• <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MaskR-CNN的水面漂浮物識別方法研究

    2021-12-09 00:11:36劉偉王源楠江山馬天肖維
    人民長江 2021年11期
    關(guān)鍵詞:深度學(xué)習(xí)

    劉偉 王源楠 江山 馬天 肖維 

    摘要:為及時(shí)發(fā)現(xiàn)并處理水面漂浮物,提高河湖監(jiān)管水平,提出了一種基于Mask R-CNN模型的水面漂浮物識別方法。設(shè)計(jì)了一套漂浮物標(biāo)簽分類規(guī)則,建立起河湖領(lǐng)域真實(shí)數(shù)據(jù)樣本集,然后構(gòu)建以抓圖服務(wù)、AI分析和預(yù)警平臺為核心模塊的水面漂浮物識別方案。對比研究了基于Mask R-CNN模型與基于HOG特征的漂浮物識別方法,并采用不同特征提取網(wǎng)絡(luò)進(jìn)行試驗(yàn)。結(jié)果表明:所提出的方法顯著優(yōu)于傳統(tǒng)的HOG特征方法,平均準(zhǔn)確率提高16%,平均召回率提高13.8%;且基于ResNet的方法對于不規(guī)則漂浮物的識別能力更強(qiáng)。新方法成功應(yīng)用于河湖監(jiān)管系統(tǒng),對常見目標(biāo)的識別準(zhǔn)確率達(dá)90%以上。

    關(guān)鍵詞:水面漂浮物識別; Mask R-CNN; 深度學(xué)習(xí); ResNet

    中圖法分類號: TP391

    文獻(xiàn)標(biāo)志碼: A

    DOI:10.16232/j.cnki.1001-4179.2021.11.037

    0引 言

    隨著社會經(jīng)濟(jì)的發(fā)展,人們的生活越來越便捷,但環(huán)境保護(hù)意識還相對較弱。水環(huán)境作為人類賴以生存的重要保障也遭到破壞,突出表現(xiàn)在水面垃圾等漂浮物成為屢見不鮮的現(xiàn)象。水面漂浮物不僅影響美觀,更導(dǎo)致水污染、魚類死亡等各類問題,相關(guān)管理部門對其也越來越重視,及時(shí)發(fā)現(xiàn)并處理水面的垃圾漂浮物成為一項(xiàng)任務(wù)。依靠人工巡查來發(fā)現(xiàn)漂浮物的效率極低,迫切需要智能技術(shù)及時(shí)發(fā)現(xiàn)并預(yù)警。此外,隨著“金山銀山就是綠水青山”論斷的提出,政府部門也逐步提高了對水環(huán)境治理的認(rèn)識,水利部在智慧水利總體方案中也提出了利用智能視頻分析技術(shù)發(fā)現(xiàn)和識別水面漂浮物的技術(shù)路線。

    在視頻監(jiān)控方面,隨著???、大華等國內(nèi)廠商持續(xù)加大研發(fā),視頻監(jiān)控技術(shù)取得了長足的發(fā)展。視頻攝像頭的分辨率可以達(dá)到500萬像素(4K標(biāo)準(zhǔn)),云臺控制、視頻傳輸、視頻集成的技術(shù)也十分成熟,價(jià)格較為親民。目前水利及相關(guān)行業(yè)在河道、湖泊、水庫、渠道等附近已經(jīng)建設(shè)了大量的攝像頭,為分析水面垃圾漂浮提供了數(shù)據(jù)支撐。另外,深度學(xué)習(xí)算法給目標(biāo)檢測技術(shù)帶來了劃時(shí)代的進(jìn)步,相對于傳統(tǒng)的背景差分、光流法等技術(shù)取得了顯著的進(jìn)步,給水面垃圾漂浮物識別提供了技術(shù)支撐。

    1研究現(xiàn)狀

    傳統(tǒng)目標(biāo)檢測算法一般基于圖像特征和級聯(lián)分類的算法,在運(yùn)動目標(biāo)檢測方面,有背景差分法、幀差法、光流法等。Navneet等首次提出以計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖作為圖像特征,即HOG特征[1],此方法作為經(jīng)典的人工設(shè)計(jì)特征而廣泛運(yùn)用于圖像檢測領(lǐng)域[2]。王敏等[3]針對靜態(tài)水面的特性,提出了一種水上物體檢測分割算法,以水面具有較低飽和度的特征對水面區(qū)域進(jìn)行提取,在此基礎(chǔ)上運(yùn)用浮雕處理凸顯水面區(qū)域的邊緣灰度,利用區(qū)域一致性進(jìn)行邊緣檢測分割出水面和水上物體,最后提取出目標(biāo)物體的中心位置。但其不足也很明顯,由于采用的圖像相對簡單,對于噪聲污染以及水面存在波浪、陽光反射等問題時(shí)表現(xiàn)不穩(wěn)定。

    基于深度學(xué)習(xí)的檢測算法對圖像噪聲表現(xiàn)出了較強(qiáng)的魯棒性,主要分為兩類:二階段的目標(biāo)檢測算法和一階段的目標(biāo)檢測算法。前者是先由算法生成一系列作為樣本的候選框,再通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本分類;后者則不用產(chǎn)生候選框,直接將目標(biāo)邊框定位的問題轉(zhuǎn)化為回歸問題處理。正是由于兩種方法的差異,在性能上也有不同,前者在檢測準(zhǔn)確率和定位精度上占優(yōu),后者在算法速度上占優(yōu)。二階段算法的代表就是FasterR-CNN[4],MaskR-CNN[5],一階段的算法的代表有SSD[6]、YOLOv1-v4[7-10]系列。

    具體到水面漂浮物識別研究,國內(nèi)外對此研究不多。國外因?yàn)槿丝诿芏鹊?、水環(huán)境保護(hù)較好,這方面需求不多。國內(nèi)有相關(guān)的一些研究,但總體偏少,主要原因是對水面漂浮物素材的采集十分不易,需到野外長期觀察和收集,耗費(fèi)人力物力和時(shí)間較多。

    李寧等[11]以塑料袋和塑料瓶為素材,訓(xùn)練AlexNet網(wǎng)絡(luò)結(jié)構(gòu),利用梯度下降法對網(wǎng)絡(luò)進(jìn)行了微調(diào),并融合光照矯正法對待識別圖像進(jìn)行預(yù)處理,最終對水面漂浮物的識別準(zhǔn)確率比基于HOG特征的方法提高了15%。李昌龍[12]以接入一個(gè)攝像機(jī)的圖像為素材,基于R-CNN網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練,采用直方圖均衡化與對數(shù)變換對圖像進(jìn)行預(yù)處理,并提出了智能識別流程,在其測試集上達(dá)到了96%的準(zhǔn)確率。鄧?yán)诘萚13]為垃圾打撈設(shè)備提供視覺支持,采用了slic方法對圖像進(jìn)行預(yù)處理,然后提取邊緣、紋理、灰度特征,利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在實(shí)踐中取得較好的識別效果。雷李義等[14]以自己拍攝的廣西大學(xué)湖面垃圾照片為素材,提出了一個(gè)關(guān)于水面漂浮物的小型數(shù)據(jù)集,并分析了幾種目標(biāo)檢測模型在數(shù)據(jù)集上的表現(xiàn),F(xiàn)aster R-CNN,R-FCN和SSD。SSD目標(biāo)檢測模型有著更高的精確度,F(xiàn)aster R-CNN 模型則能給出更詳細(xì)的預(yù)測,而同時(shí)擁有豐富結(jié)構(gòu)特征和相當(dāng)深度特征的模型對于困難目標(biāo)有著更好的表現(xiàn)。Zhang等[15]基于Faster R-CNN將模型劃分為兩個(gè)模塊,分別融合低層和高層特征,在13FPS的速度下,MAP達(dá)到83.7%。

