• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的漏液視覺檢測(cè)

    2021-05-11 02:39:44李思寒仇懷利
    液晶與顯示 2021年5期
    關(guān)鍵詞:檢測(cè)模型

    李思寒,仇懷利*,吳 佳,沈 彥

    (1.合肥工業(yè)大學(xué) 電子科學(xué)與應(yīng)用物理學(xué)院,安徽 合肥 230601;2.上海西派埃智能化系統(tǒng)有限公司,上海 200233)

    1 引 言

    在工業(yè)現(xiàn)場(chǎng)中,通常通過是否有液體滲漏至地面觀察管道設(shè)備是否破損?,F(xiàn)有的水漬檢測(cè)方法以人工為主,但人工方法受到巡檢效率有限、不夠客觀等因素的制約,因此需要監(jiān)控系統(tǒng)對(duì)可能發(fā)生泄露的地方進(jìn)行快速、精確地檢測(cè)。視頻監(jiān)控系統(tǒng)包含視頻監(jiān)控設(shè)備和與之配套的智能圖像識(shí)別算法。

    針對(duì)漏液識(shí)別問題,目前主要采用傳統(tǒng)圖像處理中的圖像分割、邊緣檢測(cè)、紅外成像的方法。文獻(xiàn)[1]提出了利用激光掃描技術(shù)和圖像處理方法相結(jié)合實(shí)現(xiàn)自動(dòng)識(shí)別地鐵隧道滲漏水情況,但該方法算法復(fù)雜,實(shí)際工程現(xiàn)場(chǎng)應(yīng)用難度較高;文獻(xiàn)[2]提出了基于數(shù)字圖像和邊緣檢測(cè)的檢測(cè)算法并結(jié)合改進(jìn)的CTA算法結(jié)合對(duì)滲漏水病害進(jìn)行識(shí)別的方法,但該方法易受復(fù)雜背景干擾,系統(tǒng)魯棒性較差;文獻(xiàn)[3]提出通過紅外熱成像攝像頭檢測(cè)物體比熱容并根據(jù)水漬與普通物體的比熱容差異來檢測(cè)水漬,但紅外熱成像攝像頭設(shè)備費(fèi)用昂貴??偟膩碚f,采用圖像處理的特定算法來檢測(cè)水漬能滿足特定場(chǎng)景檢測(cè)準(zhǔn)確率的需求,但是上述算法都存在系統(tǒng)魯棒性較差、耗時(shí)長(zhǎng)、難以適應(yīng)復(fù)雜場(chǎng)景以及設(shè)備價(jià)格較高的缺點(diǎn)。

    為了解決這些問題,深度學(xué)習(xí)算法被引入到了圖像處理領(lǐng)域。其中最常用的是卷積神經(jīng)網(wǎng)絡(luò)(CNN),它的特點(diǎn)是能夠提取輸入數(shù)據(jù)的高層抽象特征,目前已廣泛運(yùn)用于圖像處理領(lǐng)域中。文獻(xiàn)[4]提出采用卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別道路裂縫,文獻(xiàn)[5]提出采用全卷積網(wǎng)絡(luò)(FCN)來檢測(cè)具有復(fù)雜環(huán)境的隧道幾何柱面滲水面積。總體來說,卷積神經(jīng)網(wǎng)絡(luò)算法善于對(duì)復(fù)雜環(huán)境進(jìn)行特征檢測(cè)[6-7]和識(shí)別[8]。

    目前,基于深度學(xué)習(xí)的工業(yè)現(xiàn)場(chǎng)檢測(cè)識(shí)別方法主要有FCN-VGG16/19、Fast R-CNN、Yolo v3、Mask R-CNN等。由于本文所處工業(yè)環(huán)境相機(jī)拍攝角度固定,每個(gè)相機(jī)鏡頭固定拍攝每個(gè)管道連接處,所以只需判斷目標(biāo)位置是否含有水漬,即化簡(jiǎn)為圖像分類問題。

    目前圖像分類領(lǐng)域主流的卷積神經(jīng)網(wǎng)絡(luò)模型除了本文所運(yùn)用的VGG網(wǎng)絡(luò),還有Alexnet、Googlenet等。其中,Alexnet由Alex Krizhevesky等人在2012年提出,它在卷積神經(jīng)網(wǎng)絡(luò)中使用Relu非線性激活函數(shù),通過多GPU的訓(xùn)練降低訓(xùn)練時(shí)間,并且采用了重疊池化,提高網(wǎng)絡(luò)精度,降低了過擬合現(xiàn)象的發(fā)生概率。但其相較于VGG網(wǎng)絡(luò),卷積核較大,層級(jí)較淺。而Googlenet通過形成網(wǎng)絡(luò)內(nèi)更復(fù)雜的內(nèi)部架構(gòu)Inception,降低了計(jì)算所需資源和要求。該架構(gòu)的主要思想就是以卷積層構(gòu)成塊作為網(wǎng)絡(luò)的基礎(chǔ),并找出最優(yōu)的結(jié)構(gòu)塊在空間上重復(fù),對(duì)輸入圖像并行地執(zhí)行多個(gè)卷積運(yùn)算或池化操作,網(wǎng)絡(luò)參數(shù)較少[9]。由于Goodlenet模型含有兩面?zhèn)€輔助分類器,修改及訓(xùn)練時(shí)較為復(fù)雜繁瑣,不進(jìn)行精細(xì)分類的工業(yè)應(yīng)用時(shí)偏向于使用模型簡(jiǎn)單的VGG網(wǎng)絡(luò)模型。

    本文采用CNN-VGG16模型檢測(cè)管道漏液,首先對(duì)樣本進(jìn)行數(shù)據(jù)增強(qiáng),進(jìn)一步地豐富圖像訓(xùn)練集,提取多種圖像特征,泛化理論模型,再制作數(shù)據(jù)集,結(jié)合早停法對(duì)樣本進(jìn)行訓(xùn)練,最后通過實(shí)際工程應(yīng)用驗(yàn)證了本文分析的正確性和所提方案的有效性。

