• <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的復(fù)雜環(huán)境下小目標(biāo)彈孔識(shí)別

    2024-02-02 14:00:10飛,李
    兵器裝備工程學(xué)報(bào) 2024年1期
    關(guān)鍵詞:彈孔語(yǔ)義卷積

    吳 飛,李 綸

    (武漢理工大學(xué) 機(jī)電工程學(xué)院, 武漢 430000)

    0 引言

    胸環(huán)靶射擊項(xiàng)目是軍事實(shí)訓(xùn)中十分重要的環(huán)節(jié),簡(jiǎn)單快捷的報(bào)靶流程也是研究重點(diǎn)。目前室內(nèi)報(bào)靶環(huán)節(jié)在逐步智能化,但室外復(fù)雜環(huán)境的報(bào)靶工作,仍需依靠人工報(bào)靶員,具有較大風(fēng)險(xiǎn)[1-2]。解決室外自動(dòng)報(bào)靶困難的關(guān)鍵在于彈孔識(shí)別與定位,室外的光照、陰影、樹(shù)葉對(duì)彈孔的遮擋、靶面振動(dòng)等不穩(wěn)定因素都影響著識(shí)別的正確率與穩(wěn)定性[3]。因此,研究出能夠在復(fù)雜環(huán)境下對(duì)彈孔進(jìn)行快速且精確識(shí)別的系統(tǒng),對(duì)實(shí)現(xiàn)室外自動(dòng)報(bào)靶具有重要研究意義和實(shí)際應(yīng)用價(jià)值。

    現(xiàn)階段利用視覺(jué)技術(shù)處理彈孔圖像的方式十分有潛力。王奇等[4]提出了一種基于紅外圖像的識(shí)別方法,利用紅外圖像檢測(cè)子彈上靶留下的熱量,結(jié)合幀間差分法識(shí)別光斑中心來(lái)判定彈孔位置,但對(duì)相距較近或重疊的彈孔識(shí)別情況較差。Zhu等[5]研究出一種基于方向梯度直方圖(HOG)和支持向量機(jī)(SVM)的算法:利用HOG提取梯度特征,用SVM來(lái)區(qū)分真實(shí)彈孔和干擾噪點(diǎn),并建立彈孔數(shù)據(jù)庫(kù),通過(guò)重新訓(xùn)練的模型對(duì)彈孔進(jìn)行識(shí)別與分類。上述傳統(tǒng)的圖像處理方式十分依賴由人工提取的特征點(diǎn),導(dǎo)致特定環(huán)境下的目標(biāo)描述性好,但泛化性和適應(yīng)性較差。

    深度神經(jīng)網(wǎng)絡(luò)發(fā)展迅速,其可通過(guò)大量訓(xùn)練來(lái)學(xué)習(xí)目標(biāo)對(duì)象的本質(zhì)信息,在復(fù)雜的場(chǎng)景任務(wù)中也能更好地表達(dá)目標(biāo)特征[6]。其中卷積神經(jīng)網(wǎng)絡(luò)[7](convolutional neural networks,CNN)最常應(yīng)用于圖像領(lǐng)域,主要研究?jī)?nèi)容為目標(biāo)檢測(cè)、語(yǔ)義分割、實(shí)例分割等[8]。目標(biāo)檢測(cè)是通過(guò)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行定位,主要可分為2類:一類需要生成候選區(qū)再對(duì)候選區(qū)分類,以RCNN[9]、Fast R-CNN[10]為例;另一類則直接對(duì)圖像進(jìn)行卷積,比如YOLO[11]系列、SSD系列[12]等,具有檢測(cè)速度快的優(yōu)點(diǎn)。語(yǔ)義分割則是對(duì)圖像進(jìn)行像素級(jí)預(yù)測(cè),分割出含有語(yǔ)義信息的區(qū)域塊,典型代表有FCN[13]、DeepLab系列[14]。實(shí)例分割的經(jīng)典網(wǎng)絡(luò)為Mask R-CNN[15],精度高但速度較慢。彈孔屬于小目標(biāo),具有攜帶信息少、下采樣特征易丟失等特點(diǎn)[16],現(xiàn)階段將深度神經(jīng)網(wǎng)絡(luò)與彈孔識(shí)別結(jié)合起來(lái)的研究較少,因此想要同時(shí)兼顧實(shí)時(shí)性與精確度還需進(jìn)一步研究。

    綜上所述,本研究中選擇改進(jìn)后的實(shí)例分割算法對(duì)彈孔痕跡進(jìn)行識(shí)別并分割,以檢測(cè)速度和精度都十分優(yōu)秀的YOLOv5的網(wǎng)絡(luò)為基礎(chǔ),引入分割卷積層,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)與預(yù)測(cè)尺度,增加對(duì)彈孔小目標(biāo)的敏感度。同時(shí)模擬訓(xùn)練環(huán)境對(duì)其進(jìn)行測(cè)試,評(píng)估改進(jìn)后模型的精度與速度。

    1 數(shù)據(jù)集制作

    1.1 數(shù)據(jù)樣本采集

    本文圖像采集于6—8月份的武漢市森林公園,采集設(shè)備型號(hào)為英特爾RealSense d435i,圖像保存為.JPG格式,圖像分辨率為1 920×1 080。為模擬更加真實(shí)的報(bào)靶環(huán)境,采集時(shí)分為晴天、陰天和多云等天氣,時(shí)間段分為清晨、正午、傍晚3個(gè)時(shí)間段,每個(gè)時(shí)間段變換角度、距離采集200張圖像,一共挑選出1 200張圖像。為了保證樣本多樣性,同時(shí)避免訓(xùn)練時(shí)產(chǎn)生過(guò)擬合等狀況,圖像樣本基本涵蓋了復(fù)雜背景中彈孔可能會(huì)出現(xiàn)的各種結(jié)果。比如:彈孔遮擋、彈孔模糊、樹(shù)影或樹(shù)葉遮擋等。圖1展示了一組收集到的復(fù)雜環(huán)境下的彈孔圖像。

    圖1 復(fù)雜環(huán)境下的彈孔圖像

    1.2 數(shù)據(jù)集制作與預(yù)處理

    完成圖片樣本的基礎(chǔ)采集后,利用Labelme軟件對(duì)采集到的原始靶面圖像中的彈孔痕跡進(jìn)行分割,圖2為訓(xùn)練樣本及其標(biāo)簽示例。