    綜上所述,由于水面漂浮物的識別對準(zhǔn)確率和定位精度要求較高,本文采用二階段的算法。

    2方法理論

    2.1數(shù)據(jù)集

    近幾年隨著深度學(xué)習(xí)的飛速發(fā)展,神經(jīng)網(wǎng)絡(luò)的層數(shù)不斷增加。相較于傳統(tǒng)模型,深度學(xué)習(xí)模型的表達(dá)能力越來越強(qiáng),但同時(shí)也越容易犧牲對未知數(shù)據(jù)的泛化能力,而專注于解釋或記憶訓(xùn)練數(shù)據(jù),也就是出現(xiàn)所謂的過擬合現(xiàn)象。彌補(bǔ)這一缺陷的有效手段之一就是采用高質(zhì)量、大規(guī)模的數(shù)據(jù)集進(jìn)行訓(xùn)練。

    本文從湖北省荊州市、武漢市江夏區(qū)、重慶市石柱縣等真實(shí)監(jiān)控場景中,抓拍河流、湖泊的照片,篩選出包含漂浮物的圖片12 782張,整理成數(shù)據(jù)集。大型公開數(shù)據(jù)集ImageNet在組織1 400萬圖片時(shí),采用27個(gè)大類,21 841個(gè)小類[16]。李寧等[11]整理數(shù)據(jù)集僅包含常見的塑料袋和塑料瓶兩類,雷李義等[14]則主要對水面及岸邊植物細(xì)分為四小類。結(jié)合通用數(shù)據(jù)集分類方法及水面漂浮物的常見類型,并兼顧后續(xù)新數(shù)據(jù)的不斷并入,本文按兩級標(biāo)簽對漂浮物類別進(jìn)行分類,如表1所列。

    本數(shù)據(jù)集共分成20大類,42小類,大類表示范圍包含了小類。由于人、車、船等目標(biāo)在河湖監(jiān)控視頻中經(jīng)常出現(xiàn),為了更有效地訓(xùn)練模型,把這些目標(biāo)也納入到漂浮物分類表中,并且進(jìn)行單獨(dú)分類。大類對應(yīng)一級標(biāo)簽,小類對應(yīng)二級標(biāo)簽。一級標(biāo)簽按照漂浮物對象劃分,二級按照材質(zhì)來區(qū)分,沒有材質(zhì)區(qū)分的一級,不細(xì)分二級,二級標(biāo)簽同一級標(biāo)簽。部分漂浮物由于數(shù)量太少,或者不典型,統(tǒng)一劃分到“其他”中。隨著漂浮服務(wù)數(shù)據(jù)量的積累,不屬于以上分類的漂浮物,統(tǒng)一放到其他中,當(dāng)“其他”類別中某一類漂浮物的數(shù)量達(dá)到100個(gè),則考慮增加標(biāo)簽類別。如果能劃分到表1中的一級標(biāo)簽下,則給該類別新增一個(gè)二級標(biāo)簽。如果無法劃分到一級標(biāo)簽下,則新增一級標(biāo)簽,標(biāo)簽序號在“42”之后繼續(xù)排序,這樣不改變之前已有的標(biāo)簽序號,可以不用修改標(biāo)注直接兼容新類別,一起參與訓(xùn)練,便于模型識別能力的不斷擴(kuò)充。

    對于收集到的圖片,統(tǒng)一進(jìn)行白化、降噪,盡可能提高圖片質(zhì)量。本文使用開源的標(biāo)注工具CVAT對數(shù)據(jù)集進(jìn)行標(biāo)注,標(biāo)簽采用“一級標(biāo)簽_二級標(biāo)簽“的組合形式,標(biāo)注示例如圖1所示。

    標(biāo)注策略采用“人工+模型”預(yù)標(biāo)注方式,前期以人工標(biāo)注為主,標(biāo)注一定量的數(shù)據(jù)之后,開始訓(xùn)練模型,使模型具備一定的識別能力,然后轉(zhuǎn)為以模型標(biāo)注為主,人工標(biāo)注為輔,數(shù)據(jù)集中的圖片樣本均先使用模型進(jìn)行預(yù)標(biāo)注,然后進(jìn)行人工的確認(rèn)。以此節(jié)約人工耗時(shí),提高標(biāo)注效率。

    2.2網(wǎng)絡(luò)模型

    Mask R-CNN[5]是Facebook AI Research(FAIR)于2018年提出的,繼承了之前所有R-CNN系列網(wǎng)絡(luò)的優(yōu)點(diǎn),并在Faster R-CNN[4]的基礎(chǔ)上加入了語義分割功能。相比傳統(tǒng)網(wǎng)絡(luò)VGG16[17],MaskR-CNN使用了ResNet[18]基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu),使其能在更深的網(wǎng)絡(luò)層里提取有效的特征,所以提升了識別不規(guī)則或者是傳統(tǒng)網(wǎng)絡(luò)難以擬合的物體特征的概率。并且因?yàn)檎Z義分割功能提取的是ROI網(wǎng)絡(luò)卷積層的結(jié)果,加以拓展得到物體輪廓,所以在計(jì)算效率上與FasterR-CNN保持幾乎不變。網(wǎng)絡(luò)流程大概可分為4步,如圖2所示。

    首先,圖片經(jīng)過預(yù)處理,將長或?qū)挻笥? 333像素的圖片按比例縮放,并使之縮放結(jié)果可以整除26,以確保在網(wǎng)絡(luò)結(jié)構(gòu)中經(jīng)過多次池化后保持整數(shù)。同時(shí)將小于分辨率的圖片各個(gè)顏色信道不足之處用像素0填充。并通過顏色正規(guī)化處理,然后,放入訓(xùn)練網(wǎng)絡(luò)進(jìn)行運(yùn)算。為了加快訓(xùn)練擬合速度,在不超過顯存容量的前提下盡量加大每次放入模型的圖片數(shù)量,將處理好的圖片集依照預(yù)設(shè)好的批量(batchsize)打包導(dǎo)入顯存。

