• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    機(jī)器人目標(biāo)抓取區(qū)域?qū)崟r(shí)檢測(cè)方法

    2020-10-10 01:00:34盧智亮劉瑞雪
    關(guān)鍵詞:物體準(zhǔn)確率機(jī)器人

    盧智亮,林 偉,曾 碧,劉瑞雪

    廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,廣州510006

    1 引言

    在家庭和工業(yè)場(chǎng)景下,抓取物體是機(jī)器人進(jìn)行人機(jī)協(xié)作任務(wù)的關(guān)鍵步驟。人類可以準(zhǔn)確且穩(wěn)定地執(zhí)行抓取形狀不規(guī)則以及任意姿態(tài)的物體。然而對(duì)于機(jī)器人而言,準(zhǔn)確地抓取各式各樣、任意姿態(tài)的物體依舊是一種挑戰(zhàn)。機(jī)器人若要抓取目標(biāo)物體,需要預(yù)先檢測(cè)該物體的抓取區(qū)域,不適當(dāng)?shù)淖ト^(qū)域?qū)?dǎo)致機(jī)器人無法穩(wěn)定地抓取物體。因此,如何實(shí)時(shí)且準(zhǔn)確地檢測(cè)目標(biāo)抓取區(qū)域,是機(jī)器人領(lǐng)域中一個(gè)重要研究方向。

    近年來,國內(nèi)外學(xué)者對(duì)機(jī)器人抓取區(qū)域檢測(cè)的研究已有不錯(cuò)的成果。Lenz 等[1]率先采用深度學(xué)習(xí)的方法提取RGB-D 多模態(tài)特征,基于滑動(dòng)窗口檢測(cè)框架同時(shí)使用支持向量機(jī)(Support Vector Machine,SVM)作為分類器,預(yù)測(cè)輸入圖像中的一小塊圖像是否存在合適的抓取位置。與Jiang等[2]使用傳統(tǒng)機(jī)器學(xué)習(xí)方法相比,該方法不需要人為針對(duì)特定物體設(shè)計(jì)視覺特征,而是以自主學(xué)習(xí)的方式提取抓取區(qū)域的特征。在Cornell 數(shù)據(jù)集[3]上,上述方法達(dá)到73.9%的準(zhǔn)確率。然而采用滑動(dòng)窗口的方法會(huì)導(dǎo)致搜索抓取區(qū)域耗費(fèi)時(shí)間長且計(jì)算量大。杜學(xué)丹等[4]在檢測(cè)抓取位置前,先使用Faster R-CNN二階目標(biāo)檢測(cè)算法[5]預(yù)測(cè)被抓物體的大致區(qū)域,縮小搜索范圍以減少搜索時(shí)間,但該方法并未從本質(zhì)上減少檢測(cè)時(shí)間且計(jì)算量仍舊偏大,無法達(dá)到實(shí)時(shí)檢測(cè)的要求。

    Redmon等[6]不再基于滑動(dòng)窗口框架搜索抓取框,而是利用AlexNet 網(wǎng)絡(luò)[7]強(qiáng)大的特征提取能力,直接在整個(gè)圖像上回歸抓取框參數(shù)。將輸入的圖像劃分成N×N個(gè)網(wǎng)格單元,每個(gè)網(wǎng)格單元預(yù)測(cè)一個(gè)抓取配置參數(shù)及適合抓取的概率,取其中概率最高的作為預(yù)測(cè)結(jié)果。在相同數(shù)據(jù)集上達(dá)到88.0%的準(zhǔn)確率,平均檢測(cè)時(shí)間為76 ms。Kumra等[8]也采用全局抓取預(yù)測(cè)的方法,使用網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜的ResNet-50[9]提取多模態(tài)特征,準(zhǔn)確率相應(yīng)提高1.21%。以上兩種方法借助性能強(qiáng)大的特征提取網(wǎng)絡(luò)力求盡可能提高檢測(cè)速度和檢測(cè)準(zhǔn)確率,但是直接回歸抓取框參數(shù)容易導(dǎo)致預(yù)測(cè)的抓取框趨向于物體的中心,對(duì)于如盤子等抓取部位為物體邊緣的情況,預(yù)測(cè)的效果并不理想。

    Chu 等[10]提出旋轉(zhuǎn)抓取框的方法,將方向預(yù)測(cè)視為抓取角度分類問題,借鑒Faster R-CNN二階目標(biāo)檢測(cè)算法的思想,首先判斷由GPN(Grasp Proposal Network)推薦的多個(gè)抓取候選區(qū)域能否用于抓取目標(biāo)物體,然后判斷剩余的抓取候選區(qū)域角度所屬類別。該方法使用三種基礎(chǔ)面積以及三種不同長寬比的錨框(Anchor)搜索抓取候選區(qū)域,達(dá)到96%的準(zhǔn)確率,平均檢測(cè)時(shí)間為120 ms。該方法雖然大幅度減少文獻(xiàn)[1]和[4]中算法的檢測(cè)時(shí)間,但依舊無法滿足動(dòng)態(tài)環(huán)境或動(dòng)態(tài)物體下實(shí)時(shí)抓取檢測(cè)的要求,并且僅利用特征提取網(wǎng)絡(luò)中最后一層的特征圖進(jìn)行預(yù)測(cè),傾向于檢測(cè)較大的抓取框,對(duì)小抓取框檢測(cè)性能不足,檢測(cè)精確性有待提高。

    綜上國內(nèi)外學(xué)者的抓取檢測(cè)算法已達(dá)到不錯(cuò)的效果,但是仍然存在以下兩個(gè)問題:第一,高準(zhǔn)確率下檢測(cè)抓取框時(shí)間過長,不滿足機(jī)器人抓取檢測(cè)的實(shí)時(shí)性要求;第二,容易忽略目標(biāo)物中可用于抓取的小部位信息,檢測(cè)出來的抓取框偏大、精確度不足。

    針對(duì)以上問題,本文提出一種基于嵌入通道注意力結(jié)構(gòu)SENet[11]的一階抓取檢測(cè)網(wǎng)絡(luò)(Squeeze and Excitation Networks-RetinaNet used for Grasp,SE-Retina-Grasp)模型的機(jī)器人抓取區(qū)域?qū)崟r(shí)檢測(cè)方法。該方法采用快速的一階目標(biāo)檢測(cè)模型RetinaNet[12]作為基本結(jié)構(gòu),在其特征提取網(wǎng)絡(luò)中嵌入通道注意力模塊SENet以提升重要特征通道的權(quán)重,確保檢測(cè)精度;而且為了解決原RetinaNet模型特征融合中僅關(guān)注相鄰層特征信息的問題,結(jié)合平衡特征金字塔[13](Balance Feature Pyramid,BFP)思想,充分融合高低層的特征信息,加強(qiáng)檢測(cè)小抓取框的能力。

