• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    改進YOLOv5s的軌道障礙物檢測模型輕量化研究

    2023-02-28 09:19:54孫士杰張朝陽馮明濤吳成中
    計算機工程與應(yīng)用 2023年4期
    關(guān)鍵詞:剪枝注意力卷積

    李 昂,孫士杰,張朝陽,馮明濤,吳成中,李 旺

    1.長安大學(xué) 信息工程學(xué)院,西安 710064

    2.西安電子科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,西安 710064

    3.湖南大學(xué) 機器人視覺感知與控制技術(shù)國家工程實驗室,長沙 410000

    4.中車株洲電力機車有限公司,湖南 株洲 412000

    隨著社會經(jīng)濟水平的不斷提高,鐵路運輸由于安全便捷、綠色高效、運量大、成本低等特點,已經(jīng)成為貨物運輸和人民出行的首選交通方式。列車的全自動駕駛技術(shù)已經(jīng)成為當下研究的熱點,無人駕駛列車更是未來鐵路運營的重要目標。隨著列車行駛速度以及鐵路線路里程的不斷提高,對列車的行駛安全問題提出了重大要求。其中列車行駛軌道中隨機出現(xiàn)的障礙物對列車運行安全的影響最為嚴重,如果高速行駛的列車與障礙物發(fā)生碰撞,就會造成重大的安全事故,造成嚴重的國民經(jīng)濟損失。對列車軌道障礙物的智能檢測與識別一直是人們研究的重點。

    傳統(tǒng)的檢測方法主要有接觸式和非接觸式兩大方法[1]。其中接觸式檢測方法的代表為電網(wǎng)檢測法以及傳感器檢測法,這一檢測技術(shù)雖然趨于成熟,但是安裝步驟復(fù)雜,工程量巨大,且需消耗大量金錢與人力成本,不適合大規(guī)模投入使用。基于圖像和雷達的非接觸式檢測方法近年來發(fā)展迅速,且成本與效率遠大于接觸式檢測方法。郭雙全等[2]提出了一種基于雷達檢測的檢測方法,該方法可以精準定位到軌道障礙物的位置及大小信息,但無法從中判定障礙物的種類信息,使得工作人員無法采取及時有效的應(yīng)對措施,有一定局限性。金炳瑞等[3]提出一種基于圖像處理的障礙物檢測方法,但只考慮了天氣、光照、時段等情況良好的場景,對于大霧、大雪等惡劣天氣以及夜晚時段光照不充分的情況具有很大的局限性。2012 年以來隨著深度學(xué)習理論的迅速發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)在目標檢測領(lǐng)域取得了廣泛應(yīng)用,目標檢測的實時性和精確性都獲得了巨大提升。

    目前主流的深度學(xué)習檢測網(wǎng)絡(luò)主要分為單階段檢測網(wǎng)絡(luò)和雙階段檢測網(wǎng)絡(luò)兩種。其中以Faster R-CNN[4]為代表的雙階段檢測網(wǎng)絡(luò)需要先用特征提取器生成一系列可能包含物體的預(yù)選框,然后在預(yù)選框上進行進一步的目標檢測,具有較高的檢測精度,但檢測的實時性較差。史紅梅等[5]通過深度學(xué)習方法將異物檢測與分類相結(jié)合,但檢測精度還有待提升。徐巖等[6]提出了一種基于Faster R-CNN 的鐵路異物侵限檢測方法,但模型體積較大,檢測實時性較差,不利于在移動端及嵌入式設(shè)備上部署。以YOLOv4[7]、SSD[8]為代表的單階段檢測網(wǎng)絡(luò)只需一次特征提取就可實現(xiàn)目標檢測,速度相比于雙階段檢測網(wǎng)絡(luò)更快,但檢測精度會有一定的損失。劉力等[9]提出了一種基于YOLOv4 的鐵路障礙物檢測方法,取得了不錯的檢測效果,但該方法對較小目標的障礙物檢測精度較低,無法準確識別距離較遠的障礙物目標。如何平衡檢測速度與檢測精度這兩個指標也是當下研究的重要問題。目前主流單階段檢測網(wǎng)絡(luò)的YOLOv5,在檢測速度及檢測精度上皆有良好的表現(xiàn),在實際工程應(yīng)用中取得了廣泛的關(guān)注。郭磊等[10]提出了一種針對小目標檢測的YOLOv5算法模型,在小目標物體檢測上具有更強的特征提取能力和更高的檢測精度。邱天衡等[11]提出了一種改進特征融合結(jié)構(gòu)的YOLOv5 算法模型,降低了網(wǎng)絡(luò)的參數(shù)量和計算量,在提升模型檢測精度的同時保持了模型的輕量化。楊曉玲等[12]將YOLOv5算法應(yīng)用于路面障礙物目標檢測,在實際的交通場景中取得了良好的效果。本文提出了一種基于改進YOLOv5的列車軌道障礙物檢測模型,通過Mixup數(shù)據(jù)增強技術(shù)對輸入圖像進行預(yù)處理,增強了模型的泛化能力。將YOLOv5 網(wǎng)絡(luò)中的普通卷積層替換為深度可分離卷積GhostConv卷積模塊,并引入了注意力機制,同時進行了模型剪枝操作,有效減少了參數(shù)總量,在大幅提高模型檢測速度的同時提高了檢測精度,在實際應(yīng)用中取得了良好的檢測效果。

    1 YOLOv5算法原理

    YOLOv5 是YOLO 系列發(fā)展至今的第五代檢測算法,它在更加輕量化的同時提供了更高的檢測精度,現(xiàn)已成為該系列中性能最優(yōu)的算法,在工程應(yīng)用中取得了出色的效果。YOLOv5根據(jù)網(wǎng)絡(luò)的深度與寬度可分為四個不同的版本,分別為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,四個版本的檢測精度與模型大小依次提升。本文主要針對高速行駛的列車前方500 m 范圍內(nèi)隨機出現(xiàn)的軌道障礙物進行檢測,為了滿足對檢測實時性的要求,選用更加輕量化的YOLOv5s作為基準模型,方便后續(xù)在嵌入式設(shè)備中的應(yīng)用。YOLOv5s的總體結(jié)構(gòu)如圖1所示,總共由四部分組成。

    圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 YOLOv5 network structure

    1.1 輸入端

    (1)Mosaic 數(shù)據(jù)增強:Mosaic 數(shù)據(jù)增強使得模型可以一次性讀入四張圖片,并對其中的每張圖片進行隨機裁剪、色域變換、縮放、翻轉(zhuǎn)等操作,最后將這些圖片拼接在一起進行處理。這種操作方式豐富了檢測物體的背景,增強了網(wǎng)絡(luò)的泛化能力和魯棒性。

    (2)自適應(yīng)圖片縮放:模型在進行運算時需要將輸入的圖片尺寸變?yōu)楣潭ù笮。绻唵蔚厥褂胷esize,就會造成圖片的失真。YOLOv5 自適應(yīng)地對輸入的圖片兩端填充上最少的黑邊,然后再送入神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練。這種處理方式能夠有效提升模型的運算速度又不會造成過多的信息冗余。

