• <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 ?

    改進(jìn)YOLO輕量化網(wǎng)絡(luò)的口罩檢測算法

    2021-04-23 04:29:14樂紅霞李文璟張孟涵
    關(guān)鍵詞:特征結(jié)構(gòu)檢測

    王 兵,樂紅霞,李文璟,張孟涵

    1.西南石油大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,成都610500

    2.中國電信股份有限公司 成都分公司,成都610051

    3.電子科技大學(xué) 信息與軟件工程學(xué)院,成都610500

    一些大型病毒可以通過飛沫和其他介質(zhì)傳播,在公共場所佩戴口罩對于減少疾病的傳播至關(guān)重要。在人群密集的區(qū)域(例如社區(qū)、超市和車站)通過人工方式檢查口罩佩戴情況會消耗大量的人力資源且容易漏檢,因此實(shí)現(xiàn)口罩佩戴檢測算法具有重要現(xiàn)實(shí)意義。

    近年來,由于深度學(xué)習(xí)的快速性、可擴(kuò)展性和端到端學(xué)習(xí)等優(yōu)點(diǎn),一系列基于深度學(xué)習(xí)的目標(biāo)檢測算法被提出。YOLO 系列[1-4]可能是實(shí)際應(yīng)用中最流行的目標(biāo)檢測算法,在YOLO的基礎(chǔ)上對網(wǎng)絡(luò)進(jìn)行改進(jìn)也容易取得需要的效果。例如楊晉升等人研究對基于YOLO 輕量化網(wǎng)絡(luò)的交通標(biāo)志檢測[5]通過在骨干網(wǎng)絡(luò)中使用深度可分離卷積更好地提取中小型目標(biāo)。施輝等人對基于YOLO輕量化網(wǎng)絡(luò)的安全帽佩戴檢測[6]采用圖像金字塔結(jié)構(gòu)并構(gòu)建安全帽數(shù)據(jù)集獲取更具工業(yè)應(yīng)用的模型。這些改進(jìn)的算法在目標(biāo)檢測領(lǐng)域上有著重要的意義,但是這些方法仍沒有很好地說明特征提取和利用率的問題。

    YOLOv4為最近的開源目標(biāo)檢測網(wǎng)絡(luò),在速度和精度上與同時(shí)期目標(biāo)檢測網(wǎng)絡(luò)有著明顯的優(yōu)勢。YOLOv4采用具有深層結(jié)構(gòu)的CSPDarknet53 作為骨干網(wǎng)絡(luò),使用PANet[7]代替FPN[8]進(jìn)行參數(shù)聚合,檢測準(zhǔn)確率高但對硬件配置要求較高,在小型硬件平臺中檢測速度慢,因此在嵌入式平臺上普遍使用YOLOv4tiny 進(jìn)行檢測,雖然檢測速度快但由于網(wǎng)絡(luò)層次簡單,特征提取能力不足,檢測效果低于YOLOv4。

    為解決以上不足,本文提出以YOLOv4-tiny為基礎(chǔ)的一種改進(jìn)YOLO 輕量化網(wǎng)絡(luò)的檢測算法,主要貢獻(xiàn)如下:

    (1)針對YOLOv4-tiny 網(wǎng)絡(luò)層次較簡單,無法提取更多主要特征的問題,提出了增加Max Module結(jié)構(gòu)獲取更多有效局部特征,提升檢測準(zhǔn)確率。

    (2)針對YOLOv4-tiny較深層網(wǎng)絡(luò)丟失淺層邊緣信息的問題,構(gòu)建自下而上的多尺度特征融合網(wǎng)絡(luò),提升數(shù)據(jù)利用效率。

    (3)針對模型收斂速度慢的問題,采用CIoU作為邊框回歸損失函數(shù),使預(yù)測框更接近真實(shí)框,加快模型收斂速度。

    1 相關(guān)工作

    1.1 目標(biāo)檢測算法

    采用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測算法大致分為兩類:一種是使用區(qū)域候選網(wǎng)絡(luò)(RPN)來提取候選目標(biāo)信息的兩階段檢測算法,如AlexNet[9]、R-CNN[10]、Faster R-CNN[11]、Mask R-CNN[12]等。兩階段檢測器主要由三部分組成:骨干網(wǎng)、區(qū)域建議模塊和檢測頭。首先,區(qū)域建議模塊用于區(qū)域建議。它可以生成可能包含感興趣對象的許多候選區(qū)域。通過判斷前景和背景,它使用邊界框回歸來校正錨點(diǎn)的位置。通過區(qū)域推薦網(wǎng)絡(luò)[13]、區(qū)域改進(jìn)方法[14-15]、區(qū)域建議深度特征計(jì)算方法[16-17]和骨干網(wǎng)絡(luò)結(jié)構(gòu)[18]可以生成高質(zhì)量區(qū)域,但是,使用這些區(qū)域來推斷兩階段目標(biāo)檢測器需要消耗大量計(jì)算資源,并且需要依賴更高的硬件平臺。于是端到端的YOLO、SSD[19]和Retinanet[20]等一階段目標(biāo)檢測器被提出,該目標(biāo)檢測算法通過獲取輸入圖像并學(xué)習(xí)相對于預(yù)定義錨點(diǎn)的類別概率和邊界框坐標(biāo),直接將目標(biāo)檢測視為回歸問題?;谝浑A段目標(biāo)檢測器的Anchor-free 的網(wǎng)絡(luò)模型,如CenterNet[21]和CornerNet[22]也取得巨大發(fā)展,這些模型不再使用錨框機(jī)制而是直接使用預(yù)測模型輸出的中心點(diǎn)或者邊角點(diǎn)與真實(shí)檢測框的偏移進(jìn)行回歸。目前,越來越多研究者也開始重視輕量網(wǎng)絡(luò)結(jié)構(gòu)[23]以及改進(jìn)特征圖在網(wǎng)絡(luò)中的特征提取和融合算法[24]。NAS-FPN[25]針對不同尺度特征圖的神經(jīng)架構(gòu)來搜索最優(yōu)的跨尺度特征網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),但是需要多GPU花費(fèi)大量時(shí)間搜索最優(yōu)結(jié)構(gòu)。BiFPN[26]將簡化的橫向擴(kuò)展并在各層融合,以實(shí)現(xiàn)最大效率特征圖的融合效果,但是這種橫向擴(kuò)展多層次的融合對原始圖的位置描述信息可能有較大的損失。

