• <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 ?

    基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法綜述

    2023-12-17 13:40:20于雨郭保琪初士博李恒楊鵬儒
    山東科學(xué) 2023年6期
    關(guān)鍵詞:目標(biāo)檢測深度學(xué)習(xí)

    于雨 郭保琪 初士博 李恒 楊鵬儒

    摘要:水下生物目標(biāo)識別對水產(chǎn)養(yǎng)殖、瀕危生物保護(hù)、生態(tài)環(huán)境監(jiān)測具有重要意義。綜合分析了當(dāng)前各種深度學(xué)習(xí)方法在水下生物目標(biāo)檢測中的應(yīng)用情況。首先介紹了常用的水下生物目標(biāo)檢測數(shù)據(jù)集;然后,按照兩階段和單階段對當(dāng)前常用目標(biāo)檢測方法進(jìn)行分類、分析和總結(jié),詳細(xì)闡述了各類檢測方法的實際應(yīng)用狀況,并重點對上述各類檢測方法優(yōu)化策略的優(yōu)勢與不足進(jìn)行了分析和總結(jié);最后,對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測提出今后的研究重點,為該領(lǐng)域的研究人員提供了資料性的參考依據(jù)。

    關(guān)鍵詞:深度學(xué)習(xí);目標(biāo)檢測;水下生物目標(biāo)檢測

    中圖分類號:TP181?? 文獻(xiàn)標(biāo)志碼:A? ?文章編號:1002-4026(2023)06-0001-07

    Survey of underwater biological object detection methods based on deep learning

    YU Yu1a,1b , GUO Baoqi2, CHU Shibo1a,1b, LI Heng1a,1b,YANG Pengru1a,1b

    (1.a. Institute of Oceanographic Instrumentation;b. National Marine Monitoring Equipment Engineerin

    g Technology

    Research Center ,Qilu University of Technology(Shandong Academy of Sciences),Qingdao 266100,China;

    2. Qingdao Haida Xinxing Software Consulting Co., Ltd., Qingdao 266114, China)

    Abstract∶Underwater biological object detection is crucial for aquaculture, endangered species protection,and ecological environment monitoring. This study comprehensively analyzes the applications of various deep learning methods in underwater biological object detection. The commonly used underwater biological object detection datasets are introduced. The state-of-the-art underwater biological object detection methods are classified, analyzed, and summarized by two stages and one stage. The actual applications of various detection methods are thoroughly described, and the advantages and disadvantages of their optimization strategies are analyzed and summarized. Future works in the field of underwater biological object detection based on deep learning are presented. This study provides a reference basis for researchers in the field of underwater biological object detection.

    Key words∶deep learning;object detection;underwater biological object detection

    水下生物目標(biāo)檢測對于水產(chǎn)養(yǎng)殖、瀕危生物保護(hù)、生態(tài)環(huán)境監(jiān)測等有著重要的意義。傳統(tǒng)的目標(biāo)檢測算法在準(zhǔn)確度、實時性等方面難以滿足水下復(fù)雜場景的應(yīng)用需求。隨著計算機(jī)視覺領(lǐng)域智能化的發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測算法取得了突破性的進(jìn)展,相繼出現(xiàn)了精度高但速度較慢的兩階段目標(biāo)檢測方法和實時性好但精度略低的單階段目標(biāo)檢測方法,并在水下生物目標(biāo)檢測領(lǐng)域得到了廣泛的應(yīng)用,成為該領(lǐng)域的研究熱點之一。

    林森等[1]從水下圖像預(yù)處理、目標(biāo)檢測識別、跟蹤關(guān)鍵技術(shù)等多個視覺任務(wù)的角度對水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)進(jìn)行了宏觀綜述。Fayaz等[2]按照R-CNN(region-based convolutional neural network)系列、YOLO(you only look once)系列及其他系列對水下目標(biāo)識別的相關(guān)方法進(jìn)行了綜述及實驗驗證。檀盼龍等[3]針對基于聲吶圖像的水下目標(biāo)識別問題,論述了圖像去噪、圖像分割以及水下目標(biāo)識別等方面的主要進(jìn)展。于紅等[4]系統(tǒng)闡述了數(shù)據(jù)集構(gòu)建、數(shù)據(jù)預(yù)處理、水產(chǎn)動物目標(biāo)識別、水產(chǎn)動物目標(biāo)跟蹤等技術(shù)研究進(jìn)展,并重點對其在海洋漁業(yè)領(lǐng)域的應(yīng)用現(xiàn)狀進(jìn)行了詳細(xì)的描述。董金耐等[5]對水下光學(xué)目標(biāo)檢測圖像數(shù)據(jù)集進(jìn)行了總結(jié)與分析,以Faster RCNN和YOLO-v3為基礎(chǔ)對兩種典型的提高目標(biāo)檢測性能的方法進(jìn)行了實驗驗證。然而,針對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法的綜述十分匱乏,不利于該領(lǐng)域的科學(xué)研究及工程應(yīng)用。基于此,本文對基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法進(jìn)行歸納和總結(jié),梳理了基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法的優(yōu)化策略,并對比分析了優(yōu)化策略的優(yōu)勢與不足,最后對研究趨勢進(jìn)行了展望,并提出了今后的研究方向和重點。

    1 數(shù)據(jù)集

    數(shù)據(jù)是基于深度學(xué)習(xí)目標(biāo)檢測的基礎(chǔ),ImageNet LSVRC(large scale visual recognition challenge)、PASCAL VOC(pascal visual object classes)、MS COCO(Microsoft common objects in context)等大規(guī)模開源數(shù)據(jù)庫的出現(xiàn)極大推動了相關(guān)算法的發(fā)展,并成為領(lǐng)域內(nèi)相關(guān)算法性能測試的基準(zhǔn)。在水下生物目標(biāo)識別領(lǐng)域,大多數(shù)研究都是根據(jù)研究任務(wù)構(gòu)建的小型數(shù)據(jù)集,缺乏大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集,一定程度上制約了相關(guān)技術(shù)的發(fā)展。學(xué)者們在構(gòu)建開源數(shù)據(jù)集方面進(jìn)行了一系列的嘗試,如表1所示。相關(guān)數(shù)據(jù)集的圖例如圖1所示。

