• <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)YOLOv4的掃描電鏡磨粒圖像智能識(shí)別

    2023-08-01 03:28:42王雨薇郝騰飛馬佳麗
    摩擦學(xué)學(xué)報(bào) 2023年7期
    關(guān)鍵詞:特征檢測(cè)模型

    王雨薇,陳 果,何 超,郝騰飛,馬佳麗

    (1. 南京航空航天大學(xué) 民航學(xué)院,江蘇 南京 210016;2. 南京航空航天大學(xué) 通用航空與飛行學(xué)院,江蘇 常州 213300;3. 南京工程學(xué)院 汽車與軌道交通學(xué)院,江蘇 南京 211167)

    航空發(fā)動(dòng)機(jī)各部件在運(yùn)行過程中通過相互作用產(chǎn)生摩擦,嚴(yán)重時(shí)會(huì)造成磨損. 磨損產(chǎn)生的顆粒往往攜帶關(guān)于磨損程度與磨損機(jī)理的有用信息. 因此,磨損顆粒分析是航空發(fā)動(dòng)機(jī)磨損狀態(tài)監(jiān)測(cè)和失效診斷中1種十分有效的手段.

    早期磨粒分析技術(shù)[1-3]基于分割后的磨粒圖像提取特征,依據(jù)傳統(tǒng)模式識(shí)別方法確定磨粒類型,不僅耗時(shí)且處理過程復(fù)雜,分析結(jié)果帶有一定的主觀偏差.近年來,隨著深度學(xué)習(xí)的興起,圖像識(shí)別領(lǐng)域獲得迅猛發(fā)展. 將深度學(xué)習(xí)技術(shù)引入磨粒圖像識(shí)別,使得磨粒特征自動(dòng)提取變得可能. Wang等[4]提出融合按誤差反向傳播訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)(Back propagation,BP)與卷積神經(jīng)網(wǎng)絡(luò)的兩級(jí)分類模型,對(duì)鐵譜分析得到的疲勞磨粒與嚴(yán)重滑動(dòng)磨粒的表面細(xì)節(jié)進(jìn)行像素級(jí)分析,大幅提高了這兩類磨粒的識(shí)別精度. Peng等[5]利用遷移學(xué)習(xí)與支持向量機(jī)提出1種混合卷積神經(jīng)網(wǎng)絡(luò),識(shí)別性能良好,為鐵譜磨粒圖像分析提供了新技術(shù)手段. Fan等[6]針對(duì)樣本相似性設(shè)計(jì)出虛擬鐵譜磨粒圖像,結(jié)合遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)提出1種磨粒圖像智能識(shí)別方法,有效解決訓(xùn)練集小樣本量問題.Zhang等[7]提出1個(gè)基于類中心向量和距離對(duì)比的新模型,該模型不僅能夠識(shí)別訓(xùn)練集中出現(xiàn)過的磨粒類別,也能夠識(shí)別訓(xùn)練集中未出現(xiàn)過的磨粒新類別而無需重構(gòu)和再訓(xùn)練,真正實(shí)現(xiàn)模型泛化. Fan等[8]通過融合傳統(tǒng)人工特征提取法和卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征提取法提取到的特征構(gòu)建分類器,提出1個(gè)名為FFWR-Net的新型磨粒識(shí)別網(wǎng)絡(luò),使得所提取到的特征更具代表性和全面性,提高了分類精度. 趙春華等[9]考慮到設(shè)備實(shí)際有效故障數(shù)據(jù)缺乏和數(shù)據(jù)標(biāo)記丟失的特點(diǎn),優(yōu)化損失函數(shù),基于遷移學(xué)習(xí)提出1種新的卷積神經(jīng)網(wǎng)絡(luò)集成模型,選用支持向量機(jī)作為分類器,試驗(yàn)結(jié)果表明,該模型特征表達(dá)能力強(qiáng),識(shí)別效果好.

    上述研究從不同角度為設(shè)備磨損狀態(tài)檢測(cè)提供了新技術(shù),大大推動(dòng)了磨粒智能識(shí)別的發(fā)展,但是其中大多數(shù)模型不具備目標(biāo)檢測(cè)能力,本質(zhì)上只是1種“圖像分類器”[10]. 因此,本文中針對(duì)航空發(fā)動(dòng)機(jī)掃描電鏡磨粒圖像提出1種基于改進(jìn)YOLOv4的目標(biāo)檢測(cè)算法,以期從具有復(fù)雜背景的磨粒圖像中自動(dòng)提取目標(biāo)顆粒并加以識(shí)別,克服了傳統(tǒng)識(shí)別方法在面對(duì)多磨粒圖像時(shí)需要事先進(jìn)行圖像分割所造成的識(shí)別誤差,新算法采用VoVNetv2[11]替換YOLOv4中原主干特征提取網(wǎng)絡(luò)CSPDarknet53,并引入BiFPN[12]加權(quán)雙向特征金字塔結(jié)構(gòu)與新主干特征提取網(wǎng)絡(luò)相連,以增進(jìn)多層次特征融合,豐富各級(jí)特征圖的語義信息,同時(shí)調(diào)整模型中所有3×3普通卷積為深度可分離卷積,大幅降低網(wǎng)絡(luò)的參數(shù)數(shù)量和運(yùn)算成本.

    現(xiàn)有的磨損顆粒圖像分析技術(shù)中,鐵譜技術(shù)常用于磨損顆粒的定性和定量分析,但是鐵譜樣本制備過程復(fù)雜耗時(shí),磨粒圖像質(zhì)量較難控制,相比之下,掃描電鏡磨粒圖像則更為清晰,允許微米級(jí)視野范圍內(nèi)的有效觀察,并能夠產(chǎn)生三維立體圖像用于分析微觀形貌特征. 掃描電鏡磨粒圖像是掃描電子顯微鏡(Scanning electron microscope,SEM)利用高能聚焦電子束在油樣表面逐點(diǎn)掃描成像得到,掃描電鏡磨粒分析法是通過電子與物質(zhì)相互作用產(chǎn)生的信號(hào)對(duì)油樣中磨粒成分、形貌及結(jié)構(gòu)等進(jìn)行觀察與分析. 掃描電鏡主要由電子光學(xué)系統(tǒng)、信號(hào)探測(cè)系統(tǒng)和真空系統(tǒng)3部分組成,常與進(jìn)行材料微區(qū)成分元素種類與含量分析的能譜儀組成密不可分的整體[13],應(yīng)用到前沿科學(xué)研究.目前,掃描電鏡已廣泛應(yīng)用于航空發(fā)動(dòng)機(jī)磨粒分析領(lǐng)域,通過磨粒識(shí)別結(jié)果反推磨粒產(chǎn)生原因與進(jìn)行磨損機(jī)理表征,獲知設(shè)備處于正?;虍惓Dp狀態(tài),成為了1種重要檢測(cè)手段[14]. 本文中以提升掃描電鏡磨粒圖像自動(dòng)化以及智能化分析水平為研究目的,進(jìn)一步拓展了掃描電鏡技術(shù)的應(yīng)用領(lǐng)域,提升其故障診斷的精度和效率.

    最后本文中應(yīng)用實(shí)際航空發(fā)動(dòng)機(jī)掃描電鏡磨粒圖像進(jìn)行驗(yàn)證,證明新算法可以在高效率與高精度之間達(dá)到平衡.

