• <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 ?

    基于改進(jìn)Yolov5的花色布匹瑕疵檢測方法

    2023-04-26 08:21:10時造雄茅正沖
    計算機測量與控制 2023年4期
    關(guān)鍵詞:特征檢測

    時造雄,茅正沖

    (江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214000)

    0 引言

    中國是世界上最大的布匹生產(chǎn)國,布匹瑕疵的識別與檢測在生產(chǎn)過程中是十分重要的一個環(huán)節(jié),傳統(tǒng)的布匹瑕疵檢測與識別是通過人工的方式進(jìn)行的,存在受主觀影響較大、檢測效率低下等問題。近年來,隨著計算機算力的突破,深度學(xué)習(xí)技術(shù)發(fā)展迅猛,在工業(yè)生產(chǎn)的瑕疵檢測領(lǐng)域已經(jīng)產(chǎn)生了越來越多的應(yīng)用。

    目前主流的目標(biāo)檢測算法分為單階段和雙階段兩種類型,單階段算法以SSD(single shot multibox detector)和YOLO(you only look once)為典型,而雙階段則以Faster R-CNN(faster region-CNN)網(wǎng)絡(luò)為主[1]。

    在針對花色布匹的瑕疵檢測上,文獻(xiàn)[2]在Faster R-CNN網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行改進(jìn),提升了對較小目標(biāo)瑕疵的檢出能力及復(fù)雜背景下的瑕疵檢出能力,但仍存在速度不足的缺陷[2];文獻(xiàn)[3]提出了雙路高分辨轉(zhuǎn)換網(wǎng)絡(luò)的花色布匹瑕疵檢測方法,消除復(fù)雜花色背景的影響并且解決了少數(shù)類瑕疵樣本準(zhǔn)確率不高的問題,該模型存在對小目標(biāo)瑕疵的檢測優(yōu)化不足的明顯短板,整體精度較低[3];文獻(xiàn)[4]提出基于級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜花色布匹瑕疵檢測算法,該算法一定程度上改善了對瑕疵檢測的速度和精度要求[4];文獻(xiàn)[5]提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的分類不平衡紋理布匹瑕疵檢測方法,能有效減輕瑕疵種類分布不均對模型的影響,且降低了模型對部分瑕疵較少的不敏感性,但該模型的精度表現(xiàn)一般,仍有待改善[5]。綜上所述之前國內(nèi)外得研究并不能滿足精度和速度的雙重要求。

    在以上研究的基礎(chǔ)上,本文主要在YOLOv5網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn),提出了DD-YOLOv5(defect detection YOLOv5)瑕疵檢測模型,首先將CoTNet與YOLOv5模型相結(jié)合,用于指導(dǎo)動態(tài)注意力矩陣的學(xué)習(xí),增強視覺表示能力;其次引入CBAM(convolutional block attention module)注意力機制,讓網(wǎng)絡(luò)學(xué)會關(guān)注重點信息;接著使用α-IoU損失函數(shù)代替原網(wǎng)絡(luò)中G-IoU損失函數(shù),提高邊界框的回歸精度;最后增加檢測頭,提升網(wǎng)絡(luò)對小目標(biāo)的檢測能力。經(jīng)實驗證明,改進(jìn)后的網(wǎng)絡(luò)能同時解決上述文章中提出的花色布匹瑕疵檢測的如瑕疵目標(biāo)小、種類分布不均、長寬比較為極端以及易與背景混淆等檢測難點,且在速度上優(yōu)于其它算法,表明該方法在花色布匹瑕疵檢測任務(wù)中具有良好的檢測性能。

    1 系統(tǒng)結(jié)構(gòu)及原理

    1.1 原生YOLOv5模型

    YOLOv5系列網(wǎng)絡(luò)整體沿用系列網(wǎng)絡(luò)整體布局,主要由Backbone(主干)、Neck(頸部)、Head(頭部)3個部分組成,其結(jié)構(gòu)如圖1所示。

    圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖

    1.2 原生算法系統(tǒng)結(jié)構(gòu)分析

    YOLOv5目標(biāo)檢測網(wǎng)絡(luò)的主干部分主要用于提取圖像淺層和深層的各項特征并整合。

    主干部分中CSP1模塊主要借鑒了殘差網(wǎng)絡(luò)的思想,由殘差映射替換了以往的基礎(chǔ)映射,使得深層次的網(wǎng)絡(luò)模型達(dá)到更好的訓(xùn)練效果,在殘差網(wǎng)絡(luò)出現(xiàn)之前,學(xué)術(shù)界往往認(rèn)為網(wǎng)絡(luò)層數(shù)越深則獲取信息越多,模型泛化效果越好。然而后續(xù)的研究表明當(dāng)網(wǎng)絡(luò)的層數(shù)加深時,模型的準(zhǔn)確率反而有所降低。這是由于反向傳播過程中的梯度爆炸和梯度消失所造成。也就是說,網(wǎng)絡(luò)越深,模型越難優(yōu)化。為了能讓深層次的網(wǎng)絡(luò)模型達(dá)到更好的訓(xùn)練效果,殘差網(wǎng)絡(luò)中提出由殘差映射替換了以往的基礎(chǔ)映射。

    SPPF模塊主要作用是對高層特征進(jìn)行提取并融合,在融合的過程中多次運用最大池化,盡可能多地去提取高層次的語義特征。

    頸部網(wǎng)絡(luò)的主要作用是將主干網(wǎng)絡(luò)提取的淺層和深層信息加強并融合。該部分采用的是特征金字塔網(wǎng)絡(luò)(FPN,feature pyramid network)結(jié)合路徑聚合網(wǎng)絡(luò)(PAN,path aggregation network)的設(shè)計[6-7]。金字塔結(jié)構(gòu)是一種自頂向下的側(cè)邊連接,在所有尺度上構(gòu)建出高級語義特征圖的結(jié)構(gòu),該結(jié)構(gòu)經(jīng)過多層的網(wǎng)絡(luò)后,底層的目標(biāo)信息已經(jīng)非常模糊了,因此網(wǎng)絡(luò)在頸部又結(jié)合了路徑聚合網(wǎng)絡(luò),加入了自底向上的路線,彌補并加強了定位信息[8]。