    2 CNN卷積神經(jīng)網(wǎng)絡(luò)

    深度學(xué)習(xí)是一類新興的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[10],它在特征提取和建模上比淺層模型具有更好的泛化能力[11]。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型含有輸入層(Input layers)、隱藏層(Hidden units)和輸出層(Output layers),隱藏層可以含有很多層,每層可含有多個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元對(duì)其所有的輸入進(jìn)行加權(quán)求和,并添加一個(gè)被稱為偏置(Bias)的常數(shù),然后通過一些非線性激活函數(shù)[12]來反饋結(jié)果。

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)屬于神經(jīng)網(wǎng)絡(luò)的范疇,是目前深度學(xué)習(xí)技術(shù)領(lǐng)域中一種經(jīng)典而廣泛應(yīng)用的結(jié)構(gòu),已經(jīng)在諸如圖像識(shí)別和分類的領(lǐng)域證明了其高效的能力。

    一個(gè)典型的卷積網(wǎng)絡(luò)(圖1)通常有3層,第一層是卷積層,可作為卷積神經(jīng)網(wǎng)絡(luò)單獨(dú)使用;第二層是池化層,可以縮減模型大小,提高計(jì)算速度,同時(shí)提高所提取特征魯棒性;最后一層是全連接層,它的每一層是由許多神經(jīng)元組成的平鋪結(jié)構(gòu),將特征整合到一起,輸出為一個(gè)值,減少特征位置對(duì)分類帶來的影響。

    圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of convolutional neural network

    2.1 CNN-VGG16模型

    本文采用的卷積神經(jīng)網(wǎng)絡(luò)模型為VGG16[13]。在ICLR2015會(huì)議上首次提出VGG16模型,該模型可以達(dá)到92.7%的測(cè)試準(zhǔn)確度,處于ImageNet的前5位,它的數(shù)據(jù)集包括1 400萬張圖像,1 000個(gè)類別。

    VGG16是一種深度卷積神經(jīng)網(wǎng)絡(luò)模型,16表示其深度,該模型在圖像分類等任務(wù)中取得了不錯(cuò)的效果[14]。

    (1)

    其中,D是深度,F(xiàn)是卷積核大小,b為偏置量,ωd,m,n表示卷積核在第d層第m行第n列的權(quán)重,xd,i+m,j+n表示圖像第d層第i+m行第j+n列的輸入元素,yi,j表示預(yù)測(cè)輸出的第i行第j列的圖像特征,f()為非線性激活函數(shù),這里的f()為Relu激活函數(shù)。

    池化層的池化方法采用尺度為2,步長(zhǎng)為2的最大池化(Maxpooling)方法,采用這種方法是因?yàn)閳D像具有靜態(tài)性,在一個(gè)區(qū)域內(nèi)有用特征可能在另一個(gè)區(qū)域內(nèi)適用。因此,為了描述較大的圖像,可以計(jì)算圖像上某個(gè)特定特征的最大值來代表這個(gè)區(qū)域的特征且最大池化[15]能保留更多紋理信息。Relu激活函數(shù)見公式(2)。

    f(x)=max(0,x)

    .

    (2)

    激活函數(shù)是為了使模型加入非線性因素,Relu函數(shù)具有單側(cè)抑制、相對(duì)廣的興奮邊界和稀疏激活性等優(yōu)點(diǎn),是應(yīng)用最為廣泛的激活函數(shù)。

    在分類問題中,全連接層常采用sigmoid或softmax。在二分類問題中,采用sigmoid作為最后的激活層;在多分類問題中,采用softmax作為最后的激活層。

    sigmoid激活函數(shù)公式(3)如下:

    (3)

    其中,可以設(shè)置概率閾值作為分界,分入兩個(gè)類別中,求導(dǎo)簡(jiǎn)單,但易出現(xiàn)梯度消失。

    softmax激活函數(shù)公式(4)如下:

    (4)

    其中,k表示類別數(shù),j表示具體對(duì)應(yīng)的類別,計(jì)算概率最高類別的作為輸出結(jié)果。

    VGG16模型中13層卷積層和5層池化層負(fù)責(zé)進(jìn)行圖像的特征提取和提升計(jì)算速度,最后3層全連接層完成分類任務(wù)。

    2.2 早停法

    訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)時(shí),網(wǎng)絡(luò)參數(shù)會(huì)隨著模型復(fù)雜度的增加而增多,就容易產(chǎn)生過擬合現(xiàn)象[16]。為了避免這種現(xiàn)象,通常有兩個(gè)解決問題的方向:降低參數(shù)空間的維度或者降低每個(gè)維度上的有效規(guī)模。降低每個(gè)維度上的有效規(guī)模的方法主要是正則化,如權(quán)重衰變和早停法等。其中,早停法作為最有效的方法被廣泛采用。

    早停法[17]的基本含義是指當(dāng)訓(xùn)練模型在驗(yàn)證集上的表現(xiàn)開始下降時(shí)停止繼續(xù)訓(xùn)練,這樣就能避免繼續(xù)訓(xùn)練導(dǎo)致過擬合。因此,如何選擇停止訓(xùn)練的時(shí)機(jī)成為早停法的關(guān)鍵問題。本文根據(jù)VGG網(wǎng)絡(luò)的特點(diǎn),設(shè)置了自主停止方式:將標(biāo)記樣本按照比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,訓(xùn)練過程中驗(yàn)證集的損失函數(shù)在連續(xù)10個(gè)周期(即容忍程度為10)不下降時(shí),程序停止并保存驗(yàn)證集損失函數(shù)最小時(shí)所對(duì)應(yīng)模型。

    2.3 模型評(píng)價(jià)

    訓(xùn)練完成后,需要判斷模型的好壞。一般使用兩個(gè)值來判斷模型的好壞:準(zhǔn)確率和損失函數(shù)。

    從公式(1)可以看出,y是理想輸出的值即預(yù)測(cè)值,但是實(shí)際工程應(yīng)用中會(huì)存在一定的誤差。誤差在神經(jīng)網(wǎng)絡(luò)中用損失函數(shù)來表示,神經(jīng)網(wǎng)絡(luò)訓(xùn)練或者優(yōu)化的過程其實(shí)就是最小化損失函數(shù)的過程[18],損失函數(shù)越小,說明模型的預(yù)測(cè)值越接近真實(shí)值。

