• <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HU-ResNet的混凝土表觀裂縫信息提取

    2020-11-14 04:00:56徐國(guó)整廖晨聰陳錦劍
    計(jì)算機(jī)工程 2020年11期
    關(guān)鍵詞:集上損失像素

    徐國(guó)整,廖晨聰,陳錦劍,董 斌,周 越

    (1.上海交通大學(xué) a.船舶海洋與建筑工程學(xué)院; b.電子信息與電氣工程學(xué)院,上海 200240; 2.東南大學(xué) 土木工程學(xué)院,南京 211189)

    0 概述

    在建筑、橋梁、道路和隧道等工程結(jié)構(gòu)建設(shè)領(lǐng)域,混凝土在工程用材中用量占比最高。然而混凝土結(jié)構(gòu)易產(chǎn)生裂縫,不僅影響美觀,也會(huì)降低結(jié)構(gòu)的耐久性與承載能力[1]。傳統(tǒng)混凝土結(jié)構(gòu)的表觀裂縫檢測(cè)通常采用人工巡檢方法,存在檢測(cè)耗時(shí)費(fèi)力、主觀性強(qiáng)和檢測(cè)精度較低等問(wèn)題。而基于數(shù)字圖像處理技術(shù)的混凝土結(jié)構(gòu)裂縫自動(dòng)化檢測(cè)方法具有高效、客觀和精度高等優(yōu)點(diǎn),因此,該方法成為學(xué)者們研究的熱點(diǎn)。

    數(shù)字圖像處理方法包括邊緣檢測(cè)法[2]、閾值法[3]以及光譜分析法[4]等,這些方法僅對(duì)背景單一、裂縫清晰以及干擾少等特定情況下的數(shù)據(jù)集有效,而實(shí)際環(huán)境中裂縫檢測(cè)易受裂縫模糊、陰影、樹(shù)葉、劃痕等環(huán)境噪聲干擾,這些噪聲造成基于數(shù)字圖像處理的混凝土結(jié)構(gòu)表觀裂縫檢測(cè)模型誤差大且泛化能力較低[1]。隨著計(jì)算機(jī)性能的完善和深度學(xué)習(xí)技術(shù)的進(jìn)步,國(guó)內(nèi)外研究人員將深度學(xué)習(xí)模型應(yīng)用于土木工程混凝土結(jié)構(gòu)表觀裂縫的檢測(cè)與識(shí)別。文獻(xiàn)[5]將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)應(yīng)用于混凝土裂縫損傷檢測(cè),利用滑動(dòng)窗技術(shù)處理尺寸較大的圖像,并與傳統(tǒng)Canny算子和Sobel邊緣檢測(cè)方法進(jìn)行比較,發(fā)現(xiàn)CNN方法檢測(cè)精度更高且魯棒性更好。文獻(xiàn)[6]采用網(wǎng)絡(luò)爬蟲(chóng)方法收集混凝土裂縫、邊緣、表面等圖像,對(duì)AlexNet分類(lèi)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并取得較好的精度。文獻(xiàn)[7]采用CrackNet卷積神經(jīng)網(wǎng)絡(luò)對(duì)混凝土裂縫圖像分類(lèi),發(fā)現(xiàn)該方法泛化能力較強(qiáng)且效率較高。文獻(xiàn)[8-9]采用CNN方法進(jìn)行混凝土裂縫圖像識(shí)別,并利用高斯濾波算法、雙邊濾波算法、形態(tài)學(xué)運(yùn)算、大津法等傳統(tǒng)數(shù)字圖像處理方法實(shí)現(xiàn)混凝土表觀裂縫的分類(lèi)和分割,然而其所用分割方法仍基于傳統(tǒng)圖像處理方法,在泛化能力上具有一定局限性。文獻(xiàn)[10]采用基于通道間注意力機(jī)制對(duì)多尺度特征圖賦權(quán)的方法對(duì)混凝土裂縫圖像進(jìn)行分類(lèi)。文獻(xiàn)[11]基于無(wú)人機(jī)進(jìn)行混凝土橋梁裂縫檢測(cè),提出基于CNN的橋梁裂縫分類(lèi)與目標(biāo)檢測(cè)算法,利用檢測(cè)結(jié)果進(jìn)行快速定位,并結(jié)合傳統(tǒng)數(shù)字圖像處理方法得到橋梁裂縫特征的具體數(shù)值。上述研究結(jié)果表明,與傳統(tǒng)圖像處理方法相比,深度學(xué)習(xí)方法在混凝土裂縫圖像識(shí)別方面具有顯著優(yōu)勢(shì),但是該方法僅可解決圖像分類(lèi)問(wèn)題,無(wú)法對(duì)混凝土裂縫像素信息進(jìn)行有效提取。

    全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Neural Networks,FCN)[12]將傳統(tǒng)CNN中全連接層換為卷積層,經(jīng)過(guò)多次卷積和池化后直接對(duì)特征圖進(jìn)行反卷積上采樣,生成與輸入圖像分辨率一致的分割結(jié)果,從而實(shí)現(xiàn)像素級(jí)分類(lèi),該網(wǎng)絡(luò)可用于土木工程中混凝土表觀裂縫的目標(biāo)提取[13-15]。此外,研究人員改進(jìn)FCN結(jié)構(gòu)[16],將改進(jìn)前性能最好的FCN-8s模型與改進(jìn)后的FCN-4s、FCN-2s模型進(jìn)行對(duì)比,瀝青路面裂縫數(shù)據(jù)集上的結(jié)果表明FCN-4s模型分割性能更優(yōu)。然而此模型仍存在問(wèn)題:隨著網(wǎng)絡(luò)深度和特征維度增加,下采樣之后圖像細(xì)節(jié)信息會(huì)丟失,造成裂縫提取效果較差。針對(duì)該問(wèn)題,研究人員相繼提出SegNet[17]、DeconvNet[18]和U-Net[19]等網(wǎng)絡(luò)。其中,U-Net卷積神經(jīng)網(wǎng)絡(luò)基于FCN設(shè)計(jì)對(duì)稱(chēng)的編碼和解碼結(jié)構(gòu),將高、低維特征進(jìn)行融合,在醫(yī)學(xué)圖像分割領(lǐng)域具有較高的提取精度。文獻(xiàn)[20-21]采用U-Net卷積神經(jīng)網(wǎng)絡(luò)建立模型,實(shí)現(xiàn)像素級(jí)、小樣本裂縫檢測(cè)。文獻(xiàn)[22]將U-Net與CrackIT、MPS、CrackForest(SVM)方法對(duì)比,發(fā)現(xiàn)U-Net對(duì)裂縫的提取精度更高,但是U-Net分割結(jié)果仍存在邊緣平滑、細(xì)節(jié)丟失和誤檢等問(wèn)題。文獻(xiàn)[23]提出VGG-U-Net路面分割方法,利用已訓(xùn)練好的VGG16和U-Net建立模型,在裂縫數(shù)據(jù)集上實(shí)現(xiàn)優(yōu)于FCN、crack-FCN和U-Net的性能。