    1.2 YOLOv4-tiny網(wǎng)絡(luò)

    一階段檢測算法通常具有更快的檢測速度,它的檢測速度和檢測精度相對平衡,但由于YOLO的深層次結(jié)構(gòu)和巨大的參數(shù)量,各種輕量級網(wǎng)絡(luò)(YOLO-tiny[27-28]、YOLO Nano[29]等)被提出。YOLOv4-tiny是最新的YOLO輕量級網(wǎng)絡(luò),相較于之前的輕量網(wǎng)絡(luò),在mAP和檢測速率上都有巨大的提升。其骨干網(wǎng)絡(luò)主要包括下采樣CBL結(jié)構(gòu)和CSP結(jié)構(gòu),下采樣CBL結(jié)構(gòu)中,每個卷積核大小為3×3,步長為2,主要對圖像進(jìn)行下采樣處理。CSP結(jié)構(gòu)[30]將基礎(chǔ)層的特征映射劃分為兩部分,通過跨層連接將它們合并,增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,在減少了計(jì)算量的同時(shí)可以保證準(zhǔn)確率??鐚舆B接與殘差網(wǎng)絡(luò)的結(jié)果類似,這樣有兩個好處:(1)形成特征映射,實(shí)現(xiàn)特征的重用以獲得更多的語義信息,提高檢測準(zhǔn)確率;(2)降低計(jì)算瓶頸,減少內(nèi)存開銷。其具體網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如圖1所示。

    圖1 YOLOv4-tiny網(wǎng)絡(luò)結(jié)構(gòu)圖

    圖1中的Convolutional 由一個卷積層、批標(biāo)準(zhǔn)化BN層[31]以及LeakyRelu激活函數(shù)構(gòu)成。BN層可降低不同樣本間值域的差異性,避免梯度消失和梯度爆炸的問題,同時(shí)減少參數(shù)或其初始值尺度的依賴性,提高網(wǎng)絡(luò)范化能力。Leaky ReLU 給所有負(fù)值賦予一個非零斜率,避免神經(jīng)元的失活現(xiàn)象。

    在YOLO中,將整個圖片劃分為S×S個格子,每個格子作為先驗(yàn)錨框的局部坐標(biāo),在格子內(nèi)訓(xùn)練的網(wǎng)絡(luò)預(yù)測的坐標(biāo)偏移量、物體置信度和類別置信度對每個錨框分別進(jìn)行擬合,最后經(jīng)過非極大值抑制篩選后得到檢測的邊界框坐標(biāo)和類別。其損失函數(shù)如式(1)所示:

    其中,Lxywh為預(yù)測框與真實(shí)框的中心點(diǎn)和寬高誤差之和,λcoord為坐標(biāo)系數(shù);Lconfidence為目標(biāo)置信度誤差,分為有物體和無物體的兩項(xiàng)置信度誤差,λobj和λnoobj分別為有物體和無物體的置信度系數(shù);Lclasses為目標(biāo)分類損失,表示為第i個網(wǎng)格的第j個錨框的匹配情況。

    2 網(wǎng)絡(luò)模型

    本文提出了一種改進(jìn)YOLOv4-tiny 的新網(wǎng)絡(luò)結(jié)構(gòu)(以下簡稱YOLOv4-tiny Max)。低層特征可以提供更加準(zhǔn)確的位置信息,使用最大池化層能降低圖像尺寸并提取關(guān)鍵信息,但由于最大池化層只和前層部分神經(jīng)元連接,一個池化神經(jīng)元沒有權(quán)重,僅通過最大聚合函數(shù)對輸入特價(jià)進(jìn)行聚合可能會丟失重要的位置信息,因此使用大小為3×3,步長為2 的卷積層代替網(wǎng)絡(luò)結(jié)構(gòu)中的最大池化操作,帶參數(shù)的卷積層會保留更多特征圖信息。經(jīng)過一系列下采樣CBL 結(jié)構(gòu)和多次卷積操作會使得深層網(wǎng)絡(luò)的目標(biāo)定位存在誤差,因此構(gòu)建一個MaxModule結(jié)構(gòu)提取中小型目標(biāo)的主要特征,其中一條分支網(wǎng)絡(luò)再經(jīng)過自下而上的多尺度特征融合結(jié)構(gòu),最終獲得兩種不同尺度的檢測頭輸出,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    2.1 Max Module

    He[32]等人的研究表明卷積神經(jīng)網(wǎng)絡(luò)全連接層的輸入必須是固定的特征向量,直接將圖片進(jìn)行拉伸會導(dǎo)致圖片信息的丟失從而影響識別的精度。SPP 作為一個優(yōu)秀的網(wǎng)絡(luò)組件,其不需指定輸入圖像的尺寸或比例,就能夠產(chǎn)生固定大小的特征表示再送進(jìn)全連接層,這樣就可以很好地解決該問題。

    基于以上研究,提出Max Module 結(jié)構(gòu),添加在多尺度融合過程中以獲得更多有效局部特征信息,Max Module結(jié)構(gòu)如圖3所示。

    圖2 改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)圖

    圖3 Max Module結(jié)構(gòu)

    使用大(13×13)、中(9×9)、?。?×5)三種不同尺度的最大池化窗口分別作用于傳入的上層卷積特征,選取特征圖區(qū)域的最大值作為該區(qū)域池化后的值,為保持特征圖大小不變,設(shè)置步長為1,最后把輸入特征圖和經(jīng)過最大池化后的局部尺寸特征圖進(jìn)行通道融合再傳入瓶頸層,增加網(wǎng)絡(luò)深度的同時(shí)又保留前層特征,提升網(wǎng)絡(luò)性能。圖4 從左往右依次是原圖、采用Max Module 結(jié)構(gòu)和采用對應(yīng)層數(shù)卷積操作后的特征圖。

    圖4 特征圖對比

    從圖4 可以看出,采用Max Module 結(jié)構(gòu)的特征圖邊緣信息和主要特征更清晰豐富,有助于提升檢測準(zhǔn)確率。Max Module中類似空間金字塔的結(jié)構(gòu)不需要對輸入特征圖進(jìn)行等分就能提取多尺度的局部特征圖像,瓶頸結(jié)構(gòu)使得網(wǎng)絡(luò)仍然能有效進(jìn)行反向傳播。