    圖2 訓(xùn)練樣本及其標(biāo)簽實(shí)例

    為豐富彈孔背景,增加樣本集數(shù)量,提高模型的魯棒性,還需對(duì)原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)。對(duì)每張照片隨機(jī)挑選一種處理方式,比如裁剪、旋轉(zhuǎn)、增加噪點(diǎn)、光學(xué)處理等,增強(qiáng)后的數(shù)據(jù)集共2 400張。按照8∶2的比例將數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集,其中訓(xùn)練集1 920張,驗(yàn)證集480張。

    2 基于YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)

    2.1 調(diào)整輸出尺度

    原YOLOv5骨干網(wǎng)絡(luò)主要通過(guò)融合深層網(wǎng)絡(luò)信息,來(lái)增強(qiáng)網(wǎng)絡(luò)語(yǔ)義識(shí)別能力,利用特征金字塔網(wǎng)絡(luò)FPN(feature pyramid network)和路徑聚合網(wǎng)絡(luò)PAN(path aggregation network)對(duì)提取信息進(jìn)行整合,最后輸出3種尺度特征圖來(lái)預(yù)測(cè)目標(biāo)信息,結(jié)構(gòu)如圖3(a)所示。采集照片尺寸為1 920×1 080,彈孔像素尺寸在30×30~50×50范圍內(nèi)波動(dòng),目標(biāo)像素點(diǎn)占原圖像素點(diǎn)的比例小于0.012%,在小目標(biāo)中屬于極小類別,原有最大尺度失去預(yù)測(cè)意義,且原有小尺度已不適用彈孔目標(biāo)。因此,本研究在原有特征融合金字塔網(wǎng)絡(luò)上,增加4倍下采樣的淺層特征圖信息,用來(lái)補(bǔ)充高層語(yǔ)義信息中缺失的底層空間信息,增加模型對(duì)彈孔小目標(biāo)位置的敏感度。在預(yù)測(cè)特征圖方面,刪減32倍下采樣的大尺度預(yù)測(cè)圖,增加更小尺度的預(yù)測(cè)特征圖,增強(qiáng)對(duì)彈孔小目標(biāo)的識(shí)別能力,結(jié)構(gòu)如圖3(b)所示。

    圖3 模型輸出特征圖尺度的改動(dòng)

    2.2 目標(biāo)預(yù)測(cè)端解耦化

    模型結(jié)構(gòu)以YOLOv5網(wǎng)絡(luò)框架為基礎(chǔ)。在YOLOv5中,負(fù)責(zé)檢測(cè)目標(biāo)邊界框的檢測(cè)端是卷積核為1×1、步長(zhǎng)為1的卷積層,同時(shí)預(yù)測(cè)目標(biāo)的回歸參數(shù)與類別概率。分類與回歸任務(wù)同時(shí)進(jìn)行,導(dǎo)致兩者耦合產(chǎn)生沖突,影響網(wǎng)絡(luò)性能。本文中網(wǎng)絡(luò)采用YOLOX中的解耦思想對(duì)預(yù)測(cè)內(nèi)容進(jìn)行解耦,可以顯著提升收斂速度,解耦后的具體結(jié)構(gòu)如圖4所示。

    圖4 解耦端結(jié)構(gòu)

    解耦結(jié)構(gòu)先通過(guò)卷積核1×1,步長(zhǎng)為1的卷積模塊ConvBNSILU(Conv2D batch normalization silu)將通道個(gè)數(shù)調(diào)整為256,其中ConvBNSILU模塊包含了卷積層、BN層和采用SILU激活函數(shù)的激活層。再延伸出2個(gè)并行分支,其中一個(gè)分支針對(duì)目標(biāo)信息預(yù)測(cè),另一個(gè)分支繼續(xù)并行2個(gè)1×1的卷積層,分別預(yù)測(cè)目標(biāo)回歸參數(shù)和預(yù)測(cè)框的置信度。

    2.3 添加融合ASPP結(jié)構(gòu)的分割模塊

    經(jīng)典的分割網(wǎng)絡(luò)如FCN(fully convolutional networks),通過(guò)反卷積對(duì)特征層(feature map)進(jìn)行上采樣(upsampling)恢復(fù)到原圖尺寸,并對(duì)像素進(jìn)行分類。然而彈孔作為小目標(biāo),特征信息較少,若采用傳統(tǒng)上采樣的方式容易造成細(xì)節(jié)丟失,所以在分割解碼器中融合了增加感受野的模塊ASPP(atrous spatial pyramid pooling)和淺層空間信息。ASPP由3種不同尺度的空洞卷積層(dilated convolution layer)、1×1卷積層與平均池化層(adaptive avg pooling layer)構(gòu)成,它可以在不丟失分辨率的情況下擴(kuò)大卷積核的感受野以獲取更多細(xì)節(jié)信息,有利于提高小目標(biāo)的檢測(cè)精度??斩淳矸e層是ASPP的核心,其不僅可以擴(kuò)大感受野,還可以減少目標(biāo)特征信息流失。相比普通卷積層,空洞卷積采集的像素點(diǎn)存在間隙,間隙大小程度由膨脹因子rate決定,如圖5所示。

    圖5 不同膨脹因子及其對(duì)應(yīng)感受野

    由圖5可知,(a)為傳統(tǒng)卷積層rate為1,(b)和(c)顯示rate為2和3的卷積形態(tài),等效卷積核大小分別為5×5和7×7。對(duì)于采用空洞卷積的特征層,其感受野計(jì)算式為:

    RFi-1=[k+2(r-1)]+s(RFi-1)

    (1)

    式(1)中:RFi代表第i層感受野;k應(yīng)卷積核尺寸;s應(yīng)步長(zhǎng)。取輸出特征層尺寸3×3,卷積核尺寸3×3,步長(zhǎng)設(shè)置1為例子。此時(shí)普通卷積層感受野為5×5,而rate為2和3的感受野尺寸分別為7×7和9×9,可以最大化利用像素點(diǎn)信息,如圖4(d)、圖4 (e)、圖4(f)所示。

    ASPP通過(guò)并聯(lián)3個(gè)不同膨脹因子的空洞卷積層,來(lái)獲取多尺度信息,此時(shí)特征層下采樣倍數(shù)為8,膨脹因子設(shè)置為{12,24,36}。同時(shí)并聯(lián)1×1卷積層與全局池化層,全局池化層通過(guò)1×1的卷積層調(diào)整通道數(shù),再通過(guò)雙線性插值還原成輸入尺寸。最后拼接(Concat)5個(gè)部分并通過(guò)1×1的卷積層進(jìn)行融合,詳細(xì)結(jié)構(gòu)如圖6所示。

    圖6 ASPP的并聯(lián)結(jié)構(gòu)

