• <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
    黑人欧美特级aaaaaa片| 天天躁夜夜躁狠狠躁躁| 亚洲最大成人中文| 国产精品电影一区二区三区| 精品久久蜜臀av无| 国产欧美日韩综合在线一区二区| 熟女少妇亚洲综合色aaa.| 国产成人av教育| 免费在线观看黄色视频的| 精品免费久久久久久久清纯| 亚洲精品在线美女| 波多野结衣一区麻豆| 国产亚洲精品av在线| 亚洲av成人av| 91大片在线观看| www.自偷自拍.com| 久久亚洲精品不卡| 欧美日韩亚洲国产一区二区在线观看| 色播亚洲综合网| 久久精品91无色码中文字幕| 一进一出抽搐动态| 亚洲欧美激情综合另类| 欧美中文日本在线观看视频| 国产成人欧美在线观看| 女人精品久久久久毛片| 久久久久国产一级毛片高清牌| 91麻豆av在线| tocl精华| 亚洲人成电影观看| 亚洲狠狠婷婷综合久久图片| 亚洲成人精品中文字幕电影| 纯流量卡能插随身wifi吗| 国产99白浆流出| 精品人妻1区二区| 亚洲,欧美精品.| 大陆偷拍与自拍| 亚洲熟妇熟女久久| 男女做爰动态图高潮gif福利片 | 久久久国产欧美日韩av| 91字幕亚洲| 亚洲欧美激情在线| 99久久99久久久精品蜜桃| 大码成人一级视频| 国产成人av教育| 亚洲欧美激情综合另类| 成年女人毛片免费观看观看9| 亚洲男人的天堂狠狠| 在线播放国产精品三级| 久久精品国产99精品国产亚洲性色 | 国产男靠女视频免费网站| 老司机在亚洲福利影院| 国产熟女xx| 亚洲欧美日韩高清在线视频| 制服人妻中文乱码| 午夜久久久久精精品| 精品欧美一区二区三区在线| 久久久久精品国产欧美久久久| 精品久久久久久久人妻蜜臀av | 99久久综合精品五月天人人| 日韩三级视频一区二区三区| 免费高清视频大片| 欧美国产精品va在线观看不卡| 亚洲国产精品合色在线| 久久久久久免费高清国产稀缺| svipshipincom国产片| 亚洲国产精品成人综合色| 国产一区二区三区综合在线观看| 又紧又爽又黄一区二区| 精品国产国语对白av| 国产日韩一区二区三区精品不卡| 久久久久精品国产欧美久久久| 国产成人啪精品午夜网站| 亚洲精品国产色婷婷电影| 亚洲成国产人片在线观看| 一卡2卡三卡四卡精品乱码亚洲| 欧美成人免费av一区二区三区| 久99久视频精品免费| tocl精华| 黄色片一级片一级黄色片| 精品久久蜜臀av无| 两人在一起打扑克的视频| 女人精品久久久久毛片| 免费久久久久久久精品成人欧美视频| 女警被强在线播放| 可以在线观看的亚洲视频| 好男人在线观看高清免费视频 | 少妇裸体淫交视频免费看高清 | 99精品久久久久人妻精品| 91国产中文字幕| 99精品久久久久人妻精品| 免费人成视频x8x8入口观看| 欧美日韩一级在线毛片| 在线观看免费午夜福利视频| 无人区码免费观看不卡| 亚洲一码二码三码区别大吗| 成年人黄色毛片网站| 午夜精品久久久久久毛片777| 人人妻人人澡人人看| 久久久久久久久久久久大奶| 女性生殖器流出的白浆| 欧美激情高清一区二区三区| 欧美乱妇无乱码| 日本 欧美在线| a在线观看视频网站| cao死你这个sao货| 日日干狠狠操夜夜爽| 亚洲精品美女久久久久99蜜臀| 少妇被粗大的猛进出69影院| 美女大奶头视频| 亚洲精品在线观看二区| 999久久久精品免费观看国产| 久久香蕉精品热| 国产精品香港三级国产av潘金莲| 国产一区在线观看成人免费| 国产欧美日韩一区二区三| 国产高清激情床上av| 午夜影院日韩av| 国产成年人精品一区二区| 国产精品久久久久久人妻精品电影| 