• <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 ?

    基于深度卷積網(wǎng)絡(luò)的港口集裝箱屬性識(shí)別方法?

    2019-11-07 01:46:24楊杰敏郭保琪羅漢江林建成
    關(guān)鍵詞:鉛封集裝箱濾波器

    楊杰敏, 郭保琪, 羅漢江, 林建成

    (1.中國海洋大學(xué),山東 青島 266100; 2. 青島新前灣集裝箱碼頭有限責(zé)任公司,山東 青島 266500; 3. 青島海大新星軟件咨詢有限公司,山東 青島 266500;4. 山東科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,山東 青島 266590)

    全自動(dòng)化集裝箱碼頭是對(duì)傳統(tǒng)集裝箱碼頭作業(yè)模式的顛覆, 但實(shí)現(xiàn)集裝箱碼頭裝卸全過程無人化作業(yè),首先需要實(shí)現(xiàn)對(duì)碼頭作業(yè)場景及對(duì)象全方位的感知。當(dāng)前人工智能、物聯(lián)網(wǎng)、云計(jì)算等相關(guān)技術(shù)快速發(fā)展, 為自動(dòng)化集裝箱碼頭應(yīng)用技術(shù)的發(fā)展帶來新的機(jī)遇[1]。作為自動(dòng)化碼頭系統(tǒng)應(yīng)用的關(guān)鍵技術(shù)之一的圖像識(shí)別技術(shù),不僅需要對(duì)集裝箱的箱號(hào)進(jìn)行識(shí)別,而且需要對(duì)集裝箱的箱門方向、鉛封、殘損等信息進(jìn)行識(shí)別和檢測[2]。最近發(fā)展迅速的基于深度卷積網(wǎng)絡(luò)的圖像智能識(shí)別技術(shù),可以用來快速、有效地解決全自動(dòng)化集裝箱碼頭集裝箱的識(shí)別問題。

    目前,卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像識(shí)別方面取得了優(yōu)異的表現(xiàn)[3-5]。近期的研究文獻(xiàn)表明,雖然CNN在分類問題上進(jìn)行訓(xùn)練,但同時(shí)具備了較強(qiáng)的定位檢測能力[6-10]。流行的基于CNN 的目標(biāo)檢測方法主要有R-CNN,F(xiàn)aster R-CNN,R-FCN,SSD和YOLO等,目標(biāo)識(shí)別性能已經(jīng)取得長足的進(jìn)步。

    R-CNN[11]首次提出在CNN中進(jìn)行目標(biāo)檢測,它首先計(jì)算有可能包含物體的剪裁方框(box),然后針對(duì)這些box運(yùn)行CNN網(wǎng)絡(luò)進(jìn)行分類識(shí)別。由于推薦的box有很多重疊發(fā)生,導(dǎo)致該方法存在重復(fù)計(jì)算,代價(jià)較大。Fast R-CNN[12]將圖片輸入到神經(jīng)網(wǎng)絡(luò),然后在網(wǎng)絡(luò)中間層利用卷積特征進(jìn)行剪裁和box推薦,這樣只要運(yùn)行一次CNN就可以得到所需要的box。R-CNN 和Fast R-CNN均依賴于外加的box生成器,而最近的研究表明這些box可以由神經(jīng)網(wǎng)絡(luò)本身生成[16-19],它需要一個(gè)覆蓋在不同空間位置、縮放比例、寬高比的box集合,被稱之為錨點(diǎn)。這些錨點(diǎn)用來預(yù)測兩個(gè)目標(biāo):一是離散的類標(biāo)號(hào),另一個(gè)是連續(xù)的偏移坐標(biāo)。然后把這兩個(gè)目標(biāo)綁定到一個(gè)代價(jià)函數(shù)上,同時(shí)進(jìn)行訓(xùn)練。而另外一種基于區(qū)域的全卷積網(wǎng)絡(luò)R-FCN[13](Region-Based Fully Convolutional)在特征提取結(jié)束之后添加全卷積層,也就是說,它不是在網(wǎng)絡(luò)中間層建議的box上選取特征,而是在這個(gè)全卷積層上產(chǎn)生box,并預(yù)測目標(biāo)和位置。該方法將特征推送到最后一層不僅大大減少了每個(gè)區(qū)域的計(jì)算量,同時(shí)使用全卷積層使深度網(wǎng)絡(luò)保留了其平移不變性。

    上述基于R-xxx的檢測方法均屬于兩階段算法,先進(jìn)行區(qū)域box推薦,然后進(jìn)行分類檢測。而SSD(Single Shot Multibox Detector )[14]和YOLO (You Only Look Once )[15]是一階段方法,使用一次網(wǎng)絡(luò)正向傳播就可以預(yù)測目標(biāo)和位置,而不需要進(jìn)行區(qū)域推薦,這無疑會(huì)極大提高預(yù)測速度,不過其預(yù)測準(zhǔn)確度不如區(qū)域推薦方法,因此在許多情況下需要在預(yù)測速度和準(zhǔn)確度之間做出合理的均衡。