    2 抓取框在圖像空間的表達(dá)方式

    給定包含目標(biāo)物的圖像I,檢測(cè)該目標(biāo)物的最優(yōu)抓取框G,需要先明確抓取框在圖像空間的表達(dá)方式。本文針對(duì)末端執(zhí)行器為平行夾爪的情況,采用文獻(xiàn)[1]提出的抓取框表達(dá)方法表示機(jī)器人抓取的具體位置,如圖1所示,公式表示為:

    其中,(x,y)為抓取框的中心點(diǎn);h、w分別表示機(jī)器人平行夾爪的高度、平行夾爪張開的距離大??;θ為沿w方向與圖像x軸正方向之間的夾角。過大的抓取框容易導(dǎo)致抓取中心點(diǎn)的偏移和預(yù)測(cè)的w遠(yuǎn)大于夾爪實(shí)際可張開的大小,抓取框的精確性直接影響機(jī)器人能否穩(wěn)定地抓取目標(biāo)物。

    圖1 抓取框在圖像空間的表達(dá)方式

    3 SE-RetinaGrasp模型

    機(jī)器人目標(biāo)抓取區(qū)域?qū)崟r(shí)檢測(cè)算法流程框圖如圖2 所示。首先,獲取包含目標(biāo)物的RGB 場(chǎng)景圖像;其次對(duì)該圖像進(jìn)行數(shù)據(jù)預(yù)處理操作后,作為抓取檢測(cè)網(wǎng)絡(luò)模型的輸入;最后模型生成可用于抓取目標(biāo)物的抓取框,機(jī)械臂利用抓取框的位置姿態(tài)信息,完成抓取目標(biāo)物的任務(wù)。

    圖2 機(jī)器人目標(biāo)抓取區(qū)域?qū)崟r(shí)檢測(cè)算法流程

    本文提出的SE-RetinaGrasp 模型如圖3 所示。圖(a)表示特征提取網(wǎng)絡(luò),在深度殘差網(wǎng)絡(luò)ResNet-50中嵌入SENet模塊,對(duì)抓取檢測(cè)任務(wù)起積極作用的特征通道加強(qiáng)權(quán)重;圖(b)表示平衡金字塔結(jié)構(gòu),進(jìn)一步融合特征金字塔結(jié)構(gòu)FPN(Feature Pyramid Networks)[14]中高低層的特征信息;圖(c)表示兩個(gè)FCN(Fully Convolutional Networks)[15]子網(wǎng)絡(luò),分別用于抓取框的定位以及抓取角度的分類。

    圖3 SE-RetinaGrasp模型結(jié)構(gòu)

    3.1 RetinaNet一階目標(biāo)檢測(cè)模型

    一階目標(biāo)檢測(cè)模型RetinaNet是由文獻(xiàn)[12]提出,用以驗(yàn)證提出的Focal Loss 函數(shù)對(duì)解決訓(xùn)練過程中正負(fù)樣本類別失衡問題的效果??紤]到目標(biāo)物僅占輸入圖像中的一部分,為解決一階目標(biāo)檢測(cè)模型中密集采樣候選機(jī)制導(dǎo)致的正負(fù)樣本失衡的問題,本文采用Focal Loss 函數(shù)作為分類損失函數(shù)、光滑L1 函數(shù)處理抓取框參數(shù)的回歸問題。

    其中,F(xiàn)ocal Loss函數(shù)是一種改進(jìn)的交叉熵(Cross-Entropy,CE)損失函數(shù),通過在原有的交叉熵?fù)p失函數(shù)中乘上使易檢測(cè)目標(biāo)對(duì)模型訓(xùn)練貢獻(xiàn)削弱的指數(shù)式,成功減少目標(biāo)檢測(cè)損失值容易被大批量負(fù)樣本左右的現(xiàn)象。Focal Loss函數(shù)定義如下:

    假設(shè)有N個(gè)樣本,總共有T種分類,y為真實(shí)標(biāo)簽,pi,t為第i個(gè)樣本被預(yù)測(cè)為第t類目標(biāo)的概率大??;平衡參數(shù)α用以調(diào)整正負(fù)樣本對(duì)總分類損失的貢獻(xiàn);(1-yi,t)γ為Focal Loss函數(shù)添加的指數(shù)式系數(shù),用以降低易分類樣本的權(quán)重,將更多注意力放在難分類樣本的訓(xùn)練上。其中,α、γ為超參數(shù),不參與模型的訓(xùn)練過程。

    RetinaNet 檢測(cè)模型主要由ResNet-50 提取特征網(wǎng)絡(luò)、特征金字塔FPN 結(jié)構(gòu)以及兩個(gè)FCN 子網(wǎng)絡(luò)組成。RetinaNet檢測(cè)模型,如圖4所示。

    圖4 RetinaNet檢測(cè)模型結(jié)構(gòu)

    C1、C2、C3、C4、C5 分別為ResNet50網(wǎng)絡(luò)中采用不同個(gè)數(shù)殘差塊(Residual)提取的不同分辨率大小特征圖。根據(jù)低層特征語義信息弱,目標(biāo)位置清晰;高層特征語義信息強(qiáng),目標(biāo)位置模糊的特點(diǎn),F(xiàn)PN 結(jié)構(gòu)通過自底向上連接、自頂向下連接以及橫向連接,對(duì)不同層的特征信息進(jìn)行融合。與原FPN結(jié)構(gòu)不同的是:

    (1)RetinaNet 模型僅利用C3、C4、C5 特征圖,避免在高分辨率C2 特征圖中生成Anchor,減少模型檢測(cè)時(shí)間。

    (2)對(duì)C5 特征圖進(jìn)行卷積核為3×3,步長為2 的卷積運(yùn)算得到P6 網(wǎng)絡(luò)結(jié)構(gòu);對(duì)P6 使用Relu 激活函數(shù)增加非線性后再進(jìn)行相同的卷積運(yùn)算得到P7 結(jié)構(gòu),通過在P6、P7 生成較大面積的候選區(qū)域增強(qiáng)模型檢測(cè)大物體的性能。