    1 掃描電鏡圖像磨粒智能識(shí)別新方法

    1.1 基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)

    新興深度學(xué)習(xí)方法已開始應(yīng)用于圖像目標(biāo)檢測(cè),其發(fā)展可分為以R-CNN (Regions with CNN features)家族為代表的兩階段(Two-Stage)目標(biāo)檢測(cè)算法[15-18]和以YOLO (You only look once)及其衍生算法為代表的單階段(One-Stage)目標(biāo)檢測(cè)算法[19-22]. Two-Stage目標(biāo)檢測(cè)算法第1階段主要是尋找目標(biāo)位置并得到候選區(qū)域,第2階段才聚焦于分類候選區(qū)域并得到1個(gè)更加準(zhǔn)確的目標(biāo)位置,“兩步走”戰(zhàn)略雖然檢測(cè)精度高,但也導(dǎo)致算法模型大,占用資源多,檢測(cè)速度慢,不滿足實(shí)時(shí)要求. One-Stage目標(biāo)檢測(cè)算法中YOLO僅通過1個(gè)主干網(wǎng)絡(luò)中便實(shí)現(xiàn)候選框定位、特征提取和目標(biāo)分類等功能,極大地降低模型大小,加快檢測(cè)速度. 隨后的衍生算法不斷改進(jìn),進(jìn)一步提高檢測(cè)速度與精度. 其中,YOLOv4具有更優(yōu)的檢測(cè)性能和更快的檢測(cè)速度,基本能夠滿足終端設(shè)備性能和速度要求,更適合應(yīng)用到終端中.

    根據(jù)掃描電鏡圖像中磨粒的形狀、尺寸和紋理等特征可以確定磨粒類型,不同的磨粒類型可以代表設(shè)備不同的磨損機(jī)理,因此,本文中采用One-Stage目標(biāo)檢測(cè)方法進(jìn)行掃描電鏡磨粒圖像目標(biāo)提取和識(shí)別,對(duì)YOLOv4網(wǎng)絡(luò)進(jìn)行改進(jìn),深度強(qiáng)化其特征提取能力,使得模型在訓(xùn)練過程中不斷自主學(xué)習(xí)磨粒尺寸和形貌等特征參數(shù),在滿足足夠精度前提下,實(shí)現(xiàn)磨粒圖像的快速智能識(shí)別.

    1.2 圖像目標(biāo)檢測(cè)的改進(jìn)YOLOv4網(wǎng)絡(luò)

    用于圖像目標(biāo)檢測(cè)的改進(jìn)YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,包含3個(gè)部分,第1部分為替換掉CSPDarknet53的新主干特征提取網(wǎng)絡(luò)VoVNetv2-39,對(duì)輸入尺寸是416×416×3的掃描電鏡磨粒圖像進(jìn)行初步特征提取,通過卷積、合并和相加等操作獲得3個(gè)初步的有效特征層;第2部分為加強(qiáng)特征提取網(wǎng)絡(luò)SPP和BiFPN,第1個(gè)特征層在經(jīng)過OSA module Stage3與1次卷積塊后傳入BiFPN,第2 個(gè)特征層在經(jīng)過OSA module Stage4與1次卷積塊后傳入BiFPN,第3個(gè)特征層在經(jīng)過OSA module Stage5與3次卷積塊后,傳入空間池化金字塔(Spatial pyramid pooling,SPP)[23],SPP利用13×13、9×9、5×5和1×1等4個(gè)不同尺度的池化核進(jìn)行最大池化處理再合并,合并后的結(jié)果傳入BiFPN,BiFPN不僅能夠完成自上而下的特征提取,還能夠?qū)崿F(xiàn)自下而上、不同分辨率特征的加權(quán)融合,同時(shí)增加了同層級(jí)輸入、輸出之間的橫向連接,豐富了特征圖的語義信息,該部分實(shí)現(xiàn)對(duì)3個(gè)初步有效特征層的特征融合,提取更有效特征;第3部分為預(yù)測(cè)網(wǎng)絡(luò)YOLO Head,將特征圖劃分為3種不同數(shù)量的網(wǎng)格,分別為52×52、26×26和13×13,每個(gè)網(wǎng)格上生成不同尺寸的先驗(yàn)框,通過先驗(yàn)框預(yù)測(cè)掃描電鏡圖像中磨粒的類別、置信度與坐標(biāo),輸出預(yù)測(cè)結(jié)果. 其中,網(wǎng)絡(luò)中所有的3×3普通卷積均調(diào)整為深度可分離卷積,用于打造輕量級(jí)網(wǎng)絡(luò).

    Fig. 1 Improved YOLOv4 network structure圖 1 改進(jìn)YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

    Fig. 2 Dense block structure圖 2 Dense模塊結(jié)構(gòu)

    1.2.1 基于VoVNet的主干特征提取網(wǎng)絡(luò)

    (1) OSA模塊

    密集卷積網(wǎng)絡(luò)(Dense convolutional network,DenseNet)[24]保存并積累具有不同感受野的特征圖,區(qū)別于每層之間僅1個(gè)連接的傳統(tǒng)L層卷積網(wǎng)絡(luò),DenseNet中共有L(L+1)/2個(gè)直接連接. DenseNet核心即Dense模塊結(jié)構(gòu)如圖2所示,其中的每一層都聚合前面所有層的特征. 因此,DenseNet在目標(biāo)檢測(cè)方面具備更多的特征表示.

    但是DenseNet過重的密集連接導(dǎo)致中間層特征的重復(fù)學(xué)習(xí),最終造成特征冗余. Lee等[25]以此為優(yōu)化方向,在Dense模塊基礎(chǔ)上提出了一次性聚合(One-shot aggregation,OSA)模塊,只在最后的特征映射中一次聚合前面所有特征,如圖3所示. 基于OSA模塊搭建骨干網(wǎng)絡(luò)VoVNet,以包含較多OSA模塊的VoVNet-39網(wǎng)絡(luò)為例,輸入尺寸為416×416×3的圖像,VoVNet-39網(wǎng)絡(luò)詳細(xì)結(jié)構(gòu)及對(duì)應(yīng)各模塊輸出列于表1中. 不難發(fā)現(xiàn),VoVNet-39由包含3個(gè)卷積層的1階段Stem模塊和4階段OSA模塊組成,每個(gè)階段通過步長(zhǎng)為2的3×3最大池化層下采樣連接. VoVNet-39在第2、第3階段分別部署1個(gè)OSA模塊,在第4、第5階段分別部署2個(gè)OSA模塊,每個(gè)OSA模塊中都含有5個(gè)3×3卷積和1個(gè)1×1卷積. 利用OSA模塊解決密集連接引起的輸入通道數(shù)量線性增加問題,基于OSA模塊構(gòu)建的VoVNet網(wǎng)絡(luò)不僅充分保留了DenseNet的多樣化特征表示優(yōu)勢(shì),還降低了內(nèi)存訪問成本,使GPU計(jì)算更高效.