    2 基于兩階段的水下生物目標(biāo)檢測方法

    兩階段的目標(biāo)檢測方法將檢測問題劃分為兩個階段:首先產(chǎn)生候選區(qū)域,其次進(jìn)行分類與預(yù)測位置的微調(diào)。這種檢測方法在檢測準(zhǔn)確率和定位精度上優(yōu)于單階段的目標(biāo)檢測方法。Girshick等[14]2013年提出了R-CNN算法,開創(chuàng)性地使用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)目標(biāo)檢測任務(wù),此算法也是兩階段目標(biāo)檢測算法的開篇之作。Girshick等[15]、Ren等[16]在其基礎(chǔ)之上相繼提出了Fast R-CNN、Faster R-CNN算法,形成了R-CNN系列算法。當(dāng)前,基于兩階段的水下生物目標(biāo)檢測仍屬于新興領(lǐng)域,大多數(shù)研究者仍聚焦于對Faster R-CNN等經(jīng)典算法的改進(jìn)。

    袁紅春等[17]提出了一種基于Faster R-CNN二次遷移學(xué)習(xí)和帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法的方法。首先通過ImageNet預(yù)訓(xùn)練模型對Open Images高清魚類數(shù)據(jù)集進(jìn)行一次遷移學(xué)習(xí)初步訓(xùn)練網(wǎng)絡(luò),然后固定檢測模型低3層的卷積網(wǎng)絡(luò)參數(shù),再用水下拍攝的小規(guī)模魚類數(shù)據(jù)集進(jìn)行二次遷移學(xué)習(xí)微調(diào)網(wǎng)絡(luò),最后通過MSRCR(multi-scale retinex with color restoration)算法對水下拍攝的圖像進(jìn)行處理以增強(qiáng)其與高清魚類圖像的相似性,解決水下圖像降質(zhì)問題。結(jié)果表明,該方法利用小規(guī)模水下拍攝魚類數(shù)據(jù)集訓(xùn)練出的網(wǎng)絡(luò)查準(zhǔn)率可達(dá)到98.12%。

    Liu等[18]在Faster R-CNN算法的基礎(chǔ)上進(jìn)行了多處改進(jìn)。首先將骨干網(wǎng)絡(luò)替換為Transformer結(jié)構(gòu),其次添加了路徑聚合網(wǎng)絡(luò),使得深、淺層特征圖更好地疊加和融合,然后使用在線困難樣本挖掘技術(shù)平衡難易樣本數(shù)量,最終使用感興趣區(qū)域?qū)R替換感興趣區(qū)域池化,增加定位精度。相關(guān)改進(jìn)在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率達(dá)到80.54%。

    Lin等[19]提出了一種適用于Faster R-CNN系列算法的數(shù)據(jù)增強(qiáng)方法RoIMix。RoIMix創(chuàng)新性地將多張圖片中提取的感興趣區(qū)域進(jìn)行融合,以模擬水下生物的重疊和遮擋,從而使得模型能夠更好地檢測密集物體。相關(guān)方法在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率在Faster R-CNN算法73.74%的基礎(chǔ)上提升到74.92%。此外,相關(guān)方法也在PASCAL VOC(07+12)數(shù)據(jù)集上進(jìn)行了訓(xùn)練,在VOC 2007測試集上進(jìn)行了測試,平均準(zhǔn)確率在Faster R-CNN算法80.0%的基礎(chǔ)上提升到80.8%。與URPC2018數(shù)據(jù)集上的實驗結(jié)果相比,相關(guān)方法在PASCAL VOC(07+12)數(shù)據(jù)集上的效果并不明顯。顯然,RoIMix更適用于具備重疊、遮擋和模糊特征的URPC2018數(shù)據(jù)集。

    Shi等[20]在Faster R-CNN算法的基礎(chǔ)上進(jìn)行了多處改進(jìn),將骨干網(wǎng)絡(luò)從VGG替換為ResNet(residual neural network),引入Bi-FPN(feature pyramid network)結(jié)構(gòu)以增強(qiáng)網(wǎng)絡(luò)模型的特征提取能力和多尺度特征融合能力,使用EIoU(efficient intersection over union)替換原有的IoU(Intersection over Union),將K-means++聚類算法應(yīng)用于錨框生成,替代原有的默認(rèn)錨框。相關(guān)改進(jìn)在URPC2018數(shù)據(jù)集上進(jìn)行了實驗驗證,平均準(zhǔn)確率達(dá)到88.94%,優(yōu)于Faster-RCNN算法的80.68%及YOLO-v4算法的71.36%。

    上述方法在Faster R-CNN模型基礎(chǔ)上的改進(jìn)方法歸納總結(jié)如表2所示。

    3 基于單階段的水下生物目標(biāo)檢測方法

    單階段的目標(biāo)檢測方法不需要產(chǎn)生候選區(qū)域,直接將檢測問題轉(zhuǎn)化為端到端的回歸問題,與兩階段的目標(biāo)檢測方法相比,在檢測速度上有較大的優(yōu)勢,能夠更好地應(yīng)用于水下機(jī)器人等智能化設(shè)備的水下生物目標(biāo)檢測。單階段的目標(biāo)檢測方法主要是YOLO系列算法等[21-24]。單階段目標(biāo)檢測算法因為良好的性能和較高的精度,在水下生物目標(biāo)檢測領(lǐng)域得到了廣泛的應(yīng)用。

    Wang等[25]對YOLO-v2算法進(jìn)行了優(yōu)化改進(jìn),以用于魚類圖像的快速分類和識別。首先,將模型最后一個卷積層的網(wǎng)格數(shù)從7×7更改為9×9,提升對小型魚類目標(biāo)的檢測效果。其次,根據(jù)實際的應(yīng)用場景,大幅減少了模型最后一個卷積層的過濾器數(shù)量。使用Kaggle-NCFM數(shù)據(jù)集進(jìn)行了實驗驗證。相關(guān)算法的平均準(zhǔn)確率達(dá)到91.2%,檢測速度達(dá)到28.3 幀/s,能夠滿足對漁船捕撈的海洋生物種類進(jìn)行實時檢測和分類的需求。