    (3)自適應(yīng)錨框計算:YOLOv5 在訓(xùn)練之前會采用k-means 算法和遺傳學(xué)習算法對數(shù)據(jù)集進行解析,預(yù)先設(shè)置固定的Anchor,在網(wǎng)絡(luò)訓(xùn)練中會在初始錨框的基礎(chǔ)上輸出預(yù)測框,并且計算和Ground Truth 的差距,再反向更新,迭代網(wǎng)絡(luò)參數(shù),降低損失函數(shù)。

    1.2 Backbone特征提取網(wǎng)絡(luò)

    (1)CBS結(jié)構(gòu):CBS層由Conv+BN+Silu激活函數(shù)組成,輸入的圖像先經(jīng)過卷積層得到輸入的不同特征,然后經(jīng)過BN層對特征數(shù)據(jù)進行歸一化處理,最后再由Silu激活函數(shù)處理輸入到下一層卷積中。

    (2)C3 結(jié)構(gòu):YOLOv5_v6.0 在主干網(wǎng)絡(luò)Backbone中使用了C3結(jié)構(gòu)代替了原有的BottleneckCSP結(jié)構(gòu),其結(jié)構(gòu)與CSP結(jié)構(gòu)基本相同,只是在修正單元的選擇上略有不同。C3 結(jié)構(gòu)使得模型更加輕量化,在提高模型學(xué)習能力的同時又不會占用大量計算資源。

    (3)SPPF結(jié)構(gòu):SPP結(jié)構(gòu)又被稱為空間金字塔池化,能將任意大小的特征圖轉(zhuǎn)換成固定大小的特征向量,旨在增強特征圖特征表達能力。在YOLOv5_v6.0中使用了SPPF 結(jié)構(gòu)代替了SPP 結(jié)構(gòu)。SPPF 只指定一個卷積核,每次池化后的輸出會成為下一個池化的輸入,速度相較于SPP更快。

    1.3 Neck特征融合網(wǎng)絡(luò)

    Neck部分采用了FPN+PAN結(jié)合的方式,運用自上而下的FPN結(jié)構(gòu)以及自下而上的PAN特征金字塔結(jié)構(gòu)作為網(wǎng)絡(luò)的融合部分。該網(wǎng)絡(luò)主要用于對提取的特征信息進行堆疊處理并傳送到輸出層,加強了網(wǎng)絡(luò)特征融合的能力。

    1.4 Head輸出端

    Head 用來完成目標檢測結(jié)果的輸出。YOLOv5 通過非極大值抑制(NMS)來篩選出目標框,同時采用GIOU_Loss作為損失函數(shù),進一步提升了算法的檢測精度。Head中的主體部分是三個Detect檢測器,當輸入為608×608時,三個尺度上的特征圖分別為76×76、38×38、19×19,基于網(wǎng)格的Anchor在不同尺度的特征圖上進行目標檢測。

    2 改進YOLOv5檢測算法

    2.1 Mixup數(shù)據(jù)增強

    為提升模型在小樣本情況下的泛化能力,引入一種更加輕量化的Mixup 數(shù)據(jù)增強方式。傳統(tǒng)離線數(shù)據(jù)增強方式可以一次性擴充較多數(shù)據(jù),但是在假定領(lǐng)域內(nèi)樣本都是同一類,沒有對不同類不同樣本之間領(lǐng)域關(guān)系進行建模。而且傳統(tǒng)的數(shù)據(jù)增強方式會有較大的計算開銷,占據(jù)較多的存儲空間。本文采用了Mixup數(shù)據(jù)增強技術(shù)替代了YOLOv5 中的Mosaic 數(shù)據(jù)增強。Mixup 是一種與數(shù)據(jù)本身無關(guān)的數(shù)據(jù)增強策略,以線性插值的方式來構(gòu)建新的訓(xùn)練樣本和標簽,可以大幅提升模型的泛化能力而只需要引入極小的計算開銷,相較于傳統(tǒng)數(shù)據(jù)增強方式有更好的適用性。其原理如下所示:

    其中,λ是由參數(shù)α、β的Beta 分布計算出來的混合系數(shù)。batchx1與batchx2分別是兩個batch樣本,batchy1與batchy2是對應(yīng)的標簽,mixed_batchx是混合后的batch樣本,mixed_batchy是對應(yīng)的標簽。圖2 為α、β相同時的Beta分布概率密度曲線。

    圖2 不同取值情況下Beta分布Fig.2 Beta distribution under different values

    2.2 GhostNet

    在實際應(yīng)用場景中,深度學(xué)習模型的計算能力通常會受到硬件環(huán)境以及設(shè)備空間布局設(shè)計的影響,從而受到較大限制。為適應(yīng)網(wǎng)絡(luò)模型在列車嵌入式設(shè)備中的應(yīng)用,引入專為移動設(shè)備設(shè)計的GhostNet[13]網(wǎng)絡(luò)結(jié)構(gòu),其核心是利用線性操作來生成豐富的特征圖。在原始的網(wǎng)絡(luò)結(jié)構(gòu)中,提取圖片特征的過程中會生成大量冗余特征圖,極大地占用了硬件存儲空間,降低了運算速度,實時性較差,不符合高速運行的列車進行快速檢測的要求。

    為了實現(xiàn)網(wǎng)絡(luò)的輕量化,使用深度可分離卷積GhostConv 模塊替代了原有的普通卷積層,結(jié)構(gòu)如圖3所示。

    圖3 GhostConv網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 GhostConv network structure

    為了能夠準確獲取特征圖細節(jié)信息,分離出多尺度局部特征信息,首先使用CV1實現(xiàn)更深層特征提取,這是一個1×1 大小的普通卷積層。然后把輸出的數(shù)據(jù)分成若干組特征,經(jīng)由5×5 大小的卷積核進行線性變換,對特征進行更深層次的提取,最終將變換結(jié)果進行堆疊操作,合并輸出。網(wǎng)絡(luò)通過分組卷積的方式來平衡分組效果和卷積數(shù)量,大大降低了模型的復(fù)雜度,減少了網(wǎng)絡(luò)參數(shù)數(shù)量,提升了模型運算速度。

    2.3 CA注意力機制

    注意力機制是在網(wǎng)絡(luò)模型計算能力有限的情況下,為了解決信息超載問題,將計算資源分配給更重要的任務(wù)而添加進來的一種增強移動網(wǎng)絡(luò)特征表達能力的計算單元,它可以告訴模型需要關(guān)注哪些位置和內(nèi)容,目前已被廣泛使用來加強模型的計算能力??紤]到輕量級網(wǎng)絡(luò)受硬件環(huán)境的約束以及計算能力有限的問題,目前最廣泛使用的是SE(squeeze-and-excitation)通道注意力機制[14],它的出現(xiàn)是為了解決在卷積池化過程中Feature Map的不同通道所占的重要性不同帶來的損失問題,并且可以在消耗少量計算資源的情況下大幅提升模型的性能。

    但是SE 模塊僅僅考慮了通道信息編碼,在后續(xù)的稀疏訓(xùn)練及通道剪枝操作中容易丟失重要的位置信息,為此運用了CA(coordinate attention)空間注意力機制[15]來解決上述問題,在特征編碼的同時還保留了位置信息。SE模塊和CA模塊結(jié)構(gòu)如圖4所示。