一个人观看的视频www高清免费观看 | 可以免费在线观看a视频的电影网站| 午夜福利成人在线免费观看| 两人在一起打扑克的视频| 欧美日韩福利视频一区二区| 搡老妇女老女人老熟妇| 18禁国产床啪视频网站| 欧美午夜高清在线| 欧美黄色片欧美黄色片| 免费高清视频大片| av有码第一页| 97人妻精品一区二区三区麻豆 | 欧美成狂野欧美在线观看| 香蕉丝袜av| 久久久久久久精品吃奶| 午夜福利免费观看在线| 国产高清激情床上av| 午夜免费观看网址| 长腿黑丝高跟| 老汉色av国产亚洲站长工具| 国产欧美日韩精品亚洲av| 老汉色∧v一级毛片| 无限看片的www在线观看| xxx96com| 久久久久九九精品影院| 欧美成人一区二区免费高清观看 | 一级a爱片免费观看的视频| 一进一出好大好爽视频| 动漫黄色视频在线观看| 久久久久国产精品人妻aⅴ院| 午夜日韩欧美国产| 美国免费a级毛片| 亚洲va日本ⅴa欧美va伊人久久| 欧美国产精品va在线观看不卡| 国产精品1区2区在线观看.| 午夜两性在线视频| 亚洲 国产 在线| 女人被躁到高潮嗷嗷叫费观| 欧美日韩黄片免| 欧美国产精品va在线观看不卡| 波多野结衣巨乳人妻| 大码成人一级视频| 亚洲五月婷婷丁香| 久久天躁狠狠躁夜夜2o2o| 男女下面插进去视频免费观看| 男女之事视频高清在线观看| 亚洲欧美一区二区三区黑人| 国产精品av久久久久免费| 精品国产乱码久久久久久男人| 丝袜美腿诱惑在线| 免费观看人在逋| 亚洲国产精品成人综合色| 这个男人来自地球电影免费观看| 日韩av在线大香蕉| 亚洲一码二码三码区别大吗| 两个人视频免费观看高清| 中亚洲国语对白在线视频| 国产伦人伦偷精品视频| 欧美午夜高清在线| 国产精品,欧美在线| 男女床上黄色一级片免费看| 欧美日韩中文字幕国产精品一区二区三区 | 999久久久国产精品视频| 亚洲专区中文字幕在线| 老司机在亚洲福利影院| 精品卡一卡二卡四卡免费| 亚洲最大成人中文| 亚洲精品在线美女| 午夜福利18| 成人国产一区最新在线观看| 日本五十路高清| 亚洲国产看品久久| 国产精品二区激情视频| 最近最新中文字幕大全免费视频| 又大又爽又粗| 免费不卡黄色视频| 在线播放国产精品三级| 亚洲av片天天在线观看| 久热爱精品视频在线9| 亚洲色图综合在线观看| 黄色a级毛片大全视频| 欧美一级毛片孕妇| 欧美日韩福利视频一区二区| 免费在线观看黄色视频的| 久久久久国内视频| 国产高清有码在线观看视频 | 国产精品九九99| 国产精品一区二区三区四区久久 | 手机成人av网站| 女同久久另类99精品国产91| 一级a爱视频在线免费观看| 少妇粗大呻吟视频| 国产真人三级小视频在线观看| 波多野结衣av一区二区av| 欧美黑人精品巨大| 国产一区二区在线av高清观看| 在线天堂中文资源库| 成人亚洲精品一区在线观看| 欧美激情高清一区二区三区| 亚洲熟妇中文字幕五十中出| 99国产精品免费福利视频| 亚洲熟妇熟女久久| 女性生殖器流出的白浆| 免费女性裸体啪啪无遮挡网站| cao死你这个sao货| 午夜精品在线福利| 97超级碰碰碰精品色视频在线观看| 一卡2卡三卡四卡精品乱码亚洲| 久久国产精品人妻蜜桃| 国产伦一二天堂av在线观看| 成人国产综合亚洲| 日韩精品中文字幕看吧| 欧美亚洲日本最大视频资源| 亚洲精品在线观看二区| 在线永久观看黄色视频| 黄色视频不卡| 久久久国产精品麻豆| 亚洲性夜色夜夜综合| 男女下面插进去视频免费观看| 99riav亚洲国产免费| 国产成人一区二区三区免费视频网站| 91麻豆av在线| 精品高清国产在线一区| 久久久久久免费高清国产稀缺| 国产精品,欧美在线| 