    Muksit等[26]對YOLO-v3算法進(jìn)行了加強(qiáng)。首先,通過對上采樣步長大小的改進(jìn),減少了對于小尺寸魚類目標(biāo)的誤檢(YOLO-Fish-1)。其次,在YOLO-Fish-1的基礎(chǔ)上,通過增加空間金字塔池化,進(jìn)一步增強(qiáng)了模型在動態(tài)環(huán)境中檢測魚類外觀的能力(YOLO-Fish-2)。相關(guān)算法在基于DeepFish和OzFish數(shù)據(jù)集基礎(chǔ)上的自定義數(shù)據(jù)集進(jìn)行了實驗驗證,YOLO-Fish-1和YOLO-Fish-2分別取得了76.56%和75.70%的平均準(zhǔn)確率,與YOLO-v4算法水平相當(dāng)。

    Chen等[27]在YOLO-v4算法的基礎(chǔ)上進(jìn)行了改進(jìn)。首先,通過殘差塊與通道注意力機(jī)制相結(jié)合,對YOLO-v4骨干網(wǎng)絡(luò)CSPDarknet53(cross stage partial network darknet53)的特征提取能力進(jìn)行增強(qiáng),以獲得加權(quán)多尺度特征。其次,通過特征金字塔對加權(quán)多尺度特征進(jìn)行反復(fù)的提取,以分離出最顯著的加權(quán)多尺度特征。最后,將最顯著的加權(quán)多尺度特征用于水下生物檢測。相關(guān)算法在Brackish數(shù)據(jù)集進(jìn)行了實驗驗證,與YOLO-v4算法相比平均精度提升了5.03%,檢測速度達(dá)到15 幀/s。

    Isa等[28]重點對YOLO-v5算法的優(yōu)化器進(jìn)行了參數(shù)優(yōu)化。通過優(yōu)化算法對學(xué)習(xí)率及動量等關(guān)鍵參數(shù)進(jìn)行了優(yōu)化,得到的優(yōu)化模型在Brackish數(shù)據(jù)集上的平均準(zhǔn)確率達(dá)到了98.6%,檢測速度達(dá)到

    106 幀/s。

    Zhai等[29]在YOLO-v5s算法的基礎(chǔ)上進(jìn)行了改進(jìn),以用于水下海參的識別。首先,使用帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法對圖像進(jìn)行預(yù)處理。其次,引入了卷積注意力模塊,并在YOLO-v5s的頭部網(wǎng)絡(luò)中添加了檢測層。最后,在自定義數(shù)據(jù)集上進(jìn)行了實驗驗證。實驗結(jié)果表明,改進(jìn)算法較YOLO-v5s算法在精度和召回率上分別提升了9%和11.5%。

    Lei等[30]在YOLO-v5s模型的基礎(chǔ)上進(jìn)行三方面的改進(jìn)。將骨干網(wǎng)絡(luò)替換為Swin Transformer,改進(jìn)了多分辨率特征融合方法,并改進(jìn)了置信損失函數(shù)。在URPC數(shù)據(jù)集的基礎(chǔ)上,制作了包含海參、海膽、扇貝、海星等4類生物,總共6 034張圖片的自定義數(shù)據(jù)集。結(jié)果表明,改進(jìn)的YOLO-v5s模型的平均準(zhǔn)確率達(dá)到了87.2%,優(yōu)于SSD、YOLO-v4、YOLO-v5s和YOLO-v5x。

    上述方法在YOLO模型基礎(chǔ)上的改進(jìn)方法歸納總結(jié)如表3所示。

    4 基于深度學(xué)習(xí)的水下生物目標(biāo)檢測改進(jìn)策略

    針對水下生物目標(biāo)檢測中常見的重疊與遮擋、小目標(biāo)檢測、成像模糊等問題,學(xué)者們在數(shù)據(jù)增強(qiáng)、框架結(jié)構(gòu)改進(jìn)、樣本平衡、錨框優(yōu)化等方面提出了相應(yīng)的改進(jìn)策略,以提升水下生物目標(biāo)檢測方法的整體性能,如表4所示。

    5 總結(jié)與展望

    本文綜合分析了當(dāng)前各種深度學(xué)習(xí)方法在水下生物目標(biāo)檢測中的應(yīng)用情況,對水下生物目標(biāo)檢測數(shù)據(jù)集及檢測方法進(jìn)行了綜述。希望能夠為研究人員提供資料性的參考依據(jù)以及研究思路和方法,促進(jìn)相關(guān)檢測方法的推廣和應(yīng)用。結(jié)合現(xiàn)有的研究現(xiàn)狀,基于深度學(xué)習(xí)的水下生物目標(biāo)檢測方法在以下三個方面亟待開展更深入的研究工作:

    (1)構(gòu)建大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集。在水下生物目標(biāo)檢測領(lǐng)域,大多數(shù)研究都是根據(jù)研究任務(wù)構(gòu)建的小型數(shù)據(jù)集,缺乏大規(guī)模、高質(zhì)量標(biāo)注的開源數(shù)據(jù)集,一定程度上制約了相關(guān)技術(shù)的發(fā)展。

    (2)引入語義分割促進(jìn)目標(biāo)檢測性能。語義分割通常需要像素級別標(biāo)注的圖像數(shù)據(jù)集進(jìn)行訓(xùn)練,在完成語義分割的同時提升分類及定位的精度。此外,分割任務(wù)可作為僅在訓(xùn)練階段使用的額外分支引入到原有的檢測算法中,并使用分割損失、檢測損失的多任務(wù)損失函數(shù)來訓(xùn)練模型。

    (3)基于半監(jiān)督或弱監(jiān)督學(xué)習(xí)的水下生物目標(biāo)檢測。在半監(jiān)督或弱監(jiān)督學(xué)習(xí)中,通過弱標(biāo)注信息對模型進(jìn)行訓(xùn)練,讓模型學(xué)習(xí)到有效的水下生物特征,減少數(shù)據(jù)標(biāo)注的人工工作量。

    參考文獻(xiàn):

    [1]林森, 趙潁. 水下光學(xué)圖像中目標(biāo)探測關(guān)鍵技術(shù)研究綜述[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(6): 26-37. DOI: 10.3788/LOP57.060002.

