• <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)YoloX的輸電通道工程車輛檢測(cè)識(shí)別

    2022-09-29 07:51:36張智堅(jiān)曹雪虹焦良葆鄒輝軍
    關(guān)鍵詞:卷積樣本函數(shù)

    張智堅(jiān),曹雪虹,焦良葆,孟 琳,2,鄒輝軍

    (1.南京工程學(xué)院 人工智能產(chǎn)業(yè)技術(shù)研究院,南京 211167;2.江蘇省智能感知技術(shù)與裝備工程研究中心,南京 211167)

    0 引言

    隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展,城鎮(zhèn)經(jīng)濟(jì)基礎(chǔ)建設(shè)的不斷加快,大型工程器械得到了廣泛的使用,導(dǎo)致高壓輸電線路原有的安全通道環(huán)境被擠壓。輸電線路設(shè)備發(fā)生外力破環(huán)的事件逐漸上升,已經(jīng)成為目前我國(guó)電網(wǎng)輸配電線路安全運(yùn)行的主要隱患,而單純依靠電力巡檢人員進(jìn)行定期檢查,不僅效率低下,而且更受到自然方面的影響[1]。因此,采用有效的目標(biāo)檢測(cè)方法對(duì)輸電通道下的工程車輛進(jìn)行精準(zhǔn)的檢測(cè)具有重大的意義。

    在利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)之前,傳統(tǒng)的目標(biāo)檢測(cè)主要是采用滑動(dòng)窗口的方式。首先尋找圖像中感興趣的區(qū)域,即選取可能包含檢測(cè)對(duì)象的區(qū)域。然后對(duì)可能包含檢測(cè)對(duì)象的區(qū)域進(jìn)行特征提取,例如尺度不變特征變換(SIFT,scale-invariant feature transform)等特征提取算法[2]。最后利用支持向量機(jī)(SVM,support vector machine)等算法對(duì)提取好的特征進(jìn)行檢測(cè)分類[3]。但是,圖片中物體尺度不一,所占圖片面積有大有小,當(dāng)利用一個(gè)固定的窗口進(jìn)行滑動(dòng)時(shí),物體所占圖片面積越小,候選框區(qū)域中背景區(qū)域的占比就越大;物體所占圖片面積越大,候選框區(qū)域只能包含物體的局部。因此在對(duì)候選區(qū)域中的物體進(jìn)行特征提取時(shí),一方面分類的時(shí)候可能產(chǎn)生誤分類,另一方面可能對(duì)于同一個(gè)對(duì)象產(chǎn)生多個(gè)正確識(shí)別的結(jié)果。若設(shè)計(jì)各種尺寸的窗口,這樣就會(huì)產(chǎn)生大量的計(jì)算,無(wú)法滿足日趨復(fù)雜的輸電通道場(chǎng)景的需求。

    近年來(lái),由于卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域中得到了廣泛的應(yīng)用,給以深度學(xué)習(xí)為基礎(chǔ)的目標(biāo)檢測(cè)算法提供了快速發(fā)展的機(jī)遇。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為兩類,第一類是基于候選區(qū)域的雙階段目標(biāo)檢測(cè)算法,第二類是基于回歸問(wèn)題的單階段目標(biāo)檢測(cè)算法[4]。雙階段的目標(biāo)檢測(cè)算法主要有Fast R-CNN、Faster R-CNN、R-FCN等,首先由特定的算法生成一系列待識(shí)別對(duì)象的候選框,再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)待識(shí)別對(duì)象進(jìn)行分類。Girshick[5]等提出Fast R-CNN,利用卷積網(wǎng)絡(luò)進(jìn)行特征的提取分類以及邊界框的回歸,通過(guò)感興趣池化層進(jìn)行不同尺寸感興趣區(qū)域的統(tǒng)一。Ren[6]等提出Faster R-CNN,使用區(qū)域預(yù)測(cè)網(wǎng)絡(luò)(RPN)替代傳統(tǒng)特征提取方法,提高了網(wǎng)絡(luò)的訓(xùn)練速度。Dai[7]等提出R-FCN方法,應(yīng)用全卷積網(wǎng)絡(luò)提升檢測(cè)速度,通過(guò)位敏池化層,解決因圖片自身變化所引起的屬性改變問(wèn)題。這類算法雖然準(zhǔn)確度較高,但是計(jì)算量較大,導(dǎo)致檢測(cè)速度較慢。單階段的目標(biāo)檢測(cè)算法主要有Yolo,SSD,Retina-Net等,不需要產(chǎn)生候選框,直接對(duì)預(yù)測(cè)的目標(biāo)物體進(jìn)行回歸。謝俊章[8]等利用自適應(yīng)激活函數(shù)改進(jìn)Yolov4的殘差結(jié)構(gòu),提升了小型密集分布的車輛檢測(cè)精度,但是模型結(jié)構(gòu)復(fù)雜。于碩[9]等利用Yolov5網(wǎng)絡(luò),通過(guò)數(shù)據(jù)增強(qiáng)以及網(wǎng)絡(luò)改進(jìn)對(duì)小目標(biāo)進(jìn)行識(shí)別,提高了定位精度。Raj[10]等以SSD目標(biāo)檢測(cè)算法為基礎(chǔ),應(yīng)用Canny算子和log濾波器進(jìn)行圖像增強(qiáng),提高了夜間車輛的檢測(cè)精度。宋歡歡[11]等利用Retina-Net算法,結(jié)合遷移學(xué)習(xí),并結(jié)合模型壓縮,對(duì)光照變化明顯,車輛遮擋嚴(yán)重導(dǎo)致的檢測(cè)精度下降問(wèn)題有較大改善,但能識(shí)別車輛種類少。

    綜上,當(dāng)前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法大多數(shù)對(duì)樣本的質(zhì)量要求較高,一旦受到時(shí)間和氣候的影響,如傍晚或者陰天光線不足的情況,會(huì)極大影響檢測(cè)效果。此外,在保證檢測(cè)速度的同時(shí),往往精度會(huì)有大幅下降。

    為了有效解決上述問(wèn)題,本文通過(guò)對(duì)光線較暗的圖片進(jìn)行篩選,對(duì)MSR算法進(jìn)行優(yōu)化,提高圖片亮度。以YoloX算法為基礎(chǔ)對(duì)工程車輛進(jìn)行目標(biāo)檢測(cè),通過(guò)修改網(wǎng)絡(luò)的損失函數(shù)來(lái)平衡正負(fù)樣本以及難易樣本,通過(guò)添加CBAM注意力機(jī)制,結(jié)合內(nèi)部通道信息和位置信息,提高YoloX算法的提取能力,并通過(guò)修改Neck中CspLayer層,在保證檢測(cè)速度的前提下,提高模型的檢測(cè)性能。

    1 YoloX網(wǎng)絡(luò)介紹

    1.1 YoloX網(wǎng)絡(luò)結(jié)構(gòu)

    YoloX的具體結(jié)構(gòu)如圖1所示。

    圖1 YoloX網(wǎng)絡(luò)結(jié)構(gòu)