天天一区二区日本电影三级 | 99国产精品一区二区蜜桃av| 丝袜人妻中文字幕| 十分钟在线观看高清视频www| 国产区一区二久久| 精品日产1卡2卡| 99久久99久久久精品蜜桃| 亚洲一区二区三区色噜噜| 国产高清激情床上av| 国产成人精品在线电影| 视频在线观看一区二区三区| 99久久综合精品五月天人人| 中文字幕高清在线视频| 搞女人的毛片| 黑人巨大精品欧美一区二区mp4| 亚洲少妇的诱惑av| 国产精品,欧美在线| 叶爱在线成人免费视频播放| 免费看十八禁软件| 亚洲欧美激情综合另类| 丰满人妻熟妇乱又伦精品不卡| 国内精品久久久久精免费| 天天一区二区日本电影三级 | 露出奶头的视频| 日韩视频一区二区在线观看| 老鸭窝网址在线观看| 热99re8久久精品国产| 欧美中文综合在线视频| 成人欧美大片| 久久国产精品影院| 国产亚洲精品第一综合不卡| 长腿黑丝高跟| 国产精品久久久久久人妻精品电影| 别揉我奶头~嗯~啊~动态视频| 美女扒开内裤让男人捅视频| 一区二区三区国产精品乱码| 777久久人妻少妇嫩草av网站| 纯流量卡能插随身wifi吗| 国产主播在线观看一区二区| 亚洲人成77777在线视频| 禁无遮挡网站| 午夜成年电影在线免费观看| 国内精品久久久久精免费| 成人国产综合亚洲| 日韩欧美国产一区二区入口| 午夜福利一区二区在线看| 两个人视频免费观看高清| 亚洲人成电影免费在线| 丰满人妻熟妇乱又伦精品不卡| 香蕉久久夜色| 少妇粗大呻吟视频| 亚洲,欧美精品.| 国产成人精品无人区| 精品国产一区二区久久| 久久影院123| www日本在线高清视频| 日本五十路高清| 免费高清视频大片| 1024视频免费在线观看| 国内精品久久久久久久电影| 亚洲欧洲精品一区二区精品久久久| 99国产精品一区二区三区| 男人舔女人的私密视频| 久久精品国产清高在天天线| 日日干狠狠操夜夜爽| 精品国产一区二区久久| 啦啦啦韩国在线观看视频| 老司机在亚洲福利影院| 色在线成人网| 一二三四社区在线视频社区8| 国产成人精品久久二区二区91| 免费不卡黄色视频| 亚洲精品av麻豆狂野| 日本黄色视频三级网站网址| 久久精品影院6| 国产色视频综合| 久久青草综合色| 国产成人免费无遮挡视频| 99国产精品一区二区三区| 国产野战对白在线观看| 国产一区二区在线av高清观看| 久久精品成人免费网站| 人妻久久中文字幕网| 看黄色毛片网站| 亚洲成人久久性| 午夜免费观看网址| a级毛片在线看网站| 美女扒开内裤让男人捅视频| 国产伦一二天堂av在线观看| 自线自在国产av| 99在线人妻在线中文字幕| 精品欧美国产一区二区三| 级片在线观看| 曰老女人黄片| 亚洲精品在线观看二区| 免费高清视频大片| 一本久久中文字幕| 美女扒开内裤让男人捅视频| 麻豆一二三区av精品| 两性午夜刺激爽爽歪歪视频在线观看 | 91成人精品电影| 亚洲狠狠婷婷综合久久图片| 99香蕉大伊视频| 我的亚洲天堂| 国产精品亚洲一级av第二区| 国产精品香港三级国产av潘金莲| 日韩视频一区二区在线观看| 无人区码免费观看不卡| 香蕉久久夜色| 涩涩av久久男人的天堂| 久久久国产精品麻豆| 国产亚洲av嫩草精品影院| 成人亚洲精品av一区二区| 女性被躁到高潮视频| 在线观看一区二区三区| 99国产精品一区二区蜜桃av| 欧美av亚洲av综合av国产av| 嫩草影院精品99| 日本vs欧美在线观看视频| 一本综合久久免费| 涩涩av久久男人的天堂| 叶爱在线成人免费视频播放| 99久久精品国产亚洲精品| netflix在线观看网站| 伊人久久大香线蕉亚洲五| 一个人免费在线观看的高清视频| 黄色片一级片一级黄色片| 