    [2]FAYAZ S, PARAH S A, QURESHI G J. Underwater object detection: architectures and algorithms-a comprehensive review[J]. Multimedia Tools and Applications, 2022, 81(15): 20871-20916. DOI: 10.1007/s11042-022-12502-1.

    [3]檀盼龍, 吳小兵, 張曉宇. 基于聲吶圖像的水下目標(biāo)識別研究綜述[J]. 數(shù)字海洋與水下攻防, 2022, 5(4): 342-353. DOI: 10.19838/j.issn.2096-5753.2022.04.010.

    [4]于紅. 水產(chǎn)動物目標(biāo)探測與追蹤技術(shù)及應(yīng)用研究進(jìn)展[J]. 大連海洋大學(xué)學(xué)報, 2020, 35(6): 793-804. DOI: 10.16535/j.cnki.dlhyxb.2020-263.

    [5]董金耐, 楊淼, 謝卓冉, 等. 水下圖像目標(biāo)檢測數(shù)據(jù)集及檢測算法綜述[J]. 海洋技術(shù)學(xué)報, 2022, 41(5): 60-72. DOI: 10.3969/j.issn.1003-2029.2022.05.007.

    [6]FISHER R B, CHEN-BURGERY H, GIORDANO D, et al. Fish4Knowledge: collecting and analyzing massive coral reef fish video data[M]. Berlin, Germany: Springer. DOI:10.10071978-3-319-3208-9.

    [7]PEDERSEN M, HAURUM J B, GADE R, et al. Detection of marine animals in a new underwater dataset with varying visibility[C]// 2019 IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Long Beach, USA: IEEE, 2019:18-26.

    [8]Kaggle-NCFM [DB/OL].[2023-01-02]. https://www.kaggle.com/c/the-natureconservancy-fisheries-monitoring.

    [9]FishCLEF2015 [DB/OL].[2023-01-02]. https://www.imageclef.org/lifeclef/2015/fish.

    [10]GARCIA-D′URSO N, GALAN-CUENCA A, PéREZ-SNCHEZ P, et al. TheDeepFish computer vision dataset for fish instance segmentation, classification, and size estimation[J]. Scientific Data, 2022, 9(1): 1-7. DOI: 10.1038/s41597-022-01416-0.

    [11]URPC [DB/OL].[2023-01-02]. http://www.urpc.org.cn/index.html.

    [12]WANG Z H, LIU C W, WANG S J, et al. UDD: an underwater open-sea farm object detection dataset for underwater robotpicking[EB/OL]. [2023-01-03]. https://arxiv.org/abs/2003.01446.

    [13]LIU C W, LI H J, WANG S C, et al. A dataset and benchmark of underwater object detection for robot picking[C]//2021 IEEE International Conference on Multimedia & Expo Workshops (ICMEW). Shenzhen, China: IEEE, 2021: 1-6. DOI: 10.1109/ICMEW53276.2021.9455997.

    [14]GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA: IEEE, 2014: 580-587. DOI: 10.1109/CVPR.2014.81.

    [15]GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision (ICCV). Santiago,Chile: IEEE, 2016: 1440-1448.DOI: 10.1109/ICCV.2015.169.

    [16]REN S Q, HE K M, GIRSHICKR, 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. DOI: 10.1109/TPAMI.2016.2577031.

    [17]袁紅春, 張碩. 基于Faster R-CNN和圖像增強(qiáng)的水下魚類目標(biāo)檢測方法[J]. 大連海洋大學(xué)學(xué)報, 2020, 35(4): 612-619. DOI: 10.16535/j.cnki.dlhyxb.2019-146.

    [18]LIU J, LIU S, XU S J, et al. Two-stage underwater object detection network usingswin transformer[J]. IEEE Access, 2022, 10: 117235-117247. DOI: 10.1109/ACCESS.2022.3219592.

    [19]LIN W H, ZHONG J X, LIU S, et al. ROIMIX: proposal-fusion among multiple images for underwater object detection[C]//ICASSP 2020—2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona, Spain: IEEE, 2020: 2588-2592. DOI:10.1109/ICASSP40776.2020.9053829.

    [20]SHI P F, XU X W, NI JJ, et al. Underwater biological detection algorithm based on improved faster-RCNN[J]. Water, 2021, 13(17): 2420. DOI: 10.3390/w13172420.

    [21]REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, USA: IEEE, 2016: 779-788. DOI: 10.1109/CVPR.2016.91.

    [22]REDMON J, FARHADI A. YOLO9000: better, faster, stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, USA. IEEE, 2017: 6517-6525. DOI: 10.1109/CVPR.2017.690.

    [23]REDMON J, FARHADI A. YOLOv3: An incrementalimprovement[EB/OL].[2023-01-03]. https://arxiv.org/abs/1804.02767.pdf.

    [24]BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of objectdetection[EB/OL].[2023-01-03].https://arxiv.org/abs/2004.10934.pdf.

    [25]WANG M F, LIU M Y, ZHANG F H, et al. Fast classification and detection of fish images with YOLOv2[C]//2018 OCEANS - MTS/IEEE Kobe Techno-Oceans (OTO). Kobe, Japan: IEEE, 2018: 1-4. DOI: 10.1109/OCEANSKOBE.2018.8559141.

    [26]AL MUKSIT A, HASAN F, HASAN BHUIYAN EMON M F, et al. YOLO-Fish: a robust fish detection model to detect fish in realistic underwater environment[J]. Ecological Informatics, 2022, 72: 101847. DOI: 10.1016/j.ecoinf.2022.101847.