    Fig. 3 OSA module structure圖 3 OSA模塊結(jié)構(gòu)

    (2) 改進(jìn)OSA模塊

    改進(jìn)OSA模塊直接將輸入加到輸出上,形成恒等映射,保障梯度和方向傳播不受干擾,進(jìn)而擁有更深的網(wǎng)絡(luò)深度;同時(shí)在最后的特征層中引入有效壓縮和機(jī)理(effective Squeeze-Excitation,eSE)模塊增強(qiáng)特征,原SE模塊包含兩個(gè)全連接層和1個(gè)Sigmoid函數(shù),以重新調(diào)整輸入特征圖并突出有用通道,但也會(huì)導(dǎo)致通道信息丟失,eSE模塊僅使用1個(gè)全連接層,維護(hù)通道信息,提高網(wǎng)絡(luò)性能.

    eSE模塊定義為

    式中: σ為Sigmoid激活函數(shù);Xdiv∈RC×W×H是改進(jìn)OSA模塊中1×1卷積計(jì)算得到的多樣化特征圖(C×W×H為輸入eSE模塊的特征大小);Favg代表全局平均池化;Wc代表全連接; ?代表元素相乘;最后,Xdiv通過殘差連接添加到精細(xì)化特征圖Xrefine中. 改進(jìn)OSA模塊結(jié)構(gòu)如圖4所示,VoVNetv2-39網(wǎng)絡(luò)即在原VoVNet-39網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上改進(jìn)OSA模塊得到.

    1.2.2 基于BiFPN的加強(qiáng)特征提取網(wǎng)絡(luò)

    特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)[26]是識(shí)別不同尺寸目標(biāo)的基本組成部分,但其傳統(tǒng)的自上而下結(jié)構(gòu)不可避免會(huì)受到單向信息流限制. 為了解決這個(gè)問題,YOLOv4中采用的路徑聚合網(wǎng)絡(luò)(Path Aggregation Network,PANet)[27]增加了1條自下而上的聚合路徑,精度更高,但也導(dǎo)致參數(shù)量和計(jì)算量加大.因此,本文中選用的雙向特征金字塔網(wǎng)絡(luò)(Bidirectional Feature Pyramid Network,BiFPN)在PANet結(jié)構(gòu)基礎(chǔ)上,首先刪去了只有1條輸入邊的節(jié)點(diǎn),因?yàn)檫@些節(jié)點(diǎn)對(duì)融合不同特征的特征網(wǎng)絡(luò)貢獻(xiàn)較小,以此產(chǎn)生了1個(gè)簡(jiǎn)化的雙向網(wǎng)絡(luò);其次在屬于同一層級(jí)的輸入、輸出節(jié)點(diǎn)間增加橫向連接,從而能夠在不增加成本的情況下融合更多特征;最后利用快速規(guī)范化融合為不同分辨率的特征增加權(quán)重,而不是統(tǒng)一調(diào)整到相同分辨率再相加,打破重要性平衡,讓網(wǎng)絡(luò)能夠?qū)W習(xí)到不同分辨率的特征. BiFPN結(jié)構(gòu)如圖5所示.

    表 1 VoVNet-39網(wǎng)絡(luò)詳細(xì)結(jié)構(gòu)及對(duì)應(yīng)各模塊輸出Table 1 Detailed structure of VoVNet-39 and outputs of corresponding modules

    1.2.3 基于深度可分離卷積的網(wǎng)絡(luò)參數(shù)簡(jiǎn)化

    普通卷積利用權(quán)重矩陣實(shí)現(xiàn)通道維和空間維的聯(lián)合映射,代價(jià)是高計(jì)算復(fù)雜度、高內(nèi)存開銷和大量權(quán)重系數(shù). Kaiser等[28]提出的深度可分離卷積(Depthwise Separable Convolutions,DConv)實(shí)施“兩步走”戰(zhàn)略,分別對(duì)通道維和空間維上的特征進(jìn)行映射并將結(jié)果組合,保留普通卷積表征學(xué)習(xí)能力的同時(shí),減少參數(shù)數(shù)量,提高運(yùn)算效率. 深度可分離卷積操作如圖6所示.

    Fig. 4 Improved OSA module structure圖 4 改進(jìn)OSA模塊結(jié)構(gòu)

    Fig. 5 BiFPN structure圖 5 BiFPN結(jié)構(gòu)

    (1)逐通道卷積(Depthwise Convolution,DWConv)

    假設(shè)輸入圖像尺寸為DF×DF×M(DF為輸入圖像的長(zhǎng)和寬,M為輸入圖像的通道數(shù)),輸出通道數(shù)為N,DWConv為每個(gè)通道分配1個(gè)卷積核,在二維平面內(nèi)進(jìn)行卷積運(yùn)算,生成M個(gè)特征圖. 由于對(duì)每個(gè)通道進(jìn)行獨(dú)立卷積運(yùn)算,未能有效利用不同通道在相同空間位置上的特征信息,且生成的特征圖數(shù)量因與輸入圖像通道數(shù)相同無法進(jìn)行擴(kuò)展,所以需要PWConv對(duì)DWConv得到的特征圖進(jìn)行組合.

    (2)逐點(diǎn)卷積(Pointwise Convolution,PWConv)

    PWConv運(yùn)算與普通卷積運(yùn)算十分相似,其卷積核尺寸為1×1×M×N,對(duì)DWConv得到的特征圖進(jìn)行深度方向上加權(quán),得到擴(kuò)展后的特征圖.

    下一節(jié)將介紹在遷移學(xué)習(xí)基礎(chǔ)上利用改進(jìn)YOLOv4網(wǎng)絡(luò)實(shí)現(xiàn)的磨粒識(shí)別試驗(yàn),以證實(shí)本文中所提出的新型模型更符合工業(yè)中實(shí)時(shí)、簡(jiǎn)潔的目標(biāo)檢測(cè)需求.

    2 掃描電鏡磨粒識(shí)別及試驗(yàn)驗(yàn)證

    2.1 掃描電鏡磨粒識(shí)別流程

    掃描電鏡磨粒識(shí)別流程如圖7所示. 首先,選擇具有典型磨損特征的掃描電鏡磨粒圖片,采用圖片數(shù)據(jù)增強(qiáng)法進(jìn)行數(shù)據(jù)集擴(kuò)充,并劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集,形成自建的掃描電鏡磨粒圖像集;其次,統(tǒng)一所有圖片尺寸為416×416×3,輸入改進(jìn)YOLOv4網(wǎng)絡(luò),根據(jù)遷移學(xué)習(xí)思想利用IamgeNet數(shù)據(jù)集對(duì)新模型進(jìn)行預(yù)訓(xùn)練,獲取模型初始化權(quán)重和偏差;接著,設(shè)置訓(xùn)練參數(shù),利用自建的掃描電鏡磨粒圖像集開始凍結(jié)訓(xùn)練,僅微調(diào)網(wǎng)絡(luò)部分參數(shù),凍結(jié)訓(xùn)練結(jié)束開始解凍訓(xùn)練,模型權(quán)重和偏差得以更新;最后,模型驗(yàn)證與測(cè)試,比較輸出的mAP值并得到最優(yōu)模型與識(shí)別結(jié)果.

