• <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 ?

    基于改進(jìn)分割決策網(wǎng)絡(luò)的鋁材表面凹坑缺陷檢測(cè)

    2021-04-20 02:30:02陽,
    關(guān)鍵詞:區(qū)域分割鋁材卷積

    曹 陽, 盧 軍

    (陜西科技大學(xué) 機(jī)電工程學(xué)院, 陜西 西安 710021)

    0 引言

    在工業(yè)生產(chǎn)中,質(zhì)檢作為確保成品質(zhì)量的關(guān)鍵環(huán)節(jié),在工業(yè)生產(chǎn)自動(dòng)化中具有重要的意義.在鋁材制造行業(yè),鋁材的表面質(zhì)量是評(píng)價(jià)鋁材質(zhì)量的一個(gè)重要指標(biāo)[1],傳統(tǒng)的缺陷檢測(cè)技術(shù)主要依靠機(jī)械式檢測(cè)方法,如電渦流檢測(cè)、漏磁檢測(cè)等,但其檢測(cè)原理具有局限性,無法廣泛應(yīng)用[2].近年來隨著機(jī)器視覺與深度學(xué)習(xí)技術(shù)的興起,利用圖像處理技術(shù)來進(jìn)行表面缺陷檢測(cè)成為主流.

    機(jī)器視覺作為一種無接觸、無損傷的檢測(cè)手段,在工業(yè)生產(chǎn)自動(dòng)化、智能化過程中具有重要的作用,在工業(yè)缺陷檢測(cè)得到了廣泛的應(yīng)用.徐科等[3]利用Tetrolet變換從熱軋鋼板圖像中提取低維特征向量,再送入支持向量機(jī)進(jìn)行缺陷分類,分類識(shí)別準(zhǔn)確率達(dá)到了97.38%; Shafarenko等[4]通過提出一種新的顏色相似性度量方法,配合分水嶺分割算法,實(shí)現(xiàn)了對(duì)隨機(jī)紋理表面缺陷的檢測(cè);李良福等[5]針對(duì)橋梁裂縫,利用伽馬變換等算法對(duì)圖像進(jìn)行重新生成,突出其缺陷特征,再進(jìn)行輪廓查找,完成了對(duì)橋梁裂縫的檢測(cè);Hoang等[6]針對(duì)皮革表面缺陷,提出了一種閾值分割結(jié)合密度聚類的方法,完成了缺陷的分割及分類,實(shí)驗(yàn)結(jié)果表明了該方法的有效性.基于機(jī)器視覺的檢測(cè)方法,相較于傳統(tǒng)機(jī)械手段已有很大進(jìn)步,但在涉及特征提取部分,往往需要針對(duì)數(shù)據(jù)集,設(shè)計(jì)獨(dú)特的特征提取器,傳統(tǒng)機(jī)器視覺算法中關(guān)鍵參數(shù)的確定,如文獻(xiàn)[6]中的歐氏距離的確定,往往依賴人的經(jīng)驗(yàn),缺少泛化性.

    隨著深度學(xué)習(xí)在圖像分割,圖像分類等領(lǐng)域的廣泛應(yīng)用,將深度學(xué)習(xí)應(yīng)用于缺陷檢測(cè)得到了研究人員的廣泛關(guān)注.Chondronasios等[7]針對(duì)鋁材的水泡和劃痕缺陷,采用梯度共發(fā)生矩陣采集技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)缺陷的分類;翁飄等[8]設(shè)計(jì)了一種基于改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)(FCN)[9]的網(wǎng)絡(luò)模型,通過反卷積將FCN網(wǎng)絡(luò)淺層特征與深層特征相融合,實(shí)現(xiàn)了對(duì)路面裂縫的缺陷檢測(cè);張廣世等[10]提出了一種利用改進(jìn)的YOLO3網(wǎng)絡(luò),對(duì)齒輪缺陷進(jìn)行檢測(cè)的方法;張芳等[11]基于語義分割網(wǎng)絡(luò)(U-Net)[12]對(duì)納米顆粒進(jìn)行分割,實(shí)驗(yàn)證明該方法穩(wěn)定有效;Ma等[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的缺陷檢測(cè)方法,在真實(shí)數(shù)據(jù)集上對(duì)手機(jī)表面缺陷的檢出率達(dá)到了99.5%.以上的工作在缺陷分割以及目標(biāo)檢測(cè)方面都取得了優(yōu)異的效果,但在工業(yè)缺陷檢測(cè)中,不僅要關(guān)心檢測(cè)的精度,還希望能夠同時(shí)獲得分割、分類等信息[14],以便于對(duì)缺陷進(jìn)行更進(jìn)一步分析.

    在多任務(wù)目標(biāo)檢測(cè)領(lǐng)域,也有大量相關(guān)文獻(xiàn).Wang等[15]訓(xùn)練CNN卷積神經(jīng)網(wǎng)絡(luò),在DAGM數(shù)據(jù)集上對(duì)六類缺陷樣本,六類無缺陷樣本進(jìn)行分類,采用分段式網(wǎng)絡(luò),第一段對(duì)圖像種類進(jìn)新判別,第二段對(duì)缺陷的存在性進(jìn)新判別,在對(duì)缺陷存在性的判別上達(dá)到了99.8%的準(zhǔn)確率;Tao等[16]利用級(jí)聯(lián)自編碼器結(jié)合CNN對(duì)工業(yè)顯微鏡的扁平金屬組件的表面缺陷進(jìn)行檢測(cè),實(shí)現(xiàn)了缺陷的分割及分類預(yù)測(cè);Feng等[17]利用深度殘差網(wǎng)絡(luò)(Resnet)[18],提出了一個(gè)主動(dòng)深度學(xué)習(xí)系統(tǒng),實(shí)現(xiàn)了對(duì)路面缺陷的檢測(cè)和分類;蔡彪等[19]設(shè)計(jì)了一種基于Mask R-CNN的鑄件X射線DR圖像缺陷檢測(cè)算法,依據(jù)算法分割、分類結(jié)果,實(shí)現(xiàn)了對(duì)缺陷檢測(cè)的分級(jí)分類;沈曉海等[20]針對(duì)鋁材缺陷檢測(cè)任務(wù),提出了一種基于多任務(wù)深度學(xué)習(xí)的鋁材表面缺陷檢測(cè)算法,解決了多任務(wù)訓(xùn)練不均衡的問題,實(shí)現(xiàn)了鋁材缺陷的分類以目標(biāo)檢測(cè);以上算法通過不同的方式改進(jìn)了缺陷檢測(cè)的性能,但都依賴于大量的數(shù)據(jù)集,需要耗費(fèi)大量的精力去制作數(shù)據(jù)集,對(duì)訓(xùn)練網(wǎng)絡(luò)的設(shè)備也有很高的要求.