    本文基于傳統(tǒng)U-Net網(wǎng)絡(luò),提出一種利用HU-ResNet卷積神經(jīng)網(wǎng)絡(luò)模型提取混凝土表觀裂縫的方法。采用ResNet34模型作為HU-ResNet網(wǎng)絡(luò)編碼器,利用scSE模塊[24]和超柱模塊[25]優(yōu)化模型,選用能同時(shí)關(guān)注像素級(jí)別和圖像級(jí)別顯著性的組合損失函數(shù),以更精確地提取圖像中混凝土表觀裂縫信息。

    1 HU-ResNet模型算法

    1.1 ResNet34預(yù)編碼器

    網(wǎng)絡(luò)深度對(duì)視覺(jué)識(shí)別任務(wù)至關(guān)重要[25]。CNN可提取低、中、高層次的特征,網(wǎng)絡(luò)層次越多,可提取的特征信息越豐富。然而簡(jiǎn)單增加網(wǎng)絡(luò)深度會(huì)導(dǎo)致梯度分散或爆炸,分類(lèi)精度達(dá)到飽和后迅速下降。文獻(xiàn)[26]引入ResNet殘差網(wǎng)絡(luò)解決了深度神經(jīng)網(wǎng)絡(luò)的退化問(wèn)題,使用ResNet成功訓(xùn)練出152層神經(jīng)網(wǎng)絡(luò),并在ILSVRC2015比賽中取得冠軍。ResNet網(wǎng)絡(luò)中殘差單元結(jié)構(gòu)如圖1所示。

    圖1 ResNet網(wǎng)絡(luò)殘差單元結(jié)構(gòu)

    通過(guò)直接將輸入信息繞道傳到輸出,可保護(hù)信息的完整性,整個(gè)ResNet殘差網(wǎng)絡(luò)只需學(xué)習(xí)輸入和輸出的差別,簡(jiǎn)化學(xué)習(xí)目標(biāo)和難度,其性能優(yōu)于VGG網(wǎng)絡(luò)。ResNet定義為:

    y=F(x)+x

    (1)

    其中,x為輸入,y為輸出,F(x)為待學(xué)習(xí)的殘差映射函數(shù)。

    模型精度通常隨著網(wǎng)絡(luò)加深而提高,但由于參數(shù)量增加后模型推斷時(shí)間延長(zhǎng),不利于實(shí)際工程應(yīng)用,因此本文未選擇更深的網(wǎng)絡(luò),而是選擇34層ResNet。由于深層卷積神經(jīng)網(wǎng)絡(luò)待訓(xùn)練權(quán)重參數(shù)較多,在數(shù)據(jù)集較小的情況下,訓(xùn)練新網(wǎng)絡(luò)耗時(shí)耗力且易出現(xiàn)過(guò)擬合問(wèn)題,因此本文結(jié)合遷移學(xué)習(xí)對(duì)傳統(tǒng)U-Net卷積網(wǎng)絡(luò)進(jìn)行微調(diào),HU-ResNet模型的編碼器選用經(jīng)ImageNet數(shù)據(jù)集預(yù)訓(xùn)練的ResNet34模型。

    1.2 HU-ResNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    U-Net是全卷積神經(jīng)網(wǎng)絡(luò)的一種變形,其模型結(jié)構(gòu)如圖2所示。U-Net模型由編碼器和解碼器組成,編碼器將輸入圖像進(jìn)行多次卷積(Conv)與池化操作得到抽象的高維特征圖,以此來(lái)捕捉圖像中上下文信息,其擴(kuò)展路徑為經(jīng)過(guò)若干反卷積層進(jìn)行上采樣生成相應(yīng)大小的特征圖,并對(duì)圖像中所需分割的區(qū)域進(jìn)行精準(zhǔn)定位。為實(shí)現(xiàn)精準(zhǔn)定位,U-Net編碼器所提取的高像素特征會(huì)在升采樣過(guò)程中與新特征圖結(jié)合,以最大程度保留降采樣過(guò)程的重要特征信息。

    圖2 U-Net模型結(jié)構(gòu)

    本文基于U-Net提出HU-ResNet模型,其結(jié)構(gòu)如圖3所示,該模型由編碼器和解碼器(Decoder)組成,在每個(gè)編碼塊和解碼塊中引入scSE模塊,編碼塊或解碼塊(U)經(jīng)scSE模塊進(jìn)行特征重新標(biāo)定后,連接到下一個(gè)編碼塊、解碼塊或上采樣等運(yùn)算模塊。其中,scSE模塊結(jié)構(gòu)如圖4所示,scSE模塊本質(zhì)上是2種注意力機(jī)制的疊加,U被輸入到網(wǎng)絡(luò)后進(jìn)入2條支路:圖4中上方支路為sSE支路,該支路經(jīng)1×1卷積操作會(huì)得到長(zhǎng)、寬與輸入U(xiǎn)相同的權(quán)重矩陣,該矩陣與U相乘,可得到在空間重新校準(zhǔn)(Spatially Recalibrate)的特征UsSE;下方支路為cSE支路,該支路經(jīng)最大池化操作得到通道數(shù)與輸入U(xiǎn)相同的權(quán)重矩陣,該矩陣經(jīng)過(guò)2個(gè)全連接層,其中,第1個(gè)全連接層神經(jīng)元數(shù)量為通道數(shù)的一半,計(jì)算復(fù)雜度較低;第2個(gè)全連接層神經(jīng)元數(shù)量等于通道數(shù),通過(guò)激活函數(shù)增加非線(xiàn)性,將經(jīng)過(guò)第2個(gè)全連接層還原到通道數(shù)的矩陣與U相乘,得到在通道方向重新校準(zhǔn)(Channel-wise Recalibrate)的特征UcSE,最終得到沿著空間和通道重新校準(zhǔn)的特征合并輸出UscSE。由于scSE模塊能較好地在空間和通道兩方面同時(shí)增強(qiáng)重要的信息特征并弱化不重要的信息特征,因此其能有效提高裂縫圖像語(yǔ)義分割精度。