    Fig. 6 Depthwise separable convolution operation圖 6 深度可分離卷積操作

    Fig. 7 The process of wear particle intelligent recognition圖 7 磨粒智能識(shí)別流程

    2.2 掃描電鏡磨粒識(shí)別關(guān)鍵技術(shù)

    2.2.1 圖像數(shù)據(jù)預(yù)處理

    將分析航空發(fā)動(dòng)機(jī)掃描電鏡磨粒圖像問題看作是1個(gè)基于圖像的目標(biāo)檢測(cè)問題. 本文中主要進(jìn)行常見類型的異常磨粒識(shí)別研究,通過以往總結(jié)得到的專家經(jīng)驗(yàn),依據(jù)不同磨粒對(duì)應(yīng)的不同典型特征,人工從中國航發(fā)商用發(fā)動(dòng)機(jī)公司滑油系統(tǒng)中選取684張掃描電鏡磨粒圖片,包含制造屑、摩擦屑和疲勞磨損屑3種,采用旋轉(zhuǎn)、縮放、隨機(jī)剪切、亮度調(diào)整和噪聲添加等圖像數(shù)據(jù)增強(qiáng)方法,將1張圖片拓展成5張,形成了含有3 420張圖片的磨粒圖像集,并按訓(xùn)練集:驗(yàn)證集:測(cè)試集=6:2:2的比例劃分. 其中,旋轉(zhuǎn)以圖像中心為旋轉(zhuǎn)中心進(jìn)行隨機(jī)角度旋轉(zhuǎn);縮放按照一定比例縮小或放大圖像;隨機(jī)剪切是隨機(jī)定義感興趣區(qū)域進(jìn)行截取并調(diào)整為原始圖像尺寸;亮度調(diào)整為更改圖像亮度;噪聲添加則是在原始圖片基礎(chǔ)上隨機(jī)疊加噪聲,一定程度上影響像素平滑. 上述操作都是用于獲得更多形態(tài)的圖像數(shù)據(jù),并不破壞原圖像中的磨粒典型特征. 對(duì)應(yīng)磨粒圖像及其特征總結(jié)列于表2中.

    2.2.2 基于ImageNet數(shù)據(jù)集的網(wǎng)絡(luò)預(yù)訓(xùn)練

    由于掃描電鏡磨粒圖像數(shù)量有限,即使是擴(kuò)充后的磨粒圖像集也不足以用來訓(xùn)練深度學(xué)習(xí)模型. 本文作者利用遷移學(xué)習(xí)來初始化模型權(quán)重,以減少對(duì)樣本數(shù)量的依賴.

    遷移學(xué)習(xí)旨在遷移現(xiàn)有知識(shí)去解決僅含有少量標(biāo)簽樣本的目標(biāo)領(lǐng)域?qū)W習(xí)問題. 基本原理是利用大規(guī)模圖像集(本文中選用包含有120萬個(gè)樣本的ImageNet圖像集)訓(xùn)練模型,獲得模型的初始權(quán)重和偏差,然后通過掃描電鏡磨粒圖像集重復(fù)訓(xùn)練該模型以更新權(quán)重和偏差.

    2.2.3 基于磨粒圖像數(shù)據(jù)集的網(wǎng)絡(luò)訓(xùn)練

    本文中在遷移學(xué)習(xí)基礎(chǔ)上,引入了凍結(jié)訓(xùn)練的思想,在利用磨粒圖像重訓(xùn)練模型階段,考慮到所有目標(biāo)檢測(cè)模型,其神經(jīng)網(wǎng)絡(luò)主干部分提取到的特征是通用的,將主干凍結(jié)起來訓(xùn)練可以加快訓(xùn)練效率,所以對(duì)于含有800輪次的模型總訓(xùn)練周期,設(shè)前25%為凍結(jié)階段,特征提取網(wǎng)絡(luò)不發(fā)生改變,占用顯存較小,僅對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào);后75%為解凍階段,特征提取網(wǎng)絡(luò)發(fā)生改變,占用顯存較大,網(wǎng)絡(luò)所有參數(shù)均受影響.

    2.2.4 損失函數(shù)

    本文中選用的損失函數(shù)loss由3部分組成,分別為坐標(biāo)損失losscoord,置信度損失lossconf和類別損失lossclass.

    式中:

    從公式3中可以看出,坐標(biāo)損失采用的是CIOU,s2為網(wǎng)格數(shù)量;B為事先設(shè)定的先驗(yàn)框數(shù)量;若第i個(gè)網(wǎng)格的第j個(gè)先驗(yàn)框中有目標(biāo),則為1,反之則為0;IOU為預(yù)測(cè)框和真實(shí)框的交并比;b和bgt分別為預(yù)測(cè)框和真實(shí)框的中心位置; ρ(b,bgt)為兩個(gè)中心位置的歐幾里得距離;c代表能夠同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小矩形的對(duì)角線長(zhǎng)度;wgt和hgt,w和h分別為真實(shí)框和預(yù)測(cè)框的寬與高.

    2.2.5 模型評(píng)價(jià)指標(biāo)

    模型性能評(píng)估通常從精度與速度兩個(gè)角度出發(fā).

    因?yàn)槟チWR(shí)別本質(zhì)上也是1種多分類問題,每一類的準(zhǔn)確率指標(biāo)為平均精度(Average precision,AP),不能夠宏觀評(píng)價(jià)模型精度,所以引入所有類別的平均精度(Mean average precision,mAP).

    式中:P(Precision)為準(zhǔn)確率,也叫查準(zhǔn)率,用于表示某一類別中所有檢測(cè)出的正樣本是否實(shí)際都為正樣本;R(Recall)為召回率,也叫查全率,用于表示某一類別中所有實(shí)際正樣本是否均被檢測(cè)出來;TP(True positives)為此類中被正確劃分為正樣本的個(gè)數(shù);FP(False positives) 為此類中被錯(cuò)誤劃分為正樣本的個(gè)數(shù);FN(False negatives)為此類中被錯(cuò)誤劃分為負(fù)樣本的個(gè)數(shù),即漏檢的正樣本個(gè)數(shù);c為類別數(shù). 對(duì)于每一類,可以規(guī)定1個(gè)置信度閾值(通常是0.5)來判斷是否為正例. 顯然,mAP值越大,模型精度越高.

    模型速度評(píng)價(jià)指標(biāo)選用FPS (Frames per second),表示畫面每秒傳輸幀數(shù),公式如下:

    式中:taverage為平均檢測(cè)1張圖片所需的時(shí)間. FPS越大,則模型推理速度越快.

    2.3 試驗(yàn)驗(yàn)證結(jié)果分析

    本文中根據(jù)中國航發(fā)商用發(fā)動(dòng)機(jī)公司提供的磨粒圖像,采用圖像數(shù)據(jù)增強(qiáng)法擴(kuò)充小樣本數(shù)據(jù)集,建立包含3類磨損的掃描電鏡磨粒圖像集,并按訓(xùn)練集:驗(yàn)證集:測(cè)試集=6:2:2的比例劃分,其中訓(xùn)練集、驗(yàn)證集和測(cè)試集分別含有2 052,684和684個(gè)樣本,共計(jì)3 420個(gè)樣本. 使用數(shù)據(jù)標(biāo)記軟件labelimg對(duì)每張圖片目標(biāo)區(qū)域進(jìn)行畫框標(biāo)記和種類標(biāo)注.