    圖4 SE模塊與CA模塊結(jié)構(gòu)圖Fig.4 SE module structure and CA module structure

    在CA模塊中,使用尺寸為(H,1) 和(1,W)的池化核,沿著水平坐標方向和垂直坐標方向?qū)斎氲臄?shù)據(jù)進行通道編碼。因此高度為h以及寬度為w的第c個通道分別表示為:

    通過該變換可以將輸入特征圖分為寬度和高度兩個方向分別進行全局平均池化,獲得在寬度和高度兩個方向的特征圖,對該特征圖進行編碼操作可以生成兩個注意力圖,將生成的注意力圖與特征圖相乘以增強目標表達能力。其公式表示為:

    其中,δ表示對提取的特征進行下采樣操作,f表示通過下采樣操作得到的中間特征圖,F(xiàn)1表示1×1 卷積。特征圖沿空間維度切分后可得到兩個單獨張量fh和fw,再利用1×1卷積Fh和Fw進行σ變換,經(jīng)過Sigmoid激活函數(shù)后分別得到特征圖在高度和寬度上的注意力權(quán)重gh和在寬度方向的注意力權(quán)重gw,將注意力權(quán)重加到輸入上,得到最終輸出yc。

    與SE模塊只產(chǎn)生一個特征向量不同,CA獲取圖像寬度和高度上的注意力并對精確位置信息進行編碼,既可以獲得沿著一個方向的長程依賴,也可以將位置信息沿著另一個方向保存。本文在網(wǎng)絡(luò)結(jié)構(gòu)的最后加入了CA 模塊,不需要過多的計算開銷就可以對目標進行更加精確的定位,彌補了SE 模塊的缺陷。改進后的結(jié)構(gòu)由圖5所示。

    圖5 改進后的YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Improved YOLOv5 network structure

    2.4 模型剪枝技術(shù)

    突觸修剪(synaptic pruning)是許多哺乳動物幼年期和青春期的必經(jīng)過程,是指軸突和樹突完全衰變和死亡。受啟發(fā)于人腦中的突觸修剪,提出了人工神經(jīng)網(wǎng)絡(luò)中的模型剪枝技術(shù),如圖6所示。

    圖6 稀疏化神經(jīng)網(wǎng)絡(luò)Fig.6 Sparse neural network

    模型剪枝[16-17]可以用來減小模型復(fù)雜度,去除多余參數(shù),提升模型泛化性能,從不同剪枝粒度上可分為通道級、權(quán)重級或?qū)蛹?,是?fù)雜模型輕量化的一種廣泛使用的方法。粗粒度剪枝只有當網(wǎng)絡(luò)層數(shù)足夠深時剪枝才有效果,并且要對整層進行修剪,使用非常不靈活。細粒度剪枝如權(quán)重級剪枝率較高,且相比于粗粒度剪枝更加靈活,但對硬件設(shè)備要求較高,不符合嵌入式設(shè)備及移動設(shè)備項目的使用需求。通道級別的剪枝[18-22]能夠很好地權(quán)衡實現(xiàn)難易程度以及靈活性,能夠應(yīng)用于任何全連接的網(wǎng)絡(luò),使得傳統(tǒng)CNN 在大部分平臺上快速有效運行。

    稀疏訓(xùn)練利用深層模型的通道稀疏性,獲得重要性較低的通道數(shù)量,有利于通道剪枝。首先每個通道引入一個縮放因子γ并與該通道相乘,縮放因子的絕對值即表示通道重要性。將γ正則項與權(quán)重損失函數(shù)進行稀疏正則化訓(xùn)練,對網(wǎng)絡(luò)本身重要性較低的通道進行剪除,同時不影響其泛化性能。微調(diào)剪枝后的模型進行性能評估,再進行修剪迭代,最后實現(xiàn)網(wǎng)絡(luò)模型的輕量化。具體實現(xiàn)流程如圖7所示。

    圖7 通道剪枝流程Fig.7 Channel pruning process

    在細粒度目標檢測任務(wù)中,如果模型修剪比例較高,會導(dǎo)致模型一些通道的缺失,降低模型檢測精度。模型微調(diào)的過程即對剪枝后模型的再訓(xùn)練,通過模型微調(diào)來彌補精度損失。如式(13)所示,對剪枝后的模型權(quán)重參數(shù)W1進行微調(diào),在微調(diào)過程中設(shè)置的學(xué)習率learning_rate和迭代次數(shù)epoch均比預(yù)訓(xùn)練時小,最后得到更加輕量化的權(quán)重參數(shù)W2,其中argmin表示使目標函數(shù)取最小值時的變量值。

    3 數(shù)據(jù)集構(gòu)建

    3.1 交通場景存在的問題

    在實際軌道交通場景下,軌道障礙物檢測會存在很多問題,最常見的有如下幾類:

    (1)場景變化:由于列車在運行過程中地形、坡度及視野的變化,安裝在火車頭部的攝像機設(shè)備所采集到的圖像視角也會存在差異,這種差異會導(dǎo)致圖像中障礙物發(fā)生形變,出現(xiàn)大量障礙物目標誤檢,嚴重影響模型檢測的準確率。

    (2)時段變化:同一場景在不同時段也存在較大差異,場景受光照影響可見度不同,尤其是夜晚期間的障礙物目標難以獲取,誤檢率較高。本文考慮到此種情況,將夜晚數(shù)據(jù)集包含在構(gòu)建過程中,在訓(xùn)練過程中增強模型的泛化性能。

    (3)實際軌道交通中障礙物目標存在隨機性大、交通情況復(fù)雜等因素,易存在物體遮擋現(xiàn)象,將多個目標檢測為一個目標,導(dǎo)致漏檢與誤檢。

    以上問題的存在使得現(xiàn)有公開數(shù)據(jù)集如COCO、VOC 等不適用于軌道交通中攝像機所采集到的圖像,容易造成障礙物目標的漏檢和誤檢。

    3.2 獲取數(shù)據(jù)集

    為了提高網(wǎng)絡(luò)模型的泛化能力,需要制作場景豐富有效的數(shù)據(jù)集。本文視頻于2021年11月遠程采集于某集團試驗場地,運用OpenCV來讀取視頻并將視頻進行逐幀保存,幀率選定為5 FPS。本文采集了多種場景下不同時段的軌道列車運行視頻,樣本數(shù)據(jù)豐富,為建立多樣化數(shù)據(jù)集奠定了良好基礎(chǔ)。

    為解決不同軌道交通場景下目標數(shù)據(jù)集不匹配導(dǎo)致檢測率低下的問題,本文根據(jù)采集到的視頻構(gòu)建了一個涵蓋多種交通場景及不同時段的多樣化數(shù)據(jù)集,共20 024張圖片,主要可以劃分為4個子數(shù)據(jù)集,這4個數(shù)據(jù)集根據(jù)不同應(yīng)用場景進行劃分。根據(jù)光照條件不同分為白天應(yīng)用數(shù)據(jù)集、夜晚應(yīng)用數(shù)據(jù)集、隧道應(yīng)用數(shù)據(jù)集,根據(jù)天氣狀況不同分為極端天氣應(yīng)用數(shù)據(jù)集,其中包含了大霧、雨雪等極端天氣。構(gòu)建的數(shù)據(jù)集如圖8所示。樣本情況如表1所示。