    [27]CHEN L, LIU Z H, TONG L, et al. Underwater object detection using Invert Multi-ClassAdaboost with deep learning[C]//2020 International Joint Conference on Neural Networks (IJCNN). Glasgow, UK: IEEE, 2020: 1-8. DOI: 10.1109/IJCNN48605.2020.9207506.

    [28]ISA I S, ROSLI M S A, YUSOF U K, et al. Optimizing the hyperparameter tuning of YOLOv5 for underwater detection[J]. IEEE Access, 2022, 10: 52818-52831. DOI: 10.1109/ACCESS.2022.3174583.

    [29]ZHAI X Y, WEI H L, HE YY, et al. Underwater Sea cucumber identification based on improved YOLOv5[J]. Applied Sciences, 2022, 12(18): 9105. DOI: 10.3390/app12189105.

    [30]LEI F, TANG FF, LI S H. Underwater target detection algorithm based on improved YOLOv5[J]. Journal of Marine Science and Engineering, 2022, 10(3): 310. DOI: 10.3390/jmse10030310.

    [31]LI X, SHANG M, QIN H W, et al. Fast accurate fish detection and recognition of underwater images with Fast R-CNN[C]//OCEANS 2015-MTS/IEEE Washington. Washington, DC: IEEE, 2016: 1-5.

    [32]XU W W, MATZNER S. Underwater fish detection using deep learning for water power applications[C]//2018 International Conference on Computational Science and Computational Intelligence (CSCI). Las Vegas, USA: IEEE, 2020: 313-318. DOI: 10.1109/CSCI46756.2018.00067.

    [33]劉萍, 楊鴻波, 宋陽. 改進(jìn)YOLOv3網(wǎng)絡(luò)的海洋生物識別算法[J]. 計算機(jī)應(yīng)用研究, 2020, 37(S1): 394-397.

    [34]KNAUSGRD K M, WIKLUND A, SRDALEN T K, et al. Temperate fish detection and classification: a deep learning based approach[J]. Applied Intelligence, 2022, 52(6): 6988-7001. DOI: 10.1007/s10489-020-02154-9.

    [35]LI A L, YU L, TIAN S W. Underwater biological detection based on YOLOv4 combined with channel attention[J]. Journal of Marine Science and Engineering, 2022, 10(4): 469. DOI:10.3390/jmse10040469.

    [36]張琳, 葛艷, 杜軍威, 等. 改進(jìn)FCOS網(wǎng)絡(luò)的海洋魚類目標(biāo)檢測[J]. 計算機(jī)系統(tǒng)應(yīng)用,2023,32(3):309-315. DOI: 10.15888/j.cnki.csa.008965.