    本文中基于Pytorch-1.2.0深度學(xué)習(xí)框架,利用Python 3.6編程語言搭建新型目標(biāo)檢測(cè)模型,并在硬件NIVIDA 2080TI上實(shí)現(xiàn)模型的訓(xùn)練與測(cè)試. 模型總訓(xùn)練輪次為800,前200輪次處于凍結(jié)階段,學(xué)習(xí)率設(shè)為0.001,訓(xùn)練批次(batch_size)設(shè)為8;后600輪次處于解凍階段,學(xué)習(xí)率設(shè)為0.000 1,訓(xùn)練批次設(shè)為4. 預(yù)設(shè)9個(gè)不同尺寸的先驗(yàn)框,根據(jù)不同特征層的感受野大小進(jìn)行分配,具體分配情況列于表3中. 最后預(yù)測(cè)網(wǎng)絡(luò)YOLO Head輸出大小分別為(13,13,24)、(26,26,24)和(52,52,24),如圖1所示,即YOLOv4的3個(gè)特征層分別將整個(gè)圖像分為13×13、26×26和52×52的網(wǎng)格,每個(gè)網(wǎng)格左上角的點(diǎn)負(fù)責(zé)對(duì)該網(wǎng)格區(qū)域的檢測(cè),最后一維24可分解為3×(4+1+3),第1個(gè)3代表三類預(yù)設(shè)框,第2個(gè)3代表磨粒類別預(yù)測(cè)結(jié)果,4代表預(yù)測(cè)框中心與預(yù)測(cè)框長(zhǎng)寬的調(diào)整參數(shù),1為判斷該種類的置信度.

    表 3 不同尺寸先驗(yàn)框分配情況Table 3 Distribution of prior frames of different sizes

    將模型訓(xùn)練與驗(yàn)證過程中損失函數(shù)值的變化過程可視化,如圖8所示. 從圖8中可以看出,前200輪處于凍結(jié)階段,初始學(xué)習(xí)率為0.001,模型預(yù)訓(xùn)練得到的初始權(quán)重被保護(hù),僅部分網(wǎng)絡(luò)參數(shù)在進(jìn)行微調(diào),損失函數(shù)值在150輪次左右收斂于3;后600輪次處于解凍階段,初始學(xué)習(xí)率為0.000 1,訓(xùn)練過程中如果連續(xù)2個(gè)輪次損失值沒有明顯下降,采用學(xué)習(xí)率變?yōu)樵瓉硪话氲牟呗詫?duì)學(xué)習(xí)率進(jìn)行衰減,所以凍結(jié)階段后50個(gè)左右的輪次損失值沒有明顯變化,學(xué)習(xí)率衰減到0.000 1以下,解凍開始,學(xué)習(xí)率突然增加,損失值也隨之突然增加,權(quán)值更新,損失值再快速下降,到400輪左右損失值收斂于0.1.

    Fig. 8 Loss value during model training and validation圖 8 模型訓(xùn)練與驗(yàn)證過程中的損失值

    圖9 所示為某一疲勞磨粒特征識(shí)別過程,3種不同尺寸網(wǎng)格分別輸出3張?zhí)卣鳠崃D,共9張. 第1列特征圖代表置信度(score),突出顯示置信度超過設(shè)定閾值的目標(biāo)對(duì)象,但不進(jìn)行分類;第2列特征圖代表類(class),突出顯示需要判別的類的區(qū)域;第3列特征圖是進(jìn)行置信度矩陣與類別矩陣的加權(quán),選定的目標(biāo)對(duì)象恰好也是設(shè)定的所屬類. 13×13網(wǎng)格感受野較大,主要進(jìn)行大目標(biāo)識(shí)別,識(shí)別出了圖中所有的疲勞屑;26×26網(wǎng)格感受野中等,主要進(jìn)行一般大小的目標(biāo)識(shí)別,所以只識(shí)別出了尺寸較小的2個(gè)疲勞磨粒;52×52網(wǎng)格感受野較小,主要進(jìn)行小目標(biāo)識(shí)別,該圖像中沒有小尺寸磨粒,因此未能識(shí)別出4個(gè)疲勞磨粒中的任一個(gè).

    Fig. 9 Feature recognition process of one fatigue wear particle圖 9 某一疲勞磨粒的特征識(shí)別過程

    為了證明所提網(wǎng)絡(luò)的先進(jìn)性和有效性,設(shè)定原YOLOv4網(wǎng)絡(luò)為基線模型,對(duì)調(diào)整中不同階段的檢測(cè)網(wǎng)絡(luò)進(jìn)行消融試驗(yàn),測(cè)試結(jié)果對(duì)比列于表4中.

    部分磨粒圖像檢測(cè)結(jié)果如圖10所示,方框框出的為磨損顆粒,方框上同時(shí)標(biāo)有磨粒種類及對(duì)應(yīng)置信度.

    從表4可以看出,采用VoVNetv2-39替換CSPDarknet53作為YOLOv4的主干特征提取網(wǎng)絡(luò)時(shí),模型mAP值相近,參數(shù)量下降,推理速度提升至34.82/幀. 更改特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)為BiFPN時(shí),雖然模型推理速度有所下降,但是檢測(cè)精度高于原YOLOv4網(wǎng)絡(luò),說明高效的雙向跨尺度連接能夠充分利用深層與淺層特征優(yōu)勢(shì),增進(jìn)多層次特征融合,很好地彌補(bǔ)了輕量級(jí)網(wǎng)絡(luò)替換造成的精度損失. 將網(wǎng)絡(luò)中的所有3×3普通卷積均調(diào)整為深度可分離卷積時(shí),網(wǎng)絡(luò)大小直接由231.1 MB-1降為120.1 MB-1,推理速度相較于YOLOv4提升了51.1%,平均每張圖片的檢測(cè)時(shí)間節(jié)省了0.011 05 s,從圖10可以看出模型對(duì)于重疊磨粒的檢測(cè)效果也較好,如圖10(j),(n)和(o)所示,模型已識(shí)別出所有堵塞、擁擠的磨屑,有效解決邊界框重疊被抑制的問題,從而減少漏檢的可能性,說明該模型同時(shí)還能保持較高精度,符合快速、簡(jiǎn)潔和高精度的檢測(cè)要求,可應(yīng)用于工業(yè)實(shí)踐中.

    3 結(jié)論

    本文中主要結(jié)論總結(jié)如下:

    表 4 消融試驗(yàn)結(jié)果Table 4 Ablation experiments’ results

    Fig. 10 Parts of wear particle images’ detection results based on YOLOv4-VoVNetv2-39-BiFPN-DConv圖 10 基于YOLOv4-VoVNetv2-39-BiFPN-DConv得到的部分磨粒圖像檢測(cè)結(jié)果

    a. 針對(duì)現(xiàn)有磨粒圖像智能識(shí)別算法識(shí)別精度往往受主觀因素影響很大,且識(shí)別過程的自動(dòng)化和智能化水平很低的問題,提出1種基于改進(jìn)YOLOv4的目標(biāo)檢測(cè)算法,并應(yīng)用于航空發(fā)動(dòng)機(jī)掃描電鏡磨粒圖像目標(biāo)檢測(cè),實(shí)現(xiàn)磨粒的自動(dòng)快速識(shí)別.

    b. 與原始YOLOv4網(wǎng)絡(luò)相比,本文中所提出的新模型在3類磨粒組成的掃描電鏡圖像數(shù)據(jù)集上具有最佳的檢測(cè)結(jié)果,即,在保證精度的前提下,網(wǎng)絡(luò)參數(shù)量得到大幅降低,推理速度提升了51.1%,平均每張圖片的檢測(cè)時(shí)間節(jié)省了0.011 05s,同時(shí)對(duì)于重疊磨粒也有很好的檢測(cè)效果. 充分表明該模型在精度與速度之間保持了良好的平衡,滿足實(shí)際掃描電鏡磨粒圖像快速、簡(jiǎn)潔和高精度的檢測(cè)需求,具備很好的潛在工程應(yīng)用價(jià)值.