    圖2顯示卷積層(conv layers)為可變的基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。以常用的50層ResNet為例將圖片集以[批量,通道(channel),長,寬]4維數(shù)組形式傳入網(wǎng)絡(luò),先經(jīng)過一個(gè)步長(Stride)為2,7*7*64的卷積層和一個(gè)步長為2,3*3的池化層,將信道維度從3擴(kuò)張到64,并將像素長寬壓縮到之前的1/4。再讓其進(jìn)行49組處理,每一組為一次卷積、池化、激活函數(shù)操作,將特征寬度提升到最大1 024。然后按照ResNet預(yù)設(shè),提取其第10,22,40,49層特征值,經(jīng)過上采樣處理得到關(guān)聯(lián)性更高的5層特征,最后通過3*3*256的卷積層消除上采樣的混疊效應(yīng),得到最終特征圖集,在圖中顯示為特征圖(featuremaps)。

    在區(qū)域生成網(wǎng)絡(luò)(Region Proposal Network)中,要通過上文生成的特征圖,并結(jié)合預(yù)設(shè)錨點(diǎn)(Anchor)得到目標(biāo)物體的大概區(qū)域框,如圖3所示。

    創(chuàng)建預(yù)設(shè)錨點(diǎn)時(shí),根據(jù)目標(biāo)物體尺寸,在預(yù)設(shè)參數(shù)中設(shè)定預(yù)設(shè)框大小(32,64,128,256,512),每一個(gè)預(yù)設(shè)框有3個(gè)尺寸比例(2∶1,1∶1,1∶2),所以每個(gè)位置產(chǎn)生15個(gè)預(yù)設(shè)框。在區(qū)域生成網(wǎng)絡(luò)階段,首先特征圖通過1個(gè)3*3的卷積和兩個(gè)1*1的卷積,得到1個(gè)數(shù)量為2*15(長*寬)的特征圖和一個(gè)數(shù)量為4*15(長*寬)的特征圖。其中第一個(gè)特征圖為每個(gè)前景預(yù)設(shè)框與背景預(yù)設(shè)框的概率,并按照前景與背景1∶4的比例保留背景數(shù)量,第二個(gè)特征圖為每個(gè)預(yù)設(shè)框的左上頂點(diǎn)坐標(biāo)和預(yù)設(shè)框的長寬邊長度與真實(shí)框的差值。

    運(yùn)用上文中得到的前景框與在第一步得到的特征圖裁剪出大小不等的小特征圖,在感興趣區(qū)域池化(Region of Interest pooling)中使用RoI Align,為每一個(gè)可能的目標(biāo)物體輸出14*14*256大小的特征圖。裁剪之后,用2*2大小的最大池化來獲得最終的7*7*256特征圖。每個(gè)特征圖通過線性全連接層輸出目標(biāo)種類和目標(biāo)種類長度*4的邊界框(Bounding-box)。在Faster R-CNN訓(xùn)練階段,計(jì)算真實(shí)框坐標(biāo)與輸出邊界框坐標(biāo)的距離差,得出Lbox和真實(shí)類別與輸出類別的概率差Lcls,以此反向傳播改進(jìn)網(wǎng)絡(luò)。

    2.3應(yīng)用方案

    本文構(gòu)建以AI分析服務(wù)為核心,以數(shù)據(jù)為支撐,以預(yù)警平臺為重點(diǎn)的分布式監(jiān)控方案,核心業(yè)務(wù)邏輯流程圖如圖5所示。

    (1) 抓圖服務(wù)-數(shù)據(jù)。

    抓圖服務(wù)模塊為整個(gè)流程提供數(shù)據(jù)來源。該模塊基于開源的輕量級框架SpringBoot開發(fā),自動采集圖像數(shù)據(jù),適配多家硬件廠商以及流媒體數(shù)據(jù),動態(tài)配置頻率、時(shí)段,拓展性強(qiáng),具體如圖6所示。

    (2) 數(shù)據(jù)庫-存儲。

    抓圖服務(wù)獲取的數(shù)據(jù)存儲于分布式文件存儲系統(tǒng)MongoDB,并通過GridFS來處理大文件的存儲。直接將圖片這種大文件存儲于數(shù)據(jù)庫十分有利于大量圖片文件的復(fù)制、刪除以及備份。同時(shí)由于其分片式存儲機(jī)制,實(shí)現(xiàn)分布式存儲的操作簡單,拓展性強(qiáng),安全性高。

    (3) 中間件-通信。

    存儲模塊、展示模塊與AI模塊的通信均采用消息中間件RabbitMQ進(jìn)行,其在整個(gè)分析流程中存儲、轉(zhuǎn)發(fā)消息,可用性高、拓展性強(qiáng)。

    (4) AI-分析。

    AI分析模塊以Mask R-CNN為核心算法模型,集成FackBook的開源框架Detectron 2,實(shí)現(xiàn)對數(shù)據(jù)的實(shí)時(shí)推理與分析。

    (5) 預(yù)警平臺-展示。

    預(yù)警平臺(WEB端)串接整個(gè)系統(tǒng)的各個(gè)模塊,從用戶在WEB端提交定期或即時(shí)的分析請求,請求進(jìn)入到RabbitMQ消息隊(duì)列,然后轉(zhuǎn)發(fā)至AI分析模塊。收到分析請求后,AI分析模塊從存儲模塊提取MongoDB Grid FS文件進(jìn)行智能分析,并將結(jié)果再次推送至Rabbit MQ消息隊(duì)列,最終WEB端收到AI分析模塊的分析結(jié)果,并進(jìn)行展示和統(tǒng)計(jì),同時(shí)即刻發(fā)送預(yù)警信息至相關(guān)工作人員的操作終端。

    整個(gè)監(jiān)控方案實(shí)現(xiàn)全流程自動化采集、存儲、分析、展示和推送,極大地提高對監(jiān)控區(qū)域的監(jiān)管質(zhì)量和效率。

    3試 驗(yàn)

    3.1試驗(yàn)環(huán)境及參數(shù)

    本文的模型訓(xùn)練及測試均在Detectron 2平臺上進(jìn)行。Detectron 2是繼Detectron目標(biāo)檢測平臺之后,F(xiàn)AIR(Facebook AI Research)開發(fā)的下一代目標(biāo)目標(biāo)檢測和分割研究的平臺。它基于Pytorch框架,以Mask R-CNN基準(zhǔn)測試作為起點(diǎn),集成了最先進(jìn)的目標(biāo)檢測算法。服務(wù)器安裝Ubuntu 18.04系統(tǒng),并配備了一張NVIDIA Tesla V100顯卡。結(jié)合漂浮物目標(biāo)特點(diǎn),設(shè)置Mask RCNN模型預(yù)設(shè)參數(shù)如下:

    綜合考慮服務(wù)器性能,選擇超參數(shù)為:batch size,8;iteration,49 999;learning rate,0.000 25。

    3.2評估標(biāo)準(zhǔn)

    本文評估標(biāo)準(zhǔn)采用目前主流的目標(biāo)檢測評價(jià)方法,即準(zhǔn)確率和召回率。在計(jì)算這兩項(xiàng)指標(biāo)時(shí),以IoU=0.5作為基本閾值。

    (1) IoU。

    以IoU作為衡量預(yù)測目標(biāo)的位置偏差指標(biāo),當(dāng)識別出的類別正確且IoU達(dá)到規(guī)定的閾值,則表明該識別結(jié)果正確。IoU的定義如下:

    IoU=P∩GP∪G(5)