    2.2 自下而上的多尺度特征融合結(jié)構(gòu)

    淺層特征到深層特征到傳遞路徑較長,其邊緣信息和定位信息容易丟失,導(dǎo)致數(shù)據(jù)利用率低、檢測精度不理想等問題,為充分使用特征信息,對輸出較大檢測頭的分支網(wǎng)絡(luò)使用自下而上對多尺度特征融合結(jié)構(gòu)。

    不同于原始YOLOv4-tiny 直接使用卷積和上采樣操作,該結(jié)構(gòu)(如圖2(b))首先進(jìn)行二倍上采樣,與主干網(wǎng)絡(luò)第三個CSP結(jié)構(gòu)進(jìn)行特征圖融合后再經(jīng)過一個1×1卷積傳入CSP結(jié)構(gòu),其前饋傳遞方程如式(2)所示:

    其中,*表示卷積算子,[x0,x1,…]表示連接(x0,x1,…)的各個分量,Xi和Wi分別是第i個連接的輸出和權(quán)重。權(quán)重更新方式如式(3)所示:

    其中,f是權(quán)重更新的函數(shù),gi表示傳播到第i個連接的梯度。可以看出更新的權(quán)重信息W'T和W'U是由不同梯度信息分開整合的,這樣既保留了特征重復(fù)使用的特點(diǎn),又通過截?cái)嗵荻确乐沽诉^多的重復(fù)梯度信息,提升數(shù)據(jù)利用效率。類似殘差結(jié)構(gòu)的特征圖融合可以讓網(wǎng)絡(luò)獲取到深層結(jié)構(gòu)信息也不會導(dǎo)致梯度消失,同時(shí)又能傳遞淺層的強(qiáng)定位信息和邊緣特征,在不同圖像細(xì)粒度上聚合并形成更全面的圖像特征,提高目標(biāo)檢測效果。

    2.3 CIoU在改進(jìn)網(wǎng)絡(luò)中的使用

    通過骨干網(wǎng)絡(luò)和特征融合結(jié)構(gòu)后,最終產(chǎn)生兩個檢測頭,分別負(fù)責(zé)檢測不同尺度的目標(biāo)。每個檢測頭中的特征圖被分配了三個不同的錨框,以預(yù)測由四個邊框坐標(biāo)生成預(yù)測框。在以前的工作中,IoU[33]用于測量所生成的預(yù)測框與真實(shí)框之間的重疊率,計(jì)算公式如式(4)所示:

    其中,A為預(yù)測框的面積,B為真實(shí)框的面積,IoU(A,B)為A與B的交并比,也就是預(yù)測框的面積與真實(shí)框的面積的交集除以其并集。由公式可以看出,對于兩個IoU 相同的物體,無法表示它們的對齊方式,若預(yù)測框和真實(shí)框沒有重疊(沒有交集),IoU 始終為0,無法優(yōu)化,為避免這些問題,本文采用CIoU[34]作為邊框回歸損失函數(shù),損失函數(shù)如式(5)所示:

    其中,α是用于做協(xié)調(diào)比例的參數(shù),v是用來衡量長寬比一致性的參數(shù),b和bgt分別表示預(yù)測框和真實(shí)框的中心點(diǎn),ρ()表示歐式距離,c表示預(yù)測框和真實(shí)框的最小外界矩形的對角線距離。α和v的計(jì)算方法如下:

    CIoU直接最小化預(yù)測框與目標(biāo)框之間的歸一化距離以達(dá)到更快的收斂速度,且對尺度具有不變形,使回歸在與目標(biāo)框有重疊甚至包含時(shí)更準(zhǔn)確、更快。

    從表1和圖5可知,CIoU在損失收斂效果和mAP上均優(yōu)于IoU,因此使用CIoU作為邊框回歸損失函數(shù)對網(wǎng)絡(luò)性能的提升是有很大意義的。

    表1 不同邊框回歸損失函數(shù)方法對比

    圖5 損失收斂對比

    3 實(shí)驗(yàn)與結(jié)果分析

    根據(jù)默認(rèn)配置訓(xùn)練本文算法,訓(xùn)練期間的初始學(xué)習(xí)率為0.001,衰減系數(shù)為0.000 5,最小批量大小為64,采用半精度加速訓(xùn)練。在平臺方面,操作系統(tǒng)為Ubuntu 64位,CPU為Intel i7-7700 4.2 GHz;內(nèi)存大小為32 GB;GPU 采 用NVIDIA GeForce GTX1080ti*4 的32 GB 顯卡;編譯環(huán)境為Pycharm/python語言。分別在公開數(shù)據(jù)集PASCAL VOC和自制口罩?jǐn)?shù)據(jù)集對該算法進(jìn)行實(shí)驗(yàn)對比與分析。

    3.1 口罩?jǐn)?shù)據(jù)集的制作

    口罩?jǐn)?shù)據(jù)集來自于公開數(shù)據(jù)集MAFA 和Wilder Face 中所有佩戴口罩的數(shù)據(jù)集和部分未佩戴口罩的人臉數(shù)據(jù)集。對數(shù)據(jù)進(jìn)行篩選并刪除標(biāo)簽和特征不對應(yīng)的圖片后,總共保留了6 757 張圖像,包括3 893 張臉部和2 864 張被口罩遮擋的臉部,使用兩個預(yù)定義類別:face(臉部)和face_mask(被口罩遮擋的臉部)標(biāo)記數(shù)據(jù)集中的圖像。部分圖像如圖6所示,其中,A類對應(yīng)標(biāo)簽為face_mask,B類對應(yīng)標(biāo)簽為face。

    3.1.1 口罩?jǐn)?shù)據(jù)集的預(yù)處理

    仿照PASCAL VOC 格式處理口罩?jǐn)?shù)據(jù)集,將標(biāo)注信息進(jìn)行歸一化處理,歸一化公式如式(8)所示:

    圖6 部分Wilder MAFA Face數(shù)據(jù)集示例

    其中,(weight,height) 為原始圖片的寬度和高度,(xmin,ymin)、(xmax,ymax)分別為原始樣本真實(shí)邊界框的左上角位置信息和右下角位置信息,(x,y)、(w,h)分別為目標(biāo)進(jìn)行歸一化后的中心點(diǎn)坐標(biāo)和寬高。圖片歸一化后,邊界框信息總共包含5 個參數(shù):即(x,y,w,h)和類別對應(yīng)的標(biāo)簽編號。

