩6 等领域。近年来，对图像超分辨率重构问题，人们开展了大量深人的研究工作，得到了一系列重要研究成果。其中比较有代表性的是基于稀疏变换的超分辨率图像重建7 。该方法利用联合字典对低分辨率图像进行稀疏表示，在此基础上，结合梯度下降方法求解上述最优问题，重构得到高分辨率图像。Freedman等8 提出了基于双三次插值法的超分辨率方法，通过找出邻域的16 个像素对待插值像素点的影响因子，最终得到对应像素值，实现了较好的重建效果。2012年Gao等9 将局部嵌入方法引入处理图像超分辨率重构问题，并结合流形学习相关理论，通过局部线性嵌人的方式重构高分辨率图像。虽然上述传统方法在图像超分辨率重建领域取得一定的应用，但其无法应用于大型图片中，并在重建结果分辨率方面也需持续提升。为突破传统方法的局限性，人们尝试利用机器学习理论对图像超分辨率重建技术进行研究，并取得了一系列重要研究成果。2 0 15年Dong等10 提出了基于卷积神经网络的图像超分辨率重构方法SRCNN（Su p e r-Re s o l u t i o n Co n v o l u t i o n a l Ne u r a l Ne t w o r k）并迅速获得广泛应用。SRCNN使用端到端的模式，通过提取特征、非线性映射、重建等步骤输出高分辨率图像结果。此方法相较传统方法在重建效果上有了很大的提升，在处理实际图像超分辨率重建问题方面取得了成功应用，但其仍存在以下几点不足：1）依赖于小图像区域的上下文信息；2）训练过程收敛速度差；3）无法应用于多尺度图像。针对上述问题，2 0 16 年Dong等11 提出改进的重建网络模型FSRCNN（Fa s tSuper-ResolutionConvolutional Neural Network）。FSRCNN在SRCNN的框架下使用反卷积对图像进行上采样，优化了SRCNN需在网络外部进行放大图片尺寸的不足。然而，FSRCNN需要将低分辨率图像通过上采样，在较大的尺寸上进行卷积操作，计算复杂度较高。Shi等12 提出ESPCN（Ef i c i e n t Su b-Pi x e lConvolutionalNeuralNetwork），其主要利用亚像素卷积操作，通过改变通道数和像素点排列方式的途径放大图片，直接基于低分辨率图像特征重构高分辨率图像，减少了FSRCNN方法对计算复杂度的要求。但ESPCN的网络层数过低，而继续加深网络可能导致梯度爆炸或梯度消失，导致其无法通过进一步提取特征提升重建效果。2 0 16 年He等13 提出ResNet，大幅加深了神经网络的理论深度，从而使残差结构开始全面应用于神经网络中。Kim等14 提出了超分辨率加深网络结构（VDSR：Ve r y D e e p Ne t w o r k f o r Su p e r-Resolution），该方法主要通过训练过程构建低分辨率到高分辨率图像的高维映射关系，从而实现低分辨率图像的超分辨率重构。虽然VDSR较传统方法在重建精度方面具有明显提升，但应对过模糊图像时仍表现出一定的不适应性，相关方法仍有持续提升空间。针对VDSR方法不足，笔者提出了一种改进的深度残差卷积神经网络（VDRCNN：Ve r y D e e p Re s i d u a lConvolutionalNeuralNetwork），并将其应用于电力巡检图像重建领域。VDRCNN利用无人机电力巡检拍摄的模糊图像进行训练，通过构建多层的神经网络并添加残差模块，进而归一化算法和优化梯度下降算法，提高学习率，弥补了VDSR参数过多、梯度下降缓慢等问题，提升图像重建效果，为电力巡检图像重建理论分析和实际应用提供必要研究基础。1图像超分辨率重建网络1.1VDSR网络结构由于SRCNN使用传统的卷积方式，经过逐层卷积处理后，图像尺寸会越来越小，同时边界像素会因感受野变小而导致重建结果退化。经典的VDSR模型为2 0 层网络，每层均由卷积层和激活函数构成，第41卷532吉林大学学报（信息科学版）通常第1层用于处理输人图像，最后一层用于图像重建，具体结构如图1所示。观察可知，VDSR主要利用大小为336 4的滤波器组实现低分辨率图像特征的提取，输入层和输出层只包含一个滤波器组，可将高维度图像特征输出为维度为1的残差图像，而中间处理层由6 4个滤波器组组成，主要实现对图像特征的提取。虽然VDSR引入残差结构，加快了网络的收敛速度并降低了学习难度，但在应对过模糊图像时仍表现出网络结构单一、参数过多及梯度下降缓慢等问题，限制了其应用。