• <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YOLOv5的電力線和桿塔實(shí)時(shí)檢測(cè)算法研究

    2022-12-01 01:06:12葉樹芬施振華蘇成悅梁立黃海潤(rùn)關(guān)家華
    計(jì)算機(jī)測(cè)量與控制 2022年11期
    關(guān)鍵詞:候選框電力線特征提取

    葉樹芬,施振華,蘇成悅,梁立,黃海潤(rùn),關(guān)家華

    (1.廣東工業(yè)大學(xué) 物理與光電工程學(xué)院,廣州 510006; 2.廣州杰超科技有限公司,廣州 510006;3.廣東電網(wǎng)有限責(zé)任公司佛山供電局,廣東 佛山 528000)

    0 引言

    電力線路巡檢是電網(wǎng)穩(wěn)定安全運(yùn)行的重要環(huán)節(jié),人工操作的無(wú)人機(jī)巡檢替代傳統(tǒng)人工巡檢可節(jié)約大量的時(shí)間和人力成本[1]。智能無(wú)人機(jī)自動(dòng)巡檢成為當(dāng)前電力巡檢的研究熱點(diǎn),導(dǎo)航是智能無(wú)人機(jī)巡檢的關(guān)鍵[2]。由于導(dǎo)航精度不夠,巡檢無(wú)人機(jī)飛偏的概率較大[3],對(duì)電力線和桿塔準(zhǔn)確且高效的識(shí)別是無(wú)人機(jī)沿電力線路實(shí)時(shí)巡檢的基礎(chǔ)[4]。

    電力線識(shí)別的傳統(tǒng)數(shù)字圖像處理算法需要預(yù)先對(duì)目標(biāo)特征進(jìn)行數(shù)值化定義,通過(guò)某種固定特征進(jìn)行匹配。Zhu等[5]通過(guò)Radon變換以及線段平行的約束條件識(shí)別電力線。駱顧平等[6]改進(jìn)Ratio算子并結(jié)合輪廓特征和利用Hough變換的直線編組擬合算法識(shí)別出電力線。數(shù)字圖像處理算法對(duì)與電力線形狀相似的道路和房屋等有邊緣特征的圖像,以及多樣性場(chǎng)景存在識(shí)別干擾,容易產(chǎn)生漏檢和誤檢[7]。

    檢測(cè)電力線路的深度學(xué)習(xí)算法主要有電力桿塔識(shí)別的目標(biāo)檢測(cè)算法和電力線識(shí)別的語(yǔ)義分割算法。目標(biāo)檢測(cè)雙階段算法以R-CNN系列[8-10]為代表,該算法產(chǎn)生候選區(qū)域再分類和回歸。單階段算法直接預(yù)測(cè)目標(biāo)的類別與位置,算法速度更快,常見有YOLO[11-14],SSD[15]等。孫樂楊等[16]增加YOLOv5模型特征層尺度以及通過(guò)切割高分辨圖像后進(jìn)行識(shí)別,提升遙感圖像里小目標(biāo)電力塔檢測(cè)效果。楊知等[17]提出結(jié)合YOLOv2和VGG模型級(jí)聯(lián)的目標(biāo)檢測(cè)算法來(lái)識(shí)別高分辨率遙感影像中的電力塔。有研究人員針對(duì)電力線的特征提出語(yǔ)義分割算法,但這類算法復(fù)雜度高[18-19]。深度學(xué)習(xí)算法泛化能力更強(qiáng),但算力和內(nèi)存空間是模型在嵌入式平臺(tái)應(yīng)用的瓶頸,復(fù)雜模型實(shí)時(shí)性較差,已知的算法還不能同時(shí)實(shí)現(xiàn)電力桿塔和電力線兩類目標(biāo)的檢測(cè)任務(wù)。

    本文在YOLOv5網(wǎng)絡(luò)模型基礎(chǔ)上,采用減少特征提取層Bottleneck數(shù)量和深度可分離卷積,以減少模型整體參數(shù)量和計(jì)算量;通過(guò)改進(jìn)NMS算法,提升電力線和電力桿塔的檢測(cè)精度;部署于嵌入式平臺(tái)驗(yàn)證表明本算法能兼顧檢測(cè)精度和速度,具有較好的實(shí)用性。

    1 YOLOv5算法

    YOLOv5包含5個(gè)版本的模型,它們的區(qū)別在于模型的深度和寬度不同,考慮在嵌入式平臺(tái)上使用,本文選用模型體積較小,精確度適中的YOLOv5s作為基礎(chǔ)模型,其由輸入端、Backbone、Neck和Prediction四個(gè)部分組成。

    1.1 輸入端

    輸入端部分包含對(duì)圖像的預(yù)處理和數(shù)據(jù)增強(qiáng)的方式,自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放。

    自適應(yīng)錨框計(jì)算是YOLOv5s網(wǎng)絡(luò)在訓(xùn)練之前,會(huì)對(duì)錨框的長(zhǎng)寬進(jìn)行初始設(shè)定,訓(xùn)練過(guò)程中,網(wǎng)絡(luò)會(huì)根據(jù)初始錨框大小輸出預(yù)測(cè)框,和真實(shí)框比較計(jì)算出兩者的差距,再反向更新迭代網(wǎng)絡(luò)參數(shù)。YOLOv5s會(huì)在訓(xùn)練和參數(shù)迭代的過(guò)程中,根據(jù)不同的數(shù)據(jù)集,自適應(yīng)計(jì)算出最佳的錨框值。

    自適應(yīng)圖片縮放是YOLOv5s網(wǎng)絡(luò)會(huì)自動(dòng)采用相同比例將圖片分辨率縮放到長(zhǎng)寬均為32的倍數(shù),不滿足比例的一邊進(jìn)行填充,在保證不失真的情況下,減少計(jì)算量,加快目標(biāo)檢測(cè)速度。

    1.2 Backbone

    Backbone包含C3層和SPPF(spatial pyramid pooling-fast,快速空間金字塔池化模塊)結(jié)構(gòu),用于圖像的特征提取,其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 Backbone結(jié)構(gòu)圖

    YOLOv5s新版中C3層是采用CSP(cross stagepartial connections,跨階段局部網(wǎng)絡(luò))架構(gòu),包含三個(gè)標(biāo)準(zhǔn)卷積層以及多個(gè)Bottleneck模塊,替換了原先設(shè)計(jì)應(yīng)用于Backbone中的CSP1_X和Neck中的CSP2_X兩種CSP結(jié)構(gòu),可以增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力,降低模型的尺寸,同時(shí)保持目標(biāo)檢測(cè)的精度。

    SPPF模塊采用多種尺寸的最大池化方式進(jìn)行多尺度特征的融合,池化后的輸出將作為下一池化的輸入,速度比SPP(spatial pyramid pooling,空間金字塔池化模塊)更快。

    1.3 Neck

    Neck部分包含F(xiàn)PN(feature pyramid networks,特征金字塔網(wǎng)絡(luò))和PAN(path aggregation network,路徑聚合網(wǎng)絡(luò))的組合結(jié)構(gòu),其中FPN是通過(guò)對(duì)高低層特征進(jìn)行融合,可以提高細(xì)長(zhǎng)型電力線等小目標(biāo)檢測(cè)效果。PAN是自底向上方向的增強(qiáng),使得深層的特征圖可以獲得淺層豐富的細(xì)節(jié)信息,提高大目標(biāo)的檢測(cè)效果。

    1.4 Prediction

    YOLOv5s用到的損失函數(shù)為定位損失(box_loss)、置信度損失(object_loss)和分類損失(class_loss)三部分的加權(quán)和。YOLOv5s的定位損失使用的是CIoU_loss[20],其計(jì)算過(guò)程公式如下:

    (1)

    其中:dc為預(yù)測(cè)框和真實(shí)框中心點(diǎn)間的距離,ds為預(yù)測(cè)框和真實(shí)框最小外接矩形的對(duì)角線距離,IoU為預(yù)測(cè)框和真實(shí)框的交并比,其計(jì)算公式如式(2)所示,α為平衡參數(shù),ν用于衡量寬高比的傾斜角度,計(jì)算公式如式(3)和式(4)所示:

    (2)

    (3)

    (4)

    CIoU_Loss計(jì)算公式如下:

    CIoU_Loss=1-CIoU

    (5)

    2 數(shù)據(jù)集制備與分析

    為了驗(yàn)證本文提出的電力線和電力桿塔算法識(shí)別的效果,且現(xiàn)有公開的電網(wǎng)數(shù)據(jù)集較少,實(shí)驗(yàn)數(shù)據(jù)集采用自建的方式。

    2.1 數(shù)據(jù)采集

    通過(guò)無(wú)人機(jī)實(shí)地拍攝獲取,拍攝地點(diǎn)在廣東省佛山市南海區(qū)部分備用電力配網(wǎng)線路,再將這些視頻數(shù)據(jù)進(jìn)行取幀得到實(shí)驗(yàn)所需的圖片。經(jīng)過(guò)篩選整理后得到2 000張圖片,并統(tǒng)一分辨率為1 280×720,方便后續(xù)模型的訓(xùn)練。數(shù)據(jù)集示例如圖2所示,背景包含草地、公路、建筑和水塘等,每張圖片都包含多個(gè)復(fù)雜背景下電力線目標(biāo)以及多角度的電力線和電力桿塔目標(biāo),根據(jù)深度學(xué)習(xí)領(lǐng)域常用的8:1:1比例隨機(jī)將圖片分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

    圖2 數(shù)據(jù)集示例

    2.2 標(biāo)注

    數(shù)據(jù)集使用在線標(biāo)注工具對(duì)圖片進(jìn)行標(biāo)注,標(biāo)注的結(jié)果利用格式轉(zhuǎn)換腳本轉(zhuǎn)換為yolo_txt格式進(jìn)行保存,每個(gè)標(biāo)注txt文件存放一個(gè)圖片的目標(biāo)信息,文件的每一行存放一個(gè)目標(biāo)的信息,包括標(biāo)注標(biāo)簽的種類class,目標(biāo)框的中點(diǎn)x坐標(biāo)x_center,中點(diǎn)y坐標(biāo)y_center,寬度width以及高度height。標(biāo)注標(biāo)簽的種類包含電力桿塔tower和電力線line。

    為了通過(guò)目標(biāo)檢測(cè)的方式對(duì)電力線進(jìn)行識(shí)別,本文對(duì)電力線采用分段標(biāo)注的方式,如圖3所示,將圖片中電力線逐一分段,每一小段打上一個(gè)電力線的標(biāo)簽,這種方式相比較于一個(gè)框標(biāo)注一整條電力線,可以減少大量不必要的背景信息引入,同時(shí)分段小框還能用于在電力線走向的判別上,將連續(xù)的分段小框中心點(diǎn)連接起來(lái),可以形成一條帶方向的電力線。

    圖3 標(biāo)注示意圖

    2.3 樣本分析

    自制電力線數(shù)據(jù)集過(guò)程中,電力線的長(zhǎng)度和不同傾斜角度都會(huì)影響分段真實(shí)框的大小,采用人工分段不可避免存在真實(shí)框長(zhǎng)寬不完全統(tǒng)一的情況,這種偏差會(huì)在一定程度上使得模型訓(xùn)練出來(lái)的目標(biāo)框和真實(shí)框大小也會(huì)有存在偏差,并且一個(gè)分段電力線真實(shí)框尺寸本身也比較小。當(dāng)且僅當(dāng)目標(biāo)框同樣大小且位置高度重合,目標(biāo)框和真實(shí)框的IoU才可能較高,而在其他大部分情況下,由于上述標(biāo)注誤差和電力線目標(biāo)較小,目標(biāo)框和真實(shí)框是較難高度重合,IoU偏小。對(duì)于常見長(zhǎng)度和角度的電力線,在標(biāo)注之前,提前固定真實(shí)框長(zhǎng)度和寬度在一個(gè)區(qū)間內(nèi),盡可能減少引入較大的標(biāo)注誤差。

    3 檢測(cè)算法改進(jìn)

    本文主要從兩個(gè)方面改進(jìn)檢測(cè)算法:(1)優(yōu)化特征提取層網(wǎng)絡(luò)結(jié)構(gòu),加快算法移植在嵌入式平臺(tái)上的部署推理;(2)結(jié)合實(shí)際電力線識(shí)別的場(chǎng)景,改進(jìn)NMS算法,提高識(shí)別效果。

    3.1 輕量化特征提取網(wǎng)絡(luò)

    對(duì)特征提取網(wǎng)絡(luò)輕量化的優(yōu)化工作主要分為修改各C3層中Bottleneck數(shù)量比例和簡(jiǎn)化特征提取網(wǎng)絡(luò)中參數(shù)量大的卷積結(jié)構(gòu)兩個(gè)部分,在不損失過(guò)多模型精度前提下,減少模型的參數(shù)量和計(jì)算復(fù)雜度。

    3.1.1 修改Bottleneck數(shù)量比例

    YOLOv5s特征提取網(wǎng)絡(luò)的C3層主要是對(duì)殘差特征進(jìn)行學(xué)習(xí)的模塊,比CSP結(jié)構(gòu)更簡(jiǎn)單和更快,但是C3層采用多路分離卷積并且通道數(shù)較高,容易占用較多的緩存空間,降低算法運(yùn)行速度,C3層的工作邏輯如下:

    1)原始輸入i進(jìn)入一分支執(zhí)行標(biāo)準(zhǔn)卷積模塊,輸出結(jié)果賦值給a;

    2)將a傳入由Bottleneck組成的模塊,使用Bottleneck的數(shù)量在定義網(wǎng)絡(luò)的時(shí)候確定,輸出結(jié)果賦值給b;

    3)原始輸入i進(jìn)入另一分支只執(zhí)行標(biāo)準(zhǔn)卷積模塊,輸出結(jié)果賦值給c;

    4)特征拼接b和c,輸出結(jié)果為d;

    5)對(duì)結(jié)果d執(zhí)行標(biāo)準(zhǔn)卷積操作,最后返回輸出。

    其中Bottleneck結(jié)構(gòu)如圖4所示,通過(guò)1×1的標(biāo)準(zhǔn)卷積將輸入特征圖的通道數(shù)減小一半,再通過(guò)3×3的標(biāo)準(zhǔn)卷積將通道數(shù)擴(kuò)大一倍,獲得需要的特征并且通道數(shù)不發(fā)生改變,還有一個(gè)shortcut參數(shù)控制是否進(jìn)行殘差連接,在特征提取層默認(rèn)為True,最后使用add操作進(jìn)行特征融合。

    圖4 Bottleneck結(jié)構(gòu)圖

    神經(jīng)網(wǎng)絡(luò)中模塊的寬度、深度和數(shù)量是可以根據(jù)不同數(shù)據(jù)集需要進(jìn)行定制化的設(shè)計(jì),減少卷積的操作可以有效的減少網(wǎng)絡(luò)的計(jì)算量,提升網(wǎng)絡(luò)的目標(biāo)檢測(cè)速度。