    式中:P表示預(yù)測樣本面積,G表示真實(shí)樣本面積,P∩G表示預(yù)測樣本與真實(shí)樣本的重疊面積,P∪G表示預(yù)測樣本與真實(shí)樣本原始樣本的并集面積。

    傳統(tǒng)目標(biāo)檢測以及深度學(xué)習(xí)目標(biāo)檢測算法在計(jì)算IoU時(shí),均只能從box的層面進(jìn)行計(jì)算,不可避免地引入背景誤差,而Mask R-CNN是從像素層面計(jì)算,去除了計(jì)算IoU時(shí)的背景誤差,尤其當(dāng)水面漂浮物的形狀極不規(guī)則時(shí),對模型的識別效果評價(jià)更加準(zhǔn)確。

    (2) 準(zhǔn)確率。

    數(shù)據(jù)集中的水面漂浮物,一類是獨(dú)立存在的單個(gè)漂浮物,比如塑料瓶、塑料袋、魚等等,另一類是以水葫蘆為代表的聚集成一團(tuán)的漂浮物,為統(tǒng)一評價(jià)標(biāo)準(zhǔn),把成團(tuán)的水葫蘆當(dāng)作一個(gè)水葫蘆對象來處理。針對預(yù)測結(jié)果,統(tǒng)計(jì)準(zhǔn)確識別漂浮物的數(shù)量與識別出的漂浮物總數(shù)量之比,稱為識別準(zhǔn)確率,定義如下:

    P=TPTP+FP(6)

    式中:TP即True Positive,表示正樣本被正確識別為正樣本的數(shù)量,F(xiàn)P即False Positive,表示負(fù)樣本被錯(cuò)誤識別正樣本的數(shù)量。TP與FP之和,表示所有被識別為正樣本的數(shù)量,在本文中則表示識別出的漂浮物總數(shù)量。

    (3) 召回率。

    準(zhǔn)確率是針對預(yù)測結(jié)果而言的性能指標(biāo),召回率則是針對原始樣本而言,它表示的是原始樣本中正樣本被正確識別的比例,定義如下:

    R=TPTP+FN(7)

    式中:FN即False Negative,表示正樣本被錯(cuò)誤識別為負(fù)樣本的數(shù)量,TP+FN即表示原始樣本中所有的正樣本數(shù)量,在本文中則表示漂浮物的總數(shù)量。

    3.3試驗(yàn)結(jié)果及分析

    由于漂浮物數(shù)量分布極不均勻,本文以水面漂浮物中常見的水葫蘆、塑料袋、塑料瓶和魚為例,從訓(xùn)練樣本數(shù)量、特征提取模型等方面對Mask RCNN在水面漂浮物場景下的識別性能進(jìn)行研究。訓(xùn)練集、驗(yàn)證集、測試集按照8∶1∶1的數(shù)量比例進(jìn)行劃分,在訓(xùn)練集和驗(yàn)證集上調(diào)試出最佳訓(xùn)練參數(shù)后,把所有訓(xùn)練集和驗(yàn)證集的樣本共同作為訓(xùn)練集,以最佳參數(shù)進(jìn)行訓(xùn)練,得到最終的模型,在測試集上測試模型性能。

    3.3.1樣本數(shù)量

    水葫蘆數(shù)據(jù)集一共有2 683個(gè)樣本,預(yù)留10%的樣本作為測試集,即268個(gè),在剩余的樣本中隨機(jī)抽取不同數(shù)量的樣本作為訓(xùn)練集和驗(yàn)證集。不同訓(xùn)練樣本總量下,模型性能如圖7所示。

    從圖7可以看出:隨著樣本數(shù)量的增加,Mask R-CNN對水葫蘆的識別準(zhǔn)確率和召回率顯著增加,當(dāng)水葫蘆的數(shù)量達(dá)到2500左右時(shí),模型的識別準(zhǔn)確達(dá)到96.5%,召回率達(dá)到86.2%。但數(shù)量達(dá)到一定程度后,準(zhǔn)確率和召回率的增張速度逐漸放緩。

    3.3.2對比試驗(yàn)

    分別以塑料瓶、魚、塑料袋和水葫蘆數(shù)據(jù)集為對象,對比測試基于HOG特征的傳統(tǒng)目標(biāo)檢測方法與Mask RCNN模型的性能,如表2所列。所有輸入圖像在輸入模型之前均只做縮放和歸一化處理,不做其他任何預(yù)處理操作。

    從試驗(yàn)結(jié)果中可以清晰地看到:Mask R-CNN模型在準(zhǔn)確率和召回率上的均顯著由于傳統(tǒng)基于HOG特征的目標(biāo)檢測方法,其中平均準(zhǔn)確率提高16.0%,平均召回率提高13.8%。

    基于HOG這一類手工設(shè)計(jì)的特征模式進(jìn)行目標(biāo)檢測的傳統(tǒng)漂浮物識別方法由于對圖像噪聲極為敏感,而真實(shí)河湖領(lǐng)域的圖像素材又復(fù)雜多樣,不僅場景豐富,而且由于圖像采集設(shè)備的不同,質(zhì)量差別較大,因此性能不佳。Mask R-CNN基于神經(jīng)網(wǎng)絡(luò)的特征提取方法能從數(shù)據(jù)集中學(xué)習(xí)并找到目標(biāo)更本質(zhì)的特征,識別準(zhǔn)確率和召回率顯著高于傳統(tǒng)方法。

    3.3.3特征提取網(wǎng)絡(luò)

    相比于基礎(chǔ)的特征提取網(wǎng)絡(luò)VGG16,Mask R-CNN采用ResNet結(jié)構(gòu)作為特征提取網(wǎng)絡(luò),試驗(yàn)對比研究了分別采用VGG16、ResNet50和ResNet101作為Mask R-CNN的特征提取網(wǎng)絡(luò)時(shí)模型對塑料瓶、魚、塑料袋與水葫蘆的識別性能,如圖8所示。

    從圖8可以看出:以ResNet 50為特征提取模型時(shí),Mask R-CNN對4種常見的水面垃圾漂浮物的識別準(zhǔn)確率顯著高于VGG16,平均高出3.3%,而ResNet101性能更加優(yōu)異,平均高出ResNet 50網(wǎng)絡(luò)1.5%。由此可見,ResNet的特征提取能力顯著強(qiáng)于VGG16,而且層數(shù)越多,提取能力越強(qiáng)。

    詳細(xì)對比4種類別的性能,可以發(fā)現(xiàn)不論是ResNet系列還是VGG16,對于塑料瓶和魚的識別準(zhǔn)確率均高于塑料袋和水葫蘆。塑料瓶和魚的形態(tài)特征相對固定,而塑料袋和水葫蘆的形態(tài)更加不規(guī)則,這對網(wǎng)絡(luò)擬合能力的挑戰(zhàn)更大。

    ResNet 50相比于VGG16對塑料瓶和魚的準(zhǔn)確率平均提升2個(gè)百分點(diǎn),而對塑料袋和水葫蘆的準(zhǔn)確率提升明顯,達(dá)到平均4.5%,ResNet 101則分別提升了3.1%和6.45%。不難發(fā)現(xiàn),對于形態(tài)不規(guī)則的物體,ResNet的擬合效果更佳。