    準(zhǔn)確率在水漬檢測(cè)的分類問題中,是看預(yù)測(cè)的類別是否和真實(shí)的類別一致。一個(gè)N類任務(wù)的分類問題,其輸出是一個(gè)N維的向量,每一個(gè)向量代表一種類別,對(duì)應(yīng)的值則代表預(yù)測(cè)目標(biāo)屬于該類的概率。在輸出預(yù)測(cè)結(jié)果時(shí),程序是自動(dòng)選擇概率最大的索引所對(duì)應(yīng)的標(biāo)簽作為最終預(yù)測(cè)的結(jié)果標(biāo)簽。

    使用兩個(gè)值來判斷模型是因?yàn)閷?duì)于準(zhǔn)確率來說,只要預(yù)測(cè)結(jié)果大于0.5就可判斷為水漬,但對(duì)于損失函數(shù)來說,希望模型能夠100%預(yù)測(cè)。所以利用這兩種指標(biāo)來判斷模型,可以使得到的權(quán)重模型具有較好的魯棒性。

    本文使用的損失函數(shù)為二分類交叉熵?fù)p失(sigmoid_cross_entropy loss),公式如下:

    (5)

    但是在分類問題中,準(zhǔn)確率具有直觀性,但不可微,由于損失函數(shù)一個(gè)很好的性質(zhì)就是可微,可以求梯度,運(yùn)用反向傳播更新參數(shù)。所以在回歸任務(wù)中,準(zhǔn)確率就不可再用,只能使用損失函數(shù)。

    3 工程實(shí)際應(yīng)用

    3.1 系統(tǒng)搭建

    近年來,隨著我國(guó)城鎮(zhèn)化程度的提高和超大城市的出現(xiàn),城市污水處理成為了保障人民基本生活的重要環(huán)節(jié)。在污水處理廠中,通常需要觀察污水處理設(shè)備是否有液體泄露的現(xiàn)象,以防泄露出的污水或化學(xué)藥品使人們生命財(cái)產(chǎn)安全造成損失。

    如圖2所示,漏液監(jiān)測(cè)系統(tǒng)由視頻環(huán)網(wǎng)、網(wǎng)絡(luò)交換設(shè)備、平臺(tái)服務(wù)器及漏液監(jiān)測(cè)管理平臺(tái)構(gòu)成。千兆視頻環(huán)網(wǎng)將監(jiān)控點(diǎn)完整覆蓋,定時(shí)采集監(jiān)控圖像上傳平臺(tái)服務(wù)器用于漏液預(yù)警分析。漏液監(jiān)測(cè)模型部署于平臺(tái)服務(wù)器,定時(shí)抓取圖像后分析當(dāng)前監(jiān)控點(diǎn)是否存在漏液情況,并將分析結(jié)果推送至漏液監(jiān)測(cè)管理平臺(tái)。當(dāng)發(fā)生分析結(jié)果為漏液時(shí),監(jiān)測(cè)管理平臺(tái)向現(xiàn)場(chǎng)操作人員發(fā)出預(yù)警,并推送監(jiān)測(cè)點(diǎn)位置信息,由現(xiàn)場(chǎng)操作人員至對(duì)應(yīng)地點(diǎn)確認(rèn)是否存在漏液情況并及時(shí)進(jìn)行處理,從而保障工業(yè)現(xiàn)場(chǎng)安全。

    圖2 污水處理廠漏液檢測(cè)系統(tǒng)Fig.2 Leakage detection system for sewage treatment plant

    采用??低暰W(wǎng)絡(luò)攝像頭獲取污水處理廠不同位置的圖像,地面情況如圖3所示。

    圖3 污水處理廠地面圖Fig.3 Ground plan of sewage treatment plant

    3.2 采用傳統(tǒng)圖像處理方法及結(jié)果分析

    本文采用的傳統(tǒng)圖像處理方法:先基于閾值分割,通過設(shè)定閾值的大小將感興趣區(qū)域從背景中分割出來,但此方法易受到環(huán)境因素的影響,一般需要和其他分割法結(jié)合使用。本文在此基礎(chǔ)上采用k-means算法根據(jù)距離的相似性進(jìn)行聚類分割[19]。進(jìn)一步地,考慮到一般情況下不同區(qū)域的邊界的灰度值變化較大,本文還結(jié)合邊緣分割的方法采用Canny算子通過檢測(cè)區(qū)域的邊界從而達(dá)到分割圖像的目的。目前在實(shí)現(xiàn)邊緣分割的幾種算子中,Canny[20]算子因其不易受噪聲干擾、能夠檢測(cè)到真正的弱邊緣得到了廣泛應(yīng)用,是目前應(yīng)用效果較為理想的一種邊緣檢測(cè)算法。

    利用上述傳統(tǒng)圖像處理方法對(duì)圖3(b)進(jìn)行漏液檢測(cè),由圖4可以看出,在k=4時(shí)水漬和地面有明顯的分界。

    圖4 k聚類和Canny算子邊緣提取結(jié)合效果Fig.4 Combined effect of k-means and Canny operator edge extraction

    利用分割和邊緣檢測(cè)相結(jié)合的算法對(duì)含有管道等干擾物體多的地面圖像進(jìn)行處理,提取了過多噪聲信息而無法準(zhǔn)確地判斷是否含有水漬,且處理速度慢、沒有連續(xù)性。所以當(dāng)現(xiàn)場(chǎng)工作環(huán)境復(fù)雜、目標(biāo)物不規(guī)則、色差不大時(shí),傳統(tǒng)的圖像處理方法無法準(zhǔn)確提取所需要的信息。

    續(xù) 表

    3.3 基于CNN-VGG16模型的圖像處理技術(shù)

    本文利用python對(duì)原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)。

    在圖像分類任務(wù)中,對(duì)于輸入的圖像進(jìn)行一些簡(jiǎn)單的平移、縮放、顏色變換等,不會(huì)影響圖像的類別,從而豐富圖像訓(xùn)練集,提取圖像特征,防止過擬合,提高模型泛化能力。