    猜你喜歡
    特征檢測(cè)模型
    一半模型
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    抓住特征巧觀察
    3D打印中的模型分割與打包
    秋霞伦理黄片| 免费播放大片免费观看视频在线观看| 成人18禁高潮啪啪吃奶动态图| 夜夜骑夜夜射夜夜干| 中文字幕制服av| kizo精华| 欧美精品人与动牲交sv欧美| 日本猛色少妇xxxxx猛交久久| 亚洲国产欧美网| 国产一级毛片在线| 亚洲,欧美,日韩| 亚洲精品自拍成人| 国产精品免费大片| 午夜激情av网站| 国产乱人偷精品视频| 日韩在线高清观看一区二区三区| 超色免费av| 午夜激情久久久久久久| 亚洲综合精品二区| 亚洲少妇的诱惑av| 国产精品av久久久久免费| 欧美日韩视频精品一区| 久久精品久久精品一区二区三区| 久久精品久久久久久久性| 久热这里只有精品99| 天堂中文最新版在线下载| 中文字幕人妻熟女乱码| 观看美女的网站| 日韩一区二区三区影片| 国产精品国产av在线观看| 永久免费av网站大全| 一本色道久久久久久精品综合| av在线播放精品| 在线免费观看不下载黄p国产| 亚洲第一av免费看| 一级毛片黄色毛片免费观看视频| 亚洲综合色惰| 亚洲综合精品二区| 成年女人在线观看亚洲视频| 精品人妻偷拍中文字幕| 中文字幕最新亚洲高清| 免费看av在线观看网站| a级片在线免费高清观看视频| 美女大奶头黄色视频| 久久久久国产一级毛片高清牌| 美国免费a级毛片| 狠狠精品人妻久久久久久综合| 高清视频免费观看一区二区| 成人黄色视频免费在线看| 男女国产视频网站| 天堂俺去俺来也www色官网| 另类亚洲欧美激情| 如日韩欧美国产精品一区二区三区| 亚洲欧洲精品一区二区精品久久久 | 久久久亚洲精品成人影院| 亚洲国产欧美在线一区| 亚洲欧美中文字幕日韩二区| 国产又色又爽无遮挡免| 日本av免费视频播放| 精品第一国产精品| 国产精品蜜桃在线观看| 亚洲成人av在线免费| 国产精品秋霞免费鲁丝片| av卡一久久| 丝袜在线中文字幕| 人妻 亚洲 视频| 夫妻性生交免费视频一级片| 少妇人妻 视频| 一本色道久久久久久精品综合| 午夜福利影视在线免费观看| 在线观看人妻少妇| 纵有疾风起免费观看全集完整版| av天堂久久9| 侵犯人妻中文字幕一二三四区| 久久精品aⅴ一区二区三区四区 | 国产精品熟女久久久久浪| av在线老鸭窝| 久久久亚洲精品成人影院| 97在线视频观看| 日韩人妻精品一区2区三区| 精品久久蜜臀av无| 三级国产精品片| 亚洲欧美成人精品一区二区| 99香蕉大伊视频| 啦啦啦中文免费视频观看日本| 蜜桃国产av成人99| 午夜福利在线免费观看网站| 国产97色在线日韩免费| 国产 精品1| 考比视频在线观看| 一区在线观看完整版| 看免费av毛片| 女人高潮潮喷娇喘18禁视频| 边亲边吃奶的免费视频| 两个人看的免费小视频| 97在线人人人人妻| 电影成人av| av天堂久久9| 另类精品久久| 亚洲成人av在线免费| 各种免费的搞黄视频| 日本欧美国产在线视频| 亚洲精华国产精华液的使用体验| 观看av在线不卡| 中文字幕av电影在线播放| 精品99又大又爽又粗少妇毛片| 看十八女毛片水多多多| 中文精品一卡2卡3卡4更新| 欧美精品亚洲一区二区| 精品少妇黑人巨大在线播放| 久久久久久伊人网av| 国产在视频线精品| 成人午夜精彩视频在线观看| 99香蕉大伊视频| 丝袜美足系列| 欧美变态另类bdsm刘玥| 日产精品乱码卡一卡2卡三| 亚洲情色 制服丝袜| 热re99久久精品国产66热6| 91精品三级在线观看| 欧美日韩成人在线一区二区| 色播在线永久视频| 欧美在线黄色| 国产精品成人在线| 精品卡一卡二卡四卡免费| 老熟女久久久| 丝袜美腿诱惑在线| 国产亚洲午夜精品一区二区久久| 亚洲精品中文字幕在线视频| 国产免费福利视频在线观看| 亚洲国产精品一区三区| 丝瓜视频免费看黄片| 熟女电影av网| 在线观看国产h片| 丝袜在线中文字幕| 国产福利在线免费观看视频| 观看美女的网站| 丝瓜视频免费看黄片| 永久网站在线| 久久人人爽av亚洲精品天堂| 乱人伦中国视频| 欧美日韩一区二区视频在线观看视频在线| 激情五月婷婷亚洲| 亚洲国产成人一精品久久久| 午夜福利在线观看免费完整高清在| 啦啦啦在线观看免费高清www| 亚洲一区中文字幕在线| 亚洲精华国产精华液的使用体验| 一区二区av电影网| 国产精品99久久99久久久不卡 | 国产黄频视频在线观看| av卡一久久| 国产日韩欧美在线精品| 久久国产精品大桥未久av| 制服丝袜香蕉在线| 久久精品久久久久久久性| 亚洲av综合色区一区| 丁香六月天网| 赤兔流量卡办理| 男女免费视频国产| 久久久久久伊人网av| 成人漫画全彩无遮挡| 国产综合精华液| 日日爽夜夜爽网站| 2021少妇久久久久久久久久久| 欧美亚洲日本最大视频资源| 成年动漫av网址| 在线天堂中文资源库| 久久免费观看电影| 一本色道久久久久久精品综合| xxxhd国产人妻xxx| 最近2019中文字幕mv第一页| 国产日韩欧美亚洲二区| 99re6热这里在线精品视频| 纵有疾风起免费观看全集完整版| 精品久久久久久电影网| 国产精品一区二区在线不卡| 国产黄色视频一区二区在线观看| 宅男免费午夜| 十分钟在线观看高清视频www| 亚洲欧美一区二区三区国产| 老汉色av国产亚洲站长工具| 精品午夜福利在线看| 久久人人爽人人片av| 九草在线视频观看| 午夜久久久在线观看| 超碰97精品在线观看| 人人妻人人澡人人爽人人夜夜| 欧美精品国产亚洲| 久久久久久免费高清国产稀缺| 99国产综合亚洲精品| 亚洲精品国产色婷婷电影| 熟妇人妻不卡中文字幕| 亚洲av国产av综合av卡| 精品久久久精品久久久| 欧美人与善性xxx| 最近最新中文字幕免费大全7| 久久精品夜色国产| 美女脱内裤让男人舔精品视频| 黑人猛操日本美女一级片| 欧美 日韩 精品 国产| 欧美激情高清一区二区三区 | 