    YoloX的網(wǎng)絡(luò)結(jié)構(gòu)主要由4個(gè)部分構(gòu)成,分別為輸入端、骨干網(wǎng)絡(luò)Backbone、強(qiáng)特征提取網(wǎng)絡(luò)Neck以及預(yù)測(cè)網(wǎng)絡(luò)Prediction這4個(gè)部分構(gòu)成。輸入端采用Mosaic數(shù)據(jù)增強(qiáng)方法的同時(shí),融合了Mixup數(shù)據(jù)增強(qiáng)方法,通過(guò)隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布、不同圖片加權(quán)融合等方式對(duì)圖片進(jìn)行拼接,豐富了數(shù)據(jù)的多樣性,可提升小目標(biāo)的檢測(cè)效果。主干網(wǎng)絡(luò)Backbone中使用了Focus、CSPLayer等結(jié)構(gòu),F(xiàn)ocus結(jié)構(gòu)通過(guò)對(duì)圖片進(jìn)行切片操作,將圖片中每隔一個(gè)像素點(diǎn)取一個(gè)值,從而將寬高信息都集中到了通道空間,防止信息的丟失。CSPLayer結(jié)構(gòu)主要由組件CBS(卷積層+歸一化層+激活函數(shù))和殘差組件(由兩個(gè)CBS結(jié)構(gòu)構(gòu)成)構(gòu)成,通過(guò)對(duì)網(wǎng)絡(luò)的深度進(jìn)一步加深,來(lái)不斷提高網(wǎng)絡(luò)的特征提取和特征融合能力。在網(wǎng)絡(luò)的Neck部分,通過(guò)利用特征金字塔FPN+PAN結(jié)構(gòu),將強(qiáng)語(yǔ)義特征和強(qiáng)定位特征進(jìn)行融合,其中FPN結(jié)構(gòu)以自頂向下的方式將深層的語(yǔ)義特征傳到淺層,來(lái)增強(qiáng)多個(gè)尺度上的語(yǔ)義表達(dá),而PAN結(jié)構(gòu)則將淺層的定位信息傳遞到深層,來(lái)增強(qiáng)在多個(gè)尺度上的定位能力。此外,使用CSPLayer結(jié)構(gòu)來(lái)進(jìn)一步加強(qiáng)網(wǎng)絡(luò)特征融合。在最后的Prediction部分,通過(guò)無(wú)錨點(diǎn)方式(Anchor-free)減少預(yù)測(cè)結(jié)果數(shù)量,完成初步的篩選,再利用SimOTA算法對(duì)預(yù)測(cè)結(jié)果進(jìn)行精細(xì)化篩選,得到最終的預(yù)測(cè)結(jié)果。

    1.2 改進(jìn)策略

    本文主要利用YoloX算法研究工程車輛的檢測(cè),通過(guò)在網(wǎng)絡(luò)中添加注意力機(jī)制,修改CSPLayer以及損失函數(shù),對(duì)YoloX算法的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),使YoloX算法能更適用于工程車輛的檢測(cè)領(lǐng)域。

    1.2.1 添加注意力機(jī)制CBAM

    Woo S[12]等提出了一種輕量的注意力模塊Convolutional Block Attention Module,簡(jiǎn)稱CBAM,具體結(jié)構(gòu)如圖2所示。該模塊主要由兩個(gè)獨(dú)立的子模塊構(gòu)成,分別是通道注意力模塊(Channel Attention Module)和空間注意力模塊(Spartial Attention Module),能夠沿著空間和通道兩個(gè)方向依次推斷出注意力權(quán)重,然后將權(quán)重與原始特征圖相乘,從而對(duì)特征進(jìn)行自適應(yīng)調(diào)整,能夠更關(guān)注對(duì)目標(biāo)物體的識(shí)別。

    圖2 CBAM結(jié)構(gòu)圖

    CBAM模塊的實(shí)現(xiàn)主要分為兩步,第一步是經(jīng)過(guò)CA模塊,該模塊主要關(guān)注輸入圖片中有意義的信息,壓縮空間維度,通道維度不變,具體結(jié)構(gòu)如圖3所示。首先將輸入的特征圖F分別進(jìn)行一個(gè)空間的全局最大池化(Global Max Pooling)和全局平均池化(Global Average Pooling),得到兩個(gè)1×1×C的特征圖。接下來(lái)將得到的兩個(gè)特征圖輸入到一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)(MLP),第一層中神經(jīng)元個(gè)數(shù)為C/r(r為減少率),使用的是Relu激活函數(shù),第二層神經(jīng)元個(gè)數(shù)為C,輸出兩個(gè)激活后的特征。最后,將兩個(gè)特征相加并利用Sigmoid激活函數(shù),獲得一個(gè)權(quán)重系數(shù)Mc,將輸入特征F與權(quán)重系數(shù)Mc相乘得到最后縮放后的新特征圖F’。

    圖3 CA模塊結(jié)構(gòu)圖

    第二步是經(jīng)過(guò)SA模塊,該模塊主要是關(guān)注對(duì)象的位置信息,壓縮通道維度,空間維度不變,具體結(jié)構(gòu)如圖4所示。首先利用一個(gè)基于通道的全局最大池化(Global Max Pooling)和全局平均池化(Global Average Pooling)對(duì)CA模塊中輸出的特征圖F’進(jìn)行處理,得到兩個(gè)H×W×1的特征圖。接下來(lái)對(duì)這兩個(gè)特征圖基于通道進(jìn)行一個(gè)拼接,利用一個(gè)7×7卷積操作并使用Sigmoid激活函數(shù),獲得一個(gè)權(quán)重系數(shù)Ms。最后將輸入的特征F’與權(quán)重系數(shù)Mc“相乘,得到最終縮放后的新特征。

    圖4 SA模塊結(jié)構(gòu)圖

    通過(guò)以上兩個(gè)步驟,CBAM模塊沿著兩個(gè)獨(dú)立的維度完成了通道信息和空間信息的融合,完成自適應(yīng)的特征優(yōu)化。相比于注意力機(jī)制SE模塊[13]只考慮內(nèi)部通道信息而忽略了位置信息的重要性,CBAM模塊結(jié)合了空間(spatial)和通道(channel)的注意力機(jī)制模塊,可以取得更好的效果。將此模塊添加在YoloX網(wǎng)絡(luò)中Backbone部分中20*20*1024的CSPLayer層輸出位置,可提高YoloX算法對(duì)工程車輛的檢測(cè)效果。