    本次實(shí)驗(yàn)共使用1 780張污水處理廠的地面圖像,其中有水漬圖像1 300張,無水漬圖像480張。將兩個(gè)分類的圖像打亂重新排序,并從各自類別中隨機(jī)選取70%作為訓(xùn)練樣本,20%的圖片作為模型質(zhì)量驗(yàn)證樣本,10%作為測(cè)試樣本。有水漬圖像設(shè)為類別1,無水漬圖像設(shè)為類別2。

    本次用于運(yùn)算的計(jì)算機(jī)配置是:Intel Core i9-9900K,32 GB內(nèi)存。采用VGG16模型,利用python語言完成。

    本文采用的VGG16模型具體工程應(yīng)用的運(yùn)行過程如表1所示。

    表1 VGG16模型運(yùn)行過程表Tab.1 VGG16 model running process table

    從表1具體運(yùn)行過程中可以看出,以池化層作為分界,VGG16有6個(gè)塊結(jié)構(gòu),每個(gè)塊結(jié)構(gòu)中的通道數(shù)相同。卷積層通道數(shù)分別為64,64,128,128,256,256,256,512,512,512,直到512時(shí)不再增加。隨著通道數(shù)的增加,可以提取出更多的圖像信息。

    池化(block5_pool)后利用Flatten將維度壓縮成1維,完成向全連接層的過渡,最后兩層是由Relu激活的全連接層和由sigmoid激活的全連接層。

    由于最后輸出的類別數(shù)為2,即判斷該視場(chǎng)區(qū)域內(nèi)是否含有水漬,所以本文使用sigmoid作為最后全連接層的激活函數(shù),輸出為類別1或類別2。

    本文在訓(xùn)練時(shí)將VGG16模型與早停法相結(jié)合,驗(yàn)證集損失函數(shù)達(dá)到10個(gè)容忍周期不下降時(shí),訓(xùn)練自動(dòng)停止,避免了由于訓(xùn)練次數(shù)過多從而產(chǎn)生的參數(shù)過多造成權(quán)重模型過擬合的狀態(tài),提升了訓(xùn)練時(shí)間,節(jié)約了訓(xùn)練成本。

    在工程應(yīng)用過程中,迭代次數(shù)(epoch)設(shè)置為100(即不發(fā)生早停時(shí)最高迭代100次),調(diào)整每次訓(xùn)練所需要的樣本數(shù)(barch_size)。一個(gè)迭代次數(shù)等于所有訓(xùn)練樣本的一次正向傳播加一次反向傳播。具體模型運(yùn)行結(jié)果見圖5和表2,其中,loss表示訓(xùn)練集損失函數(shù),acc表示訓(xùn)練集準(zhǔn)確率,val_loss表示驗(yàn)證集的損失函數(shù),val_acc表示驗(yàn)證集的準(zhǔn)確率,最后使用測(cè)試的部分來驗(yàn)證準(zhǔn)確度(test_acc)。圖5的(a)~(d)分別是不同參數(shù)時(shí)損失函數(shù)和準(zhǔn)確率的走勢(shì)圖,其中(a)和(b)barch_size=20,epoch=96,(c)和(d)barch_size=40,epoch=83。

    通過對(duì)比圖5(a)和(c)、(b)和(d)折線走勢(shì)可以看到,在一定范圍內(nèi),每次選取的樣本數(shù)量在一定范圍內(nèi)變大,其確定的下降方向越準(zhǔn),模型收斂的越快,引起訓(xùn)練震蕩越小。在每次訓(xùn)練所需要的樣本數(shù)相同時(shí),迭代次數(shù)越多,模型整體走勢(shì)越平穩(wěn),最后越趨近于理想狀態(tài),本文的模型魯棒性越好。根據(jù)表2可知,每次選取樣本數(shù)為40、迭代次數(shù)為83時(shí),訓(xùn)練集準(zhǔn)確率最高,損失函數(shù)最小,測(cè)試集的準(zhǔn)確率最高,即訓(xùn)練好的模型性能最好。

    圖5 評(píng)價(jià)模型標(biāo)準(zhǔn)參數(shù)走勢(shì)圖。(a) barch-size=20,epoch=96時(shí)訓(xùn)練集和驗(yàn)征集的損失函數(shù);(b) barch-size=20,epoch=96時(shí)訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率;(c) barch-size=40,epoch=83時(shí)訓(xùn)練集和驗(yàn)證集的損失函數(shù);(d) barch-size=40,epoch=83時(shí)訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率。Fig.5 Trend chart of standard parameters of evaluation model.(a) Loss and val_loss at barch,size=20,epoch=96;(b) Acc and val_acc at barch-size=20,epoch=96;(c) Loss and val_loss at barch-size=40,epoch=83;(d) Aoc and val_acc at barch-size=40,epoch=83.

    表2 各參數(shù)對(duì)模型的影響Tab.2 Influence of various parameters on the model

    3.4 對(duì)比實(shí)驗(yàn)

    本文采用多種模型對(duì)工業(yè)現(xiàn)場(chǎng)進(jìn)行漏液識(shí)別,識(shí)別結(jié)果如表3所示。

    表3為訓(xùn)練集、驗(yàn)證集、測(cè)試集均相同,每次樣本數(shù)為40,最高迭代次數(shù)為100時(shí),卷積神經(jīng)網(wǎng)絡(luò)不同圖像分類模型結(jié)合早停法的結(jié)果對(duì)比。

    表3 不同模型結(jié)果對(duì)比Tab.3 Comparison of results of different models

    由表3可知,Alexnet模型測(cè)試準(zhǔn)確率最低,VGG16模型測(cè)試準(zhǔn)確率與Googlenet相近,訓(xùn)練集準(zhǔn)確率和損失函數(shù)值均較好,且驗(yàn)證集和測(cè)試集都達(dá)到了最優(yōu),權(quán)重模型處于適度擬合狀態(tài)。本文從現(xiàn)場(chǎng)隨機(jī)拍攝200張作為樣本總量進(jìn)行多種模型結(jié)果預(yù)測(cè),顯示結(jié)果為類別1和類別2,預(yù)測(cè)結(jié)果見表4。

