• <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 ?

    基于深度學(xué)習(xí)的涂層織物折皺識別與檢測

    2021-07-28 12:36:42阿力木安外爾張大旭陳務(wù)軍王笑妍周群超羅一棟陳能夫孫鯤鵬
    關(guān)鍵詞:折皺涂層語義

    阿力木·安外爾,張大旭,2,何 巍,陳務(wù)軍,王笑妍,周群超,羅一棟,陳能夫,孫鯤鵬

    1.上海交通大學(xué) 船舶海洋與建筑工程學(xué)院,上海200240

    2.上海市公共建筑和基礎(chǔ)設(shè)施數(shù)字化運(yùn)維重點(diǎn)實(shí)驗(yàn)室,上海200240

    3.中國特種飛行器研究所,湖北 荊門448035

    4.上海交通大學(xué) 空間結(jié)構(gòu)研究中心,上海200240

    5.上海應(yīng)用技術(shù)大學(xué) 計(jì)算機(jī)科學(xué)與信息工程學(xué)院,上海201418

    涂層織物是一種新型層壓高性能織物復(fù)合材料,具有低密度、高強(qiáng)度、高阻隔性等特點(diǎn),被廣泛應(yīng)用于建筑膜結(jié)構(gòu)、浮空器囊體結(jié)構(gòu)等領(lǐng)域。國內(nèi)外對涂層織物的力學(xué)性能進(jìn)行了廣泛研究,但對其折皺方面的研究較少。涂層織物在生產(chǎn)、運(yùn)輸、充放氣、拼裝及使用過程會產(chǎn)生折皺損傷,對結(jié)構(gòu)安全性、氣密性和耐久性具有顯著影響。涂層織物的折皺形狀識別,以及其長、寬等技術(shù)參數(shù)的檢測是評估折皺損傷對結(jié)構(gòu)性能影響的前提條件,因此準(zhǔn)確、高效地進(jìn)行折皺的識別與檢測尤為重要。

    傳統(tǒng)的涂層織物材料折皺檢測以人工為主,肉眼檢測精度和效率低。人工經(jīng)驗(yàn)的主觀性和視覺局限性導(dǎo)致折皺檢測結(jié)果的一致性較差。深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模仿人腦神經(jīng)網(wǎng)絡(luò)機(jī)制,根據(jù)自己的判斷去定義圖像高級抽象化特征,有利于統(tǒng)一識別與檢測標(biāo)準(zhǔn)。借助深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的智能檢測手段可極大減少人工操作,提高效率。

    折皺智能識別方法主要有兩大類:傳統(tǒng)的圖像語義分割技術(shù)與基于深度學(xué)習(xí)的智能識別[1]。傳統(tǒng)語義分割主要靠圖像處理技術(shù),包括基于閾值、邊緣、區(qū)域和其他特定理論的圖像分割和檢測技術(shù)[2]。然而傳統(tǒng)圖像處理分割方法弊端較多,例如訓(xùn)練區(qū)域大小無法確定,存儲及計(jì)算量非常大,因感受野受到限制只能提取某些局部特征等。2006年Hinton等[3]提出了深度學(xué)習(xí)的概念,從而開啟了人工智能發(fā)展的第三個(gè)階段。隨后Sermanet等[4]提出了卷積神經(jīng)網(wǎng)絡(luò)(CNN),利用卷積操作獲取圖像空間信息減少網(wǎng)絡(luò)訓(xùn)練參數(shù),大幅度地提高了網(wǎng)絡(luò)性能。隨后卷積神經(jīng)網(wǎng)絡(luò)在語義分割、目標(biāo)檢測、圖像識別和分類等計(jì)算機(jī)視覺和語義任務(wù)上表現(xiàn)越來越好?;谏疃葘W(xué)習(xí)的圖像語義分割主要思路是:不需人為設(shè)置特征,直接向深度學(xué)習(xí)網(wǎng)絡(luò)輸入大量原始圖像數(shù)據(jù),根據(jù)設(shè)計(jì)好的網(wǎng)絡(luò)算法進(jìn)行高層次的抽象特征提取,進(jìn)行識別分類和目標(biāo)定位,最終輸出帶有像素標(biāo)簽的分割結(jié)果。這類網(wǎng)絡(luò)構(gòu)架在準(zhǔn)確度和分割效率上明顯超越了傳統(tǒng)方法。Zhang等[5]第一個(gè)將深度學(xué)習(xí)方法應(yīng)用到道路裂縫檢測問題中,使用卷積神經(jīng)網(wǎng)絡(luò)對智能手機(jī)采集的高分辨率圖像進(jìn)行訓(xùn)練,驗(yàn)證準(zhǔn)確率達(dá)到86.96%。Long 等[6]提出了全卷積神經(jīng)網(wǎng)絡(luò)(FCN)方法對圖像進(jìn)行語義分割,使得圖像分類問題從塊延續(xù)到像素級,并得到較好的實(shí)驗(yàn)效果。Mei等[7]將深度學(xué)習(xí)語義分割網(wǎng)絡(luò)運(yùn)用到機(jī)場跑道路面裂縫的檢測中,并使用新的損失函數(shù),將精確率提高到96.8%。2019 年Liu 等[8]通過DeepLabV3模型,實(shí)現(xiàn)胃鏡圖像中早期癌癥的預(yù)測。自2017年以來語義分割網(wǎng)絡(luò)得到進(jìn)一步發(fā)展,F(xiàn)CN、Segnet、DeepLab 系列和DAnet 等優(yōu)秀的算法模型逐步運(yùn)用到實(shí)際工程中[9]。

    由于涂層織物折皺識別難度大,且缺乏公開數(shù)據(jù)集,因此該領(lǐng)域尚缺乏深度學(xué)習(xí)應(yīng)用的研究?;谏疃葘W(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò),本文開展了涂層織物折皺識別與幾何參數(shù)檢測的研究,采用多尺度特征融合算法和形態(tài)學(xué)處理,建立一種端到端的折皺智能檢測網(wǎng)絡(luò)。

    1 涂層層織物折皺與人工檢測

    1.1 涂層織物材料

    材料為美國URETEK公司生產(chǎn)的涂層織物Uretek3216-LV。該材料由持力層、聚氟乙烯面層以及其他功能層層壓復(fù)合而成。圖1為該材料外觀和層合結(jié)構(gòu)示意圖,陰面為淺黃色,朝向結(jié)構(gòu)內(nèi)部;陽面為乳白色,朝向結(jié)構(gòu)外部。

    陰陽面宏觀形貌分別如圖1(a)、(b)所示,縱斷面結(jié)構(gòu)示意圖如圖1(c)所示。

    圖1 涂層織物材料Uretek3216-LV

    1.2 涂層織物折皺

    由于實(shí)際工程和試驗(yàn)環(huán)境復(fù)雜,涂層織物折皺形狀分布不規(guī)則、復(fù)雜且密集,在光線昏暗等復(fù)雜的背景下,折皺中有相當(dāng)大的噪音,導(dǎo)致連續(xù)性差和對比度低,小折皺和局部噪聲導(dǎo)致邊界模糊,而細(xì)小的邊界信息對折皺正確識別和定位任務(wù)至關(guān)重要。如圖2所示,涂層織物材料圖像陰陽面區(qū)別較大。由于涂層材料不同,陰面呈現(xiàn)黃色(圖2(a)),紗線經(jīng)緯向交叉出現(xiàn)周期性凹凸,折皺區(qū)域與圖像背景對比度不高,折皺邊緣分界不明顯。陽面呈白色(圖2(b)),表面平滑,折皺相對明顯且趨于穩(wěn)定,但分布較密集。