    工業(yè)缺陷檢測(cè)數(shù)據(jù)集往往較少,且標(biāo)注成本高,在樣本數(shù)量較小時(shí),網(wǎng)絡(luò)容易發(fā)生過擬合.Tabernik等[21]設(shè)計(jì)了一種基于分割的檢測(cè)網(wǎng)絡(luò),分為分割網(wǎng)絡(luò),決策網(wǎng)絡(luò)兩部分,在極少的樣本數(shù)量上達(dá)到了優(yōu)異的檢測(cè)精度.本文依據(jù)文獻(xiàn)[21],提出一種改進(jìn)的分割決策網(wǎng)絡(luò),在鋁材表面凹坑缺陷檢測(cè)上進(jìn)行改進(jìn)實(shí)驗(yàn)驗(yàn)證,并同F(xiàn)CN、U-Net、VGG[22]、Resnet50經(jīng)典網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn),結(jié)果表明所提出的算法具有更高的檢測(cè)精度以及穩(wěn)定性.

    1 研究的問題

    鋁材在生產(chǎn)過程中會(huì)產(chǎn)生許多的缺陷,其中凹坑缺陷是比較常見的一種,凹坑缺陷一般由擠壓速度不均勻以及模子工作帶不光潔等原因造成,而凹坑缺陷由于工藝的不同,有缺陷大小不同以及凹坑個(gè)數(shù)的區(qū)分.在實(shí)際的工業(yè)鋁材缺陷檢測(cè)中,首要的問題是生產(chǎn)的產(chǎn)品是否存在缺陷,即缺陷分類任務(wù),若產(chǎn)品存在缺陷,則需要對(duì)其進(jìn)一步分析以便改進(jìn)工藝,為此需獲得鋁材缺陷的像素級(jí)分類,輸出鋁材缺陷區(qū)域和正常區(qū)域的二值化圖像,即缺陷分割任務(wù).于是本文研究的問題是將正常鋁材樣本與缺陷鋁材樣分類,并獲得缺陷樣本的分割掩碼用于分析.正常樣本與缺陷樣本如圖1所示,無缺陷樣本的缺陷標(biāo)注為全黑,在算法里體現(xiàn)為像素值全為零.

    (a)缺陷樣本 (b) 缺陷樣本鋁材區(qū)域分割

    (c)缺陷分割 (d)無缺陷樣本

    (e)無缺陷樣本鋁材區(qū)域分割圖1 數(shù)據(jù)集樣本

    本文對(duì)分割決策模型進(jìn)行改進(jìn),在網(wǎng)絡(luò)模型前半部分增加鋁材區(qū)域分割分支,提高網(wǎng)絡(luò)對(duì)鋁材缺陷區(qū)域的關(guān)注,以提取重要特征,并對(duì)其單獨(dú)訓(xùn)練,可以減輕網(wǎng)絡(luò)的過擬合;將鋁材缺陷區(qū)域分割輸出作為輸入添加至原網(wǎng)絡(luò)對(duì)應(yīng)特征圖,并在其后加入SE模塊,添加網(wǎng)絡(luò)特征圖注意力機(jī)制,提升網(wǎng)絡(luò)對(duì)重要特征的提取能力.

    2 分割決策模型

    分割檢測(cè)模型在文獻(xiàn)[21]中被提出,該網(wǎng)絡(luò)通過對(duì)原始圖像的多次卷積、下采樣,捕獲其不同維度的特征,依據(jù)捕獲的特征,網(wǎng)絡(luò)輸出對(duì)塑料表面缺陷的檢測(cè)結(jié)果.具體的模型為兩段式結(jié)構(gòu),如圖2所示.第一部分為分割網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)表面缺陷的區(qū)域分割,分割網(wǎng)絡(luò)在低維特征圖部分采用較少的層數(shù),在高維特征圖部分采用較多的層,并在末尾設(shè)置大尺寸卷積核,這樣可以在擴(kuò)大感受野的同時(shí),保留較細(xì)小的特征,提升網(wǎng)絡(luò)精度.分割網(wǎng)絡(luò)的輸出為缺陷區(qū)域二值掩碼圖,輸出分辨率為原圖的1/8.決策網(wǎng)絡(luò)在分割網(wǎng)絡(luò)之后,引入分割網(wǎng)絡(luò)的輸出作為決策網(wǎng)絡(luò)的輸入,并在輸出端對(duì)分割網(wǎng)絡(luò)最后一層特征圖以及分割網(wǎng)絡(luò)輸出做最大、最小池化處理,將結(jié)果拼接起來,后連接全連接層,對(duì)缺陷的存在性做出概率預(yù)測(cè),合理的利用了上一任務(wù)的輸出特征.

    圖2 分割決策網(wǎng)絡(luò)

    分割決策網(wǎng)絡(luò)所使用的數(shù)據(jù)集中,材料區(qū)域占據(jù)整張圖片,無背景環(huán)境的干擾,而本文的鋁材凹坑缺陷數(shù)據(jù)集中,背景環(huán)境復(fù)雜,且由于光照等原因使得照片質(zhì)量參差不齊,所以原分割決策網(wǎng)絡(luò)不適于本數(shù)據(jù)集使用,且原分割決策網(wǎng)絡(luò)在特征提取時(shí),缺少注意力機(jī)制,特征冗余,提取效率不高.

    3 改進(jìn)分割決策模型

    為了使分割決策模型適應(yīng)于鋁材表面凹坑缺陷檢測(cè),對(duì)原結(jié)構(gòu)做出如下改進(jìn).

    3.1 添加鋁材區(qū)域分割網(wǎng)絡(luò)

    來在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,由于工業(yè)缺陷檢測(cè)數(shù)據(jù)集相對(duì)較少,容易出現(xiàn)過擬合的風(fēng)險(xiǎn).本文添加鋁材區(qū)域分割網(wǎng)絡(luò),對(duì)共享層添加限制,從而增強(qiáng)網(wǎng)絡(luò)模型對(duì)于過擬合的抵抗能力.添加鋁材區(qū)域分割網(wǎng)絡(luò),可以使得網(wǎng)絡(luò)更關(guān)注于鋁材區(qū)域的特征,弱化由于光照不均,背景環(huán)境復(fù)雜等問題帶來的干擾.

    圖3 改進(jìn)分割決策網(wǎng)絡(luò)

    改進(jìn)后的分割決策網(wǎng)絡(luò)模型如圖3所示.為了獲得鋁材缺陷區(qū)域分割圖像,并方便將區(qū)域分割輸出融合于決策網(wǎng)絡(luò),本文在原有網(wǎng)絡(luò)的第二個(gè)特征圖之后采用同決策網(wǎng)絡(luò)第一部分卷積同樣的策略,使用四個(gè)5×5大小卷積核的卷積層接一個(gè)最大池化層,提取鋁材表面的低維特征,獲得64通道的特征圖,輸出為上一特征圖一半的分辨率圖像,后接 1×1大小卷積核的卷積層,通過全卷積的方式預(yù)測(cè)鋁材區(qū)域分割二值化圖像.