    表4 基于不同模型的實(shí)際預(yù)測(cè)結(jié)果Tab.4 Actual prediction results based on different model

    表4是利用不同方法對(duì)無分類的混合數(shù)據(jù)集進(jìn)行逐個(gè)識(shí)別,達(dá)到應(yīng)用模型并預(yù)測(cè)結(jié)果的作用,利用傳統(tǒng)圖像處理方法預(yù)測(cè)的準(zhǔn)確率為65.6%,準(zhǔn)確率較低。通過仔細(xì)觀察判斷錯(cuò)誤圖可以發(fā)現(xiàn),在顏色差別不大的區(qū)域、外界光照較強(qiáng)形成的高反射區(qū)域或水泥地面破損造成類似水漬印記的區(qū)域,預(yù)測(cè)失誤的可能性均很大。本文方法的準(zhǔn)確率為97.0%,類別判斷準(zhǔn)確率很高。

    對(duì)于安全性能要求比較低的現(xiàn)場(chǎng),一般拍攝間隔設(shè)置為5 min。對(duì)于安全性能要求較高的現(xiàn)場(chǎng),一般拍攝時(shí)間間隔設(shè)置為2 s。本文各個(gè)模型預(yù)測(cè)時(shí)間見表5。

    由表5可知,本文所提方法預(yù)測(cè)時(shí)間最短,單張平均預(yù)測(cè)時(shí)間約為0.2 s,因此預(yù)測(cè)時(shí)間遠(yuǎn)低于圖像采集時(shí)間間隔,本文所提算法完全能夠滿足工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)檢測(cè)需求。

    表5 不同模型的實(shí)際預(yù)測(cè)時(shí)間Tab.5 Actual prediction time of different models

    綜上所述,VGG16模型訓(xùn)練集準(zhǔn)確率和損失函數(shù)值均較好,且驗(yàn)證集和測(cè)試集都達(dá)到了最優(yōu),其測(cè)試準(zhǔn)確率與Googlenet相近,預(yù)測(cè)結(jié)果相同,預(yù)測(cè)時(shí)間最短,最適合檢測(cè)工業(yè)現(xiàn)場(chǎng)的漏液情況。

    4 結(jié) 論

    綜上所述,圖像處理的方法適用于視野范圍內(nèi)所含物體較少,背景較簡(jiǎn)單的目標(biāo)物提取。該方法具有一定的直觀性,但是在處理受復(fù)雜背景或者光照等環(huán)境因素影響較大的圖像時(shí),算法繁瑣且不易實(shí)現(xiàn)。而基于CNN的深度學(xué)習(xí)模型對(duì)復(fù)雜的環(huán)境進(jìn)行水漬檢測(cè),可以大幅提升檢測(cè)的準(zhǔn)確性。本文通過工業(yè)現(xiàn)場(chǎng)應(yīng)用和基于深度學(xué)習(xí)的多種算法進(jìn)行對(duì)比實(shí)驗(yàn),進(jìn)一步驗(yàn)證了VGG16結(jié)合早停法的模型的有效性,其訓(xùn)練準(zhǔn)確率可以達(dá)到99.44%,預(yù)測(cè)準(zhǔn)確率達(dá)到97.0%,單張預(yù)測(cè)時(shí)間最短約為0.2 s,且原理較為簡(jiǎn)單,易于實(shí)現(xiàn),設(shè)備較便宜,可以滿足工業(yè)現(xiàn)場(chǎng)檢測(cè)的需求。