    與目標(biāo)檢測(cè)任務(wù)不同的是,抓取檢測(cè)任務(wù)是檢測(cè)可用于抓取目標(biāo)物的區(qū)域位置,并非檢測(cè)目標(biāo)物自身的位置。針對(duì)目標(biāo)物抓取區(qū)域面積較小的特點(diǎn),為使RetinaNet模型更好地應(yīng)用于抓取檢測(cè)任務(wù)中,本文僅在P3、P4、P5 三個(gè)層次生成抓取候選區(qū)域,采用{82,162,322}基礎(chǔ)大小的候選窗口,加入三種不同的尺度和{1∶2,1∶1,2∶1}三種不同的長寬比,搜索各種尺寸大小的抓取候選框。

    3.2 SENet結(jié)構(gòu)

    從文獻(xiàn)[10]的實(shí)驗(yàn)發(fā)現(xiàn),將特征提取網(wǎng)絡(luò)Vgg16[16]替換為ResNet-50僅提高0.5%的準(zhǔn)確率,證明當(dāng)網(wǎng)絡(luò)達(dá)到一定深度時(shí),繼續(xù)加深網(wǎng)絡(luò)層數(shù)并不能對(duì)準(zhǔn)確率有較大的提升。本文從考慮特征通道之間的關(guān)系出發(fā),在特征提取網(wǎng)絡(luò)ResNet-50中的每一個(gè)殘差塊后嵌入SENet模塊,增強(qiáng)抓取檢測(cè)任務(wù)中關(guān)鍵通道的注意力,以提升檢測(cè)準(zhǔn)確度。SENet結(jié)構(gòu),如圖5所示。

    圖5 SENet結(jié)構(gòu)

    SENet模塊主要采用擠壓(Squeeze)、激勵(lì)(Excitation)以及特征重標(biāo)定(Scale)三個(gè)操作完成特征通道自適應(yīng)校準(zhǔn)。

    首先使用全局平均池化壓縮每一個(gè)特征圖,將C個(gè)特征圖轉(zhuǎn)換成1×1×C的實(shí)數(shù)數(shù)列,使每一個(gè)實(shí)數(shù)具有全局感受野。然后本文通過兩個(gè)卷積層完成降維與升維的操作,第一個(gè)卷積層將特征維度降低到原來的C r后通過Relu激活函數(shù)增加非線性;第二個(gè)卷積層恢復(fù)原來的特征維度,經(jīng)過Sigmoid函數(shù)得到歸一化的權(quán)重,最后通過乘法逐通道加權(quán)到原來的特征通道上,對(duì)原始特征進(jìn)行重標(biāo)定。擠壓、激勵(lì)以及特征重標(biāo)定公式如下所示:

    3.3 平衡特征金字塔

    針對(duì)原RetinaNet模型中FPN結(jié)構(gòu)僅融合相鄰層次的特征信息,導(dǎo)致高低層特征信息利用不平衡的現(xiàn)象。為進(jìn)一步加強(qiáng)檢測(cè)小抓取框的效果,充分利用不同分辨率下的特征信息,本文受文獻(xiàn)[13]中平衡特征金字塔結(jié)構(gòu)的啟發(fā),對(duì)原RetinaNet 模型中的特征金字塔結(jié)構(gòu)進(jìn)行改進(jìn)。平衡特征金字塔結(jié)構(gòu)如圖6 所示。提取P3、P4、P5 三個(gè)層次的特征圖,對(duì)P3、P5 分別采用最大池化操作、上采樣操作,使P3、P5 的特征圖分辨率與P4特征圖保持一致,三者對(duì)應(yīng)元素相加取平均,得到平衡特征圖P′,公式如下:

    其中,Pl表示第l層特征;本文中l(wèi)min、lmax代表最低層數(shù)、最高層,分別為3、5;N代表累加的層數(shù)量。對(duì)平衡特征圖P′進(jìn)行卷積核為3×3,步長為1 的卷積運(yùn)算得到進(jìn)一步提煉的特征圖Pr,使特征信息更具有判別性。最后調(diào)整提煉后的特征圖Pr分辨率大小分別與P3、P4、P5 層次的特征圖分辨率大小一致,與原層次的特征對(duì)應(yīng)元素相加,分別得到增強(qiáng)原層次特征表征能力的P3′、P4′、P5′,特征圖,從而增強(qiáng)模型捕捉細(xì)節(jié)信息的能力,有助于檢測(cè)小抓取框。

    圖6 平衡特征金字塔結(jié)構(gòu)

    4 實(shí)驗(yàn)

    4.1 實(shí)驗(yàn)環(huán)境

    本文的實(shí)驗(yàn)機(jī)器是一臺(tái)配置型號(hào)為Intel?Core?i7-8750H 的CPU 和NVIDIA GeForce GTX 1070 的GPU的個(gè)人計(jì)算機(jī),內(nèi)存以及顯存大小分別為32 GB、8 GB。該機(jī)在Ubuntu 16.04 上運(yùn)行,基于深度學(xué)習(xí)框架keras使用Python 語言編寫,借助CUDA(Compute Unified Device Architecture)加速運(yùn)算。

    4.2 實(shí)驗(yàn)數(shù)據(jù)集

    本文采用Cornell數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù),圖7為數(shù)據(jù)集中的部分圖片。該數(shù)據(jù)集總共有885張圖片,其中包含了244種不同種類的物體,每一種物體均有不同的擺放位置及姿態(tài)。數(shù)據(jù)集對(duì)每一張圖片中的目標(biāo)物體的抓取位置進(jìn)行標(biāo)記,共標(biāo)記5 110 個(gè)可用于抓取目標(biāo)物的矩形框和2 909個(gè)不可用于抓取的矩形框。本文實(shí)驗(yàn)將抓取數(shù)據(jù)集依照以下兩種方式進(jìn)行劃分,得到708張圖片作為訓(xùn)練樣本、177張圖片作為測(cè)試樣本。

    圖7 Cornell數(shù)據(jù)集

    方式1 按圖片隨機(jī)劃分。將數(shù)據(jù)集圖片隨機(jī)劃分至訓(xùn)練集和驗(yàn)證集中,以驗(yàn)證模型對(duì)已見過的、不同擺放位置的物體的泛化能力。

    方式2 按物體種類隨機(jī)劃分。使訓(xùn)練集中并不含有測(cè)試集中的物體種類,以驗(yàn)證模型對(duì)未曾見過的新物體的泛化能力。

    4.3 數(shù)據(jù)預(yù)處理

    盡管Cornell 數(shù)據(jù)集包含的物體種類豐富,但數(shù)據(jù)量較小,為了使訓(xùn)練樣本盡可能地涵蓋各種可能出現(xiàn)的情況,本文對(duì)訓(xùn)練樣本進(jìn)行擴(kuò)充:

    首先對(duì)原始圖像在x軸、y軸各做50 個(gè)像素點(diǎn)內(nèi)的隨機(jī)平移;然后對(duì)平移后的圖片進(jìn)行中心剪裁得到321×321 大小的圖像;處理后的圖像再進(jìn)行0°~360°范圍內(nèi)的隨機(jī)旋轉(zhuǎn);為了方便與其他算法進(jìn)行比較,本文將原始圖像分辨率大小為480×640 調(diào)整為227×227 作為網(wǎng)絡(luò)模型的輸入;

    最后如文獻(xiàn)[10]一樣將抓取角度進(jìn)行類別劃分,考慮到抓取角度的對(duì)稱性,本文將180°均分成19個(gè)區(qū)域,加上背景分類,本文實(shí)驗(yàn)共有20 種類別。標(biāo)簽中的角度值相應(yīng)分配至最近的區(qū)域,將原本帶有方向性的矩形框置為沒有角度傾斜的矩形框,模型訓(xùn)練時(shí)擬合這些垂直于圖像x軸的矩形框,并預(yù)測(cè)這些矩形框?qū)儆谀姆N角度類別。

    4.4 模型訓(xùn)練的實(shí)現(xiàn)

    考慮到RetinaNet模型內(nèi)部層數(shù)較多且結(jié)構(gòu)相對(duì)復(fù)雜,對(duì)于目前數(shù)據(jù)集數(shù)據(jù)規(guī)模較小的情況容易導(dǎo)致過擬合。為此本文采用遷移學(xué)習(xí)的方法進(jìn)行抓取檢測(cè)模型訓(xùn)練,將在微軟COCO 數(shù)據(jù)集訓(xùn)練好的ResNet-50 模型參數(shù)作為初始值,在此基礎(chǔ)上進(jìn)行微調(diào),網(wǎng)絡(luò)中其余的參數(shù)采用標(biāo)準(zhǔn)高斯分布進(jìn)行初始化。以圖像RGB作為模型輸入,學(xué)習(xí)率初始化為0.000 1,學(xué)習(xí)率衰減因子為5,設(shè)置每批訓(xùn)練圖片數(shù)為2,epoch初始化為20,采用隨機(jī)梯度下降法(SGD)對(duì)模型進(jìn)行訓(xùn)練。

    4.5 評(píng)估指標(biāo)

    通常有兩種評(píng)估方法來衡量模型預(yù)測(cè)抓取姿態(tài)的效果:一種是點(diǎn)度量方法,另一種是矩形度量方法。

    點(diǎn)度量評(píng)估方法主要以模型預(yù)測(cè)的抓取框中心點(diǎn)與標(biāo)注真值框的中心點(diǎn)之間的距離作為衡量標(biāo)準(zhǔn),當(dāng)兩點(diǎn)之間的距離小于預(yù)定的閾值,則認(rèn)為預(yù)測(cè)結(jié)果可用于抓取目標(biāo)物體并取最小值作為最佳抓取框。然而以往算法中沒有公開點(diǎn)度量評(píng)估方法所使用的閾值,并且該方法沒有將抓取角度納入評(píng)估范疇中,所以更多的算法采用矩形度量作為評(píng)估方法。

    矩形度量方法采用抓取矩形來衡量模型預(yù)測(cè)的效果,當(dāng)預(yù)測(cè)的矩形框同時(shí)滿足以下兩個(gè)條件時(shí),則認(rèn)為該矩形框可用于抓取物體:

    (1)預(yù)測(cè)的抓取角度與標(biāo)注真值框的抓取角度之差小于30°。

    (2)Jaccard 相似系數(shù)大于0.25,其中Jaccard 相似系數(shù)計(jì)算公式如下:

    其中,gp為預(yù)測(cè)抓取矩形區(qū)域,gt為標(biāo)注真值框的抓取矩形區(qū)域。本文采用矩形度量的評(píng)估方法,取預(yù)選抓取框中評(píng)判值最大的作為模型預(yù)測(cè)結(jié)果。

    4.6 實(shí)驗(yàn)結(jié)果與分析

    本文使用Cornell 數(shù)據(jù)集對(duì)提出的算法進(jìn)行測(cè)試,測(cè)試結(jié)果如圖8 和圖9 所示:圖8 展示模型預(yù)測(cè)的部分正確抓取框;圖9展示模型預(yù)測(cè)結(jié)果中錯(cuò)誤抓取框。

    圖8 模型預(yù)測(cè)的部分正確抓取框

    圖9 模型預(yù)測(cè)結(jié)果中錯(cuò)誤抓取框

    為進(jìn)一步驗(yàn)證本文算法的有效性,本文進(jìn)行以下兩部分實(shí)驗(yàn):

    (1)原RetinaNet模型和SE-RetinaGrasp模型檢測(cè)效果對(duì)比

    將數(shù)據(jù)集按圖片隨機(jī)劃分的方式切分訓(xùn)練集和測(cè)試集,利用原RetinaNet模型和SE-RetinaGrasp模型對(duì)測(cè)試集進(jìn)行抓取檢測(cè),實(shí)驗(yàn)結(jié)果如表1所示。

    表1 原RetinaNet模型、SE-RetinaGrasp模型結(jié)果對(duì)比

    從表1中可以看出,嵌入SENet結(jié)構(gòu)的RetinaNet模型較原RetinaNet模型準(zhǔn)確率提高了1.13%,參數(shù)量較原RetinaNet模型增加8%,而平均檢測(cè)時(shí)間幾乎沒有增加;基于SE-RetinaNet 模型的基礎(chǔ)上引入平衡金字塔的思想,準(zhǔn)確率進(jìn)一步提升0.4%,參數(shù)量較SE-RetinaNet 模型僅增加1%,總體平均檢測(cè)時(shí)間較原RetinaNet模型增加了1 ms。

    實(shí)驗(yàn)分析可知,嵌入SENet結(jié)構(gòu)有助于挖掘抓取檢測(cè)任務(wù)中重要的特征通道,增強(qiáng)特征圖的感受野;而引入平衡特征金字塔的思想進(jìn)一步融合不同層次的特征信息,加強(qiáng)原來各層次中特征的表達(dá)能力,有助于檢測(cè)物體中各種大小的抓取框。由于主要采用上采樣以及最大池化操作,模型參數(shù)數(shù)量基本不變,并有效提高了檢測(cè)準(zhǔn)確率。本文算法與原RetinaNet檢測(cè)效果如圖10所示。