    1.2.2 Neck部分CSPLayer改進(jìn)

    在YoloX網(wǎng)絡(luò)中,骨干網(wǎng)絡(luò)Backbone主要是對(duì)輸入的圖片進(jìn)行特征提取,而Neck部分介于Backbone和Prediction之間,主要是為了更好的提取backbone中的特征,對(duì)接下來(lái)Prediction部分的定位和分類的結(jié)果有很大的影響[14]。強(qiáng)特征提取網(wǎng)絡(luò)Neck部分中的CSPLayer結(jié)構(gòu)如圖5所示,通過(guò)利用殘差結(jié)構(gòu),對(duì)原來(lái)殘差塊的堆疊進(jìn)行一個(gè)拆分,一共分成左右兩個(gè)部分,其中主干部分繼續(xù)對(duì)原來(lái)的殘差塊進(jìn)行堆疊,另一部分則經(jīng)過(guò)少量處理直接連接到最后。圖5中(a)先將兩個(gè)部分進(jìn)行連接,然后再進(jìn)行輸入到Partial Transion層中,采用這種做法會(huì)使得大量的梯度信息被重用,有利于網(wǎng)絡(luò)學(xué)習(xí),(b)中先將部分特征輸入Partial Transion層中,然后再進(jìn)行連接,這樣做損失了部分的梯度重用,但是計(jì)算復(fù)雜度比(b)圖低。

    圖5 原始CSPLayer

    改進(jìn)的CSPLayer通過(guò)將圖5中(a)和(b)的結(jié)構(gòu)進(jìn)行結(jié)合,具體結(jié)構(gòu)如圖6所示,可以進(jìn)一步提升學(xué)習(xí)能力,但是也提高了一些計(jì)算復(fù)雜度,所以需要進(jìn)一步將CSPLayer中的傳統(tǒng)卷積替換成深度可分離卷積,減小計(jì)算復(fù)雜度。

    圖6 改進(jìn)版CSPLayer

    對(duì)于傳統(tǒng)卷積而言,輸入一個(gè)大小為DF*DF*M的特征圖,輸出一個(gè)小為DF*DF*N特征圖,其中卷積核的大小為DK*DK*M,則傳統(tǒng)卷積的計(jì)算量C如公式(1)所示,其中DF*DF為特征圖的長(zhǎng)和寬,DK*DK為卷積核的長(zhǎng)和寬,M和N為通道數(shù)。

    C=DK×DK×M×N×DF×DF

    (1)

    而深度可分離卷積可以將卷積分為兩個(gè)過(guò)程,首先使用大小為DK*DK*1卷積核進(jìn)行卷積,這樣每一個(gè)卷積核就會(huì)產(chǎn)生M個(gè)DF*DF結(jié)果,第二步使用 1*1*M的卷積核,這樣就只得到一個(gè)結(jié)果,一共有N個(gè)卷積核,最終就得到了DF*DF*N的結(jié)果,深度可分離卷積的計(jì)算量S如公式(2)所示:

    S=DK×DK×M×DF×DF+M×N×DF×DF

    (2)

    通過(guò)將深度可分離卷積的計(jì)算量和傳統(tǒng)卷積的計(jì)算量進(jìn)行對(duì)比,比值K如公式(3)所示,計(jì)算量比傳統(tǒng)的卷積核小很多,卷積核個(gè)數(shù)N越大,計(jì)算量減少的就更加明顯。

    K=

    (3)

    1.2.3 改善obj分支的損失函數(shù)

    在YoloX網(wǎng)絡(luò)中,Prediction部分的YoloHead分為3個(gè)分支,分別為Cls分支、Reg分支以及Obj分支。Cls分支主要用于判斷每一個(gè)特征點(diǎn)所包含的物體種類,Reg分支主要用于判斷每一個(gè)特征點(diǎn)的回歸參數(shù),回歸參數(shù)調(diào)整后可以獲得預(yù)測(cè)框,Obj分支主要用于判斷每一個(gè)特征點(diǎn)是否包含物體,具體結(jié)構(gòu)如圖7所示。

    圖7 YoloHead結(jié)構(gòu)圖

    原始網(wǎng)絡(luò)中obj分支采用BCELoss損失函數(shù)[15],具體如公式(4)所示。其中M為樣本的類別數(shù)量,yic代表符號(hào)函數(shù)(即如果樣本i的真實(shí)類別等于類別c則取值為1,否則取值為0),pic為觀測(cè)樣本i屬于類別c的預(yù)測(cè)概率。BCELoss損失函數(shù)雖然能解決梯度消失問(wèn)題,平衡正負(fù)樣本,但是對(duì)于難易樣本不均衡的情況處理效果不佳,而困難樣本對(duì)網(wǎng)絡(luò)的訓(xùn)練結(jié)果有一定的影響。

    (4)

    Focal Loss損失函數(shù)是基于二分類交叉熵?fù)p失的改進(jìn)[16],既能平衡正負(fù)樣本、也能平衡難易樣本,具體如公式(5)所示,其中ɑ用來(lái)調(diào)節(jié)正負(fù)樣本不平衡,γ用來(lái)調(diào)節(jié)難易樣本不平衡,y=1表示正樣本,y=0表示負(fù)樣本。通過(guò)降低簡(jiǎn)單樣本對(duì)于loss的影響、更多關(guān)注難樣本,避免大量簡(jiǎn)單負(fù)樣本的loss在訓(xùn)練過(guò)程中占據(jù)loss的主導(dǎo)地位。此外通過(guò)利用調(diào)質(zhì)因子(1-p)γ,對(duì)于正樣本來(lái)說(shuō),預(yù)測(cè)值p趨向于1,說(shuō)明是簡(jiǎn)單樣本,(1-p)γ就會(huì)趨近于0,損失函數(shù)值就會(huì)變小,而預(yù)測(cè)值p趨向于0,說(shuō)明是困難樣本,(1-p)γ就會(huì)趨近于1,損失函數(shù)值就會(huì)變大。所以這樣對(duì)于簡(jiǎn)單樣本而言,權(quán)重就會(huì)降低,可以減少簡(jiǎn)單樣本的影響,對(duì)于困難樣本,權(quán)重就會(huì)增大,從而增加對(duì)困難樣本的關(guān)注度,讓網(wǎng)絡(luò)更傾向于使用困難樣本進(jìn)行參數(shù)的更新。

    L=-α(1-p)γlog(p)y=1

    L=-(1-α)pγlog(1-p)y=0

    (5)

    2 Retinex算法

    2.1 常見(jiàn)Retinex算法

    Retinex是一種建立在科學(xué)實(shí)驗(yàn)和科學(xué)分析基礎(chǔ)上的圖像增強(qiáng)方法[17],主要包括單尺度的SSR算法(Single Scale Retinex)以及多尺度的MSR算法(Multi-Scale Retinex)等,可以對(duì)不同類型的圖片在動(dòng)態(tài)范圍類壓縮、顏色等方面進(jìn)行自適應(yīng)的增強(qiáng)。

    單尺度的SSR算法主要通過(guò)從原始圖片中去除低頻照射部分,保留原始圖片中的高頻分量來(lái)進(jìn)行圖像增強(qiáng)[18]。光照?qǐng)D像可以分為其入射圖像和反射圖像,具體如公式(6)所示,入射圖像主要決定了其像素能達(dá)到的動(dòng)態(tài)范圍,需要去除,而反射圖像是其本身的反射特性,基本不會(huì)發(fā)生變化,從而需要保留,具體如公式(7)所示:

    (6)

    r(x,y)=logS(x,y)-log[F(x,y)?S(x,y)]

    (7)

    S(x,y)表示原始圖像,r(x,y)表示輸出圖像,R(x,y)表示反射圖像,L(x,y)表示入射圖像,F(xiàn)(x,y)表示中心環(huán)繞函數(shù),具體如公式(8)所示。其中C是高斯環(huán)繞尺度,C越小,動(dòng)態(tài)壓縮能力越強(qiáng),圖像陰暗部分的細(xì)節(jié)可以得到更好的增強(qiáng),C越大,顏色保真度越高,λ是一個(gè)尺度,需要滿足的條件如公式(9)所示。中心環(huán)繞函數(shù)F(x,y)通過(guò)使用低通函數(shù),對(duì)入射圖像對(duì)應(yīng)原始圖像的低頻部分進(jìn)行估計(jì),并從原始圖像中除去低頻照射部分,最終就會(huì)留下原始圖像所對(duì)應(yīng)的高頻分量[19]。

    F(x,y)=λe-(x2+y2)/c2

    (8)

    (9)

    多尺度的MSR算法是在SSR算法的基礎(chǔ)上發(fā)展來(lái)的,可以同時(shí)保持圖像高保真度與對(duì)圖像的動(dòng)態(tài)范圍進(jìn)行壓縮的同時(shí),實(shí)現(xiàn)色彩增強(qiáng)、顏色恒常性、局部動(dòng)態(tài)范圍壓縮、全局動(dòng)態(tài)范圍壓縮[20]。MSR計(jì)算過(guò)程如公式(10)所示,其中K是高斯中心環(huán)繞函數(shù)的個(gè)數(shù)。為了能夠保持像SSR算法一樣同時(shí)擁有高、中、低3個(gè)尺度的優(yōu)點(diǎn),設(shè)置K的值為3。因此MSR算法能較好的解決色彩和動(dòng)態(tài)壓縮范圍的平衡問(wèn)題,但是還會(huì)出現(xiàn)邊緣銳化不足等問(wèn)題。

    (10)

    2.2 改進(jìn)MSR算法

    傳統(tǒng)的MSR算法在提升圖片亮度的同時(shí),會(huì)導(dǎo)致圖片中對(duì)象的輪廓模糊[21],而在YoloX網(wǎng)絡(luò)中,圖像中對(duì)象的輪廓對(duì)識(shí)別的效果影響很大,為了更有效的增強(qiáng)整個(gè)圖片,提出一種基于邊緣增強(qiáng)的多尺度Retinex算法AttentionMSR-MSS。

    由于圖片中對(duì)象的輪廓模糊,所以需要對(duì)輪廓進(jìn)行邊緣強(qiáng)化,引入拉普拉斯算子,將拉普拉斯模板與原始圖像進(jìn)行卷積操作,拉普拉斯模版如公式(11)所示,通過(guò)將中心像素的灰度值與鄰域內(nèi)其他像素的平均灰度值進(jìn)行對(duì)比,如果中心像素的灰度值低于平均灰度值時(shí),就降低中心像素的灰度值,如果中心像素的灰度值高于平均灰度值時(shí),就提高中心像素的灰度值,然后將原始圖像減去卷積結(jié)果得到圖像邊緣圖像,其過(guò)程如公式(12)所示,最后將原始圖片與邊緣圖像進(jìn)行疊加,獲得邊緣增強(qiáng)后的圖片,這樣就可以保留圖像背景的同時(shí),增強(qiáng)對(duì)象的輪廓細(xì)節(jié)信息。

    (11)

    f(x,y)=S(x,y)-S(x,y)*K

    (12)

    由于MSR算法是利用去除低頻部分,保留高頻部分來(lái)進(jìn)行圖像增強(qiáng),為了更可靠地增強(qiáng)整個(gè)圖像,打破它在增強(qiáng)局部細(xì)節(jié)方面的局限性,將AttentionMSR算法與MSS算法[22]進(jìn)行結(jié)合,通過(guò)在經(jīng)過(guò)邊緣增強(qiáng)的圖像f中加入高頻成分,來(lái)擴(kuò)展動(dòng)態(tài)范圍以提高局部可見(jiàn)性。首先將高斯核應(yīng)用于經(jīng)過(guò)邊緣增強(qiáng)的圖像f,獲得處理后圖像B1、B2和B3,具體如公式(13)所示,其中G1、G2和G3是高斯核。然后和原圖做減法,獲得不同程度的細(xì)節(jié)信息D1、D2和D3,具體如公式(14)所示。再通過(guò)一定的組合方式把這些細(xì)節(jié)信息融合,具體如公式(15)所示,其中w1、w2和w3分別為0.5、0.5和0.25。最后,將整體細(xì)節(jié)D添加到經(jīng)過(guò)邊緣增強(qiáng)的圖像f中。

    B1=G1*fB2=G2*fB3=G3*f

    (13)

    D1=f-B1D2=B1-B2D3=B2-B3

    (14)

    D=(1-W1*sgn(D1))*D1+W2*D2+W3*D3

    (15)

    通過(guò)先對(duì)圖片進(jìn)行邊緣強(qiáng)化,然后在此基礎(chǔ)上加入高頻成分,增強(qiáng)后的圖像亮度明顯提高,圖像細(xì)節(jié)信息也得到了提升,圖像邊緣更加清晰,具體對(duì)比圖如圖8所示,其中(a)為原圖,(b)為使用AttentionMSR-MSS算法的效果圖。

    圖8 效果對(duì)比圖

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)平臺(tái)及參數(shù)配置

    本次實(shí)驗(yàn)的實(shí)驗(yàn)平臺(tái)配置如表1所示。

    表1 參數(shù)配置

    3.2 數(shù)據(jù)集準(zhǔn)備

    工程車輛的數(shù)據(jù)原始圖是由某市公司提供的,總計(jì)12 303張圖片,其中吊車的圖片共有5 184張,挖掘機(jī)的圖片共有4 893張,鏟車的圖片共有710張,混凝土澆灌車的圖片共有604張,混凝土攪拌車的圖片共有597張,壓路機(jī)共有369張,其數(shù)據(jù)集類別數(shù)量如表2所示。

    表2 數(shù)據(jù)集類別及數(shù)量

    由于時(shí)間和氣候的影響,會(huì)存在傍晚或者陰天光線不足的情況,所以需要對(duì)所有圖片進(jìn)行預(yù)處理,提高圖片的亮度。首先,對(duì)輸入圖片進(jìn)行灰度化處理,通過(guò)設(shè)置灰度閾值規(guī)定0~39為偏暗像素點(diǎn),統(tǒng)計(jì)偏暗的像素個(gè)數(shù),統(tǒng)計(jì)過(guò)程如圖9所示,其中(a)圖為灰度化后的圖片,(b)圖為像素點(diǎn)統(tǒng)計(jì)圖。然后計(jì)算偏暗像素點(diǎn)占圖片總像素點(diǎn)的百分比P,根據(jù)實(shí)際情況設(shè)定P超過(guò)20%即表示圖片偏暗。最后將P高于20%的圖片篩選出來(lái),并通過(guò)改進(jìn)版MSR算法進(jìn)行亮度調(diào)節(jié)。