    猜你喜歡
    檢測(cè)模型
    一半模型
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    国产一区二区三区综合在线观看| 伦理电影免费视频| 午夜激情久久久久久久| 久久97久久精品| 精品少妇一区二区三区视频日本电影 | 午夜福利在线免费观看网站| 狠狠婷婷综合久久久久久88av| 午夜福利网站1000一区二区三区| 一区在线观看完整版| 日韩一本色道免费dvd| 国产一区二区三区av在线| 久久久精品国产亚洲av高清涩受| 搡老乐熟女国产| 欧美日韩精品网址| 久久久久久免费高清国产稀缺| 18禁观看日本| 国产在视频线精品| 男男h啪啪无遮挡| 欧美日韩亚洲综合一区二区三区_| 伦理电影大哥的女人| kizo精华| 你懂的网址亚洲精品在线观看| 99精国产麻豆久久婷婷| 黄色视频不卡| 美女高潮到喷水免费观看| 女人久久www免费人成看片| av有码第一页| 国产精品一区二区在线观看99| 飞空精品影院首页| 婷婷色综合www| 精品少妇内射三级| 亚洲,一卡二卡三卡| 亚洲精品国产一区二区精华液| 亚洲av成人精品一二三区| 免费人妻精品一区二区三区视频| 90打野战视频偷拍视频| 国产野战对白在线观看| 晚上一个人看的免费电影| 在现免费观看毛片| xxx大片免费视频| 欧美人与性动交α欧美精品济南到| 黄色一级大片看看| 最近中文字幕高清免费大全6| av福利片在线| 国产在线免费精品| 热99久久久久精品小说推荐| 国产在线一区二区三区精| 侵犯人妻中文字幕一二三四区| 中国国产av一级| 国产成人免费观看mmmm| 在线观看免费午夜福利视频| 超色免费av| 国产成人精品久久久久久| 黄色一级大片看看| 看免费成人av毛片| 亚洲精品,欧美精品| 成人国语在线视频| 色播在线永久视频| 国产精品久久久久久精品古装| 美女中出高潮动态图| 国产淫语在线视频| 日日啪夜夜爽| 日韩中文字幕欧美一区二区 | 国产成人精品久久二区二区91 | 亚洲精品国产区一区二| 人妻人人澡人人爽人人| 精品少妇内射三级| 啦啦啦中文免费视频观看日本| 一级毛片 在线播放| 日本vs欧美在线观看视频| 啦啦啦在线观看免费高清www| 欧美另类一区| 日韩 亚洲 欧美在线| 天天躁夜夜躁狠狠躁躁| 久久精品aⅴ一区二区三区四区| 亚洲欧美成人精品一区二区| 国产福利在线免费观看视频| 日韩一卡2卡3卡4卡2021年| 美女扒开内裤让男人捅视频| 国产精品欧美亚洲77777| 老司机影院成人| 欧美 日韩 精品 国产| 国产成人系列免费观看| 1024香蕉在线观看| 91国产中文字幕| 精品国产一区二区久久| 日韩成人av中文字幕在线观看| 一级a爱视频在线免费观看| 日韩制服丝袜自拍偷拍| 不卡视频在线观看欧美| 欧美xxⅹ黑人| 亚洲欧洲日产国产| 亚洲自偷自拍图片 自拍| 侵犯人妻中文字幕一二三四区| h视频一区二区三区| 国产成人精品福利久久| 制服诱惑二区| 青春草亚洲视频在线观看| 天天躁日日躁夜夜躁夜夜| 亚洲精品在线美女| 新久久久久国产一级毛片| 国产精品.久久久| 母亲3免费完整高清在线观看| 免费观看a级毛片全部| 夫妻午夜视频| 一二三四在线观看免费中文在| 亚洲美女搞黄在线观看| 免费在线观看完整版高清| 1024视频免费在线观看| 少妇的丰满在线观看| 久久人人爽av亚洲精品天堂| av在线播放精品| 妹子高潮喷水视频| 免费黄频网站在线观看国产| 深夜精品福利| 观看av在线不卡| 一边亲一边摸免费视频| 咕卡用的链子| 亚洲婷婷狠狠爱综合网| av在线老鸭窝| 久久久国产精品麻豆| 欧美精品一区二区大全| 色综合欧美亚洲国产小说| 黑人欧美特级aaaaaa片| 97人妻天天添夜夜摸| 乱人伦中国视频| 五月开心婷婷网| 久久天躁狠狠躁夜夜2o2o | 在线观看免费日韩欧美大片| 亚洲 欧美一区二区三区| 秋霞在线观看毛片| 亚洲视频免费观看视频| 人人澡人人妻人| 国产精品一二三区在线看| 在线精品无人区一区二区三| 最新在线观看一区二区三区 | 99热网站在线观看| 日韩大码丰满熟妇| 欧美日韩成人在线一区二区| 午夜日本视频在线| 又大又黄又爽视频免费| 欧美日韩一级在线毛片| 黄片播放在线免费| 免费观看a级毛片全部| 香蕉丝袜av| 欧美最新免费一区二区三区| 亚洲成人av在线免费| 欧美日韩视频精品一区| 亚洲激情五月婷婷啪啪| 亚洲,欧美精品.| 中文字幕亚洲精品专区| 飞空精品影院首页| 在线观看人妻少妇| 秋霞伦理黄片| 亚洲精品美女久久久久99蜜臀 | 久久精品aⅴ一区二区三区四区| 两个人免费观看高清视频| 久久av网站| 久久精品人人爽人人爽视色| 欧美激情高清一区二区三区 | 国产精品嫩草影院av在线观看| 国产精品99久久99久久久不卡 | 免费高清在线观看视频在线观看| 男人操女人黄网站| 亚洲国产av影院在线观看| 极品人妻少妇av视频| 在线观看免费午夜福利视频| 国产精品久久久久久人妻精品电影 | av国产久精品久网站免费入址| 在线 av 中文字幕| 亚洲精品国产区一区二| 91成人精品电影| 两个人免费观看高清视频| 成年人免费黄色播放视频| av.在线天堂| 免费女性裸体啪啪无遮挡网站| 精品福利永久在线观看| 亚洲精品日韩在线中文字幕| av福利片在线| 777米奇影视久久| av福利片在线| 成人手机av| 老鸭窝网址在线观看| 别揉我奶头~嗯~啊~动态视频 | 久久青草综合色| 青青草视频在线视频观看| av在线播放精品| 免费在线观看视频国产中文字幕亚洲 | 另类精品久久| 精品亚洲成国产av| 热99久久久久精品小说推荐| 亚洲国产看品久久| 高清不卡的av网站| 青青草视频在线视频观看| 成年女人毛片免费观看观看9 | 免费在线观看视频国产中文字幕亚洲 | 亚洲精品国产色婷婷电影| 精品少妇久久久久久888优播| 日本猛色少妇xxxxx猛交久久| 黑人欧美特级aaaaaa片| 在现免费观看毛片| 亚洲av综合色区一区| 久久人人97超碰香蕉20202| av在线老鸭窝| 久久av网站| 亚洲,欧美,日韩| 国产av一区二区精品久久| 亚洲国产日韩一区二区| 人体艺术视频欧美日本| 欧美日韩亚洲国产一区二区在线观看 | avwww免费| 看免费成人av毛片| 久久国产精品大桥未久av| 欧美xxⅹ黑人| 蜜桃在线观看..