    表1 數(shù)據(jù)集樣本情況Table 1 Dataset sample situation

    圖8 多樣化數(shù)據(jù)集示意圖Fig.8 Schematic diagram of diverse datasets

    3.3 數(shù)據(jù)預(yù)處理

    數(shù)據(jù)集使用LabelImg標注工具進行標注。LabelImg是一款常見的深度學(xué)習圖像標注軟件,將每張圖片上的障礙物用最小的矩形框標注,使用障礙物名稱作為目標類別,如圖9 所示。將標注好的數(shù)據(jù)集按照訓(xùn)練集、測試集、驗證集以8∶1∶1的比例分類。

    圖9 自建數(shù)據(jù)集標注示意圖Fig.9 Schematic diagram of self-built dataset annotation

    將標注好的圖片加載進模型并進行Mixup 數(shù)據(jù)增強,將兩張圖片按比例進行差值來混合數(shù)據(jù),為訓(xùn)練提供不同數(shù)據(jù)類別之間的連續(xù)數(shù)據(jù)樣本,并因此直接擴大了給定訓(xùn)練集的分布,從而使網(wǎng)絡(luò)在測試階段更加強大。Mixup相比于傳統(tǒng)的數(shù)據(jù)增強技術(shù)更加輕量化,只需占據(jù)極小的計算開銷,能顯著提升模型的運算速度。經(jīng)過數(shù)據(jù)增強的圖片如圖10所示。

    圖10 Mixup數(shù)據(jù)增強Fig.10 Mixup data enhancement

    4 實驗結(jié)果與分析

    4.1 實驗環(huán)境

    本文實驗環(huán)境為ubuntu20.04系統(tǒng),硬件配置為Intel?CoreTMi5-10500H CPU@2.50 GHz 2.50 GHz,NVIDIA GeForce RTX3060 顯卡,系統(tǒng)內(nèi)存為16 GB,CUDA 版本為11.1,利用的深度學(xué)習框架為Pytorch1.9.0。

    4.2 模型算法評價指標

    實驗采用準確率(precision,P)、召回率(recall,R)、多個類別平均精度(mean average precision,mAP)、占用存儲空間大小、每秒檢測幀數(shù)(frames per second,F(xiàn)PS)幾項性能指標評判算法的性能。其中精度P、召回率R和mAP分別表示為:

    其中,TP(true positives)表示被正確檢測出的目標數(shù),F(xiàn)P(false positives)表示被錯誤檢測出的目標數(shù),F(xiàn)N(false negatives)表示未被檢測出的目標數(shù),n表示需要分類的類別數(shù),AP(average precision)表示某個目標類的平均精度。

    4.3 實驗結(jié)果

    4.3.1 改進Mixup數(shù)據(jù)增強的實驗結(jié)果分析

    為了驗證Mixup數(shù)據(jù)增強方式的有效性,以YOLOv5s為基礎(chǔ),將算法中原始的Mosaic 數(shù)據(jù)增強方式改為Mixup 數(shù)據(jù)增強方式,其余部分不做改動,改動后的算法稱為YOLOv5s-M。將兩種數(shù)據(jù)增強方式進行實驗對比,實驗結(jié)果如表2所示。

    表2 改進Mixup數(shù)據(jù)增強驗證實驗Table 2 Improved Mixup data enhancement validation experiment

    從表2 中可以看出,引入Mixup 數(shù)據(jù)增強方式使得模型檢測精度提升了1.4 個百分點,模型體積減小了2.3 MB,并小幅提升了檢測速度,證明了改進方法的有效性。

    4.3.2 改進GhostNet結(jié)構(gòu)的實驗結(jié)果分析

    為了驗證改進GhostNet 結(jié)構(gòu)的有效性,將原始YOLOv5s 模型中特征提取網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)中的普通卷積層替換為深度可分離卷積GhostConv,其余部分不做改動,改動后的算法稱為YOLOv5s-G。將改進后的網(wǎng)絡(luò)結(jié)構(gòu)和原有網(wǎng)絡(luò)結(jié)構(gòu)進行實驗對比,實驗結(jié)果如表3所示。

    表3 改進GhostNet結(jié)構(gòu)驗證實驗Table 3 Improved GhostNet structure validation experiment

    從表3中可以看出,改進后的網(wǎng)絡(luò)模型極大減小了模型體積,檢測速度上也有很大提升,但檢測精度降低了1.6 個百分點,有較大損失。證明GhostNet 結(jié)構(gòu)雖然能夠有效實現(xiàn)模型輕量化,但是會大大降低模型檢測精度,單純的GhostNet網(wǎng)絡(luò)結(jié)構(gòu)不符合使用需求。

    4.3.3 改進CA注意力機制的實驗結(jié)果分析

    為了驗證引入空間注意力模塊的有效性,現(xiàn)以經(jīng)過上述兩種改進方法的模型為基礎(chǔ),引入空間注意力機制CA,并與其他常見注意力機制模塊進行對比實驗。現(xiàn)將CA 注意力模塊與SE 注意力模塊、CBAM 注意力模塊[23]、ECA注意力模塊[24]分別嵌入至模型的特征提取網(wǎng)絡(luò)中,實驗結(jié)果如表4所示。

    表4 改進CA注意力機制驗證實驗Table 4 Improved CA attention mechanism validation experiment

    從表4中可以看出,四種注意力機制都會帶來一定的檢測速度損失,并且會不同程度增大模型體積。四種注意力機制對檢測精度分別提升了0.7個百分點、0.6個百分點、1.0個百分點、0.6個百分點,其中CBAM注意力機制帶來的精度提升效果最為明顯,但是使得模型檢測速度損失較大。其余三種注意力機制對模型精度提升相差不大,但CA注意力機制帶來的檢測速度損失最小。綜上所述,本文引入的CA注意力機制在本模型中的應(yīng)用更具有優(yōu)越性。改動后的算法稱為YOLOv5s-MGC。

    4.3.4 稀疏訓(xùn)練與通道剪枝

    通過常規(guī)訓(xùn)練得到權(quán)重模型后,將權(quán)重文件輸入到模型中進行稀疏訓(xùn)練,稀疏訓(xùn)練批次與常規(guī)訓(xùn)練保持一致設(shè)置為300,設(shè)置尺度稀疏率為0.002,聚合模型中的參數(shù),使得模型便于剪枝。

    將經(jīng)過稀疏訓(xùn)練的模型進行通道剪枝,為保證模型在修剪過程中不會被過度修剪,分別設(shè)置全局通道修剪率為50%,60%,70%,80%,輸入圖像尺寸為608×608,分別測試四種通道剪枝后的模型,以尋求最為合適的剪枝率。現(xiàn)調(diào)整剪枝率對改進后的模型進行通道剪枝,剪枝結(jié)果如表5。