    3.2 引入SE模塊

    SE(Squeeze-and-Excitation)模塊來自于文獻(xiàn)[22],其對(duì)應(yīng)的SENet被應(yīng)用于分類任務(wù),并在2017年的ImageNet大賽的Image Classification任務(wù)上以極大的優(yōu)勢(shì)獲得了冠軍.包含如下三個(gè)步驟:

    (1)擠壓(Squeeze):針對(duì)待添加SE模塊的特征圖,順著特征圖的空間維度來進(jìn)行特征壓縮,本文采用平均池化操作,將每一通道的特征圖變成一個(gè)實(shí)數(shù),保持輸出的維度和輸入的通道數(shù)相匹配;

    (2)激活(Excitation):首先通過一層全連接層將特征維度降低到輸入的1/16,然后經(jīng)過 ReLu激活后再升回到原來的維度,最后通過一個(gè)Sigmoid 門獲得0~1之間歸一化的權(quán)重;

    (3)重構(gòu)(Reweight):將 Excitation 的輸出的權(quán)重通過乘法逐通道加權(quán)到先前的特征上,完成在通道維度上的對(duì)原始特征的重標(biāo)定.

    分割決策網(wǎng)絡(luò)本質(zhì)上是全卷積神經(jīng)網(wǎng)絡(luò)的變體,通過對(duì)多次的卷積、池化、下采樣,獲得一定通道數(shù)量的特征圖,最后依據(jù)特征圖,獲取需要的預(yù)測(cè)輸出,但是在獲取特征圖的過程中會(huì)提取一些不重要的特征,降低網(wǎng)絡(luò)提取特征的效率.引入SE模塊,可以對(duì)獲得的特征圖進(jìn)行重新標(biāo)定,在特征圖層面引入注意力機(jī)制,使得網(wǎng)絡(luò)更關(guān)注于重要特征而忽略次要特征,從而提升網(wǎng)絡(luò)的檢測(cè)精度.

    如圖4所示,本文將SE模塊加入Segmentation Network輸入特征圖之后,為增強(qiáng)特征圖之間的相關(guān)性,在對(duì)特征圖擠壓時(shí),先將其通道數(shù)降低至5,再通過卷積操作恢復(fù)至65,后接sigmoid激活函數(shù),得到特征圖的分配權(quán)值,對(duì)其進(jìn)行特征圖的重新標(biāo)定.

    圖4 SE模塊結(jié)構(gòu)示意圖

    3.3 損失函數(shù)

    本次提出的網(wǎng)絡(luò)在訓(xùn)練時(shí),對(duì)分割網(wǎng)絡(luò)和分類網(wǎng)絡(luò)單獨(dú)訓(xùn)練,本次提出的分類網(wǎng)絡(luò)為二分類網(wǎng)絡(luò),分割網(wǎng)絡(luò)也可看作是對(duì)像素的二分類,故在訓(xùn)練時(shí)沿用文獻(xiàn)[20]中分割網(wǎng)絡(luò)所使用損失函數(shù),即統(tǒng)一使用二分類交叉熵?fù)p失函數(shù),其定義式為:

    (1)

    式(1)中:N表示樣本數(shù)量;yi表示樣本i的標(biāo)定值,在鋁材區(qū)域分割任務(wù)中,鋁材區(qū)域像素的標(biāo)定值為1,背景區(qū)域像素的標(biāo)定值為0;在缺陷分割任務(wù)中,缺陷區(qū)域像素的標(biāo)定值為1,非缺陷區(qū)域像素的標(biāo)定值為0,在分類任務(wù)中,缺陷樣本的標(biāo)定值為1,正常樣本的標(biāo)定值為0;pi表示樣本i被預(yù)測(cè)為1的概率.

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 數(shù)據(jù)來源

    本文的數(shù)據(jù)集來自于阿里廣東工業(yè)智造大數(shù)據(jù)創(chuàng)新大賽—鋁型材表面瑕疵識(shí)別比賽的公開數(shù)據(jù)集.原數(shù)據(jù)集包含無缺陷樣本、有缺陷樣本兩大類,其中缺陷樣本又細(xì)分為臟點(diǎn)、不導(dǎo)電、桔皮、漆包、噴流、漏底、凹坑、雜色、擦花等9小類.本文針對(duì)凹坑缺陷,在原始數(shù)據(jù)集中依據(jù)檢測(cè)難易程度,選取缺陷樣本145張,其中易檢測(cè)、較易檢測(cè)、難檢測(cè)的比例為1∶3∶1,無缺陷樣本435張,共580張,將數(shù)據(jù)集分訓(xùn)練集、驗(yàn)證集、測(cè)試集分別為400張、60張、120張,其中缺陷樣本、無缺陷樣本、以及缺陷樣本檢測(cè)難易程度的樣本數(shù)比例保持不變.對(duì)缺陷樣本進(jìn)行鋁材區(qū)域分割標(biāo)注以及缺陷分割標(biāo)注,標(biāo)注軟件為L(zhǎng)abelme,對(duì)缺陷樣本和無缺陷樣本的分類標(biāo)注體現(xiàn)在命名規(guī)則里.數(shù)據(jù)集中原始圖像、鋁材區(qū)域分割圖像、缺陷分割圖像如圖1所示.

    4.2 實(shí)驗(yàn)設(shè)置

    本實(shí)驗(yàn)在windows10環(huán)境下完成,使用的語言為python3.6,在PyTorch1.0上搭建網(wǎng)絡(luò)并進(jìn)行訓(xùn)練.使用的核心顯卡為NVDIA GeForce GTX1080Ti,顯存為11G.實(shí)驗(yàn)采用單獨(dú)訓(xùn)練的方式,先單獨(dú)對(duì)鋁材區(qū)域分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后凍結(jié)區(qū)域分割網(wǎng)絡(luò)的權(quán)值,再對(duì)缺陷分割網(wǎng)絡(luò)進(jìn)行單獨(dú)訓(xùn)練,凍結(jié)區(qū)域分割網(wǎng)絡(luò)與缺陷分割網(wǎng)絡(luò)的權(quán)值,最后對(duì)決策網(wǎng)絡(luò)進(jìn)行訓(xùn)練.

    4.3 評(píng)價(jià)指標(biāo)

    為了定量評(píng)價(jià)提出的算法的性能,本文針對(duì)分割任務(wù)與分類任務(wù)采用了不用的評(píng)價(jià)指標(biāo).

    對(duì)于鋁材區(qū)域分割和鋁材缺陷分割任務(wù),采用文獻(xiàn)[8]中裂縫分割所使用的評(píng)價(jià)指標(biāo):IOU(Intersection over Union),即交并比作為本文的分割性能評(píng)價(jià)指標(biāo).

    (2)

    IOU取值在0~1之間,表示的是算法分割的缺陷區(qū)域和手工標(biāo)注的缺陷區(qū)域的吻合程度,IOU取值越高,表示算法分割越精確.分割任務(wù)可以看作對(duì)像素的分類任務(wù),在對(duì)分割任務(wù)評(píng)價(jià)時(shí),將單張掩碼圖的缺陷區(qū)域像素稱為正樣本,非缺陷區(qū)域像素稱為負(fù)樣本,式中:TP為真正例,即實(shí)際為正樣本,預(yù)測(cè)為正樣本;FP為假正例,即實(shí)際為負(fù)樣本,預(yù)測(cè)為正樣本;FN為假反例,即實(shí)際為正樣本,預(yù)測(cè)為負(fù)樣本.為區(qū)分兩個(gè)分割任務(wù)的指標(biāo),將鋁材區(qū)域分割指標(biāo)記作IOU1,鋁材缺陷分割指標(biāo)記作IOU2.