| 成人亚洲精品一区在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美日韩亚洲国产一区二区在线观看 | 天天躁夜夜躁狠狠躁躁| 亚洲国产欧美日韩在线播放| 中文字幕亚洲精品专区| 女人高潮潮喷娇喘18禁视频| 久久久国产欧美日韩av| 久久国产精品男人的天堂亚洲| 亚洲成人免费av在线播放| 亚洲欧美色中文字幕在线| 欧美精品高潮呻吟av久久| 亚洲久久久国产精品| 国产精品.久久久| 看非洲黑人一级黄片| 日本欧美国产在线视频| 国产成人午夜福利电影在线观看| 99久久精品国产亚洲精品| 一级毛片我不卡| 国产成人午夜福利电影在线观看| 日韩精品有码人妻一区| 久久久久久免费高清国产稀缺| 亚洲国产日韩一区二区| 亚洲欧美成人综合另类久久久| 亚洲国产精品成人久久小说| 一本一本久久a久久精品综合妖精| 91aial.com中文字幕在线观看| 午夜福利影视在线免费观看| 国产免费又黄又爽又色| 国产成人91sexporn| 精品久久久精品久久久| 成年人免费黄色播放视频| 精品国产一区二区久久| 高清不卡的av网站| 亚洲av在线观看美女高潮| 你懂的网址亚洲精品在线观看| 欧美日韩亚洲国产一区二区在线观看 | 久久精品久久久久久噜噜老黄| 毛片一级片免费看久久久久| 一区福利在线观看| 亚洲国产av新网站| 热99国产精品久久久久久7| 国产色婷婷99| 日日撸夜夜添| 97人妻天天添夜夜摸| 在线精品无人区一区二区三| 少妇人妻久久综合中文| 国产片特级美女逼逼视频| 亚洲欧美成人精品一区二区| 最新在线观看一区二区三区 | www.精华液| 一级a爱视频在线免费观看| 国产精品二区激情视频| 中文字幕色久视频| 久久精品久久久久久久性| 女人久久www免费人成看片| 日韩大片免费观看网站| 日韩一区二区三区影片| 99精国产麻豆久久婷婷| 最近中文字幕高清免费大全6| 高清在线视频一区二区三区| 欧美精品一区二区大全| 人人澡人人妻人| 亚洲av在线观看美女高潮| 亚洲一码二码三码区别大吗| 人人妻人人添人人爽欧美一区卜| 亚洲欧美色中文字幕在线| 亚洲精品视频女| 国产一区二区 视频在线| 一区二区三区激情视频| 欧美日本中文国产一区发布| 极品人妻少妇av视频| 久久久久精品性色| 深夜精品福利| 操美女的视频在线观看| 在线 av 中文字幕| 一本一本久久a久久精品综合妖精| 国产黄频视频在线观看| 99久久综合免费| 精品一区二区三卡| 十八禁人妻一区二区| 久久韩国三级中文字幕| 久久国产精品男人的天堂亚洲| 又大又黄又爽视频免费| 亚洲欧美精品综合一区二区三区| 少妇被粗大的猛进出69影院| 哪个播放器可以免费观看大片| 精品久久久精品久久久| 欧美最新免费一区二区三区| 国产亚洲午夜精品一区二区久久| 国产片特级美女逼逼视频| av在线app专区| 丁香六月天网| 男女午夜视频在线观看| 免费看不卡的av| 免费观看人在逋| 日韩av在线免费看完整版不卡| 免费人妻精品一区二区三区视频| av又黄又爽大尺度在线免费看| 色综合欧美亚洲国产小说| 人人澡人人妻人| 最近手机中文字幕大全| 美女视频免费永久观看网站| 精品国产一区二区三区四区第35| 亚洲少妇的诱惑av| 久久狼人影院| 国产精品国产av在线观看| 欧美日韩亚洲综合一区二区三区_| 欧美日韩亚洲国产一区二区在线观看 | 久久天躁狠狠躁夜夜2o2o | 国产一区二区在线观看av| 亚洲欧美日韩另类电影网站| 香蕉丝袜av| www.精华液| 国产精品麻豆人妻色哟哟久久| 久久精品亚洲av国产电影网| 国产精品熟女久久久久浪| 免费高清在线观看日韩| 欧美久久黑人一区二区| 一级爰片在线观看| av片东京热男人的天堂| 欧美日韩亚洲高清精品| 大话2 男鬼变身卡| 最近手机中文字幕大全| 看免费成人av毛片| 亚洲av男天堂| 老熟女久久久| 91国产中文字幕| 老司机亚洲免费影院| 新久久久久国产一级毛片| 麻豆av在线久日| 精品少妇内射三级| 久久精品aⅴ一区二区三区四区| 国产精品人妻久久久影院| 久久久久久免费高清国产稀缺| 老司机影院毛片| 丁香六月欧美| 亚洲第一青青草原| 大码成人一级视频| 久久久国产欧美日韩av| 在线观看免费午夜福利视频| 国产精品一区二区精品视频观看| 最近最新中文字幕大全免费视频 | 免费在线观看视频国产中文字幕亚洲 | 丰满乱子伦码专区| 亚洲人成网站在线观看播放| 亚洲av福利一区| 国产精品久久久久久精品古装| 超色免费av| 欧美 亚洲 国产 日韩一| 十八禁网站网址无遮挡| av在线播放精品| 日韩一区二区视频免费看| 日本wwww免费看| 成年av动漫网址| 亚洲av国产av综合av卡| 国产精品久久久久成人av| 国产精品一区二区在线观看99| 两个人看的免费小视频| 久久婷婷青草| av一本久久久久| 高清在线视频一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 三上悠亚av全集在线观看| 一级,二级,三级黄色视频| 咕卡用的链子| 精品少妇黑人巨大在线播放| 黄片播放在线免费| 80岁老熟妇乱子伦牲交| 中文字幕色久视频| 新久久久久国产一级毛片| 亚洲色图 男人天堂 中文字幕| 亚洲精品国产av成人精品| 欧美日韩一区二区视频在线观看视频在线| 国产1区2区3区精品| 国产免费又黄又爽又色| 久久久国产一区二区| 亚洲精品一区蜜桃| 美女主播在线视频| 女人被躁到高潮嗷嗷叫费观| 亚洲av中文av极速乱| 亚洲综合精品二区| 黄频高清免费视频| 欧美精品av麻豆av| 欧美亚洲日本最大视频资源| 久久久久久久久久久免费av| 亚洲伊人久久精品综合| 91精品伊人久久大香线蕉| 亚洲图色成人| 