    ResNet網(wǎng)絡(luò)中跨階段計(jì)算分布的原始設(shè)計(jì)在很大程度上是經(jīng)驗(yàn)值,借鑒ConvNeXt網(wǎng)絡(luò)修改方法,將layer0到layer3層中block數(shù)量從ResNet-50的(3,4,6,3)改為(3,3,9,3)后降低計(jì)算復(fù)雜度,提高識(shí)別精度[21]。YOLOv5s的特征提取網(wǎng)絡(luò)中包含4個(gè)C3層,分別位于第二到第五層下采樣卷積層的下一層,本文將各C3層中Bottleneck數(shù)量從(3,6,9,3)改為(1,1,3,1),數(shù)量比例也是1:1:3:1,修改后特征提取網(wǎng)絡(luò)中各個(gè)C3層的結(jié)構(gòu)如圖5所示。

    圖5 修改后各C3層結(jié)構(gòu)

    從圖4和圖5可以看出,減少各個(gè)C3層中Bottleneck模塊的數(shù)量,可以減少Bottleneck中卷積和特征融合的參數(shù)量和計(jì)算量,精簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu),減少緩存的使用,提高模型的目標(biāo)檢測(cè)速度。

    3.1.2 引入深度可分離卷積

    在特征提取的過(guò)程中,隨著網(wǎng)絡(luò)深度的增加,特征圖的通道數(shù)也在不斷增加,使用傳統(tǒng)卷積對(duì)深層特征圖提取特征時(shí),必然會(huì)有較大的參數(shù)量產(chǎn)生,導(dǎo)致算法計(jì)算運(yùn)行速度較慢。本文采用深度可分離卷積[22]來(lái)替換YOLOv5s特征提取網(wǎng)絡(luò)中最后一個(gè)卷積層結(jié)構(gòu),這個(gè)卷積的參數(shù)量是最大的,可以有效減少參數(shù)量和計(jì)算量,并且這樣不會(huì)影響上層卷積的特征提取效果。

    深度可分離卷積是將一個(gè)標(biāo)準(zhǔn)卷積分解成一個(gè)深度卷積(depthwise convolution)和一個(gè)點(diǎn)卷積(pointwise convolution),如圖6所示,拆分了卷積中通道和空間相關(guān)性的聯(lián)合映射,可以實(shí)現(xiàn)與傳統(tǒng)卷積同樣的效果且不會(huì)損失過(guò)多的識(shí)別精度。

    圖6 深度可分離卷積

    假設(shè)輸入特征圖大小為W×H×C,標(biāo)準(zhǔn)卷積核大小為K×K×C,個(gè)數(shù)為N個(gè),輸出特征圖大小為W×H×N,那么該標(biāo)準(zhǔn)卷積的參數(shù)量為卷積核大小與輸入輸出特征圖通道數(shù)的乘積,計(jì)算過(guò)程如式(6)如示,計(jì)算量的計(jì)算過(guò)程如式(7)所示:

    ParaSC=K×K×C×N

    (6)

    OSC=W×H×C×K×K×N

    (7)

    標(biāo)準(zhǔn)卷積核拆分之后得到深度卷積核大小為K×K×1,個(gè)數(shù)與上一層通道數(shù)相同為C個(gè),是在二維平面上進(jìn)行卷積,點(diǎn)卷積核大小為1×1×C,個(gè)數(shù)為N個(gè),得到該深度可分離卷積的參數(shù)量為深度和點(diǎn)卷積核參數(shù)量的相加,計(jì)算過(guò)程如式(8)如示,同理計(jì)算量也為兩者相加,如式(9)所示:

    ParaDSC=K×K×C+C×N

    (8)

    ODSC=W×H×C×K×K+W×H×C×N

    (9)

    因此,該深度可分離卷積與標(biāo)準(zhǔn)卷積的參數(shù)量和計(jì)算量壓縮比分別為:

    (10)

    (11)

    可以看出,對(duì)于一個(gè)3×3大小的標(biāo)準(zhǔn)卷積,在輸出通道數(shù)為4的情況下,經(jīng)過(guò)深度可分離卷積的替換,參數(shù)量和計(jì)算量均可以減少到原來(lái)的36.1%,當(dāng)輸出通道數(shù)遠(yuǎn)遠(yuǎn)大于卷積核大小乘積,一個(gè)標(biāo)準(zhǔn)卷積的計(jì)算量壓縮比可以大約為1/9。本文針對(duì)的卷積結(jié)構(gòu)為輸入特征圖通道數(shù)為256個(gè),輸出特征圖通道數(shù)為512個(gè)的卷積層,是特征提取網(wǎng)絡(luò)中下采樣的最后一層卷積,替換為深度可分離卷積后,參數(shù)量有較大下降,模型計(jì)算復(fù)雜度降低。

    3.1.3 特征提取網(wǎng)絡(luò)搭建

    本文經(jīng)過(guò)改進(jìn)后YOLOv5s特征提取網(wǎng)絡(luò)結(jié)構(gòu)如表1所示,其中網(wǎng)絡(luò)的深度超參數(shù)設(shè)置為0.33,寬度超參數(shù)設(shè)置為0.50。

    表1 特征提取網(wǎng)絡(luò)結(jié)構(gòu)

    從表1可見,本文算法特征提取網(wǎng)絡(luò)包含5個(gè)卷積層,4個(gè)C3層和1個(gè)SPPF模塊,第5層卷積層為深度可分離卷積,卷積核大小3×3,卷積的步長(zhǎng)為2,最后經(jīng)過(guò)特征提取后得到通道數(shù)為512的特征圖,將輸入到Neck和Prediction用于后續(xù)目標(biāo)預(yù)測(cè)。

    3.2 改進(jìn)NMS算法

    當(dāng)一幅待測(cè)試的圖像輸入到訓(xùn)練好的目標(biāo)檢測(cè)網(wǎng)絡(luò),每個(gè)目標(biāo)網(wǎng)格區(qū)域都會(huì)產(chǎn)生多個(gè)候選框,這些候選框之間會(huì)有重疊部分,NMS是一種非極大值抑制算法,用于將冗余的候選框去除,盡可能找到最佳的預(yù)測(cè)框,即一個(gè)目標(biāo)對(duì)應(yīng)一個(gè)預(yù)測(cè)框,原算法步驟如下:(1)將候選框集合根據(jù)置信度得分進(jìn)行排序;(2)選擇置信度最高的候選框添加到最終輸出列表中,將其從候選框列表中刪除;(3)計(jì)算所有候選框的面積,并計(jì)算置信度最高的候選框與其它候選框的IoU,刪除IoU大于閾值的候選框;(4)重復(fù)上述過(guò)程,直至候選框列表為空。

    置信度評(píng)分是通過(guò)候選框與對(duì)應(yīng)待檢測(cè)目標(biāo)的概率以及候選框和真實(shí)框IoU乘積來(lái)表示該目標(biāo)框預(yù)測(cè)的精度[23],其計(jì)算公式如式(12)所示:

    confidence=Pr(Object)×IoU

    (12)

    其中:Pr(Object)表示YOLOv5s模型的候選框內(nèi)存在目標(biāo)的可能性,如果候選框內(nèi)不存在目標(biāo),則Pr(Object)=0,IoU表示候選框位置的準(zhǔn)確性。

    由于手工標(biāo)注誤差的存在,IoU偏小,使得置信度整體偏小且不能很好體現(xiàn)位置信息。原NMS算法對(duì)電力線候選框篩選后得到的結(jié)果如圖7所示。從圖中可以看到,預(yù)測(cè)框沒有完全覆蓋整條電力線,出現(xiàn)了空缺漏檢的情況。漏檢的情況出現(xiàn),可能會(huì)導(dǎo)致無(wú)人機(jī)因?yàn)槭?shí)際電力線的定位信息而發(fā)生飛偏等意外事故。