    猜你喜歡
    目標(biāo)檢測深度學(xué)習(xí)
    視頻中目標(biāo)檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識別中的人體運動目標(biāo)檢測方法
    有體驗的學(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現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    移動機(jī)器人圖像目標(biāo)識別
    基于背景建模法的運動目標(biāo)檢測
    高清不卡的av网站| 久久人妻福利社区极品人妻图片 | 欧美日韩亚洲高清精品| 男男h啪啪无遮挡| 国产精品一区二区在线不卡| xxxhd国产人妻xxx| 国产成人精品久久二区二区免费| 国产男女内射视频| 欧美日韩福利视频一区二区| 精品国产乱码久久久久久男人| 巨乳人妻的诱惑在线观看| 国产日韩欧美视频二区| 久久午夜综合久久蜜桃| 亚洲图色成人| 精品高清国产在线一区| 成人国产av品久久久| 你懂的网址亚洲精品在线观看| 亚洲伊人色综图| 欧美成人精品欧美一级黄| 日日爽夜夜爽网站| 亚洲精品久久久久久婷婷小说| 亚洲av成人不卡在线观看播放网 | 亚洲五月色婷婷综合| 一级黄片播放器| 黄网站色视频无遮挡免费观看| 在线观看www视频免费| 国产精品一二三区在线看| 欧美亚洲日本最大视频资源| 水蜜桃什么品种好| a级毛片黄视频| 久久久精品94久久精品| 精品一区二区三区四区五区乱码 | 国产亚洲午夜精品一区二区久久| 熟女少妇亚洲综合色aaa.| 各种免费的搞黄视频| 一级片'在线观看视频| 中国国产av一级| 好男人视频免费观看在线| 欧美国产精品va在线观看不卡| 国产日韩欧美视频二区| 欧美成人精品欧美一级黄| 亚洲精品在线美女| 国产成人欧美| 日本午夜av视频| 亚洲av片天天在线观看| 夫妻午夜视频| 亚洲av电影在线观看一区二区三区| 免费在线观看黄色视频的| 大香蕉久久网| 亚洲国产精品国产精品| 亚洲自偷自拍图片 自拍| 国产高清videossex| 99香蕉大伊视频| cao死你这个sao货| 日韩 欧美 亚洲 中文字幕| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品欧美亚洲77777| 久久天堂一区二区三区四区| 免费在线观看影片大全网站 | 首页视频小说图片口味搜索 | 性色av乱码一区二区三区2| www.精华液| 久久人妻福利社区极品人妻图片 | 国产在线视频一区二区| 人妻人人澡人人爽人人| 男女免费视频国产| 国产男女内射视频| 国产欧美日韩一区二区三区在线| 免费久久久久久久精品成人欧美视频| 男女下面插进去视频免费观看| 亚洲欧美日韩另类电影网站| 精品高清国产在线一区| 人人妻人人澡人人看| 亚洲精品美女久久av网站| 一区二区日韩欧美中文字幕| 国产精品香港三级国产av潘金莲 | 精品人妻1区二区| 91精品国产国语对白视频| 国产精品亚洲av一区麻豆| 亚洲av国产av综合av卡| 母亲3免费完整高清在线观看| 亚洲国产欧美一区二区综合| 爱豆传媒免费全集在线观看| 久久女婷五月综合色啪小说| 精品福利观看| 9色porny在线观看| 爱豆传媒免费全集在线观看| 久久精品人人爽人人爽视色| 国产xxxxx性猛交| 18禁观看日本| 狂野欧美激情性bbbbbb| 搡老乐熟女国产| 成人午夜精彩视频在线观看| 手机成人av网站| 亚洲国产中文字幕在线视频| 久9热在线精品视频| 热99久久久久精品小说推荐| 老汉色∧v一级毛片| 精品少妇久久久久久888优播| 亚洲一区二区三区欧美精品| 国产有黄有色有爽视频| 久久人人爽人人片av| 首页视频小说图片口味搜索 | 欧美日韩福利视频一区二区| 18禁国产床啪视频网站| 涩涩av久久男人的天堂| 亚洲成人免费av在线播放| 老熟女久久久| 黑人巨大精品欧美一区二区蜜桃| 国产精品熟女久久久久浪| 久久人人爽av亚洲精品天堂| 少妇人妻久久综合中文| 亚洲黑人精品在线| 美女高潮到喷水免费观看| 亚洲欧洲日产国产| 99热网站在线观看| 欧美精品一区二区免费开放| 午夜福利在线免费观看网站| 亚洲欧美一区二区三区黑人| 精品视频人人做人人爽| 一个人免费看片子| 精品亚洲乱码少妇综合久久| 亚洲午夜精品一区,二区,三区| 欧美大码av| 性少妇av在线| 午夜福利在线免费观看网站| 午夜福利一区二区在线看| 国产日韩欧美亚洲二区| 久久久精品区二区三区| 男人操女人黄网站| 日韩av不卡免费在线播放| 夫妻性生交免费视频一级片| 亚洲精品美女久久久久99蜜臀 | 亚洲国产精品999| 在线观看免费视频网站a站| 日本欧美视频一区| 一个人免费看片子| 老汉色∧v一级毛片| 欧美+亚洲+日韩+国产| 国产爽快片一区二区三区| 三上悠亚av全集在线观看| av在线app专区| 成年人免费黄色播放视频| 视频区欧美日本亚洲| 亚洲欧美一区二区三区黑人| 色精品久久人妻99蜜桃| 亚洲美女黄色视频免费看| 欧美日韩福利视频一区二区| 欧美大码av| 国产精品一区二区在线不卡| 国产激情久久老熟女| 色婷婷av一区二区三区视频| 18禁裸乳无遮挡动漫免费视频| 男女国产视频网站| 亚洲欧洲日产国产| 成人国产av品久久久| 婷婷色综合大香蕉| 满18在线观看网站| 国产精品国产三级专区第一集| 亚洲精品国产色婷婷电影| 久久 成人 亚洲| 欧美 亚洲 国产 日韩一| 久久影院123| av片东京热男人的天堂| 天堂中文最新版在线下载| 最近最新中文字幕大全免费视频 | 91麻豆精品激情在线观看国产 | 久久人妻熟女aⅴ| 久久久久久久久久久久大奶| bbb黄色大片| 国产精品偷伦视频观看了| 日韩大片免费观看网站| 男女国产视频网站| 国产精品一区二区在线不卡| av国产久精品久网站免费入址| 999久久久国产精品视频| 男女无遮挡免费网站观看| 捣出白浆h1v1| 性色av乱码一区二区三区2| 国产成人精品久久久久久| 天天操日日干夜夜撸| 