    分割解碼器的結(jié)構(gòu)流程如圖7所示:先將8倍下采樣的高層語(yǔ)義特征圖送入ASPP模塊中,融合上下文信息并輸出尺寸不變的特征圖,再以雙線性插值的方式進(jìn)行2倍上采樣,結(jié)合主干網(wǎng)絡(luò)同尺度的低層特征圖,通過(guò)1×1卷積層進(jìn)行融合,得到下采樣倍數(shù)為4的特征層。接著采用相同的方法重復(fù)融合低層復(fù)雜邊緣空間信息,使得特征層在涵蓋復(fù)雜上下文語(yǔ)義信息的情況下,還能擁有良好的目標(biāo)邊緣檢測(cè)能力。最后上采樣還原到輸入圖片尺寸,輸出分割特征圖。

    圖7 分割解碼器結(jié)構(gòu)示意圖

    2.4 改進(jìn)后網(wǎng)絡(luò)整體結(jié)構(gòu)

    整體網(wǎng)絡(luò)結(jié)構(gòu)分為特征提取主干(backbone)、融合層(neck)和解碼器(head)3個(gè)部分,改進(jìn)后的網(wǎng)絡(luò)模型如圖8所示。其中backbone為CSP-Darknet53,為融入CSP模塊后的Darknet53網(wǎng)絡(luò),CSP模塊為示意圖所標(biāo)示的C3結(jié)構(gòu),具有增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)能力、減少網(wǎng)絡(luò)計(jì)算量和降低顯存占用的優(yōu)勢(shì)。

    圖8 改進(jìn)后的網(wǎng)絡(luò)模型結(jié)構(gòu)

    Neck部分采用路徑聚合網(wǎng)絡(luò)PAN,在從底層到高層融合的特征金字塔FPN基礎(chǔ)上增加了從高層到底層融合的部分。充分利用backbone所提取的不同層次的特征信息,增加了對(duì)小目標(biāo)彈孔的敏感度。

    Head部分有2個(gè)分支,分別是對(duì)特征圖進(jìn)行目標(biāo)檢測(cè)(object detection head)與語(yǔ)義分割(SEGMENT HEad),兩者并聯(lián)進(jìn)行。Segment Head以8倍下采樣特征層為基礎(chǔ),結(jié)合ASPP模塊再融合2次低層空間信息,最后通過(guò)上采樣生成原圖尺寸的分割圖。目標(biāo)檢測(cè)端輸出3種尺度的預(yù)測(cè)特征框,分別預(yù)測(cè)中小目標(biāo)與極小目標(biāo),通過(guò)非極大值抑制篩除不滿足要求的預(yù)測(cè)框后,將預(yù)測(cè)結(jié)果圖也還原到原圖尺寸。最后將輸出的分割圖與目標(biāo)檢測(cè)框圖相融合,得到每個(gè)彈孔的實(shí)例分割圖。

    其中模型里采用的C3結(jié)構(gòu)為CSP模塊變體, backbone部分C3結(jié)構(gòu)和BottleNeck1的詳細(xì)結(jié)構(gòu)如圖9(a)、(b)所示,BottleNeck1數(shù)量按下采樣順序由上到下依次為{3,6,9,3},PAN 的C3結(jié)構(gòu)和backbone中相同,且BottleNeck2數(shù)量為固定值3。BottleNeck1相比BottleNeck2增加了殘差連接,其余卷積核尺寸都相同,如圖9(c)所示。

    圖9 C3具體結(jié)構(gòu)及其對(duì)應(yīng)BottleNeck

    金字塔池化SPP模塊主要用來(lái)解決目標(biāo)多尺度問(wèn)題,原有SPP模塊通過(guò)并聯(lián)3個(gè)尺寸為5×5、9×9、13×13的最大池化層來(lái)獲取局部特征和全局特征。而SPPF通過(guò)串聯(lián)3個(gè)尺寸為5×5的最大池化層的方式即可實(shí)現(xiàn)SPP的效果,運(yùn)算速率卻比SPP增加2倍有余,顯著降低了計(jì)算量,如圖10所示。

    圖10 改進(jìn)后的空間金字塔模塊(SPPF)

    2.5 損失函數(shù)

    本文中網(wǎng)絡(luò)的損失函數(shù)由2部分組成,包括目標(biāo)檢測(cè)損失和分割掩膜(mask)預(yù)測(cè)損失為

    Loss=Lobj+Lseg

    (2)

    Lobj=λ1Lcls+λ2Lconf+λ3Lloc

    (3)

    其中: 目標(biāo)檢測(cè)損失Lobj包括3個(gè)部分:分類損失Lcls(Classes loss)、置信度損失Lconf(Confidence loss)和定位損失Lloc(Location loss),λ1λ2λ3為平衡系數(shù)。分類損失和置信度損失都采用二值交叉熵?fù)p失BCEloss(Binary Cross Entropy loss)計(jì)算,但Lcls只計(jì)算正樣本損失,Lconf計(jì)算所有樣本損失,公式為

    (4)

    (5)

    LCIoU=1-CIoU

    (6)

    (7)

    (8)

    (9)

    由式(7)可知,ρ2(b,bgt)代表真實(shí)框與預(yù)測(cè)框中心點(diǎn)的歐式距離,c則代表預(yù)測(cè)框與真實(shí)框最小外接矩形對(duì)角線的長(zhǎng)度,wgt和w分別對(duì)應(yīng)真實(shí)框與預(yù)測(cè)框的寬,hgt和h同理。分割損失Lseg同樣采用BCE loss進(jìn)行計(jì)算,公式為

    (10)

    3 網(wǎng)絡(luò)訓(xùn)練

    3.1 評(píng)價(jià)指標(biāo)

    本研究中實(shí)驗(yàn)采用平均交并比mIoU(mean intersection over unio)、像素精度PA(pixel accuracy)、平均準(zhǔn)確率AP(average precision)、每秒傳輸幀數(shù)FPS(frames per second)為評(píng)價(jià)指標(biāo)來(lái)衡量網(wǎng)絡(luò)檢測(cè)精度與性能。P代表精確率,R代表回召率,AP為以R為橫坐標(biāo)P為縱坐標(biāo)的PR曲線的面積,代表目標(biāo)檢測(cè)平均精度值。

    (11)

    (12)

    (13)

    mIoU定義為預(yù)測(cè)值與真實(shí)值交集與并集的比值,PA表示預(yù)測(cè)正確的像素點(diǎn)數(shù)占總像素點(diǎn)數(shù)的比例,其表達(dá)式為

    (14)

    (15)

    式(14)、式(15)中:(k+1)表示語(yǔ)義類別加上背景之后的總數(shù);i表示真實(shí)值;j為預(yù)測(cè)值;Pii表示預(yù)測(cè)值等于真實(shí)值的像素點(diǎn)數(shù);Pij表示類別i被預(yù)測(cè)為類別j的像素點(diǎn)數(shù);∑jPij表示類別i的總像素個(gè)數(shù)。