    圖2 涂層織物材料局部折皺照片

    1.3 標(biāo)準(zhǔn)揉搓試驗(yàn)

    采用FDT-02 型揉搓試驗(yàn)機(jī)進(jìn)行了標(biāo)準(zhǔn)揉搓試驗(yàn)[10-11]。試件長280 mm,寬200 mm。首先安裝固定揉搓試件(圖3(a)),然后進(jìn)行揉搓試驗(yàn)。揉搓分三步完成,第一步上揉搓圓臺向下平移90 mm,同時(shí)旋轉(zhuǎn)440°(圖3(b));第二步再向下平移65 mm;最后恢復(fù)至原始位置,整個(gè)過程下揉搓圓臺固定不動(dòng)。

    圖3 標(biāo)準(zhǔn)揉搓試驗(yàn)

    1.4 折皺人工檢測方法

    根據(jù)美國材料實(shí)驗(yàn)協(xié)會(ASTM)相關(guān)標(biāo)準(zhǔn)[12],傳統(tǒng)涂層織物折皺檢測采用人工方法,對具有折皺的材料選取一定檢測區(qū)域,根據(jù)折痕的長度,對折皺進(jìn)行畫點(diǎn)標(biāo)識,點(diǎn)的分配方案如表1。該方法將折痕分類為峰線與谷線,折痕相對于膜材平面突出、靠近觀察者的為峰線,以紅點(diǎn)標(biāo)識;反之為谷線,以藍(lán)點(diǎn)標(biāo)識,如圖4所示。

    表1 標(biāo)識點(diǎn)分配方案B

    圖4 涂層織物折皺傳統(tǒng)的評估方法

    人工檢測方法對檢測人員的視力和光線條件要求較高,細(xì)小或亮度較低的折皺部分容易被忽略。工作人員的經(jīng)驗(yàn)和主觀判斷對檢測結(jié)果的影響較大,不同人員的檢測結(jié)果很難一致,檢測精度無法有效保證。由于人工檢測效率低下,大型結(jié)構(gòu)的折皺檢測需要大量的人力和時(shí)間。

    2 折皺識別模型構(gòu)建

    2.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)架

    本文建立了一種基于多尺度特征融合的折皺識別與檢測的新穎深度卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)由下采樣編碼器和上采樣解碼器兩部分組成。第一階段通過卷積和池化操作對折皺圖像進(jìn)行逐像素特征提取學(xué)習(xí),將每一個(gè)像素看作獨(dú)立訓(xùn)練樣本,用像素點(diǎn)上的損失函數(shù)進(jìn)行訓(xùn)練,增加訓(xùn)練樣本的有效性并防止模型過擬合。第二階段采用新的上采樣模式,將分割網(wǎng)絡(luò)底層特征和多尺度高層特征有效融合,經(jīng)過連續(xù)卷積上采樣操作,進(jìn)行折皺圖像分類和識別。以下從整體語義分割網(wǎng)絡(luò)、多尺度特征融合結(jié)構(gòu)和上采樣模塊三個(gè)方面進(jìn)行詳細(xì)介紹。

    2.1.1 折皺識別網(wǎng)絡(luò)整體結(jié)構(gòu)

    本文深度卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)如圖5 所示。為了檢測高分辨率圖像中的小表面折皺,需要較大的感受野以及能夠捕獲小特征細(xì)節(jié)。因此在編碼器結(jié)構(gòu)中采用較大的卷積層,以實(shí)現(xiàn)特征圖和像素分類器之間的密集連接,從而增強(qiáng)像素上的分類和定位信息轉(zhuǎn)換能力。編碼器底層模塊統(tǒng)一采用5×5卷積核,在高層模塊中布置額外的下采樣層并采用較大的15×15卷積核,以顯著增加感受野尺寸和容量。每一個(gè)卷積層后會有特征歸一化層和Relu激活函數(shù)層,后者有助于加快訓(xùn)練收斂速度。經(jīng)過以上卷積和池化層逐層下采樣特征提取最終輸出單通道深層特征圖,該特征圖經(jīng)過多尺度特征融合結(jié)構(gòu)獲取更多的折皺語義信息。解碼器將多尺度特征融合模塊輸出和編碼器底層特征進(jìn)一步融合,經(jīng)過連續(xù)卷積操作和四倍上采樣,最終輸出與原圖同大小的折皺分割結(jié)果圖。本次語義分割網(wǎng)絡(luò)采用交叉熵函數(shù)[13]來計(jì)算像素預(yù)測損失,其表達(dá)如式(1)和(2)所示。

    圖5 基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)示意圖

    式中,X、Wj分別代表輸入數(shù)據(jù)及對應(yīng)的權(quán)重,L代表損失函數(shù),xn∈[0 ,255] 代表輸入圖像像素值,yn∈{0,1} 代表二值標(biāo)簽值,y∈{0,1} 代表網(wǎng)絡(luò)最終預(yù)測概率值。

    為了在少量訓(xùn)練樣本數(shù)據(jù)集上得到良好的檢測效果,本文對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行以下的三個(gè)改善。第一,改善編碼器結(jié)構(gòu)更合理安排卷積層,編碼器底層布置少量卷積層,相對高層布置多量且大尺寸卷積核以顯著增加感受野大小和容量。第二,編碼器使用最大池化層替代大步長卷積層,提高網(wǎng)絡(luò)弱監(jiān)督對象識別能力,避免特征提取過程中丟失細(xì)小但重要的分割信息。第三,將底層特征和多尺度高層特征進(jìn)行有效融合,提高網(wǎng)絡(luò)分割結(jié)果的精度,減少對訓(xùn)練樣本數(shù)量的依賴。

    2.1.2 多尺度特征融合結(jié)構(gòu)

    編碼器使用多層卷積和池化操作進(jìn)行逐步特征提取,能夠識別具有較強(qiáng)鑒別特征的折皺區(qū)域,但對于鑒別特征較弱的部分效果并不理想[13]。擴(kuò)張卷積是卷積核的一種特殊表達(dá)形式,其在卷積核權(quán)重之間插入零值擴(kuò)大感受野,以擴(kuò)大特征映射的圖像區(qū)域[14]。為了準(zhǔn)確的定位(較小的視野)和有效獲取上下文信息(較大的視野)之間找到最佳平衡點(diǎn),通過采樣率為(1、3、5)和(6,12,18)[15-16]兩組模型進(jìn)行實(shí)驗(yàn)比較,最終將多尺度特征融合模塊設(shè)置為采樣率分別為(1、3、5)的三個(gè)3×3空洞卷積和全局平均池化層。編碼器最后一個(gè)特征通過全局平均池化層映射,得到的特征通過256個(gè)濾波器進(jìn)行1×1卷積,然后雙線性地將特征上采樣到所需的空間維度。本文采用擴(kuò)張卷積添加多尺度特征融合結(jié)構(gòu),其結(jié)構(gòu)如圖6所示。

    圖6 多尺度特征融合結(jié)構(gòu)