    圖3 HU-ResNet模型結(jié)構(gòu)

    圖4 scSE模塊結(jié)構(gòu)

    此外,為更好提取裂縫圖像在不同尺度上的特征,與U-Net神經(jīng)網(wǎng)絡(luò)僅利用最后一層預(yù)測(cè)分割掩碼不同,本文將所有解碼塊上的采樣特征圖進(jìn)行融合作為最后一層的輸入。由于不同解碼塊上特征圖大小有差異,因此先將解碼塊進(jìn)行采樣至原圖大小,然后在通道方向拼接為超柱模塊,并經(jīng)3×3卷積和1×1卷積后輸出單通道預(yù)測(cè)結(jié)果。

    1.3 損失函數(shù)

    損失函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化的目標(biāo)函數(shù)。交叉熵?fù)p失作為最常用的損失函數(shù)可用來(lái)衡量樣本數(shù)據(jù)真實(shí)分布與預(yù)測(cè)分布之間的距離,其本質(zhì)上是最大化對(duì)數(shù)似然函數(shù)。本文裂縫圖像的語(yǔ)義分割是二分類(lèi)問(wèn)題,該問(wèn)題的交叉熵?fù)p失函數(shù)如下:

    (2)

    其中,LBCE為二分類(lèi)的交叉熵?fù)p失,N為圖像像素?cái)?shù)目,yi為第i個(gè)像素點(diǎn)的標(biāo)簽值,Pi為第i個(gè)像素點(diǎn)的預(yù)測(cè)概率值。由于交叉熵?fù)p失函數(shù)每次梯度回傳對(duì)各類(lèi)別具有相同關(guān)注度,因此極易受類(lèi)別不平衡的影響。在裂縫圖像中,裂縫像素?cái)?shù)量占整個(gè)被檢測(cè)圖像像素的比例較低,若僅使用交叉熵函數(shù),則網(wǎng)絡(luò)預(yù)測(cè)結(jié)果更傾向?yàn)楸尘啊?/p>

    Dice損失本質(zhì)上是評(píng)估兩輪廓區(qū)域的相似程度,其定義如下:

    (3)

    其中,DSC為Dice相似系數(shù),A為標(biāo)簽值,B為預(yù)測(cè)值。

    Dice損失的表達(dá)式如下:

    (4)

    其中,LDice為Dice損失,yi為第i個(gè)像素點(diǎn)的標(biāo)簽值;Pi為第i個(gè)像素點(diǎn)的預(yù)測(cè)概率值;ε項(xiàng)設(shè)置為1,以減少過(guò)擬合,加快收斂。

    Dice損失是將同類(lèi)別所有像素作為整體計(jì)算損失,且將分割效果評(píng)估指標(biāo)作為損失以監(jiān)督網(wǎng)絡(luò),在計(jì)算交并比時(shí)忽略大量背景像素,解決正負(fù)樣本不均衡的問(wèn)題,因此收斂速度很快。但當(dāng)Pi和yi過(guò)小時(shí),Dice損失梯度會(huì)劇烈變化,造成訓(xùn)練波動(dòng)大導(dǎo)致訓(xùn)練困難。

    綜合考慮交叉熵?fù)p失和Dice損失的特點(diǎn),針對(duì)裂縫圖像的語(yǔ)義提取問(wèn)題,本文采用Dice損失和二分類(lèi)交叉熵?fù)p失共同形成的組合損失函數(shù),其表達(dá)式如下:

    L總=LBCE+LDice

    (5)

    其中,L總為總損失,LBCE為二分類(lèi)交叉熵?fù)p失,LDice為Dice損失。

    組合損失函數(shù)關(guān)注像素級(jí)別和圖像級(jí)別的顯著性,在使模型訓(xùn)練更穩(wěn)定的同時(shí)還能有效克服正負(fù)樣本不均衡問(wèn)題,從而獲得更精細(xì)的顯著性結(jié)果。

    2 數(shù)據(jù)集與評(píng)估標(biāo)準(zhǔn)

    2.1 實(shí)驗(yàn)數(shù)據(jù)集

    對(duì)于深度學(xué)習(xí)模型而言,多樣化且可靠的數(shù)據(jù)集是決定模型性能優(yōu)劣的關(guān)鍵。2018年,美國(guó)猶他州立大學(xué)研究人員發(fā)布SDNET2018裂縫數(shù)據(jù)集[27],該數(shù)據(jù)集中裂縫寬度為0.06 mm~25 mm,其中包括含有陰影、碎石、小孔、拼接縫等干擾噪聲和障礙物的圖像。研究人員使用COOLPIXL830尼康數(shù)碼相機(jī)在該學(xué)校內(nèi)采集了54個(gè)橋面、72面墻、104條人行道共230張混凝土結(jié)構(gòu)表面開(kāi)裂和未開(kāi)裂的圖像,每張圖像被分成256像素×256像素的子圖像,共有8 484張裂縫圖像和47 608張非裂縫圖像。本文將SDNET2018數(shù)據(jù)集作為訓(xùn)練圖像級(jí)別的分類(lèi)器數(shù)據(jù)集,并從中選取2 000張具有代表性的裂縫圖像(見(jiàn)圖5)進(jìn)行人工標(biāo)注后,按照3∶1隨機(jī)選取圖像分別作為本文模型的訓(xùn)練集與測(cè)試集。

    2.2 數(shù)據(jù)增強(qiáng)