    3.2 訓(xùn)練過(guò)程與結(jié)果評(píng)估

    本實(shí)驗(yàn)在云服務(wù)器中搭建的環(huán)境里進(jìn)行,處理器為AMD Ryzen9 5900X 12-core processor,服務(wù)器運(yùn)行內(nèi)存為62 GB,顯存為24 GB,型號(hào)是RTX A5000;利用TensorFlow構(gòu)建網(wǎng)絡(luò)環(huán)境,版本為2.2.0,操作系統(tǒng)為Ubuntu18.04,編程語(yǔ)言為python3.8。

    迭代次數(shù)(epoch)設(shè)置為150,Batch size設(shè)置為4。目標(biāo)過(guò)于單一,為防止過(guò)擬合現(xiàn)象的出現(xiàn),采用SGD優(yōu)化器,優(yōu)化器內(nèi)置參數(shù)momentum設(shè)為0.9,權(quán)值衰減(weight decay)設(shè)為0.000 5。初始學(xué)習(xí)率設(shè)為0.01,最小學(xué)習(xí)率為最大學(xué)習(xí)率的1/100,設(shè)置為0.000 1,學(xué)習(xí)率下降的方式為余弦退火(cosine annealing)。隨著迭代次數(shù)的增加,訓(xùn)練集與驗(yàn)證集上的損失值變化曲線與如圖11所示。

    由圖11可知,從第35輪開(kāi)始,損失值下降趨勢(shì)減緩并趨于穩(wěn)定,曲線接近擬合狀態(tài),之后網(wǎng)絡(luò)損失一直在范圍內(nèi)波動(dòng),但從70輪之后,驗(yàn)證集損失值反而不降反升,說(shuō)明網(wǎng)絡(luò)已經(jīng)出現(xiàn)過(guò)擬合。評(píng)估擬合階段權(quán)重的精度值,選取精度最高的epoch83作為最優(yōu)權(quán)重,此時(shí)AP=92%

    圖11 訓(xùn)練集與驗(yàn)證集的損失曲線

    4 實(shí)驗(yàn)結(jié)果分析

    4.1 不同算法的比較分析

    本文中網(wǎng)絡(luò)模型以YOLOv5框架為基礎(chǔ),融合分割模塊,實(shí)現(xiàn)對(duì)復(fù)雜環(huán)境小目標(biāo)的實(shí)例分割。所以在實(shí)驗(yàn)階段需結(jié)合經(jīng)典語(yǔ)義分割模型Deeplabv3+、實(shí)例分割模型Mask RCNN和原網(wǎng)絡(luò)YOLOv5及最新YOLOv7模型進(jìn)行對(duì)比分析。表1展示了不同算法在驗(yàn)證集下的評(píng)估結(jié)果。

    表1 不同網(wǎng)絡(luò)模型的評(píng)估結(jié)果

    由表1可知,模型檢測(cè)精度為92.42%,相比Mask_RCNN增加了6.02個(gè)百分點(diǎn),主干網(wǎng)絡(luò)替換成YOLOv5,省略了生成候選區(qū)的步驟,使檢測(cè)速度獲得顯著提升,FPS相比Mask_RCNN提升了6倍左右。與YOLOv5原網(wǎng)絡(luò)相比,識(shí)別精度對(duì)比s型有顯著提升,但模型結(jié)構(gòu)復(fù)雜導(dǎo)致FPS只占原來(lái)的1/2;對(duì)比l型精度水平相當(dāng),FPS提高7.36幀/s。最新的YOLOv7網(wǎng)絡(luò)識(shí)別能力強(qiáng),比本文模型精度略高,但運(yùn)行較慢,FPS僅占本文網(wǎng)絡(luò)1/5。mIoU屬于語(yǔ)義分割模型特有的指標(biāo),雖然3種分割網(wǎng)絡(luò)結(jié)構(gòu)不同,但mIoU值相近,無(wú)法比較出明顯區(qū)別,重點(diǎn)需要參考AP/PA值。在檢測(cè)精度方面,目標(biāo)識(shí)別領(lǐng)域利用AP來(lái)評(píng)估,語(yǔ)義分割領(lǐng)域可以采用同樣衡量預(yù)測(cè)精度的指標(biāo)PA來(lái)等效。由于主干網(wǎng)絡(luò)YOLOv5屬于目標(biāo)檢測(cè)網(wǎng)絡(luò),對(duì)目標(biāo)抓取能力較強(qiáng),本文中網(wǎng)絡(luò)模型相比backbone為MobileNetV2結(jié)構(gòu)的Deeplabv3+網(wǎng)絡(luò)識(shí)別精度提升8.07個(gè)百分點(diǎn),MobileNetV2屬于輕量化網(wǎng)絡(luò),運(yùn)算量較小,本文中模型FPS與其相近,略微提高0.6幀/s。Xception主干網(wǎng)絡(luò)較深,學(xué)習(xí)能力強(qiáng),結(jié)構(gòu)更加復(fù)雜,配合Deeplabv3+精度能夠達(dá)到94.85%,比本文模型高2.43個(gè)百分點(diǎn),但FPS較低,只能達(dá)到4.95幀/s。綜上所述,本文網(wǎng)絡(luò)模型能夠在檢測(cè)精度接近YOLOv7、Deeplabv3+ (Xception)等優(yōu)秀網(wǎng)絡(luò)的前提下,在檢測(cè)速度方面優(yōu)于其他網(wǎng)絡(luò),同時(shí)滿足準(zhǔn)確性與實(shí)時(shí)性的需求。

    本文中模型檢測(cè)結(jié)果如圖12所示,展示了模型在傍晚光照、陰影遮擋、彈孔模糊情況下的檢測(cè)效果。預(yù)測(cè)結(jié)果中,所有彈孔都被成功識(shí)別,沒(méi)有出現(xiàn)漏檢或誤檢情況,彈孔分割精度也滿足要求。

    圖12 改進(jìn)后的算法檢測(cè)效果

    4.2 不同模型識(shí)別效果的對(duì)比試驗(yàn)

    本文中研究對(duì)象為野外實(shí)彈訓(xùn)練產(chǎn)生的靶面彈孔,彈孔顏色深,容易和深綠色靶紙和周?chē)h(huán)境混淆,影響識(shí)別準(zhǔn)度與精度。因此,建立不同光照、不同陰影遮擋條件下的對(duì)比實(shí)驗(yàn),每一類挑選30張圖片進(jìn)行測(cè)試。光照和陰影遮擋實(shí)驗(yàn)的考察重點(diǎn)為彈孔輪廓的檢測(cè)精度與彈孔召回率,測(cè)試效果如圖13、圖14所示,其中為展現(xiàn)識(shí)別精度,對(duì)照網(wǎng)絡(luò)Deeplabv3+的主干網(wǎng)絡(luò)選為Xception。