国产成人a∨麻豆精品| 男女无遮挡免费网站观看| 观看av在线不卡| www日本在线高清视频| 人人妻人人爽人人添夜夜欢视频| 一级毛片 在线播放| 亚洲欧美日韩另类电影网站| 欧美激情高清一区二区三区 | 婷婷色av中文字幕| 纵有疾风起免费观看全集完整版| 丰满少妇做爰视频| 91精品三级在线观看| 大码成人一级视频| 婷婷色av中文字幕| 亚洲精品自拍成人| www日本在线高清视频| 欧美日本中文国产一区发布| 国产成人精品久久久久久| 男女边吃奶边做爰视频| 亚洲伊人色综图| 国产黄色免费在线视频| 成年人午夜在线观看视频| 久久久久精品人妻al黑| 中文字幕最新亚洲高清| 国产淫语在线视频| 26uuu在线亚洲综合色| a 毛片基地| 看十八女毛片水多多多| 国产精品 欧美亚洲| 国产爽快片一区二区三区| 精品福利永久在线观看| 中文字幕精品免费在线观看视频| 亚洲精品美女久久av网站| 中文精品一卡2卡3卡4更新| 纯流量卡能插随身wifi吗| 欧美精品一区二区大全| 国产1区2区3区精品| 久久这里有精品视频免费| 久久久精品国产亚洲av高清涩受| 亚洲国产欧美日韩在线播放| 超色免费av| 我要看黄色一级片免费的| 亚洲,欧美,日韩| 欧美精品国产亚洲| 久久久a久久爽久久v久久| 国产精品无大码| 2021少妇久久久久久久久久久| 亚洲精品美女久久av网站| 日本猛色少妇xxxxx猛交久久| 韩国精品一区二区三区| 国产黄频视频在线观看| 成年人午夜在线观看视频| videosex国产| 日本av手机在线免费观看| 美女午夜性视频免费| 26uuu在线亚洲综合色| 少妇熟女欧美另类| 国产免费福利视频在线观看| 亚洲国产欧美网| 国产毛片在线视频| 久久ye,这里只有精品| 老女人水多毛片| 欧美日韩视频精品一区| 丰满饥渴人妻一区二区三| 亚洲中文av在线| 免费av中文字幕在线| 男女午夜视频在线观看| 日韩精品有码人妻一区| 亚洲成人一二三区av| av网站免费在线观看视频| 一级毛片我不卡| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 咕卡用的链子| 精品少妇黑人巨大在线播放| 黑人欧美特级aaaaaa片| 另类亚洲欧美激情| 国产亚洲午夜精品一区二区久久| 亚洲国产看品久久| 日韩大片免费观看网站| videos熟女内射| 欧美bdsm另类| 婷婷成人精品国产| 免费高清在线观看视频在线观看| 国产精品免费视频内射| 男女下面插进去视频免费观看| 久久午夜福利片| 亚洲精品美女久久久久99蜜臀 | 爱豆传媒免费全集在线观看| 九九爱精品视频在线观看| 中文欧美无线码| 国产片特级美女逼逼视频| 看十八女毛片水多多多| 久久 成人 亚洲| 欧美老熟妇乱子伦牲交| 免费久久久久久久精品成人欧美视频| tube8黄色片| 精品国产一区二区久久| 亚洲美女搞黄在线观看| 免费观看a级毛片全部| 欧美成人午夜精品| 91午夜精品亚洲一区二区三区| 国语对白做爰xxxⅹ性视频网站| 国产探花极品一区二区| 亚洲情色 制服丝袜| 赤兔流量卡办理| av网站在线播放免费| 在线观看人妻少妇| 一本—道久久a久久精品蜜桃钙片| 亚洲国产欧美日韩在线播放| 一区在线观看完整版| 国产乱来视频区| 天天躁夜夜躁狠狠久久av| av电影中文网址| 亚洲经典国产精华液单| 91精品伊人久久大香线蕉| 亚洲精品美女久久av网站| 国产日韩一区二区三区精品不卡| 成人午夜精彩视频在线观看| 久久久精品94久久精品| 久久这里有精品视频免费| 日韩三级伦理在线观看| 久久久国产欧美日韩av| 亚洲av.av天堂| 国产精品蜜桃在线观看| 国产 一区精品| 久久久精品区二区三区| 91aial.com中文字幕在线观看| 亚洲五月色婷婷综合| 母亲3免费完整高清在线观看 | 看十八女毛片水多多多| 国产成人a∨麻豆精品| 亚洲国产日韩一区二区| 啦啦啦视频在线资源免费观看| 亚洲,欧美精品.| 黑人猛操日本美女一级片| 久久狼人影院| 2018国产大陆天天弄谢| 丝瓜视频免费看黄片| 26uuu在线亚洲综合色| 黄色 视频免费看| 欧美日韩成人在线一区二区| 在线观看www视频免费| 91午夜精品亚洲一区二区三区| 国产精品久久久久久精品电影小说| 香蕉丝袜av| 久久午夜福利片| 亚洲经典国产精华液单| 日韩欧美精品免费久久| 欧美日韩综合久久久久久| 国产免费视频播放在线视频| 女人久久www免费人成看片| 日本av手机在线免费观看| 国产精品二区激情视频| 国产成人av激情在线播放| 免费在线观看完整版高清| 青春草亚洲视频在线观看| 宅男免费午夜| 日本av手机在线免费观看| 91精品三级在线观看| 我的亚洲天堂| 99re6热这里在线精品视频| 天堂8中文在线网| 宅男免费午夜| 欧美日韩视频高清一区二区三区二| 国产毛片在线视频| 最近中文字幕高清免费大全6| 99re6热这里在线精品视频| 青青草视频在线视频观看| 亚洲,欧美,日韩| 综合色丁香网| 精品少妇黑人巨大在线播放| 国产1区2区3区精品| 精品酒店卫生间| 在线观看免费高清a一片| www.av在线官网国产| 久久青草综合色| 99国产精品免费福利视频| 黑人欧美特级aaaaaa片| 黄色配什么色好看| 美女福利国产在线| 精品国产乱码久久久久久男人| 午夜91福利影院| 国产男女超爽视频在线观看| 欧美 亚洲 国产 日韩一| 亚洲av在线观看美女高潮| 欧美精品一区二区免费开放| 激情视频va一区二区三区| 免费高清在线观看视频在线观看| 激情视频va一区二区三区| 久久99精品国语久久久| 久久精品久久久久久久性| 亚洲人成电影观看| 人妻少妇偷人精品九色| 亚洲av中文av极速乱| 亚洲三区欧美一区| 成人手机av| 久热久热在线精品观看| 高清不卡的av网站| 人人妻人人澡人人爽人人夜夜| 9191精品国产免费久久| 香蕉丝袜av| 国产精品熟女久久久久浪| 成人毛片a级毛片在线播放| 亚洲欧美中文字幕日韩二区| 欧美亚洲 丝袜 人妻 在线| 久久久久久免费高清国产稀缺| 