    檢測頭部分主要包括不同的損失函數(shù)。其主要目標(biāo)是通過降低預(yù)測框和真實框的損失函數(shù)來獲得最佳的目標(biāo)檢測框[9]。

    2 改進(jìn)措施

    2.1 改進(jìn)后系統(tǒng)原理圖

    本文提出的DD-YOLOv5模型結(jié)構(gòu)如圖2所示。

    圖2 DD-YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖

    通過圖2可知,與原生網(wǎng)絡(luò)相比,本文網(wǎng)絡(luò)主要改進(jìn)點為:首先用CoT3模塊代替原有CSP1模塊,主要考慮CoT模塊能夠充分利用輸入信息上下文的特點,以克服布匹瑕疵檢測中大部分瑕疵為較小目標(biāo)的難點[10];其次在頸部網(wǎng)絡(luò)中引入CBAM注意力機制,在骨干網(wǎng)絡(luò)后進(jìn)一步加強針對特征的信息篩選;最后在網(wǎng)絡(luò)的檢測層處,算法增加了一個檢測頭,使檢測頭覆蓋更大的檢測范圍,網(wǎng)絡(luò)能夠更加全面的關(guān)注到想要的信息。

    2.2 CoTNet

    Transformer的出現(xiàn)極大地促進(jìn)了自然語言處理領(lǐng)域的發(fā)展,該風(fēng)格的網(wǎng)絡(luò)架構(gòu)近期在計算機視覺領(lǐng)域也掀起了一波浪潮并取得了極具競爭力的結(jié)果[11]。盡管如此,現(xiàn)有的架構(gòu)直接在二維特征圖上執(zhí)行自注意力并得到注意力矩陣,但是關(guān)于近鄰豐富的上下文信息卻并未得到充分探索。

    CoT模塊是一種能夠充分利用二維特征圖上下文信息的注意力機構(gòu),其結(jié)構(gòu)如圖3所示。

    圖3 CoT模塊

    本文中所提到的CoTNet結(jié)構(gòu)由CoT模塊代替主干網(wǎng)絡(luò)中的CSP1模塊而組成。

    由圖3可知假設(shè)輸入二維特征X∈RH×W×C,而鍵向量K, 輸入特征Q以及值向量V分別定義為:

    K=X,Q=X,V=XWv

    (1)

    其中:Wv是指將X進(jìn)行了特征的映射得到新的V。CoT模塊首先采用k×k卷積提取上下文信息,所得K1∈RH×W×C自然地可以反應(yīng)近鄰間的上下文信息,我們將其視作輸入X的靜態(tài)上下文表達(dá)。將前述所得K1與Q進(jìn)行拼接并通過兩個連續(xù)1×1卷積Wθ和Wδ來計算并得到注意力矩陣A:

    A=[K1,Q]WθWδ

    (2)

    接下來,基于上述所得注意力矩陣A和值向量V,我們生成增強特征K2:

    K2=V*A

    (3)

    上述所得增強特征K2可以捕獲關(guān)于輸入的動態(tài)特征交互,我們將其稱之為輸入X的動態(tài)上下文表達(dá)。最后將上述兩種上下文表達(dá)通過注意力機制融合即可得到CoT模塊的輸出。

    CoT模塊能將上下文信息挖掘與自注意力學(xué)習(xí)集成到統(tǒng)一架構(gòu)中,充分探索近鄰間的上下文信息以一種高效方式提升自注意力學(xué)習(xí),進(jìn)而提升輸出特征的表達(dá)能力,提升了視覺表達(dá)能力。本文在DD-YOLOv5 模型的主干網(wǎng)絡(luò)中多次應(yīng)用該模塊,有利于模型對圖像深淺特征的全局提取,重點信息可以被加強,從而使花色布匹瑕疵中占比較多的瑕疵的全局特征能夠得到加強。

    2.3 CBAM注意力機制

    在花色布匹瑕疵檢測的過程中,部分瑕疵目標(biāo)僅占幾個像素點,部分瑕疵與背景極為相似,這些瑕疵的特征信息極易在深層網(wǎng)絡(luò)中丟失,很容易出現(xiàn)漏檢、錯檢。而CBAM注意力機制可有效增大小目標(biāo)在整張?zhí)卣鲌D中的權(quán)重,使得各種瑕疵信息更容易在網(wǎng)絡(luò)中學(xué)習(xí)到[12]。其結(jié)構(gòu)如圖4所示。

    由圖可知,CBAM模塊包括通道注意力模塊和空間注意力模塊兩個子模塊。

    首先利用通道注意力模塊來生成通道注意圖,特征圖的每個通道都被認(rèn)為是一個特征檢測器,因此通道的注意力能夠集中在給定輸入圖像中有意義的部分;在該模塊中,為了有效地計算通道注意力,采用壓縮輸入特征映射的空間維度的方法,即同時使用平均池化和最大池化的方法,這種做法比單獨使用一種池化方法更具有表征力。

    此時將通道注意力模塊的輸出作為空間注意力模塊的輸入,然后利用空間注意力模塊去生成空間注意圖;與通道注意模塊不同的是,空間注意模塊更加關(guān)注的是信息的位置去作為通道注意模塊的補充;為了計算空間注意力,需要在通道中使用平均池化和最大池化操作,將它們連接起來以生成一個有效的特征描述符,然后使用兩個池化操作聚合一個特征圖的通道信息,生成兩個二維的特征圖,這兩個特征圖分別表示了通道的平均池化特性和最大池化特性,然后利用一個標(biāo)準(zhǔn)的卷積層進(jìn)行連接和卷積操作,得到最終需要的二維空間注意力圖。