    在深度學(xué)習(xí)模型中,為輸入足夠數(shù)量的樣本數(shù)據(jù),避免模型過(guò)擬合,通常采用數(shù)據(jù)擴(kuò)增的方式。本文考慮到需提取裂縫信息,因此盡量保留圖像的色彩和空間信息,選擇水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、旋轉(zhuǎn)90°、翻轉(zhuǎn)180°、翻轉(zhuǎn)270°等方式進(jìn)行數(shù)據(jù)擴(kuò)增,以使裂縫數(shù)據(jù)集的數(shù)量變?yōu)樵瓉?lái)6倍,此外,對(duì)應(yīng)的標(biāo)簽圖也做同樣擴(kuò)充,從而使模型具有更強(qiáng)的泛化性能。

    2.3 評(píng)估標(biāo)準(zhǔn)

    為更好地評(píng)價(jià)模型性能,本文以總體像素準(zhǔn)確率(Pixel Accuracy,ACC)(即所有預(yù)測(cè)正確(正類(lèi)負(fù)類(lèi))像素占全部像素的比重)、交并比(Intersection over Union,IoU)和F1值(F)作為模型性能的評(píng)價(jià)指標(biāo)。其中,總體像素準(zhǔn)確率計(jì)算公式為:

    (6)

    其中:TP為真正例,即模型將正類(lèi)別樣本正確預(yù)測(cè)為正類(lèi)別;TN為真負(fù)例,即模型將負(fù)類(lèi)別樣本正確預(yù)測(cè)為負(fù)類(lèi)別;FP為假正例,即模型將負(fù)類(lèi)別樣本錯(cuò)誤預(yù)測(cè)為正類(lèi)別;FN為假負(fù)例,即模型將正類(lèi)別樣本錯(cuò)誤預(yù)測(cè)為負(fù)類(lèi)別。

    模型預(yù)測(cè)的實(shí)例A和真實(shí)實(shí)例B之間IoU計(jì)算公式為:

    (7)

    為全面評(píng)估模型的性能,通常需參考召回率(R)和精確率(P),本文用F1值綜合反映召回率和精確率,計(jì)算公式如下:

    (8)

    (9)

    (10)

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

    本文基于PYTORCH框架設(shè)計(jì)實(shí)驗(yàn),改進(jìn)U-Net模型的訓(xùn)練和測(cè)試均采用上海交通大學(xué)GPU計(jì)算平臺(tái)Linux系統(tǒng)進(jìn)行,使用4塊11 GB顯存的NVIDIA GeForce GTX 1080Ti GPU。模型編碼器加載在ImageNet上以預(yù)訓(xùn)練模型ResNet的權(quán)重,其他層權(quán)重采用“he_normal”方式初始化。模型輸出層采用Sigmoid激活函數(shù),其他層均采用ReLU激活函數(shù)。訓(xùn)練初始學(xué)習(xí)率設(shè)置為0.001,在第50個(gè)輪回迭代后學(xué)習(xí)率降為0.000 1,在第100個(gè)輪回迭代后學(xué)習(xí)率降為0.000 01,此后以0.000 01的學(xué)習(xí)率繼續(xù)迭代20個(gè)輪回后停止。采用Adam優(yōu)化函數(shù)并利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。

    3.2 實(shí)驗(yàn)結(jié)果

    3.2.1 評(píng)價(jià)指標(biāo)對(duì)比

    圖6是HU-ResNet在訓(xùn)練150個(gè)輪回過(guò)程中,像素準(zhǔn)確率、交并比和F1值3個(gè)評(píng)價(jià)指標(biāo)的對(duì)比情況。由于裂縫圖像中裂縫所占像素比很小,因此即使模型將整張圖像全部判定為背景,像素準(zhǔn)確率從訓(xùn)練初始階段也一直較高。交并比和F1值在50個(gè)輪回迭代前均獲得較高增長(zhǎng),隨后增長(zhǎng)放緩,兩者變化趨勢(shì)基本一致,能較好反映模型訓(xùn)練時(shí)的性能變化。

    3.2.2 不同損失函數(shù)對(duì)比

    為對(duì)比不同損失函數(shù)對(duì)模型性能的影響,本文進(jìn)行3組實(shí)驗(yàn)。圖7為HU-ResNet模型在二分類(lèi)交叉熵(Bce)損失函數(shù)、Dice損失函數(shù)和組合損失函數(shù)3種不同損失函數(shù)下的損失曲線(xiàn)??梢钥闯?組合損失函數(shù)最大,這是因?yàn)榻M合損失函數(shù)是Bce損失函數(shù)和Dice損失函數(shù)的疊加;Bce損失函數(shù)的收斂速度比Dice損失函數(shù)更快;3種損失函數(shù)在前50個(gè)輪回均出現(xiàn)下降,這與圖6中評(píng)價(jià)指標(biāo)的變化一致,說(shuō)明本文模型能很好地學(xué)習(xí)提取裂縫的語(yǔ)義信息。

    圖7 HU-ResNet模型在不同損失函數(shù)下的訓(xùn)練損失

    表1為HU-ResNet模型在不同損失函數(shù)下的評(píng)價(jià)指標(biāo)結(jié)果??梢钥闯?Bce損失函數(shù)更傾向關(guān)注像素級(jí)別的顯著性,雖然其在訓(xùn)練集上的3個(gè)評(píng)價(jià)指標(biāo)都達(dá)到最高,但在測(cè)試集上并未取得與訓(xùn)練集上一致的表現(xiàn),說(shuō)明Bce損失函數(shù)下的模型在訓(xùn)練時(shí)產(chǎn)生一定的過(guò)擬合問(wèn)題;Dice損失函數(shù)較Bce損失函數(shù)更關(guān)注圖像級(jí)別的顯著性,雖然其在訓(xùn)練集上的評(píng)價(jià)指標(biāo)都低于Bce損失函數(shù),但由于其具有良好的抗過(guò)擬合能力,因此在測(cè)試集上的泛化能力更強(qiáng);組合損失函數(shù)同時(shí)關(guān)注像素級(jí)別和圖像級(jí)別的顯著性,在訓(xùn)練模型時(shí)能更好地收斂且泛化能力更強(qiáng),在測(cè)試集上效果最好。