    由圖13可看出,改進(jìn)后網(wǎng)絡(luò)識(shí)別出的分割掩膜更加貼近彈孔真實(shí)輪廓,效果強(qiáng)于Mask RCNN,與Deeplabv3+分割精度相近,能夠較好地表現(xiàn)出彈孔的復(fù)雜邊緣。對(duì)于識(shí)別難度較低的清晨光照環(huán)境,本文中網(wǎng)絡(luò)與YOLOv5(s)、YOLOv5(l)和YOLOv7都能識(shí)別出所有彈孔,但光照略微復(fù)雜的傍晚與正午環(huán)境,YOLOv5(s)容易出現(xiàn)不同程度的漏檢,而本文中網(wǎng)絡(luò)能夠保持與YOLOv7、YOLOv5(l)的識(shí)別精度,都能全面識(shí)別,符合評(píng)估結(jié)果。

    圖14展現(xiàn)了改進(jìn)后模型在復(fù)雜陰影和遮擋條件下分割精度與識(shí)別精度的對(duì)比試驗(yàn)圖。因?yàn)榄h(huán)境更為復(fù)雜,所以只保留精度最高的YOLOv5(s)、YOLOv7網(wǎng)絡(luò)對(duì)比識(shí)別精度,Deeplabv3+對(duì)比分割精度。由圖可知,陰影對(duì)分割精度影響很大:對(duì)于遮擋小彈孔,Deeplabv3+易將樹(shù)葉錯(cuò)誤分割成彈孔,如圖14(b)所示;對(duì)于位置相近的多彈孔,Deeplabv3+容易識(shí)別成單個(gè)目標(biāo),無(wú)法分割正確輪廓,如圖14(a)、圖14(c)所示。

    在識(shí)別精度方面,不同網(wǎng)絡(luò)存在著不同程度的漏檢或誤檢。YOLOv5(l)只在單一陰影條件下識(shí)別效果良好,如圖圖14 (a),一旦陰影復(fù)雜就極易出現(xiàn)漏檢,在圖14 (b)中10個(gè)彈孔漏檢1個(gè)識(shí)別9個(gè),圖14 (c)中將2個(gè)彈孔識(shí)別成1個(gè),出現(xiàn)誤檢。YOLOv7在只有陰影的圖14 (a)中識(shí)別效果不錯(cuò),但在圖14 (b)中只識(shí)別出8個(gè)彈孔,漏檢2個(gè),在圖14 (c)中相連的2個(gè)彈孔只識(shí)別出1個(gè),漏檢1個(gè)。而本文算法在3種復(fù)雜情景都有較好的表現(xiàn),彈孔全部識(shí)別成功,兼顧分割精度與識(shí)別準(zhǔn)確率,由此可見(jiàn)在復(fù)雜環(huán)境中具有一定優(yōu)勢(shì)。

    圖13 不同網(wǎng)絡(luò)在3種光照下的識(shí)別對(duì)比圖

    圖14 不同網(wǎng)絡(luò)在復(fù)雜陰影情況下的識(shí)別對(duì)比圖

    5 結(jié)論

    1) 針對(duì)野外訓(xùn)練的復(fù)雜環(huán)境下,靶面彈孔難以高效被識(shí)別的問(wèn)題,提出同時(shí)融合目標(biāo)檢測(cè)與語(yǔ)義分割的彈孔分割網(wǎng)絡(luò),利用多任務(wù)訓(xùn)練提升特征層對(duì)復(fù)雜環(huán)境彈孔小目標(biāo)的識(shí)別精度與分割精度,降低模型運(yùn)算量,滿足實(shí)時(shí)性需求。

    2) 模型以YOLOv5主干網(wǎng)絡(luò)為基礎(chǔ),融合分割模塊,調(diào)整輸出尺度,增加針對(duì)極小目標(biāo)的預(yù)測(cè)層,并結(jié)合解耦思想,提高模型檢測(cè)精度。算法在驗(yàn)證集下的精度為92.42%,FPS達(dá)到25.15幀/s。

    3) 通過(guò)對(duì)比實(shí)驗(yàn)可知,本文中模型無(wú)論是在復(fù)雜陰影或光照條件下,都可以識(shí)別所有彈孔痕跡,極少出現(xiàn)漏檢或誤檢情況,相比其他網(wǎng)絡(luò)模型,本文中算法在保持高精度識(shí)別條件的情況下,顯著提升了網(wǎng)絡(luò)的運(yùn)算速度,滿足了實(shí)際訓(xùn)練中精確度與實(shí)時(shí)性要求,擁有較好的綜合性能。