ConvReLU(ConvReLUConvDInput LRConvl ReLUlConv2ReLU2D-1 D-1D-1D-1(Residual)Output HR图1VDSR网络结构图Fig.1VDSR network structure diagram1.2改进的VDSR网络1.2.1残差网络结构为改进传统VDSR网络的不足，笔者借鉴ResNet的思想，将VDSR与ResNet相结合，在VDSR的基础网络结构中引入多个直接连接，将两层卷积组合构成一个残差块，并在其间插入残差结构，实现VDSR网络同残差网络的结合，增强网络特征交互和融合能力，提升网络超分辨率重构处理能力。改进后的网络结构如图2 所示。由于引人了从输人直接到输出的低分辨率图像，使低层的特征可直接传送至高层，网络的复杂度显著降低，需要的参数数量明显减少，解决了深层网络的退化问题Conv D-2Conv D-1ConvlConv2Conv3BGNReLU BGNReLUInput LRBGN1ReLU1BGN2ReLU2BGN3ReLU3D-2D-2D-1D-1BGNDConvDOutput HR图2VDRCNN网络结构图Fig.2VDRCNN network structure diagram1.2.2批量组归一化为解决梯度消失或爆炸问题，笔者引人批量组归一化15，使每层的输入满足均值为0 和方差为1的分布，使输入规范化，在保证稳定性的同时，加快网络的训练速度。结合批量归一化（BN：Ba t c h No r m a l i-zation）和组归一化（GN：G r o u p No r m a l i z a t i o n）的思想，提出了改进的批量组归一化方法。BN作为比较成熟的归一化方法通常可在中、大批次任务中取得良好的性能，然而在小批次任务中其性能会下降，这是由BN在小批次下噪声的统计计算引起的；而GN虽在中、大批次任务中的性能略差于BN，但在不同的批次任务中都具有较好的稳定性。因此，在不增加新训练参数和引人额外计算的情况下，通过结合GN、引入通道、高度和宽度维度，可解决BN在小批次下的噪声统计计算问题，并保证其稳定性。设归一化层的输人样本为X，X包含4个维度N、C、H、W，分别表示批次、通道、高度和宽度维度，设n、c、h、w 分别表示输入样本的批次、通道、高度和宽度，表示可学习参数，归一化输出为Y。BN的实现流程大致可分为4部分。1）计算样本均值2）计算样本方差NHW1X(1)NHW,c,h,won=1h=1W=1其中533薛凯天，等：基于VDRCNN的电力巡检图像超分辨率重建算法第3 期3）样本数据归一化处理4)变换重构NHW1(Xi.c.h.-.)。(2)NHWn=1h=1W=1X,n,c,h,w(3)n,c,h,u2o+8Yn.ch.w=Xn.c.h.w+=BNy,e(X),(4)其中8 为常量，作用是避免除0，保持网络稳定。BN是在批次维度上进行的归一化，而GN是在通道维度上进行的归一化，即对通道进行分组，对每个分组通道的高度和宽度进行归一化，增强对不同批次的稳定性。GN的具体实现流程和BN相同，均值和方差的计算方法如下：gMHW1n.gX(5)MHW,c,h,w,m=(g-1)M+1h=1W=13gMH1W(6)2ngMHW,m=-1)M+1.h=1w=1其中g为分组组号，M=C/g为分组数。BGN结合了BN和GN，将通道、高度、宽度维度整合到一个新的维度，其中D=CHW。BG N的均值和方差的计算方法如下：NgS1从X(7)NS=1d=(g-1)S+1NgS(Xn.d-g(8)NS(g-1)S+1其中S=M/G为每个划分的特征组内的实例数。当训练批次较小时，将参数G调小可以把新维度整合计算，避免噪声影响；当训练批次很大时，将参数G调大可以分割新维度成小块计算，避免混淆统计数据。BGN的后续流程和可学习参数B的使用方法与BN相同1.2.3梯度下降优化算法笔者采用自适应矩估计（Adam）【16-17 优化算法更新网络参数。该算法基于梯度的一阶和二阶统计值，自适应确定不同参数的学习率。其结合了随机梯度下降算法和前向均方根梯度下降算法的优点，有利于提高稀疏梯度的性能和训练效率。Adam优化器的更新规则如下。1）计算t时间步的梯度和梯度的指数移动平均数：g,=V。J(0 r-1),(9)m,=,mt-1+(1-l)gt,(10)其中,用于控制权重分配（默认值为0.9），m的初始值设置为0。2）计算梯度平方的指数移动平均数U,=2ur-1+(1-2)gi,(11)其中2用于控制前续梯度平方影响，Uo的初始值设置为0。3）在训练初期，修正梯度均值m，降低误差对于训练过程的干扰：4）同理，修正v的取值：5夏更新参数，具体计算过程如下：m,=m,/(1-i)。