    圖7 標(biāo)準(zhǔn)NMS算法檢測(cè)效果

    在實(shí)際的電力線識(shí)別當(dāng)中,需要盡可能地將整條電力線路完整清晰的識(shí)別出來(lái)。原NMS算法采用置信度分?jǐn)?shù)高低來(lái)對(duì)候選框進(jìn)行優(yōu)先篩選,但是分類置信度高的預(yù)測(cè)框不一定擁有與真實(shí)框最接近的位置,容易將定位更為準(zhǔn)確的候選框抑制去掉[24]。本文根據(jù)電力線具有連續(xù)性這個(gè)特征,將原算法步驟(1)中根據(jù)置信度得分進(jìn)行排序修改為根據(jù)候選框縱坐標(biāo)y1作為排序標(biāo)準(zhǔn),檢測(cè)效果如圖8所示,更能反映預(yù)測(cè)框位置信息。

    圖8 改進(jìn)NMS算法檢測(cè)效果

    從圖8中可以看出,修改后的預(yù)選框可以不重疊并且更加清晰緊密地將電力線識(shí)別出來(lái),按照電力線的走向逐一排列,提高了目標(biāo)檢測(cè)效果。

    4 實(shí)驗(yàn)及結(jié)果

    實(shí)驗(yàn)中使用到的硬件配置如表2所示,軟件操作系統(tǒng)為Ubuntu20.04,搭建環(huán)境有:CUDA版本為10.1,cuDNN版本為7.6.5,深度學(xué)習(xí)框架使用Pytorch1.10.2,圖形處理工具使用OpenCV4,編程語(yǔ)言使用Python 3.8等。

    表2 硬件配置表

    4.1 數(shù)據(jù)增強(qiáng)

    在電力線和電力桿塔檢測(cè)模型訓(xùn)練階段,使用包括Mosaic,Mixup[25],圖片平移、縮放、翻轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法,豐富數(shù)據(jù)集,提高模型的訓(xùn)練效果。

    Mosaic數(shù)據(jù)增強(qiáng)能隨機(jī)將4張電力線路圖片進(jìn)行縮放和裁剪,并且以不同的排布隨機(jī)拼接成一副圖片,如圖9所示為一個(gè)批次大小(batch size)數(shù)量的圖片經(jīng)過(guò)Mosaic處理后的結(jié)果,在對(duì)原始圖片拼接處理之后,還會(huì)以像素填充的形式將圖片長(zhǎng)和寬縮放到同一尺寸。經(jīng)過(guò)這樣的方式處理數(shù)據(jù)后,每次送進(jìn)網(wǎng)絡(luò)的圖片,相當(dāng)于包含了4張?jiān)紙D片的數(shù)據(jù)信息,豐富了電力線路圖片之間的關(guān)聯(lián)信息,對(duì)于單GPU訓(xùn)練,可以減少batch size,提高訓(xùn)練精度。

    圖9 訓(xùn)練圖片Mosaic處理

    Mixup數(shù)據(jù)增強(qiáng)是利用線性插值的方法形成新的樣本,本文增強(qiáng)系數(shù)為0.2,通過(guò)隨機(jī)取出兩張電力線路圖片,將它們的特征向量和標(biāo)簽,對(duì)應(yīng)地加權(quán)相加,得到新樣本的特征向量和標(biāo)簽,新樣本融合了兩張?jiān)紙D片的信息,同樣可以增強(qiáng)模型的抗干擾能力。

    4.2 訓(xùn)練參數(shù)及策略

    在整個(gè)訓(xùn)練過(guò)程中,訓(xùn)練參數(shù)設(shè)置如下:最大訓(xùn)練迭代次數(shù)(epoch)為100,batch size為16,初始學(xué)習(xí)率為0.01,動(dòng)量(momentum)為0.937,權(quán)重衰減(decay)為0.000 5,在一定程度上降低模型出現(xiàn)過(guò)擬合的可能。

    訓(xùn)練策略用warmup來(lái)優(yōu)化訓(xùn)練的效果[26],在模型剛開始訓(xùn)練時(shí),模型的權(quán)重(weights)是隨機(jī)初始化的,若選擇預(yù)先設(shè)定好的學(xué)習(xí)率,可能會(huì)比較大,導(dǎo)致模型出現(xiàn)振蕩的不穩(wěn)定情況,而選擇warmup預(yù)熱學(xué)習(xí)率的方式,將前三個(gè)epoch設(shè)置為預(yù)熱學(xué)習(xí)輪數(shù),預(yù)熱學(xué)習(xí)初始動(dòng)量設(shè)置為0.8,學(xué)習(xí)率較小,模型可以降低訓(xùn)練的誤差,慢慢趨于穩(wěn)定,等模型相對(duì)穩(wěn)定后再使用預(yù)先設(shè)置的學(xué)習(xí)率0.01進(jìn)行訓(xùn)練,使得模型收斂速度變得更快,模型效果更佳。

    本文在多次調(diào)整訓(xùn)練參數(shù)后得到如圖10所示的損失下降曲線,其中橫坐標(biāo)表示訓(xùn)練epoch,縱坐標(biāo)為損失值,從圖中可以看到,YOLOv5s損失函數(shù)中三個(gè)方面的損失整體均趨于收斂,通過(guò)數(shù)據(jù)表明,模型達(dá)到較好的擬合效果,呈現(xiàn)穩(wěn)定狀態(tài),可以用于接下來(lái)進(jìn)行驗(yàn)證和測(cè)試。

    圖10 訓(xùn)練損失下降曲線

    4.3 評(píng)價(jià)指標(biāo)

    在評(píng)估目標(biāo)檢測(cè)算法識(shí)別效果的時(shí)候,通常根據(jù)數(shù)據(jù)集特性,應(yīng)用場(chǎng)景側(cè)重等不同,合理選擇使用一些特定的量化指標(biāo)進(jìn)行評(píng)判。

    本文在電力線和電力桿塔檢測(cè)任務(wù)當(dāng)中,對(duì)算法的識(shí)別精確度,采用準(zhǔn)確率(P,precision)和召回率(R,recall)來(lái)衡量不同算法的分類和檢測(cè)性能,除此之外,針對(duì)無(wú)人機(jī)攜帶的嵌入式平臺(tái)算力有限的算法效率優(yōu)化,采用模型參數(shù)量,模型體積和每秒幀數(shù)(FPS,frames per second)作為改進(jìn)算法的衡量指標(biāo)。P和R的計(jì)算公式如下:

    (13)

    (14)

    其中:TP表示算法檢測(cè)為電力線和電力桿塔目標(biāo)當(dāng)中判斷正確的數(shù)目,F(xiàn)P為判斷錯(cuò)誤的數(shù)目,F(xiàn)N表示算法沒有檢測(cè)出真實(shí)電力線和電力桿塔目標(biāo)的數(shù)目。在判斷目標(biāo)框是TP還是FP時(shí),首先是網(wǎng)絡(luò)產(chǎn)生大量的預(yù)測(cè)框,通過(guò)NMS算法篩選出符合要求閾值的預(yù)測(cè)框,再分別計(jì)算真實(shí)框和這些預(yù)測(cè)框的IoU,此時(shí)如果存在符合IoU條件的預(yù)測(cè)框,那么IoU最大的預(yù)測(cè)框就確定為這個(gè)真實(shí)框的唯一正確判斷結(jié)果,最后沒有判斷正確的預(yù)測(cè)框,均確定為錯(cuò)誤判斷結(jié)果。

    從實(shí)際工程應(yīng)用的角度來(lái)看,分段標(biāo)注的目的在于能將分段的目標(biāo)框用于無(wú)人機(jī)沿著線飛行的指引,而不是將分段的目標(biāo)框和真實(shí)框一一對(duì)應(yīng)起來(lái),因此本文將上述的IoU條件設(shè)置為0.3,充分考慮到手工標(biāo)注的誤差存在和工程應(yīng)用的需求,允許目標(biāo)框位置上存在一定的偏差,更能反映不同目標(biāo)檢測(cè)算法的檢測(cè)效果。