    前述流行的深度目標(biāo)檢測方法至少包含特征提取網(wǎng)絡(luò)和位置回歸網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜,需要訓(xùn)練的參數(shù)量較大,所需的標(biāo)記樣本數(shù)量較大,而且必須使用同時(shí)帶有類別及位置標(biāo)記的樣本,樣本的制作成本高。但實(shí)際應(yīng)用中很難提供足夠的標(biāo)記樣本,導(dǎo)致訓(xùn)練出的模型準(zhǔn)確率不夠理想。針對(duì)此問題,本文提出一種輕量級(jí)的基于相關(guān)性特征圖的目標(biāo)檢測方法,該方法只需要部分特征提取網(wǎng)絡(luò),不需要進(jìn)行box推薦和坐標(biāo)位置回歸,而是充分利用卷積神經(jīng)網(wǎng)絡(luò)自身的頻率選擇特性,以及產(chǎn)生平移、旋轉(zhuǎn)、縮放不變性特征的能力,生成一個(gè)與目標(biāo)相關(guān)的顯著性分布特征圖,對(duì)該特征圖之前的所有濾波器組進(jìn)行訓(xùn)練,使該特征圖同時(shí)具備了分類和位置預(yù)測功能。該方法只需要較少的類別標(biāo)記樣本,不需要做位置標(biāo)記,就可以訓(xùn)練出兼顧準(zhǔn)確性和識(shí)別速度的深度模型。

    論文首先從信號(hào)時(shí)頻變換的角度研究單個(gè)卷積濾波器的工作原理,然后對(duì)卷積網(wǎng)絡(luò)中間層產(chǎn)生的深度表征進(jìn)行分析,提取與檢測目標(biāo)相關(guān)的特征圖子集。通過對(duì)特征子集進(jìn)行組合,得到能夠檢測目標(biāo)的相關(guān)性特征圖,并設(shè)計(jì)相應(yīng)的目標(biāo)函數(shù)。最后通過實(shí)驗(yàn),驗(yàn)證了該方法的有效性。

    1 相關(guān)性特征圖的目標(biāo)檢測

    1.1 卷積深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    Inception卷積深度神經(jīng)網(wǎng)絡(luò)模型由最優(yōu)的稀疏子結(jié)構(gòu)層疊構(gòu)建而成,其理論依據(jù)在于:如果數(shù)據(jù)集的概率分布能夠被一個(gè)巨大的稀疏神經(jīng)網(wǎng)絡(luò)表征,那么通過分析上一層神經(jīng)元激活值的統(tǒng)計(jì)相關(guān)性,并將具有較高相關(guān)性的神經(jīng)元分組并逐層構(gòu)建,就可以得到一個(gè)最優(yōu)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。如圖 1所示,最優(yōu)稀疏子結(jié)構(gòu)以上一層(Last layer)的卷積特征圖為輸入,具有4個(gè)并行分支,由1×1,3×3,5×5的卷積濾波器(Conv)、池化器(Pool)組成。在分支上前置1×1的卷積器,用于降低輸入3×3,5×5卷積器的通道個(gè)數(shù),減少權(quán)值參數(shù);與之類似,在3×3最大池化器(MaxPool)后面放置1×1卷積器,最后通過輸出特征圖的合并操作(Filter Concat)傳遞到下一層,這樣構(gòu)成了一個(gè)inception模塊。

    圖1 Inception模塊結(jié)構(gòu)

    Inception深度神經(jīng)網(wǎng)絡(luò)以多個(gè)卷積層(Conv0 Conv1)、池化層(pool2)的線性排列開始,用于提取線、邊緣等低層的視覺特征。之后堆疊多個(gè)Inception模塊(A,B…G…),其分支結(jié)構(gòu)允許不同尺度不同層級(jí)特征的融合,并逐漸提取到抽象的中間層及高級(jí)別語義特征。同時(shí),特征提取層均采用BatchNormal正則化及Relu激活函數(shù)。對(duì)最后一個(gè)特征提取層做全局平均池化(AvgPool)后,得到特征向量,通過全連接層(FC)輸出類別預(yù)測向量(logits)。該網(wǎng)絡(luò)獲得了ILSVRC 2014挑戰(zhàn)賽冠軍,是目前較為流行的深度網(wǎng)絡(luò)結(jié)構(gòu)。本文采用經(jīng)過128萬張ImageNet數(shù)據(jù)集預(yù)訓(xùn)練過的Inception V3網(wǎng)絡(luò)作為目標(biāo)檢測的特征提取器(見圖2)。

    圖2 Inception V3卷積神經(jīng)網(wǎng)絡(luò)

    1.2 卷積濾波器本質(zhì)

    深度卷積網(wǎng)絡(luò)(CNN)以卷積濾波器為核心部件,本節(jié)從信號(hào)時(shí)頻變換的角度研究單個(gè)卷積濾波器的工作原理,對(duì)探究深度神經(jīng)網(wǎng)絡(luò)平移、旋轉(zhuǎn)、縮放等不變量的生成具有重要意義。

    圖3 卷積濾波器及其響應(yīng)圖解

    圖4 高斯函數(shù)

    圖3中fi,gi分別是指訓(xùn)練圖像和所期望得到的響應(yīng)輸出圖像,hi是卷積濾波器。gi由位于檢測目標(biāo)中心的峰值亮點(diǎn)構(gòu)成,而其它的地方均是較小的值。具體來說,可以定義gi是一個(gè)在目標(biāo)中心(xi,yi),半徑為σ如圖4所示的2維高斯函數(shù):

    g(x,y)=(f?h)(x,y)=Γ-1(F(w,v)H(w,v))。

    (1)

    根據(jù)卷積定理(1),在空域做卷積等價(jià)于在傅里葉頻域做乘積,這是精確計(jì)算過濾器的基礎(chǔ)。其中:f是原圖像;h是濾波器;g是空域的響應(yīng)輸出圖像;Γ是傅里葉變換;首字母(F,H)代表各自的2維傅里葉變換。

    要精確求解濾波器,首先要將公式(1)的H替換為其復(fù)共軛,

    G(w,v)=F(w,v)H*(w,v)。

    (2)

    然后,根據(jù)公式(3)求解過濾器:

    (3)