    3.4應(yīng)用效果

    本文構(gòu)建的深度學(xué)習(xí)預(yù)警方案已成功運(yùn)用于某區(qū)河流監(jiān)控系統(tǒng)。系統(tǒng)總計(jì)接入攝像頭30個(gè),預(yù)置位100個(gè),覆蓋區(qū)內(nèi)的主要河流、湖泊和閘口,監(jiān)控面積總計(jì)約25 km2,24 h不間斷進(jìn)行自動監(jiān)控。設(shè)置模型識別置信度閾值t=0.5,IoU閾值i=0.5,即當(dāng)模型識別目標(biāo)的置信度和重疊率同時(shí)超過0.5時(shí),才判定為識別出漂浮物。

    2020年第三季度初的預(yù)警信息統(tǒng)計(jì)如圖9所示,預(yù)警類型及數(shù)量分布如圖10所示,預(yù)警類型僅列出數(shù)量較多的類型。

    經(jīng)清漂工作人員抽樣驗(yàn)證,船、工程車和人這3類目標(biāo)平均識別準(zhǔn)確率高達(dá)95%,水葫蘆、塑料袋以及樹葉的平均識別準(zhǔn)確率達(dá)到90%。實(shí)際應(yīng)用性能雖略低于試驗(yàn)結(jié)果,但仍然能達(dá)到較高水平,顯著地提高了清漂工作效率。

    4結(jié) 論

    基于深度學(xué)習(xí)的相關(guān)技術(shù)現(xiàn)階段處于井噴發(fā)展?fàn)顟B(tài),大量成熟的目標(biāo)檢測、分割算法紛紛落地于各行各業(yè)的實(shí)際應(yīng)用場景。以Mask RCNN為代表的一些列優(yōu)秀算法對于水環(huán)境污染防治發(fā)揮了重要作用。本文研究得到以下主要成果及結(jié)論。

    (1) 構(gòu)建了常見漂浮物類型分類體系,以目標(biāo)對象為一級標(biāo)簽,以對象的材質(zhì)作為二級分類依據(jù),并且與人、車、船等常見目標(biāo)一起參與分類和訓(xùn)練,實(shí)現(xiàn)了對河湖監(jiān)控視頻信息的系統(tǒng)拆分與組織,為監(jiān)管信息化提供數(shù)據(jù)支持。

    (2) 數(shù)據(jù)量的提升能有效提高深度學(xué)習(xí)模型Mask R-CNN的性能,以水葫蘆為例,最終達(dá)到96.5%的識別準(zhǔn)確率和86.2%的召回率。

    (3) 基于Mask R-CNN的漂浮物識別方法在識別性能上顯著優(yōu)于基于HOG特征的傳統(tǒng)漂浮物識別方法,平均準(zhǔn)確率提高16%,平均召回率提高13.8%。

    (4) 相比于VGG16網(wǎng)絡(luò),分別以ResNet 50和ResNet 101作為Mask R-CNN的特征提取網(wǎng)絡(luò)時(shí)的識別準(zhǔn)確率分別高出3.3%和4.8%,并且ResNet系列對于不規(guī)則的目標(biāo)的擬合能力更強(qiáng)。

    (5) 本文以Mask R-CNN為基礎(chǔ),構(gòu)建一套包含視頻接入、算法推理、前端展示、預(yù)警消息推送的全流程預(yù)警方案,為目前的河湖監(jiān)管提供了有力技術(shù)支撐,有效提升了河湖監(jiān)管的自動化和智能化水平。

    參考文獻(xiàn):

    [1]DALALN,TRIGGSB.Histograms of oriented gradients for human detection[C]∥Computer Vision and Pattern Recognition,2005(1):886-893.

    [2]蔡強(qiáng),劉亞奇,曹健,等.圖像目標(biāo)類別檢測綜述[J].計(jì)算機(jī)科學(xué)與探索,2015,9(3):257-265.

    [3]王敏,周樹道.靜態(tài)水上物體檢測分割算法[J].實(shí)驗(yàn)室研究與探索,2010,29(6):30-32.

    [4]REN S Q,HE K M,ROSSG,et al.Faster R-CNN:Towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149.

    [5]HE K M,GKIOXARIG,Dollàr P,et al.Mask R-CNN[C]∥Computer vision and pattern recognition,2017:2961-2969.

    [6]LIUW,ANGUELOVD,ERHAND,et al.SSD:Single shot multiBox detector[C]∥European Conference on Computer Vision,2016(2):21-37.

    [7]REDMONJ,DIVVALAS,GIRSHICKR,et al.You only look once:unified,real-time object detection[C]∥Computer Vision and Pattern Recognition,2016(2):779-788.

    [8]REDMON J,F(xiàn)ARHADI A.YOLO9000:Better,F(xiàn)aster,Stronger[C]∥Computer Vision and Pattern Recognition,2017(2):7263-7271.

    [9]REDMON J,F(xiàn)ARHADI A.YOLOv3:An incremental improvement[J].arXiv,2018(4):1804.02767.

    [10]BOCHKOVSKIYA,WANG CY,LIAOHY M.YOLOv4:Optimal speed and accuracy of object detection[J].arXiv,2020(3):2004.10934.

    [11]李寧,王雨萱,徐守坤,等.基于AlexNet的小樣本水面漂浮物識別[J].計(jì)算機(jī)應(yīng)用與軟件,2019,36(2):245-251.

    [12]李昌龍.基于R-CNN訓(xùn)練法的水面漂浮物智能識別技術(shù)探討[J].信息化技術(shù)研究與應(yīng)用,2019(增1):18-21.

    [13]鄧?yán)?,?yán)立甫,張?jiān)婈?,?基于機(jī)器視覺的水面漂浮物智能識別判定系統(tǒng)[J].電子測試,2019(17):133-134.

    [14]雷李義,艾矯燕,彭婧,等.基于深度學(xué)習(xí)的水面漂浮物目標(biāo)檢測評估[J].環(huán)境與發(fā)展,2019(6):117-123.

    [15]ZHANG L L,ZHANG Y,ZHANG Z,et al.Real-time water surface object detection based on improved Faster-RCNN[J].Sensors(Basel),2019(16):3523.

    [16]DENG J,DONG W,SOCHERR,et al.ImageNet:A large-scale hierarchical image database[C]∥Computer Vision and Pattern Recognition,2009:248-255.

    [17]SIMONYANK,ZISSERMANA.Verry deep convolutional networks for large-scale image recognition[C]∥International Conference on Learning Representations,2015.

    [18]HE K M,ZHANGX Y,RENS P,et al.Deep Residual learning for image recognition[C]∥Computer Vision and Pattern Recognition,2016:770-778.

    (編輯:鄭 毅)

    Abstract:In order to detect and deal with floating objects on water surface in time and improve the supervision level of rivers and lakes,we proposed a method for recognition of floating objects on water surface based on Mask R-CNN algorithm.First,we designed a set of floating object label classification rules,and established a real data sample set in the field of rivers and lakes.Then we built a water surface floating object identification scheme with image capture service,AI analysis and early warning service platform as the core modules.We compared the floating object recognition method base on the Mask R-CNN model and the HOG feature,and conducted experiments with different feature extraction networks.The results showed that the proposed method was significantly better than the traditional HOG method,the average accuracy increased 16%,the average recall rate increased 13.8%,and the ResNet-based method was more capable of identifying irregular floating objects.This method was successfully applied to the river and lake supervision system,and the recognition accuracy of common targets was over 90%.