    空洞卷積作為強(qiáng)大的工具,提供了一種有效的機(jī)制來控制視野。它不僅可以控制特征分辨率,還能調(diào)整濾波器視野以捕獲多尺度信息。本文多尺度特征提取模塊用于探索多尺度卷積特征,將全局背景基于圖像層次進(jìn)行編碼獲得特征,將單個(gè)尺度上提取的卷積特征更改為不同采樣率的多個(gè)并行空洞卷積層重采樣,有效地對任意尺度的區(qū)域進(jìn)行檢測分類。相較于傳統(tǒng)的標(biāo)準(zhǔn)卷積多尺度處理方式,本文減少了網(wǎng)絡(luò)參數(shù)規(guī)模和計(jì)算量,有效提高檢測精度。

    2.1.3 上采樣模塊

    傳統(tǒng)網(wǎng)絡(luò)中由于降維操作來增大感受野同時(shí)降低分辨率,導(dǎo)致上采樣無法完全還原部分細(xì)節(jié)信息的損失。因此本文網(wǎng)絡(luò)解碼器模塊進(jìn)行了改善,該部分包含兩個(gè)輸入:一是編碼器底層高分辨特征的輸出,二是多尺度特征融合模塊高層低分辨率特征的輸出。利用不同尺度特征以獲取局部和全局上下文信息。如圖7 所示,2、3 等編碼器底層特征圖保留了更多的空間細(xì)節(jié)。使用最大池化層(圖7中5)相對大步長卷積層(圖7中4)更能獲得清晰的細(xì)小分割信息,如圖中離折皺骨架較遠(yuǎn),并在低分辨率檢測圖像中占據(jù)很小部分的折皺邊界信息。而6 等深層特征圖具有更強(qiáng)的表示能力。通過連續(xù)3×3 核大小的卷積運(yùn)算提高特征融合后的表達(dá)能力。由于上采樣模塊可以恢復(fù)雙線性上采樣操作中丟失的細(xì)節(jié),所以采用連續(xù)三個(gè)卷積層提高解碼器學(xué)習(xí)能力。上采樣模塊的參數(shù)詳情見表2。

    圖7 特征圖可視化結(jié)果

    表2 上采樣模塊參數(shù)組成

    2.2 涂層織物材料折皺數(shù)據(jù)集

    將標(biāo)準(zhǔn)揉搓試驗(yàn)后的涂層織物試驗(yàn)件進(jìn)行實(shí)地掃描,收集到167張有效的折皺圖像(包括陰陽面)。為了降低訓(xùn)練所需的計(jì)算顯存,加快損失收斂速度,所采集的圖像經(jīng)過Adobe Photoshop CC 軟件裁剪為統(tǒng)一尺寸:512×512 像素,建立250 張折皺圖像原始數(shù)據(jù)庫(包括涂層織物材料陰面122張、陽面128張)。對圖像進(jìn)行伽馬校正處理亮度偏差,增加圖像對比度。進(jìn)而按照“訓(xùn)練集∶測試集=4∶1”的比例建立涂層織物折皺數(shù)據(jù)庫。

    深度學(xué)習(xí)語義分割屬于監(jiān)督學(xué)習(xí),因此訓(xùn)練集每張圖像樣本需要對應(yīng)一張標(biāo)簽圖,標(biāo)簽圖包含分割目標(biāo)的定位和分類信息,形成目標(biāo)數(shù)據(jù)集。本文使用Labelme軟件對折皺圖像進(jìn)行人工標(biāo)注,將折皺區(qū)域標(biāo)注為白色區(qū)域,非折皺區(qū)域標(biāo)注為黑色區(qū)域,數(shù)據(jù)集準(zhǔn)備過程如圖8所示。

    圖8 數(shù)據(jù)集的標(biāo)簽制作過程

    2.3 模型評判標(biāo)準(zhǔn)

    本文根據(jù)網(wǎng)絡(luò)模型訓(xùn)練所得最優(yōu)模型參數(shù),在測試集上進(jìn)行評估。本文采取以下指標(biāo)[17]進(jìn)行模型性能評估:準(zhǔn)確率P,如公式(3)所示;查全率R,如公式(4)所示;平均精度AP;總和評價(jià)指標(biāo)F1,如公式(5)所示及平均交并比mIOU,如公式(6)所示。

    式中,TP表示真正例,F(xiàn)P表示假正例,F(xiàn)N表示假反例。Pii表示實(shí)際類型為i,預(yù)測類型為i的像素總數(shù);Pji表示實(shí)際類型為i,預(yù)測類型為j的像素總數(shù)。

    2.4 模型訓(xùn)練和結(jié)果

    基于自制數(shù)據(jù)庫的測試在Microsoft Windows 10專業(yè)版操作系統(tǒng),Intel?CoreTMi9-8400 CPU@ 3.40 GHz的處理器,16 GB 顯存的NVIDIA RTX 2080 顯卡配置下,使用深度學(xué)習(xí)框架Tensorflow進(jìn)行訓(xùn)練。訓(xùn)練階段采用Adam算法優(yōu)化網(wǎng)絡(luò),初始學(xué)習(xí)率設(shè)置為0.000 1,權(quán)值衰減率和梯度下降系數(shù)分別設(shè)置為0.000 5和0.999 7。經(jīng)過33 000 次迭代以后,準(zhǔn)確率不再提高且趨于穩(wěn)定,本文模型識別和訓(xùn)練結(jié)果如圖9和圖10所示。

    圖9 本文網(wǎng)絡(luò)折皺識別結(jié)果

    本文模型最終在訓(xùn)練集和驗(yàn)證集上準(zhǔn)確率均達(dá)到95%以上,損失收斂至小于0.1。識別效果如圖10所示,涂層織物陰面凹凸不平等因素引起的像素噪聲已被弱化,能夠準(zhǔn)確地分割出折皺骨架和邊緣。與其他方法相比,本文網(wǎng)絡(luò)在相同的訓(xùn)練迭代次數(shù)上收斂精度更高且穩(wěn)定。模型性能僅使用1 570 萬參數(shù)實(shí)現(xiàn),而Resnet 和Xception 等流行網(wǎng)絡(luò)參數(shù)數(shù)量分別為8 500 萬和2 330萬,有效減少了網(wǎng)絡(luò)參數(shù)。

    圖10 訓(xùn)練結(jié)果

    3 形態(tài)化處理

    3.1 形態(tài)學(xué)骨架化

    對于本文網(wǎng)絡(luò)模型最終輸出的二值分割結(jié)果圖像,通過形態(tài)學(xué)骨架化運(yùn)算將具有一定像素寬度的折皺變成單像素線條,以實(shí)現(xiàn)骨架提取,為計(jì)算折皺幾何信息完成第一步基礎(chǔ)處理,同時(shí)更簡潔地描述折皺形態(tài)信息。本文定義骨架采用基于最大圓盤概念的算法[18],結(jié)果如圖11所示。

    圖11 折皺圖像骨架化過程

    3.2 折皺幾何信息計(jì)算

    從骨架化后的折皺圖像中可以得到一組坐標(biāo)[xi,yi],xi、yi分別代表折皺骨架的橫坐標(biāo)和縱坐標(biāo),i=0,1,2,…,n。則折皺長度可按公式(7)算出:

    在圖像的像素矩陣中,任意點(diǎn)的像素坐標(biāo)可表示成(i,Z(i,k)) 的形式,其中,i=0,1,2,…,n;K=1,2,…,n。假設(shè)第K列中最下面一個(gè)邊緣檢測點(diǎn)的像素坐標(biāo)為(j,Z(j,k)),最上面一個(gè)邊緣檢測點(diǎn)(即折皺邊緣點(diǎn))的像素坐標(biāo)為(i,Z(i,k)),則可以得出如下公式:

    折皺的垂直像素寬度P(k):

    式中,l為折皺長度,a為圖像像素率,即一個(gè)單位的像素的實(shí)際長度。

    圖12(a)為隨機(jī)選取的一張折皺圖像,對該圖像包含的折皺幾何信息進(jìn)行統(tǒng)計(jì)。第一步將原始圖像輸入本文算法得到折皺檢測結(jié)果,即折皺分割二值圖(圖12(b))。接著通過折皺幾何信息提取算法計(jì)算,得到折皺長度、平均寬度與面積等幾何信息,折皺幾何信息見表3。

    圖12 折皺幾何信息智能統(tǒng)計(jì)示意圖

    表3 折皺幾何信息數(shù)據(jù)表

    4 模型驗(yàn)證與識別結(jié)果

    4.1 模型驗(yàn)證

    為驗(yàn)證本文網(wǎng)絡(luò)結(jié)構(gòu)改善的有效性,對網(wǎng)絡(luò)編碼器和解碼器分別進(jìn)行性能驗(yàn)證對比實(shí)驗(yàn)。

    4.1.1 編碼器結(jié)構(gòu)性能驗(yàn)證

    折皺檢測任務(wù)為二分類問題,編碼器特征提取結(jié)構(gòu)不宜太深,參數(shù)不宜過多,否則會導(dǎo)致模型過擬合。本文對特征提取結(jié)構(gòu)進(jìn)行調(diào)整,編碼器低層使用小卷積核,而深層布置相對大的卷積核以增加感受野大小和容量,提高特征有效提取和融合。另外使用最大池化層代替大步長卷積核進(jìn)行下采樣,避免小而重要的細(xì)節(jié)在特征提取過程中丟失。為驗(yàn)證結(jié)構(gòu)優(yōu)化的有效性,將與AlexNet[19]、VGG16[20]、ResNet[21]和Xception[22]等深度學(xué)習(xí)特征提取結(jié)構(gòu)進(jìn)行對比實(shí)驗(yàn)。本文將不同結(jié)構(gòu)作為編碼器下采樣結(jié)構(gòu),其他模塊參數(shù)保持不變,以同樣的數(shù)據(jù)集上進(jìn)行6組對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖13所示。

    圖13 不同特征提取結(jié)構(gòu)準(zhǔn)確度曲線表

    不同結(jié)構(gòu)準(zhǔn)確率和結(jié)構(gòu)對比如圖13 和表4 所示。相對其他特征提取模型,本文編碼器不僅簡化網(wǎng)絡(luò)結(jié)構(gòu),減少模型參數(shù)量,還有效提高分割精度,性能趨于穩(wěn)定且高效,適合折皺圖像語義分割二分類任務(wù)。

    表4 不同模型結(jié)構(gòu)和準(zhǔn)確率比較

    為保證網(wǎng)絡(luò)結(jié)構(gòu)的簡潔和一致,諸多深度學(xué)習(xí)網(wǎng)絡(luò)采用大步長卷積層代替池化層,同時(shí)不影響網(wǎng)絡(luò)性能[23]。但卷積層不僅會增加網(wǎng)絡(luò)參數(shù),減慢訓(xùn)練速度,也會導(dǎo)致特征數(shù)據(jù)結(jié)構(gòu)發(fā)生變化。而最大池化層引入了非線性,保證特征的平移不變性,使得高層特征具有更大的感受野,這有助于捕捉細(xì)小而重要的折皺細(xì)節(jié)信息。

    本文編碼器在每一塊卷積操作后分別用卷積核為2×2 的最大池化層(圖13 中本文算法MP)和卷積核為3×3,步長為2的卷積操作(圖13中本文算法LC)進(jìn)行一組對比實(shí)驗(yàn)。如圖13所示,與大步長卷積操作相比,使用最大池化層進(jìn)行特征降維,準(zhǔn)確率能夠提高約6.4%。

    4.1.2 解碼器結(jié)構(gòu)性能驗(yàn)證

    上采樣模塊卷積數(shù)的選擇對模型最終折皺檢測結(jié)果有很大的影響。為了驗(yàn)證本文解碼器結(jié)構(gòu)有效性,進(jìn)行了不同上采樣結(jié)構(gòu)組合對比實(shí)驗(yàn),表5顯示了不同結(jié)構(gòu)的性能對比。將第一層底層特征和高層語義特征輸入后,與使用一個(gè)或兩個(gè)卷積運(yùn)算相比,采用三個(gè)[3×3,256]連續(xù)卷積可獲得最佳識別結(jié)果,mIoU 值分別增加了1.05個(gè)百分點(diǎn)和0.12個(gè)百分點(diǎn),當(dāng)使用四個(gè)連續(xù)卷積運(yùn)算時(shí),模型精度開始下降。

    表5 不同網(wǎng)絡(luò)結(jié)構(gòu)算法性能比較

    為了評估底層特征對折皺邊緣分割的影響,將編碼器的第一層、第二層及兩層低層組合特征進(jìn)行對比實(shí)驗(yàn)。如表5所示,將兩層特征組合使用時(shí)平均準(zhǔn)確率AP和mIoU值分別為95.78%和77.53%,與使用單個(gè)底層特征相比,分別提高了4.32個(gè)百分點(diǎn)和3.89個(gè)百分點(diǎn)。因此,本文上采樣模塊將底層折皺特征與深層語義信息有效結(jié)合,有助于聚合折皺多級特征并提高檢測準(zhǔn)確性。

    4.2 識別結(jié)果對比

    為了進(jìn)一步評估本文模型的識別效果,將本文算法分別與傳統(tǒng)語義分割技術(shù)和其他深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行對比,并采用多種評估指標(biāo)進(jìn)行定性和定量驗(yàn)證。

    4.2.1 與傳統(tǒng)圖像語義分割技術(shù)識別結(jié)果對比

    從數(shù)據(jù)庫中隨機(jī)選取3組折皺圖像(包括陰陽面),將本文算法與Canny邊緣檢測法[24]、大律法和區(qū)域生長法進(jìn)行比較。Canny邊緣檢測法采用Canny算子對折皺圖像進(jìn)行識別。大律法是一種自適應(yīng)性閾值確定方法,利用灰度值分布確定合適的閾值,將圖像分割為折皺與背景區(qū)域。區(qū)域生長法為一種基于前景圖像相似性進(jìn)行分割的算法[25]。不同算法折皺檢測結(jié)果對比如圖14所示。

    圖14 本文算法與傳統(tǒng)語義分割算法識別結(jié)果對比

    對于組別一和組別三,涂層織物陽面折皺分布較明顯,主要干擾因素為折皺邊緣亮度不均所導(dǎo)致的灰度值分布差異。Canny 邊緣檢測法和區(qū)域生長法能夠識別出折皺大致骨架,但受噪聲影響,沒能分割折皺邊緣。大律法只能粗略分割出折皺趨勢和其邊緣,但對折皺骨架兩側(cè)邊緣和非折皺區(qū)域的判斷誤差較大。本文算法很好地克服了對比度低和噪聲不均等因素對圖像分割帶來的干擾,正確識別出折皺及其邊緣。