    4.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

    本節(jié)將從特征提取網(wǎng)絡(luò)Bottleneck數(shù)量比例選取,不同目標(biāo)檢測(cè)算法對(duì)比和嵌入式平臺(tái)部署三個(gè)方面設(shè)計(jì)實(shí)驗(yàn)并分析改進(jìn)對(duì)實(shí)驗(yàn)結(jié)果的影響,其中對(duì)于算法測(cè)試過(guò)程中NMS算法用到的參數(shù)設(shè)置如下:IoU閾值為0.01,置信度閾值為0.25。

    4.4.1 Bottleneck數(shù)量比例改進(jìn)對(duì)比

    在特征提取網(wǎng)絡(luò)輕量化的改進(jìn)中,本文針對(duì)各C3層中Bottleneck數(shù)量進(jìn)行了修改。為了對(duì)比使用不同Bottleneck數(shù)量對(duì)算法的影響,在YOLOv5s原始特征提取網(wǎng)絡(luò)上采用4種不同的數(shù)量比進(jìn)行實(shí)驗(yàn),得到對(duì)應(yīng)的準(zhǔn)確率、召回率和參數(shù)量指標(biāo),最終算法在測(cè)試集上結(jié)果如表3所示。

    表3 不同Bottleneck比例效果對(duì)比

    原始YOLOv5s特征提取網(wǎng)絡(luò)中Bottleneck數(shù)量比為(3,6,9,3),從表3可以看出,其準(zhǔn)確率為96.6%,召回率為88.9%,參數(shù)量為6.69 MB,不斷減少各層Bottleneck數(shù)量,參數(shù)量不斷下降,但是對(duì)準(zhǔn)確率和召回率的影響并不明顯,最后當(dāng)數(shù)量比為(1,1,3,1)時(shí),參數(shù)量為6.34 MB,減少了5.2%,準(zhǔn)確率和召回率均有少量提升。從實(shí)驗(yàn)結(jié)果可以看到,Bottleneck數(shù)量比例改進(jìn)是可行的,在識(shí)別精度有所提高的情況下能有效降低模型的參數(shù)量。

    4.4.2 目標(biāo)檢測(cè)算法對(duì)比

    為了驗(yàn)證本文算法的有效性,將本文算法與雙階段算法Faster R-CNN,單階段算法SSD,輕量化的YOLOv4-tiny[27]和YOLOv5s進(jìn)行對(duì)比,計(jì)算各個(gè)算法的準(zhǔn)確率、召回率、模型體積和FPS指標(biāo),結(jié)果如表4所示。

    表4 不同算法性能和參數(shù)對(duì)比

    表4的數(shù)據(jù)均在自制電力線路數(shù)據(jù)集的訓(xùn)練集上進(jìn)行訓(xùn)練,通過(guò)測(cè)試集得出的結(jié)果。從表中可以看出,YOLOv5s獲得了96.6%的準(zhǔn)確率,88.9%的召回率,兩者均優(yōu)于Faster R-CNN和YOLOv4-tiny,相比于SSD的召回率雖然低了8.8%,但是高了SSD的準(zhǔn)確率37.8%,再看模型體積和FPS,YOLOv5s相比于其他算法具有絕對(duì)的優(yōu)勢(shì),模型體積為14.0 MB,僅為SSD模型體積的15.4%,F(xiàn)PS為YOLOv4-tiny的兩倍以上。

    本文算法將YOLOv5s作為基礎(chǔ)算法,在特征提取網(wǎng)絡(luò)中引入深度可分離卷積并且減少Bottleneck數(shù)量,同時(shí)也改進(jìn)了NMS算法,優(yōu)化目標(biāo)框的篩選機(jī)制,從表中可以看出本算法模型體積進(jìn)一步壓縮20.7%,有效降低了算法的參數(shù)量和計(jì)算量,在GTX1080Ti上FPS提高了17.7,雖然準(zhǔn)確率有2.6%的下降,但是召回率有6.1%的提升,彌補(bǔ)了YOLOv5s在召回率上的不足,在實(shí)際電力線路檢測(cè)當(dāng)中,出于防止無(wú)人機(jī)巡檢事故發(fā)生的角度,更加看重召回率。從對(duì)比實(shí)驗(yàn)可以看到,本文提出的算法在平衡識(shí)別精度和識(shí)別速度上更具有優(yōu)勢(shì)。

    4.4.3 嵌入式平臺(tái)實(shí)驗(yàn)

    為了進(jìn)一步驗(yàn)證本算法在實(shí)際場(chǎng)景中的實(shí)用性,將目標(biāo)檢測(cè)算法移植部署到嵌入式平臺(tái)Jetson Nano上。

    Jetson Nano是一款嵌入式系統(tǒng)主板,體積較小,適合搭載在無(wú)人機(jī)上。硬件系統(tǒng)其CPU為4核的Cortex-A57,GPU為基于MaxwellTM架構(gòu)的128核集成CPU,有64位的4 GB LPDDR4內(nèi)存,在算力方面具有472 GFLOPs,可以基本滿足小型目標(biāo)檢測(cè)算法的實(shí)時(shí)推理過(guò)程;軟件系統(tǒng)本文安裝的是JetPack 4.4.1 SDK。

    目標(biāo)檢測(cè)模型在訓(xùn)練階段,更加注重識(shí)別精度的提升,但在模型部署階段,部署端平臺(tái)的性能會(huì)有較大的下降,因此在算法實(shí)際部署到嵌入式平臺(tái)這個(gè)過(guò)程中,一般都需要加速優(yōu)化算法的推理過(guò)程,包括降低計(jì)算精度、運(yùn)算合并以及內(nèi)存使用的優(yōu)化等。本實(shí)驗(yàn)利用TensorRT加速推理,通過(guò)自制的測(cè)試集進(jìn)行測(cè)試,同時(shí)還設(shè)置了與YOLOv5s的對(duì)比實(shí)驗(yàn),對(duì)比部署后的算法模型體積和每一秒檢測(cè)圖片的數(shù)量,實(shí)驗(yàn)結(jié)果如表5所示,其中精度設(shè)置為半精度浮點(diǎn)型(FP16),輸入圖片大小為640×640。

    表5 嵌入式平臺(tái)算法性能對(duì)比

    從表5可以看到,本文改進(jìn)算法,模型體積為14.6 MB,下降了22.3%,這意味著嵌入式平臺(tái)可以減少這部分模型的計(jì)算,能有更多算力完成其他功能。在識(shí)別速度上,F(xiàn)PS達(dá)到17.2,在原算法基礎(chǔ)上增加了1.6,在運(yùn)算資源有限的情況下基本滿足實(shí)時(shí)檢測(cè)的需求,測(cè)試效果如圖11所示,電力線和電力桿塔能同時(shí)準(zhǔn)確的識(shí)別出來(lái)。

    圖11 Jetson Nano測(cè)試效果圖

    為了進(jìn)一步驗(yàn)證使用目標(biāo)檢測(cè)識(shí)別電力線來(lái)使無(wú)人機(jī)沿線路巡檢的效果,本文將電力線目標(biāo)框的中心點(diǎn)連接起來(lái),如圖12所示,給無(wú)人機(jī)的飛行提供電力線的方向,從而可以更好完成巡檢的工作。

    圖12 測(cè)試驗(yàn)證圖

    實(shí)驗(yàn)結(jié)果表明,本文在模型結(jié)構(gòu)上壓縮計(jì)算量和參數(shù)量的方式,能有效優(yōu)化算法在嵌入式平臺(tái)上推理的速度,提高實(shí)時(shí)性。