免费观看a级毛片全部| 狠狠精品人妻久久久久久综合| 久久久精品国产亚洲av高清涩受| 少妇精品久久久久久久| 日韩三级伦理在线观看| 考比视频在线观看| 午夜免费鲁丝| 女性生殖器流出的白浆| 国产在视频线精品| 母亲3免费完整高清在线观看 | 中文字幕人妻丝袜制服| 777久久人妻少妇嫩草av网站| 久久久久久久久久久久大奶| 一边摸一边做爽爽视频免费| 国产 一区精品| 999久久久国产精品视频| 少妇人妻久久综合中文| 青春草视频在线免费观看| 黑人猛操日本美女一级片| 久久亚洲国产成人精品v| 美女xxoo啪啪120秒动态图| 国产精品二区激情视频| 午夜日韩欧美国产| 久久人妻熟女aⅴ| 国产 精品1| 大香蕉久久成人网| 久久久久久久国产电影| 亚洲精品乱久久久久久| 亚洲人成网站在线观看播放| 欧美日韩视频高清一区二区三区二| 国产成人精品福利久久| 性色avwww在线观看| 国产成人精品久久二区二区91 | 中文字幕亚洲精品专区| 国产精品亚洲av一区麻豆 | 天天躁夜夜躁狠狠久久av| 建设人人有责人人尽责人人享有的| 9191精品国产免费久久| 丝袜美腿诱惑在线| 最近2019中文字幕mv第一页| 国产熟女午夜一区二区三区| 少妇猛男粗大的猛烈进出视频| 不卡视频在线观看欧美| av卡一久久| 成年美女黄网站色视频大全免费| 人妻少妇偷人精品九色| 亚洲熟女精品中文字幕| 乱人伦中国视频| 亚洲av福利一区| 18+在线观看网站| 搡老乐熟女国产| 中文字幕人妻丝袜一区二区 | 999精品在线视频| 少妇被粗大猛烈的视频| 久久久久久久亚洲中文字幕| 丰满乱子伦码专区| 国产成人精品福利久久| 老司机亚洲免费影院| 久久久亚洲精品成人影院| 国产精品久久久久久精品古装| 亚洲欧美成人综合另类久久久| 精品亚洲成a人片在线观看| 免费久久久久久久精品成人欧美视频| 欧美人与善性xxx| 好男人视频免费观看在线| 成人毛片60女人毛片免费| 一区二区三区激情视频| 性少妇av在线| 国产av一区二区精品久久| 青青草视频在线视频观看| 国产精品一区二区在线观看99| 老司机影院成人| 18在线观看网站| 久久久久久久国产电影| 啦啦啦在线观看免费高清www| 欧美老熟妇乱子伦牲交| 久久午夜福利片| av网站免费在线观看视频| 成人二区视频| av片东京热男人的天堂| 精品人妻在线不人妻| 啦啦啦中文免费视频观看日本| 欧美激情高清一区二区三区 | a级片在线免费高清观看视频| 国产免费视频播放在线视频| 国产成人精品无人区| 国产无遮挡羞羞视频在线观看| 极品人妻少妇av视频| 秋霞伦理黄片| 国产av国产精品国产| 精品国产乱码久久久久久男人| 亚洲欧美日韩另类电影网站| 国产精品秋霞免费鲁丝片| 国产精品香港三级国产av潘金莲 | 欧美中文综合在线视频| 久久久久精品人妻al黑| 老司机亚洲免费影院| 青草久久国产| 极品少妇高潮喷水抽搐| 欧美另类一区| 国产一区二区激情短视频 | 日本av免费视频播放| 丁香六月天网| 久久热在线av| 亚洲成人av在线免费| 久久久久国产精品人妻一区二区| 少妇人妻 视频| 日韩一区二区视频免费看| 日本av手机在线免费观看| 久久人妻熟女aⅴ| 天堂俺去俺来也www色官网| 久久久久久伊人网av| 国产不卡av网站在线观看| 在线观看免费高清a一片| 男的添女的下面高潮视频| 国产精品蜜桃在线观看| 大片电影免费在线观看免费| 99re6热这里在线精品视频| 国产精品久久久久成人av| 国产精品成人在线| 久久久久久久亚洲中文字幕| 色视频在线一区二区三区| 精品国产一区二区三区久久久樱花| 亚洲五月色婷婷综合| 极品人妻少妇av视频| 国产成人午夜福利电影在线观看| 精品国产国语对白av| 丝袜人妻中文字幕| 男女午夜视频在线观看| 两个人看的免费小视频| 免费女性裸体啪啪无遮挡网站| 性色av一级| 亚洲一级一片aⅴ在线观看| 国产毛片在线视频| av不卡在线播放| 街头女战士在线观看网站| 天天躁狠狠躁夜夜躁狠狠躁| 青春草亚洲视频在线观看| 在线天堂最新版资源| 久久人人爽人人片av| 亚洲欧美成人综合另类久久久| 日韩一区二区视频免费看| 美女福利国产在线| 麻豆av在线久日| 韩国精品一区二区三区| 国产人伦9x9x在线观看 | 成年人午夜在线观看视频| 中文字幕人妻熟女乱码| 日韩欧美一区视频在线观看| 久久国产亚洲av麻豆专区| 一级,二级,三级黄色视频| 精品亚洲乱码少妇综合久久| 成人漫画全彩无遮挡| 免费女性裸体啪啪无遮挡网站| 999精品在线视频| 欧美精品国产亚洲| 国产成人精品福利久久| 国产精品99久久99久久久不卡 | 啦啦啦中文免费视频观看日本| 天天操日日干夜夜撸| 丝瓜视频免费看黄片| 亚洲欧洲精品一区二区精品久久久 | 亚洲精华国产精华液的使用体验| 亚洲综合精品二区| 成人黄色视频免费在线看| 久久精品熟女亚洲av麻豆精品| 亚洲,一卡二卡三卡| 日韩av不卡免费在线播放| 女人高潮潮喷娇喘18禁视频| 天堂8中文在线网| 国产成人精品久久二区二区91 | 日韩精品免费视频一区二区三区| av在线播放精品| 男女啪啪激烈高潮av片| 丁香六月天网| 91在线精品国自产拍蜜月| 永久免费av网站大全| av线在线观看网站| 亚洲情色 制服丝袜| 亚洲一码二码三码区别大吗| 在线亚洲精品国产二区图片欧美| 男女国产视频网站| 免费观看av网站的网址| 亚洲精品国产av蜜桃| 欧美少妇被猛烈插入视频| 国产熟女欧美一区二区| 女的被弄到高潮叫床怎么办| 男女国产视频网站| 免费女性裸体啪啪无遮挡网站| 女的被弄到高潮叫床怎么办| 激情五月婷婷亚洲| 黄频高清免费视频| 女人被躁到高潮嗷嗷叫费观| 国产亚洲午夜精品一区二区久久| 99国产综合亚洲精品| 国产成人欧美| 国产精品三级大全| 国产欧美亚洲国产| 欧美成人午夜精品| 亚洲综合色网址| 成人免费观看视频高清| 欧美精品亚洲一区二区| 成人国产av品久久久| 国产成人精品在线电影| 一级黄片播放器| 爱豆传媒免费全集在线观看| 捣出白浆h1v1|