    猜你喜歡
    彈孔語(yǔ)義卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    最后的彈孔
    語(yǔ)言與語(yǔ)義
    基于視頻圖像處理的彈孔檢測(cè)提取算法研究?
    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(biāo)跟蹤算法
    “上”與“下”語(yǔ)義的不對(duì)稱性及其認(rèn)知闡釋
    認(rèn)知范疇模糊與語(yǔ)義模糊
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    語(yǔ)義分析與漢俄副名組合
    av视频免费观看在线观看| 欧美日韩综合久久久久久| 天天躁夜夜躁狠狠久久av| 国产精品秋霞免费鲁丝片| 亚洲国产精品一区三区| 性色av一级| 国产精品香港三级国产av潘金莲 | 亚洲av成人不卡在线观看播放网 | 成年av动漫网址| 日韩成人av中文字幕在线观看| 国产一区二区 视频在线| 久久青草综合色| 91aial.com中文字幕在线观看| 一区二区三区精品91| 男人操女人黄网站| xxx大片免费视频| 亚洲国产精品一区三区| 五月天丁香电影| 丰满饥渴人妻一区二区三| 亚洲精品在线美女| 亚洲三区欧美一区| 乱人伦中国视频| 亚洲av日韩在线播放| 亚洲成av片中文字幕在线观看| 欧美日韩精品网址| 夜夜骑夜夜射夜夜干| 中文字幕制服av| av视频免费观看在线观看| 久久国产精品大桥未久av| 只有这里有精品99| 性少妇av在线| 午夜久久久在线观看| 久久精品久久精品一区二区三区| 午夜福利影视在线免费观看| 高清欧美精品videossex| 久久久精品区二区三区| 免费黄频网站在线观看国产| 人人妻人人爽人人添夜夜欢视频| videosex国产| 天天添夜夜摸| 日韩人妻精品一区2区三区| 亚洲国产av影院在线观看| 一边亲一边摸免费视频| 黑人欧美特级aaaaaa片| 男人爽女人下面视频在线观看| 亚洲自偷自拍图片 自拍| 中文乱码字字幕精品一区二区三区| 超碰97精品在线观看| 人人妻,人人澡人人爽秒播 | 老司机深夜福利视频在线观看 | 丁香六月欧美| 一二三四在线观看免费中文在| 十八禁高潮呻吟视频| 欧美黑人欧美精品刺激| 亚洲人成77777在线视频| 天天操日日干夜夜撸| 七月丁香在线播放| 久久人人爽av亚洲精品天堂| 亚洲精品国产色婷婷电影| netflix在线观看网站| 国精品久久久久久国模美| 欧美日韩精品网址| 嫩草影视91久久| 国产精品麻豆人妻色哟哟久久| avwww免费| 一级毛片黄色毛片免费观看视频| 日本色播在线视频| 男女高潮啪啪啪动态图| 久久韩国三级中文字幕| 午夜福利影视在线免费观看| 国产乱人偷精品视频| 亚洲中文av在线| 久久免费观看电影| 午夜日本视频在线| 如日韩欧美国产精品一区二区三区| 免费观看a级毛片全部| 欧美日韩福利视频一区二区| www.精华液| 激情五月婷婷亚洲| 日日摸夜夜添夜夜爱| 国产精品亚洲av一区麻豆 | 不卡av一区二区三区| 一级黄片播放器| 91成人精品电影| 久久国产精品大桥未久av| 成人国产av品久久久| 国产男女超爽视频在线观看| 亚洲国产欧美在线一区| 免费日韩欧美在线观看| 午夜福利乱码中文字幕| 亚洲精品自拍成人| 国产成人av激情在线播放| 亚洲av综合色区一区| 人人妻人人爽人人添夜夜欢视频| 久久性视频一级片| 精品少妇内射三级| 精品国产一区二区三区四区第35| 母亲3免费完整高清在线观看| 男女边吃奶边做爰视频| 亚洲熟女毛片儿| 欧美黄色片欧美黄色片| 亚洲av成人精品一二三区| 精品久久久精品久久久| 国产日韩欧美在线精品| 另类亚洲欧美激情| 久久精品国产亚洲av涩爱| 亚洲国产av影院在线观看| av在线播放精品| 国产精品一二三区在线看| avwww免费| 精品国产露脸久久av麻豆| 成人黄色视频免费在线看| 久久久久精品国产欧美久久久 | 欧美日本中文国产一区发布| 黄片无遮挡物在线观看| 国产一区亚洲一区在线观看| 久久国产亚洲av麻豆专区| 亚洲av综合色区一区| 亚洲,欧美精品.| 中文天堂在线官网| 久久这里只有精品19| av网站在线播放免费| 欧美日韩精品网址| 国产在线免费精品| 国产男人的电影天堂91| 在线观看www视频免费| 日本黄色日本黄色录像| 精品午夜福利在线看| 午夜激情av网站| 黄片小视频在线播放| 99精品久久久久人妻精品| 午夜91福利影院| 丁香六月天网| 天天躁夜夜躁狠狠久久av| 黑人欧美特级aaaaaa片| 国产爽快片一区二区三区| 国产精品一区二区在线观看99| 久久久久国产一级毛片高清牌| a 毛片基地| 国产成人一区二区在线| 观看av在线不卡| 国产精品女同一区二区软件| 少妇的丰满在线观看| 男女下面插进去视频免费观看| 一级片免费观看大全| 18在线观看网站| 亚洲免费av在线视频| 天美传媒精品一区二区| 欧美国产精品va在线观看不卡| 999久久久国产精品视频| 日韩精品免费视频一区二区三区| 美女高潮到喷水免费观看| 久久天躁狠狠躁夜夜2o2o | 精品国产一区二区久久| 国产精品女同一区二区软件| 亚洲精品第二区| 日韩 欧美 亚洲 中文字幕| 欧美亚洲 丝袜 人妻 在线| 午夜福利视频精品| 久久婷婷青草| bbb黄色大片| 在线 av 中文字幕| 久久鲁丝午夜福利片| av片东京热男人的天堂| 亚洲国产精品成人久久小说| www.av在线官网国产| 亚洲免费av在线视频| 亚洲欧美精品综合一区二区三区| 欧美最新免费一区二区三区| 成人18禁高潮啪啪吃奶动态图| 狠狠精品人妻久久久久久综合| 久久人妻熟女aⅴ| 制服人妻中文乱码| 国产野战对白在线观看| 黄片无遮挡物在线观看| 男人爽女人下面视频在线观看| 午夜福利,免费看| 亚洲国产av新网站| 青春草国产在线视频| 19禁男女啪啪无遮挡网站| 最近最新中文字幕免费大全7| 777久久人妻少妇嫩草av网站| 男女床上黄色一级片免费看| 在线观看三级黄色| 丰满饥渴人妻一区二区三| 99精国产麻豆久久婷婷| 欧美日韩视频高清一区二区三区二| 