    圖9 像素點(diǎn)統(tǒng)計(jì)圖

    對(duì)于進(jìn)行預(yù)處理后的圖片,采用LabelImg軟件進(jìn)行標(biāo)注。操作界面如圖10所示,按照對(duì)應(yīng)標(biāo)簽進(jìn)行標(biāo)注,此標(biāo)注為crane,標(biāo)注完的信息以xml的格式保存在相同路徑下。

    圖10 LabelImg操作界面

    3.3 實(shí)驗(yàn)結(jié)果

    3.3.1 不同模塊效果分析

    為了更加直觀的對(duì)比不同模塊對(duì)檢測(cè)效果的影響,本文通過(guò)消融實(shí)驗(yàn),依次減少改進(jìn)版CspLayer層、Focal loss損失函數(shù)以及CBAM模塊對(duì)改進(jìn)版YoloX算法進(jìn)行效果驗(yàn)證,實(shí)驗(yàn)結(jié)果如表3所示。

    表3 不同模塊效果分析

    由表可以看出,當(dāng)所有模塊全都加入時(shí),對(duì)工程車輛檢測(cè)效果最好,mAP值比傳統(tǒng)YoloX算法提升了4.64%。與此同時(shí),實(shí)驗(yàn)結(jié)果表明,將CBAM注意力機(jī)制與改進(jìn)版CspLayer層結(jié)合對(duì)算法檢測(cè)性能的提升起到了最為關(guān)鍵的作用。通過(guò)替換原始o(jì)bj分支的損失函數(shù),也能帶來(lái)0.53%的mAP值的提升。

    3.3.2 不同模型效果分析

    本文通過(guò)將YoloX算法與其他目標(biāo)檢測(cè)算法進(jìn)行對(duì)比,具體結(jié)果如表4所示。為了保證實(shí)驗(yàn)對(duì)比的有效性,模型的訓(xùn)練和測(cè)試都安排在同一臺(tái)GPU服務(wù)器上進(jìn)行操作,并且每次訓(xùn)練的過(guò)程保持一致。訓(xùn)練過(guò)程中設(shè)置的參數(shù)如下,輸入的圖片尺寸Img-Size統(tǒng)一縮放到640×640,一次輸入網(wǎng)絡(luò)中的圖片張數(shù)Batch-Size設(shè)置為64,對(duì)于整個(gè)訓(xùn)練集的數(shù)據(jù),迭代次數(shù)Epochs設(shè)置為200輪。測(cè)試時(shí),設(shè)置輸入的圖片尺寸為640,置信度IOU設(shè)置為0.6。通過(guò)結(jié)果對(duì)比可知,YoloX算法的檢測(cè)效果最好,因此選擇YoloX算法作為目標(biāo)檢測(cè)的基礎(chǔ)算法,并對(duì)其進(jìn)行改。

    表4 不同深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)比

    首先,將改進(jìn)版的YoloX算法部署在GPU服務(wù)器中,并對(duì)COCO數(shù)據(jù)集進(jìn)行訓(xùn)練,利用訓(xùn)練好的權(quán)重對(duì)COCO數(shù)據(jù)集進(jìn)行檢測(cè),檢測(cè)效果如圖11所示,其中圖(a)為原始YoloX算法的測(cè)試結(jié)果,圖(b)為改進(jìn)后YoloX算法的測(cè)試結(jié)果,可見(jiàn)原模型中未被識(shí)別的對(duì)象,改進(jìn)后的模型可以識(shí)別出來(lái)。

    圖11 COCO數(shù)據(jù)集檢測(cè)效果圖

    然后利用改進(jìn)版的YoloX算法檢驗(yàn)自建數(shù)據(jù)集的識(shí)別效果,通過(guò)訓(xùn)練自建工程車輛的數(shù)據(jù)集,獲得最終工程車輛檢測(cè)模型權(quán)重。改進(jìn)后的YoloX檢測(cè)網(wǎng)絡(luò)相較于原YoloX檢測(cè)網(wǎng)絡(luò)模型mAP提高4.64%,具體如圖12所示,其中圖(a)為原始YoloX算法的測(cè)試結(jié)果,圖(b)為改進(jìn)后YoloX算法的測(cè)試結(jié)果。

    圖12 YoloX算法測(cè)試結(jié)果對(duì)比圖

    改進(jìn)后的YoloX算法在實(shí)際應(yīng)用中的效果如圖13所示,圖(a)為來(lái)自攝像頭拍攝的輸電通道圖片,圖(b)為原始YoloX算法檢測(cè)效果圖,圖(c)為改進(jìn)后YoloX算法檢測(cè)效果圖。選取的部分圖片中一共有10個(gè)工程車輛,原始YoloX算法共識(shí)別出4個(gè)工程車輛,改進(jìn)后YoloX算法共識(shí)別出7個(gè)工程車輛。由對(duì)比圖可知,改進(jìn)后的YoloX算法訓(xùn)練出的模型在不同的場(chǎng)景中對(duì)工程車輛的檢測(cè)效果較為理想。

    圖13 工程車輛檢測(cè)效果圖

    4 結(jié)束語(yǔ)

    本文提出了一種改進(jìn)版YoloX算法,該方法通過(guò)改進(jìn)YoloX算法的CspLayer結(jié)構(gòu),添加CBAM注意力機(jī)制模塊,將obj分支的BCELoss損失函數(shù)替換為Focal Loss損失函數(shù),對(duì)工程車輛進(jìn)行檢測(cè)。與此同時(shí),通過(guò)利用改進(jìn)MSR算法進(jìn)行圖片的亮度提升,提高了數(shù)據(jù)集的質(zhì)量,更有利于提高了YoloX網(wǎng)絡(luò)的識(shí)別。由于在實(shí)際大規(guī)模的應(yīng)用場(chǎng)景中,使用YoloX算法會(huì)存在一些誤檢,影響檢測(cè)效果,后續(xù)工作可以進(jìn)一步研究場(chǎng)景識(shí)別,來(lái)進(jìn)一步提升工程車輛的檢測(cè)效果。