    圖10 原RetinaNet模型、SE-RetinaGrasp模型效果對(duì)比

    由圖10 可發(fā)現(xiàn),對(duì)于同一種物體,原RetinaNet 檢測(cè)的抓取框趨向于兩端且仍有抓取框偏大的現(xiàn)象,而SE-RetinaGrasp 模型的抓取框更趨向于物體的中間位置且抓取框更為精準(zhǔn),提高了機(jī)器人抓取目標(biāo)物體的穩(wěn)定性。

    (2)本文算法和其他算法檢測(cè)效果對(duì)比

    將本文算法與以往提出的算法進(jìn)行對(duì)比,并比較不同方式劃分?jǐn)?shù)據(jù)集下檢測(cè)準(zhǔn)確率以及檢測(cè)時(shí)間。對(duì)比結(jié)果如表2所示。

    實(shí)驗(yàn)結(jié)果顯示,本文算法可在保持高準(zhǔn)確率的前提下,以實(shí)時(shí)速度檢測(cè)抓取框,比文獻(xiàn)[10]算法的檢測(cè)速度快了將近6倍。

    按方式1劃分?jǐn)?shù)據(jù)集,本文算法準(zhǔn)確率均高于其他檢測(cè)算法;按方式2 劃分?jǐn)?shù)據(jù)集,準(zhǔn)確率稍低于文獻(xiàn)[10]。本文算法的執(zhí)行效率均高于其他經(jīng)典抓取檢測(cè)算法,盡管本文模型在生成候選抓取框時(shí)耗費(fèi)了一定的時(shí)間,但本文算法的網(wǎng)絡(luò)模型為全卷積網(wǎng)絡(luò)且無文獻(xiàn)[10]算法中區(qū)域生成網(wǎng)絡(luò)該一步驟,有效地減少檢測(cè)時(shí)間。

    表2 本文算法與其他算法結(jié)果對(duì)比

    為進(jìn)一步體現(xiàn)本文算法性能,表3 展示了在不同Jaccard閾值下檢測(cè)精度結(jié)果。結(jié)果表明,在更嚴(yán)格的評(píng)價(jià)標(biāo)準(zhǔn)中,本文算法仍保持較高的檢測(cè)準(zhǔn)確率,有助于機(jī)器人精確地抓取目標(biāo)物。

    表3 不同Jaccard閾值下的檢測(cè)精度 %

    本文通過復(fù)現(xiàn)文獻(xiàn)[10]的抓取檢測(cè)算法,與本文算法進(jìn)行對(duì)比,具體效果如圖11所示。

    圖11 本文算法與其他算法效果對(duì)比

    由圖11 的對(duì)比效果可發(fā)現(xiàn),對(duì)于檢測(cè)同一種物體不同擺放姿態(tài)下的抓取位置,文獻(xiàn)[10]檢測(cè)的抓取框偏大,精確度不足;本文算法預(yù)測(cè)的抓取框更加精細(xì),主要原因在于本文算法充分利用不同層次的特征信息,并在不同層的特征圖上檢測(cè)抓取框,與文獻(xiàn)[10]在提取特征網(wǎng)絡(luò)的最后一層特征圖上進(jìn)行檢測(cè)相比,本文算法能更好地捕抓目標(biāo)物的細(xì)節(jié)信息,加強(qiáng)小抓取框的檢測(cè)效果。

    5 結(jié)束語

    為了使機(jī)器人實(shí)時(shí)且準(zhǔn)確地抓取目標(biāo)物體,本文提出并驗(yàn)證了一種基于SE-RetinaGrasp 的神經(jīng)網(wǎng)絡(luò)模型。該模型以一階目標(biāo)檢測(cè)算法RetinaNet 為基礎(chǔ),一方面,通過通道注意力SENet 結(jié)構(gòu),建立特征通道之間的相互依賴關(guān)系,提升對(duì)抓取檢測(cè)任務(wù)起積極作用的特征并抑制用處不大的特征,從而提高檢測(cè)準(zhǔn)確率;另一方面,利用平衡金字塔的思想,在不增加太多參數(shù)的前提下,進(jìn)一步融合不同層次的特征信息,加強(qiáng)模型對(duì)細(xì)節(jié)信息的捕抓能力。在Cornell 數(shù)據(jù)集上的實(shí)驗(yàn)證明,相比于傳統(tǒng)抓取檢測(cè)模型,SE-RetinaGrasp 模型保持高檢測(cè)準(zhǔn)確率的同時(shí),實(shí)時(shí)性高,并且一定程度上提高了抓取框的精細(xì)程度。

    然而,Cornell數(shù)據(jù)集針對(duì)的圖像僅包含單一目標(biāo)物體,對(duì)于現(xiàn)實(shí)生活中多物體堆疊的情況尚未能很好的解決,因此,如何能在多物體堆疊的場(chǎng)景下,實(shí)時(shí)準(zhǔn)確地抓取相應(yīng)物體是下一步的研究內(nèi)容。