    Key words:recognition of floating objects;Mask R-CNN;deep learning;ResNet

    猜你喜歡
    深度學(xué)習(xí)
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    亚洲人与动物交配视频| 日本色播在线视频| 搡老熟女国产l中国老女人| 午夜福利成人在线免费观看| 97热精品久久久久久| 国产私拍福利视频在线观看| 久久久午夜欧美精品| 91在线观看av| 精品国内亚洲2022精品成人| 色播亚洲综合网| 美女免费视频网站| 99热这里只有是精品50| 一个人观看的视频www高清免费观看| 国产高清不卡午夜福利| 成人鲁丝片一二三区免费| 国产精品精品国产色婷婷| 免费av不卡在线播放| 国产单亲对白刺激| 18禁裸乳无遮挡免费网站照片| 男女之事视频高清在线观看| 久久人人爽人人爽人人片va| 1000部很黄的大片| 国产精品人妻久久久久久| 国产视频内射| 欧美激情在线99| 偷拍熟女少妇极品色| 国产av在哪里看| 国产乱人伦免费视频| 亚洲午夜理论影院| 尤物成人国产欧美一区二区三区| 成年免费大片在线观看| 色精品久久人妻99蜜桃| 亚洲国产精品sss在线观看| 欧美潮喷喷水| 国产av一区在线观看免费| 国产v大片淫在线免费观看| 亚洲第一电影网av| 校园春色视频在线观看| 久久久久久久精品吃奶| 我要看日韩黄色一级片| 亚洲中文字幕日韩| 在线国产一区二区在线| 老师上课跳d突然被开到最大视频| 最新在线观看一区二区三区| 亚洲国产精品成人综合色| 听说在线观看完整版免费高清| 3wmmmm亚洲av在线观看| 我的老师免费观看完整版| 成年版毛片免费区| 麻豆成人av在线观看| 日韩欧美在线乱码| 国产色爽女视频免费观看| 国产成人aa在线观看| 69人妻影院| 成年女人永久免费观看视频| 成年女人永久免费观看视频| 精品一区二区免费观看| 精品人妻1区二区| 国产 一区精品| 两个人的视频大全免费| 亚洲国产高清在线一区二区三| 亚洲午夜理论影院| 亚洲欧美精品综合久久99| 亚洲精品国产成人久久av| 成年女人永久免费观看视频| 午夜福利在线观看免费完整高清在 | 日韩在线高清观看一区二区三区 | 俄罗斯特黄特色一大片| 久久99热6这里只有精品| 我要搜黄色片| 亚洲熟妇熟女久久| 国产精品一区二区三区四区免费观看 | 国产熟女欧美一区二区| 亚洲图色成人| 精品久久久久久久久久久久久| 久久精品国产99精品国产亚洲性色| x7x7x7水蜜桃| 国产真实乱freesex| 男插女下体视频免费在线播放| 欧美成人a在线观看| 国产国拍精品亚洲av在线观看| 一级a爱片免费观看的视频| 午夜免费成人在线视频| 国产一级毛片七仙女欲春2| 欧美精品啪啪一区二区三区| 尾随美女入室| 亚洲午夜理论影院| 亚洲欧美日韩东京热| 又黄又爽又免费观看的视频| 91麻豆精品激情在线观看国产| 男女下面进入的视频免费午夜| 久久婷婷人人爽人人干人人爱| 男人舔奶头视频| 国产乱人伦免费视频| 亚洲国产精品合色在线| h日本视频在线播放| 91狼人影院| 久久精品国产亚洲av天美| 国模一区二区三区四区视频| 欧美bdsm另类| 神马国产精品三级电影在线观看| 国产白丝娇喘喷水9色精品| 蜜桃久久精品国产亚洲av| 简卡轻食公司| 观看美女的网站| 床上黄色一级片| 国产精品无大码| 国产午夜福利久久久久久| 看黄色毛片网站| 久久久久久久久久久丰满 | 精品乱码久久久久久99久播| eeuss影院久久| 午夜福利欧美成人| 日本黄色视频三级网站网址| 搞女人的毛片| 大又大粗又爽又黄少妇毛片口| 人妻丰满熟妇av一区二区三区| 午夜精品一区二区三区免费看| 特大巨黑吊av在线直播| 国产精华一区二区三区| 琪琪午夜伦伦电影理论片6080| 午夜福利高清视频| 亚洲精品在线观看二区| 一区二区三区高清视频在线| 亚洲色图av天堂| 九色国产91popny在线| 99在线视频只有这里精品首页| 99热6这里只有精品| 麻豆av噜噜一区二区三区| 国产精品爽爽va在线观看网站| 午夜a级毛片| 欧美绝顶高潮抽搐喷水| 日韩一区二区视频免费看| 少妇的逼水好多| 亚洲国产精品合色在线| 国产乱人伦免费视频| 亚洲成人久久性| 亚洲美女黄片视频| 日韩精品青青久久久久久| 免费看a级黄色片| 国产男靠女视频免费网站| 大型黄色视频在线免费观看| 18禁黄网站禁片免费观看直播| www.色视频.com| 熟女电影av网| 国产极品精品免费视频能看的| 亚洲一区二区三区色噜噜| 婷婷精品国产亚洲av| 伦精品一区二区三区| 中国美白少妇内射xxxbb| av女优亚洲男人天堂| 一进一出抽搐动态| 最近中文字幕高清免费大全6 | 亚洲中文日韩欧美视频| a级一级毛片免费在线观看| 99久国产av精品| 亚洲男人的天堂狠狠| 18禁黄网站禁片午夜丰满| 给我免费播放毛片高清在线观看| 一个人免费在线观看电影| 人人妻,人人澡人人爽秒播| 人妻夜夜爽99麻豆av| 变态另类成人亚洲欧美熟女| 在线播放无遮挡| 一进一出抽搐动态| 久久久国产成人免费| 啦啦啦啦在线视频资源| 精品99又大又爽又粗少妇毛片 | 国产亚洲精品av在线| 少妇熟女aⅴ在线视频| 亚洲精品一卡2卡三卡4卡5卡| 国产精品久久久久久亚洲av鲁大| 日韩欧美国产一区二区入口| 欧美日韩黄片免| 91久久精品电影网| 欧美日韩综合久久久久久 | 99久久中文字幕三级久久日本| 亚洲一级一片aⅴ在线观看| 久久久久久久久大av| 国产av在哪里看| 国产av麻豆久久久久久久| 嫩草影院精品99| 精品乱码久久久久久99久播| 国产精品一及| 舔av片在线| 国产三级在线视频| 99久久精品热视频| 人人妻,人人澡人人爽秒播| 免费无遮挡裸体视频| 欧美一级a爱片免费观看看| 国产精品野战在线观看| 免费av观看视频| 免费看光身美女| 欧美最新免费一区二区三区| 两个人的视频大全免费| 日韩欧美 国产精品| 亚洲第一电影网av| 免费在线观看日本一区| 精品久久久久久久久久免费视频| 又黄又爽又刺激的免费视频.