    3.1.2 重置口罩?jǐn)?shù)據(jù)集的錨框

    在基于錨框的目標(biāo)檢測網(wǎng)絡(luò)中,錨框設(shè)置的合理性對于最終模型的性能至關(guān)重要,若錨框的大小與被測物體的尺度不一致,那么錨框的正樣本數(shù)可能會非常少,這將導(dǎo)致大量漏檢和誤檢情況。大部分目標(biāo)檢測網(wǎng)絡(luò)使用默認(rèn)的通用錨框參數(shù)以適應(yīng)通用的公開數(shù)據(jù)集,例如YOLOv4-tiny 使用的6 組適用于通用場景的通用錨框參數(shù):[(10,14),(23,27),(37,58),(81,82),(135,169),(344,319)]。為了避免在口罩?jǐn)?shù)據(jù)集上使用通用錨框造成正負(fù)樣本的不平衡問題,本文使用k-means++聚類算法[23]根據(jù)聚類中心和數(shù)據(jù)框分布重新生成6組新的錨框參數(shù)[(12,16),(23,30),(41,53),(70,94),(124,168),(251,338)]用于本算法的口罩算法訓(xùn)練。數(shù)據(jù)的聚類中心分布結(jié)果如圖7 所示,其中,灰點(diǎn)是對象框大小的分布,紅色三角形是聚類的結(jié)果。數(shù)據(jù)框分布統(tǒng)計(jì)如圖8所示。

    圖7 聚類中心分布結(jié)果

    圖8 數(shù)據(jù)框的分布統(tǒng)計(jì)

    可以看到人臉高寬比例多數(shù)都在1.4∶1左右。所以,對于口罩?jǐn)?shù)據(jù)集,可以將錨框比例設(shè)置為1∶1、1.4∶1、1.7∶1,而沒必要設(shè)置為通用錨框比例。

    3.2 Mosaic數(shù)據(jù)增強(qiáng)

    隨機(jī)改變訓(xùn)練樣本可以降低模型對物體出現(xiàn)位置的依賴,提高模型的泛化能力,因此本文算法在訓(xùn)練過程中對訓(xùn)練數(shù)據(jù)進(jìn)行Mosaic 數(shù)據(jù)增強(qiáng)訓(xùn)練技巧,即隨機(jī)讀取4 張訓(xùn)練圖像,進(jìn)行翻轉(zhuǎn)和旋轉(zhuǎn)等操作后,按一定比例組合成1張圖片。部分訓(xùn)練圖片如圖9所示。

    3.3 PASCAL VOC數(shù)據(jù)集實(shí)驗(yàn)結(jié)果分析

    選取VOC2007 訓(xùn)練驗(yàn)證集和VOC2012 訓(xùn)練驗(yàn)證集作為訓(xùn)練數(shù)據(jù)(總共包含16 551 張圖片),VOC2007測試集作為測試數(shù)據(jù)(總共包含4 952張圖片)。將本文算法與Faster RCNN、SSDLite、SSD、YOLOv3、YOLOv3-tiny、YOLOv4 和YOLOv4-tiny 進(jìn)行對比,所有算法在PASCAL VOC 數(shù)據(jù)集中均采用通用錨框比例,實(shí)驗(yàn)對比結(jié)果如表2所示。

    表2 不同算法結(jié)果對比

    圖9 經(jīng)Mosaic處理的訓(xùn)練數(shù)據(jù)集示例

    由表2 可知,大型網(wǎng)絡(luò)檢測準(zhǔn)確率高,但是檢測速度較慢,輕量網(wǎng)絡(luò)檢測速度快但是檢測準(zhǔn)確率較低。YOLOv4-tiny 在輕量級網(wǎng)絡(luò)中檢測速度和檢測準(zhǔn)確率較為均衡,但由于網(wǎng)絡(luò)結(jié)構(gòu)簡單,存在特征提取能力不足等問題。本文所提算法雖然mAP 不及表2 中的大型網(wǎng)絡(luò),但模型體積最小,更適合部署于移動端。在模型體積相差不大的同等輕量級網(wǎng)絡(luò)YOLOv3-tiny 和YOLOv4-tiny 中,mAP 分別提高13.1 個百分點(diǎn)和4.9 個百分點(diǎn),其主要原因是Max Module能更好提取圖像特征,自下而上的多尺度融合增強(qiáng)模型對特征的利用率,提高準(zhǔn)確率,使用CIoU 更好地描述預(yù)測框和真實(shí)框的距離,加快模型收斂速度,同時(shí)對訓(xùn)練集采取Mosaic處理,豐富檢測物體的背景,獲得更好的泛化能力。檢測速率略低是由于隨著mAP 的提高,會檢測出更多目標(biāo)框,因此時(shí)間開銷增加,但該檢測速度仍符合實(shí)際檢測場景的實(shí)時(shí)性要求。

    3.4 口罩?jǐn)?shù)據(jù)集實(shí)驗(yàn)結(jié)果分析

    按7∶3 隨機(jī)將口罩?jǐn)?shù)據(jù)集劃分為訓(xùn)練集和測試集,將本文算法與同等輕量級網(wǎng)絡(luò)YOLOv3-tiny 和YOLOv4-tiny 進(jìn)行對比,為進(jìn)一步說明Max Module 結(jié)構(gòu)的有效性,在YOLOv3-tiny 對應(yīng)的檢測頭網(wǎng)絡(luò)前相同位置加入Max Module 結(jié)構(gòu)(以下簡稱YOLOv3-tiny Max)。所有算法在口罩?jǐn)?shù)據(jù)集中均采用k-means++聚類生成的錨框比。以平均精度均值(mAP)、每秒識別幀數(shù)、精確率(Precision)和召回率(Recall)作為評價(jià)指標(biāo),不同算法的實(shí)驗(yàn)結(jié)果如圖10和表3所示。