    公式(3)是關(guān)于輸出響應(yīng)圖的傅氏變換和原圖的傅氏變換間的除法。從圖3過濾器h1,h2,h3的圖像中可以看出,它們并不是對(duì)眼睛進(jìn)行響應(yīng),而是對(duì)每張具體的訓(xùn)練圖片進(jìn)行響應(yīng)。要產(chǎn)生一個(gè)擬合全部訓(xùn)練圖片的并具有泛化能力的過濾器,需要根據(jù)公式(4)計(jì)算多個(gè)精確過濾器的平均。

    (4)

    (5)

    從圖3的最后一行看出,均值化操作增強(qiáng)了這些訓(xùn)練圖片的共同特征,抑制了樣本的個(gè)體特征。每個(gè)精確的過濾器可以視做一個(gè)弱分類器,它在單個(gè)訓(xùn)練圖片上表現(xiàn)良好。如果這些弱分類器是無偏的,將它們相加,會(huì)得到一個(gè)方差為0的強(qiáng)分類器,其表現(xiàn)超過其它普通分類器。

    由于傅里葉變換是線性操作,均值計(jì)算在時(shí)域和空域均能進(jìn)行。如果在空域內(nèi)進(jìn)行,濾波器可以在求平均前被剪裁,這樣濾波器可以針對(duì)訓(xùn)練圖片的不同大小進(jìn)行構(gòu)建。一般來講,對(duì)訓(xùn)練圖片進(jìn)行平移、縮放、旋轉(zhuǎn)等變換可以使過濾器適應(yīng)性及魯棒性更強(qiáng)。而選擇合適的濾波器,可以衰減圖像中的無用信號(hào)頻率,保留目標(biāo)對(duì)象的頻率。

    本節(jié)所使用的卷積濾波器比深度神經(jīng)網(wǎng)絡(luò)中的卷積濾波器核要大,但是原理與深度網(wǎng)絡(luò)進(jìn)行多層的卷積濾波器類似。深度網(wǎng)絡(luò)通過在空域進(jìn)行連續(xù)多層的卷積,本質(zhì)上是對(duì)圖像信號(hào)在頻域進(jìn)行多步篩選和過濾,最終留下的就是目標(biāo)體的頻率,對(duì)應(yīng)在空域(見特征圖)上的亮點(diǎn)。因此,深度網(wǎng)絡(luò)本身已經(jīng)具備目標(biāo)檢測的能力,不需要額外附加一些結(jié)構(gòu)(如位置回歸子網(wǎng))來實(shí)現(xiàn)。

    1.3 深度表征分析

    深度卷積網(wǎng)絡(luò)由眾多卷積濾波器組合而成,根據(jù)上節(jié)的闡述,中間層會(huì)產(chǎn)生許多深度表征g(x,y),分析深度表征對(duì)理解深度學(xué)習(xí)的機(jī)制很重要。在經(jīng)過ImageNet數(shù)據(jù)集預(yù)訓(xùn)練過后,卷積特征能夠描述很多物體,可以認(rèn)為是用大量的神經(jīng)元檢測到豐富的可視化模式。神經(jīng)網(wǎng)絡(luò)層對(duì)不同類型的特征進(jìn)行編碼,高層捕捉物體類別的語義概念,而低層對(duì)物體局部的各種區(qū)分性特征進(jìn)行編碼。但對(duì)于一個(gè)特定的目標(biāo)檢測任務(wù)來說,要得到那些能夠把目標(biāo)體從背景中區(qū)分出來的特征圖子集,需要丟掉那些同時(shí)對(duì)目標(biāo)區(qū)域和背景區(qū)域有較高響應(yīng)的特征圖,防止檢測器被背景區(qū)域干擾。CNN可以從圖像分類任務(wù)中學(xué)到這些特征,利用這些特征可以進(jìn)行目標(biāo)的檢測和定位。

    圖5 相關(guān)特征圖

    CNN所激活的特征圖是稀疏和局部化的,激活的區(qū)域和語義對(duì)象的區(qū)域高度相關(guān)。圖5顯示了一些對(duì)目標(biāo)區(qū)域使用最大值激活的特征圖。圖5(a)是輸入深度神經(jīng)網(wǎng)絡(luò)的集裝箱圖片,其中黃色框內(nèi)的鉛封是檢測目標(biāo)。圖5(b)深度神經(jīng)網(wǎng)絡(luò)中間某層的特征圖可視化,共有768個(gè)通道(特征圖),每個(gè)特征圖在藍(lán)色方框內(nèi)顯示,其中,編號(hào)為520(黃色框內(nèi))的特征圖檢測到目標(biāo)表征。圖5(c)是該特征圖的放大顯示,從中可以清楚地看到以紅色亮點(diǎn)表示的特征圖的最大值恰好對(duì)應(yīng)鉛封。另外,特征圖只有較少的區(qū)域具有非0值。這些非0值是局部化的,主要與圖像前景的目標(biāo)物體相關(guān)。如果對(duì)目標(biāo)物體進(jìn)行平移、轉(zhuǎn)動(dòng)等變換,會(huì)引起特征圖發(fā)生變化,但是變化僅限于目標(biāo)體的范圍。由此可以說明特征圖捕獲了與該目標(biāo)體相關(guān)的可視化特征。

    需要說明的是,滿足這種表征的相關(guān)性特征圖可能不止一個(gè),而且只是以一定的概率出現(xiàn)。因此,需要組合這些特征,并做增強(qiáng)性訓(xùn)練,以提高檢測的準(zhǔn)確性。

    1.4 特征圖組合

    對(duì)于一張給定的圖片,令gi代表所選擇的相關(guān)性特征圖,對(duì)每個(gè)特征圖,進(jìn)行全局平均池化操作,得

    (6)

    對(duì)于它們所檢測的目標(biāo)類c,輸入到分類層的值

    (7)

    得到

    (8)