    對于組別二,涂層織物陰面折皺與非折皺背景對比度低的特點(diǎn)增加了折皺識別難度,紗線經(jīng)緯向交叉出現(xiàn)了周期性凹凸,圖像亮度和灰度值變化大。

    三種傳統(tǒng)語義分割方法均受噪聲干擾將材料凹凸處灰度值高即比較亮的部分誤識為折皺,其中大律法大致分割出了折皺的位置和邊界,但非折皺區(qū)域識別錯(cuò)誤率相當(dāng)高。本文算法能夠精準(zhǔn)地分割出折皺和背景。

    4.2.2 與其他深度語義分割網(wǎng)絡(luò)識別結(jié)果對比

    從數(shù)據(jù)庫中選取5組具有代表性的折皺圖像,在同樣的數(shù)據(jù)集基礎(chǔ)上分別與Shelhamer等[26]提出的FCN和Chen等[27]提出的DeepLabV3+兩種卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比實(shí)驗(yàn),對比結(jié)果如圖15 所示。使用本文采用的評估標(biāo)準(zhǔn)計(jì)算網(wǎng)絡(luò)性能,對比結(jié)果見表6。

    表6 不同網(wǎng)絡(luò)算法性能比較 %

    由表6不同算法的定量對比結(jié)果可知,在復(fù)雜背景和少量樣本下本文折皺檢測精度最高,與其他深度學(xué)習(xí)網(wǎng)絡(luò)算法相比,mIoU值最高為77.53%。FCN和DeepLabv3+模型的mIoU 值分別為43.51%和61.49%。在其余如準(zhǔn)確率、查全率、查準(zhǔn)率和F1 等評價(jià)指標(biāo)中,本文算法均達(dá)93%以上,檢測結(jié)果明顯優(yōu)于其他網(wǎng)絡(luò)。本文算法性能提高的主要原因是編碼階段使用了多尺度特征融合模塊,捕獲上下文折皺特征以進(jìn)行精確的語義挖掘,在獲得豐富語義信息的基礎(chǔ)上,利用低層高分辨率特征恢復(fù)折皺目標(biāo)邊界信息,采用連續(xù)卷積運(yùn)算恢復(fù)特征圖,通過多層改進(jìn)提高細(xì)小折皺檢測精度。

    圖15 描述了不同算法折皺檢測結(jié)果的視覺對比。第一列為包含折皺的原始圖像。實(shí)驗(yàn)結(jié)果表明,全卷積神經(jīng)網(wǎng)絡(luò)FCN 整體識別效果差,同時(shí)嚴(yán)重受非折皺區(qū)域噪聲干擾,不能適應(yīng)復(fù)雜場景下的折皺智能檢測。DeepLabV3+在檢測材料陽面對比度較高的折皺任務(wù)上表現(xiàn)較好,但因單卷積核會導(dǎo)致折皺信息的丟失,在陰面折皺檢測中遺漏了損傷程度低的細(xì)小折皺信息,折皺分割結(jié)果并不全面和準(zhǔn)確。本文算法很好地融合了不同尺度語義特征,在少量訓(xùn)練樣本基礎(chǔ)上克服了折皺背景等諸多噪聲干擾,準(zhǔn)確分割出折皺骨架、邊緣和細(xì)小部分。隨著數(shù)據(jù)集的完善和網(wǎng)絡(luò)參數(shù)的優(yōu)化,本文算法精度和背景偽影抑制的魯棒性可以進(jìn)一步提高,以便于應(yīng)用到更多復(fù)合材料損傷檢測和評估任務(wù)中。

    圖15 本文算法與其他深度學(xué)習(xí)語義分割算法識別結(jié)果對比

    4.2.3 訓(xùn)練集樣本數(shù)量敏感度分析

    模型訓(xùn)練所需樣本數(shù)量是影響算法在實(shí)際工程中應(yīng)用的重要因素,為了驗(yàn)證本文模型在數(shù)據(jù)庫依賴上的改善,本文評估了樣本數(shù)量對訓(xùn)練模型的影響。每組隨機(jī)刪除樣本,分別以200、150 和100 張訓(xùn)練集進(jìn)行三組對比實(shí)驗(yàn),每組實(shí)驗(yàn)遵循本文2.4 節(jié)中的訓(xùn)練流程和網(wǎng)絡(luò)參數(shù)的設(shè)定。

    結(jié)果如圖16所示,使用較少的訓(xùn)練樣本時(shí),F(xiàn)CN和DeepLabv3+識別精度比本文方法低,隨著樣本數(shù)量減少性能下降幅度明顯。DeepLabv3+模型在150 和100個(gè)訓(xùn)練樣本數(shù)據(jù)集上的準(zhǔn)確率分別下降4.57 個(gè)百分點(diǎn)和27.87個(gè)百分點(diǎn),表明DeepLabv3+對特定訓(xùn)練示例相當(dāng)敏感。FCN對訓(xùn)練樣本數(shù)量更為依賴,樣本較少時(shí)網(wǎng)絡(luò)性能不穩(wěn)定。三組對比實(shí)驗(yàn)中,本文算法準(zhǔn)確率均高于90%。本文通過逐像素?fù)p失訓(xùn)練方式和深層多尺度豐富語義信息特征和底層全局信息有效融合,在少量訓(xùn)練樣本基礎(chǔ)上還能保持優(yōu)秀且穩(wěn)定的檢測效果,相比其他方法需要大量的訓(xùn)練樣本,本文方法可以降低訓(xùn)練成本,提高在實(shí)際工程應(yīng)用的能力。

    圖16 樣本數(shù)量與算法識別精度柱狀圖

    5 結(jié)束語

    本文針對涂層織物折皺智能識別與檢測方法的問題,提出一種基于多尺度特征融合的端到端深度卷積神經(jīng)網(wǎng)絡(luò)。首先通過標(biāo)準(zhǔn)揉搓試驗(yàn)?zāi)M涂層織物折皺損傷過程建立數(shù)據(jù)庫,利用伽馬校正增加折皺與背景對比度;然后利用不同采樣率的擴(kuò)張卷積和池化操作構(gòu)成多尺度特征融合模塊,通過深底層特征融合并連續(xù)卷積運(yùn)算上采樣得到準(zhǔn)確的分割結(jié)果;最后使用形態(tài)學(xué)處理獲取折皺幾何信息。實(shí)驗(yàn)結(jié)果表明,本文算法僅在250張數(shù)據(jù)庫的容量上達(dá)到95.78%的準(zhǔn)確率和77.53%的平均交并比。本文算法優(yōu)化特征提取結(jié)構(gòu)布置,采用多尺度擴(kuò)張卷積,改進(jìn)上采樣模塊,充分利用不同深度和不同尺度的折皺特征,不僅有效獲取折皺鑒別特征,還能恢復(fù)折皺邊界信息,實(shí)現(xiàn)折皺的像素級預(yù)測。通過對網(wǎng)路結(jié)構(gòu)的驗(yàn)證、與傳統(tǒng)語義分割技術(shù)和其他深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行對比,本文算法所需的訓(xùn)練樣本數(shù)少,但檢測準(zhǔn)確率高,能夠解決傳統(tǒng)人工檢測效率低,識別誤差大的問題,為智能檢測涂層織物折皺提供了良好的技術(shù)手段。