(12)m,=m,/(1-i)。(12),=0./(1-)。(13)0,=0r-1-m,/(/,+),(14)初始学习率=10-3，为一个极小且非零的常数。X=:6534第41卷吉林大学报（信息科学版）2VDSR网络数据集及评价指标2.1数据集由于目前没有公开完备的电力部件图像数据集，笔者构建了一个大型的由真实电力部件巡检图像构成的电力部件数据集，其数据均来源于无人机在中国某地区拍摄的实际电力部件巡检图像。实验中使用图像数据共90 0 张，由于巡检拍摄的图像尺寸不同，数据集中包含多种分辨率的图像，其中大部分图像的分辨率为8 6 8 8 57 92 像素和547 2 30 7 8 像素。为避免因数据量小导致网络可能出现过拟合问题，笔者实验前以17 117 1像素大小和17 1的步长对90 0 张图像进行采样，得到418 6 张大小为17 1171像素的图像加人数据集中，另外对数据集中的部分数据进行不同程度的缩放处理以及水平或垂直翻转对数据进行扩充，得到训练图像数据6 144张。实验前根据留出法将训练集和测试集以7：3的比例划分，将430 0 张图像用于网络训练，18 44张图像用于网络测试。2.2图像质量客观评价指标笔者主要利用峰值信噪比和结构相似度对重构图像质量进行评价笔者主要利用峰值信噪比和结构相似度对重构图像质量进行评价。1）峰值信噪比（PSNR：Pe a k Si g n a l-t o-No i s e Ra t i o）。峰值信噪比是评价恢复图像质量的常用统计量之一，可以反映信号能量和噪声能量的比值，用以刻画图像的失真程度，在本算法中可用于表示超分辨率重建的性能。PSNR的计算公式为2PPSNR101gMAX101gMN(15)EMSEMN0=0其中Ese和VMAx为处理前后图像的均方差结果和最大像素值；M和N为图像的长和宽，x,和y;分别为原始图像和重建图像给定位置的像素值。RpsNR的取值同图像质量成正比。2）结构相似度（SSIM：St r u c t u r a l Si m i l a r i t y In d e x）。结构相似度是评估处理前后图像相似程度的重要指标，其取值区间位于0 1，取值越大说明图像相似程度越高。SSIM以亮度、对比度和结构性3个方面的指标进行衡量，利用均值、方差等统计参数反映两幅图像之间的相似性18 。若原始图像为x，重建图像为y，SSI M 的表达式为：Ssim(x,y)=l(x,y)ac(x,y)Bs(x,y),Jac(x,y)Bs(x,y),门其中l(x,y)为图像亮度信息，c(,y)和s(,y）为图像的对比度和结构性信息，一般情况下，取=1，上述统计量定义式如下：2u,+C,I(x,y)=(17)M+u+C,20,0,+C,c(x,(18)o+0,+C,23s(x,y)(19)十其中和为的均值和方差，,和,为的均值和方差；为和的协方差。C,和Cz分别取（k,VM A x）和（kzVMAx），这里VMAx为最大像素值，k，和kz的默认值分别取0.0 1和0.0 3。综上，SSIM定义式为：(2,+C,)(2gxy+Cz)SssIM(x,y)=(20)(+u+C)(o+o+C,)3实验仿真与结果分析3.1图像重建算法基本流程与实验环境配置笔者提出的基于VDRCNN的模糊图像重建算法主要由网络训练和巡检图像重建两部分组成，具体流程如图3所示。相关实验操作系统环境为Ubuntu16.04；硬件配置为Intel（R）Xe o n（R）CPU薛凯天，等：基于VDRCNN的电力巡检图像超分辨率重建算法第3期535E5-8276，NVI D I A T e s l a K 8 0。软件系统均以Pytorch为框架，使用Pytorch1.6.0和torchversion0.7.0，并配备了Opencv4.5.1。Py t h o n 编辑器均为Pycharm2020，并内置了Python3.7。初始学习率设置为10-，图像的批次大小设置为8，权重衰减系数和动量衰减系数分别为10-4和0.9。针对巡检图像处理中模糊图像辨识问题，笔者提出实验中采用Tenengrad梯度函数 19 清晰图像与模糊图像进行判断和分类，通过预设阈值实现针对模糊的图像的判别，将梯度值大于90的图像认为是清晰图像。3.2实验结果分析11图像采集巡检图像重建11网络训练图像集服务器端收取11样本预处理11是否为旋转缩放模糊图像？