    Pc(x,y)直接顯示了特征圖在(x,y)位置檢測為類c的顯著性值,這樣Pc就成為檢測類c的顯著性分布特征圖。

    1.5 目標(biāo)函數(shù)

    Inception網(wǎng)絡(luò)通常在經(jīng)過多個(gè)Inception模塊后,由全局池化(AvgPool)得到特征向量,并經(jīng)過全連接層(FC)輸出神經(jīng)激活值logits, 通過SoftMax函數(shù)預(yù)測不同類別的概率(見圖6),這種網(wǎng)絡(luò)結(jié)構(gòu)只能實(shí)現(xiàn)圖像分類。本文從中間的Inception模塊G選取合適的特征圖,經(jīng)過全局平均池化層(AvgPool)生成logits, 然后通過Sigmoid函數(shù)預(yù)測類別概率,如圖6右半部分。該方法能在所選特征圖上同時(shí)預(yù)測目標(biāo)類別和位置,實(shí)現(xiàn)目標(biāo)檢測。同時(shí)由于不使用全連接層FC,降低了過擬合的風(fēng)險(xiǎn)。

    激活值logits轉(zhuǎn)化為概率分布后通過最小化損失函數(shù)逼近類別標(biāo)簽labels,如果一個(gè)圖像樣本被預(yù)測為一個(gè)類,通常使用softmax交叉熵(Cross Entropy)函數(shù);但對(duì)于目標(biāo)檢測任務(wù),往往需要在一個(gè)圖像樣本中檢測出多個(gè)類別的物體,因此需要使用sigmoid交叉熵(Cross Entropy)函數(shù),計(jì)算與類標(biāo)簽labels的概率分布差異。

    令x=logits為分類輸出的激活值向量,z為標(biāo)簽labels向量,則sigmoid交叉熵函數(shù)為:

    (1-zi)(-log(1-sigmoid(xi)))=

    (9)

    從推導(dǎo)可見,sigmoid函數(shù)直接用于深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)容易造成梯度彌散問題,但是與交叉熵函數(shù)結(jié)合后,形式不僅會(huì)簡化,同時(shí)還抑制了梯度的消失。

    圖6 目標(biāo)函數(shù)及網(wǎng)絡(luò)連接

    1.6 實(shí)驗(yàn)結(jié)果

    對(duì)集裝箱的箱門和鉛封檢測任務(wù),提供包含箱門和鉛封的正樣本各50例,負(fù)樣本50例。訓(xùn)練時(shí)在保留檢測目標(biāo)的基礎(chǔ)上,對(duì)樣本進(jìn)行增廣處理。包括剪裁、平移、縮放、旋轉(zhuǎn)等變換,促使神經(jīng)網(wǎng)絡(luò)產(chǎn)生平移、旋轉(zhuǎn)、縮放不變性特征。訓(xùn)練過程中的目標(biāo)函數(shù)曲線見圖7,sigmoid交叉熵值平穩(wěn)下降至0.3,表明預(yù)測的概率分布同標(biāo)簽的分布逐步接近。

    圖8中左圖是攝像頭拍攝的集裝箱圖片,右側(cè)是檢測箱門的顯著性分布特征圖。從分布圖來看,箱門的4根柱子均以最大值(紅點(diǎn))呈現(xiàn),同時(shí)該類別的概率分值接近1,表明檢測到箱門。

    圖9中左圖是攝像頭拍攝的集裝箱圖片,右側(cè)是檢測鉛封的顯著性分布特征圖。從分布圖來看,最大值(紅點(diǎn))處恰好對(duì)應(yīng)鉛封的位置,同時(shí)該類別的概率分值接近1,表明檢測到鉛封。

    圖7 sigmoid交叉熵的訓(xùn)練曲線

    圖8 箱門檢測

    在每個(gè)類別的顯著性分布特征圖上,使用Opencv的連通區(qū)域算法得到大于某個(gè)閾值的目標(biāo)區(qū)域,并計(jì)算包圍矩形及角點(diǎn)坐標(biāo),從而計(jì)算出目標(biāo)體的精確位置。

    本文使用tensorflow的Object Detect API ,基于Inception網(wǎng)絡(luò)架構(gòu),與流行的深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法(R-FCN, Faster R-CNN, SSD )進(jìn)行比較。在Intel COREi7,8核心,32 G內(nèi)存的DELL工作站上運(yùn)行,結(jié)果如表1所示。與上述三種方法相比,本文提出的使用顯著性分布特征圖進(jìn)行目標(biāo)檢測的方法,由于不使用box邊界框,不采用附加的網(wǎng)絡(luò)結(jié)構(gòu)及定位回歸訓(xùn)練,大幅減少了需要學(xué)習(xí)的變量參數(shù)。在訓(xùn)練樣本數(shù)較少的情況下,取得了較高的識(shí)別準(zhǔn)確率和速度。由于受到光照、拍攝角度等因素影響,仍然存在一定的錯(cuò)誤率。隨著樣本數(shù)量不斷增加,可以增加對(duì)該問題的魯棒性,提高識(shí)別率。

    圖9 鉛封檢測

    從顯著性特征圖來看,神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到了對(duì)目標(biāo)的檢測表征能力,這是基于深度神經(jīng)網(wǎng)絡(luò)固有的頻率選擇特性,并通過合理的結(jié)構(gòu)設(shè)置及訓(xùn)練方法進(jìn)行了激發(fā)和增強(qiáng),因此本方法對(duì)其它場景及更多類別的檢測也適用。