    這樣一來CBAM模塊可同時關(guān)注空間和通道信息,使得提取到的高層特征更全面更豐富[13-14]。

    2.4 α-IoU損失函數(shù)

    邊界框(Bbox,bounding box)是目標(biāo)檢測中用于框選出待檢測目標(biāo)的一個方框,一個目標(biāo)檢測器通常由邊界框回歸和一個分類回歸組成[15]。

    早期的目標(biāo)檢測工作使用n范數(shù)損失函數(shù)進(jìn)行邊界框回歸,這種方法對邊界框的大小極為敏感,交并比 (IoU,intersection over union)損失函數(shù)的出現(xiàn)彌補了這一缺陷。與n范數(shù)損失函數(shù)相比,IoU損失函數(shù)對邊界框的尺度是不變的。然而,當(dāng)預(yù)測框與邊界框的真實值不重疊時,IoU損失會出現(xiàn)梯度消失問題,導(dǎo)致收斂速度減慢,進(jìn)而導(dǎo)致檢測器不準(zhǔn)確。這激發(fā)了幾種改進(jìn)的基于IoU的損失函數(shù)設(shè)計,包括GIoU (generalized IoU)、DIoU (distance IoU)和CIoU (complete IoU)。YOLOv5原本采用的損失函數(shù)為Loss_GIoU,當(dāng)預(yù)測的邊界框在真實的邊界框內(nèi)部時,GIoU無法判斷出正確的最小邊界框[16]。

    在花色布匹瑕疵檢測中有部分瑕疵長寬比較為極端,處理不當(dāng)極容易出現(xiàn)漏檢情況,采用更有效的邊界框損失函數(shù)此時顯得尤為重要。為解決該問題,本文引入α-IoU予以改進(jìn),在原有的基礎(chǔ)上更加關(guān)注高IoU目標(biāo),能夠優(yōu)化所有層次的目標(biāo),實現(xiàn)不同水平的檢測框回歸精度[16]。Lossα-IoU的公式如下所示:

    (4)

    通過對Lossα-IoU中的參數(shù)α進(jìn)行調(diào)制,可以推導(dǎo)出現(xiàn)有的大多數(shù)IoU。本文中采用目前常用效果最好的LossCIoU改進(jìn)為Lossα-IoU,其定義如下所示:

    (5)

    其中:c代表的是能夠同時包含預(yù)測框和真實框的最小閉包區(qū)域的對角線距離,而v衡量長寬比的一致性,其定義如公式(6);β是一個正的權(quán)衡參數(shù),其數(shù)值如式(7),ρ2α(b,bgt)分別代表了預(yù)測框和真實框的中心點的歐式距離。

    (6)

    (7)

    2.5 多尺度檢測頭

    本文改進(jìn)的算法在檢測頭部分增加了一個低維且高分辨率的檢測頭,該檢測頭主要是用來處理難以檢測的小目標(biāo)部分[18]。

    增加的檢測頭由低層高分辨率的特征圖生成,當(dāng)網(wǎng)絡(luò)的輸入圖像尺寸為960*960時,原算法中的3個檢測頭對應(yīng)的特征圖大小分別為120*120,60*60,30*30,而增加的檢測頭特征圖大小為240*240,該檢測頭能充分利用到淺層特征信息,明顯降低卷積帶來的小目標(biāo)區(qū)域特征信息丟失的影響,雖然在計算量上有所增加,但能明顯改善小目標(biāo)的檢測精度[19-20]。

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集及瑕疵介紹

    本文選用的數(shù)據(jù)采集自佛山南海紡織車間,共計2 739張含有瑕疵的圖片,其中2 122張作為訓(xùn)練集,617張作為測試集。圖片中包括沾污、錯花、水印、花毛、縫頭、縫頭印、蟲粘、破洞、褶子、織疵、漏印、蠟斑、色差、網(wǎng)折共計14種瑕疵類型,圖5為瑕疵數(shù)量圖,沾污這種瑕疵的占比超過80%,種類分布極其不均衡。

    圖5 瑕疵數(shù)量

    圖6分別為小目標(biāo)瑕疵、長寬比極端瑕疵、與背景及其相似的瑕疵展示。

    本文主要針對圖6中3種瑕疵檢測中的難點問題搭建檢測平臺,并使用改進(jìn)后的算法進(jìn)行檢測。

    3.2 實驗環(huán)境搭建

    本文硬件配置環(huán)境如表1所示。

    表1 實驗環(huán)境

    3.3 實驗結(jié)果展示

    圖7為多種瑕疵實際檢測效果圖的典型瑕疵檢測細(xì)節(jié)圖的展示。

    圖7 部分瑕疵檢測實際效果

    通過以上實際檢測效果圖可以發(fā)現(xiàn),在本文的算法下,對布匹瑕疵的檢測效果已經(jīng)可以達(dá)到工業(yè)現(xiàn)場級別的要求,且大部分的瑕疵檢測識別率更是在0.9以上。可以充分說明本文算法在針對花色布匹的瑕疵檢測上效果卓然。

    3.4 評估標(biāo)準(zhǔn)

    本文中引入以下評估標(biāo)準(zhǔn)評估模型性能:

    精確率(P,precision)又稱查準(zhǔn)率,指正確預(yù)測為正占全部預(yù)測為正的比例,如式(8)所示:

    (8)

    召回率(R,recall)又稱查全率,指正確預(yù)測為正占全部實際為正的比例,如式(9)所示:

    (9)