国产成人免费无遮挡视频| 亚洲欧美日韩另类电影网站| 丰满的人妻完整版| 欧美成狂野欧美在线观看| 国产成人av激情在线播放| 国产一级毛片七仙女欲春2 | 精品国产一区二区三区四区第35| 一夜夜www| 大码成人一级视频| 亚洲一区中文字幕在线| 国产高清激情床上av| 色精品久久人妻99蜜桃| 久久伊人香网站| 久久精品91蜜桃| 国产精品一区二区三区四区久久 | 国产欧美日韩一区二区三| www.www免费av| xxx96com| 亚洲中文字幕一区二区三区有码在线看 | 亚洲一区中文字幕在线| 亚洲片人在线观看| 视频在线观看一区二区三区| 最新美女视频免费是黄的| 亚洲精品国产区一区二| 黄色视频不卡| 免费在线观看亚洲国产| 咕卡用的链子| 亚洲成人精品中文字幕电影| 日日干狠狠操夜夜爽| 欧美国产日韩亚洲一区| 国产亚洲精品久久久久久毛片| 99国产精品免费福利视频| 久9热在线精品视频| 91精品国产国语对白视频| 亚洲精品在线观看二区| 欧美激情高清一区二区三区| 成人三级做爰电影| 亚洲人成网站在线播放欧美日韩| 99热只有精品国产| 亚洲一卡2卡3卡4卡5卡精品中文| 波多野结衣巨乳人妻| 久久久国产欧美日韩av| 色播亚洲综合网| 国内精品久久久久精免费| 久久人人97超碰香蕉20202| 国产成人精品在线电影| 国产成人欧美在线观看| 国语自产精品视频在线第100页| 欧美老熟妇乱子伦牲交| 免费在线观看黄色视频的| 欧美日本视频| 免费少妇av软件| 一边摸一边抽搐一进一小说| 九色国产91popny在线| 999精品在线视频| 成在线人永久免费视频| 成熟少妇高潮喷水视频| 一边摸一边做爽爽视频免费| 在线天堂中文资源库| 女人精品久久久久毛片| 亚洲av五月六月丁香网| 99热只有精品国产| 国产精品秋霞免费鲁丝片| 欧美国产精品va在线观看不卡| 他把我摸到了高潮在线观看| 好男人在线观看高清免费视频 | 激情在线观看视频在线高清| av中文乱码字幕在线| cao死你这个sao货| 亚洲精品国产色婷婷电影| 亚洲欧美激情在线| or卡值多少钱| 99久久综合精品五月天人人| 变态另类成人亚洲欧美熟女 | 色尼玛亚洲综合影院| 国产午夜福利久久久久久| 久久久精品欧美日韩精品| 亚洲精品国产一区二区精华液| 动漫黄色视频在线观看| 国产一区二区三区在线臀色熟女| 免费久久久久久久精品成人欧美视频| 亚洲国产高清在线一区二区三 | 国产视频一区二区在线看| 99精品欧美一区二区三区四区| 很黄的视频免费| 亚洲午夜精品一区,二区,三区| 国产精品一区二区三区四区久久 | 欧美日韩中文字幕国产精品一区二区三区 | 两性夫妻黄色片| 亚洲一区二区三区不卡视频| 午夜免费观看网址| 日韩av在线大香蕉| 国产精品久久电影中文字幕| 999久久久精品免费观看国产| 国产一区二区三区在线臀色熟女| 亚洲第一欧美日韩一区二区三区| 99国产精品99久久久久| 亚洲少妇的诱惑av| av在线天堂中文字幕| 可以在线观看的亚洲视频| 久久久久国产精品人妻aⅴ院| 中文字幕人妻丝袜一区二区| 最新在线观看一区二区三区| 亚洲欧美激情在线| 最近最新免费中文字幕在线| 黄色片一级片一级黄色片| 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| 国产激情久久老熟女| 亚洲成人久久性| 国产高清有码在线观看视频 | 亚洲专区国产一区二区| av有码第一页| 欧美中文综合在线视频| 日韩免费av在线播放| 日韩av在线大香蕉| 丁香六月欧美| 日韩欧美一区视频在线观看| 热99re8久久精品国产| 侵犯人妻中文字幕一二三四区| 一个人免费在线观看的高清视频| 