    2 結(jié)語

    本文提出一種基于深度卷積網(wǎng)絡(luò)的識(shí)別方法,能夠在少量樣本圖像的條件下,快速地檢測識(shí)別目標(biāo)對(duì)象。并通過實(shí)驗(yàn),對(duì)集裝箱箱門、鉛封等相關(guān)目標(biāo)進(jìn)行檢測,取得良好效果。實(shí)際工程應(yīng)用中,在該算法的基礎(chǔ)上,結(jié)合實(shí)際業(yè)務(wù)狀況等其他集裝箱信息進(jìn)行復(fù)合校驗(yàn),會(huì)大幅提高識(shí)別率。目前,實(shí)際應(yīng)用最終的識(shí)別率在97%左右。未來計(jì)劃在集裝箱自動(dòng)化碼頭系統(tǒng)及智慧港口的應(yīng)用開發(fā)中,不斷完善和優(yōu)化其工程應(yīng)用,提高開發(fā)效率和部署靈活性。

    表1 Inception網(wǎng)絡(luò)架構(gòu)與深度神經(jīng)網(wǎng)絡(luò)的

    Note:①M(fèi)ethods;②Accuracy;③Average detection time;④Test of correlation featuremap

    猜你喜歡
    鉛封集裝箱濾波器
    美軍一架C-130J正在投放集裝箱
    軍事文摘(2023年5期)2023-03-27 09:13:10
    數(shù)字化進(jìn)程下集裝箱鉛封管理實(shí)踐與思考
    集裝箱化(2022年9期)2022-05-30 10:48:04
    高壓電纜終端鉛封缺陷超聲檢測方法研究
    中國測試(2022年3期)2022-03-30 10:10:22
    高壓電纜附件鉛封工藝的改進(jìn)
    虛實(shí)之間——集裝箱衍生出的空間折疊
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    開關(guān)電源EMI濾波器的應(yīng)用方法探討
    電子制作(2018年16期)2018-09-26 03:26:50
    SMA型連接器鉛封產(chǎn)品應(yīng)用研究
    我家住在集裝箱
    中國公路(2017年8期)2017-07-21 14:26:20
    基于Canny振蕩抑制準(zhǔn)則的改進(jìn)匹配濾波器
    99精国产麻豆久久婷婷| 亚洲激情五月婷婷啪啪| 久久99蜜桃精品久久| 欧美日韩精品成人综合77777| 又大又黄又爽视频免费| 国产成人免费观看mmmm| 日韩成人av中文字幕在线观看| 美女内射精品一级片tv| 99久久精品国产国产毛片| 深夜a级毛片| 日韩不卡一区二区三区视频在线| 久久久国产一区二区| 欧美日韩视频高清一区二区三区二| 国产成人免费观看mmmm| 搡老乐熟女国产| 啦啦啦视频在线资源免费观看| 中文字幕精品免费在线观看视频 | 久久久久精品久久久久真实原创| 国产成人91sexporn| 亚洲国产欧美在线一区| 免费大片18禁| 人妻人人澡人人爽人人| 三级国产精品片| 九九爱精品视频在线观看| 精品一品国产午夜福利视频| 欧美激情极品国产一区二区三区 | 精品视频人人做人人爽| 亚洲欧美日韩东京热| 夜夜看夜夜爽夜夜摸| 男女免费视频国产| 国产精品无大码| 亚洲美女视频黄频| 久久久久人妻精品一区果冻| 成人无遮挡网站| 精品人妻熟女av久视频| 精品亚洲成国产av| 久热这里只有精品99| 欧美激情极品国产一区二区三区 | 黄色毛片三级朝国网站 | 久久久国产欧美日韩av| 久久久久久久久久成人| 亚洲精品视频女| 国产精品久久久久久久电影| 汤姆久久久久久久影院中文字幕| 一级a做视频免费观看| 精品少妇久久久久久888优播| 国产免费一区二区三区四区乱码| 亚洲高清免费不卡视频| 99热这里只有是精品在线观看| 久久久久久久国产电影| 日日摸夜夜添夜夜添av毛片| 我的老师免费观看完整版| 美女主播在线视频| 99热国产这里只有精品6| 国产成人精品婷婷| 日韩欧美精品免费久久| 如何舔出高潮| 伦精品一区二区三区| 中文字幕人妻丝袜制服| 久久人人爽人人爽人人片va| 97精品久久久久久久久久精品| 男女无遮挡免费网站观看| 午夜福利在线观看免费完整高清在| 女人精品久久久久毛片| 色婷婷久久久亚洲欧美| 人人妻人人看人人澡| 日韩一本色道免费dvd| 久久久精品94久久精品| 另类精品久久| 岛国毛片在线播放| 99热网站在线观看| 高清不卡的av网站| 人妻系列 视频| 日本91视频免费播放| 十八禁高潮呻吟视频 | 日韩一本色道免费dvd| 成人国产麻豆网| 一边亲一边摸免费视频| 国语对白做爰xxxⅹ性视频网站| 麻豆乱淫一区二区| 中文在线观看免费www的网站| 赤兔流量卡办理| 女人久久www免费人成看片| 国产欧美日韩综合在线一区二区 | av在线老鸭窝| 寂寞人妻少妇视频99o| 日韩av免费高清视频| 国产淫片久久久久久久久| 美女中出高潮动态图| 亚洲国产精品一区二区三区在线| 国产高清国产精品国产三级| 中文字幕制服av| 精品酒店卫生间| 视频区图区小说| 大片免费播放器 马上看| 亚洲不卡免费看| av福利片在线观看| 高清av免费在线| 狂野欧美白嫩少妇大欣赏| 蜜桃在线观看..