| 欧美人与善性xxx| 国产免费男女视频| 中文亚洲av片在线观看爽| 国产三级中文精品| 国产一区二区激情短视频| 一区福利在线观看| 成人特级av手机在线观看| 亚洲精品久久国产高清桃花| 免费人成视频x8x8入口观看| 一本久久中文字幕| 成人性生交大片免费视频hd| 欧美极品一区二区三区四区| 国产av一区在线观看免费| 国产高清不卡午夜福利| 婷婷六月久久综合丁香| 最近中文字幕高清免费大全6 | 亚洲天堂国产精品一区在线| 亚洲中文日韩欧美视频| 三级男女做爰猛烈吃奶摸视频| 自拍偷自拍亚洲精品老妇| 久久久久久久久大av| 美女xxoo啪啪120秒动态图| 欧美在线一区亚洲| 久久久国产成人精品二区| 国产成人a区在线观看| 伊人久久精品亚洲午夜| 999久久久精品免费观看国产| 精品久久久久久,| 久久精品影院6| 欧美成人性av电影在线观看| 日韩亚洲欧美综合| 欧美3d第一页| 久久久国产成人精品二区| 久久国产精品人妻蜜桃| 欧美日本视频| 欧美+日韩+精品| 国产激情偷乱视频一区二区| 赤兔流量卡办理| 亚洲专区国产一区二区| 国产高清视频在线播放一区| 亚洲综合色惰| 丰满的人妻完整版| 听说在线观看完整版免费高清| 国产精品久久久久久av不卡| 国产精品一区www在线观看 | 久久亚洲真实| 校园人妻丝袜中文字幕| 亚洲精华国产精华精| 深爱激情五月婷婷| 欧美zozozo另类| 国产亚洲av嫩草精品影院| 日本黄色片子视频| 精品久久久噜噜| 亚洲av二区三区四区| 最好的美女福利视频网| 我的女老师完整版在线观看| 少妇裸体淫交视频免费看高清| 在现免费观看毛片| 在现免费观看毛片| 内地一区二区视频在线| 在线播放无遮挡| 在线观看免费视频日本深夜| 99久久九九国产精品国产免费| 精品一区二区三区人妻视频| 丰满的人妻完整版| 日本a在线网址| 一级黄片播放器| 老师上课跳d突然被开到最大视频| 一个人看视频在线观看www免费| 中文亚洲av片在线观看爽| 欧美激情国产日韩精品一区| 99久久精品热视频| 免费观看的影片在线观看| 无遮挡黄片免费观看| 看免费成人av毛片| 噜噜噜噜噜久久久久久91| 成人欧美大片| 乱系列少妇在线播放| 欧美色欧美亚洲另类二区| 成人美女网站在线观看视频| 亚洲欧美精品综合久久99| 乱码一卡2卡4卡精品| 国产综合懂色| 一本精品99久久精品77| 精品无人区乱码1区二区| 嫩草影院新地址| 午夜亚洲福利在线播放| 性色avwww在线观看| 亚洲最大成人av| 99国产精品一区二区蜜桃av| 18禁裸乳无遮挡免费网站照片| 久久久色成人| 日韩 亚洲 欧美在线| 国产单亲对白刺激| 亚洲精华国产精华液的使用体验 | 欧美性猛交黑人性爽| 综合色av麻豆| 国产一区二区三区在线臀色熟女| 国产精品,欧美在线| 91久久精品国产一区二区成人| 国产中年淑女户外野战色| 日本一本二区三区精品| 国产午夜精品论理片| 搞女人的毛片| 大型黄色视频在线免费观看| 此物有八面人人有两片| 国产伦在线观看视频一区| 欧美激情久久久久久爽电影| 又黄又爽又免费观看的视频| 乱码一卡2卡4卡精品| 国产精品国产三级国产av玫瑰| 国产熟女欧美一区二区| 国产探花极品一区二区| 日韩欧美免费精品| 黄片wwwwww| 国产精品一区二区三区四区久久| 99在线人妻在线中文字幕| 美女大奶头视频| 美女免费视频网站| 丰满人妻一区二区三区视频av| 国产精品人妻久久久影院| 欧美日韩乱码在线| 亚洲黑人精品在线| 成年人黄色毛片网站| 很黄的视频免费| 精品日产1卡2卡| 日本一本二区三区精品| 内射极品少妇av片p| .国产精品久久| 久久精品人妻少妇| 国产成年人精品一区二区| 日本一二三区视频观看| 日本撒尿小便嘘嘘汇集6| 精品人妻一区二区三区麻豆 | 国产单亲对白刺激| 看片在线看免费视频| 不卡视频在线观看欧美| 人妻制服诱惑在线中文字幕| 日本三级黄在线观看| 欧美一级a爱片免费观看看| 亚洲av中文字字幕乱码综合| 午夜视频国产福利| 黄色配什么色好看| 大型黄色视频在线免费观看| 久久久久久久久久成人| 波多野结衣高清无吗| 国产91精品成人一区二区三区| 国产91精品成人一区二区三区| 国产亚洲精品av在线| 日日摸夜夜添夜夜添av毛片 | 亚洲中文日韩欧美视频| 精品福利观看| 日韩一本色道免费dvd| 精品久久久久久久久av| 日韩 亚洲 欧美在线| 啦啦啦韩国在线观看视频| 国产精品永久免费网站| 在线免费观看不下载黄p国产 | 又爽又黄无遮挡网站| 久久国产精品人妻蜜桃| 欧美日韩综合久久久久久 | 午夜福利在线在线| 免费大片18禁| 国产高清三级在线| 男人舔奶头视频| 亚洲精品影视一区二区三区av| 精品国内亚洲2022精品成人| 亚洲真实伦在线观看| 免费电影在线观看免费观看| 两人在一起打扑克的视频| 亚洲国产精品合色在线| 亚州av有码| 亚洲欧美精品综合久久99| 黄色欧美视频在线观看| 91午夜精品亚洲一区二区三区 | 久久午夜福利片| 午夜福利成人在线免费观看| 日韩国内少妇激情av| 欧美日韩精品成人综合77777| 亚洲综合色惰| 51国产日韩欧美| 中文字幕av在线有码专区| 国产精品无大码| 亚洲国产欧美人成| 亚洲av免费高清在线观看| 老司机福利观看| 国产色婷婷99| 人妻夜夜爽99麻豆av| 波多野结衣高清作品| 午夜精品久久久久久毛片777| 在线观看舔阴道视频| 少妇人妻一区二区三区视频| 国产精品人妻久久久影院| 狂野欧美白嫩少妇大欣赏| 看免费成人av毛片| 日韩欧美三级三区| 嫁个100分男人电影在线观看| 成人综合一区亚洲| 亚洲成人久久性| 美女免费视频网站| av视频在线观看入口| 99久久中文字幕三级久久日本| 久久久久久久精品吃奶| 亚洲avbb在线观看| 永久网站在线| 他把我摸到了高潮在线观看| 毛片女人毛片| 