国产日韩欧美亚洲二区| 又大又爽又粗| 亚洲精品日本国产第一区| 男女床上黄色一级片免费看| 国产精品三级大全| 亚洲精品一区蜜桃| 亚洲天堂av无毛| 老司机亚洲免费影院| 欧美黄色片欧美黄色片| 亚洲精品国产一区二区精华液| 在线观看www视频免费| 精品国产乱码久久久久久男人| 久久久久人妻精品一区果冻| 欧美97在线视频| 亚洲色图 男人天堂 中文字幕| 中文字幕精品免费在线观看视频| 日韩,欧美,国产一区二区三区| 中文字幕色久视频| 欧美日韩亚洲高清精品| 麻豆av在线久日| 精品国产国语对白av| 1024香蕉在线观看| 国产精品人妻久久久影院| 激情视频va一区二区三区| 大陆偷拍与自拍| 在线观看国产h片| 伊人久久国产一区二区| 亚洲人成电影观看| 色婷婷久久久亚洲欧美| 国产免费现黄频在线看| 久久综合国产亚洲精品| 国产精品久久久av美女十八| 亚洲欧洲国产日韩| 丰满饥渴人妻一区二区三| 亚洲第一区二区三区不卡| 黑人欧美特级aaaaaa片| 欧美变态另类bdsm刘玥| av又黄又爽大尺度在线免费看| 亚洲精品中文字幕在线视频| 天天躁夜夜躁狠狠久久av| 亚洲成人手机| 99re6热这里在线精品视频| 国产男人的电影天堂91| av在线app专区| 国产精品国产三级专区第一集| 日韩免费高清中文字幕av| 国产毛片在线视频| 亚洲国产中文字幕在线视频| 在线观看人妻少妇| 日韩伦理黄色片| 免费黄色在线免费观看| 成人毛片60女人毛片免费| 久久国产亚洲av麻豆专区| 少妇被粗大的猛进出69影院| 午夜激情久久久久久久| 日韩制服丝袜自拍偷拍| 美女主播在线视频| 青春草国产在线视频| 欧美xxⅹ黑人| 日韩欧美精品免费久久| 伦理电影大哥的女人| 国产人伦9x9x在线观看| 欧美黑人精品巨大| 国产成人欧美在线观看 | 久久鲁丝午夜福利片| 国产精品三级大全| av在线app专区| 如日韩欧美国产精品一区二区三区| 久久久久网色| 精品国产乱码久久久久久男人| 久久青草综合色| 久久久精品免费免费高清| 精品一区二区三区四区五区乱码 | 涩涩av久久男人的天堂| bbb黄色大片| 国产日韩欧美视频二区| 色精品久久人妻99蜜桃| 免费日韩欧美在线观看| 国产熟女欧美一区二区| 99九九在线精品视频| 热99久久久久精品小说推荐| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲精品国产av蜜桃| 电影成人av| 毛片一级片免费看久久久久| 19禁男女啪啪无遮挡网站| 成人影院久久| 日韩视频在线欧美| 极品人妻少妇av视频| 老汉色∧v一级毛片| 欧美精品一区二区大全| 精品卡一卡二卡四卡免费| 欧美老熟妇乱子伦牲交| 多毛熟女@视频| 欧美精品高潮呻吟av久久| 成人国产麻豆网| 麻豆精品久久久久久蜜桃| 亚洲精品av麻豆狂野| 人妻 亚洲 视频| 日韩大片免费观看网站| 黑人巨大精品欧美一区二区蜜桃| 国产精品无大码| 一级a爱视频在线免费观看| 国产伦人伦偷精品视频| 欧美乱码精品一区二区三区| 久久国产精品大桥未久av| 亚洲 欧美一区二区三区| 亚洲精品久久成人aⅴ小说| 最新的欧美精品一区二区| 日韩成人av中文字幕在线观看| videos熟女内射| 美女脱内裤让男人舔精品视频| 亚洲伊人久久精品综合| 亚洲国产av影院在线观看| 在线观看免费日韩欧美大片| 中文精品一卡2卡3卡4更新| 久久久久网色| 赤兔流量卡办理| 观看av在线不卡| 最近手机中文字幕大全| 亚洲人成网站在线观看播放| 一区在线观看完整版| 美国免费a级毛片| 久久久欧美国产精品| 人人妻人人澡人人看| 水蜜桃什么品种好| 老汉色av国产亚洲站长工具| 成人国语在线视频| 亚洲精品第二区| 久久久国产精品麻豆| 亚洲欧洲日产国产| 纯流量卡能插随身wifi吗| 免费观看av网站的网址| 久久综合国产亚洲精品| 涩涩av久久男人的天堂| av在线观看视频网站免费| 精品卡一卡二卡四卡免费| 精品人妻在线不人妻| 久久精品久久久久久噜噜老黄| 久久久久网色| 欧美xxⅹ黑人| 欧美 亚洲 国产 日韩一| 国产精品.久久久| 精品少妇久久久久久888优播| 久久亚洲国产成人精品v| 国产片内射在线| 80岁老熟妇乱子伦牲交| 亚洲精品国产色婷婷电影| 一区二区日韩欧美中文字幕| 熟女少妇亚洲综合色aaa.| 久久国产精品男人的天堂亚洲| 色婷婷av一区二区三区视频| 日本91视频免费播放| 日本vs欧美在线观看视频| 老熟女久久久| 菩萨蛮人人尽说江南好唐韦庄| 熟妇人妻不卡中文字幕| 少妇人妻 视频| 狠狠精品人妻久久久久久综合| 日本午夜av视频| 999精品在线视频| 国产黄频视频在线观看| 国产成人欧美| 美女主播在线视频| 丝瓜视频免费看黄片| 又大又黄又爽视频免费| 999久久久国产精品视频| 少妇被粗大猛烈的视频| 老熟女久久久| 最近最新中文字幕免费大全7| 新久久久久国产一级毛片| 色婷婷av一区二区三区视频| 免费黄频网站在线观看国产| 成人三级做爰电影| 欧美精品高潮呻吟av久久| 亚洲成国产人片在线观看| 高清在线视频一区二区三区| 亚洲成国产人片在线观看| tube8黄色片| 亚洲精品乱久久久久久| 久久狼人影院| 国产片内射在线| 蜜桃在线观看..| 丰满乱子伦码专区| 欧美黄色片欧美黄色片| av在线播放精品| 岛国毛片在线播放| 丰满少妇做爰视频| 亚洲国产精品一区二区三区在线| 777久久人妻少妇嫩草av网站| 国产精品 国内视频| 久热爱精品视频在线9| 亚洲一区二区三区欧美精品| 久久久久久免费高清国产稀缺| 国产一区二区三区av在线| 性色av一级| 国产黄频视频在线观看| 女的被弄到高潮叫床怎么办| 精品久久久久久电影网| 波多野结衣av一区二区av| 中文字幕色久视频| 人妻 亚洲 视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲欧美一区二区三区国产| 又大又爽又粗| 国产精品久久久久久久久免| 亚洲国产av新网站| 一级爰片在线观看| 欧美国产精品一级二级三级| 熟女av电影| 天美传媒精品一区二区| 成人亚洲精品一区在线观看| 超碰成人久久| 永久免费av网站大全| 最近2019中文字幕mv第一页| 91aial.com中文字幕在线观看| 黄色 视频免费看| 日本一区二区免费在线视频| 97在线人人人人妻| 国产亚洲欧美精品永久| 久久毛片免费看一区二区三区| 成人18禁高潮啪啪吃奶动态图| 亚洲久久久国产精品| 亚洲精品av麻豆狂野| 午夜福利免费观看在线| 欧美国产精品va在线观看不卡| 国产精品久久久久久人妻精品电影 | 精品酒店卫生间| 精品卡一卡二卡四卡免费| 一级毛片黄色毛片免费观看视频| 亚洲欧美中文字幕日韩二区| 在线观看免费日韩欧美大片| 熟妇人妻不卡中文字幕| 中文字幕色久视频| 国产成人午夜福利电影在线观看| 啦啦啦中文免费视频观看日本| 国产成人精品福利久久| 亚洲精品国产av成人精品| 国产成人精品无人区| 久久久久国产精品人妻一区二区| 国产精品一国产av| www.