    表1 HU-ResNet模型在不同損失函數(shù)下的評(píng)價(jià)指標(biāo)結(jié)果

    3.2.3 不同模型性能對(duì)比

    為驗(yàn)證本文提出的HU-ResNet模型性能,將其與傳統(tǒng)FCN8s、U-Net模型以及不加scSE模塊與超柱模塊的U-ResNet模型進(jìn)行對(duì)比,4種模型均采用組合損失函數(shù)作為損失函數(shù),得到的訓(xùn)練損失結(jié)果如圖8所示??梢钥闯?HU-ResNet模型的訓(xùn)練損失曲線(xiàn)降低最快,其訓(xùn)練損失值低于其他3個(gè)模型;U-ResNet和HU-ResNet模型的收斂速度要顯著高于FCN8s、U-Net模型。

    圖8 4種模型的訓(xùn)練損失變化情況

    為進(jìn)一步評(píng)價(jià)HU-ResNet模型性能,本文在自制數(shù)據(jù)集上復(fù)現(xiàn)了FCN-4s模型[16]和VGG-U-Net模型[23],不同模型在訓(xùn)練集和測(cè)試集上所得評(píng)價(jià)指標(biāo)結(jié)果的對(duì)比情況如表2所示(其中橫杠表示未訓(xùn)練)??梢钥闯?HU-ResNet模型在訓(xùn)練集和測(cè)試集上的評(píng)價(jià)指標(biāo)值均最高;VGG-U-Net模型在訓(xùn)練集上評(píng)價(jià)指標(biāo)值較高,但易出現(xiàn)過(guò)擬合問(wèn)題,且其在測(cè)試集上評(píng)價(jià)指標(biāo)值出現(xiàn)下降,模型的泛化能力不如HU-ResNet模型;基于傳統(tǒng)數(shù)字圖像處理方法的Canny模型和區(qū)域生長(zhǎng)模型在測(cè)試集上的評(píng)價(jià)指標(biāo)值均低于其他基于深度學(xué)習(xí)的模型,說(shuō)明在復(fù)雜環(huán)境下深度學(xué)習(xí)方法性能遠(yuǎn)高于傳統(tǒng)數(shù)字圖像處理方法。

    表2 不同模型在訓(xùn)練集和測(cè)試集上的評(píng)價(jià)指標(biāo)結(jié)果

    4 結(jié)束語(yǔ)

    本文在U-Net基礎(chǔ)上建立HU-ResNet模型,提出一種混凝土表觀裂縫檢測(cè)方法。采用ResNet34殘差網(wǎng)絡(luò)為編碼器保留更多裂縫細(xì)節(jié)信息,引入scSE模塊重新標(biāo)定編碼塊與解碼塊的輸出特征,用Dice損失和二分類(lèi)交叉熵?fù)p失構(gòu)建組合損失函數(shù),并利用超柱模塊和組合損失函數(shù)準(zhǔn)確獲取裂縫圖像語(yǔ)義信息。實(shí)驗(yàn)結(jié)果表明,本文模型能更好地捕捉裂縫細(xì)節(jié)信息,與FCN8s、U-Net、U-ResNet等深度學(xué)習(xí)模型相比,其像素準(zhǔn)確率、交并比和F1值更高,具有更好的檢測(cè)效果。后續(xù)將擴(kuò)充裂縫數(shù)據(jù)集,結(jié)合圖像深度技術(shù),使裂縫像素信息轉(zhuǎn)換為真實(shí)物理空間信息,進(jìn)一步提高模型效率、準(zhǔn)確率和泛化能力。