    猜你喜歡
    卷積樣本函數(shù)
    二次函數(shù)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    第3講 “函數(shù)”復(fù)習(xí)精講
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    二次函數(shù)
    函數(shù)備考精講
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    推動(dòng)醫(yī)改的“直銷樣本”
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    久久久久久久大尺度免费视频| 国产激情久久老熟女| 免费人妻精品一区二区三区视频| 欧美亚洲 丝袜 人妻 在线| 亚洲av日韩精品久久久久久密| 在线永久观看黄色视频| 免费观看人在逋| 欧美日韩一级在线毛片| 国产精品一区二区免费欧美| 亚洲成人免费电影在线观看| 丁香欧美五月| 久久精品国产a三级三级三级| 自线自在国产av| 757午夜福利合集在线观看| 日韩熟女老妇一区二区性免费视频| a级片在线免费高清观看视频| 午夜福利视频在线观看免费| 国产视频一区二区在线看| 曰老女人黄片| 国产一区二区三区视频了| 久久久欧美国产精品| 纵有疾风起免费观看全集完整版| 日本wwww免费看| 一级毛片女人18水好多| 狠狠精品人妻久久久久久综合| 91精品三级在线观看| 亚洲av国产av综合av卡| 丰满人妻熟妇乱又伦精品不卡| 亚洲一区中文字幕在线| 精品人妻在线不人妻| 满18在线观看网站| 亚洲国产欧美在线一区| a级毛片黄视频| 国产又爽黄色视频| 久久久久久久久久久久大奶| 亚洲欧洲日产国产| 一区二区三区激情视频| 成年人免费黄色播放视频| 日本av免费视频播放| 久久久久久久久免费视频了| 精品一区二区三区视频在线观看免费 | 99久久99久久久精品蜜桃| 中文亚洲av片在线观看爽 | 最近最新免费中文字幕在线| 亚洲欧洲精品一区二区精品久久久| 手机成人av网站| 国产淫语在线视频| 男女边摸边吃奶| 黑人猛操日本美女一级片| 女性被躁到高潮视频| 丁香欧美五月| 这个男人来自地球电影免费观看| 久久热在线av| 国产高清视频在线播放一区| 一个人免费在线观看的高清视频| 纵有疾风起免费观看全集完整版| 国产一卡二卡三卡精品| 黑人猛操日本美女一级片| 日本wwww免费看| 美女扒开内裤让男人捅视频| 一级,二级,三级黄色视频| 一个人免费看片子| 精品免费久久久久久久清纯 | av一本久久久久| 欧美精品亚洲一区二区| 免费在线观看完整版高清| 国产精品偷伦视频观看了| 国产高清videossex| 黄色成人免费大全| 一本一本久久a久久精品综合妖精| 一边摸一边抽搐一进一小说 | 国产精品亚洲一级av第二区| 99re6热这里在线精品视频| 亚洲天堂av无毛| 国产成人av激情在线播放| 国产成人欧美| 黑丝袜美女国产一区| 亚洲国产av影院在线观看| 色综合婷婷激情| videos熟女内射| 国产有黄有色有爽视频| 久久久精品94久久精品| 妹子高潮喷水视频| 午夜福利免费观看在线| 老司机午夜福利在线观看视频 | 黑丝袜美女国产一区| 桃花免费在线播放| 变态另类成人亚洲欧美熟女 | 久久精品国产综合久久久| 99国产极品粉嫩在线观看| 叶爱在线成人免费视频播放| 精品午夜福利视频在线观看一区 | 成在线人永久免费视频| 91麻豆av在线| 久久久久久免费高清国产稀缺| 国产一区二区三区综合在线观看| 一区二区av电影网| 久久久久网色| 男女床上黄色一级片免费看| 女警被强在线播放| 成人国语在线视频| 亚洲七黄色美女视频| av天堂在线播放| 欧美日韩亚洲高清精品| 久久婷婷成人综合色麻豆| 飞空精品影院首页| 涩涩av久久男人的天堂| 人妻 亚洲 视频| 国产午夜精品久久久久久| 老鸭窝网址在线观看| 老司机午夜十八禁免费视频| 丰满迷人的少妇在线观看| 岛国在线观看网站| 老熟女久久久| 老汉色av国产亚洲站长工具| 久久精品91无色码中文字幕| 十分钟在线观看高清视频www| 日本av手机在线免费观看| 美女国产高潮福利片在线看| 亚洲 国产 在线| 欧美老熟妇乱子伦牲交| 国产精品自产拍在线观看55亚洲 | 高清在线国产一区| 自拍欧美九色日韩亚洲蝌蚪91| 久久久精品94久久精品| 黄片播放在线免费| 每晚都被弄得嗷嗷叫到高潮| 日韩欧美免费精品| 熟女少妇亚洲综合色aaa.| 国产精品免费视频内射| 女性生殖器流出的白浆| 一级片'在线观看视频| 亚洲欧美精品综合一区二区三区| 19禁男女啪啪无遮挡网站| e午夜精品久久久久久久| www日本在线高清视频| 久久精品国产亚洲av香蕉五月 | 国产精品一区二区免费欧美| 亚洲少妇的诱惑av| 免费看十八禁软件| 香蕉久久夜色| 美女高潮喷水抽搐中文字幕| 日韩一卡2卡3卡4卡2021年| 在线 av 中文字幕| 日本黄色日本黄色录像| 亚洲精品国产一区二区精华液| 在线观看免费视频日本深夜| 国产三级黄色录像| 美女扒开内裤让男人捅视频| 一区二区三区激情视频| 中文字幕人妻丝袜制服| 国产成人啪精品午夜网站| 999久久久精品免费观看国产| 亚洲精品粉嫩美女一区| 高清av免费在线| 国产亚洲一区二区精品| 久久人妻福利社区极品人妻图片| 色综合欧美亚洲国产小说| 日韩一区二区三区影片| 久久国产精品大桥未久av| 婷婷丁香在线五月| 老司机靠b影院| 天天添夜夜摸| 最新美女视频免费是黄的| 久久久久久久国产电影| 久久免费观看电影| 色播在线永久视频| 91麻豆精品激情在线观看国产 | 在线观看免费日韩欧美大片| 日韩免费高清中文字幕av| 久久精品熟女亚洲av麻豆精品| 黄片大片在线免费观看| 国产成+人综合+亚洲专区| 国产高清激情床上av| 天堂俺去俺来也www色官网| 黄片小视频在线播放| 精品国产乱码久久久久久小说| 亚洲自偷自拍图片 自拍| h视频一区二区三区| 欧美日韩亚洲综合一区二区三区_| 久久久久久人人人人人| 男人舔女人的私密视频| 日韩欧美一区视频在线观看| 性高湖久久久久久久久免费观看| 午夜福利在线免费观看网站| 