    表5 通道剪枝驗證實驗Table 5 Channel pruning validation experiment

    由表5可得,經(jīng)過通道剪枝操作后模型檢測精度會出現(xiàn)不同程度的下降。當剪枝率為50%時,由于剪枝率最小,有較多對模型精度影響不大的通道仍然被保留,對模型大小及檢測速度的提升有限,但檢測精度損失最小,下降了0.6個百分點。當剪枝率為80%時,由于剪枝率最大,其模型大小達到了3.1 MB,檢測速度也達到了107 FPS,但剪去了模型中較為重要的通道和卷積層,使得模型檢測精度損失較大,下降了14.1個百分點。綜上所述,當剪枝率為60%時,能在較大程度壓縮模型大小的同時又能保持原有檢測精度,使得模型便于部署,檢測效果更好,性價比更高。

    最后微調(diào)剪枝后的模型,并采用知識蒸餾的方式重新訓(xùn)練剪枝后的模型,設(shè)置訓(xùn)練批次為300,提升剪枝后模型的檢測精度。微調(diào)后的模型訓(xùn)練得到的Loss 曲線如圖11 所示,并與原始YOLOv5s 模型進行對比。改進后的算法稱為YOLOv5s-MGCT。

    圖11 Loss曲線圖Fig.11 Loss curves

    4.3.5 消融實驗

    本文提出的四種改進方法分別為M(Mixup數(shù)據(jù)增強)、G(GhostNet)、C(CA 注意力機制)、T(通道剪枝處理)。為了驗證四種不同改進方法的有效性,在所應(yīng)用數(shù)據(jù)集上設(shè)計了消融實驗。為了驗證四種不同改進方法的有效性,從以下兩方面設(shè)計消融實驗:(1)以原始YOLOv5s算法為基礎(chǔ),分別只增加一種改進方法,以驗證每種改進方法對原算法的改進效果;(2)以最終YOLOv5s-MGCT 算法為基礎(chǔ),分別只消除一種改進方法,以驗證每種改進方法對最終算法的影響程度。

    “√”表示引入該方法,從表6 中可以看出,相比于原始YOLOv5s算法,引入CA注意力機制對檢測精度的提升最為明顯,檢測精度提升了1.5個百分點,但對檢測速度有較大影響,模型體積增大了3.2 MB,檢測速度降低了31 FPS。引入GhostNet結(jié)構(gòu)對檢測速度提升最為明顯,模型大小減小了7.3 MB,檢測速度提高了11 FPS,但對檢測精度有較大影響,檢測精度降低了1.6 個百分點。而相比于最終YOLOv5s-MGCT 算法,消除CA 注意力機制對檢測精度影響最大,檢測精度降低了4.4 個百分點。消除通道剪枝處理對檢測速度影響最大,模型體積增大了6 MB,檢測速度降低了15 FPS。同時,本文提出的最終YOLOv5s-MGCT算法相較于原始YOLOv5s,在所應(yīng)用數(shù)據(jù)集上檢測精度提升了1.0 個百分點,模型體積減小了9.7 MB,檢測速度提高了14 FPS,能夠在保持算法實時性的同時有著更高的檢測精度。

    表6 消融實驗結(jié)果Table 6 Ablation experiment results

    4.3.6 場景對比實驗

    為了驗證所提出算法在不同場景數(shù)據(jù)集上的泛化性和適用性,現(xiàn)將本文算法模型與原始YOLOv5算法模型在不同場景數(shù)據(jù)集上進行對比實驗,比較在不同交通場景下的檢測性能,結(jié)果如表7與表8所示。

    表7 YOLOv5s在不同場景數(shù)據(jù)集上的檢測結(jié)果Table 7 Detection results of YOLOv5s on different scene datasets

    對比表7和表8中實驗結(jié)果可得,原始YOLOv5s算法與本文所提出的YOLOv5s-MGCT算法均在白天場景數(shù)據(jù)集上的檢測精度最高,分別為95.2%與95.5%,在極端天氣場景數(shù)據(jù)集上的檢測精度最低,分別為92.7%與94.1%??傮w來說,在四種不同場景數(shù)據(jù)集上本文所提出的YOLOv5s-MGCT 算法在檢測精度上均高于原始YOLOv5s算法,證明本文算法具有一定的泛化性,能夠適應(yīng)在不同交通場景下的障礙物檢測。

    表8 YOLOv5s-MGCT在不同場景數(shù)據(jù)集上的檢測結(jié)果Table 8 Detection results of YOLOv5s-MGCT on different scene datasets

    4.3.7 方法對比實驗

    為了進一步證實本文算法的有效性和優(yōu)越性,現(xiàn)將本文算法模型與當前主流算法模型在同一場景下進行對比實驗。本文算法與YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x、Faster R-CNN、SSD、YOLOX-tiny、YOLOXs、YOLOv4-tiny[25]、YOLOv4 算法進行實驗對比,結(jié)果如表9所示。

    表9 與當前主流方法的對比實驗Table 9 Comparative experiment with current mainstream methods

    對比表9中實驗結(jié)果可得,本文算法相比于其他主流檢測模型,有最小的模型體積,同時保持了較高的檢測精度。相比于原始YOLOv5s 模型檢測精度提高了1.0個百分點,比YOLOv5m高0.9個百分點,比YOLOv5l高0.4 個百分點,比YOLOv5x 高0.1 個百分點。與傳統(tǒng)的two-stage算法Faster R-CNN相比具有較大的檢測速度優(yōu)勢,檢測精度也有極大提升,精度提升了10.6個百分點,模型體積減小了104.2 MB,檢測速度提升了78 FPS。改進后的模型相比于SSD、YOLOX-tiny、YOLOXs、YOLOv4-tiny、YOLOv4 算法在檢測精度上也有較大提升。綜上所述,本文提出的YOLOv5s-MGCT 算法在保持輕量化的同時,有著最高的檢測精度,保持了較好實時性,整體表現(xiàn)較為突出,證明了本文算法的可行性與優(yōu)越性。本文對改進后算法的效果在不同光照條件的場景下進行了對比展示,如圖12所示。

    圖12 不同光照條件下檢測結(jié)果Fig.12 Detection results under different lighting conditions

    同時對改進后的算法效果在不同種類的極端天氣場景下進行了對比展示,如大霧、大雪天氣等,如圖13所示。

    圖13 不同天氣條件下檢測結(jié)果Fig.13 Detection results under different weather conditions

    5 結(jié)束語

    針對復(fù)雜軌道交通環(huán)境下傳統(tǒng)目標檢測算法檢測精度不足、檢測實時性較差等特點,本文通過引入Mixup數(shù)據(jù)增強方式、改進GhostNet 網(wǎng)絡(luò)結(jié)構(gòu)、增加CA 空間注意力機制、稀疏訓(xùn)練和通道剪枝等方法的集成,來優(yōu)化YOLOv5這一典型的one-stage檢測算法。

    實驗結(jié)果表明,改進后的YOLOv5s-MGCT 算法在自制的軌道交通數(shù)據(jù)集上相較于原始YOLOv5s算法檢測精度提高了1.0 個百分點,模型體積減小了9.7 MB,檢測速度提高了14 FPS,在保持輕量化的同時小幅提高了檢測精度。相比于其他主流檢測算法,在具有一定的速度和體量優(yōu)勢的同時保持了較高的檢測精度。綜上所述,本文提出的算法適合復(fù)雜軌道交通環(huán)境下的目標檢測,具有一定的可行性與優(yōu)越性。