母亲3免费完整高清在线观看| 成人黄色视频免费在线看| 人人妻人人澡人人看| 国产成人a∨麻豆精品| 水蜜桃什么品种好| 妹子高潮喷水视频| 亚洲专区国产一区二区| 久久久久久久国产电影| 亚洲图色成人| 80岁老熟妇乱子伦牲交| av有码第一页| 性色av乱码一区二区三区2| 精品福利永久在线观看| 精品国产乱码久久久久久小说| 亚洲国产av新网站| av欧美777| 午夜福利一区二区在线看| 国产午夜精品一二区理论片| 在线观看人妻少妇| 日韩视频在线欧美| 亚洲少妇的诱惑av| 狂野欧美激情性bbbbbb| 一级毛片女人18水好多 | 国产精品99久久99久久久不卡| 午夜福利免费观看在线| 亚洲精品第二区| 又粗又硬又长又爽又黄的视频| 亚洲欧美一区二区三区黑人| 久久av网站| 欧美亚洲日本最大视频资源| 一级毛片我不卡| 久久热在线av| 久久99精品国语久久久| tube8黄色片| 亚洲精品国产区一区二| 久久久久国产精品人妻一区二区| 色播在线永久视频| 91精品伊人久久大香线蕉| 久久综合国产亚洲精品| 一区二区av电影网| 超色免费av| 国产精品 国内视频| 97精品久久久久久久久久精品| 美国免费a级毛片| 在线观看免费高清a一片| 免费不卡黄色视频| 国产精品国产三级专区第一集| 欧美日韩亚洲综合一区二区三区_| 国产高清视频在线播放一区 | 国产成人系列免费观看| 一级a爱视频在线免费观看| 国产视频首页在线观看| 七月丁香在线播放| 男女下面插进去视频免费观看| 国产欧美日韩精品亚洲av| 国产野战对白在线观看| 最近手机中文字幕大全| 丰满人妻熟妇乱又伦精品不卡| 欧美亚洲 丝袜 人妻 在线| 亚洲精品美女久久久久99蜜臀 | 国产av国产精品国产| 美女高潮到喷水免费观看| 一区二区三区激情视频| 中文字幕精品免费在线观看视频| 男男h啪啪无遮挡| 十分钟在线观看高清视频www| 女警被强在线播放| 日韩中文字幕视频在线看片| 精品免费久久久久久久清纯 | 一级黄片播放器| 日本五十路高清| 亚洲第一青青草原| 色网站视频免费| 中文字幕人妻丝袜制服| 香蕉丝袜av| 最近最新中文字幕大全免费视频 | 久9热在线精品视频| 亚洲av日韩精品久久久久久密 | bbb黄色大片| 另类亚洲欧美激情| 欧美在线黄色| 捣出白浆h1v1| 高清黄色对白视频在线免费看| 免费高清在线观看视频在线观看| 久久精品久久久久久噜噜老黄| 高清av免费在线| 国产精品秋霞免费鲁丝片| 久久久久精品国产欧美久久久 | 电影成人av| 欧美日韩视频精品一区| 欧美亚洲 丝袜 人妻 在线| 精品久久久久久电影网| 观看av在线不卡| 首页视频小说图片口味搜索 | 成人手机av| 高清av免费在线| www.精华液| 中文字幕另类日韩欧美亚洲嫩草| 黑丝袜美女国产一区| 亚洲av日韩在线播放| 国产熟女午夜一区二区三区| 九草在线视频观看| 色网站视频免费| av视频免费观看在线观看| 午夜影院在线不卡| 亚洲三区欧美一区| 精品国产超薄肉色丝袜足j| 国产视频一区二区在线看| 亚洲精品久久午夜乱码| 国产精品亚洲av一区麻豆| 久久99精品国语久久久| 欧美日韩成人在线一区二区| 国产成人精品无人区| 波多野结衣av一区二区av| 啦啦啦 在线观看视频| 国产成人91sexporn| 高清欧美精品videossex| 亚洲第一av免费看| 视频在线观看一区二区三区| 精品久久蜜臀av无| 亚洲精品第二区| 亚洲国产精品999| 国产有黄有色有爽视频| 亚洲精品日韩在线中文字幕| 麻豆国产av国片精品| 自拍欧美九色日韩亚洲蝌蚪91| 欧美久久黑人一区二区| 夫妻午夜视频| 咕卡用的链子| 下体分泌物呈黄色| 日韩制服丝袜自拍偷拍| 一个人免费看片子| 精品人妻在线不人妻| 性高湖久久久久久久久免费观看| 欧美激情极品国产一区二区三区| 青春草视频在线免费观看| 极品少妇高潮喷水抽搐| 午夜91福利影院| 十分钟在线观看高清视频www| 天天添夜夜摸| 1024香蕉在线观看| 91麻豆精品激情在线观看国产 | 首页视频小说图片口味搜索 | 精品人妻一区二区三区麻豆| 婷婷色av中文字幕| 日韩中文字幕欧美一区二区 | 中文字幕精品免费在线观看视频| 一级毛片女人18水好多 | 亚洲精品国产av蜜桃| 亚洲精品日本国产第一区| 又黄又粗又硬又大视频| 久久久久国产一级毛片高清牌| 欧美日韩福利视频一区二区| 99久久综合免费| 一个人免费看片子| 满18在线观看网站| 婷婷丁香在线五月| 日日爽夜夜爽网站| 国产高清视频在线播放一区 | 国产一级毛片在线| 国产精品一区二区在线观看99| 色网站视频免费| 大香蕉久久网| 叶爱在线成人免费视频播放| 成人免费观看视频高清| 国产亚洲精品久久久久5区| 五月开心婷婷网| 国产精品九九99| 老汉色av国产亚洲站长工具| 热re99久久精品国产66热6| 韩国高清视频一区二区三区| 精品久久久精品久久久| 免费日韩欧美在线观看| 欧美性长视频在线观看| 久久国产精品影院| 亚洲国产精品国产精品| 一本大道久久a久久精品| 亚洲午夜精品一区,二区,三区| 亚洲 欧美一区二区三区| 精品国产国语对白av| 免费日韩欧美在线观看| 手机成人av网站| 超碰成人久久| 亚洲国产欧美网| 女性被躁到高潮视频| 日韩中文字幕欧美一区二区 | 国产精品 欧美亚洲| 国产精品三级大全| 国产精品欧美亚洲77777| 真人做人爱边吃奶动态| 老司机亚洲免费影院| 亚洲中文字幕日韩| 在线观看www视频免费| 一级黄色大片毛片| 国产野战对白在线观看| 欧美av亚洲av综合av国产av| 久久精品熟女亚洲av麻豆精品| 欧美老熟妇乱子伦牲交| 大话2 男鬼变身卡| 国产精品一国产av| 中文精品一卡2卡3卡4更新| 亚洲av美国av| 另类亚洲欧美激情| 最黄视频免费看| 五月天丁香电影| 久久av网站| 99热网站在线观看| 亚洲欧美日韩另类电影网站| 免费在线观看完整版高清| 一级,二级,三级黄色视频| 亚洲精品久久午夜乱码| 亚洲国产精品国产精品| 亚洲av日韩在线播放| 中国国产av一级| 一区二区三区激情视频| 成人免费观看视频高清| 亚洲国产精品一区三区| 