    猜你喜歡
    折皺涂層語義
    語言與語義
    折皺的記憶
    我的書
    塑料涂層的制備
    上海建材(2018年4期)2018-11-13 01:08:52
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    精紡毛織物結(jié)構(gòu)參數(shù)與折皺回復(fù)性的關(guān)系
    認(rèn)知范疇模糊與語義模糊
    緯紗和組織結(jié)構(gòu)對交織面料折皺回復(fù)性能的影響
    絲綢(2014年4期)2014-02-28 14:55:02
    Federal—Mogul公司開發(fā)的DuroGlide活塞環(huán)涂層
    用于重型柴油機(jī)濺鍍軸承的新型聚合物涂層
    欧美+亚洲+日韩+国产| 成人午夜高清在线视频| 精品一区二区三区视频在线| 99热这里只有是精品50| 国产老妇女一区| 精品久久久久久,| 床上黄色一级片| 午夜福利视频1000在线观看| 色视频www国产| 三级毛片av免费| 国产三级中文精品| 在线观看av片永久免费下载| 国产麻豆成人av免费视频| 国产精品久久视频播放| 亚洲成人久久爱视频| 非洲黑人性xxxx精品又粗又长| 一级黄片播放器| 亚洲久久久久久中文字幕| 国产在线精品亚洲第一网站| 日韩欧美在线乱码| 欧美精品啪啪一区二区三区| 在线观看免费视频日本深夜| 国产精品综合久久久久久久免费| 亚洲欧美日韩无卡精品| 日日撸夜夜添| 丰满人妻一区二区三区视频av| 国产91精品成人一区二区三区| 欧美精品国产亚洲| 久久久久久久午夜电影| 女人十人毛片免费观看3o分钟| 嫩草影院新地址| 亚洲美女黄片视频| 精品一区二区三区人妻视频| 人人妻,人人澡人人爽秒播| 91av网一区二区| 国产精品,欧美在线| a级毛片免费高清观看在线播放| 欧美一区二区亚洲| www.www免费av| 美女 人体艺术 gogo| 美女高潮的动态| 在线播放国产精品三级| 啦啦啦韩国在线观看视频| 色5月婷婷丁香| 亚洲人成网站在线播放欧美日韩| 嫩草影视91久久| 久久这里只有精品中国| 男女边吃奶边做爰视频| 亚洲精品国产成人久久av| 国国产精品蜜臀av免费| 噜噜噜噜噜久久久久久91| 日日干狠狠操夜夜爽| 给我免费播放毛片高清在线观看| 久99久视频精品免费| 久久99热6这里只有精品| 精品99又大又爽又粗少妇毛片 | 午夜福利高清视频| 自拍偷自拍亚洲精品老妇| 少妇丰满av| 国产精品三级大全| 国产高清有码在线观看视频| 亚洲四区av| 非洲黑人性xxxx精品又粗又长| 麻豆成人午夜福利视频| 免费看av在线观看网站| 久久精品国产鲁丝片午夜精品 | 精品久久久久久,| 最新中文字幕久久久久| 亚洲熟妇中文字幕五十中出| 日韩欧美免费精品| a在线观看视频网站| 国产欧美日韩一区二区精品| 美女高潮的动态| 老师上课跳d突然被开到最大视频| 日日夜夜操网爽| 欧美日韩瑟瑟在线播放| 亚洲电影在线观看av| 婷婷色综合大香蕉| 天美传媒精品一区二区| 国内久久婷婷六月综合欲色啪| 欧美最新免费一区二区三区| 精品乱码久久久久久99久播| 成人性生交大片免费视频hd| 亚洲最大成人中文| 最新中文字幕久久久久| 亚洲av免费高清在线观看| 成人一区二区视频在线观看| 国产一区二区三区av在线 | 亚洲18禁久久av| 在现免费观看毛片| 中文资源天堂在线| 亚洲国产精品sss在线观看| 日本a在线网址| 欧美成人免费av一区二区三区| 日韩精品中文字幕看吧| 深夜精品福利| 国产精品一区www在线观看 | 搡老妇女老女人老熟妇| 人妻久久中文字幕网| 免费无遮挡裸体视频| 久久久成人免费电影| 一边摸一边抽搐一进一小说| 国产成人a区在线观看| 99久久久亚洲精品蜜臀av| 精品久久国产蜜桃| 女的被弄到高潮叫床怎么办 | 好男人在线观看高清免费视频| 国产精品电影一区二区三区| 日韩精品青青久久久久久| 国产精品精品国产色婷婷| 亚洲人与动物交配视频| 天天一区二区日本电影三级| 亚洲av免费在线观看| 成人性生交大片免费视频hd| 国产精品亚洲美女久久久| 久久精品国产自在天天线| 久久久久国内视频| 日韩在线高清观看一区二区三区 | 无人区码免费观看不卡| 国产探花极品一区二区| 亚洲av免费在线观看| 国产精品美女特级片免费视频播放器| 黄色配什么色好看| 色吧在线观看| 无人区码免费观看不卡| 免费av不卡在线播放| 亚州av有码| 国产成人av教育| 国产伦一二天堂av在线观看| 亚洲美女视频黄频| 桃红色精品国产亚洲av| 在线播放无遮挡| 五月伊人婷婷丁香| 成年人黄色毛片网站| 精品久久久久久久人妻蜜臀av| 亚洲美女黄片视频| 亚洲av免费高清在线观看| 午夜视频国产福利| 久久精品夜夜夜夜夜久久蜜豆| 天天躁日日操中文字幕| 精品久久久噜噜| 99久久久亚洲精品蜜臀av| 黄色视频,在线免费观看| 国产精品久久久久久久久免| 国产精品1区2区在线观看.| 九九久久精品国产亚洲av麻豆| 久久久久国内视频| 女的被弄到高潮叫床怎么办 | 97人妻精品一区二区三区麻豆| 精品一区二区免费观看| 少妇裸体淫交视频免费看高清| 18禁黄网站禁片午夜丰满| 精品久久久噜噜| 国产v大片淫在线免费观看| 色尼玛亚洲综合影院| 中国美白少妇内射xxxbb| 久久香蕉精品热| 精品久久久久久,| 有码 亚洲区| 男插女下体视频免费在线播放| 韩国av在线不卡| 国产色婷婷99| 三级男女做爰猛烈吃奶摸视频| 一区二区三区激情视频| 国产高清激情床上av| 成人无遮挡网站| 精品久久久噜噜| 日本与韩国留学比较| 色播亚洲综合网| 国产aⅴ精品一区二区三区波| ponron亚洲| 国产精品三级大全| 在线播放国产精品三级| 亚洲美女黄片视频| 国产真实乱freesex| 久久久久久久久久成人| 久久人人爽人人爽人人片va| 亚洲久久久久久中文字幕| av在线蜜桃| 国产黄色小视频在线观看| 尤物成人国产欧美一区二区三区| 久久精品人妻少妇| 欧美在线一区亚洲| 看黄色毛片网站| 少妇丰满av| 午夜精品久久久久久毛片777| 久久精品国产亚洲av涩爱 | 亚洲美女黄片视频| 在线免费十八禁| 熟妇人妻久久中文字幕3abv| 国产av不卡久久| 91精品国产九色| 日本黄色视频三级网站网址| 亚洲av熟女| 久久国产精品人妻蜜桃| 精品人妻1区二区| 中亚洲国语对白在线视频| 99热精品在线国产| 久久精品国产清高在天天线| 国产精品久久久久久久久免| 国产高潮美女av| 亚洲av第一区精品v没综合| 久久人妻av系列| 最好的美女福利视频网| 亚洲五月天丁香| 免费一级毛片在线播放高清视频| 国产精品免费一区二区三区在线| 日本撒尿小便嘘嘘汇集6| 国产精品1区2区在线观看.