高清在线国产一区| 韩国精品一区二区三区| 欧美成人一区二区免费高清观看 | 国产99久久九九免费精品| 国产真人三级小视频在线观看| 久久久国产成人免费| 亚洲一区中文字幕在线| 欧美激情极品国产一区二区三区| 欧美另类亚洲清纯唯美| 欧美+亚洲+日韩+国产| 电影成人av| 亚洲一区二区三区不卡视频| 男女床上黄色一级片免费看| 欧美成人免费av一区二区三区| 天天躁夜夜躁狠狠躁躁| 在线观看午夜福利视频| 中文字幕精品免费在线观看视频| 十八禁网站免费在线| www.精华液| 久久久久亚洲av毛片大全| 午夜免费激情av| 色婷婷久久久亚洲欧美| 女性生殖器流出的白浆| 人人澡人人妻人| 午夜a级毛片| 国产亚洲欧美98| 国产一级毛片七仙女欲春2 | 中文字幕另类日韩欧美亚洲嫩草| 精品第一国产精品| 日韩精品免费视频一区二区三区| 很黄的视频免费| 欧美亚洲日本最大视频资源| 久久久久久久久久久久大奶| 国产亚洲精品一区二区www| 欧美黑人欧美精品刺激| 成人三级做爰电影| 亚洲伊人色综图| 国产亚洲av嫩草精品影院| 亚洲av五月六月丁香网| 久久久精品欧美日韩精品| 高潮久久久久久久久久久不卡| 91麻豆精品激情在线观看国产| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av成人不卡在线观看播放网| 久久午夜亚洲精品久久| 亚洲av五月六月丁香网| 日韩欧美免费精品| 精品高清国产在线一区| 91精品三级在线观看| 天堂影院成人在线观看| 美女大奶头视频| aaaaa片日本免费| 纯流量卡能插随身wifi吗| 久久久久九九精品影院| 一边摸一边抽搐一进一出视频| 叶爱在线成人免费视频播放| 看片在线看免费视频| 亚洲久久久国产精品| 天堂影院成人在线观看| 男女下面进入的视频免费午夜 | 国产精品爽爽va在线观看网站 | 久久久久九九精品影院| 9热在线视频观看99| 性色av乱码一区二区三区2| 男男h啪啪无遮挡| 欧美日本中文国产一区发布| xxx96com| 亚洲第一青青草原| 国产精品永久免费网站| 久久狼人影院| 女人被狂操c到高潮| 婷婷精品国产亚洲av在线| 欧美日韩一级在线毛片| 妹子高潮喷水视频| 一本久久中文字幕| 在线观看66精品国产| av网站免费在线观看视频| 国产成+人综合+亚洲专区| 日韩视频一区二区在线观看| 麻豆一二三区av精品| 亚洲男人天堂网一区| xxx96com| 老汉色av国产亚洲站长工具| 黄色毛片三级朝国网站| 久久久久久大精品| 窝窝影院91人妻| 日韩三级视频一区二区三区| 日韩大尺度精品在线看网址 | 国产精品 欧美亚洲| 日韩欧美一区视频在线观看| 午夜久久久在线观看| 一区福利在线观看| 亚洲精品国产一区二区精华液| 国产真人三级小视频在线观看| 中出人妻视频一区二区| 亚洲第一av免费看| 自拍欧美九色日韩亚洲蝌蚪91| 美女免费视频网站| 校园春色视频在线观看| 男人舔女人下体高潮全视频| 校园春色视频在线观看| 国产又色又爽无遮挡免费看| 亚洲精品国产一区二区精华液| 国产真人三级小视频在线观看| 精品午夜福利视频在线观看一区| 精品久久久久久,| 久久久久国产一级毛片高清牌| 国产在线观看jvid| 自拍欧美九色日韩亚洲蝌蚪91| 天天躁狠狠躁夜夜躁狠狠躁| www国产在线视频色| 国产又爽黄色视频| 精品久久久久久成人av| 久久狼人影院| 午夜成年电影在线免费观看| 免费av毛片视频| 正在播放国产对白刺激| 黄片小视频在线播放| 久久影院123| 99国产精品免费福利视频| 久久青草综合色| 久久精品人人爽人人爽视色| 99久久99久久久精品蜜桃|