国产亚洲av片在线观看秒播厂| 交换朋友夫妻互换小说| av在线播放精品| 久久狼人影院| 99精品久久久久人妻精品| 亚洲国产最新在线播放| 精品一品国产午夜福利视频| 亚洲av欧美aⅴ国产| 久久青草综合色| 欧美亚洲日本最大视频资源| 91精品三级在线观看| 一区二区av电影网| av不卡在线播放| 尾随美女入室| 最新在线观看一区二区三区 | 成人国产一区最新在线观看 | 国产成人a∨麻豆精品| 晚上一个人看的免费电影| 亚洲成色77777| 久久影院123| 男人舔女人的私密视频| 大香蕉久久网| 自拍欧美九色日韩亚洲蝌蚪91| 国产一级毛片在线| 免费女性裸体啪啪无遮挡网站| 制服人妻中文乱码| 热re99久久精品国产66热6| 精品久久久久久久毛片微露脸 | 亚洲精品久久成人aⅴ小说| 欧美精品一区二区大全| 国产成人免费无遮挡视频| 亚洲伊人色综图| a级毛片在线看网站| 我的亚洲天堂| www.自偷自拍.com| 黑丝袜美女国产一区| 激情五月婷婷亚洲| 男女国产视频网站| 欧美乱码精品一区二区三区| 18禁观看日本| 欧美xxⅹ黑人| 9色porny在线观看| 欧美成人精品欧美一级黄| 啦啦啦 在线观看视频| 精品国产一区二区久久| 午夜日韩欧美国产| 日韩视频在线欧美| 男的添女的下面高潮视频| 国产人伦9x9x在线观看| 国产精品99久久99久久久不卡| 搡老岳熟女国产| 大话2 男鬼变身卡| 欧美黄色淫秽网站| 女性被躁到高潮视频| 国产精品一区二区在线观看99| 久久午夜综合久久蜜桃| 午夜福利视频在线观看免费| 亚洲精品自拍成人| 精品少妇久久久久久888优播| 免费黄频网站在线观看国产| 国产三级黄色录像| 亚洲人成电影免费在线| 色婷婷久久久亚洲欧美| 国产在线视频一区二区| 国产精品 欧美亚洲| 欧美+亚洲+日韩+国产| 波野结衣二区三区在线| 99热全是精品| 1024香蕉在线观看| 狂野欧美激情性xxxx| 亚洲熟女毛片儿| 午夜免费观看性视频| 十八禁人妻一区二区| 99久久99久久久精品蜜桃| 考比视频在线观看| 国产欧美日韩综合在线一区二区| 九色亚洲精品在线播放| 午夜福利免费观看在线| 高清av免费在线| 韩国精品一区二区三区| 电影成人av| 大片免费播放器 马上看| 两个人免费观看高清视频| 国产精品成人在线| 国产精品久久久久成人av| 一本一本久久a久久精品综合妖精| 欧美黄色淫秽网站| 又紧又爽又黄一区二区| 免费观看人在逋| 久久国产亚洲av麻豆专区| 老汉色av国产亚洲站长工具| 国产人伦9x9x在线观看| 少妇精品久久久久久久| 又大又黄又爽视频免费| 99国产精品一区二区三区| 深夜精品福利| 国产一区亚洲一区在线观看| 中文乱码字字幕精品一区二区三区| 大陆偷拍与自拍| 色视频在线一区二区三区| avwww免费| 爱豆传媒免费全集在线观看| 亚洲伊人色综图| 最新的欧美精品一区二区| 精品少妇内射三级| 午夜福利,免费看| 日韩av免费高清视频| 国产深夜福利视频在线观看| 国产麻豆69| 亚洲欧美日韩另类电影网站| cao死你这个sao货| 久久 成人 亚洲| av视频免费观看在线观看| 日本vs欧美在线观看视频| 美国免费a级毛片| 老汉色av国产亚洲站长工具| 丰满迷人的少妇在线观看| h视频一区二区三区| 日本猛色少妇xxxxx猛交久久| av欧美777| 夫妻午夜视频| 青青草视频在线视频观看| 精品人妻1区二区| av福利片在线| 91字幕亚洲| 一区在线观看完整版| 国产欧美日韩一区二区三区在线| 国产国语露脸激情在线看| 91字幕亚洲| 七月丁香在线播放| 91成人精品电影| 少妇的丰满在线观看| 国产日韩欧美在线精品| 国产成人91sexporn| 91字幕亚洲| 女人精品久久久久毛片| videos熟女内射| 99久久精品国产亚洲精品| videos熟女内射| 自拍欧美九色日韩亚洲蝌蚪91| 日韩精品免费视频一区二区三区| 午夜久久久在线观看| 1024香蕉在线观看| 色视频在线一区二区三区| 国产精品九九99| 久久精品国产综合久久久| 欧美激情高清一区二区三区| 欧美性长视频在线观看| 国产精品 国内视频| 欧美成人午夜精品| 如日韩欧美国产精品一区二区三区| 老汉色∧v一级毛片| bbb黄色大片| 在线观看人妻少妇| 少妇的丰满在线观看| 国产成人系列免费观看| 可以免费在线观看a视频的电影网站| 国产一区有黄有色的免费视频| av网站在线播放免费| 久久亚洲精品不卡| 激情五月婷婷亚洲| 男女床上黄色一级片免费看| 蜜桃国产av成人99| 亚洲人成电影观看| 久久精品久久久久久久性| 香蕉国产在线看| www.自偷自拍.com| 中文字幕人妻熟女乱码| 人人妻,人人澡人人爽秒播 | 亚洲欧洲日产国产| 精品国产一区二区三区四区第35| 国产高清videossex| 国产精品二区激情视频| 国产免费视频播放在线视频| 肉色欧美久久久久久久蜜桃| 亚洲欧美精品综合一区二区三区| 一区在线观看完整版| 成人国产一区最新在线观看 | 97精品久久久久久久久久精品| 久久精品亚洲av国产电影网| 亚洲精品在线美女| 午夜老司机福利片| 国产精品麻豆人妻色哟哟久久| 亚洲精品国产一区二区精华液| 久热这里只有精品99| 天堂8中文在线网| 亚洲av日韩精品久久久久久密 | 成年av动漫网址| 亚洲熟女精品中文字幕| 丝袜在线中文字幕| 亚洲伊人久久精品综合| 欧美在线黄色| 青青草视频在线视频观看| 久久中文字幕一级| 97人妻天天添夜夜摸| 免费观看a级毛片全部| 亚洲精品一区蜜桃| 中文字幕色久视频| 国产91精品成人一区二区三区 | 在线观看免费日韩欧美大片| 国产爽快片一区二区三区| 国产精品人妻久久久影院| 久久精品aⅴ一区二区三区四区| 黄色怎么调成土黄色| www.精华液| 国产欧美日韩一区二区三区在线| 国产极品粉嫩免费观看在线| 97在线人人人人妻| 国产精品人妻久久久影院| 日本欧美视频一区| 91麻豆av在线| 少妇被粗大的猛进出69影院| 精品一区在线观看国产| 国产91精品成人一区二区三区 | 啦啦啦视频在线资源免费观看| 人人妻人人澡人人爽人人夜夜| 一本综合久久免费|