    猜你喜歡
    集上損失像素
    趙運(yùn)哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    像素前線(xiàn)之“幻影”2000
    少問(wèn)一句,損失千金
    胖胖損失了多少元
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問(wèn)題解映射的保序性
    “像素”仙人掌
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    復(fù)扇形指標(biāo)集上的分布混沌
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    国产 一区精品| 我的亚洲天堂| 色94色欧美一区二区| 新久久久久国产一级毛片| 色婷婷久久久亚洲欧美| 搡老乐熟女国产| bbb黄色大片| 男女床上黄色一级片免费看| 精品人妻一区二区三区麻豆| www.自偷自拍.com| 亚洲一区中文字幕在线| 夜夜骑夜夜射夜夜干| 国产成人免费无遮挡视频| 亚洲精品乱久久久久久| www.av在线官网国产| 熟女av电影| 丝瓜视频免费看黄片| 国产精品.久久久| 国产福利在线免费观看视频| a级毛片在线看网站| 亚洲精品日韩在线中文字幕| 欧美日韩福利视频一区二区| 免费av中文字幕在线| 91老司机精品| 久久人人爽av亚洲精品天堂| 一区二区三区四区激情视频| 亚洲伊人久久精品综合| 男男h啪啪无遮挡| 成人国语在线视频| 成人国语在线视频| 婷婷色麻豆天堂久久| 51午夜福利影视在线观看| 色94色欧美一区二区| 19禁男女啪啪无遮挡网站| 熟女av电影| 久久天堂一区二区三区四区| 波多野结衣av一区二区av| 国产精品国产三级国产专区5o| 大片电影免费在线观看免费| 天堂中文最新版在线下载| 一本一本久久a久久精品综合妖精| 亚洲国产精品国产精品| 久久人人爽人人片av| 国产精品久久久久久精品电影小说| 校园人妻丝袜中文字幕| 免费av中文字幕在线| 中文字幕色久视频| 亚洲欧美成人综合另类久久久| 久久天躁狠狠躁夜夜2o2o | av网站在线播放免费| 亚洲av国产av综合av卡| 亚洲第一区二区三区不卡| 国产精品嫩草影院av在线观看| 欧美日韩视频高清一区二区三区二| 人人妻人人澡人人看| 麻豆av在线久日| 精品国产一区二区三区久久久樱花| 国产精品麻豆人妻色哟哟久久| 国产精品免费视频内射| 日本欧美国产在线视频| netflix在线观看网站| 高清不卡的av网站| 夫妻午夜视频| 国产男人的电影天堂91| 久久久久视频综合| 99香蕉大伊视频| 1024视频免费在线观看| 亚洲国产欧美一区二区综合| 国产免费福利视频在线观看| 成年美女黄网站色视频大全免费| 国产高清不卡午夜福利| 黄色视频不卡| 99re6热这里在线精品视频| 午夜免费男女啪啪视频观看| 亚洲人成网站在线观看播放| 国产精品久久久av美女十八| 欧美亚洲日本最大视频资源| 狂野欧美激情性bbbbbb| 亚洲自偷自拍图片 自拍| 中文字幕av电影在线播放| 国产高清国产精品国产三级| 亚洲精品国产色婷婷电影| av一本久久久久| 国产精品免费大片| 成人国语在线视频| 精品久久久久久电影网| 十分钟在线观看高清视频www| 国产成人欧美在线观看 | 18禁动态无遮挡网站| 亚洲国产成人一精品久久久| 亚洲av成人不卡在线观看播放网 | 哪个播放器可以免费观看大片| 观看av在线不卡| 又大又黄又爽视频免费| 欧美日韩成人在线一区二区| 免费人妻精品一区二区三区视频| 别揉我奶头~嗯~啊~动态视频 | 美女国产高潮福利片在线看| 亚洲精品日本国产第一区| 亚洲国产最新在线播放| 一边摸一边抽搐一进一出视频| 中文乱码字字幕精品一区二区三区| 日本欧美国产在线视频| 国产 精品1| 日韩 亚洲 欧美在线| 精品国产国语对白av| 2021少妇久久久久久久久久久| 国产免费一区二区三区四区乱码| 中文字幕高清在线视频| 精品久久久精品久久久| 国产成人免费无遮挡视频| 久久 成人 亚洲| 一级毛片我不卡| 下体分泌物呈黄色| 久久精品亚洲熟妇少妇任你| 99久国产av精品国产电影| 国产精品久久久久成人av| 久久久久精品性色| 免费日韩欧美在线观看| 国产片特级美女逼逼视频| 2021少妇久久久久久久久久久| 国产在视频线精品| 侵犯人妻中文字幕一二三四区| 久久精品亚洲熟妇少妇任你| 男人爽女人下面视频在线观看| 下体分泌物呈黄色| 水蜜桃什么品种好| av女优亚洲男人天堂| 一二三四在线观看免费中文在| 妹子高潮喷水视频| 伊人久久大香线蕉亚洲五| 熟妇人妻不卡中文字幕| 天天影视国产精品| 在线观看免费视频网站a站| 美女视频免费永久观看网站| 一级黄片播放器| 最近的中文字幕免费完整| 久久久久精品性色| 青春草国产在线视频| 建设人人有责人人尽责人人享有的| 伊人久久大香线蕉亚洲五| 巨乳人妻的诱惑在线观看| 人人妻人人爽人人添夜夜欢视频| 高清视频免费观看一区二区| 国产野战对白在线观看| 国产精品久久久久久久久免| 18禁动态无遮挡网站| 亚洲精品国产区一区二| 另类精品久久| 老汉色∧v一级毛片| 飞空精品影院首页| 国产欧美日韩一区二区三区在线| 日韩一区二区视频免费看| 伦理电影大哥的女人| 亚洲欧美一区二区三区黑人| 国产极品天堂在线| 精品一区二区免费观看| 大码成人一级视频| 伦理电影免费视频| 中文字幕色久视频| 久久久精品国产亚洲av高清涩受| 亚洲激情五月婷婷啪啪| 女性生殖器流出的白浆| 女性生殖器流出的白浆| 精品福利永久在线观看| 色网站视频免费| 永久免费av网站大全| 日本午夜av视频| 黑人猛操日本美女一级片| av在线播放精品| 久久久久国产精品人妻一区二区| 啦啦啦啦在线视频资源| 悠悠久久av| 欧美亚洲日本最大视频资源| 婷婷色av中文字幕| 久久久久久久大尺度免费视频| 中文字幕亚洲精品专区| 亚洲国产成人一精品久久久| 国产爽快片一区二区三区| 国产亚洲精品第一综合不卡| 国产精品麻豆人妻色哟哟久久| 午夜福利乱码中文字幕| 看十八女毛片水多多多| 国产免费福利视频在线观看| 