N111Y样本扩充11VDRSR图像重建训练集清晰图像训练模型高清电力巡检图像集1图3巡检图像重建流程示意图Fig.3Flow of image reconstruction for inspection笔者主要分析VDRCNN重构性能随迭代次数变化趋势，选择经典图像重建算法作为对比方法，验证提出算法的有效性。3.2.1迭代次数与重建效果的关系为分析迭代次数与重建效果的关系，笔者设定迭代次数分别为40 0 0、8 0 0 0 和12 0 0 0，获取了不同迭代次数下VDRCNN网络针对模糊图片重建结果，并定性和定量地比较了不同迭代次数下VDRCNN网络处理性能，结果如图4和表1所示。观察可知，由于无人机抖动造成记录的电力部件图像较为模糊，VDRCNN算法恢复结果的质量随着迭代次数的增加逐渐提高。在40 0 0 次迭代后，可以表征出电力部件的部分信息，但重构巡检图像在清晰度方面仍然较低，无法有效辨识电力部件具体工作状态。当送代次数达到12 0 0 0 次，可较清晰地重建出巡检图像，放大图像也表明重建结果可有效刻画器件细节信息，获得关于电力部件工作状态的直观认知。在此基础上，对不同迭代次数条件下处理结果的PSNR和SSIM数值进行了定量分析，结果表明随着迭代次数的增加，恢复图像具有更高的PSNR和更大的SSIM数值，例如迭代12 0 0 0 次较迭代40 0 0 次结果PSNR值提升了约7 dB。上述实验结果表明，在条件允许范围内，一般可通过增加迭代次数获得更清晰的重建图像。a原图b4000次送代c8000次送代d12000次送代图4使用VDRCNN的超分辨率重建过程Fig.4Super-resolution reconstruction process using VDRCNN536第41卷吉林大学学报（信息科学版）表1不同代次数评价指标对比Tab.1Comparison of evaluation indexes with different number of iterations送代次数/次图像PPsNR/dBSsSM送代次数/次图像PPSNR/dBSssIM4000图像129.350.687 5图像232.950.798 8图像229.410.689 412000图像135.910.890 28 000图像132.890.796 9图像236.010.893 33.2.2VDRCNN算法与其他算法的重建效果对比为验证VDRCNN算法的超分辨率重建效果，笔者将双三次插值法（Bicubic）、稀疏编码（SC：Sp a r s eCoding）算法、SRCNN算法、VDSR算法作为对比算法，与笔者的VDRCNN算法结果进行对比分析，并且选择了4张具有表示性且纹理特征丰富的巡检图像作为处理数据，结果如图5所示。图5中由上到下分别是4张不同的电力部件图像，由左到右分别是Bicubic、SC、SRCNN、VD SR、VD RCNN算法的重建结果图。图5中标红的细节部分分别展示在图片的右上角和左上角。由图5可以看出，从Bicubic到VDRCNN，对图像的重建效果逐步提升。其中传统算法Bicubic和SC无法有效重构出图片完整信息，图片放大结果也表明传统算法恢复结果清晰度较低，细节特征刻画不完整。与之对应，SRCNN和VDSR虽可以较传统方法更好地重构图像，但在图像细节对比方面VDRCNN较上述方法均有明显提升，这也初步验证了VDRCNN算法的有效性。a原图b BicubiccSCd SRCNNeVDSRf VDRCNN图55各算法超分辨率重建效果对比Fig.5Comparison of super-resolution reconstruction effect of each algorithm为定量衡量VDRCNN算法和与其进行对比的各算法的超分辨率重建效果，针对4种算法重建出的图像，对比了PSNR、SSIM 和重建耗时，性能测试结果如表2 所示。由表2 可看出，采用VDRCNN算法处理的4幅图像的PSNR和SSIM均高于其他对比算法，VDRCNN算法相较于Bicubic等传统算法在PSNR和SSIM上平均提升了6.49dB和17.2 5%；相较于SRCNN等基于学习的算法在PSNR和SSIM上平均提升了2.95dB和3.7 9%。但由于VDRCNN算法模型和VDSR算法模型的网络深度较深，所以重建耗时略长于其他算法。VDRCNN重建效果明显好于其他对比算法，可满足电力巡检图像针对实时性的处理要求，同时其重建出的高质量巡检图像也可以为后续检测工作提供可靠的数据支撑。