    平均精度(AP,average precision,)由精確率和召回率計算得出,根據(jù)召回率值繪出精確率的折線圖,計算出該折線下的面積,如式(10)所示:

    (10)

    平均精度均值(mAP,mean average precision)是指C個不同缺陷的平均精度AP的平均值,如式(11)所示:

    (11)

    3.5 消融實驗

    為驗證本研究提出的關(guān)于 YOLOv5 的4種改進(jìn)策略,在數(shù)據(jù)集上展開消融試驗,以判斷每個改進(jìn)點的有效性,依次在原有模型基礎(chǔ)上加上改進(jìn)措施,使用改進(jìn)用“√”表示,未使用改進(jìn)則表格為空。訓(xùn)練過程使用相同的參數(shù)配置,結(jié)果如表 2 所示。

    表2 消融實驗結(jié)果

    消融實驗以原生YOLOv5網(wǎng)絡(luò)模型為基準(zhǔn),輸入圖像分辨率均為960*960。

    通過表2中第1組和第2組的實驗對比,可以發(fā)現(xiàn)當(dāng)檢測層由三層增加到四層,mAP由71.1%升到了75.6%,結(jié)果表明增加的針對小目標(biāo)的提取淺層信息的檢測頭起到了顯著效果,很明顯的降低了漏檢率。

    通過第2組和第3組對比,當(dāng)網(wǎng)絡(luò)中增加了CoT模塊形成CoTNet后,mAP由75.6%提升到77.4%,主要原因是因為CoT模塊能多挖掘網(wǎng)絡(luò)中的上下文信息,進(jìn)而對圖像深淺特征進(jìn)行全局提取,這一舉動雖然損失了較小的檢測速率,但能顯著提高對目標(biāo)的檢測準(zhǔn)確率。

    通過第3組與第4組實驗對比顯示,在頸部網(wǎng)絡(luò)增加了CBAM模塊的網(wǎng)絡(luò)mAP值從77.4%提升到79.3%,表明CBAM模塊能夠更多地關(guān)注有用的信息,提高對重點瑕疵如沾污的識別率。

    通過第4組與第5組的實驗數(shù)據(jù)對比,瑕疵識別的mAP值由79.3%提升到了80.0%,說明在引入了新的邊界框損失函數(shù)后,檢測器能更好地進(jìn)行邊界框的回歸,從而使得長寬比極端的瑕疵的漏檢率下降。

    綜合上述可知,在結(jié)合了多種針對YOLOv5算法的改進(jìn)措施后,本文的算法能夠在布匹瑕疵的專項檢測中取得較好的效果,充分說明上述改進(jìn)措施在實際檢測中是有實際成效的。

    3.6 損失函數(shù)收斂曲線

    圖8和圖9為原生算法和改進(jìn)后算法的損失函數(shù)收斂情況。

    圖8 原生網(wǎng)絡(luò)損失函數(shù)收斂曲線

    圖9 改進(jìn)后網(wǎng)絡(luò)損失函數(shù)收斂曲線

    其中實線為定位損失box_loss,指預(yù)測框與標(biāo)定框之間的誤差,點劃線為置信度損失obj_loss,用于計算網(wǎng)絡(luò)的置信度,虛線為分類損失cls_loss,用于計算錨框與對應(yīng)的標(biāo)定分類是否正確。

    通過兩圖對比可發(fā)現(xiàn)定位損失由明顯下降,這是由于算法中使用α-IoU代替原網(wǎng)絡(luò)中的G-IoU交并比計算方法,進(jìn)而使得另外兩種損失也跟著有所下降,網(wǎng)絡(luò)整體收斂更快,效果更好。

    3.7 對比實驗

    為了證明DD-YOLOv5網(wǎng)絡(luò)模型在花色布匹表面瑕疵檢測方面的優(yōu)勢,我們將其與目前幾種主流的目標(biāo)檢測算法進(jìn)行了對比,其對比結(jié)果如表3所示。

    表3 對比實驗結(jié)果

    從表3中可以得知,F(xiàn)aster-RCNN網(wǎng)絡(luò)在精確率方面不高,但召回率卻是最高,這是因為雙階段網(wǎng)絡(luò)結(jié)構(gòu)采用候選框機制遍歷特征圖,故能將圖中的目標(biāo)較齊全的檢測到,但這也同樣會使得二階段網(wǎng)絡(luò)計算量較大故而速度較慢,僅能達(dá)到22.4幀的速度。而同樣作為單階段目標(biāo)檢測的SSD網(wǎng)絡(luò)雖然在檢測速率上與YOLO系列沒有過大的差距,但是在檢測精度上,無論是精確率還是召回率,比起YOLO系列都差距較大,原因在于SSD的主干網(wǎng)絡(luò)為VGG系列網(wǎng)絡(luò),網(wǎng)絡(luò)層數(shù)較低,深層特征提取不全,針對花色布匹瑕疵的檢測效果較差。

    同為YOLO系列的YOLOv4算法,比起YOLOv5系列算法在檢測精度上看來差距不大,僅小幅度落后于YOLOv5系列算法,但YOLOv4算法在檢測速度上比起YOLOv5系列網(wǎng)絡(luò)存在一定差距。

    改進(jìn)后的DD-YOLOv5由于增加了針對小目標(biāo)檢測的檢測頭以及其他的改進(jìn)措施,使得整個網(wǎng)絡(luò)的復(fù)雜程度有所提高,相應(yīng)的在速度上有所損失,檢測速率為73.6 Hz,比原生YOLOv5算法的75.2 Hz降低了2%,但在精度綜合評估標(biāo)準(zhǔn)的mAP值上,本文算法比原生YOLOv5算法有著12.5%的檢測精度提升,故綜合精度和速度兩方面,本文算法在眾多算法中取得了較大的優(yōu)勢。