    對(duì)于缺陷分類任務(wù),選用文獻(xiàn)[7]中對(duì)鋁材氣泡及劃痕分類的評(píng)價(jià)指標(biāo),即準(zhǔn)確度PAcc衡量分類任務(wù)的效果,該指標(biāo)衡量了網(wǎng)絡(luò)對(duì)于不同標(biāo)簽分類的準(zhǔn)確程度.公式為:

    (3)

    在本分類任務(wù)中,將缺陷樣本稱為正樣本,將無缺陷樣本稱為負(fù)樣本,式中:TP為真正例,即實(shí)際為正樣本,預(yù)測(cè)為正樣本;FP為假正例,即實(shí)際為負(fù)樣本,預(yù)測(cè)為正樣本;TN為真反例,即實(shí)際為負(fù)樣本,預(yù)測(cè)為負(fù)樣本;FN為假反例,即實(shí)際為正樣本,預(yù)測(cè)為負(fù)樣本.準(zhǔn)確度PAcc表示的是預(yù)測(cè)正確的樣本數(shù)占所有樣本總數(shù)的比例,值越大,表示分類效果越好.

    4.4 結(jié)果分析

    為了驗(yàn)證本文所提出的改進(jìn)策略相對(duì)于原網(wǎng)絡(luò)模型在檢測(cè)效果上是否有提升,以及改進(jìn)后的算法對(duì)鋁材表面凹坑缺陷數(shù)據(jù)集檢測(cè)性能表現(xiàn)是否良好,本文針對(duì)所提出的兩條改進(jìn)策略:添加鋁材區(qū)域分割網(wǎng)絡(luò)、引入SE模塊,設(shè)置了三種配置方式:?jiǎn)为?dú)加入?yún)^(qū)域分割網(wǎng)絡(luò),單獨(dú)引入SE模塊,同時(shí)加入?yún)^(qū)域分割網(wǎng)絡(luò)和SE模塊,在現(xiàn)有數(shù)據(jù)集上進(jìn)行訓(xùn)練、測(cè)試、驗(yàn)證,與原網(wǎng)絡(luò)進(jìn)行對(duì)比,為方便描述,將原分割決策網(wǎng)絡(luò)稱作S-D,將三種配置方式依次稱為S-D1、S-D2、S-D3.實(shí)驗(yàn)結(jié)果如表1所示,F-count表示FP和FN的個(gè)數(shù)和.

    表1 不同配置下方法的表現(xiàn)

    由表1可以看到,在不同配置方式下,網(wǎng)絡(luò)模型的表現(xiàn)也有所差異.在單獨(dú)加入?yún)^(qū)域分割模塊和SE模塊的情況下,模型檢測(cè)準(zhǔn)確率都有所提升,在同時(shí)加入?yún)^(qū)域分割模塊和SE模塊的情況下,提升最大,分割精度提升了1.6%,分類準(zhǔn)確率提升了4.01%.而誤分類的個(gè)數(shù)也有顯著提升,相較于原網(wǎng)絡(luò),減少了24個(gè).

    單獨(dú)加入?yún)^(qū)域分割模塊,對(duì)分類精度的提升為0.42%,單獨(dú)加入SE模塊對(duì)精度的提升2.8%,而同時(shí)加入?yún)^(qū)域分割模塊與SE模塊提升則達(dá)到4.01%.對(duì)此,解釋為:區(qū)域分割模塊和SE模塊不僅僅各自提升精度,結(jié)合之后也對(duì)彼此有所增益,SE模塊不僅對(duì)原始產(chǎn)生的特征圖進(jìn)行權(quán)重分配,也對(duì)區(qū)域分割模塊產(chǎn)生的特征圖進(jìn)行權(quán)重分配,這樣就使得網(wǎng)絡(luò)在鋁材區(qū)域分割的基礎(chǔ)上,更加關(guān)注于只包含鋁材區(qū)域部分的特征,使得網(wǎng)絡(luò)能夠更有效地提取更重要的特征,忽略次要特征.而區(qū)域分割模塊作為一條分支,對(duì)其單獨(dú)訓(xùn)練,由于其占據(jù)了主路的一部分前端結(jié)構(gòu),在訓(xùn)練時(shí)增加了對(duì)前幾層網(wǎng)絡(luò)結(jié)構(gòu)的約束,可以使得網(wǎng)絡(luò)學(xué)習(xí)更重要的特征,可以一定程度上抵抗由于SE模塊使得網(wǎng)絡(luò)精簡(jiǎn)帶來的訓(xùn)練過擬合的影響,提高網(wǎng)絡(luò)模型的泛化能力.

    為驗(yàn)證本文所提出的方法在同樣條件下相較于其他方法,在鋁材表面凹坑缺陷數(shù)據(jù)集上是否有更優(yōu)異的性能,選取VGG網(wǎng)絡(luò)以及ResNet50網(wǎng)絡(luò),作為所提方法分類檢測(cè)的對(duì)比方法.VGG第一次使用多層小卷積核代替大卷積核,簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)保持了更高的精度,并在工業(yè)上也有廣泛的應(yīng)用,如文獻(xiàn)[22]就將其用于布匹分類;而Resnet50則由于其獨(dú)特的短連接結(jié)構(gòu)解決了隨著網(wǎng)絡(luò)加深網(wǎng)絡(luò)性能下降的難題,影響了2016年深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的發(fā)展方向,在分類任務(wù)領(lǐng)域被廣泛應(yīng)用,如文獻(xiàn)[20]在鋁材缺陷分類時(shí)就使用了Resnt網(wǎng)絡(luò)結(jié)構(gòu),文獻(xiàn)[17]使用Resnet結(jié)構(gòu)對(duì)路面裂縫進(jìn)行檢測(cè),故使用VGG和Resnet50作為對(duì)比試方法來驗(yàn)證本文所提方法的性能是可靠的.由于本文所提的網(wǎng)絡(luò)結(jié)構(gòu)為分段式結(jié)構(gòu),訓(xùn)練時(shí)采取分段單獨(dú)訓(xùn)練的方式,在進(jìn)行分類任務(wù)時(shí),分割網(wǎng)絡(luò)參數(shù)凍結(jié),用VGG網(wǎng)絡(luò)以及Resnet50網(wǎng)絡(luò)結(jié)構(gòu)替換所提方法的前部分結(jié)構(gòu),在輸出端采用同樣的全連接層,輸出對(duì)于缺陷檢測(cè)的分別類結(jié)果.選取FCN[8]、U-Net[12,13]網(wǎng)絡(luò)作為所提方法的分割對(duì)比方法.為保證同等條件,采用同樣的樣本集,在同樣的實(shí)驗(yàn)設(shè)置下,各個(gè)網(wǎng)絡(luò)選取訓(xùn)練結(jié)果最好的模型參數(shù)保存,進(jìn)行對(duì)比試驗(yàn),實(shí)驗(yàn)結(jié)果如圖5、圖6所示.