    5 結(jié)束語(yǔ)

    針對(duì)電力線和電力桿塔檢測(cè)任務(wù),為了解決深度學(xué)習(xí)算法計(jì)算量大的問(wèn)題,本文構(gòu)建并標(biāo)注了一個(gè)新的數(shù)據(jù)集,使用YOLOv5s作為基礎(chǔ)目標(biāo)檢測(cè)算法,通過(guò)使用數(shù)量更少的Bottleneck完成對(duì)輸入目標(biāo)的特征提取,采用深度可分離卷積技術(shù)降低卷積計(jì)算的參數(shù)量,有效降低算法的計(jì)算復(fù)雜度,優(yōu)化NMS算法,進(jìn)一步提升了目標(biāo)檢測(cè)的召回率。通過(guò)多組對(duì)比實(shí)驗(yàn)表明,改進(jìn)的YOLOv5s算法比原始算法在檢測(cè)召回率度、模型體積和FPS指標(biāo)均有一定的提升,能在嵌入式平臺(tái)上同時(shí)完成電力線和電力桿塔的檢測(cè),具有較好的實(shí)時(shí)性?,F(xiàn)有數(shù)據(jù)集所能覆蓋的場(chǎng)景有限,接下來(lái)需要獲取到更多原始電力線路樣本數(shù)據(jù),從而進(jìn)一步驗(yàn)證算法的魯棒性。