    總之,本文提出的DD-YOLOv5算法在速度和精度的綜合考慮下獲得了最佳效果,比起經(jīng)典算法性能更好,相比同系列YOLO其他算法表現(xiàn)也最為優(yōu)異。

    4 結(jié)束語

    為了解決花色布匹瑕疵檢測問題,進(jìn)一步提高花色布匹表面瑕疵檢測的準(zhǔn)確率和識別速度,本文提出了一種基于YOLOv5的DD-YOLOv5模型,使用COT模塊替代CSP1模塊形成CoTNet并作為主干網(wǎng)絡(luò),利用輸入的上下文信息來指導(dǎo)自注意力機制的學(xué)習(xí),能夠?qū)D像深淺特征進(jìn)行全局提取,提升目標(biāo)檢測的準(zhǔn)確率,同時在頸部網(wǎng)絡(luò)中引入CBAM注意力機制,能同時關(guān)注空間和通道信息,促使專注于有用的目標(biāo)對象,在檢測頭部分還增加了一個關(guān)注于小目標(biāo)的檢測頭,明顯改善了網(wǎng)絡(luò)的精度,降低了漏檢率,最后用α-IoU替代原G-IoU交并比計算方法,使得網(wǎng)絡(luò)整體收斂更快,檢測效果更好。

    通過實驗結(jié)果證明,DD-YOLOv5網(wǎng)絡(luò)模型在花色布匹瑕疵的數(shù)據(jù)集上mAP達(dá)到了80.0%,檢測速度也達(dá)到73.6fps,同時滿足了檢測精度和檢測效率的要求,對花色布匹瑕疵檢測具有重要的現(xiàn)實意義。今后將進(jìn)一步嘗試不損失精度的前提下繼續(xù)減小網(wǎng)絡(luò)模型的參數(shù)量,使模型得到進(jìn)一步的輕量化。