| av在线观看视频网站免费| 一级毛片久久久久久久久女| 乱人伦中国视频| 国产有黄有色有爽视频| 男女国产视频网站| 免费黄网站久久成人精品| 久久女婷五月综合色啪小说| 亚洲一级一片aⅴ在线观看| 老司机影院成人| 成年女人在线观看亚洲视频| 蜜臀久久99精品久久宅男| 国产精品女同一区二区软件| 亚洲av在线观看美女高潮| 国产av码专区亚洲av| 日韩中文字幕视频在线看片| 国产片特级美女逼逼视频| 国产又色又爽无遮挡免| 搡女人真爽免费视频火全软件| 国产免费一区二区三区四区乱码| 人妻 亚洲 视频| 国产精品国产三级专区第一集| 久久综合国产亚洲精品| 亚洲人成网站在线播| 久久久久久久久久人人人人人人| 日韩av免费高清视频| 人妻系列 视频| 国产一区二区三区综合在线观看 | 国产精品福利在线免费观看| 91精品伊人久久大香线蕉| 精品人妻一区二区三区麻豆| 男人舔奶头视频| 多毛熟女@视频| 妹子高潮喷水视频| 一级毛片黄色毛片免费观看视频| 男女国产视频网站| 亚洲精品一区蜜桃| 国产免费福利视频在线观看| 日韩成人av中文字幕在线观看| 亚洲美女搞黄在线观看| 午夜福利在线观看免费完整高清在| √禁漫天堂资源中文www| 日韩一区二区三区影片| 精品国产露脸久久av麻豆| 有码 亚洲区| 妹子高潮喷水视频| 欧美三级亚洲精品| 免费大片18禁| av线在线观看网站| 久久久久久久国产电影| 国产有黄有色有爽视频| 久久人人爽av亚洲精品天堂| 成人美女网站在线观看视频| 日本-黄色视频高清免费观看| 777米奇影视久久| 久久久久国产精品人妻一区二区| 色94色欧美一区二区| xxx大片免费视频| 久久精品夜色国产| 久久精品国产亚洲av涩爱| 日本wwww免费看| 女性被躁到高潮视频| 免费看不卡的av| av免费观看日本| 国产在视频线精品| 亚洲,欧美,日韩| 美女国产视频在线观看| 免费在线观看成人毛片| 国产有黄有色有爽视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲伊人久久精品综合| 少妇熟女欧美另类| 伦精品一区二区三区| 亚洲欧洲国产日韩| 国产精品99久久99久久久不卡 | 最新的欧美精品一区二区| 久久6这里有精品| 亚洲av在线观看美女高潮| 午夜福利网站1000一区二区三区| 亚洲,一卡二卡三卡| 老女人水多毛片| 亚洲激情五月婷婷啪啪| 亚洲精品国产av成人精品| 午夜免费男女啪啪视频观看| 亚洲欧美成人综合另类久久久| 精品卡一卡二卡四卡免费| 国产免费又黄又爽又色| 亚洲熟女精品中文字幕| 人妻少妇偷人精品九色| 久久国产精品大桥未久av | 亚洲欧美日韩东京热| 爱豆传媒免费全集在线观看| 极品教师在线视频| 亚洲精品自拍成人| 99久久综合免费| 免费人成在线观看视频色| 久久99蜜桃精品久久| 国产成人免费无遮挡视频| 日本欧美视频一区| 日本wwww免费看| 狂野欧美白嫩少妇大欣赏| 久久久久久久久久久免费av| √禁漫天堂资源中文www| 91精品国产九色| 久久久久久久久久人人人人人人| 午夜免费鲁丝| 日韩一区二区视频免费看| 日本午夜av视频| 大香蕉97超碰在线| 少妇高潮的动态图| 国产视频首页在线观看| 中文字幕人妻熟人妻熟丝袜美| 伊人亚洲综合成人网| 国产高清有码在线观看视频| 两个人免费观看高清视频 | av在线app专区| 男女啪啪激烈高潮av片| 丰满少妇做爰视频| 蜜桃在线观看..| 极品人妻少妇av视频| 少妇熟女欧美另类| 精品少妇黑人巨大在线播放| 最近最新中文字幕免费大全7| 99热6这里只有精品| 久久国产精品大桥未久av | 国产一区二区三区综合在线观看 | 精品久久久久久久久亚洲| 夜夜骑夜夜射夜夜干| 亚洲无线观看免费| 精品久久国产蜜桃| av在线老鸭窝| 99久久精品热视频| 青春草国产在线视频| 全区人妻精品视频| 久久影院123| 国产日韩欧美亚洲二区| 69精品国产乱码久久久| 午夜激情福利司机影院| 高清午夜精品一区二区三区| 亚洲欧美日韩卡通动漫| 亚洲国产精品999| 97超视频在线观看视频| 久热久热在线精品观看| 人妻一区二区av| 免费观看av网站的网址| 亚洲精品一区蜜桃| 久久女婷五月综合色啪小说| 少妇丰满av| 丰满迷人的少妇在线观看| 欧美3d第一页| 亚洲经典国产精华液单| 亚洲美女黄色视频免费看| 黄色怎么调成土黄色| 99热6这里只有精品| 80岁老熟妇乱子伦牲交| 在线天堂最新版资源| 菩萨蛮人人尽说江南好唐韦庄| 91精品国产国语对白视频| 亚洲精品国产av蜜桃| 十八禁网站网址无遮挡 | 一区二区三区四区激情视频| 嘟嘟电影网在线观看| 