久久精品久久久久久噜噜老黄| 一级片'在线观看视频| 9191精品国产免费久久| 黄网站色视频无遮挡免费观看| 丝袜在线中文字幕| 日韩制服丝袜自拍偷拍| 无遮挡黄片免费观看| 日韩一区二区视频免费看| 18禁国产床啪视频网站| 永久免费av网站大全| 18在线观看网站| 国产精品无大码| 国产男女内射视频| 亚洲成人手机| 天堂俺去俺来也www色官网| 侵犯人妻中文字幕一二三四区| 国产日韩欧美亚洲二区| 久久精品国产亚洲av涩爱| 香蕉国产在线看| 免费久久久久久久精品成人欧美视频| 日日爽夜夜爽网站| 国产亚洲av高清不卡| 十八禁高潮呻吟视频| 亚洲久久久国产精品| 国产黄频视频在线观看| 亚洲欧洲精品一区二区精品久久久 | 啦啦啦啦在线视频资源| 精品人妻在线不人妻| 制服丝袜香蕉在线| 又大又黄又爽视频免费| 欧美久久黑人一区二区| 曰老女人黄片| 男女午夜视频在线观看| www.av在线官网国产| 一级毛片黄色毛片免费观看视频| 中文天堂在线官网| 又大又爽又粗| 看非洲黑人一级黄片| 成年女人毛片免费观看观看9 | 婷婷成人精品国产| 免费看av在线观看网站| 欧美在线黄色| 久久国产精品大桥未久av| 国产精品一区二区在线观看99| 国产熟女欧美一区二区| 中文天堂在线官网| 黄片无遮挡物在线观看| 婷婷色综合大香蕉| 一区在线观看完整版| 女人精品久久久久毛片| 国产成人欧美在线观看 | 大香蕉久久网| 如日韩欧美国产精品一区二区三区| 亚洲一级一片aⅴ在线观看| 色视频在线一区二区三区| 日本爱情动作片www.在线观看| 亚洲欧美清纯卡通| 亚洲精品第二区| 欧美成人精品欧美一级黄| 欧美av亚洲av综合av国产av | 可以免费在线观看a视频的电影网站 | 操美女的视频在线观看| 国产人伦9x9x在线观看| 9191精品国产免费久久| 黄网站色视频无遮挡免费观看| 人人妻,人人澡人人爽秒播 | 亚洲国产最新在线播放| 亚洲熟女毛片儿| 久久久国产欧美日韩av| 高清视频免费观看一区二区| 黄频高清免费视频| 69精品国产乱码久久久| 午夜久久久在线观看| 女人爽到高潮嗷嗷叫在线视频| 韩国av在线不卡| 久久精品国产a三级三级三级| 国产成人系列免费观看| 国产伦理片在线播放av一区| 人体艺术视频欧美日本| 日本午夜av视频| www.精华液| 日韩免费高清中文字幕av| 亚洲av成人不卡在线观看播放网 | 国产成人免费无遮挡视频| a 毛片基地| 亚洲国产成人一精品久久久| 日韩精品免费视频一区二区三区| 久久女婷五月综合色啪小说| 亚洲一卡2卡3卡4卡5卡精品中文| 又粗又硬又长又爽又黄的视频| 人妻人人澡人人爽人人| 国产成人欧美| 成人午夜精彩视频在线观看| 中文字幕另类日韩欧美亚洲嫩草| 亚洲美女黄色视频免费看| xxx大片免费视频| 一二三四中文在线观看免费高清| 99久国产av精品国产电影| 国产欧美日韩一区二区三区在线| 日韩欧美一区视频在线观看| 天天添夜夜摸| 免费不卡黄色视频| 最近手机中文字幕大全| av线在线观看网站| 精品酒店卫生间| 美女主播在线视频| 成人影院久久| 97精品久久久久久久久久精品| 国产免费又黄又爽又色| 欧美最新免费一区二区三区| 欧美日韩福利视频一区二区| 亚洲欧洲精品一区二区精品久久久 | 69精品国产乱码久久久| 国产日韩一区二区三区精品不卡| 一级黄片播放器| 亚洲人成网站在线观看播放| 男女之事视频高清在线观看 | 国产成人一区二区在线| 中文天堂在线官网| 精品久久久久久电影网| 免费观看性生交大片5| 亚洲欧美一区二区三区国产| 国产亚洲精品第一综合不卡| 国产在线视频一区二区| 又大又黄又爽视频免费| 老司机深夜福利视频在线观看 | 大片电影免费在线观看免费| 国产在视频线精品| 丝袜喷水一区| 国产成人精品在线电影| 亚洲欧美成人综合另类久久久| 久久99热这里只频精品6学生| 欧美日韩国产mv在线观看视频| 飞空精品影院首页| 亚洲国产精品999| 一级,二级,三级黄色视频| 国产成人91sexporn| 中文字幕av电影在线播放| 久久人人爽人人片av| 精品人妻在线不人妻| 天堂中文最新版在线下载| 国产精品三级大全| 2021少妇久久久久久久久久久| 熟女av电影| 可以免费在线观看a视频的电影网站 | 免费看av在线观看网站| 看免费成人av毛片| 国产精品免费大片| 国产深夜福利视频在线观看| 亚洲成人av在线免费| 中文字幕色久视频| 下体分泌物呈黄色| 18禁国产床啪视频网站| av免费观看日本| 9191精品国产免费久久| 国产又爽黄色视频| 18在线观看网站| 丁香六月欧美| 免费黄频网站在线观看国产| 欧美精品一区二区大全| 成人18禁高潮啪啪吃奶动态图| 中文字幕制服av| 欧美日韩一区二区视频在线观看视频在线| 女人精品久久久久毛片| 欧美日韩精品网址| 在线精品无人区一区二区三| 亚洲欧美成人综合另类久久久| 高清欧美精品videossex| 赤兔流量卡办理| 日本色播在线视频| 女人爽到高潮嗷嗷叫在线视频| 成年动漫av网址| 亚洲美女黄色视频免费看| 99久久99久久久精品蜜桃| 国产淫语在线视频| 超色免费av| 精品卡一卡二卡四卡免费| 美女主播在线视频| 日韩成人av中文字幕在线观看| 老熟女久久久| 交换朋友夫妻互换小说| 天堂8中文在线网| 精品人妻一区二区三区麻豆| 电影成人av| 久久97久久精品| 在线观看一区二区三区激情| 最新的欧美精品一区二区| 丁香六月欧美| 久久国产精品男人的天堂亚洲| 久久99精品国语久久久| 美女福利国产在线| 美女中出高潮动态图| 亚洲美女黄色视频免费看| 国产精品久久久久久精品电影小说| av有码第一页| 亚洲免费av在线视频| 亚洲欧美精品综合一区二区三区| 亚洲精品美女久久久久99蜜臀 | 亚洲免费av在线视频| 国产亚洲av高清不卡| 90打野战视频偷拍视频| 久久久国产一区二区| 黄色 视频免费看| 欧美xxⅹ黑人| 我的亚洲天堂| 波多野结衣av一区二区av| 久久99精品国语久久久| 99九九在线精品视频| 午夜免费男女啪啪视频观看| 少妇人妻 视频| 国产黄色视频一区二区在线观看| 国产精品一区二区在线观看99| 男女高潮啪啪啪动态图| 一级爰片在线观看| 少妇被粗大猛烈的视频| www日本在线高清视频| 亚洲av电影在线进入| 国产片内射在线| av线在线观看网站| 1024视频免费在线观看| 99久久99久久久精品蜜桃| 午夜免费观看性视频| 操出白浆在线播放| 男人爽女人下面视频在线观看| 99re6热这里在线精品视频| 少妇的丰满在线观看| 国产乱来视频区| av.