日日夜夜操网爽| 91av网一区二区| 久久精品国产亚洲网站| 国产精品电影一区二区三区| 精品国产三级普通话版| 春色校园在线视频观看| 赤兔流量卡办理| 亚洲精品日韩av片在线观看| 色综合亚洲欧美另类图片| 中国美女看黄片| 人人妻人人看人人澡| 成人三级黄色视频| 岛国在线免费视频观看| 欧美中文日本在线观看视频| 国产精品99久久久久久久久| 3wmmmm亚洲av在线观看| 久久久久久大精品| 国产69精品久久久久777片| 麻豆一二三区av精品| 精品一区二区免费观看| 女的被弄到高潮叫床怎么办 | 深夜a级毛片| 亚洲精品影视一区二区三区av| 亚洲人成网站高清观看| 少妇被粗大猛烈的视频| 午夜福利视频1000在线观看| 99久久成人亚洲精品观看| 一级黄色大片毛片| 极品教师在线免费播放| 国内久久婷婷六月综合欲色啪| 动漫黄色视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 国产真实乱freesex| 久久久久免费精品人妻一区二区| 男女下面进入的视频免费午夜| 精品免费久久久久久久清纯| 亚洲第一电影网av| 国产精品亚洲美女久久久| 91av网一区二区| 毛片一级片免费看久久久久 | 麻豆一二三区av精品| avwww免费| 嫩草影院入口| 特大巨黑吊av在线直播| .国产精品久久| 亚洲av免费在线观看| 成人性生交大片免费视频hd| 久久精品国产亚洲av涩爱 | 国产精品久久久久久av不卡| 精华霜和精华液先用哪个| 久久香蕉精品热| 国产精品三级大全| 联通29元200g的流量卡| 日本精品一区二区三区蜜桃| 欧美一级a爱片免费观看看| 国产国拍精品亚洲av在线观看| 国产在线精品亚洲第一网站| 国产蜜桃级精品一区二区三区| 十八禁国产超污无遮挡网站| 色综合亚洲欧美另类图片| 国产久久久一区二区三区| 国产一区二区在线观看日韩| 亚洲黑人精品在线| 人人妻人人看人人澡| 亚洲性夜色夜夜综合| 国产欧美日韩精品一区二区| 男女边吃奶边做爰视频| 亚洲人成网站高清观看| 国产亚洲91精品色在线| 成人一区二区视频在线观看| 免费看美女性在线毛片视频| 国产免费男女视频| 欧美激情在线99| 精品福利观看| 高清毛片免费观看视频网站| 永久网站在线| 久久国内精品自在自线图片| 国产高潮美女av| 国产淫片久久久久久久久| 国产午夜福利久久久久久| 日本欧美国产在线视频| 亚洲第一区二区三区不卡| 日韩亚洲欧美综合| 色在线成人网| 国产亚洲欧美98| 欧美区成人在线视频| 亚洲熟妇中文字幕五十中出| 一本一本综合久久| 国产aⅴ精品一区二区三区波| 亚洲成人精品中文字幕电影| 日本 欧美在线| 中文资源天堂在线| 免费电影在线观看免费观看| 老司机福利观看| 亚洲自拍偷在线| 99精品久久久久人妻精品| 婷婷精品国产亚洲av| 极品教师在线免费播放| 大又大粗又爽又黄少妇毛片口| 一级a爱片免费观看的视频| 国产亚洲精品久久久com| 天天一区二区日本电影三级| 欧美精品国产亚洲| 91麻豆精品激情在线观看国产| 麻豆国产av国片精品| 成人国产一区最新在线观看| 干丝袜人妻中文字幕| 亚洲真实伦在线观看| 黄色丝袜av网址大全| 色吧在线观看| 亚洲久久久久久中文字幕| 日本与韩国留学比较| 国产三级中文精品| 一区二区三区四区激情视频 | 真人一进一出gif抽搐免费| 亚洲一区高清亚洲精品| 波野结衣二区三区在线| 久久精品影院6| 嫩草影院精品99| 免费看日本二区| 国产午夜福利久久久久久| 亚洲四区av| 亚洲最大成人中文| 亚洲精品国产成人久久av| 国产探花在线观看一区二区| 女生性感内裤真人,穿戴方法视频| 蜜桃久久精品国产亚洲av| 亚洲成人免费电影在线观看| 99在线人妻在线中文字幕| 91麻豆av在线| 日韩一本色道免费dvd| 一个人观看的视频www高清免费观看| 国产伦在线观看视频一区| 少妇熟女aⅴ在线视频| 日韩大尺度精品在线看网址| 国产 一区精品| 精品久久久久久久末码| 午夜视频国产福利| 日韩欧美三级三区| 亚洲av不卡在线观看| 在线观看免费视频日本深夜| 亚洲av一区综合| 老女人水多毛片| 免费看a级黄色片| 能在线免费观看的黄片| 国产午夜福利久久久久久| 欧美在线一区亚洲| 久久国产精品人妻蜜桃| 国产在线男女| 搡女人真爽免费视频火全软件 | 男女那种视频在线观看| 老熟妇仑乱视频hdxx| 69av精品久久久久久| 人人妻人人看人人澡| 久久人人爽人人爽人人片va| 久久99热6这里只有精品| 亚洲中文字幕日韩| 久久久久九九精品影院| 精品一区二区三区人妻视频| 国产精品伦人一区二区| 日本 av在线| 国产高清三级在线| 亚洲18禁久久av| 中文字幕av在线有码专区| 欧美成人性av电影在线观看| 国产熟女欧美一区二区| 成人鲁丝片一二三区免费| 能在线免费观看的黄片| 亚洲精品一区av在线观看| 精品日产1卡2卡| 国产精品国产三级国产av玫瑰| 淫妇啪啪啪对白视频| 最近中文字幕高清免费大全6 | 99久久久亚洲精品蜜臀av| 成熟少妇高潮喷水视频| 精品午夜福利在线看| 亚洲无线观看免费| 成年人黄色毛片网站| 午夜影院日韩av| 亚洲avbb在线观看| 女生性感内裤真人,穿戴方法视频| 国产亚洲精品综合一区在线观看| 日韩强制内射视频| 亚洲国产高清在线一区二区三| 久99久视频精品免费| 亚洲自拍偷在线| 欧美国产日韩亚洲一区| 舔av片在线| 国语自产精品视频在线第100页| 久久午夜亚洲精品久久| 国产精品福利在线免费观看| 精品人妻一区二区三区麻豆 | av在线观看视频网站免费| 中文字幕免费在线视频6| 久久久久久久久大av| 91在线观看av| 久久午夜福利片| 在线观看av片永久免费下载| 蜜桃亚洲精品一区二区三区| 有码 亚洲区| 黄色一级大片看看| 亚洲最大成人手机在线| 91久久精品电影网| 欧美日韩亚洲国产一区二区在线观看| 天堂动漫精品| 欧美日韩国产亚洲二区| av视频在线观看入口| 免费在线观看影片大全网站|