    猜你喜歡
    剪枝注意力卷積
    人到晚年宜“剪枝”
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    基于YOLOv4-Tiny模型剪枝算法
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    剪枝
    天津詩人(2017年2期)2017-03-16 03:09:39
    A Beautiful Way Of Looking At Things
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    久久久精品国产亚洲av高清涩受| 中文字幕高清在线视频| 黄网站色视频无遮挡免费观看| 午夜福利18| 国产午夜精品久久久久久| 夜夜爽天天搞| 国产av一区在线观看免费| 午夜日韩欧美国产| 亚洲 国产 在线| www.999成人在线观看| 一级片免费观看大全| 少妇的丰满在线观看| 国产成人免费无遮挡视频| 亚洲熟女毛片儿| 久久婷婷人人爽人人干人人爱 | 精品久久久久久成人av| 色播在线永久视频| 久久欧美精品欧美久久欧美| 99在线人妻在线中文字幕| 一区二区三区精品91| 精品午夜福利视频在线观看一区| 曰老女人黄片| 亚洲国产精品999在线| 90打野战视频偷拍视频| 很黄的视频免费| 精品久久久久久久人妻蜜臀av | 大型av网站在线播放| 欧美色欧美亚洲另类二区 | 免费观看人在逋| 久99久视频精品免费| 国产精品一区二区免费欧美| 999久久久精品免费观看国产| 色综合亚洲欧美另类图片| 叶爱在线成人免费视频播放| 夜夜夜夜夜久久久久| 50天的宝宝边吃奶边哭怎么回事| 激情视频va一区二区三区| 日本 av在线| 狠狠狠狠99中文字幕| 国产区一区二久久| 在线十欧美十亚洲十日本专区| 国产精品久久久久久亚洲av鲁大| 免费观看人在逋| 97超级碰碰碰精品色视频在线观看| 成人精品一区二区免费| 午夜免费成人在线视频| 性色av乱码一区二区三区2| 女人精品久久久久毛片| 亚洲自偷自拍图片 自拍| 老熟妇仑乱视频hdxx| 亚洲精品美女久久av网站| 久久九九热精品免费| 成人18禁高潮啪啪吃奶动态图| 日韩精品中文字幕看吧| 亚洲视频免费观看视频| 如日韩欧美国产精品一区二区三区| 人人澡人人妻人| 侵犯人妻中文字幕一二三四区| av欧美777| 18禁美女被吸乳视频| 狂野欧美激情性xxxx| 欧美乱色亚洲激情| 亚洲精品久久成人aⅴ小说| 满18在线观看网站| 日韩欧美国产在线观看| 不卡一级毛片| 亚洲狠狠婷婷综合久久图片| 精品午夜福利视频在线观看一区| 精品少妇一区二区三区视频日本电影| 天堂动漫精品| x7x7x7水蜜桃| 久久久久国产精品人妻aⅴ院| 美女午夜性视频免费| 久久久久久久精品吃奶| 91大片在线观看| 亚洲熟女毛片儿| 深夜精品福利| 69精品国产乱码久久久| 脱女人内裤的视频| 亚洲伊人色综图| 国产av精品麻豆| 无人区码免费观看不卡| 欧美乱码精品一区二区三区| 丁香欧美五月| 又大又爽又粗| 精品久久久久久久人妻蜜臀av | 久久天躁狠狠躁夜夜2o2o| 久久久久国产一级毛片高清牌| 国产成+人综合+亚洲专区| 精品久久久久久,| 亚洲欧美一区二区三区黑人| 日本免费a在线| 一级作爱视频免费观看| 午夜日韩欧美国产| 在线观看免费视频网站a站| 51午夜福利影视在线观看| www.熟女人妻精品国产| 黄网站色视频无遮挡免费观看| 亚洲男人天堂网一区| 午夜精品在线福利| 国产精品电影一区二区三区| 久久久国产欧美日韩av| 亚洲黑人精品在线| 成人18禁在线播放| 午夜精品国产一区二区电影| 51午夜福利影视在线观看| 亚洲国产中文字幕在线视频| 欧美成人午夜精品| videosex国产| 校园春色视频在线观看| 岛国在线观看网站| 99精品欧美一区二区三区四区| 国产欧美日韩一区二区精品| 久久精品亚洲精品国产色婷小说| 国产91精品成人一区二区三区| 久久九九热精品免费| 中文字幕av电影在线播放| 好男人电影高清在线观看| 国产成人精品在线电影| 成年女人毛片免费观看观看9| 日韩精品中文字幕看吧| 亚洲熟妇熟女久久| 91麻豆av在线| 亚洲精品在线美女| 黄色视频,在线免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 老司机在亚洲福利影院| 国产午夜精品久久久久久| 日韩一卡2卡3卡4卡2021年| 国产成+人综合+亚洲专区| avwww免费| 丝袜人妻中文字幕| 夜夜躁狠狠躁天天躁| 成年版毛片免费区| 身体一侧抽搐| 男女床上黄色一级片免费看| 国产精品一区二区三区四区久久 | 国产xxxxx性猛交| 亚洲一码二码三码区别大吗| 婷婷丁香在线五月| 精品国产国语对白av| 97碰自拍视频| 琪琪午夜伦伦电影理论片6080| 两性夫妻黄色片| 日韩大尺度精品在线看网址 | 久久午夜亚洲精品久久| 日日夜夜操网爽| 国产欧美日韩一区二区三区在线| 欧美日本中文国产一区发布| 日韩有码中文字幕| 国产成人精品久久二区二区免费| 午夜福利高清视频| 亚洲熟妇中文字幕五十中出| 电影成人av| 亚洲免费av在线视频| 久久国产精品人妻蜜桃| 岛国在线观看网站| 亚洲国产精品sss在线观看| videosex国产| 久99久视频精品免费| 国内精品久久久久精免费| 午夜两性在线视频| 一区二区日韩欧美中文字幕| 日日干狠狠操夜夜爽| 欧美色欧美亚洲另类二区 | 欧美日韩中文字幕国产精品一区二区三区 | 国产精品九九99| 午夜福利视频1000在线观看 | 国产免费av片在线观看野外av| 久久人妻熟女aⅴ| 操美女的视频在线观看| 久久国产亚洲av麻豆专区| 免费在线观看影片大全网站| АⅤ资源中文在线天堂| 给我免费播放毛片高清在线观看| xxx96com| 久久久久久免费高清国产稀缺| 亚洲视频免费观看视频| 这个男人来自地球电影免费观看| 久久精品国产99精品国产亚洲性色 | 久久国产精品人妻蜜桃| 看片在线看免费视频| 国产视频一区二区在线看| 午夜a级毛片| 满18在线观看网站| 成年女人毛片免费观看观看9| 欧美日本视频| 日韩欧美国产一区二区入口| 