    猜你喜歡
    物體準(zhǔn)確率機(jī)器人
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    深刻理解物體的平衡
    我們是怎樣看到物體的
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    機(jī)器人來幫你
    認(rèn)識(shí)機(jī)器人
    機(jī)器人來啦
    認(rèn)識(shí)機(jī)器人
    中文欧美无线码| 亚洲国产精品国产精品| 一区二区三区免费毛片| 国产探花极品一区二区| 乱码一卡2卡4卡精品| 久久久久性生活片| 我要看日韩黄色一级片| 久久韩国三级中文字幕| 视频区图区小说| 精品国产三级普通话版| 国产男人的电影天堂91| 在线观看免费高清a一片| 国产在视频线精品| 亚洲国产精品成人久久小说| 超碰97精品在线观看| 国产爽快片一区二区三区| 久久久久久久国产电影| 久热这里只有精品99| 日本熟妇午夜| 1000部很黄的大片| 欧美精品人与动牲交sv欧美| 国产精品福利在线免费观看| 久久精品综合一区二区三区| 久久韩国三级中文字幕| 久久99热6这里只有精品| 日本三级黄在线观看| 大又大粗又爽又黄少妇毛片口| 亚洲国产精品999| 三级经典国产精品| 蜜臀久久99精品久久宅男| 日韩精品有码人妻一区| 少妇的逼好多水| 午夜亚洲福利在线播放| 国产欧美另类精品又又久久亚洲欧美| 久久久午夜欧美精品| 国产精品一区二区在线观看99| 亚洲av中文字字幕乱码综合| 91精品国产九色| 亚洲精品影视一区二区三区av| 一级片'在线观看视频| 久久精品国产亚洲av涩爱| videos熟女内射| 国产亚洲精品久久久com| 国产免费一区二区三区四区乱码| 精品一区在线观看国产| av国产免费在线观看| 国产爱豆传媒在线观看| 国产男女超爽视频在线观看| 熟女av电影| 久久久久久久亚洲中文字幕| 亚洲天堂国产精品一区在线| 日韩电影二区| 亚洲成色77777| 国产高潮美女av| 欧美精品人与动牲交sv欧美| 少妇人妻久久综合中文| 精品少妇久久久久久888优播| 性插视频无遮挡在线免费观看| 国产片特级美女逼逼视频| 国产免费视频播放在线视频| 成人鲁丝片一二三区免费| 高清在线视频一区二区三区| 欧美变态另类bdsm刘玥| 三级经典国产精品| 亚洲欧美日韩无卡精品| 欧美少妇被猛烈插入视频| 女人十人毛片免费观看3o分钟| 99久久精品国产国产毛片| 日韩一区二区三区影片| 午夜精品一区二区三区免费看| 日韩欧美一区视频在线观看 | 免费看光身美女| 国产一区二区亚洲精品在线观看| av国产免费在线观看| 2021天堂中文幕一二区在线观| 国产黄片美女视频| 国产精品人妻久久久久久| 久久久久久久大尺度免费视频| 天天躁日日操中文字幕| 国产黄a三级三级三级人| 国产精品秋霞免费鲁丝片| 久久国产乱子免费精品| 久久久久久九九精品二区国产| 人人妻人人澡人人爽人人夜夜| 成人一区二区视频在线观看| 又爽又黄a免费视频| 直男gayav资源| 久久久久精品久久久久真实原创| 亚洲精品乱码久久久久久按摩| 久久久久久久久久人人人人人人| 成人午夜精彩视频在线观看| 一级爰片在线观看| 美女视频免费永久观看网站| 在线 av 中文字幕| 好男人视频免费观看在线| av卡一久久| 男人爽女人下面视频在线观看| 91精品国产九色| 新久久久久国产一级毛片| 中文字幕人妻熟人妻熟丝袜美| 亚洲国产成人一精品久久久| 成人亚洲精品av一区二区| 啦啦啦中文免费视频观看日本| 一级毛片电影观看| 亚洲内射少妇av| 26uuu在线亚洲综合色| 亚洲内射少妇av| 国产精品久久久久久av不卡| 男人狂女人下面高潮的视频| 久热这里只有精品99| 精品国产一区二区三区久久久樱花 | 国产精品无大码| 亚洲av福利一区| 少妇裸体淫交视频免费看高清| 在线 av 中文字幕| 丝瓜视频免费看黄片| 亚洲人成网站在线观看播放| 日韩,欧美,国产一区二区三区| 免费观看在线日韩| 亚洲伊人久久精品综合| 女人十人毛片免费观看3o分钟| 久久精品国产亚洲网站| 可以在线观看毛片的网站| 久久这里有精品视频免费| 久久女婷五月综合色啪小说 | 国产午夜福利久久久久久| 亚洲av国产av综合av卡| 97超视频在线观看视频| 综合色丁香网| 少妇熟女欧美另类| 亚洲三级黄色毛片| 亚洲av中文字字幕乱码综合| 91午夜精品亚洲一区二区三区| 亚洲国产av新网站| 亚洲av一区综合| 精品久久久精品久久久| 精品人妻一区二区三区麻豆| 欧美+日韩+精品| 免费观看在线日韩| 亚洲美女视频黄频| 国产 精品1| 精品少妇黑人巨大在线播放| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲国产精品999| 久久久久精品久久久久真实原创| 黄色视频在线播放观看不卡| 亚洲在久久综合| 国产成人91sexporn| 一本一本综合久久| 日韩在线高清观看一区二区三区| 国产黄频视频在线观看| 一边亲一边摸免费视频| 欧美另类一区| 国国产精品蜜臀av免费| 日韩强制内射视频| 日韩强制内射视频| 日韩强制内射视频| 亚洲,一卡二卡三卡| 久久综合国产亚洲精品| 精品久久国产蜜桃| 爱豆传媒免费全集在线观看| 久久久精品94久久精品| 国产精品av视频在线免费观看| 美女主播在线视频| 精品久久久久久久久亚洲| 亚洲国产av新网站| 97超视频在线观看视频| 国产精品三级大全| 日本猛色少妇xxxxx猛交久久| 91久久精品国产一区二区三区| 欧美少妇被猛烈插入视频| 亚洲综合精品二区| 国产色爽女视频免费观看| 在线a可以看的网站| 看非洲黑人一级黄片| 亚洲精品久久午夜乱码| 建设人人有责人人尽责人人享有的 | 欧美人与善性xxx| 男人舔奶头视频| 2018国产大陆天天弄谢| 国产精品嫩草影院av在线观看| 亚洲国产精品成人久久小说| 国产又色又爽无遮挡免| 亚洲精品自拍成人| 国产高清国产精品国产三级 | www.