    圖5 不同檢測(cè)方法的檢測(cè)結(jié)果對(duì)比圖

    在缺陷樣本100張,無缺陷樣本300張的數(shù)據(jù)集上,VGG的缺陷分類準(zhǔn)確率達(dá)到了96.75%,Rsenet50的缺陷分類準(zhǔn)確率達(dá)到了98.10%.所提方法的分類準(zhǔn)確率達(dá)到了99.31%,誤檢率只有0.69%,基本滿足實(shí)際使用要求.在分割部分,所提方法的區(qū)域分割精度相較于FCN提升4.54%,較U-Net降低0.57%,缺陷分割精度達(dá)到了相較于對(duì)比算法最好的U-Net提升0.76%.這是因?yàn)閁-Net的網(wǎng)絡(luò)結(jié)構(gòu)實(shí)際上是對(duì)每一個(gè)像素點(diǎn)的分類,而且他的結(jié)構(gòu)本身也有特征圖的融合,其對(duì)樣本數(shù)據(jù)量需求較少,故在缺陷樣本100張時(shí),本文所提方法在區(qū)域分割時(shí)稍弱,可視化分割結(jié)果見圖6.

    對(duì)鋁材區(qū)域的分割任務(wù),從結(jié)果來看,本文提出的方法和FCN、U-Net均可以較好的將完整區(qū)域分割出來,但是FCN有時(shí)會(huì)存在誤檢的區(qū)域,在鋁材顏色分布不均勻時(shí),易將鋁材一部分邊緣錯(cuò)誤看作背景.在缺陷分割任務(wù)中,由于缺陷分布無規(guī)律,有時(shí)單張會(huì)存在多個(gè)缺陷,F(xiàn)CN、U-Net有時(shí)會(huì)將靠近的兩個(gè)點(diǎn)當(dāng)作一個(gè)點(diǎn),有時(shí)會(huì)漏檢細(xì)小的點(diǎn),而本文提出的方法相較少出現(xiàn)上述情況.由此可見,本文提出的方法在分割精度上優(yōu)于FCN、U-Net.

    (a) (b) (c) (d) (e) (f) (g) (h) (i) 缺陷樣本 區(qū)域分割 U-Net區(qū) FCN區(qū) S-D3區(qū) 缺陷分割 FCN缺 U-Net缺 S-D3缺 標(biāo)注 區(qū)域分割 域分割 域分割 域分割 標(biāo)注 陷分割 陷分割 陷分割圖6 不同方法的分割結(jié)果對(duì)比圖

    為驗(yàn)證在缺陷樣本數(shù)量減少的條件下,本文所提出的方法是否具有穩(wěn)定性,針對(duì)本文的主要任務(wù),缺陷分類任務(wù),對(duì)比本文所提方法和VGG、Resnet50進(jìn)行對(duì)比試驗(yàn),將缺陷樣本數(shù)隨機(jī)減少至70、45、30,無缺陷樣本保持不變,設(shè)置對(duì)比試驗(yàn),除缺陷樣本數(shù)量不同外,保持訓(xùn)練環(huán)境等保持一致,并選取訓(xùn)練結(jié)果最好的模型參數(shù)保存,在測(cè)試集上進(jìn)行驗(yàn)證,并記錄實(shí)驗(yàn)結(jié)果如圖7所示.

    圖7 不同缺陷樣本數(shù)量下算法 檢測(cè)結(jié)果對(duì)比圖

    從圖7可以看出,隨著缺陷樣本數(shù)量的減少,分類準(zhǔn)確度都有所降低,本文所提方法相比于Resnet50、VGG,在缺陷樣本數(shù)量逐漸降低至30時(shí),還保持在98%左右,而VGG已經(jīng)降低至76%左右,無法滿足使用要求.由圖8可知,誤分類個(gè)數(shù)也保持同樣的趨勢(shì),在缺陷樣本數(shù)為100時(shí),都僅有個(gè)位數(shù)的誤分類個(gè)數(shù),隨著缺陷樣本數(shù)減少,對(duì)比方法的誤分類個(gè)數(shù)最多達(dá)157,而本文所提方法最多只有18.由此可見,本文所提的多任務(wù)特征融合檢測(cè)方法,在樣本數(shù)量減少時(shí),仍能保持較高的穩(wěn)定性,本文所提的方法是有效、可靠、穩(wěn)定的.

    圖8 不同缺陷樣本數(shù)量下算法 誤分類個(gè)數(shù)對(duì)比圖

    5 結(jié)論

    本文使用一種改進(jìn)的分割決策網(wǎng)絡(luò)模型對(duì)鋁材表面凹坑缺陷進(jìn)行檢測(cè),構(gòu)建了凹坑缺陷檢測(cè)數(shù)據(jù)集,來訓(xùn)練、驗(yàn)證所提出的方法,通過添加鋁材區(qū)域分割網(wǎng)絡(luò),用多任務(wù)訓(xùn)練的方式,提升了網(wǎng)絡(luò)的檢測(cè)精度,并通過引入SE模塊,添加注意力機(jī)制,使得網(wǎng)絡(luò)更好的利用多任務(wù)特征融合的優(yōu)勢(shì),提升網(wǎng)絡(luò)對(duì)于重要特征的提取能力.

    結(jié)果表明,本文所提方法小相較于原網(wǎng)絡(luò)模型,分割精度提升了1.6%,分類精度提升了4.01%,相較于FCN、U-net,網(wǎng)絡(luò)在缺陷分割部分檢測(cè)精度領(lǐng)先對(duì)比方法最優(yōu)算法0.76%,相較于VGG、Resnet50,網(wǎng)絡(luò)在圖像分類部分檢測(cè)精度領(lǐng)先對(duì)比方法最優(yōu)算法1.12%.并且在缺陷樣本數(shù)據(jù)量減少至30張的情況下,分類精度為98.32%,較Resnet50分類精度84.2%,VGG分類精度76.59%更精確且穩(wěn)定.

    所提方法也可用于其他工業(yè)產(chǎn)品的缺陷檢測(cè)領(lǐng)域,并且對(duì)樣本需求較小.但是本文所提的方法僅對(duì)缺陷的存在性做出判別,下一步的工作是對(duì)網(wǎng)絡(luò)添加缺陷種類檢測(cè)模塊,使得網(wǎng)絡(luò)在小樣本的條件下仍能保持較好的準(zhǔn)確度、穩(wěn)定性,滿足工業(yè)缺陷檢測(cè)需求.