    圖10 輕量算法在口罩?jǐn)?shù)據(jù)訓(xùn)練集的mAP對比

    表3 不同輕量網(wǎng)絡(luò)的口罩檢測結(jié)果對比

    從圖10 和表3 可以看出,本文算法在mAP 和檢測速率上表現(xiàn)最好。YOLOv3-tiny 采用卷積層和最大池化層組成的7 層網(wǎng)絡(luò)較淺,無法提取更多特征,故mAP最低,從精確率和召回率可知,YOLOv3-tiny中,正負(fù)樣本不平衡,誤檢情況可能較高,增加Max Module 結(jié)構(gòu)的YOLOv3-tiny Max相較于原算法,mAP提升明顯,但由于未改變基礎(chǔ)網(wǎng)絡(luò)和特征融合方式,正負(fù)樣本優(yōu)化情況仍有待改善。相較于YOLOv4-tiny,檢測速率相差不大,但mAP提高3.3個百分點(diǎn)。這是由于改進(jìn)的算法結(jié)構(gòu)增加Max Module更好地提取主要特征,采用自下而上的多尺度特征融合,提升淺層網(wǎng)絡(luò)邊緣信息利用率,使低層定位信號增強(qiáng)整個特征層次。因此,從實(shí)驗(yàn)對比結(jié)果可知,對于實(shí)際的口罩佩戴檢測場景而言,本文提出的改進(jìn)點(diǎn)是有效的,改進(jìn)的YOLO網(wǎng)絡(luò)同時(shí)兼顧了檢測準(zhǔn)確率和檢測速率,能較好完成口罩佩戴檢測任務(wù)。

    圖11 各種算法的檢測效果對比圖

    為了更加直觀地說明不同檢測算法之間的區(qū)別,選取了一些檢測圖像進(jìn)行對比分析,從左到右依次是:原始圖像、本文算法檢測結(jié)果、YOLOv4-tiny 檢測結(jié)果、YOLOv3-tiny Max檢測結(jié)果和YOLOv3-tiny檢測結(jié)果。

    從圖11可以看出,YOLOv3-tiny漏檢情況嚴(yán)重且檢測框位置偏差嚴(yán)重,YOLOv3-tiny Max和YOLOv4-tiny檢測效果相差不大,但均未識別出遠(yuǎn)處的人物,改進(jìn)YOLO輕量化網(wǎng)絡(luò)則彌補(bǔ)了這一缺陷。因此,在以上輕量網(wǎng)絡(luò)算法中,本文提出的改進(jìn)YOLO輕量化網(wǎng)絡(luò)方法更適合口罩佩戴檢查任務(wù)。

    4 結(jié)束語

    本文提出了一種改進(jìn)YOLO 輕量化網(wǎng)絡(luò)的口罩檢測算法。提出Max Module結(jié)構(gòu)能獲取更主要的特征,自下而上的特征融合結(jié)構(gòu)保留淺層網(wǎng)絡(luò)的邊緣信息和定位信息,提升特征利用率,引用CIoU預(yù)測框與真實(shí)框的位置,加快損失收斂速度,構(gòu)建口罩佩戴數(shù)據(jù)集并使用k-means++重構(gòu)錨框比例,采用Mosaic方法處理訓(xùn)練集,提高模型在實(shí)際檢測場景中的泛化能力,使模型更加適用于口罩佩戴檢測場景。實(shí)驗(yàn)結(jié)果表明,相比于原算法YOLOv4-tiny,在VOC 數(shù)據(jù)集和口罩檢測任務(wù)中,mAP 分別提升4.9 個百分點(diǎn)和3.3 個百分點(diǎn),檢測速率分別達(dá)到74 frame/s和64 frame/s,其檢測準(zhǔn)確率和檢測速率更為均衡,適用于口罩佩戴檢測任務(wù)。但是在其他檢測場景和通用場景中,檢測準(zhǔn)確率仍不及大型檢測網(wǎng)絡(luò),如何使模型適用于更多檢測場景,這依然是一個有待解決的問題。