    猜你喜歡
    候選框電力線特征提取
    重定位非極大值抑制算法
    面向自然場(chǎng)景文本檢測(cè)的改進(jìn)NMS算法
    基于Soft-NMS的候選框去冗余加速器設(shè)計(jì)*
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    一種針對(duì)特定目標(biāo)的提議算法
    基于電力線載波通信的智能限電裝置
    電子制作(2017年14期)2017-12-18 07:07:59
    Bagging RCSP腦電特征提取算法
    一種壓縮感知電力線信道估計(jì)機(jī)制
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    電力線載波通信標(biāo)準(zhǔn)PRIME和G3-PLC的研究
    国产一区二区三区av在线| 天天躁狠狠躁夜夜躁狠狠躁| 搡老乐熟女国产| 婷婷丁香在线五月| 操美女的视频在线观看| 只有这里有精品99| 中国美女看黄片| 久久天躁狠狠躁夜夜2o2o | 亚洲人成电影免费在线| 国产成人一区二区三区免费视频网站 | 免费黄频网站在线观看国产| 另类精品久久| 国产成人av激情在线播放| 中文字幕色久视频| 又大又黄又爽视频免费| 欧美精品一区二区大全| 亚洲,欧美,日韩| 久热这里只有精品99| 亚洲国产毛片av蜜桃av| 美女中出高潮动态图| 美女午夜性视频免费| 天天影视国产精品| 青春草视频在线免费观看| 午夜福利视频在线观看免费| 久热爱精品视频在线9| 精品福利观看| 国产成人免费无遮挡视频| 午夜激情久久久久久久| 亚洲av成人精品一二三区| 汤姆久久久久久久影院中文字幕| 天堂中文最新版在线下载| 99国产精品免费福利视频| 18禁国产床啪视频网站| 精品一品国产午夜福利视频| 久久狼人影院| 少妇被粗大的猛进出69影院| 欧美黑人精品巨大| 乱人伦中国视频| 成人国产一区最新在线观看 | 波野结衣二区三区在线| 美女高潮到喷水免费观看| 一本一本久久a久久精品综合妖精| 国产成人一区二区在线| 久久亚洲国产成人精品v| av视频免费观看在线观看| 国产主播在线观看一区二区 | 国产成人欧美在线观看 | 另类亚洲欧美激情| 亚洲 国产 在线| 日日夜夜操网爽| 欧美成狂野欧美在线观看| kizo精华| 韩国精品一区二区三区| 丁香六月欧美| 日本午夜av视频| 成人亚洲精品一区在线观看| av有码第一页| 久久精品国产亚洲av涩爱| 两个人免费观看高清视频| 国产精品国产av在线观看| 午夜免费观看性视频| 国产一区有黄有色的免费视频| 无遮挡黄片免费观看| 亚洲中文日韩欧美视频| 一级毛片女人18水好多 | 91麻豆精品激情在线观看国产 | 一二三四社区在线视频社区8| 国产日韩欧美在线精品| 巨乳人妻的诱惑在线观看| 久久国产精品男人的天堂亚洲| avwww免费| 亚洲国产精品999| 欧美日韩综合久久久久久| 女人久久www免费人成看片| 久久久久精品人妻al黑| 日韩熟女老妇一区二区性免费视频| 久久精品aⅴ一区二区三区四区| 国产日韩欧美亚洲二区| 热re99久久精品国产66热6| 精品国产超薄肉色丝袜足j| 九色亚洲精品在线播放| 久久 成人 亚洲| 欧美少妇被猛烈插入视频| 日韩大片免费观看网站| 黄色片一级片一级黄色片| 亚洲五月婷婷丁香| 午夜av观看不卡| 嫁个100分男人电影在线观看 | 中文字幕av电影在线播放| 亚洲欧美日韩高清在线视频 | 国产亚洲av高清不卡| 美女福利国产在线| 夫妻午夜视频| 久久久久久久精品精品| 中文字幕高清在线视频| 高清欧美精品videossex| 欧美日韩av久久| 久久国产精品影院| 国产成人欧美| 亚洲成人免费av在线播放| 欧美 日韩 精品 国产| 精品少妇久久久久久888优播| 精品久久蜜臀av无| 亚洲av男天堂| 一本色道久久久久久精品综合| 亚洲欧洲日产国产| 国产人伦9x9x在线观看| 国产成人啪精品午夜网站| 美女扒开内裤让男人捅视频| 中文字幕av电影在线播放| 777久久人妻少妇嫩草av网站| 亚洲精品国产av蜜桃| 久久久久久久国产电影| 亚洲精品久久成人aⅴ小说| 人妻 亚洲 视频| 黄色视频不卡| 成年美女黄网站色视频大全免费| 亚洲天堂av无毛| 久久久久久亚洲精品国产蜜桃av| 欧美国产精品一级二级三级| 国产1区2区3区精品| a级毛片黄视频| 嫩草影视91久久| 另类亚洲欧美激情| 人体艺术视频欧美日本| 麻豆av在线久日| 久久这里只有精品19| 校园人妻丝袜中文字幕| 欧美 亚洲 国产 日韩一| 天天影视国产精品| 这个男人来自地球电影免费观看| 国产成人a∨麻豆精品| 国产日韩欧美亚洲二区| 亚洲激情五月婷婷啪啪| 亚洲成人手机| av在线老鸭窝| 亚洲一区二区三区欧美精品| 午夜福利视频精品| 欧美97在线视频| 这个男人来自地球电影免费观看| 国产免费一区二区三区四区乱码| 日韩电影二区| 精品熟女少妇八av免费久了| 国产精品熟女久久久久浪| av视频免费观看在线观看| 香蕉国产在线看| 国产1区2区3区精品| videos熟女内射| 天天操日日干夜夜撸| 欧美大码av| 午夜视频精品福利| 色网站视频免费| 欧美日韩亚洲国产一区二区在线观看 | 咕卡用的链子| 美女午夜性视频免费| 亚洲精品久久久久久婷婷小说| 色视频在线一区二区三区| 天天躁夜夜躁狠狠躁躁| 欧美xxⅹ黑人| 久久久久久久精品精品| 国产免费又黄又爽又色| 亚洲熟女精品中文字幕| 色婷婷久久久亚洲欧美| 精品人妻熟女毛片av久久网站| 午夜老司机福利片| a级毛片黄视频| 久久av网站| 18禁黄网站禁片午夜丰满| 亚洲欧美清纯卡通| 99国产精品免费福利视频| 性少妇av在线| 激情视频va一区二区三区| 亚洲成色77777| 性少妇av在线| 99九九在线精品视频| 人人妻人人添人人爽欧美一区卜| 成年人黄色毛片网站| a级毛片在线看网站| 狂野欧美激情性xxxx| 脱女人内裤的视频| 亚洲精品成人av观看孕妇| 亚洲国产精品国产精品| 亚洲久久久国产精品| 久久久亚洲精品成人影院| 午夜老司机福利片| 黄色怎么调成土黄色| 亚洲精品一卡2卡三卡4卡5卡 | 午夜91福利影院| 中文字幕亚洲精品专区| 久久毛片免费看一区二区三区| 亚洲一码二码三码区别大吗| e午夜精品久久久久久久| 老司机亚洲免费影院| 精品视频人人做人人爽| 99re6热这里在线精品视频| 午夜老司机福利片| 丰满饥渴人妻一区二区三| 久久女婷五月综合色啪小说| 国产片内射在线| 中文字幕制服av| 国产福利在线免费观看视频| 亚洲成人手机| 亚洲,欧美,日韩| 日韩大片免费观看网站| 欧美 日韩 精品 国产| 久久精品国产亚洲av高清一级| 人人澡人人妻人| 免费黄频网站在线观看国产| 最黄视频免费看| 99国产精品一区二区三区| 1024香蕉在线观看| 啦啦啦在线观看免费高清www| 性色av一级| 女性生殖器流出的白浆| 在线观看国产h片| 精品人妻一区二区三区麻豆| 国产熟女午夜一区二区三区| 亚洲精品第二区| 精品久久久久久久毛片微露脸 | 亚洲色图综合在线观看| 欧美黑人精品巨大| 亚洲av男天堂| 晚上一个人看的免费电影| 亚洲国产精品一区二区三区在线| 中文字幕av电影在线播放| 国产精品香港三级国产av潘金莲 | 国产亚洲av片在线观看秒播厂| 又大又爽又粗| 色婷婷久久久亚洲欧美| 久久国产精品大桥未久av| 欧美精品av麻豆av| 精品人妻一区二区三区麻豆| 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 | 又紧又爽又黄一区二区| 国产成人精品久久久久久| 我的亚洲天堂| 欧美变态另类bdsm刘玥| 最新在线观看一区二区三区 | 一边亲一边摸免费视频| 男女午夜视频在线观看| 69精品国产乱码久久久| 一级a爱视频在线免费观看| 九草在线视频观看| 熟女少妇亚洲综合色aaa.| 亚洲专区中文字幕在线| 国产精品久久久久久人妻精品电影 | 中国美女看黄片| 99九九在线精品视频| 国产伦理片在线播放av一区| 亚洲欧洲日产国产| 亚洲第一av免费看| 99热网站在线观看| 久久久久久久大尺度免费视频| 纵有疾风起免费观看全集完整版| 国语对白做爰xxxⅹ性视频网站| 欧美老熟妇乱子伦牲交| √禁漫天堂资源中文www| av天堂在线播放| 在线看a的网站| 久久国产亚洲av麻豆专区| 国产av一区二区精品久久| 久久这里只有精品19| 建设人人有责人人尽责人人享有的| 一级毛片黄色毛片免费观看视频| 黄色毛片三级朝国网站| 91精品三级在线观看| 欧美日韩亚洲国产一区二区在线观看 | 国产一区二区三区综合在线观看| 伦理电影免费视频| h视频一区二区三区| 少妇人妻 视频| 天堂俺去俺来也www色官网| 日本a在线网址| 一区二区三区四区激情视频| 国产午夜精品一二区理论片| 国产亚洲欧美精品永久| 99久久人妻综合| 久久精品亚洲av国产电影网| 久热爱精品视频在线9| 免费观看人在逋| 人人澡人人妻人| 亚洲精品久久成人aⅴ小说| av片东京热男人的天堂| 狠狠精品人妻久久久久久综合| 亚洲av国产av综合av卡| 九色亚洲精品在线播放| 国产女主播在线喷水免费视频网站| 大片免费播放器 马上看| 深夜精品福利| 国产片内射在线| 国产在线观看jvid| 精品一区二区三区四区五区乱码 | 色精品久久人妻99蜜桃| 五月天丁香电影| 日韩熟女老妇一区二区性免费视频| 欧美大码av| 国产精品香港三级国产av潘金莲 | 另类亚洲欧美激情| 国产亚洲午夜精品一区二区久久| 国产日韩欧美在线精品| 99香蕉大伊视频| 久久精品亚洲熟妇少妇任你| www.av在线官网国产| 国产精品免费大片| videos熟女内射| 两性夫妻黄色片| 国产片特级美女逼逼视频| 国产在线免费精品| 欧美日韩视频高清一区二区三区二| 久久国产精品男人的天堂亚洲| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品一区二区精品视频观看| 男女下面插进去视频免费观看| 国产成人免费无遮挡视频| 赤兔流量卡办理| 十分钟在线观看高清视频www| 免费在线观看视频国产中文字幕亚洲 | 亚洲av欧美aⅴ国产| 两人在一起打扑克的视频| 久久99热这里只频精品6学生| 亚洲国产欧美日韩在线播放| 国产免费现黄频在线看| 精品久久久久久电影网| 最近手机中文字幕大全| 天天影视国产精品| 超色免费av| av一本久久久久| 亚洲成人免费电影在线观看 | 亚洲国产av新网站| 中文字幕精品免费在线观看视频| avwww免费| 国产成人精品无人区| 一级毛片电影观看| 秋霞在线观看毛片| 国产一区二区三区综合在线观看| 亚洲伊人久久精品综合| 男人爽女人下面视频在线观看| 国产主播在线观看一区二区 | 国产高清视频在线播放一区 | 国产国语露脸激情在线看| 亚洲五月色婷婷综合| 99精国产麻豆久久婷婷| 国产成人a∨麻豆精品| 国产欧美日韩一区二区三 | 在线观看免费日韩欧美大片| 亚洲五月色婷婷综合| 日韩av不卡免费在线播放| 色婷婷久久久亚洲欧美| 最近最新中文字幕大全免费视频 | 这个男人来自地球电影免费观看| 精品少妇一区二区三区视频日本电影| 18在线观看网站| 狂野欧美激情性bbbbbb| 久久久亚洲精品成人影院| 亚洲国产精品成人久久小说| 电影成人av| 下体分泌物呈黄色| 男女边摸边吃奶| 欧美日韩精品网址| 一级,二级,三级黄色视频| 国产片特级美女逼逼视频| 免费观看av网站的网址| 精品久久久精品久久久| 国产伦人伦偷精品视频| 国产老妇伦熟女老妇高清| 久久精品国产亚洲av高清一级| 免费在线观看视频国产中文字幕亚洲 | cao死你这个sao货| 九色亚洲精品在线播放| 汤姆久久久久久久影院中文字幕| 久久久精品区二区三区| 久9热在线精品视频| 蜜桃国产av成人99| 久久精品久久久久久噜噜老黄| 国产高清视频在线播放一区 | 国产免费视频播放在线视频| 亚洲人成77777在线视频| 色播在线永久视频| 亚洲成色77777| 丝袜美足系列| 99精国产麻豆久久婷婷| 热99国产精品久久久久久7| 中文字幕另类日韩欧美亚洲嫩草| 99国产精品一区二区三区| 男女之事视频高清在线观看 | 日韩熟女老妇一区二区性免费视频| 丁香六月欧美| 性少妇av在线| 999久久久国产精品视频| 美女福利国产在线| 成人亚洲欧美一区二区av| 99九九在线精品视频| 精品国产一区二区三区久久久樱花| 99九九在线精品视频| 久久国产精品大桥未久av| 91九色精品人成在线观看| 美女脱内裤让男人舔精品视频| 精品久久久精品久久久| 在线看a的网站| a级毛片黄视频| 久久久久久久久久久久大奶| 99热全是精品| 麻豆国产av国片精品| 每晚都被弄得嗷嗷叫到高潮| bbb黄色大片| 老熟女久久久| 可以免费在线观看a视频的电影网站| 91成人精品电影| 首页视频小说图片口味搜索 | 欧美久久黑人一区二区| 亚洲精品美女久久av网站| 日日摸夜夜添夜夜爱| 女人久久www免费人成看片| 精品卡一卡二卡四卡免费| 99国产综合亚洲精品| 一区二区三区乱码不卡18| 中文字幕另类日韩欧美亚洲嫩草| 国产精品久久久久久精品电影小说| a级毛片在线看网站| 亚洲欧美日韩另类电影网站| 男女高潮啪啪啪动态图| 午夜福利,免费看| 看免费av毛片| 成人亚洲欧美一区二区av| 无限看片的www在线观看| 波野结衣二区三区在线| 我要看黄色一级片免费的| 高清黄色对白视频在线免费看| 水蜜桃什么品种好| 欧美精品一区二区免费开放| 亚洲 国产 在线| 七月丁香在线播放| 日韩 欧美 亚洲 中文字幕| 男女边吃奶边做爰视频| 国产精品二区激情视频| 亚洲国产欧美网| 中文字幕人妻丝袜制服| av欧美777| 嫁个100分男人电影在线观看 | 久久99一区二区三区| 王馨瑶露胸无遮挡在线观看| 黄色一级大片看看| 人人妻人人添人人爽欧美一区卜| 亚洲第一青青草原| 久久久精品94久久精品| 国产主播在线观看一区二区 | 国产xxxxx性猛交| 亚洲国产av新网站| 亚洲 国产 在线| 亚洲熟女精品中文字幕| 久久久久久久国产电影| av又黄又爽大尺度在线免费看| 久久久精品免费免费高清| 黄色a级毛片大全视频| 久久久国产精品麻豆| 无限看片的www在线观看| 久久久久久久久久久久大奶| 美女视频免费永久观看网站| e午夜精品久久久久久久| 久久精品熟女亚洲av麻豆精品| 亚洲欧洲日产国产| 亚洲精品美女久久av网站| 99九九在线精品视频| 纵有疾风起免费观看全集完整版| 在线观看www视频免费| 午夜老司机福利片| 国产在线观看jvid| 久久久久视频综合| 精品人妻一区二区三区麻豆| 女警被强在线播放| 午夜视频精品福利| 欧美亚洲 丝袜 人妻 在线| 我要看黄色一级片免费的| 国产一区有黄有色的免费视频| 精品国产一区二区久久| 中文字幕亚洲精品专区| 国产色视频综合| 99热全是精品| 亚洲一区二区三区欧美精品| 丝袜脚勾引网站| 在线看a的网站| 欧美 亚洲 国产 日韩一| 叶爱在线成人免费视频播放| netflix在线观看网站| 五月开心婷婷网| 日日爽夜夜爽网站| 久久鲁丝午夜福利片| 日本av手机在线免费观看| 熟女av电影| 久久国产精品人妻蜜桃| 国产欧美日韩一区二区三 | 制服诱惑二区| 亚洲av综合色区一区| 两性夫妻黄色片| 免费看av在线观看网站| 国产精品一国产av| 美女视频免费永久观看网站| 99精品久久久久人妻精品| 亚洲国产成人一精品久久久| 极品人妻少妇av视频| 久久狼人影院| 亚洲,一卡二卡三卡| 大话2 男鬼变身卡| 老汉色∧v一级毛片| 七月丁香在线播放| 18禁国产床啪视频网站| 欧美乱码精品一区二区三区| 18在线观看网站| 99久久人妻综合| 欧美国产精品一级二级三级| 看十八女毛片水多多多| 国产精品99久久99久久久不卡| 成人黄色视频免费在线看| 涩涩av久久男人的天堂| 久久ye,这里只有精品| 女性生殖器流出的白浆| 97人妻天天添夜夜摸| 欧美日韩福利视频一区二区| 男人添女人高潮全过程视频| av在线播放精品| 高清黄色对白视频在线免费看| 婷婷成人精品国产| 少妇的丰满在线观看| 18禁国产床啪视频网站| 一区二区三区乱码不卡18| 国产成人影院久久av| 老熟女久久久| 国产高清国产精品国产三级| 99精国产麻豆久久婷婷| 国产精品一二三区在线看| 七月丁香在线播放| 人妻一区二区av| 亚洲欧美清纯卡通| 成人手机av| 国产精品久久久av美女十八| xxxhd国产人妻xxx| cao死你这个sao货| 伊人久久大香线蕉亚洲五| 亚洲欧洲日产国产| 国产精品一区二区在线观看99| 久热爱精品视频在线9| 久久这里只有精品19| 久久久欧美国产精品| 午夜日韩欧美国产| 十八禁人妻一区二区| 国产野战对白在线观看| 欧美日韩视频高清一区二区三区二| 黄频高清免费视频| 超碰97精品在线观看| 女人精品久久久久毛片| 人妻一区二区av| 欧美性长视频在线观看| 亚洲美女黄色视频免费看| 免费少妇av软件| 日本av手机在线免费观看| 亚洲一码二码三码区别大吗| 91字幕亚洲| √禁漫天堂资源中文www| 国产精品一区二区在线观看99| 一级黄片播放器| 国产成人一区二区三区免费视频网站 | 看十八女毛片水多多多| 超碰成人久久| 亚洲色图 男人天堂 中文字幕| 国产精品人妻久久久影院| 欧美日韩国产mv在线观看视频| 国产1区2区3区精品| 涩涩av久久男人的天堂| 丝袜美腿诱惑在线| 欧美日韩亚洲国产一区二区在线观看 | 一级毛片女人18水好多 | 日韩人妻精品一区2区三区| 国产精品 欧美亚洲| 侵犯人妻中文字幕一二三四区| 国产精品av久久久久免费| 欧美大码av| 午夜福利视频在线观看免费| 亚洲精品日韩在线中文字幕| 久久精品久久精品一区二区三区| 在线观看人妻少妇| 视频在线观看一区二区三区| 亚洲,一卡二卡三卡| 国产淫语在线视频| 成年人黄色毛片网站| 好男人视频免费观看在线| 久热这里只有精品99| 一区二区av电影网| 97精品久久久久久久久久精品| 亚洲中文av在线| 日日夜夜操网爽| 男女床上黄色一级片免费看| 免费久久久久久久精品成人欧美视频| 日本五十路高清| 天天躁夜夜躁狠狠久久av| 看免费av毛片| 国产免费又黄又爽又色| 国产成人av教育| 亚洲专区国产一区二区| 免费观看人在逋| 亚洲色图综合在线观看| 亚洲午夜精品一区,二区,三区| 久久久精品区二区三区| 性色av一级| 一区二区三区激情视频| 少妇 在线观看| 老司机在亚洲福利影院| 国产片特级美女逼逼视频| 久久精品亚洲熟妇少妇任你| 女人爽到高潮嗷嗷叫在线视频| 高清不卡的av网站| 国产成人免费无遮挡视频| 大片免费播放器 马上看| 少妇猛男粗大的猛烈进出视频| 真人做人爱边吃奶动态|