    猜你喜歡
    區(qū)域分割鋁材卷積
    1—11月未鍛軋鋁及鋁材出口量同比減少15.3%
    鋁加工(2023年6期)2024-01-21 03:07:15
    海關(guān)總署:9月中國(guó)出口未鍛軋鋁及鋁材47.12萬噸
    鋁加工(2023年5期)2023-06-05 23:51:54
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    一種用于前列腺區(qū)域分割的改進(jìn)水平集算法
    偉昌鋁材·門窗
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    圖像區(qū)域分割算法綜述及比較
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    DK7732型快走絲線切割機(jī)加工鋁材的工藝研究
    京津冀區(qū)域交通一體化戰(zhàn)略思考
    亚洲第一av免费看| 建设人人有责人人尽责人人享有的| 99久久99久久久精品蜜桃| 窝窝影院91人妻| 国产成人精品久久二区二区免费| 在线观看免费视频日本深夜| videos熟女内射| 亚洲熟妇熟女久久| 最新的欧美精品一区二区| 亚洲第一欧美日韩一区二区三区| 岛国在线观看网站| 亚洲精品久久成人aⅴ小说| 欧美日韩乱码在线| x7x7x7水蜜桃| 咕卡用的链子| 亚洲伊人色综图| 国产欧美亚洲国产| 国产极品粉嫩免费观看在线| xxxhd国产人妻xxx| 午夜精品国产一区二区电影| 久久精品人人爽人人爽视色| 极品人妻少妇av视频| 国产成人免费无遮挡视频| 国产亚洲精品久久久久久毛片 | 69精品国产乱码久久久| 久久ye,这里只有精品| 777久久人妻少妇嫩草av网站| 国产在线观看jvid| 精品免费久久久久久久清纯 | 久久精品熟女亚洲av麻豆精品| 国产有黄有色有爽视频| 国产成人免费观看mmmm| 超碰成人久久| 久久精品aⅴ一区二区三区四区| 一夜夜www| 十分钟在线观看高清视频www| 91在线观看av| 久久国产精品男人的天堂亚洲| 欧美激情高清一区二区三区| 大片电影免费在线观看免费| 亚洲欧美精品综合一区二区三区| 美女高潮喷水抽搐中文字幕| 99精品久久久久人妻精品| 黄色a级毛片大全视频| 亚洲熟女毛片儿| 国产一卡二卡三卡精品| 制服诱惑二区| 啦啦啦视频在线资源免费观看| 少妇粗大呻吟视频| 国产免费现黄频在线看| 两人在一起打扑克的视频| 99久久99久久久精品蜜桃| 午夜免费成人在线视频| 视频区欧美日本亚洲| 黄频高清免费视频| 国产精品亚洲一级av第二区| 身体一侧抽搐| 午夜免费观看网址| 人人妻人人澡人人爽人人夜夜| 亚洲av第一区精品v没综合| 又大又爽又粗| 国产成人免费观看mmmm| 久久 成人 亚洲| 国产亚洲一区二区精品| 久久精品国产亚洲av香蕉五月 | 欧美久久黑人一区二区| 亚洲专区国产一区二区| 精品久久久久久,| 天天影视国产精品| 亚洲中文av在线| 精品熟女少妇八av免费久了| netflix在线观看网站| 女人高潮潮喷娇喘18禁视频| 欧美在线一区亚洲| 成人18禁在线播放| 久久国产精品影院| 色94色欧美一区二区| 午夜老司机福利片| 精品久久久精品久久久| 搡老岳熟女国产| 在线看a的网站| 欧美日韩亚洲国产一区二区在线观看 | 中文亚洲av片在线观看爽 | 在线观看舔阴道视频| 亚洲精品在线观看二区| 最近最新中文字幕大全免费视频| 亚洲国产中文字幕在线视频| 丝袜在线中文字幕| 香蕉丝袜av| 老司机午夜福利在线观看视频| 欧美国产精品va在线观看不卡| 在线视频色国产色| 最新的欧美精品一区二区| 久久人人爽av亚洲精品天堂| 老汉色∧v一级毛片| 日韩三级视频一区二区三区| 国产单亲对白刺激| 岛国在线观看网站| 久热这里只有精品99| 18禁裸乳无遮挡免费网站照片 | 一a级毛片在线观看| 午夜福利在线观看吧| 正在播放国产对白刺激| 韩国精品一区二区三区| 啪啪无遮挡十八禁网站| 正在播放国产对白刺激| 日韩欧美国产一区二区入口| 男女之事视频高清在线观看| 国产aⅴ精品一区二区三区波| 超碰97精品在线观看| 啦啦啦 在线观看视频| 精品无人区乱码1区二区| 搡老熟女国产l中国老女人| 精品久久久久久,| 男女下面插进去视频免费观看| 欧洲精品卡2卡3卡4卡5卡区| 日韩中文字幕欧美一区二区| 欧美黄色片欧美黄色片| 亚洲黑人精品在线| 亚洲国产精品合色在线| 正在播放国产对白刺激| 精品久久久久久久久久免费视频 | a在线观看视频网站| aaaaa片日本免费| 精品第一国产精品| 不卡av一区二区三区| 免费在线观看影片大全网站| 99re在线观看精品视频| 亚洲熟妇熟女久久| av网站免费在线观看视频| 日韩有码中文字幕| 国产精品久久电影中文字幕 | 精品人妻1区二区| 国产不卡av网站在线观看| 色94色欧美一区二区| 十八禁人妻一区二区| 日本撒尿小便嘘嘘汇集6| 757午夜福利合集在线观看| 91麻豆精品激情在线观看国产 | 国产成人av激情在线播放| 老熟妇仑乱视频hdxx| 老司机影院毛片| 亚洲综合色网址| 午夜两性在线视频| 香蕉丝袜av| 丰满人妻熟妇乱又伦精品不卡| 999精品在线视频| 久久国产精品大桥未久av| 欧美成人免费av一区二区三区 | 男女下面插进去视频免费观看| 国产精品一区二区在线不卡| 村上凉子中文字幕在线| 久久中文字幕人妻熟女| 一个人免费在线观看的高清视频| 亚洲中文字幕日韩| 国产日韩欧美亚洲二区| 丰满的人妻完整版| 香蕉丝袜av| 十分钟在线观看高清视频www| 王馨瑶露胸无遮挡在线观看| 伊人久久大香线蕉亚洲五| 十八禁网站免费在线| 欧美精品一区二区免费开放| 久久精品国产99精品国产亚洲性色 | 色婷婷久久久亚洲欧美| 国产在线一区二区三区精| 丰满的人妻完整版| 69av精品久久久久久| 中文字幕人妻熟女乱码| 中文字幕最新亚洲高清| 变态另类成人亚洲欧美熟女 | 亚洲一区高清亚洲精品| 捣出白浆h1v1| 欧美午夜高清在线| 欧美在线一区亚洲| 黄片大片在线免费观看| 国产精品久久电影中文字幕 | 欧美乱码精品一区二区三区| 成人国产一区最新在线观看| 人人妻人人爽人人添夜夜欢视频| 