久久毛片免费看一区二区三区| a级毛片在线看网站| 五月玫瑰六月丁香| 国产精品熟女久久久久浪| 欧美变态另类bdsm刘玥| 亚洲欧美精品专区久久| 男男h啪啪无遮挡| 男女无遮挡免费网站观看| av播播在线观看一区| 国产高清国产精品国产三级| av专区在线播放| 亚洲综合色惰| 精品99又大又爽又粗少妇毛片| 日韩一本色道免费dvd| 国产在视频线精品| 伦理电影大哥的女人| av一本久久久久| 日本91视频免费播放| 26uuu在线亚洲综合色| 免费在线观看成人毛片| 日韩av在线免费看完整版不卡| 国产精品久久久久成人av| 十八禁网站网址无遮挡 | 欧美激情极品国产一区二区三区 | 中文精品一卡2卡3卡4更新| 亚洲不卡免费看| 汤姆久久久久久久影院中文字幕| 亚洲人与动物交配视频| 国产视频首页在线观看| 国产精品麻豆人妻色哟哟久久| 观看av在线不卡| 97精品久久久久久久久久精品| 久久人妻熟女aⅴ| 大片免费播放器 马上看| 精品少妇黑人巨大在线播放| 国产综合精华液| 欧美97在线视频| 菩萨蛮人人尽说江南好唐韦庄| 国产精品久久久久久久久免| av播播在线观看一区| 欧美xxxx性猛交bbbb| 最近中文字幕2019免费版| 国产黄片视频在线免费观看| 欧美+日韩+精品| √禁漫天堂资源中文www| 国产一区有黄有色的免费视频| 国内揄拍国产精品人妻在线| 成年av动漫网址| 久久99蜜桃精品久久| 狂野欧美白嫩少妇大欣赏| 在线看a的网站| 欧美日韩国产mv在线观看视频| 国产在线视频一区二区| 综合色丁香网| 内射极品少妇av片p| 欧美少妇被猛烈插入视频| 黄色欧美视频在线观看| 中文精品一卡2卡3卡4更新| 国产91av在线免费观看| 国产熟女午夜一区二区三区 | 91精品一卡2卡3卡4卡| 国产精品欧美亚洲77777| 又黄又爽又刺激的免费视频.| 草草在线视频免费看| 嘟嘟电影网在线观看| 亚洲精品,欧美精品| 在线免费观看不下载黄p国产| 欧美精品一区二区大全| 乱系列少妇在线播放| 永久网站在线| 国产亚洲精品久久久com| 成人亚洲欧美一区二区av| 91精品伊人久久大香线蕉| 亚洲国产日韩一区二区| 久久 成人 亚洲| 亚洲性久久影院| 男女国产视频网站| a级片在线免费高清观看视频| 精品久久久久久久久av| 在线观看一区二区三区激情| 久久久久视频综合| 国产一区有黄有色的免费视频| 日日撸夜夜添| 国产在线一区二区三区精| 视频区图区小说| 中文字幕亚洲精品专区| 少妇被粗大猛烈的视频| 熟妇人妻不卡中文字幕| 极品人妻少妇av视频| 黑人巨大精品欧美一区二区蜜桃 | 亚洲欧美精品专区久久| 嘟嘟电影网在线观看| 永久免费av网站大全| 久久人人爽av亚洲精品天堂| 午夜福利,免费看| 国国产精品蜜臀av免费| 99久久人妻综合| 国产黄色免费在线视频| 国产亚洲一区二区精品| 亚洲美女黄色视频免费看| 色视频www国产| 2022亚洲国产成人精品| 国产淫片久久久久久久久| 国产精品一区二区性色av| 一本大道久久a久久精品| 大陆偷拍与自拍| 男男h啪啪无遮挡| 欧美老熟妇乱子伦牲交| 欧美性感艳星| 国产成人freesex在线| 在线观看美女被高潮喷水网站| 人妻一区二区av| 久久人人爽av亚洲精品天堂| 久久鲁丝午夜福利片| 日本av手机在线免费观看| 久久av网站| 少妇裸体淫交视频免费看高清| 欧美人与善性xxx| 日韩成人av中文字幕在线观看| 久久精品国产亚洲av涩爱| 久久99热这里只频精品6学生| 欧美人与善性xxx| 久久久久久久精品精品| 在线精品无人区一区二区三| 一二三四中文在线观看免费高清| 久久久久久久久久久免费av| 插阴视频在线观看视频| 两个人的视频大全免费| 国产美女午夜福利| av播播在线观看一区| 男人狂女人下面高潮的视频| 免费播放大片免费观看视频在线观看| 黑人巨大精品欧美一区二区蜜桃 | 少妇人妻一区二区三区视频| 亚洲av不卡在线观看| 视频区图区小说| 精品亚洲乱码少妇综合久久| 女人精品久久久久毛片| 国产淫语在线视频| av一本久久久久| 日日摸夜夜添夜夜添av毛片| 精品一区在线观看国产| 日本欧美视频一区| 亚洲国产av新网站| 国产 一区精品| 国产精品一区二区在线不卡| av线在线观看网站| 久久99精品国语久久久| 久久国内精品自在自线图片| 黄色配什么色好看| 黑人猛操日本美女一级片| 91成人精品电影| 久久国产乱子免费精品| 亚洲精品日本国产第一区| 成人免费观看视频高清| 91久久精品国产一区二区三区| 国产乱人偷精品视频| 日本色播在线视频| 少妇 在线观看| 免费观看av网站的网址| 91精品国产国语对白视频| a级片在线免费高清观看视频| 日韩中文字幕视频在线看片| 久久久久久人妻| 亚洲美女黄色视频免费看| 久久久久国产精品人妻一区二区| 中文字幕人妻丝袜制服| av卡一久久| 人人妻人人爽人人添夜夜欢视频 | 在线观看av片永久免费下载| 免费观看性生交大片5| 亚洲欧美成人精品一区二区| 精品一区在线观看国产| 欧美97在线视频| 大片电影免费在线观看免费| 中文字幕人妻熟人妻熟丝袜美| 免费播放大片免费观看视频在线观看| 如何舔出高潮| 少妇被粗大猛烈的视频| 国产精品久久久久久av不卡| 国产探花极品一区二区| 免费大片18禁| 国产伦在线观看视频一区| 9色porny在线观看| 国产午夜精品一二区理论片| 精品久久久久久久久av| 日韩电影二区| 国产极品粉嫩免费观看在线 | 日韩 亚洲 欧美在线| 免费观看在线日韩| 国语对白做爰xxxⅹ性视频网站| .