    猜你喜歡
    特征檢測
    抓住特征巧觀察
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識
    如何表達(dá)“特征”
    不忠誠的四個特征
    抓住特征巧觀察
    蜜臀久久99精品久久宅男| 国产乱来视频区| 亚洲四区av| 2021少妇久久久久久久久久久| 国产淫片久久久久久久久| 免费看日本二区| 日韩在线高清观看一区二区三区| 国产黄色免费在线视频| 精品午夜福利在线看| 久久精品久久精品一区二区三区| 麻豆av噜噜一区二区三区| 日本一本二区三区精品| 天堂中文最新版在线下载 | 七月丁香在线播放| 丰满少妇做爰视频| 精品99又大又爽又粗少妇毛片| 久久久欧美国产精品| 全区人妻精品视频| 黑人高潮一二区| 六月丁香七月| videos熟女内射| 白带黄色成豆腐渣| 只有这里有精品99| 丰满乱子伦码专区| 一个人免费在线观看电影| 在线 av 中文字幕| a级一级毛片免费在线观看| 日本-黄色视频高清免费观看| 国产不卡一卡二| 777米奇影视久久| 看非洲黑人一级黄片| 国产伦理片在线播放av一区| 精品国产一区二区三区久久久樱花 | 亚洲aⅴ乱码一区二区在线播放| 亚洲国产精品成人久久小说| 精品99又大又爽又粗少妇毛片| av黄色大香蕉| 熟妇人妻不卡中文字幕| 国产精品麻豆人妻色哟哟久久 | 亚洲内射少妇av| 搡老妇女老女人老熟妇| 插阴视频在线观看视频| 国产中年淑女户外野战色| 国产91av在线免费观看| 夜夜爽夜夜爽视频| 十八禁网站网址无遮挡 | 国产亚洲91精品色在线| 免费看美女性在线毛片视频| 最后的刺客免费高清国语| 午夜激情福利司机影院| 亚洲一区高清亚洲精品| 熟女人妻精品中文字幕| 亚洲精品456在线播放app| 中文在线观看免费www的网站| 一级毛片aaaaaa免费看小| 国产一区二区三区综合在线观看 | 99久国产av精品国产电影| 久久99热6这里只有精品| 高清在线视频一区二区三区| 人人妻人人看人人澡| 久久久久久久久久人人人人人人| 欧美精品一区二区大全| 精品国产三级普通话版| 日本猛色少妇xxxxx猛交久久| 欧美性猛交╳xxx乱大交人| 一个人观看的视频www高清免费观看| 日本欧美国产在线视频| 成人av在线播放网站| 中文字幕亚洲精品专区| 亚洲在线自拍视频| 日韩电影二区| 成人亚洲精品一区在线观看 | 午夜福利视频1000在线观看| 97精品久久久久久久久久精品| 极品教师在线视频| 亚洲在线观看片| 久久亚洲国产成人精品v| .国产精品久久| 亚洲精品亚洲一区二区| 亚洲成人精品中文字幕电影| 午夜福利在线观看吧| 成年av动漫网址| 99久久九九国产精品国产免费| 日韩不卡一区二区三区视频在线| 美女cb高潮喷水在线观看| 久久久a久久爽久久v久久| 日本-黄色视频高清免费观看| 2018国产大陆天天弄谢| 午夜激情欧美在线| 18+在线观看网站| 91精品伊人久久大香线蕉| 超碰97精品在线观看| 亚洲在久久综合| 97人妻精品一区二区三区麻豆| 日日摸夜夜添夜夜爱| 亚洲久久久久久中文字幕| 成人亚洲精品一区在线观看 | h日本视频在线播放| 99久久精品热视频| 成人av在线播放网站| 午夜免费男女啪啪视频观看| 日韩伦理黄色片| 欧美成人a在线观看| 国产大屁股一区二区在线视频| 亚洲电影在线观看av| 777米奇影视久久| 最近2019中文字幕mv第一页| 麻豆成人av视频| freevideosex欧美| 777米奇影视久久| 嫩草影院新地址| 国内精品宾馆在线| 久久精品国产亚洲网站| 久久久久网色| 狂野欧美白嫩少妇大欣赏| 精品一区二区三区视频在线| 简卡轻食公司| 欧美日韩亚洲高清精品| 女的被弄到高潮叫床怎么办| 亚洲av在线观看美女高潮| 青春草视频在线免费观看| 亚洲,欧美,日韩| 亚洲第一区二区三区不卡| 日韩人妻高清精品专区| 国产不卡一卡二| 美女国产视频在线观看| 国产 一区精品| 亚洲最大成人中文| 国产av码专区亚洲av| freevideosex欧美| 九九久久精品国产亚洲av麻豆| 日韩强制内射视频| 麻豆成人午夜福利视频| 99久久精品一区二区三区| 亚洲精品亚洲一区二区| 精品久久久久久久末码| av专区在线播放| 自拍偷自拍亚洲精品老妇| 免费观看性生交大片5| 晚上一个人看的免费电影| 国产精品1区2区在线观看.| 国产精品国产三级国产av玫瑰| 在线免费十八禁| 国产午夜精品一二区理论片| 蜜臀久久99精品久久宅男| 搡老妇女老女人老熟妇| 中文在线观看免费www的网站| 寂寞人妻少妇视频99o| 国产黄a三级三级三级人| 免费黄色在线免费观看| 91精品一卡2卡3卡4卡| 深夜a级毛片| 六月丁香七月| 国产伦精品一区二区三区四那| 午夜日本视频在线| 观看美女的网站| 亚洲av电影不卡..在线观看| 欧美日韩综合久久久久久| 日韩欧美三级三区| 青春草国产在线视频| 尾随美女入室| 日韩一本色道免费dvd| 久久久久久久久久黄片| 麻豆国产97在线/欧美| 日韩成人av中文字幕在线观看| 久久国内精品自在自线图片| 成人鲁丝片一二三区免费| 国产高清三级在线| 十八禁网站网址无遮挡 | 十八禁网站网址无遮挡 | 久久久久久久午夜电影| 国内精品宾馆在线| 亚洲av在线观看美女高潮| 少妇熟女aⅴ在线视频| 免费看a级黄色片| 久久6这里有精品| 国产高清三级在线| 少妇被粗大猛烈的视频| 亚洲av免费高清在线观看| 日韩成人伦理影院| 亚洲一级一片aⅴ在线观看| 日韩 亚洲 欧美在线| 99re6热这里在线精品视频| 最新中文字幕久久久久| 最近2019中文字幕mv第一页| 插逼视频在线观看| 午夜亚洲福利在线播放| 可以在线观看毛片的网站| 精品人妻视频免费看| 美女内射精品一级片tv| 精品人妻一区二区三区麻豆| 成年版毛片免费区| 国产色婷婷99| 国产精品久久久久久久电影| 99久久人妻综合| 亚洲精品国产av蜜桃| 国产色婷婷99| 午夜福利在线观看免费完整高清在| 亚洲伊人久久精品综合| 国产综合精华液| 99热全是精品| 人人妻人人看人人澡| 国产成人精品久久久久久| 美女黄网站色视频| 毛片女人毛片| 赤兔流量卡办理| 国产av码专区亚洲av| 国产精品久久久久久精品电影| 精品久久久精品久久久| 亚洲精品一区蜜桃| 黄色配什么色好看| 国产免费一级a男人的天堂| 欧美bdsm另类| 听说在线观看完整版免费高清| 51国产日韩欧美| 夜夜爽夜夜爽视频| 高清午夜精品一区二区三区| 美女国产视频在线观看| 久久午夜福利片| 伊人久久国产一区二区| 三级男女做爰猛烈吃奶摸视频| 久久久久精品久久久久真实原创| 国产av国产精品国产| 成人亚洲精品av一区二区| 国产精品.