亚洲黑人精品在线| 成熟少妇高潮喷水视频| 久久精品亚洲熟妇少妇任你| 涩涩av久久男人的天堂| 国产精品香港三级国产av潘金莲| 一级黄色大片毛片| 午夜福利欧美成人| 亚洲av日韩在线播放| 欧美日韩成人在线一区二区| 大码成人一级视频| 久久影院123| 亚洲精品国产一区二区精华液| 亚洲专区字幕在线| 亚洲av成人不卡在线观看播放网| 日韩三级视频一区二区三区| 日韩有码中文字幕| 淫妇啪啪啪对白视频| 欧美不卡视频在线免费观看 | 国产精品一区二区在线不卡| 手机成人av网站| av天堂在线播放| 黄色视频,在线免费观看| 在线观看日韩欧美| 一级毛片女人18水好多| 国产精品亚洲一级av第二区| 久久精品国产亚洲av香蕉五月 | 天天躁夜夜躁狠狠躁躁| 日韩大码丰满熟妇| 一边摸一边抽搐一进一出视频| 一二三四社区在线视频社区8| 中文字幕色久视频| 大型黄色视频在线免费观看| 国产精品久久视频播放| 欧美精品啪啪一区二区三区| 亚洲中文av在线| 成人18禁在线播放| 国产在线观看jvid| 老司机午夜十八禁免费视频| 丝袜在线中文字幕| 这个男人来自地球电影免费观看| av不卡在线播放| 老汉色av国产亚洲站长工具| www.熟女人妻精品国产| 亚洲国产精品sss在线观看 | 欧洲精品卡2卡3卡4卡5卡区| 精品亚洲成国产av| 麻豆国产av国片精品| 免费日韩欧美在线观看| 亚洲精品国产精品久久久不卡| 色综合欧美亚洲国产小说| 亚洲国产欧美日韩在线播放| 在线观看午夜福利视频| 美女国产高潮福利片在线看| 久久人妻福利社区极品人妻图片| 国产成人免费无遮挡视频| 80岁老熟妇乱子伦牲交| 精品欧美一区二区三区在线| 一进一出抽搐gif免费好疼 | 日日夜夜操网爽| 91成人精品电影| 亚洲aⅴ乱码一区二区在线播放 | 夜夜爽天天搞| 性少妇av在线| 国产精品久久久久成人av| 悠悠久久av| 热99久久久久精品小说推荐| 大型av网站在线播放| 亚洲成国产人片在线观看| 少妇猛男粗大的猛烈进出视频| 丰满饥渴人妻一区二区三| 少妇被粗大的猛进出69影院| a级毛片在线看网站| 多毛熟女@视频| 757午夜福利合集在线观看| 啦啦啦免费观看视频1| 亚洲av日韩在线播放| 欧美另类亚洲清纯唯美| 热99国产精品久久久久久7| www.自偷自拍.com| 91成年电影在线观看| 久久久久视频综合| 欧美亚洲日本最大视频资源| 十八禁人妻一区二区| 岛国在线观看网站| 男女之事视频高清在线观看| 欧美乱码精品一区二区三区| 国产成人精品在线电影| 人人妻人人添人人爽欧美一区卜| 91麻豆精品激情在线观看国产 | 色婷婷久久久亚洲欧美| 国产伦人伦偷精品视频| 王馨瑶露胸无遮挡在线观看| 成人免费观看视频高清| 久久热在线av| 热99久久久久精品小说推荐| 免费av中文字幕在线| av中文乱码字幕在线| 欧美成狂野欧美在线观看| 97人妻天天添夜夜摸| 香蕉丝袜av| 看片在线看免费视频| 亚洲第一青青草原| 丰满人妻熟妇乱又伦精品不卡| 欧美av亚洲av综合av国产av| 国产97色在线日韩免费| 日本五十路高清| tocl精华| 动漫黄色视频在线观看| 男人的好看免费观看在线视频 | 国产欧美日韩一区二区三| 成年女人毛片免费观看观看9 | 香蕉国产在线看| 水蜜桃什么品种好| 久久亚洲真实| 下体分泌物呈黄色| 精品福利永久在线观看| 成年人午夜在线观看视频| 国产精品av久久久久免费| 窝窝影院91人妻| 人妻一区二区av| 熟女少妇亚洲综合色aaa.| 新久久久久国产一级毛片| 中文字幕人妻熟女乱码| 老熟妇仑乱视频hdxx| 国产精品偷伦视频观看了| 手机成人av网站| 免费女性裸体啪啪无遮挡网站| 亚洲中文日韩欧美视频| 女性生殖器流出的白浆| 一区二区三区国产精品乱码| 亚洲av日韩精品久久久久久密| 9色porny在线观看| 高清视频免费观看一区二区| 黄色a级毛片大全视频| 91麻豆精品激情在线观看国产 | 亚洲精品成人av观看孕妇| 狠狠狠狠99中文字幕| 亚洲午夜理论影院| 露出奶头的视频| 日日爽夜夜爽网站| av有码第一页| 99国产精品99久久久久| 国产免费现黄频在线看| 王馨瑶露胸无遮挡在线观看| 天天添夜夜摸| 亚洲成人手机| 国产成人精品在线电影| 欧美日韩国产mv在线观看视频| 啦啦啦 在线观看视频| 50天的宝宝边吃奶边哭怎么回事| 亚洲av美国av| 黄色怎么调成土黄色| 人妻一区二区av| 欧美大码av| 精品人妻在线不人妻| 色综合欧美亚洲国产小说| 嫁个100分男人电影在线观看| 欧美日韩瑟瑟在线播放| 天天操日日干夜夜撸| 热99国产精品久久久久久7| 香蕉丝袜av| 搡老熟女国产l中国老女人| 亚洲av电影在线进入| 91精品国产国语对白视频| 天堂√8在线中文| 黄色a级毛片大全视频| 免费在线观看完整版高清| 欧美大码av| 国产不卡av网站在线观看| 国产精品 欧美亚洲| 亚洲片人在线观看| 男女高潮啪啪啪动态图| a级片在线免费高清观看视频| 国产高清videossex| 人妻 亚洲 视频| 日韩欧美在线二视频 | 精品国内亚洲2022精品成人 | 中文字幕最新亚洲高清| 人妻一区二区av| 亚洲情色 制服丝袜| 国产精品免费一区二区三区在线 | 亚洲国产看品久久| 国产精品免费大片| 热99久久久久精品小说推荐| 9色porny在线观看| 成年人免费黄色播放视频| 精品国内亚洲2022精品成人 | 欧美大码av| 宅男免费午夜| 黄色丝袜av网址大全| 亚洲美女黄片视频| 免费女性裸体啪啪无遮挡网站| 国产一区二区三区综合在线观看| 国产成人av教育| 麻豆乱淫一区二区| 国产精品久久久久久人妻精品电影| 丝袜美足系列| 亚洲精品美女久久久久99蜜臀| 欧美另类亚洲清纯唯美| 三上悠亚av全集在线观看| 又大又爽又粗| 下体分泌物呈黄色| 极品教师在线免费播放| av天堂久久9| 一区福利在线观看| 久久久精品国产亚洲av高清涩受| 亚洲中文字幕日韩| 电影成人av| 超碰成人久久| 国产男女超爽视频在线观看| 精品国内亚洲2022精品成人 | 黄频高清免费视频| 在线播放国产精品三级| 12—13女人毛片做爰片一| 亚洲av熟女| 亚洲一区中文字幕在线| 最近最新免费中文字幕在线| 精品国产超薄肉色丝袜足j| tocl精华| 国产精品影院久久| 