色视频.com| 女人十人毛片免费观看3o分钟| 91精品国产九色| 欧美激情久久久久久爽电影| 寂寞人妻少妇视频99o| 国产一区亚洲一区在线观看| 久久久国产一区二区| 国内少妇人妻偷人精品xxx网站| 波多野结衣巨乳人妻| 一级毛片aaaaaa免费看小| 国产又色又爽无遮挡免| av福利片在线观看| 日本与韩国留学比较| av播播在线观看一区| 精华霜和精华液先用哪个| 国产午夜精品久久久久久一区二区三区| 国产黄色免费在线视频| 最近中文字幕高清免费大全6| 亚洲欧美日韩另类电影网站 | 亚洲国产成人一精品久久久| 男人舔奶头视频| 亚洲精品影视一区二区三区av| 人妻 亚洲 视频| 亚洲精品成人久久久久久| 午夜福利视频1000在线观看| 亚洲欧美日韩东京热| 五月玫瑰六月丁香| 蜜桃亚洲精品一区二区三区| 国产有黄有色有爽视频| 久久久亚洲精品成人影院| 亚洲av电影在线观看一区二区三区 | 伦精品一区二区三区| 免费不卡的大黄色大毛片视频在线观看| 国产中年淑女户外野战色| 国产精品一区二区在线观看99| 一级毛片电影观看| 国产免费又黄又爽又色| 最新中文字幕久久久久| 久久久久性生活片| 成人毛片a级毛片在线播放| 天美传媒精品一区二区| 日日啪夜夜爽| 日韩伦理黄色片| 69av精品久久久久久| 久久久a久久爽久久v久久| 亚洲欧美精品自产自拍| 噜噜噜噜噜久久久久久91| 欧美3d第一页| 三级国产精品欧美在线观看| 国产精品成人在线| 啦啦啦中文免费视频观看日本| 亚洲久久久久久中文字幕| 成人亚洲精品一区在线观看 | 久热这里只有精品99| 欧美精品一区二区大全| 舔av片在线| 秋霞在线观看毛片| 在线精品无人区一区二区三 | 成人欧美大片| 2022亚洲国产成人精品| 国精品久久久久久国模美| 国产乱人偷精品视频| 成人免费观看视频高清| 日韩三级伦理在线观看| 在线免费观看不下载黄p国产| 内地一区二区视频在线| 国产精品久久久久久久电影| 精品一区二区免费观看| 日本一二三区视频观看| 夜夜爽夜夜爽视频| 汤姆久久久久久久影院中文字幕| 女人十人毛片免费观看3o分钟| 内地一区二区视频在线| 亚洲欧美精品自产自拍| 国产高清国产精品国产三级 | 简卡轻食公司| 一级毛片aaaaaa免费看小| 亚洲一区二区三区欧美精品 | 又爽又黄无遮挡网站| 秋霞伦理黄片| 三级男女做爰猛烈吃奶摸视频| 全区人妻精品视频| 日本与韩国留学比较| 亚洲国产欧美在线一区| 免费观看性生交大片5| 一本一本综合久久| 国产亚洲av嫩草精品影院| 免费在线观看成人毛片| 亚洲精品乱码久久久v下载方式| 白带黄色成豆腐渣| 老司机影院毛片| 日韩欧美 国产精品| 日韩精品有码人妻一区| 国产高清国产精品国产三级 | 人妻制服诱惑在线中文字幕| av天堂中文字幕网| 全区人妻精品视频| 看非洲黑人一级黄片| 麻豆国产97在线/欧美| 免费观看无遮挡的男女| 成年人午夜在线观看视频| 国产精品久久久久久精品古装| 亚洲美女搞黄在线观看| 白带黄色成豆腐渣| 国产成人91sexporn| 夫妻性生交免费视频一级片| 国产免费一区二区三区四区乱码| 久热久热在线精品观看| 国产黄片美女视频| 又粗又硬又长又爽又黄的视频| 久久久久精品性色| 久久亚洲国产成人精品v| 日韩三级伦理在线观看| 国产高清三级在线| 亚洲av男天堂| 中文字幕人妻熟人妻熟丝袜美| 日韩中字成人| 在线亚洲精品国产二区图片欧美 | 亚洲欧美一区二区三区国产| 亚洲精品aⅴ在线观看| 欧美成人一区二区免费高清观看| 日韩国内少妇激情av| 舔av片在线| 久热这里只有精品99| av又黄又爽大尺度在线免费看| 伊人久久国产一区二区| 国产精品秋霞免费鲁丝片| 晚上一个人看的免费电影| 亚洲精品亚洲一区二区| 黄色视频在线播放观看不卡| 我的老师免费观看完整版| 国产在视频线精品| 欧美日韩一区二区视频在线观看视频在线 | 久久久久国产精品人妻一区二区| 国内精品美女久久久久久| 一级毛片我不卡| 欧美激情久久久久久爽电影| 欧美zozozo另类| 中文资源天堂在线| 中国国产av一级| 免费人成在线观看视频色| av免费在线看不卡| 涩涩av久久男人的天堂| 丰满人妻一区二区三区视频av| 直男gayav资源| 精品国产乱码久久久久久小说| 好男人在线观看高清免费视频| 国产伦在线观看视频一区| 久久精品久久久久久噜噜老黄| 毛片女人毛片| kizo精华| 高清日韩中文字幕在线| 亚洲欧美一区二区三区国产| 国产精品99久久久久久久久| 国产精品国产三级国产av玫瑰| 国产黄色视频一区二区在线观看| 国产伦在线观看视频一区| av播播在线观看一区| 欧美成人一区二区免费高清观看| 美女被艹到高潮喷水动态| 亚洲精品久久久久久婷婷小说| 深爱激情五月婷婷| 国产精品久久久久久久久免| 岛国毛片在线播放| 免费电影在线观看免费观看| 51国产日韩欧美| 十八禁网站网址无遮挡 | 看黄色毛片网站| 国产精品福利在线免费观看| 性插视频无遮挡在线免费观看| 国产一区有黄有色的免费视频| 精品人妻偷拍中文字幕| 嫩草影院精品99| 久久精品国产亚洲av天美| 1000部很黄的大片| 亚洲色图综合在线观看| 亚洲人成网站高清观看| 在线观看三级黄色| 成年女人在线观看亚洲视频 | 国产伦在线观看视频一区| 欧美性感艳星| 高清视频免费观看一区二区| av在线播放精品| 免费大片黄手机在线观看| 一区二区三区四区激情视频| 亚洲经典国产精华液单| 午夜老司机福利剧场| 人体艺术视频欧美日本| 亚洲最大成人手机在线| 午夜福利高清视频| 三级国产精品片| 亚洲av中文av极速乱| 少妇熟女欧美另类| 久久99蜜桃精品久久| a级毛色黄片| 街头女战士在线观看网站| 人妻系列 视频| 亚洲av国产av综合av卡| 99热这里只有是精品在线观看| 亚洲精品亚洲一区二区| 日本黄色片子视频| 成人黄色视频免费在线看| 如何舔出高潮| 精品一区二区免费观看| 亚洲在线观看片| 亚洲精品色激情综合| 又黄又爽又刺激的免费视频.