| 91久久精品国产一区二区三区| 九九爱精品视频在线观看| 国产精品综合久久久久久久免费| 成人无遮挡网站| 日日摸夜夜添夜夜添av毛片 | av专区在线播放| www日本黄色视频网| 久久久色成人| av天堂中文字幕网| 男女之事视频高清在线观看| 真人做人爱边吃奶动态| 丰满人妻一区二区三区视频av| 成年免费大片在线观看| 日本-黄色视频高清免费观看| 最近视频中文字幕2019在线8| 别揉我奶头 嗯啊视频| 在线观看av片永久免费下载| 色精品久久人妻99蜜桃| 日韩国内少妇激情av| 天堂动漫精品| 又爽又黄a免费视频| 午夜福利在线在线| 最近在线观看免费完整版| 日韩,欧美,国产一区二区三区 | 成人一区二区视频在线观看| 国产精品国产三级国产av玫瑰| 亚洲成a人片在线一区二区| 少妇高潮的动态图| 听说在线观看完整版免费高清| 午夜久久久久精精品| 亚洲精品在线观看二区| 人妻少妇偷人精品九色| 精品不卡国产一区二区三区| 日本a在线网址| 日韩一区二区视频免费看| 久久亚洲精品不卡| 性欧美人与动物交配| 999久久久精品免费观看国产| 两个人视频免费观看高清| 99久久精品一区二区三区| 婷婷六月久久综合丁香| 亚洲精品456在线播放app | 啦啦啦啦在线视频资源| 日韩人妻高清精品专区| 日韩高清综合在线| 看免费成人av毛片| 偷拍熟女少妇极品色| 久久草成人影院| 少妇高潮的动态图| а√天堂www在线а√下载| 精品日产1卡2卡| av福利片在线观看| 免费人成视频x8x8入口观看| 日本熟妇午夜| 欧美性感艳星| 人妻丰满熟妇av一区二区三区| 色噜噜av男人的天堂激情| 精品无人区乱码1区二区| 国产一级毛片七仙女欲春2| 亚洲国产精品成人综合色| 啦啦啦观看免费观看视频高清| 少妇丰满av| 国产日本99.免费观看| 欧美三级亚洲精品| 久久久久久久精品吃奶| 人妻制服诱惑在线中文字幕| 欧美一区二区亚洲| 亚洲国产日韩欧美精品在线观看| 男女边吃奶边做爰视频| 成人一区二区视频在线观看| 亚洲18禁久久av| 欧美国产日韩亚洲一区| 少妇被粗大猛烈的视频| 蜜桃亚洲精品一区二区三区| 免费看a级黄色片| 国产欧美日韩一区二区精品| 欧美日韩黄片免| 99久久无色码亚洲精品果冻| 黄色配什么色好看| 两个人视频免费观看高清| netflix在线观看网站| 亚洲av免费在线观看| 亚洲不卡免费看| 免费看a级黄色片| 人妻少妇偷人精品九色| 国产高清视频在线播放一区| 精品一区二区三区视频在线| 夜夜看夜夜爽夜夜摸| 毛片一级片免费看久久久久 | 美女高潮喷水抽搐中文字幕| 99在线视频只有这里精品首页| 窝窝影院91人妻| 国产一区二区三区视频了| 十八禁网站免费在线| 夜夜夜夜夜久久久久| 国产爱豆传媒在线观看| 成人av在线播放网站| 中文亚洲av片在线观看爽| 女人十人毛片免费观看3o分钟| 久久精品国产亚洲网站| 成人精品一区二区免费| 国产精品一及| 国产综合懂色| 97超视频在线观看视频| 国产在线精品亚洲第一网站| 深夜精品福利| 亚洲欧美日韩高清在线视频| 国产成年人精品一区二区| 日本三级黄在线观看| 五月伊人婷婷丁香| 亚洲av电影不卡..在线观看| 欧美bdsm另类| 女的被弄到高潮叫床怎么办 | 欧美国产日韩亚洲一区| eeuss影院久久| 夜夜夜夜夜久久久久| 亚洲av中文av极速乱 | 国产一区二区在线观看日韩| 成人亚洲精品av一区二区| 亚洲自拍偷在线| 久久久久性生活片| 国产三级在线视频| 男人狂女人下面高潮的视频| 精品久久久久久,| 97超级碰碰碰精品色视频在线观看| 男女啪啪激烈高潮av片| 美女 人体艺术 gogo| 午夜福利高清视频| 午夜激情福利司机影院| 国产三级中文精品| 久久99热6这里只有精品| 日日啪夜夜撸| 国产69精品久久久久777片| 日本五十路高清| 国产麻豆成人av免费视频| 成人av一区二区三区在线看| 日韩 亚洲 欧美在线| 悠悠久久av| 亚洲四区av| 免费观看在线日韩| 午夜精品在线福利| 成人av一区二区三区在线看| 欧美xxxx性猛交bbbb| 91久久精品电影网| 午夜激情福利司机影院| 人人妻人人澡欧美一区二区| 麻豆精品久久久久久蜜桃| 日韩一本色道免费dvd| av女优亚洲男人天堂| 国产女主播在线喷水免费视频网站 | 亚洲va在线va天堂va国产| av福利片在线观看| 国产精华一区二区三区| 国产女主播在线喷水免费视频网站 | 亚洲成a人片在线一区二区| 99国产极品粉嫩在线观看| 三级毛片av免费| 日韩精品青青久久久久久| 非洲黑人性xxxx精品又粗又长| 成人国产一区最新在线观看| 欧美色欧美亚洲另类二区| 亚洲精品亚洲一区二区| 欧美丝袜亚洲另类 | 欧美高清性xxxxhd video| 午夜a级毛片| 日韩欧美在线二视频| 九九久久精品国产亚洲av麻豆| 久久精品国产亚洲av天美| 精品一区二区免费观看| 国产成人a区在线观看| 亚洲国产欧洲综合997久久,| 日日夜夜操网爽| 国产一区二区亚洲精品在线观看| 在线国产一区二区在线| 中文字幕熟女人妻在线| 内射极品少妇av片p| 狠狠狠狠99中文字幕| 日韩精品中文字幕看吧| 午夜老司机福利剧场| 久久精品91蜜桃| 亚洲欧美日韩高清专用| 97碰自拍视频| 成年女人毛片免费观看观看9| 18禁黄网站禁片免费观看直播| 如何舔出高潮| 他把我摸到了高潮在线观看| 亚洲在线观看片| 哪里可以看免费的av片| 午夜视频国产福利| 免费观看人在逋| 亚洲性久久影院| 69人妻影院| 