薛凯天，等：基于VDRCNN的电力巡检图像超分辨率重建算法第3期537表2各算法评价指标对比Tab.2Comparison of evaluation indexes of each algorithm算法PSNR/dBSSIM耗时/s算法PSNR/dBSSIM耗时/sBicubic29.650 00.720 4750.117 5VDSR35.15250.8837500.365 0SC30.61750.7405000.142.5VDRCNN36.62750.902.9750.361 0SRCNN32.20750.8464250.322.54结语电力巡检图像超分辨率重建对电力部件巡检意义重大，为解决巡检图像模糊问题，笔者提出了一种基于VDRCNN算法的巡检图像超分辨率重建算法。该算法将VDRCNN模型应用于电力巡检中，可有效将模糊图像恢复为清晰图像。实验结果表明，基于VDRCNN算法重建的图像相较于SRCNN和VDSR等基于学习的算法，在PSNR和SSIM上平均获得了2.95dB和3.7 9%的提升，重建图像失真程度极小，对细节的表示十分突出，证明了VDRCNN算法的图像重建效果明显好于传统算法与SRCNN、VD SR等基于学习的算法。通过实验结果可以证明VDRCNN算法可以充分满足后续检测识别工作对图像清晰度的要求，为电力部件巡检和识别工作的智能化改造提供了一定的理论基础。参考文献：1 吴立远，毕建刚，常文治，等.配网架空输电线路无人机综合巡检技术【J中国电力，2 0 18，51（1）：97-10 1.WU L Y,BI J G,CHANG W Z,et al.Research of Unmanned Aerial Vehicle Comprehensive Inspection for DistributionNetwork Overhead Transmission Lines J.Electric Power,2018,51(1):97-101.2】彭向阳，宋爽，钱金菊，等无人机激光扫描作业杆塔位置提取算法 J电网技术，2 0 17，41（11）：36 7 0-36 7 7.PENG X Y,SONG S,QIAN J J,et al.Research on Automatic Positioning Algorithm of Power Transmission Towers Based onUAV LiDAR J.Power System Technology,2017,41(11):3670-3677.3】谢洪亮.基于卷积神经网络的数字高程分辨率提高方法J地理空间信息，2 0 2 0，18（1）：2 8-31.XIE H L.Super Resolution of Digital Terrain Map Based on Convolutional Neural Network J.Geospatial Information,2020,18(1):28-31.4JLYU Q,SHAN H M,WANG G.MRI Super-Resolution with Ensemble Learning and Complementary Priors JJ.IEEETransactions on Computational Imaging,2020(6):615-624.【5 刘村，李元祥，周拥军，等.基于卷积神经网络的视频图像超分辨率重建方法J计算机应用研究，2 0 19，36（4）：1256-1260.LIU C,LI Y X,ZHOU Y J,et al.Video Image Super-Resolution Reconstruction Method Based on Convolutional NeuralNetwork J.Application Research of Computers,2019,36(4):1256-1260.6 谭政，相里斌，吕群波，等一种基于频域的序列图像超分辨率增强方法J光学学报，2 0 17，37（7）：91-96.TAN Z,XIANG L B,LU Q B,et al.A Sequence Images Super-Resolution Enhancement Approach Based on Frequency-domain J.Acta Optica Sinica,2017,37(7):91-96.7JYANG J,WRIGHT J,HUANG T S,et al.Image Super-Resolution via Sparse Representation J.IEEE Transactions onImage Processing,2010,19(11):2861-2873.8 JFREEDMAN G,FATTAL R.Image and Video