久久久| 少妇被粗大猛烈的视频| 一二三四中文在线观看免费高清| 亚洲美女搞黄在线观看| 国产精品99久久久久久久久| 国产av码专区亚洲av| 日本色播在线视频| 午夜亚洲福利在线播放| 国产一级毛片在线| 国内精品一区二区在线观看| 免费播放大片免费观看视频在线观看| 国产成人a∨麻豆精品| 精品亚洲乱码少妇综合久久| 最近中文字幕2019免费版| 高清日韩中文字幕在线| 午夜老司机福利剧场| 免费黄频网站在线观看国产| 国产午夜福利久久久久久| 国产精品人妻久久久影院| 老司机影院成人| 亚洲三级黄色毛片| 精品少妇黑人巨大在线播放| 日韩欧美精品v在线| 最近中文字幕高清免费大全6| 久久久久性生活片| 可以在线观看毛片的网站| 国产成人精品福利久久| 免费播放大片免费观看视频在线观看| 欧美xxxx黑人xx丫x性爽| 亚洲精华国产精华液的使用体验| 亚洲内射少妇av| 亚洲精品一区蜜桃| 日韩中字成人| 国产麻豆成人av免费视频| 亚洲成人av在线免费| 亚洲内射少妇av| 最近的中文字幕免费完整| 亚洲三级黄色毛片| 欧美最新免费一区二区三区| 亚洲怡红院男人天堂| 国产中年淑女户外野战色| 全区人妻精品视频| av国产久精品久网站免费入址| 日日摸夜夜添夜夜添av毛片| a级毛片免费高清观看在线播放| 久久久久久久国产电影| av免费观看日本| 熟女人妻精品中文字幕| 午夜福利网站1000一区二区三区| 欧美一区二区亚洲| 国产亚洲一区二区精品| 九草在线视频观看| 草草在线视频免费看| 国产精品久久久久久av不卡| 麻豆av噜噜一区二区三区| 亚洲欧美成人精品一区二区| 男女边摸边吃奶| 国产精品久久久久久av不卡| 秋霞在线观看毛片| 久久草成人影院| 久久精品国产亚洲av涩爱| 3wmmmm亚洲av在线观看| 午夜老司机福利剧场| 免费人成在线观看视频色| 国内少妇人妻偷人精品xxx网站| 色综合亚洲欧美另类图片| 一级黄片播放器| 波野结衣二区三区在线| 国国产精品蜜臀av免费| 欧美97在线视频| 久久久久久久久大av| 如何舔出高潮| 日韩欧美精品v在线| 国产麻豆成人av免费视频| 三级男女做爰猛烈吃奶摸视频| 在线免费观看的www视频| 99热全是精品| 亚洲av中文av极速乱| 婷婷色综合www| h日本视频在线播放| 日本免费a在线| 国产午夜精品一二区理论片| 久久精品综合一区二区三区| 成人一区二区视频在线观看| xxx大片免费视频| 又爽又黄a免费视频| 26uuu在线亚洲综合色| 国产视频内射| 神马国产精品三级电影在线观看| 三级毛片av免费| 国产一级毛片七仙女欲春2| 国产精品久久视频播放| 亚洲成色77777| 成人午夜高清在线视频| 久久久久久久久久成人| 乱人视频在线观看| 人妻一区二区av| 欧美另类一区| a级一级毛片免费在线观看| 亚洲av福利一区| 免费黄频网站在线观看国产| 色吧在线观看| 十八禁国产超污无遮挡网站| 最近最新中文字幕免费大全7| 亚洲精品国产av蜜桃| 亚洲熟女精品中文字幕| 晚上一个人看的免费电影| 街头女战士在线观看网站| 一级黄片播放器| 天天躁夜夜躁狠狠久久av| 国产片特级美女逼逼视频| 一级毛片黄色毛片免费观看视频| 最近手机中文字幕大全| 午夜福利在线观看免费完整高清在| 97热精品久久久久久| 人人妻人人澡人人爽人人夜夜 | 在线免费十八禁| 国产免费福利视频在线观看| 老司机影院成人| 午夜福利在线观看免费完整高清在| 国语对白做爰xxxⅹ性视频网站| 国产黄片美女视频| 久久精品久久精品一区二区三区| 国产毛片a区久久久久| 久久精品久久精品一区二区三区| 欧美+日韩+精品| 国产精品女同一区二区软件| 伊人久久精品亚洲午夜| 日韩,欧美,国产一区二区三区| 国产综合精华液| 91狼人影院| 18禁在线播放成人免费| 十八禁网站网址无遮挡 | 国产精品久久久久久久电影| 亚洲国产最新在线播放| 天堂中文最新版在线下载 | 麻豆av噜噜一区二区三区| 国产极品天堂在线| 亚洲成人一二三区av| 欧美日韩在线观看h| 色视频www国产| 国产亚洲5aaaaa淫片| 久久久久性生活片| 亚洲熟女精品中文字幕| 国产91av在线免费观看| 国产精品久久久久久精品电影| 国产在线一区二区三区精| 少妇丰满av| 熟妇人妻不卡中文字幕| 一级毛片 在线播放| 久久久久久九九精品二区国产| 久久久久网色| 亚洲激情五月婷婷啪啪| 成年免费大片在线观看| 国产 一区精品| 久久人人爽人人片av| 国产精品一区二区性色av| 在线 av 中文字幕| 亚洲精品亚洲一区二区| 欧美丝袜亚洲另类| 中文欧美无线码| 婷婷色av中文字幕| 97人妻精品一区二区三区麻豆| 嘟嘟电影网在线观看| eeuss影院久久| 精品99又大又爽又粗少妇毛片| 国内揄拍国产精品人妻在线| videos熟女内射| 免费不卡的大黄色大毛片视频在线观看 | 国产高潮美女av| 中文乱码字字幕精品一区二区三区 | 亚洲国产精品成人综合色| 九草在线视频观看| 午夜老司机福利剧场| av.