| 国产成年人精品一区二区| 黄色欧美视频在线观看| 男女国产视频网站| av在线亚洲专区| 欧美性感艳星| 国产成人精品福利久久| 能在线免费看毛片的网站| 夜夜看夜夜爽夜夜摸| 99久国产av精品国产电影| 肉色欧美久久久久久久蜜桃 | 日韩欧美精品v在线| 韩国高清视频一区二区三区| 久久精品国产自在天天线| 午夜精品国产一区二区电影 | 美女视频免费永久观看网站| 草草在线视频免费看| videos熟女内射| 国产欧美另类精品又又久久亚洲欧美| a级一级毛片免费在线观看| 国产精品爽爽va在线观看网站| 中文资源天堂在线| 69av精品久久久久久| 夫妻性生交免费视频一级片| 老司机影院成人| 日本-黄色视频高清免费观看| 色播亚洲综合网| 成人一区二区视频在线观看| 免费播放大片免费观看视频在线观看| 熟女人妻精品中文字幕| 成人高潮视频无遮挡免费网站| av免费在线看不卡| 热re99久久精品国产66热6| 夜夜看夜夜爽夜夜摸| 天美传媒精品一区二区| 欧美一级a爱片免费观看看| 黄片wwwwww| 熟女人妻精品中文字幕| 日韩欧美精品v在线| 亚洲精品国产av蜜桃| 久久精品国产自在天天线| 精品99又大又爽又粗少妇毛片| 久久久久久伊人网av| 亚洲天堂国产精品一区在线| xxx大片免费视频| 久久久久久久久久久丰满| av播播在线观看一区| 国产精品一区www在线观看| 日韩国内少妇激情av| 国产精品国产三级国产av玫瑰| 美女视频免费永久观看网站| 中文字幕免费在线视频6| 人体艺术视频欧美日本| 国产老妇伦熟女老妇高清| 欧美精品人与动牲交sv欧美| 秋霞在线观看毛片| 久久久久精品久久久久真实原创| 男女那种视频在线观看| 国产精品爽爽va在线观看网站| 十八禁网站网址无遮挡 | 国产 一区精品| 成年av动漫网址| 亚洲精品乱久久久久久| 精品久久久久久久人妻蜜臀av| 欧美日韩视频高清一区二区三区二| 亚洲国产日韩一区二区| 久久韩国三级中文字幕| 我的老师免费观看完整版| 久久久久性生活片| 免费播放大片免费观看视频在线观看| 免费少妇av软件| 我要看日韩黄色一级片| 三级经典国产精品| av女优亚洲男人天堂| 汤姆久久久久久久影院中文字幕| 熟妇人妻不卡中文字幕| 黑人高潮一二区| 看黄色毛片网站| 国精品久久久久久国模美| 精品国产露脸久久av麻豆| 亚洲成人久久爱视频| 日本色播在线视频| 中文字幕人妻熟人妻熟丝袜美| 国产亚洲午夜精品一区二区久久 | 国模一区二区三区四区视频| 精品人妻偷拍中文字幕| 亚洲国产成人一精品久久久| xxx大片免费视频| 欧美日本视频| 男男h啪啪无遮挡| 我的老师免费观看完整版| 韩国高清视频一区二区三区| 国产成人91sexporn| 在线观看人妻少妇| 中国国产av一级| 亚洲经典国产精华液单| 国产 精品1| 亚洲成人中文字幕在线播放| 老女人水多毛片| 国产精品爽爽va在线观看网站| 精品酒店卫生间| 亚洲精品日本国产第一区| 久久久午夜欧美精品| 免费黄网站久久成人精品| 国产欧美另类精品又又久久亚洲欧美| 国产伦理片在线播放av一区| 欧美日韩国产mv在线观看视频 | 91久久精品国产一区二区三区| 岛国毛片在线播放| 男人爽女人下面视频在线观看| 亚洲自拍偷在线| 直男gayav资源| 亚洲国产欧美人成| 人妻制服诱惑在线中文字幕| 在线 av 中文字幕| 亚洲成人中文字幕在线播放| 国产免费又黄又爽又色| 久久久久久久精品精品| 一级毛片黄色毛片免费观看视频| 免费黄色在线免费观看| 99久久精品热视频| 看黄色毛片网站| 国产精品久久久久久av不卡| 男女啪啪激烈高潮av片| 狠狠精品人妻久久久久久综合| 久久久国产一区二区| 免费看光身美女| 一本一本综合久久| 亚洲成人中文字幕在线播放| 精品一区二区三卡| 国产av国产精品国产| 亚洲第一区二区三区不卡| 久久精品国产亚洲网站| 日韩制服骚丝袜av| 人妻 亚洲 视频| 91精品伊人久久大香线蕉| 日本-黄色视频高清免费观看| 毛片女人毛片| 身体一侧抽搐| 成年人午夜在线观看视频| 国产精品一区二区性色av| 热99国产精品久久久久久7| 我的老师免费观看完整版| 午夜激情福利司机影院| 国产极品天堂在线| 亚洲av免费高清在线观看| 成人亚洲精品一区在线观看 | www.色视频.com| 直男gayav资源| 日韩三级伦理在线观看| 午夜精品一区二区三区免费看| av又黄又爽大尺度在线免费看| 国产亚洲av片在线观看秒播厂| 国产精品一及| 亚洲av成人精品一区久久| 九色成人免费人妻av| 极品少妇高潮喷水抽搐| 日韩三级伦理在线观看| 青春草视频在线免费观看| 亚州av有码| 99久久精品一区二区三区| 97在线视频观看| 小蜜桃在线观看免费完整版高清| av在线天堂中文字幕| 久久精品国产亚洲av涩爱| 一个人观看的视频www高清免费观看| 成人亚洲欧美一区二区av| 免费观看的影片在线观看| 交换朋友夫妻互换小说| 51国产日韩欧美| 2021天堂中文幕一二区在线观| 如何舔出高潮| 亚洲国产精品专区欧美| 国产成人精品一,二区| 久久精品综合一区二区三区| 久久亚洲国产成人精品v| 欧美激情在线99| 最近中文字幕2019免费版| 色视频www国产| 免费不卡的大黄色大毛片视频在线观看| 搞女人的毛片| 国产人妻一区二区三区在| 亚洲怡红院男人天堂| 日韩成人伦理影院| 男插女下体视频免费在线播放| 中文欧美无线码| 联通29元200g的流量卡| 性插视频无遮挡在线免费观看| 国产极品天堂在线| 国产日韩欧美在线精品| 色播亚洲综合网| 日日啪夜夜撸| 伊人久久国产一区二区| 欧美日韩视频高清一区二区三区二| 欧美日韩一区二区视频在线观看视频在线 | 日本一本二区三区精品| 精品少妇久久久久久888优播| 国产免费一级a男人的天堂| 中文字幕制服av| 2018国产大陆天天弄谢| 波野结衣二区三区在线| 欧美丝袜亚洲另类| 日韩大片免费观看网站| 看免费成人av毛片| 亚洲精品第二区| 国产精品一及| 看免费成人av毛片| 少妇熟女欧美另类| 97超视频在线观看视频| 内射极品少妇av片p| 精品人妻熟女av久视频| 亚洲综合色惰| 亚洲最大成人中文| 精品人妻熟女av久视频| 久久久成人免费电影| 国产精品99久久久久久久久| 黄色视频在线播放观看不卡| 色吧在线观看| 国产成人freesex在线| 国产 精品1| 99热网站在线观看| 国产精品99久久久久久久久| 亚洲成人久久爱视频| 免费不卡的大黄色大毛片视频在线观看|