亚洲av欧美aⅴ国产| av天堂久久9| 一级爰片在线观看| 国产免费福利视频在线观看| 亚洲国产中文字幕在线视频| 久久久久网色| 男女床上黄色一级片免费看| 国产福利在线免费观看视频| 久久久久精品国产欧美久久久 | 亚洲欧美精品综合一区二区三区| 亚洲成人免费av在线播放| 久久久久久久久久久免费av| 午夜福利在线免费观看网站| 久久精品亚洲av国产电影网| 久久人人爽av亚洲精品天堂| 久热爱精品视频在线9| 国产av一区二区精品久久| 成年美女黄网站色视频大全免费| 久久这里只有精品19| 国产在视频线精品| 久久精品国产a三级三级三级| 只有这里有精品99| 国产片特级美女逼逼视频| 久久女婷五月综合色啪小说| 亚洲色图综合在线观看| 国产精品二区激情视频| 丝袜人妻中文字幕| 黄色怎么调成土黄色| 亚洲专区中文字幕在线 | 亚洲av福利一区| 侵犯人妻中文字幕一二三四区| 久久精品国产亚洲av涩爱| 亚洲国产av新网站| 在线 av 中文字幕| 尾随美女入室| 国产精品偷伦视频观看了| 色视频在线一区二区三区| 十八禁高潮呻吟视频| 久久99一区二区三区| 制服人妻中文乱码| netflix在线观看网站| 丝袜喷水一区| 日韩av不卡免费在线播放| 夜夜骑夜夜射夜夜干| 成年动漫av网址| 国产熟女午夜一区二区三区| 99久久99久久久精品蜜桃| 欧美日韩亚洲国产一区二区在线观看 | 天堂中文最新版在线下载| 热re99久久国产66热| 人人妻人人爽人人添夜夜欢视频| 9色porny在线观看| 欧美黑人欧美精品刺激| 国产一区二区 视频在线| 亚洲久久久国产精品| av天堂久久9| 精品人妻在线不人妻| 9色porny在线观看| 男女床上黄色一级片免费看| 国产一区二区 视频在线| www.av在线官网国产| 观看美女的网站| 另类亚洲欧美激情| xxx大片免费视频| 国产日韩欧美在线精品| 日韩一卡2卡3卡4卡2021年| 热re99久久精品国产66热6| 国产极品粉嫩免费观看在线| 晚上一个人看的免费电影| 女性生殖器流出的白浆| 黑人猛操日本美女一级片| 国产日韩欧美在线精品| 大香蕉久久成人网| 国产深夜福利视频在线观看| bbb黄色大片| 一个人免费看片子| 爱豆传媒免费全集在线观看| 女人高潮潮喷娇喘18禁视频| 亚洲美女黄色视频免费看| 一级a爱视频在线免费观看| 欧美精品人与动牲交sv欧美| 超碰成人久久| 亚洲激情五月婷婷啪啪| 久热爱精品视频在线9| 男人操女人黄网站| 欧美 日韩 精品 国产| 午夜av观看不卡| 老熟女久久久| 久久精品久久久久久噜噜老黄| 欧美人与性动交α欧美软件| 久久毛片免费看一区二区三区| 十分钟在线观看高清视频www| 国产淫语在线视频| www.精华液| 国产乱人偷精品视频| 日韩av免费高清视频| 日韩电影二区| 爱豆传媒免费全集在线观看| 亚洲视频免费观看视频| 久久热在线av| 宅男免费午夜| 少妇猛男粗大的猛烈进出视频| av有码第一页| 高清不卡的av网站| 51午夜福利影视在线观看| 欧美国产精品va在线观看不卡| 欧美日韩一区二区视频在线观看视频在线| 国产精品免费视频内射| 亚洲精品久久久久久婷婷小说| 九色亚洲精品在线播放| 制服诱惑二区| 久久久久久人人人人人| 国产一区二区三区av在线| 亚洲伊人色综图| 操美女的视频在线观看| 久久精品国产a三级三级三级| 99久久精品国产亚洲精品| 另类精品久久| 中文字幕人妻丝袜制服| 一级毛片电影观看| 777久久人妻少妇嫩草av网站| 久久久欧美国产精品| 成人国产麻豆网| 色播在线永久视频| 搡老岳熟女国产| 久久99精品国语久久久| 不卡av一区二区三区| 久久亚洲国产成人精品v| av福利片在线| 狠狠精品人妻久久久久久综合| 欧美精品一区二区大全| 91精品伊人久久大香线蕉| 国产成人午夜福利电影在线观看| 亚洲av男天堂| 啦啦啦啦在线视频资源| www.av在线官网国产| 国产97色在线日韩免费| 亚洲国产精品成人久久小说| 日韩熟女老妇一区二区性免费视频| 在线观看国产h片| 欧美在线黄色| 国产熟女午夜一区二区三区| av女优亚洲男人天堂| 国产精品香港三级国产av潘金莲 | 久久久久久久久久久免费av| 国产精品 欧美亚洲| 老熟女久久久| 91国产中文字幕| 亚洲精品日本国产第一区| 女人久久www免费人成看片| 国产精品秋霞免费鲁丝片| 侵犯人妻中文字幕一二三四区| 午夜日本视频在线| 老司机亚洲免费影院| 国产欧美亚洲国产| 欧美中文综合在线视频| 女人高潮潮喷娇喘18禁视频| 两性夫妻黄色片| a 毛片基地| 黑丝袜美女国产一区| 我的亚洲天堂| 亚洲第一av免费看| 国产极品粉嫩免费观看在线| av线在线观看网站| 欧美精品一区二区免费开放| 美女国产高潮福利片在线看| 亚洲人成77777在线视频| 我的亚洲天堂| 成人午夜精彩视频在线观看| 国产国语露脸激情在线看| 黄网站色视频无遮挡免费观看| 哪个播放器可以免费观看大片| 97精品久久久久久久久久精品| 性高湖久久久久久久久免费观看| 成年女人毛片免费观看观看9 | 精品一区二区三区四区五区乱码 | 久久免费观看电影| 丝袜美足系列| 丰满乱子伦码专区| 国产精品99久久99久久久不卡 | 欧美老熟妇乱子伦牲交| 人人妻人人澡人人看| 国产一级毛片在线| 日日撸夜夜添| h视频一区二区三区| 综合色丁香网| 最近中文字幕2019免费版| 曰老女人黄片| 香蕉国产在线看| 亚洲精品一区蜜桃| √禁漫天堂资源中文www| 亚洲成人国产一区在线观看 | 欧美xxⅹ黑人| 午夜激情av网站| 国产免费福利视频在线观看| av国产久精品久网站免费入址| 国产精品.久久久| 人人妻人人添人人爽欧美一区卜| 午夜免费男女啪啪视频观看| 国产一区亚洲一区在线观看| 熟妇人妻不卡中文字幕| 亚洲一区二区三区欧美精品| 性色av一级| 丝袜人妻中文字幕| 黄色视频在线播放观看不卡| 久久人妻熟女aⅴ| 青草久久国产| 高清欧美精品videossex| 久久久国产精品麻豆| 免费在线观看视频国产中文字幕亚洲 | 乱人伦中国视频|