在线天堂| 好男人在线观看高清免费视频| 永久免费av网站大全| 国产美女午夜福利| 黄片无遮挡物在线观看| 成年av动漫网址| 色综合亚洲欧美另类图片| 久久久a久久爽久久v久久| xxx大片免费视频| 可以在线观看毛片的网站| 成人特级av手机在线观看| 亚洲欧美成人精品一区二区| 两个人视频免费观看高清| 久久久久久久久久久免费av| 日本一二三区视频观看| 国内少妇人妻偷人精品xxx网站| 免费黄色在线免费观看| 久久国产乱子免费精品| 亚洲久久久久久中文字幕| 国产成人91sexporn| 免费黄频网站在线观看国产| 国产亚洲午夜精品一区二区久久 | 免费看a级黄色片| 久久草成人影院| 久久精品夜夜夜夜夜久久蜜豆| 亚洲国产精品国产精品| 天堂√8在线中文| 美女被艹到高潮喷水动态| 国产精品一区二区三区四区久久| 成人午夜精彩视频在线观看| 一个人免费在线观看电影| 伦理电影大哥的女人| 性色avwww在线观看| 永久网站在线| 韩国av在线不卡| 人人妻人人澡欧美一区二区| 女的被弄到高潮叫床怎么办| 免费电影在线观看免费观看| 亚洲av中文字字幕乱码综合| 国产黄色小视频在线观看| 国产精品.久久久| 国产在视频线精品| 91午夜精品亚洲一区二区三区| 国产乱来视频区| 美女主播在线视频| 中文在线观看免费www的网站| 亚洲激情五月婷婷啪啪| 非洲黑人性xxxx精品又粗又长| 亚洲激情五月婷婷啪啪| 女的被弄到高潮叫床怎么办| 一级毛片 在线播放| 成人一区二区视频在线观看| 少妇裸体淫交视频免费看高清| 黄色一级大片看看| 日本一二三区视频观看| 国产黄色免费在线视频| 国产v大片淫在线免费观看| 最新中文字幕久久久久| 国产日韩欧美在线精品| 激情五月婷婷亚洲| 国产精品一区二区三区四区免费观看| 99久久精品国产国产毛片| 午夜福利高清视频| 亚洲成人一二三区av| 亚洲欧美成人综合另类久久久| 又爽又黄a免费视频| 国产av不卡久久| 国产精品不卡视频一区二区| 色播亚洲综合网| 国产午夜福利久久久久久| 午夜激情福利司机影院| 国产一区二区在线观看日韩| 老师上课跳d突然被开到最大视频| 日本猛色少妇xxxxx猛交久久| 色5月婷婷丁香| 六月丁香七月| ponron亚洲| 干丝袜人妻中文字幕| 99久久精品热视频| a级一级毛片免费在线观看| 青青草视频在线视频观看| 免费av不卡在线播放| 男人和女人高潮做爰伦理| 亚洲精品日韩在线中文字幕| 亚洲国产成人一精品久久久| 国产欧美另类精品又又久久亚洲欧美| 国产精品不卡视频一区二区| 大片免费播放器 马上看| 国产女主播在线喷水免费视频网站 | av在线蜜桃| 三级国产精品片| 男人舔女人下体高潮全视频| 亚洲在线自拍视频| 超碰av人人做人人爽久久| 波野结衣二区三区在线| 日韩 亚洲 欧美在线| 日本午夜av视频| 午夜久久久久精精品| 精品久久久久久久久av| 日韩,欧美,国产一区二区三区| 婷婷色综合www| 神马国产精品三级电影在线观看| 亚洲精品乱码久久久v下载方式| 国产精品一区二区三区四区久久| 国产伦在线观看视频一区| 欧美xxxx黑人xx丫x性爽| 久久久亚洲精品成人影院| 国产一级毛片在线| 精品午夜福利在线看| 国产伦理片在线播放av一区| 18禁裸乳无遮挡免费网站照片| 男人舔奶头视频| 精品久久久久久成人av| 精品久久国产蜜桃| 国产精品.久久久| 成年人午夜在线观看视频 | 午夜爱爱视频在线播放| 国产不卡一卡二| 国产探花在线观看一区二区| 国产av国产精品国产| 国产毛片a区久久久久| 午夜福利视频精品| 黄色日韩在线| 男女视频在线观看网站免费| 黄色配什么色好看| 91在线精品国自产拍蜜月| 欧美日本视频| or卡值多少钱| 伦精品一区二区三区| 偷拍熟女少妇极品色| 久久亚洲国产成人精品v| 激情 狠狠 欧美| 国产亚洲精品av在线| 免费大片18禁| 亚洲,欧美,日韩| 在线观看美女被高潮喷水网站| 精品少妇黑人巨大在线播放| 天美传媒精品一区二区| 九草在线视频观看| 毛片一级片免费看久久久久| 久久久久久久久久久免费av| 美女内射精品一级片tv| av福利片在线观看| 午夜免费激情av| 在线免费观看的www视频| 欧美一级a爱片免费观看看| 中文精品一卡2卡3卡4更新| 亚洲丝袜综合中文字幕| 狂野欧美激情性xxxx在线观看| 中文资源天堂在线| 午夜亚洲福利在线播放| h日本视频在线播放| 春色校园在线视频观看| 日本黄大片高清| 国产精品嫩草影院av在线观看| 麻豆久久精品国产亚洲av| 久久久久精品性色| 亚洲激情五月婷婷啪啪| 青春草国产在线视频| 美女大奶头视频| 亚洲av电影不卡..在线观看| 欧美精品国产亚洲| 女人久久www免费人成看片| 精品人妻熟女av久视频| 久久久成人免费电影| 免费av观看视频| 男插女下体视频免费在线播放| 免费高清在线观看视频在线观看| 在线观看人妻少妇| 午夜亚洲福利在线播放| 欧美精品一区二区大全| 色尼玛亚洲综合影院| 久久久精品欧美日韩精品| 亚洲电影在线观看av| 婷婷色av中文字幕| 国产黄a三级三级三级人| 国产黄片美女视频| a级毛色黄片| 亚洲18禁久久av| 欧美激情久久久久久爽电影| 51国产日韩欧美| 我的女老师完整版在线观看| 99re6热这里在线精品视频| 亚洲国产色片| 国产伦精品一区二区三区视频9| kizo精华| 男人和女人高潮做爰伦理| 男女下面进入的视频免费午夜| 久久久精品免费免费高清| 一级毛片我不卡| 亚洲熟女精品中文字幕| 成人一区二区视频在线观看| 午夜福利在线观看吧| 只有这里有精品99| 精品久久久噜噜| 国产精品久久久久久av不卡| 亚洲精品,欧美精品| 欧美97在线视频| 毛片一级片免费看久久久久| 免费看a级黄色片| 国产免费又黄又爽又色| 亚洲aⅴ乱码一区二区在线播放| 亚洲av国产av综合av卡| 中文在线观看免费www的网站| 最近中文字幕高清免费大全6| ponron亚洲| 国产亚洲av片在线观看秒播厂 | 欧美潮喷喷水| 最后的刺客免费高清国语| 精华霜和精华液先用哪个| 80岁老熟妇乱子伦牲交| 男插女下体视频免费在线播放| 欧美日韩精品成人综合77777| 国产精品人妻久久久久久| 亚洲最大成人手机在线| 少妇被粗大猛烈的视频| 国产精品人妻久久久久久|