国产精品久久| 性高湖久久久久久久久免费观看| 偷拍熟女少妇极品色| 91精品一卡2卡3卡4卡| 有码 亚洲区| 欧美一级a爱片免费观看看| 爱豆传媒免费全集在线观看| 久久精品国产亚洲av天美| 美女主播在线视频| 亚洲精品中文字幕在线视频 | 黄色毛片三级朝国网站 | 成人特级av手机在线观看| 国产av一区二区精品久久| av又黄又爽大尺度在线免费看| 老熟女久久久| 午夜av观看不卡| 秋霞在线观看毛片| 亚洲av欧美aⅴ国产| 大香蕉97超碰在线| 熟女电影av网| 精品卡一卡二卡四卡免费| 国产成人精品福利久久| 欧美日韩视频高清一区二区三区二| 免费看不卡的av| 一级毛片电影观看| 在线观看免费视频网站a站| 国产男人的电影天堂91| 97在线人人人人妻| 最新中文字幕久久久久| 嘟嘟电影网在线观看| 国产熟女午夜一区二区三区 | av线在线观看网站| 又大又黄又爽视频免费| 91精品国产九色| 日韩精品有码人妻一区| 日韩视频在线欧美| 天美传媒精品一区二区| 中文字幕人妻丝袜制服| 99热这里只有是精品在线观看| 日韩不卡一区二区三区视频在线| 美女中出高潮动态图| 综合色丁香网| 免费观看在线日韩| 日本黄色片子视频| 我的女老师完整版在线观看| 97超碰精品成人国产| 日日摸夜夜添夜夜爱| 日本黄大片高清| 国产69精品久久久久777片| 菩萨蛮人人尽说江南好唐韦庄| h视频一区二区三区| 久久精品久久精品一区二区三区| 永久网站在线| 国产精品久久久久久精品古装| 日日撸夜夜添| 亚洲精品一二三| 国产成人a∨麻豆精品| 91久久精品电影网| 在线亚洲精品国产二区图片欧美 | 亚洲欧美中文字幕日韩二区| 欧美精品一区二区免费开放| av在线app专区| 亚洲欧洲精品一区二区精品久久久 | 少妇精品久久久久久久| 偷拍熟女少妇极品色| 欧美区成人在线视频| 最近2019中文字幕mv第一页| 成人国产麻豆网| 精品亚洲成a人片在线观看| 少妇人妻久久综合中文| 一个人免费看片子| 我要看日韩黄色一级片| 女性生殖器流出的白浆| videossex国产| 九九在线视频观看精品| 国产美女午夜福利| 亚洲美女视频黄频| 另类亚洲欧美激情| 国产成人a∨麻豆精品| 美女大奶头黄色视频| 成年av动漫网址| √禁漫天堂资源中文www| 女性生殖器流出的白浆| 狂野欧美白嫩少妇大欣赏| 一区二区av电影网| 欧美变态另类bdsm刘玥| 王馨瑶露胸无遮挡在线观看| 婷婷色麻豆天堂久久| 欧美成人午夜免费资源| 午夜久久久在线观看| 女人久久www免费人成看片| 人妻少妇偷人精品九色| 人人妻人人澡人人看| 两个人免费观看高清视频 | 天天操日日干夜夜撸| 18禁动态无遮挡网站| 日本猛色少妇xxxxx猛交久久| av有码第一页| 久久久久国产精品人妻一区二区| 国产一区二区在线观看av| 97超碰精品成人国产| 亚洲综合精品二区| 少妇人妻一区二区三区视频| 成人综合一区亚洲| 久久青草综合色| 成人毛片a级毛片在线播放| 国产91av在线免费观看| 久久久精品94久久精品| 黑丝袜美女国产一区| 青春草国产在线视频| 一本色道久久久久久精品综合| 国产成人一区二区在线| 老司机亚洲免费影院| 久久精品国产自在天天线| 久久狼人影院| 嫩草影院入口| 亚洲真实伦在线观看| 乱码一卡2卡4卡精品| 青青草视频在线视频观看| 大话2 男鬼变身卡| 国产爽快片一区二区三区| 精品一区在线观看国产| 插逼视频在线观看| 一级av片app| 日本猛色少妇xxxxx猛交久久| 亚洲经典国产精华液单| 麻豆乱淫一区二区| 亚洲精品色激情综合| 亚洲国产精品999| 在现免费观看毛片| 又大又黄又爽视频免费| 亚洲精品一二三| 亚洲四区av| 观看av在线不卡| 国产在线一区二区三区精| 日韩制服骚丝袜av| 国产爽快片一区二区三区| 天天操日日干夜夜撸| 欧美少妇被猛烈插入视频| 国产在线男女| 亚洲av电影在线观看一区二区三区| 黄色一级大片看看| 亚洲综合精品二区| 天天躁夜夜躁狠狠久久av| 婷婷色av中文字幕| 亚洲怡红院男人天堂| 亚洲三级黄色毛片| 99九九线精品视频在线观看视频| 九草在线视频观看| 婷婷色综合www| 亚洲精品视频女| 亚洲人成网站在线播| 国产精品免费大片| 黄色一级大片看看| 免费观看的影片在线观看| 91午夜精品亚洲一区二区三区| 天堂俺去俺来也www色官网| 搡女人真爽免费视频火全软件| 成人美女网站在线观看视频| 搡老乐熟女国产| 国产黄片美女视频| 国产片特级美女逼逼视频| 中文欧美无线码|