国产精品九九99| 中文字幕人妻熟女乱码| 啦啦啦韩国在线观看视频| 国产一级毛片七仙女欲春2 | 久久中文字幕一级| 免费在线观看亚洲国产| 好看av亚洲va欧美ⅴa在| 免费看a级黄色片| 成在线人永久免费视频| 欧美黄色淫秽网站| 女性被躁到高潮视频| 美女免费视频网站| 久久久久久久精品吃奶| 久久久久精品国产欧美久久久| 少妇熟女aⅴ在线视频| 18禁国产床啪视频网站| 色综合欧美亚洲国产小说| 亚洲一区二区三区色噜噜| 国产精品自产拍在线观看55亚洲| 精品久久久久久久久久免费视频| av欧美777| 国产极品粉嫩免费观看在线| 欧美成人午夜精品| 日韩av在线大香蕉| 午夜福利影视在线免费观看| 精品国产美女av久久久久小说| 国产成人一区二区三区免费视频网站| 精品一区二区三区视频在线观看免费| 国产成人精品无人区| 人妻丰满熟妇av一区二区三区| 色婷婷久久久亚洲欧美| 亚洲av成人av| 中文字幕最新亚洲高清| 巨乳人妻的诱惑在线观看| 后天国语完整版免费观看| 亚洲最大成人中文| 俄罗斯特黄特色一大片| 中文字幕久久专区| 久久中文看片网| 国产单亲对白刺激| 亚洲精品在线观看二区| 一级作爱视频免费观看| 在线观看66精品国产| 露出奶头的视频| 色尼玛亚洲综合影院| 午夜免费成人在线视频| 可以在线观看的亚洲视频| 97人妻天天添夜夜摸| 国产精品爽爽va在线观看网站 | 一级毛片精品| 亚洲第一av免费看| 国产麻豆69| 日韩中文字幕欧美一区二区| 啪啪无遮挡十八禁网站| 不卡av一区二区三区| 亚洲精品美女久久av网站| 亚洲男人的天堂狠狠| 日韩欧美国产一区二区入口| av福利片在线| 色哟哟哟哟哟哟| 亚洲av熟女| 免费一级毛片在线播放高清视频 | 看免费av毛片| 国产精品免费一区二区三区在线| 亚洲男人的天堂狠狠| 久久久久亚洲av毛片大全| 十八禁人妻一区二区| 亚洲专区字幕在线| 大陆偷拍与自拍| 中文字幕久久专区| 午夜福利,免费看| 亚洲欧美精品综合久久99| 一区二区三区高清视频在线| 黄片大片在线免费观看| 精品不卡国产一区二区三区| 色播亚洲综合网| 精品国产国语对白av| 天堂动漫精品| 亚洲情色 制服丝袜| 亚洲第一av免费看| 久久精品国产99精品国产亚洲性色 | 深夜精品福利| 亚洲欧洲精品一区二区精品久久久| 久久久国产欧美日韩av| 欧美色欧美亚洲另类二区 | 亚洲一区高清亚洲精品| 嫩草影视91久久| 久久久久九九精品影院| 又紧又爽又黄一区二区| 中亚洲国语对白在线视频| 久久久久久久久中文| 免费在线观看完整版高清| 亚洲国产中文字幕在线视频| 亚洲国产看品久久| 亚洲欧美精品综合久久99| 欧美+亚洲+日韩+国产| 嫁个100分男人电影在线观看| 99国产精品一区二区三区| videosex国产| 免费一级毛片在线播放高清视频 | 亚洲国产欧美网| 国产欧美日韩精品亚洲av| 亚洲欧洲精品一区二区精品久久久| 97人妻精品一区二区三区麻豆 | 成人三级做爰电影| 在线视频色国产色| 亚洲免费av在线视频| 精品电影一区二区在线| 久99久视频精品免费| 动漫黄色视频在线观看| 男人的好看免费观看在线视频 | 熟妇人妻久久中文字幕3abv| 露出奶头的视频| 一级毛片女人18水好多| 天堂动漫精品| 精品国产乱子伦一区二区三区| 国产蜜桃级精品一区二区三区| 老司机午夜福利在线观看视频| 欧美一区二区精品小视频在线| a在线观看视频网站| 亚洲色图av天堂| 久久人妻熟女aⅴ| 波多野结衣巨乳人妻| www.999成人在线观看| 正在播放国产对白刺激| 午夜免费观看网址| 久久久久精品国产欧美久久久| 国产不卡一卡二| 亚洲成国产人片在线观看| 亚洲伊人色综图| 免费在线观看黄色视频的| 精品一区二区三区视频在线观看免费| 两性夫妻黄色片| 女同久久另类99精品国产91| 国产成人影院久久av| 成年版毛片免费区| 大型av网站在线播放| 老司机深夜福利视频在线观看| 亚洲性夜色夜夜综合| 日日爽夜夜爽网站| 成人免费观看视频高清| 亚洲中文日韩欧美视频| 久久精品人人爽人人爽视色| 国产成人精品久久二区二区免费| 国产一区二区三区在线臀色熟女| 亚洲中文日韩欧美视频| 国产一区二区三区在线臀色熟女| 咕卡用的链子| 亚洲九九香蕉| 久久精品亚洲精品国产色婷小说| 精品免费久久久久久久清纯| 亚洲国产精品合色在线| 久久亚洲真实| 在线观看66精品国产| 亚洲国产欧美一区二区综合| 97人妻天天添夜夜摸| 男女下面插进去视频免费观看| 欧美 亚洲 国产 日韩一| 国内毛片毛片毛片毛片毛片| 9191精品国产免费久久| 香蕉丝袜av| 在线观看舔阴道视频| 成人亚洲精品一区在线观看| 韩国av一区二区三区四区| 91成年电影在线观看| 国产精品电影一区二区三区| 久久久国产精品麻豆| 久久国产亚洲av麻豆专区| 国产一区二区在线av高清观看| 精品一区二区三区av网在线观看| 国产精品一区二区三区四区久久 | 搡老熟女国产l中国老女人| 女生性感内裤真人,穿戴方法视频| 99精品在免费线老司机午夜| www.999成人在线观看| 亚洲欧美日韩高清在线视频| 黄色视频不卡| 91在线观看av| 俄罗斯特黄特色一大片| 欧美精品啪啪一区二区三区| 国产成人精品久久二区二区91| 搞女人的毛片| 国产成人精品久久二区二区91| 色婷婷久久久亚洲欧美| 大型av网站在线播放| 日韩精品中文字幕看吧| 中国美女看黄片| 黑人巨大精品欧美一区二区mp4| www.www免费av| 日韩中文字幕欧美一区二区| 国产色视频综合| 身体一侧抽搐| 三级毛片av免费| 久久人人97超碰香蕉20202| 久99久视频精品免费| 久久人人97超碰香蕉20202| 国产成人av教育| 乱人伦中国视频| 亚洲成a人片在线一区二区| 村上凉子中文字幕在线| 久久草成人影院| 成人三级黄色视频| 成年女人毛片免费观看观看9| 欧美在线黄色| 欧美国产日韩亚洲一区| 一区二区日韩欧美中文字幕| 母亲3免费完整高清在线观看| 亚洲午夜精品一区,二区,三区| 亚洲黑人精品在线| 一区二区三区激情视频| 禁无遮挡网站| 黄色成人免费大全| 91国产中文字幕| 国产一区二区三区视频了| 69精品国产乱码久久久| 精品人妻1区二区| 亚洲欧美激情综合另类| 国产一区在线观看成人免费| 久久久久精品国产欧美久久久| 在线免费观看的www视频| 午夜免费鲁丝| 亚洲无线在线观看| 不卡av一区二区三区| 国产精品久久久久久人妻精品电影| 国产精品1区2区在线观看.