Upscaling from Local Self-Examples J.ACM Transactions on Graphics,2011,30(2):1-11.9 JGAO X B,ZHANG K B,TAO D C,et al.Image Super-Resolution with Sparse Neighbor Embedding J.IEEE Transactionson Image Processing,2012,21(7):3194-3205.1jDONG C,LOY C C,HE K,et al.Image Super-Resolution Using Deep Convolutional Networks J.IEEE Transactions onPattern Analysis and Machine Intelligence,2015,38(2):295-307.11JDONG C,LOY C C,TANG X.Accelerating the Super-Resolution Convolutional Neural Network J.Computer Vision-ECCV,2016,9906:391-407.12 JSHI W,CABALLERO J,FERENC H,et al.Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-PixelConvolutional Neural Network C/2016 IEEE Conference on Computer Vision and Pattern Recognition.S.1.:IEEE（责任编辑：张洁）第41卷538吉林大学学报（信息科学版）Computer Society,2016:16541213.13 JHE K,ZHANG X,REN S,et al.Deep Residual Learning for Image Recognition C/Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition.S.1.J:IEEE Computer Society,2016:16541111.14 JKIM J,KWON J,MU L K.Accurate Image Supe-Resolution Using Very Deep Convolutional Networks C/Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition.S.1.J:IEEE Computer Society,2016:1646-1654.15JHSU L Y,HU H T.QDCT-Based Blind Color Image Watermarking with Aid of GWO and DnCNN for PerformanceImprovement J.IEEE Access,2021(9):155138-155152.16JKINGMA D P,BA J.Adam:A Method for Stochastic Optimization J/OL.arXiv Preprint arXiv,2014.2022-08-25.https:/arxiv.org/abs/1412.6980.17JDUCHI J,HAZAN E,SINGER Y.Adaptive Subgradient Methods for Online Learning and Stochastic Optimization J.Machine Learning Research,2011,12(1):2121-2159.18JCHEN H,HE Z,SHI B,et al.Research on Recognition Method of Electrical Components Based on YOLO V3 J.IEEEAccess,2019(7):157818.19项魁，高健.自动对焦过程中图像清晰度评价算法研究 J.组合机床与自动化加工技术，2 0 19(1）：52-55.XIANG K,GAO J.Research on the Image Definition Evaluation Algorithm in Autofocus Process Modular J.Machine Tool&Automatic Manufacturing Technique,2019(1):52-55.