在线天堂| 久久99热这里只频精品6学生| 美女午夜性视频免费| 欧美日韩福利视频一区二区| 亚洲欧美中文字幕日韩二区| 黄色视频不卡| 亚洲欧洲日产国产| 亚洲伊人色综图| 国产黄频视频在线观看| 夜夜骑夜夜射夜夜干| 亚洲成av片中文字幕在线观看| 亚洲一级一片aⅴ在线观看| 久久久精品区二区三区| 51午夜福利影视在线观看| 国精品久久久久久国模美| 精品人妻在线不人妻| 色婷婷av一区二区三区视频| 韩国高清视频一区二区三区| 欧美日韩国产mv在线观看视频| 国产日韩欧美视频二区| 丝袜美腿诱惑在线| 天堂8中文在线网| 美女午夜性视频免费| 又大又黄又爽视频免费| 在线免费观看不下载黄p国产| 老司机影院毛片| 久久人人爽av亚洲精品天堂| 精品一区二区三卡| 在线观看免费午夜福利视频| 丝袜脚勾引网站| 女人久久www免费人成看片| 多毛熟女@视频| 极品少妇高潮喷水抽搐| 国产精品一国产av| 下体分泌物呈黄色| 亚洲成人av在线免费| 我的亚洲天堂| 久久精品aⅴ一区二区三区四区| 国产成人91sexporn| 亚洲av综合色区一区| 伊人亚洲综合成人网| 国语对白做爰xxxⅹ性视频网站| 一本一本久久a久久精品综合妖精| av又黄又爽大尺度在线免费看| 精品亚洲成a人片在线观看| 亚洲国产av影院在线观看| 男人舔女人的私密视频| 国产 一区精品| 亚洲五月色婷婷综合| 久久天躁狠狠躁夜夜2o2o | 精品午夜福利在线看| 少妇 在线观看| 不卡视频在线观看欧美| 日韩一卡2卡3卡4卡2021年| 日本欧美国产在线视频| 国产又色又爽无遮挡免| 婷婷色综合大香蕉| 午夜福利影视在线免费观看| 久热这里只有精品99| 亚洲熟女精品中文字幕| 王馨瑶露胸无遮挡在线观看| 精品国产一区二区三区四区第35| 18在线观看网站| 少妇猛男粗大的猛烈进出视频| 丁香六月天网| 亚洲av中文av极速乱| 啦啦啦在线免费观看视频4| tube8黄色片| 国产一区二区三区av在线| 婷婷色综合www| 久久久久精品人妻al黑| 熟女少妇亚洲综合色aaa.| 熟妇人妻不卡中文字幕| 亚洲国产欧美一区二区综合| 午夜日韩欧美国产| 欧美激情 高清一区二区三区| 国产成人欧美在线观看 | 中文字幕另类日韩欧美亚洲嫩草| 久久人人爽av亚洲精品天堂| 日本欧美视频一区| 99热国产这里只有精品6| 午夜激情av网站| 午夜福利免费观看在线| 亚洲少妇的诱惑av| 午夜日本视频在线| 午夜福利影视在线免费观看| 亚洲精品美女久久久久99蜜臀 | av又黄又爽大尺度在线免费看| 欧美 日韩 精品 国产| 母亲3免费完整高清在线观看| 日日爽夜夜爽网站| 国产淫语在线视频| 少妇被粗大猛烈的视频| 国产精品久久久久成人av| 人妻一区二区av| 亚洲国产欧美在线一区| av女优亚洲男人天堂| 少妇被粗大的猛进出69影院| 少妇人妻 视频| 日韩免费高清中文字幕av| 黄片小视频在线播放| 亚洲成国产人片在线观看| 久久久久久免费高清国产稀缺| 黄频高清免费视频| 最近中文字幕高清免费大全6| 国产色婷婷99| av福利片在线| 超碰成人久久| 国产在线视频一区二区| 亚洲av福利一区| 狠狠精品人妻久久久久久综合| 男的添女的下面高潮视频| 少妇猛男粗大的猛烈进出视频| 国产免费又黄又爽又色| 国产精品无大码| 女性被躁到高潮视频| 伦理电影大哥的女人| 成人国语在线视频| 亚洲av在线观看美女高潮| 在线观看免费日韩欧美大片| 9热在线视频观看99| 国产福利在线免费观看视频| 亚洲精品国产av成人精品| 国产一区二区三区综合在线观看| 国产男女内射视频| 国产爽快片一区二区三区| 蜜桃在线观看..| 亚洲欧美激情在线| 亚洲中文av在线| 丰满迷人的少妇在线观看| 国产又爽黄色视频| 国产成人91sexporn| 女的被弄到高潮叫床怎么办| 丝袜人妻中文字幕| 一边摸一边抽搐一进一出视频| 最近中文字幕2019免费版| 高清不卡的av网站| 欧美人与善性xxx| 亚洲欧洲精品一区二区精品久久久 | 亚洲精品av麻豆狂野| 久久av网站| 久久久久精品国产欧美久久久 | 狠狠婷婷综合久久久久久88av| 中文字幕高清在线视频| 精品少妇黑人巨大在线播放| 伦理电影免费视频| 亚洲精品久久成人aⅴ小说| √禁漫天堂资源中文www| 男人添女人高潮全过程视频| 下体分泌物呈黄色| 久久av网站| 男女高潮啪啪啪动态图| 在线观看免费视频网站a站| 久久久久精品国产欧美久久久 | 肉色欧美久久久久久久蜜桃| 一本久久精品| 欧美老熟妇乱子伦牲交| 色吧在线观看| 日韩制服丝袜自拍偷拍| 欧美日韩视频精品一区| 亚洲欧美激情在线| 日韩一本色道免费dvd| 热99国产精品久久久久久7| 色网站视频免费| 91精品伊人久久大香线蕉| 亚洲精品美女久久av网站| 久久久久人妻精品一区果冻| 欧美黑人精品巨大| 午夜激情久久久久久久| av在线老鸭窝| 色吧在线观看| 日日啪夜夜爽| 菩萨蛮人人尽说江南好唐韦庄| 在线亚洲精品国产二区图片欧美| 两性夫妻黄色片| 秋霞在线观看毛片| 亚洲精品自拍成人| 国产精品一区二区精品视频观看| 亚洲一码二码三码区别大吗| av不卡在线播放| 中文字幕另类日韩欧美亚洲嫩草| 精品卡一卡二卡四卡免费| 看十八女毛片水多多多| 日日爽夜夜爽网站| 国产一区二区激情短视频 | 久热这里只有精品99| 亚洲精品国产一区二区精华液| 国产又爽黄色视频| 国产男人的电影天堂91| 国产xxxxx性猛交| 国产男女内射视频| 久久天堂一区二区三区四区| 久久久久久久久免费视频了| 欧美日本中文国产一区发布| 久久国产亚洲av麻豆专区| 久久国产精品大桥未久av| 欧美 亚洲 国产 日韩一| 欧美精品一区二区大全| 国产精品一二三区在线看| 哪个播放器可以免费观看大片| 亚洲国产成人一精品久久久| 精品国产乱码久久久久久小说| 老熟女久久久| 欧美国产精品一级二级三级|