国产精品国产高清国产av| 天天躁日日操中文字幕| 国产午夜福利久久久久久| 在现免费观看毛片| 久久欧美精品欧美久久欧美| 干丝袜人妻中文字幕| 亚洲精品日韩av片在线观看| 内地一区二区视频在线| 美女黄网站色视频| 欧美最黄视频在线播放免费| 听说在线观看完整版免费高清| 熟妇人妻久久中文字幕3abv| 中亚洲国语对白在线视频| 亚洲成人免费电影在线观看| 好男人在线观看高清免费视频| 99久久久亚洲精品蜜臀av| 少妇人妻精品综合一区二区 | 欧美日韩瑟瑟在线播放| 日韩高清综合在线| 国产精品综合久久久久久久免费| 97超级碰碰碰精品色视频在线观看| 精品久久久久久,| 欧美另类亚洲清纯唯美| 日日撸夜夜添| 中文字幕久久专区| av在线天堂中文字幕| 免费看光身美女| 最近最新免费中文字幕在线| 人妻夜夜爽99麻豆av| 午夜激情欧美在线| eeuss影院久久| 天堂影院成人在线观看| 色哟哟·www| 日韩在线高清观看一区二区三区 | 日韩欧美在线乱码| 亚洲av熟女| 在线观看免费视频日本深夜| 简卡轻食公司| 成人三级黄色视频| 黄色丝袜av网址大全| 亚洲自偷自拍三级| 午夜免费男女啪啪视频观看 | 精品午夜福利视频在线观看一区| 久久久成人免费电影| 亚洲在线观看片| 露出奶头的视频| 久久久久久久久久成人| 中国美女看黄片| 亚洲成人久久性| xxxwww97欧美| 一区福利在线观看| 亚洲av成人精品一区久久| 九九热线精品视视频播放| 不卡视频在线观看欧美| 久久久久九九精品影院| 亚洲 国产 在线| 蜜桃亚洲精品一区二区三区| 免费电影在线观看免费观看| 可以在线观看毛片的网站| 国内毛片毛片毛片毛片毛片| 变态另类成人亚洲欧美熟女| 乱系列少妇在线播放| 婷婷丁香在线五月| 亚洲美女视频黄频| 日日夜夜操网爽| 超碰av人人做人人爽久久| 亚洲午夜理论影院| 色播亚洲综合网| 亚洲一区二区三区色噜噜| 亚洲欧美激情综合另类| 亚洲精品日韩av片在线观看| 国产视频内射| 欧美又色又爽又黄视频| 国产成人av教育| 在线天堂最新版资源| 久久久久久久精品吃奶| 亚洲性久久影院| 91久久精品国产一区二区三区| 可以在线观看毛片的网站| 欧美黑人欧美精品刺激| 国产又黄又爽又无遮挡在线| 搡女人真爽免费视频火全软件 | 麻豆国产av国片精品| 午夜福利在线观看免费完整高清在 | 少妇熟女aⅴ在线视频| 美女xxoo啪啪120秒动态图| 麻豆一二三区av精品| 国产成人福利小说| 国产精品电影一区二区三区| 免费不卡的大黄色大毛片视频在线观看 | 亚洲avbb在线观看| 国产av不卡久久| 欧美绝顶高潮抽搐喷水| 国产精华一区二区三区| 午夜影院日韩av| 精品人妻一区二区三区麻豆 | 最近中文字幕高清免费大全6 | 丝袜美腿在线中文| 99久久久亚洲精品蜜臀av| 老司机午夜福利在线观看视频| 亚洲一级一片aⅴ在线观看| 国产精品人妻久久久久久| 一区二区三区四区激情视频 | 小说图片视频综合网站| x7x7x7水蜜桃| 丰满的人妻完整版| 中文字幕高清在线视频| 亚洲黑人精品在线| 国产女主播在线喷水免费视频网站 | 国产精品一区二区免费欧美| 免费看美女性在线毛片视频| 成人特级黄色片久久久久久久| 亚洲人成伊人成综合网2020| www.色视频.com| 中文字幕高清在线视频| 色精品久久人妻99蜜桃| 国产精品久久久久久亚洲av鲁大| 国产精品永久免费网站| 男女边吃奶边做爰视频| 搞女人的毛片| 欧美成人性av电影在线观看| 日韩精品中文字幕看吧| 少妇猛男粗大的猛烈进出视频 | 免费高清视频大片| 欧美一级a爱片免费观看看| 亚洲av一区综合| 九九在线视频观看精品| 最新在线观看一区二区三区| 国产91精品成人一区二区三区| 亚洲国产日韩欧美精品在线观看| 俺也久久电影网| 欧美日本亚洲视频在线播放| 国产色爽女视频免费观看| av在线天堂中文字幕| 夜夜看夜夜爽夜夜摸| 成人鲁丝片一二三区免费| 88av欧美| 日本熟妇午夜| 能在线免费观看的黄片| 草草在线视频免费看| 美女被艹到高潮喷水动态| 亚洲av熟女| 成年女人看的毛片在线观看| 简卡轻食公司| 日韩精品中文字幕看吧| 人人妻,人人澡人人爽秒播| 国产成人av教育| 中文字幕av成人在线电影| 熟女人妻精品中文字幕| 国产女主播在线喷水免费视频网站 | 免费一级毛片在线播放高清视频| 亚洲av日韩精品久久久久久密| 可以在线观看毛片的网站| 亚洲国产欧洲综合997久久,| 99热精品在线国产| 丰满乱子伦码专区| 18+在线观看网站| 国产精品女同一区二区软件 | 一夜夜www| 国产精品国产高清国产av| 欧美xxxx黑人xx丫x性爽| 免费观看在线日韩| 别揉我奶头~嗯~啊~动态视频| 国产爱豆传媒在线观看| 久久精品国产亚洲网站| 久久国产乱子免费精品| 欧美高清性xxxxhd video| 国产精品,欧美在线| 国产探花在线观看一区二区| 久久精品综合一区二区三区| 亚洲精华国产精华液的使用体验 | 黄色女人牲交| 色5月婷婷丁香| 1024手机看黄色片| 男人舔女人下体高潮全视频| 18+在线观看网站| 国产亚洲av嫩草精品影院| 少妇人妻一区二区三区视频| 免费在线观看日本一区| 久久天躁狠狠躁夜夜2o2o| 亚洲精品一区av在线观看| 国产色爽女视频免费观看| 一区二区三区四区激情视频 | 91久久精品电影网| 国产av一区在线观看免费| 制服丝袜大香蕉在线| ponron亚洲| 国产在视频线在精品| 免费观看人在逋| 国内少妇人妻偷人精品xxx网站| 99久久成人亚洲精品观看| 天美传媒精品一区二区| 日韩人妻高清精品专区| 老女人水多毛片| 欧美激情在线99| 午夜免费成人在线视频| 亚洲三级黄色毛片| 一区二区三区免费毛片| 美女大奶头视频| 中文字幕av在线有码专区| 亚洲欧美清纯卡通| 日韩精品有码人妻一区| 久久久久免费精品人妻一区二区| 午夜精品在线福利| 九九久久精品国产亚洲av麻豆| 欧美人与善性xxx| 别揉我奶头~嗯~啊~动态视频| 一进一出好大好爽视频| 亚洲最大成人中文| 亚洲欧美激情综合另类| 免费高清视频大片| 欧美区成人在线视频| 色av中文字幕| 黄色视频,在线免费观看|