    猜你喜歡
    特征結(jié)構(gòu)檢測
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    《形而上學(xué)》△卷的結(jié)構(gòu)和位置
    如何表達(dá)“特征”
    論結(jié)構(gòu)
    中華詩詞(2019年7期)2019-11-25 01:43:04
    不忠誠的四個特征
    抓住特征巧觀察
    論《日出》的結(jié)構(gòu)
    小波變換在PCB缺陷檢測中的應(yīng)用
    国产精品国产高清国产av| 变态另类丝袜制服| 一边摸一边做爽爽视频免费| 美国免费a级毛片| 久久青草综合色| 国产aⅴ精品一区二区三区波| 亚洲一卡2卡3卡4卡5卡精品中文| 久久人妻福利社区极品人妻图片| 久久精品aⅴ一区二区三区四区| 亚洲国产高清在线一区二区三 | 人人澡人人妻人| 亚洲成国产人片在线观看| 香蕉国产在线看| 国产精品日韩av在线免费观看| 最好的美女福利视频网| 日本成人三级电影网站| 国产精品野战在线观看| 欧美另类亚洲清纯唯美| 国产真实乱freesex| 国产欧美日韩一区二区精品| 男人操女人黄网站| 丝袜人妻中文字幕| 人成视频在线观看免费观看| videosex国产| 中文字幕人妻丝袜一区二区| 国产不卡一卡二| 亚洲真实伦在线观看| 亚洲精品国产区一区二| 国产一级毛片七仙女欲春2 | 久久99热这里只有精品18| 久久国产乱子伦精品免费另类| 日韩欧美 国产精品| 国产一级毛片七仙女欲春2 | 99久久无色码亚洲精品果冻| 日日干狠狠操夜夜爽| 亚洲久久久国产精品| 男女下面进入的视频免费午夜 | 欧美黑人巨大hd| 视频区欧美日本亚洲| 亚洲av美国av| 国产精品一区二区精品视频观看| 在线国产一区二区在线| 久久久久精品国产欧美久久久| 99国产精品一区二区蜜桃av| 一进一出好大好爽视频| 久久久久久九九精品二区国产 | 久久精品亚洲精品国产色婷小说| 黄片播放在线免费| 午夜福利成人在线免费观看| www国产在线视频色| 成人手机av| 天天添夜夜摸| 男女床上黄色一级片免费看| 一进一出好大好爽视频| 久热这里只有精品99| 午夜福利18| 人人妻,人人澡人人爽秒播| ponron亚洲| 搡老熟女国产l中国老女人| 亚洲七黄色美女视频| 欧美午夜高清在线| 国产不卡一卡二| 男女下面进入的视频免费午夜 | 91麻豆精品激情在线观看国产| 嫩草影视91久久| 久久欧美精品欧美久久欧美| 97碰自拍视频| 好男人电影高清在线观看| 日本免费一区二区三区高清不卡| 国产精品亚洲一级av第二区| 亚洲国产精品合色在线| 免费在线观看视频国产中文字幕亚洲| 99久久99久久久精品蜜桃| 精品高清国产在线一区| 国产激情偷乱视频一区二区| 久久热在线av| 日本一本二区三区精品| 级片在线观看| 特大巨黑吊av在线直播 | 精品国产亚洲在线| 免费无遮挡裸体视频| 欧美乱码精品一区二区三区| 国产精品一区二区免费欧美| 亚洲欧洲精品一区二区精品久久久| √禁漫天堂资源中文www| www.精华液| 色av中文字幕| 亚洲av电影不卡..在线观看| 欧美国产日韩亚洲一区| 久久热在线av| 国产人伦9x9x在线观看| 国产av一区在线观看免费| 中文在线观看免费www的网站 | 国内精品久久久久久久电影| 操出白浆在线播放| 欧美色视频一区免费| 亚洲五月婷婷丁香| a级毛片在线看网站| 在线观看午夜福利视频| 一进一出抽搐动态| 欧美成人免费av一区二区三区| 最新在线观看一区二区三区| 国产精品亚洲av一区麻豆| 可以免费在线观看a视频的电影网站| 99热这里只有精品一区 | 99国产精品一区二区三区| 久久久久国产精品人妻aⅴ院| 亚洲午夜理论影院| 波多野结衣巨乳人妻| 好看av亚洲va欧美ⅴa在| 欧美日韩瑟瑟在线播放| 一级a爱视频在线免费观看| 一区二区三区激情视频| 亚洲国产高清在线一区二区三 | 丰满的人妻完整版| 99精品欧美一区二区三区四区| 免费在线观看完整版高清| 欧美性猛交╳xxx乱大交人| 国产精品久久视频播放| 一夜夜www| 露出奶头的视频| 免费人成视频x8x8入口观看| 亚洲av熟女| 1024视频免费在线观看| 男女之事视频高清在线观看| 免费搜索国产男女视频| 国产精华一区二区三区| 亚洲人成伊人成综合网2020| 中出人妻视频一区二区| 精品久久久久久成人av| 伦理电影免费视频| 两个人看的免费小视频| www.熟女人妻精品国产| 国产1区2区3区精品| 亚洲国产日韩欧美精品在线观看 | 美国免费a级毛片| 757午夜福利合集在线观看| 国产乱人伦免费视频| 12—13女人毛片做爰片一| 97人妻精品一区二区三区麻豆 | 黄片大片在线免费观看| 国产97色在线日韩免费| 日本三级黄在线观看| 50天的宝宝边吃奶边哭怎么回事| 一区二区三区国产精品乱码| 亚洲va日本ⅴa欧美va伊人久久| 国产精品亚洲一级av第二区| 久久欧美精品欧美久久欧美| 久久狼人影院| 欧美黑人欧美精品刺激| 国产一区二区三区在线臀色熟女| 精品久久久久久久末码| 欧美日韩福利视频一区二区| 麻豆av在线久日| 国产一卡二卡三卡精品| 成人亚洲精品一区在线观看| 一个人免费在线观看的高清视频| 大型av网站在线播放| 91国产中文字幕| x7x7x7水蜜桃| 欧美国产日韩亚洲一区| 热re99久久国产66热| 老司机深夜福利视频在线观看| 变态另类成人亚洲欧美熟女| 一边摸一边做爽爽视频免费| 国内少妇人妻偷人精品xxx网站 | 女人被狂操c到高潮| 黄片大片在线免费观看| 真人一进一出gif抽搐免费| 少妇的丰满在线观看| 啦啦啦观看免费观看视频高清| av电影中文网址| 亚洲一区二区三区色噜噜| 午夜影院日韩av| 精华霜和精华液先用哪个| 哪里可以看免费的av片| 久久人妻福利社区极品人妻图片| 亚洲成av人片免费观看| xxxwww97欧美| 人人妻人人澡人人看| 国产精品久久电影中文字幕| 看免费av毛片| 国产99白浆流出| 男人舔奶头视频| 国内揄拍国产精品人妻在线 | 久久国产乱子伦精品免费另类| 国产爱豆传媒在线观看 | 欧美精品亚洲一区二区| 日韩欧美 国产精品| 国产不卡一卡二| 99热只有精品国产| 99热只有精品国产| 亚洲精品在线美女| 最近最新免费中文字幕在线| 最新美女视频免费是黄的| 亚洲av成人一区二区三| 啦啦啦 在线观看视频| 国产精品爽爽va在线观看网站 | 黄片大片在线免费观看| 国产日本99.