国产精品亚洲av一区麻豆| 精品久久久久久,| 99久久综合精品五月天人人| 日韩欧美一区二区三区在线观看 | 精品一区二区三卡| 欧美国产精品一级二级三级| 99精品欧美一区二区三区四区| 脱女人内裤的视频| 成人亚洲精品一区在线观看| netflix在线观看网站| 欧美日韩乱码在线| 老熟妇乱子伦视频在线观看| 欧美精品人与动牲交sv欧美| 一二三四在线观看免费中文在| 久久中文字幕人妻熟女| 免费在线观看日本一区| 免费在线观看亚洲国产| 黑人巨大精品欧美一区二区mp4| 人妻一区二区av| 国产精品欧美亚洲77777| 日本欧美视频一区| 视频区图区小说| 欧美精品亚洲一区二区| 日韩熟女老妇一区二区性免费视频| 正在播放国产对白刺激| av中文乱码字幕在线| 狂野欧美激情性xxxx| 在线观看免费视频网站a站| 国产高清国产精品国产三级| 亚洲精品粉嫩美女一区| 国产成+人综合+亚洲专区| 国产成人精品久久二区二区91| 久热爱精品视频在线9| 亚洲五月婷婷丁香| 大型黄色视频在线免费观看| 成年女人毛片免费观看观看9 | 亚洲五月天丁香| 亚洲三区欧美一区| 18禁黄网站禁片午夜丰满| 精品亚洲成国产av| 成人18禁在线播放| 日韩三级视频一区二区三区| 日韩免费高清中文字幕av| 人成视频在线观看免费观看| 热re99久久精品国产66热6| 18禁黄网站禁片午夜丰满| 免费黄频网站在线观看国产| 黄色丝袜av网址大全| 十八禁网站免费在线| 亚洲av片天天在线观看| 国产成人精品久久二区二区91| 黑人巨大精品欧美一区二区mp4| 亚洲熟女精品中文字幕| 午夜影院日韩av| 欧美另类亚洲清纯唯美| 亚洲久久久国产精品| 看黄色毛片网站| 亚洲七黄色美女视频| 日韩一卡2卡3卡4卡2021年| 好男人电影高清在线观看| 国产成人欧美在线观看 | 脱女人内裤的视频| 久久人妻福利社区极品人妻图片| 少妇 在线观看| 欧美人与性动交α欧美精品济南到| 日本五十路高清| 亚洲精品国产一区二区精华液| 欧美激情 高清一区二区三区| 啦啦啦视频在线资源免费观看| 欧美日韩乱码在线| 国产亚洲精品久久久久久毛片 | 国产精品香港三级国产av潘金莲| 久久人人爽av亚洲精品天堂| 99国产综合亚洲精品| 精品福利观看| 波多野结衣一区麻豆| 新久久久久国产一级毛片| 国产成人啪精品午夜网站| 一二三四社区在线视频社区8| 91在线观看av| 麻豆av在线久日| 欧美日韩亚洲高清精品| 中文字幕色久视频| 欧美黄色片欧美黄色片| 91九色精品人成在线观看| 天天操日日干夜夜撸| 超碰97精品在线观看| e午夜精品久久久久久久| 久久久精品免费免费高清| av国产精品久久久久影院| 狠狠婷婷综合久久久久久88av| 久热爱精品视频在线9| 亚洲人成电影免费在线| 精品国产一区二区三区四区第35| 亚洲情色 制服丝袜| 日韩视频一区二区在线观看| av免费在线观看网站| 亚洲人成电影免费在线| 午夜福利欧美成人| 国产99久久九九免费精品| 欧美日韩亚洲综合一区二区三区_| 水蜜桃什么品种好| 视频区图区小说| 精品视频人人做人人爽| 国产激情欧美一区二区| 最近最新中文字幕大全免费视频| 999精品在线视频| 国产精品亚洲av一区麻豆| 久久精品国产清高在天天线| 精品国产国语对白av| 一级片免费观看大全| 国产精品1区2区在线观看. | 午夜福利影视在线免费观看| 99国产精品一区二区蜜桃av | 亚洲国产欧美一区二区综合| 不卡一级毛片| 亚洲第一欧美日韩一区二区三区| 亚洲成av片中文字幕在线观看| 一本综合久久免费| 中文欧美无线码| 无遮挡黄片免费观看| 国产高清videossex| 91成年电影在线观看| 亚洲一区中文字幕在线| 别揉我奶头~嗯~啊~动态视频| 一级a爱片免费观看的视频| 人人澡人人妻人| 午夜亚洲福利在线播放| 不卡一级毛片| 婷婷丁香在线五月| 99在线人妻在线中文字幕| 国内精品一区二区在线观看| 国产淫片久久久久久久久 | www.999成人在线观看| 内射极品少妇av片p| 青草久久国产| 成人三级黄色视频| 免费在线观看日本一区| 亚洲国产精品成人综合色| ponron亚洲| 法律面前人人平等表现在哪些方面| 国产亚洲欧美在线一区二区| av福利片在线观看| xxxwww97欧美| 精品乱码久久久久久99久播| 欧美日韩国产亚洲二区| 成年人黄色毛片网站| 精华霜和精华液先用哪个| 99热精品在线国产| 母亲3免费完整高清在线观看| 久久精品人妻少妇| 国产精品 欧美亚洲| 噜噜噜噜噜久久久久久91| 在线观看免费视频日本深夜| 国产69精品久久久久777片| 美女高潮喷水抽搐中文字幕| 日韩国内少妇激情av| 久久久国产成人免费| 国产真人三级小视频在线观看| 欧美最黄视频在线播放免费| 夜夜爽天天搞| 99国产极品粉嫩在线观看| 最近最新中文字幕大全电影3| 国产精品女同一区二区软件 | 在线观看免费视频日本深夜| 最新在线观看一区二区三区| 亚洲熟妇中文字幕五十中出| 色老头精品视频在线观看| 18禁黄网站禁片午夜丰满| 丰满的人妻完整版| 国产一区二区在线av高清观看| 岛国在线观看网站| 三级毛片av免费| 宅男免费午夜| 在线十欧美十亚洲十日本专区| 在线观看免费午夜福利视频| 丰满的人妻完整版| 搞女人的毛片| 99精品久久久久人妻精品| 婷婷六月久久综合丁香| 搡老熟女国产l中国老女人| 亚洲av免费高清在线观看| 男人舔女人下体高潮全视频| 18+在线观看网站| 久久性视频一级片| 在线观看一区二区三区| 日韩欧美在线乱码| 亚洲最大成人手机在线| 国产精品香港三级国产av潘金莲| 日韩欧美在线乱码| 亚洲成av人片免费观看| 一区福利在线观看| 久久久久免费精品人妻一区二区| 毛片女人毛片| 久久精品夜夜夜夜夜久久蜜豆| 9191精品国产免费久久| 亚洲五月婷婷丁香| 欧美bdsm另类| 91在线观看av| 最近在线观看免费完整版| 99久久精品热视频| 国产免费男女视频| 亚洲人成电影免费在线| 色综合亚洲欧美另类图片| 久久精品国产亚洲av涩爱 | 91九色精品人成在线观看| 国产欧美日韩一区二区精品| 久久这里只有精品中国| 国产成+人综合+亚洲专区| 久99久视频精品免费| 国产私拍福利视频在线观看| 亚洲最大成人中文| x7x7x7水蜜桃| 免费高清视频大片| 欧美日韩综合久久久久久 |