99国产精品一区二区蜜桃av | 午夜老司机福利片| 国产精品98久久久久久宅男小说| 亚洲人成77777在线视频| 美女扒开内裤让男人捅视频| 韩国精品一区二区三区| 国产福利在线免费观看视频| 黄色片一级片一级黄色片| 久久精品人人爽人人爽视色| 日韩欧美免费精品| 亚洲天堂av无毛| 成人国语在线视频| 亚洲 欧美一区二区三区| 天天躁日日躁夜夜躁夜夜| 一级a爱视频在线免费观看| 18禁国产床啪视频网站| 在线av久久热| 少妇粗大呻吟视频| 亚洲精品自拍成人| 一本大道久久a久久精品| 欧美午夜高清在线| 日韩中文字幕视频在线看片| 一边摸一边做爽爽视频免费| 18禁美女被吸乳视频| 久久午夜综合久久蜜桃| 免费少妇av软件| 成人手机av| 国产成人精品久久二区二区免费| 色综合婷婷激情| 欧美日韩视频精品一区| av又黄又爽大尺度在线免费看| 99久久99久久久精品蜜桃| 日韩中文字幕欧美一区二区| kizo精华| 在线看a的网站| 久久久国产成人免费| 欧美日韩国产mv在线观看视频| 久久精品国产亚洲av香蕉五月 | 国产成人欧美在线观看 | 十八禁网站网址无遮挡| 亚洲欧洲精品一区二区精品久久久| 精品亚洲乱码少妇综合久久| 亚洲色图 男人天堂 中文字幕| 亚洲自偷自拍图片 自拍| 中文字幕人妻丝袜一区二区| 老司机福利观看| 色婷婷久久久亚洲欧美| 精品少妇久久久久久888优播| svipshipincom国产片| 我的亚洲天堂| 老熟妇乱子伦视频在线观看| av线在线观看网站| 免费观看人在逋| 日本av手机在线免费观看| 亚洲国产看品久久| 在线av久久热| 十八禁高潮呻吟视频| 丝袜人妻中文字幕| 中文字幕精品免费在线观看视频| 成人免费观看视频高清| 两个人看的免费小视频| 久久毛片免费看一区二区三区| 亚洲成a人片在线一区二区| 国产视频一区二区在线看| 久久人妻福利社区极品人妻图片| 日日爽夜夜爽网站| 精品乱码久久久久久99久播| 午夜成年电影在线免费观看| 国产日韩欧美在线精品| 桃花免费在线播放| 国产精品影院久久| 黄色片一级片一级黄色片| av电影中文网址| 美女视频免费永久观看网站| xxxhd国产人妻xxx| av不卡在线播放| 国产男靠女视频免费网站| 国产成人精品久久二区二区91| 两人在一起打扑克的视频| 天天躁日日躁夜夜躁夜夜| 国产一区二区三区视频了| 天堂动漫精品| 一边摸一边抽搐一进一小说 | 一夜夜www| 久久ye,这里只有精品| 飞空精品影院首页| 叶爱在线成人免费视频播放| 国产精品 欧美亚洲| 12—13女人毛片做爰片一| 亚洲一码二码三码区别大吗| 久久人人爽av亚洲精品天堂| 日韩欧美国产一区二区入口| 免费女性裸体啪啪无遮挡网站| 国产欧美日韩综合在线一区二区| 久久午夜综合久久蜜桃| 亚洲精品中文字幕在线视频| 国产午夜精品久久久久久| 亚洲精品乱久久久久久| 日韩一区二区三区影片| 精品人妻在线不人妻| 久久99一区二区三区| 精品一区二区三区四区五区乱码| 一进一出抽搐动态| 亚洲成人免费电影在线观看| 亚洲一区二区三区欧美精品| 亚洲一区中文字幕在线| 欧美激情高清一区二区三区| 色综合婷婷激情| 国产欧美日韩精品亚洲av| 久久久久国产一级毛片高清牌| 日韩免费av在线播放| 亚洲五月婷婷丁香| 一二三四在线观看免费中文在| 亚洲av第一区精品v没综合| 亚洲国产欧美网| 日本精品一区二区三区蜜桃| av一本久久久久| 精品一区二区三卡| 国产区一区二久久| 99国产极品粉嫩在线观看| 99香蕉大伊视频| 激情视频va一区二区三区| 交换朋友夫妻互换小说| 欧美大码av| 国产99久久九九免费精品| 国产欧美日韩综合在线一区二区| 黄色怎么调成土黄色| 老熟妇仑乱视频hdxx| 亚洲精品国产精品久久久不卡| 日本av免费视频播放| 欧美日韩av久久| 日本a在线网址| 精品久久久精品久久久| 俄罗斯特黄特色一大片| 亚洲欧美一区二区三区久久| 岛国毛片在线播放| 精品国产乱子伦一区二区三区| 国产91精品成人一区二区三区 | 精品亚洲成a人片在线观看| 别揉我奶头~嗯~啊~动态视频| 精品国产亚洲在线| 一区二区三区精品91| 手机成人av网站| 国产av精品麻豆| 18禁裸乳无遮挡动漫免费视频| 嫁个100分男人电影在线观看| 国产av又大| 日日夜夜操网爽| 国产成人系列免费观看| 亚洲第一欧美日韩一区二区三区 | 免费在线观看影片大全网站| 少妇裸体淫交视频免费看高清 | 男女午夜视频在线观看| 欧美日韩视频精品一区| 亚洲精品在线美女| 后天国语完整版免费观看| 天堂俺去俺来也www色官网| 日韩大码丰满熟妇| 一区二区三区激情视频| 国产av又大| 亚洲精品在线美女| 亚洲一卡2卡3卡4卡5卡精品中文| 飞空精品影院首页| 99久久国产精品久久久| 女人高潮潮喷娇喘18禁视频| 亚洲成国产人片在线观看| 新久久久久国产一级毛片| 亚洲国产av新网站| 精品亚洲成a人片在线观看| 免费不卡黄色视频| 亚洲美女黄片视频| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲欧美色中文字幕在线| 国产单亲对白刺激| 成年动漫av网址| 熟女少妇亚洲综合色aaa.| 亚洲国产看品久久| 国产精品亚洲av一区麻豆| 动漫黄色视频在线观看| 91成年电影在线观看| 人妻久久中文字幕网| 每晚都被弄得嗷嗷叫到高潮| 超色免费av| 久久99热这里只频精品6学生| 一本久久精品| 中文字幕最新亚洲高清| 蜜桃国产av成人99| 国产亚洲欧美在线一区二区| 99久久精品国产亚洲精品| 亚洲专区国产一区二区| 国产成人精品在线电影| 老司机福利观看| 午夜两性在线视频| 美女高潮到喷水免费观看| 最黄视频免费看| 国产精品久久久久久精品古装| 老鸭窝网址在线观看| 国产1区2区3区精品| 久久精品国产a三级三级三级| 久久人妻熟女aⅴ| 国产人伦9x9x在线观看| 十八禁高潮呻吟视频| 国产精品偷伦视频观看了| 99久久99久久久精品蜜桃| 精品人妻在线不人妻| 久久久久久亚洲精品国产蜜桃av| 韩国精品一区二区三区| a在线观看视频网站| 欧美成人免费av一区二区三区 | 欧美老熟妇乱子伦牲交| 在线av久久热| 久久婷婷成人综合色麻豆| 