免费观看| 熟女少妇亚洲综合色aaa.| 久久青草综合色| 女人爽到高潮嗷嗷叫在线视频| 少妇 在线观看| 2021天堂中文幕一二区在线观 | 这个男人来自地球电影免费观看| 精品欧美一区二区三区在线| 黄片播放在线免费| 国产免费男女视频| 亚洲国产高清在线一区二区三 | 香蕉av资源在线| 欧美日韩中文字幕国产精品一区二区三区| 给我免费播放毛片高清在线观看| 成人国语在线视频| 国产高清videossex| 国产亚洲精品av在线| 亚洲专区国产一区二区| 亚洲美女黄片视频| 99精品欧美一区二区三区四区| 啪啪无遮挡十八禁网站| 在线观看日韩欧美| 99热这里只有精品一区 | 国产精品1区2区在线观看.| 悠悠久久av| 香蕉av资源在线| 日韩视频一区二区在线观看| 欧美成人一区二区免费高清观看 | 白带黄色成豆腐渣| 大型黄色视频在线免费观看| 日韩精品免费视频一区二区三区| 亚洲性夜色夜夜综合| 俺也久久电影网| 欧美中文日本在线观看视频| 亚洲男人的天堂狠狠| 亚洲成a人片在线一区二区| 欧洲精品卡2卡3卡4卡5卡区| 色播在线永久视频| 麻豆一二三区av精品| 9191精品国产免费久久| 国产1区2区3区精品| 99久久99久久久精品蜜桃| 一区二区三区激情视频| 日韩精品免费视频一区二区三区| 长腿黑丝高跟| 久久亚洲真实| 美女 人体艺术 gogo| 天堂影院成人在线观看| 国产免费男女视频| 国产精品久久久久久亚洲av鲁大| 久久天堂一区二区三区四区| 老司机在亚洲福利影院| 一进一出抽搐gif免费好疼| 成人三级黄色视频| 国产精品日韩av在线免费观看| 91国产中文字幕| 夜夜夜夜夜久久久久| 男女那种视频在线观看| 免费无遮挡裸体视频| www.自偷自拍.com| 亚洲国产欧洲综合997久久, | 人人妻人人看人人澡| 黄色成人免费大全| 美女免费视频网站| 91成年电影在线观看| 日韩高清综合在线| 成人亚洲精品av一区二区| 色播在线永久视频| 在线观看66精品国产| 一级a爱片免费观看的视频| 啦啦啦 在线观看视频| 又大又爽又粗| 国产v大片淫在线免费观看| 国产激情欧美一区二区| 亚洲专区国产一区二区| 自线自在国产av| 免费av毛片视频| 久久久精品欧美日韩精品| 亚洲精华国产精华精| x7x7x7水蜜桃| 男女那种视频在线观看| 亚洲午夜精品一区,二区,三区| 999精品在线视频| 在线永久观看黄色视频| 国产精品av久久久久免费| 香蕉国产在线看| 午夜久久久在线观看| 日日夜夜操网爽| 日本黄色视频三级网站网址| avwww免费| 国产午夜精品久久久久久| 在线观看午夜福利视频| av福利片在线| 一本精品99久久精品77| 亚洲色图av天堂| 欧美在线黄色| 欧美午夜高清在线| 久久久国产精品麻豆| 久久香蕉激情| 波多野结衣巨乳人妻| 天天躁夜夜躁狠狠躁躁| 美女高潮喷水抽搐中文字幕| 一本久久中文字幕| 人人澡人人妻人| 妹子高潮喷水视频| 久久中文看片网| 视频在线观看一区二区三区| 校园春色视频在线观看| 搞女人的毛片| 18禁黄网站禁片免费观看直播| 露出奶头的视频| 好男人在线观看高清免费视频 | 午夜免费观看网址| 久久性视频一级片| 中文在线观看免费www的网站 | 在线观看66精品国产| 国产精品免费一区二区三区在线| 欧美在线一区亚洲| 日本三级黄在线观看| 久久国产精品影院| 亚洲,欧美精品.| 1024手机看黄色片| 成人欧美大片| 亚洲美女黄片视频| 一级片免费观看大全| 亚洲avbb在线观看| av电影中文网址| 久久久久久久久久黄片| 一边摸一边做爽爽视频免费| 午夜a级毛片| 午夜福利免费观看在线| 一进一出抽搐gif免费好疼| ponron亚洲| 高清在线国产一区| 一级毛片女人18水好多| 久久久久久久久中文| 真人做人爱边吃奶动态| 亚洲国产高清在线一区二区三 | 精品熟女少妇八av免费久了| 国产成人一区二区三区免费视频网站| 一卡2卡三卡四卡精品乱码亚洲| 91大片在线观看| 亚洲 欧美 日韩 在线 免费| 久久久久亚洲av毛片大全| 香蕉av资源在线| 精品免费久久久久久久清纯| 午夜免费激情av| 怎么达到女性高潮| 亚洲国产日韩欧美精品在线观看 | 欧美大码av| 日韩大尺度精品在线看网址| 久久精品91蜜桃| 他把我摸到了高潮在线观看| 十八禁人妻一区二区| 少妇的丰满在线观看| 国产乱人伦免费视频| 国产爱豆传媒在线观看 | 男女那种视频在线观看| 国产精品永久免费网站| 中文字幕精品亚洲无线码一区 | netflix在线观看网站| 亚洲精品在线观看二区| 久久精品国产亚洲av香蕉五月| 成人亚洲精品一区在线观看| 在线观看午夜福利视频| 校园春色视频在线观看| 欧美国产精品va在线观看不卡| 丝袜在线中文字幕| 国产主播在线观看一区二区| 国产午夜精品久久久久久| 精品久久久久久久末码| www国产在线视频色| 丁香六月欧美| 每晚都被弄得嗷嗷叫到高潮| 男女做爰动态图高潮gif福利片| 变态另类丝袜制服| 成人手机av| √禁漫天堂资源中文www| 成人精品一区二区免费| 久热爱精品视频在线9| avwww免费| 99国产精品一区二区蜜桃av| 久久伊人香网站| 免费在线观看视频国产中文字幕亚洲| 精品国产亚洲在线| 久久精品国产亚洲av香蕉五月| 久热这里只有精品99| 国产欧美日韩精品亚洲av| av视频在线观看入口| 亚洲色图 男人天堂 中文字幕| 国产精品亚洲av一区麻豆| 黄色a级毛片大全视频| 美女国产高潮福利片在线看| 一本大道久久a久久精品| 亚洲成人久久性| 国产av一区二区精品久久| 国产伦人伦偷精品视频| 非洲黑人性xxxx精品又粗又长| 精品久久久久久久久久免费视频| 9191精品国产免费久久| 久久久久免费精品人妻一区二区 | 精品久久久久久久毛片微露脸| 日韩视频一区二区在线观看| 制服诱惑二区| 