| 高清毛片免费观看视频网站| 999精品在线视频| 欧美日韩福利视频一区二区| 午夜影院日韩av| 国产成人欧美在线观看| 国产免费av片在线观看野外av| 国产日韩一区二区三区精品不卡| 亚洲精品国产精品久久久不卡| 久久国产亚洲av麻豆专区| 黑丝袜美女国产一区| 久久精品亚洲精品国产色婷小说| 母亲3免费完整高清在线观看| 国产亚洲精品久久久久久毛片| 成人手机av| 每晚都被弄得嗷嗷叫到高潮| 国内精品久久久久久久电影| 日韩 欧美 亚洲 中文字幕| 国内久久婷婷六月综合欲色啪| 欧美黄色片欧美黄色片| 热re99久久国产66热| 制服丝袜大香蕉在线| 国产欧美日韩精品亚洲av| 日本三级黄在线观看| 一级a爱片免费观看的视频| 两人在一起打扑克的视频| 欧美日韩福利视频一区二区| 国产亚洲欧美98| 波多野结衣高清无吗| 免费在线观看黄色视频的| 黄网站色视频无遮挡免费观看| 国产精品久久久久久人妻精品电影| 中文字幕av电影在线播放| 亚洲中文av在线| 怎么达到女性高潮| 天堂√8在线中文| 怎么达到女性高潮| 十八禁网站免费在线| 9色porny在线观看| 色综合亚洲欧美另类图片| 久久久精品国产亚洲av高清涩受| 老司机靠b影院| 高清毛片免费观看视频网站| 久久国产精品影院| а√天堂www在线а√下载| 女人爽到高潮嗷嗷叫在线视频| 日韩三级视频一区二区三区| 午夜久久久久精精品| 欧美午夜高清在线| 丰满人妻熟妇乱又伦精品不卡| 日韩欧美一区视频在线观看| 婷婷丁香在线五月| 巨乳人妻的诱惑在线观看| 亚洲人成电影免费在线| 精品不卡国产一区二区三区| 国产精品久久久久久人妻精品电影| 日韩国内少妇激情av| 国产精品自产拍在线观看55亚洲| 窝窝影院91人妻| 亚洲久久久国产精品| 级片在线观看| 日韩欧美一区二区三区在线观看| 日本在线视频免费播放| 午夜福利一区二区在线看| 成人亚洲精品av一区二区| 美女免费视频网站| 大码成人一级视频| 美女大奶头视频| 欧美丝袜亚洲另类 | 日韩国内少妇激情av| 国产精品av久久久久免费| 成人精品一区二区免费| 国产三级黄色录像| 啦啦啦观看免费观看视频高清 | 夜夜躁狠狠躁天天躁| 人人妻人人爽人人添夜夜欢视频| 国产精品一区二区免费欧美| 中文字幕人妻丝袜一区二区| 最新美女视频免费是黄的| 亚洲av美国av| 精品国内亚洲2022精品成人| 黄色视频不卡| 真人做人爱边吃奶动态| 视频区欧美日本亚洲| 黄色毛片三级朝国网站| www.自偷自拍.com| 黑丝袜美女国产一区| 在线观看舔阴道视频| 亚洲狠狠婷婷综合久久图片| 成人永久免费在线观看视频| 狠狠狠狠99中文字幕| 激情在线观看视频在线高清| 亚洲国产精品成人综合色| 侵犯人妻中文字幕一二三四区| 色精品久久人妻99蜜桃| 久久香蕉精品热| 嫁个100分男人电影在线观看| 亚洲精品在线美女| 国产欧美日韩综合在线一区二区| 999久久久精品免费观看国产| 亚洲色图 男人天堂 中文字幕| 精品一区二区三区视频在线观看免费| 午夜福利视频1000在线观看 | 大型av网站在线播放| 亚洲午夜精品一区,二区,三区| 母亲3免费完整高清在线观看| 一边摸一边做爽爽视频免费| tocl精华| 午夜视频精品福利| 女警被强在线播放| 女人高潮潮喷娇喘18禁视频| 欧美黄色淫秽网站| avwww免费| 日韩欧美国产在线观看| 88av欧美| 丝袜美足系列| 极品教师在线免费播放| 两性午夜刺激爽爽歪歪视频在线观看 | 日日夜夜操网爽| 淫秽高清视频在线观看| 91九色精品人成在线观看| 黄频高清免费视频| 成年版毛片免费区| 一边摸一边抽搐一进一小说| 国产午夜福利久久久久久| 精品熟女少妇八av免费久了| 亚洲精品在线观看二区| 久久久国产成人精品二区| 日本欧美视频一区| 正在播放国产对白刺激| 欧美黑人欧美精品刺激| 久久国产亚洲av麻豆专区| 99国产综合亚洲精品| 欧美国产精品va在线观看不卡| 国产精品久久视频播放| av免费在线观看网站| 一区二区三区精品91| 男人舔女人的私密视频| 成人国语在线视频| 国产xxxxx性猛交| 制服人妻中文乱码| 国产精品二区激情视频| 一区二区三区国产精品乱码| 国产精品精品国产色婷婷| 亚洲一区二区三区不卡视频| 制服丝袜大香蕉在线| 97人妻天天添夜夜摸| 亚洲色图 男人天堂 中文字幕| 波多野结衣高清无吗| 午夜福利视频1000在线观看 | 日本一区二区免费在线视频| 悠悠久久av| 日韩有码中文字幕| 91成人精品电影| 色av中文字幕| 宅男免费午夜| 可以在线观看毛片的网站| 日韩视频一区二区在线观看| 曰老女人黄片| 亚洲五月天丁香| 在线观看www视频免费| 18禁黄网站禁片午夜丰满| 日韩成人在线观看一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 久久天堂一区二区三区四区| 亚洲精品av麻豆狂野| 久久久精品欧美日韩精品| 欧美日韩瑟瑟在线播放| 嫁个100分男人电影在线观看| 纯流量卡能插随身wifi吗| 首页视频小说图片口味搜索| 午夜福利一区二区在线看| 欧美最黄视频在线播放免费| 国产精品自产拍在线观看55亚洲| 777久久人妻少妇嫩草av网站| 如日韩欧美国产精品一区二区三区| 亚洲专区中文字幕在线| 欧美黄色淫秽网站| 国产精品久久久久久精品电影 | 欧美 亚洲 国产 日韩一| 国产精品久久视频播放| 国产一区二区三区视频了| 很黄的视频免费| 亚洲国产看品久久| 成人18禁高潮啪啪吃奶动态图| 90打野战视频偷拍视频| 老熟妇乱子伦视频在线观看| 久久午夜亚洲精品久久| 久久久国产欧美日韩av| www.熟女人妻精品国产| 国产午夜精品久久久久久| 超碰成人久久| 成年人黄色毛片网站| 国产三级在线视频| 久久午夜综合久久蜜桃| 国产精品一区二区三区四区久久 | 91老司机精品| 天天添夜夜摸| 成年版毛片免费区| 午夜福利视频1000在线观看 | 日韩有码中文字幕| 在线视频色国产色| 国产日韩一区二区三区精品不卡|