欧美精品一区二区大全| 大片电影免费在线观看免费| 另类精品久久| 女人久久www免费人成看片| 正在播放国产对白刺激| 久久精品国产a三级三级三级| 母亲3免费完整高清在线观看| 国产1区2区3区精品| 国产精品国产av在线观看| 首页视频小说图片口味搜索| 每晚都被弄得嗷嗷叫到高潮| 一级片免费观看大全| 天天躁日日躁夜夜躁夜夜| 啦啦啦 在线观看视频| 一级毛片女人18水好多| 久久国产精品大桥未久av| 成人永久免费在线观看视频 | 精品国产超薄肉色丝袜足j| 免费观看a级毛片全部| 久久人人97超碰香蕉20202| 免费不卡黄色视频| avwww免费| 久久久精品94久久精品| 久久久久精品人妻al黑| 在线观看免费高清a一片| 国产男女超爽视频在线观看| 国产老妇伦熟女老妇高清| 久久精品91无色码中文字幕| 老司机靠b影院| 精品国产一区二区久久| 亚洲美女黄片视频| 多毛熟女@视频| 欧美黄色片欧美黄色片| 精品高清国产在线一区| 狠狠狠狠99中文字幕| 一级a爱视频在线免费观看| a级毛片在线看网站| 国产老妇伦熟女老妇高清| 日日爽夜夜爽网站| 深夜精品福利| 老司机午夜福利在线观看视频 | 亚洲伊人色综图| 午夜福利在线免费观看网站| 国产aⅴ精品一区二区三区波| 国产野战对白在线观看| 这个男人来自地球电影免费观看| 搡老熟女国产l中国老女人| a级片在线免费高清观看视频| av片东京热男人的天堂| 国产高清视频在线播放一区| 日韩大码丰满熟妇| 中文字幕高清在线视频| 天堂动漫精品| 91大片在线观看| 免费少妇av软件| 亚洲伊人久久精品综合| 亚洲精品国产区一区二| 亚洲第一青青草原| 黄色视频,在线免费观看| 黄片播放在线免费| 国产高清激情床上av| 久久这里只有精品19| 国产亚洲av高清不卡| 久久中文字幕人妻熟女| 久久热在线av| 久久精品熟女亚洲av麻豆精品| 成人国产av品久久久| 黄片小视频在线播放| 久久人妻av系列| 亚洲第一青青草原| 久久久久精品国产欧美久久久| 免费少妇av软件| 久久久久视频综合| 自线自在国产av| 久久精品人人爽人人爽视色| 性高湖久久久久久久久免费观看| 精品久久久久久电影网| 一边摸一边抽搐一进一出视频| 亚洲精品美女久久久久99蜜臀| 成年女人毛片免费观看观看9 | 亚洲免费av在线视频| 亚洲欧洲日产国产| 天天躁狠狠躁夜夜躁狠狠躁| 女人精品久久久久毛片| 国产xxxxx性猛交| 欧美精品av麻豆av| 国产三级黄色录像| 亚洲一区中文字幕在线| 嫁个100分男人电影在线观看| 亚洲 国产 在线| 久久久久视频综合| 人妻一区二区av| 午夜91福利影院| 电影成人av| 久久久久久久大尺度免费视频| 国产单亲对白刺激| 欧美黄色片欧美黄色片| 一区二区三区乱码不卡18| 色精品久久人妻99蜜桃| 欧美日韩亚洲高清精品| 成人三级做爰电影| 99精品欧美一区二区三区四区| 美女福利国产在线| 最近最新中文字幕大全免费视频| 国产精品久久久久久精品古装| 久久久久久亚洲精品国产蜜桃av| 宅男免费午夜| 美国免费a级毛片| 免费看十八禁软件| 99国产极品粉嫩在线观看| 欧美国产精品一级二级三级| 欧美日韩中文字幕国产精品一区二区三区 | 一二三四在线观看免费中文在| 精品熟女少妇八av免费久了| 男女无遮挡免费网站观看| 久久久久久亚洲精品国产蜜桃av| 亚洲成人免费av在线播放| 午夜福利欧美成人| 久久人妻熟女aⅴ| 啦啦啦在线免费观看视频4| 亚洲熟妇熟女久久| 色尼玛亚洲综合影院| 日韩 欧美 亚洲 中文字幕| 老司机午夜福利在线观看视频 | 国产av一区二区精品久久| 亚洲精品国产一区二区精华液| 国产亚洲av高清不卡| 在线观看免费日韩欧美大片| 建设人人有责人人尽责人人享有的| 最近最新免费中文字幕在线| 黄色视频在线播放观看不卡| 日韩欧美免费精品| 国精品久久久久久国模美| 欧美激情 高清一区二区三区| 国产片内射在线| 巨乳人妻的诱惑在线观看| 中文字幕色久视频| 日本五十路高清| 99精品久久久久人妻精品| 久久婷婷成人综合色麻豆| 亚洲熟女精品中文字幕| 蜜桃国产av成人99| 日韩有码中文字幕| 亚洲精品在线观看二区| 在线av久久热| 久久精品熟女亚洲av麻豆精品| 高清在线国产一区| 午夜福利在线免费观看网站| 国产亚洲av高清不卡| e午夜精品久久久久久久| 欧美激情 高清一区二区三区| 一本综合久久免费| 国产av又大| 久久狼人影院| 中文字幕高清在线视频| 丝袜人妻中文字幕| 午夜福利视频在线观看免费| 黄色怎么调成土黄色| 国产成人精品久久二区二区91| 女人被躁到高潮嗷嗷叫费观| 法律面前人人平等表现在哪些方面| 亚洲中文av在线| 黄色成人免费大全| 两人在一起打扑克的视频| 1024香蕉在线观看| 老司机深夜福利视频在线观看| 国产欧美日韩一区二区精品| 一区福利在线观看| 99国产精品99久久久久| 视频在线观看一区二区三区| 亚洲成人免费av在线播放| 午夜免费鲁丝| av网站免费在线观看视频| 91字幕亚洲| 欧美大码av| 一夜夜www| 在线亚洲精品国产二区图片欧美| 国产精品 欧美亚洲| 亚洲性夜色夜夜综合| 999久久久精品免费观看国产| 欧美成人免费av一区二区三区 | 免费观看人在逋| 飞空精品影院首页| svipshipincom国产片| 国产精品av久久久久免费| 蜜桃国产av成人99| 午夜成年电影在线免费观看| 极品教师在线免费播放| 激情视频va一区二区三区| 午夜激情久久久久久久| 90打野战视频偷拍视频| 动漫黄色视频在线观看| 高清av免费在线| 国产成人精品在线电影| 热re99久久精品国产66热6| 欧美另类亚洲清纯唯美| 国产男女超爽视频在线观看| 不卡一级毛片| 欧美中文综合在线视频| 亚洲九九香蕉| 欧美成人午夜精品| 自拍欧美九色日韩亚洲蝌蚪91| 色94色欧美一区二区| 精品国产超薄肉色丝袜足j| 久久久国产一区二区| 国产一区二区三区在线臀色熟女 | 少妇 在线观看| 久久精品国产99精品国产亚洲性色 | 十八禁人妻一区二区| 免费少妇av软件| 午夜日韩欧美国产| 大香蕉久久成人网| 成年动漫av网址| 搡老熟女国产l中国老女人| 美女主播在线视频| 1024香蕉在线观看| 成年人午夜在线观看视频| 三级毛片av免费|