老司机福利观看| 中文字幕高清在线视频| 999精品在线视频| 国产免费av片在线观看野外av| 搡老妇女老女人老熟妇| 久久久久久亚洲精品国产蜜桃av| 在线观看舔阴道视频| 嫩草影视91久久| 波多野结衣高清作品| 麻豆av在线久日| 99久久精品国产亚洲精品| 国产激情欧美一区二区| 亚洲国产日韩欧美精品在线观看 | 成人亚洲精品一区在线观看| 久久午夜亚洲精品久久| 脱女人内裤的视频| 精品一区二区三区视频在线观看免费| 草草在线视频免费看| 男女之事视频高清在线观看| 在线看三级毛片| 久久久久久久久中文| 日韩免费av在线播放| 国产一卡二卡三卡精品| 亚洲国产精品成人综合色| 欧美中文综合在线视频| 人人妻人人看人人澡| 男人舔女人的私密视频| 久久久国产精品麻豆| 国产极品粉嫩免费观看在线| 亚洲欧美日韩高清在线视频| 国语自产精品视频在线第100页| 亚洲成人久久性| 一进一出好大好爽视频| 性色av乱码一区二区三区2| 好男人在线观看高清免费视频 | x7x7x7水蜜桃| 久久精品国产99精品国产亚洲性色| 在线av久久热| 丰满人妻熟妇乱又伦精品不卡| 黄色a级毛片大全视频| 国产片内射在线| 久久人妻av系列| 丁香六月欧美| 久久久久国产精品人妻aⅴ院| 亚洲国产高清在线一区二区三 | 美女高潮到喷水免费观看| 免费看日本二区| 男男h啪啪无遮挡| 国内揄拍国产精品人妻在线 | 免费女性裸体啪啪无遮挡网站| e午夜精品久久久久久久| 在线观看舔阴道视频| 久久精品人妻少妇| 日韩欧美一区二区三区在线观看| 精品久久久久久久末码| 一卡2卡三卡四卡精品乱码亚洲| 欧美不卡视频在线免费观看 | 国产亚洲欧美98| 窝窝影院91人妻| 亚洲中文字幕一区二区三区有码在线看 | 国产黄a三级三级三级人| 亚洲aⅴ乱码一区二区在线播放 | 亚洲三区欧美一区| 97人妻精品一区二区三区麻豆 | 婷婷亚洲欧美| 韩国精品一区二区三区| 美女高潮喷水抽搐中文字幕| 丝袜人妻中文字幕| 国产成人啪精品午夜网站| 91大片在线观看| 天天一区二区日本电影三级| 欧美日韩黄片免| 亚洲,欧美精品.| 久久精品成人免费网站| 狂野欧美激情性xxxx| 中文资源天堂在线| 99久久久亚洲精品蜜臀av| 美女高潮喷水抽搐中文字幕| 日韩大码丰满熟妇| 久久伊人香网站| 婷婷精品国产亚洲av| 神马国产精品三级电影在线观看 | 国产精品 国内视频| 免费在线观看亚洲国产| 久久 成人 亚洲| 身体一侧抽搐| 日本 av在线| 夜夜爽天天搞| 色av中文字幕| 国产熟女xx| 亚洲专区中文字幕在线| 国产欧美日韩一区二区三| 美女高潮喷水抽搐中文字幕| 免费在线观看黄色视频的| x7x7x7水蜜桃| 一本综合久久免费| av中文乱码字幕在线| 欧美激情极品国产一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 国产激情欧美一区二区| 久久久久久免费高清国产稀缺| 国产欧美日韩一区二区三| 国产精品久久视频播放| 欧洲精品卡2卡3卡4卡5卡区| 日本熟妇午夜| 国产av在哪里看| 91麻豆精品激情在线观看国产| 久久精品91无色码中文字幕| 欧美一级毛片孕妇| 亚洲av中文字字幕乱码综合 | 亚洲国产中文字幕在线视频| 国产激情久久老熟女| 不卡av一区二区三区| 午夜福利18| 久久中文字幕人妻熟女| 亚洲第一欧美日韩一区二区三区| 亚洲最大成人中文| 日韩欧美一区视频在线观看| 国产三级黄色录像| 亚洲成av人片免费观看| 十分钟在线观看高清视频www| 久久青草综合色| 亚洲精品国产区一区二| 天堂√8在线中文| 好男人在线观看高清免费视频 | 亚洲一区中文字幕在线| 男人舔女人下体高潮全视频| 啦啦啦免费观看视频1| 日本a在线网址| 久久午夜综合久久蜜桃| 亚洲精品国产区一区二| 国产亚洲精品久久久久5区| 国产成人啪精品午夜网站| 一区二区三区激情视频| 亚洲精品粉嫩美女一区| 久久久久国内视频| 欧美日本视频| 国产真人三级小视频在线观看| 免费人成视频x8x8入口观看| 人妻久久中文字幕网| 黄色成人免费大全| 亚洲激情在线av| 最近在线观看免费完整版| 国产免费男女视频| 男女下面进入的视频免费午夜 | 亚洲 国产 在线| 国产精品av久久久久免费| 久久精品成人免费网站| 精品熟女少妇八av免费久了| 成熟少妇高潮喷水视频| 久热爱精品视频在线9| 91av网站免费观看| 国产精品乱码一区二三区的特点| 日本精品一区二区三区蜜桃| av片东京热男人的天堂| 精品国产一区二区三区四区第35| 亚洲精品色激情综合| 国产熟女午夜一区二区三区| 又黄又粗又硬又大视频| 国内毛片毛片毛片毛片毛片| 亚洲 欧美一区二区三区| 国产午夜精品久久久久久| 最近最新中文字幕大全电影3 | 国产99白浆流出| 精品久久久久久久末码| 波多野结衣巨乳人妻| 亚洲激情在线av| 日韩欧美在线二视频| 亚洲国产高清在线一区二区三 | 黄片小视频在线播放| 制服诱惑二区| 亚洲三区欧美一区| 国产精品日韩av在线免费观看| 欧美中文综合在线视频| 村上凉子中文字幕在线| 欧美在线一区亚洲| 国产亚洲精品综合一区在线观看 | 老汉色∧v一级毛片| 19禁男女啪啪无遮挡网站| 久久久久国产一级毛片高清牌| av免费在线观看网站| 久久久久久大精品| 精品久久久久久成人av| 亚洲美女黄片视频| 亚洲av熟女| 一级毛片精品| 久久婷婷人人爽人人干人人爱| www.www免费av| 丰满人妻熟妇乱又伦精品不卡| 精品国产国语对白av| 久久欧美精品欧美久久欧美| 久久性视频一级片| 一区二区三区激情视频| 成人亚洲精品一区在线观看| 最新美女视频免费是黄的| 国产一级毛片七仙女欲春2 | 一进一出好大好爽视频| 十分钟在线观看高清视频www| 亚洲午夜精品一区,二区,三区| 亚洲成人国产一区在线观看| 成年女人毛片免费观看观看9| 老司机深夜福利视频在线观看| 黑丝袜美女国产一区| 亚洲男人的天堂狠狠| 久久久国产欧美日韩av| 最新在线观看一区二区三区| 麻豆成人av在线观看| 日韩欧美三级三区| 色综合欧美亚洲国产小说| 久久精品国产亚洲av香蕉五月| 欧美日韩一级在线毛片| 久久国产精品影院|