自偷自拍.com| 亚洲av福利一区| 秋霞伦理黄片| 日韩成人av中文字幕在线观看| 女性生殖器流出的白浆| 高清欧美精品videossex| 男的添女的下面高潮视频| 在线免费观看不下载黄p国产| 免费人妻精品一区二区三区视频| 成年av动漫网址| 国产精品亚洲av一区麻豆 | 亚洲 欧美一区二区三区| 午夜福利在线免费观看网站| 亚洲四区av| 1024视频免费在线观看| 女的被弄到高潮叫床怎么办| 一本—道久久a久久精品蜜桃钙片| 日本欧美视频一区| 成人漫画全彩无遮挡| 亚洲中文av在线| 高清欧美精品videossex| 亚洲国产欧美一区二区综合| 悠悠久久av| e午夜精品久久久久久久| 在线观看国产h片| 另类亚洲欧美激情| 一二三四中文在线观看免费高清| 国产精品av久久久久免费| 丝袜脚勾引网站| 好男人视频免费观看在线| 国产av码专区亚洲av| 国产片特级美女逼逼视频| 1024视频免费在线观看| 亚洲国产成人一精品久久久| 日韩中文字幕视频在线看片| av视频免费观看在线观看| 黄色怎么调成土黄色| 日韩熟女老妇一区二区性免费视频| 中文字幕精品免费在线观看视频| 又大又爽又粗| 黑人巨大精品欧美一区二区蜜桃| 熟女少妇亚洲综合色aaa.| 1024香蕉在线观看| 黄片播放在线免费| 久久毛片免费看一区二区三区| 美女扒开内裤让男人捅视频| 免费少妇av软件| 一级片免费观看大全| 爱豆传媒免费全集在线观看| 欧美亚洲日本最大视频资源| 日韩av在线免费看完整版不卡| 美女国产高潮福利片在线看| 中文字幕另类日韩欧美亚洲嫩草| 卡戴珊不雅视频在线播放| 精品人妻熟女毛片av久久网站| 国产日韩一区二区三区精品不卡| 午夜福利乱码中文字幕| 日韩av免费高清视频| 亚洲第一av免费看| 成人国产av品久久久| 精品少妇一区二区三区视频日本电影 | 在线看a的网站| 不卡av一区二区三区| 欧美xxⅹ黑人| 99久国产av精品国产电影| 欧美xxⅹ黑人| 不卡av一区二区三区| 交换朋友夫妻互换小说| 美女视频免费永久观看网站| 狂野欧美激情性xxxx| 尾随美女入室| 午夜福利影视在线免费观看| 超色免费av| 九九爱精品视频在线观看| 亚洲国产欧美在线一区| 人人妻人人爽人人添夜夜欢视频| 午夜福利影视在线免费观看| 免费人妻精品一区二区三区视频| 精品人妻一区二区三区麻豆| av天堂久久9| 老司机影院毛片| 最近2019中文字幕mv第一页| 国产国语露脸激情在线看| 国产xxxxx性猛交| 午夜免费鲁丝| 男女免费视频国产| 国产精品久久久久久精品古装| 性少妇av在线| 亚洲欧美成人精品一区二区| 日韩欧美精品免费久久| av在线观看视频网站免费| 日日啪夜夜爽| 中国国产av一级| 大陆偷拍与自拍| 国产日韩欧美视频二区| 一级毛片 在线播放| 欧美老熟妇乱子伦牲交| 亚洲综合精品二区| 久久性视频一级片| 国产精品麻豆人妻色哟哟久久| 国产精品女同一区二区软件| 久久人妻熟女aⅴ| 亚洲av综合色区一区| 狂野欧美激情性xxxx| 99re6热这里在线精品视频| 2021少妇久久久久久久久久久| 国产一区二区三区av在线| 国产一区有黄有色的免费视频| 天堂8中文在线网| 国产有黄有色有爽视频| 免费看av在线观看网站| 大码成人一级视频| 19禁男女啪啪无遮挡网站| 亚洲欧美中文字幕日韩二区| 视频区图区小说| 亚洲精品久久成人aⅴ小说| 在线观看免费高清a一片| 欧美精品人与动牲交sv欧美| 日韩制服丝袜自拍偷拍| 搡老乐熟女国产| 国产有黄有色有爽视频| 亚洲精品国产区一区二| 可以免费在线观看a视频的电影网站 | 2018国产大陆天天弄谢| 亚洲国产日韩一区二区| 777久久人妻少妇嫩草av网站| 午夜老司机福利片| 国产午夜精品一二区理论片| 女人爽到高潮嗷嗷叫在线视频| 91国产中文字幕| 午夜福利视频在线观看免费| 观看美女的网站| 国产女主播在线喷水免费视频网站| 老司机靠b影院| 国产激情久久老熟女| 大香蕉久久网| 亚洲精品成人av观看孕妇| 中国三级夫妇交换| 亚洲精品美女久久av网站| 黄色视频在线播放观看不卡| 日韩一卡2卡3卡4卡2021年| 欧美黄色片欧美黄色片| 女性被躁到高潮视频| 少妇被粗大猛烈的视频| 国产精品国产av在线观看| 一本久久精品| 香蕉国产在线看| 亚洲国产看品久久| 卡戴珊不雅视频在线播放| 亚洲av中文av极速乱| 新久久久久国产一级毛片| 日韩成人av中文字幕在线观看| 欧美精品一区二区大全| 精品亚洲乱码少妇综合久久| 青春草亚洲视频在线观看| 一级毛片黄色毛片免费观看视频| 如何舔出高潮| 精品一区在线观看国产| 免费观看av网站的网址| 三上悠亚av全集在线观看| 亚洲欧洲精品一区二区精品久久久 | e午夜精品久久久久久久| 99国产精品免费福利视频| 亚洲精品日本国产第一区| 国产精品秋霞免费鲁丝片| 人妻一区二区av| 日本欧美国产在线视频| 日韩不卡一区二区三区视频在线| 久久久欧美国产精品| 日本欧美国产在线视频| 少妇人妻 视频| 亚洲男人天堂网一区| a 毛片基地| 亚洲免费av在线视频| 黄色视频不卡| 亚洲欧美激情在线| av网站在线播放免费| 亚洲成人av在线免费| 亚洲精品在线美女| 亚洲欧洲日产国产| 香蕉丝袜av| 男人舔女人的私密视频| 成人影院久久| 国产成人精品无人区| 新久久久久国产一级毛片| 一区二区三区四区激情视频| 日韩av不卡免费在线播放|