• <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)的木材缺陷智能檢測(cè)的研究進(jìn)展與展望

    2024-04-02 08:34:00王明濤項(xiàng)曉揚(yáng)崔文燕院霖享多化瓊
    林產(chǎn)工業(yè) 2024年3期
    關(guān)鍵詞:木材神經(jīng)網(wǎng)絡(luò)分類

    王明濤 項(xiàng)曉揚(yáng) 崔文燕 院霖享 多化瓊

    (內(nèi)蒙古農(nóng)業(yè)大學(xué)材料科學(xué)與藝術(shù)設(shè)計(jì)學(xué)院,內(nèi)蒙古 呼和浩特 010018)

    木材作為一種天然生物材料,很容易受到微生物、氣候、人力等侵害,導(dǎo)致其結(jié)構(gòu)破壞和表面缺陷的出現(xiàn),進(jìn)而影響木材的質(zhì)量[1]。此外,木材在生長(zhǎng)、運(yùn)輸和存儲(chǔ)等過程中易產(chǎn)生節(jié)子、裂紋、腐蝕和蟲害等。木材的質(zhì)量受損,則會(huì)直接影響木制品的美學(xué)價(jià)值和工藝價(jià)值。因此,若能在木材投入使用之前,及時(shí)檢測(cè)出其缺陷并加以處理,將能有效提高木材的利用率。

    木材缺陷檢測(cè)技術(shù)一般分為人工檢測(cè)和機(jī)器檢測(cè)兩種。人工檢測(cè)木材缺陷具有很大程度的主觀性,且費(fèi)時(shí)費(fèi)力效率低下[2]。傳統(tǒng)的基于機(jī)器的木材缺陷檢測(cè)方法主要有激光檢測(cè)[3-4]、超聲波檢測(cè)[5-6]、聲發(fā)射技術(shù)[7-8]等。這些檢測(cè)技術(shù)雖然相較于人工檢測(cè)有著更高的效率,但是激光、超聲波等存在輻射危害、機(jī)器龐大、操作不便、維護(hù)成本昂貴等因素,限制了其大規(guī)模的應(yīng)用。

    Hinton在2006年最早提出深度學(xué)習(xí)技術(shù)的概念后,指導(dǎo)Sutskever和AlexKrizhevsky開發(fā)出AlexNet神經(jīng)網(wǎng)絡(luò),并在同年的ImageNet LSVRC-2012的比賽中以高達(dá)84.7%的計(jì)算機(jī)圖像識(shí)別準(zhǔn)確率脫穎而出。深度學(xué)習(xí)源于機(jī)器學(xué)習(xí),是一種采用人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)的數(shù)據(jù)表征學(xué)習(xí)算法[9]。深度學(xué)習(xí)技術(shù)防止了層初始化的維度,代表了機(jī)器學(xué)習(xí)領(lǐng)域的革命性發(fā)展[10-11]。隨著計(jì)算機(jī)硬件設(shè)備精密度增加,尤其以高性能處理單元(GPU)為代表的納米級(jí)工藝水平提高,計(jì)算機(jī)圖形處理與深度學(xué)習(xí)技術(shù)結(jié)合所具備的速度快、成本低和布局簡(jiǎn)單等優(yōu)點(diǎn),在缺陷檢測(cè)中凸顯優(yōu)勢(shì)[12]。此外,大數(shù)據(jù)時(shí)代隨著數(shù)據(jù)信息量呈現(xiàn)出的不斷上升的發(fā)展趨勢(shì),圖像數(shù)據(jù)的有效處理也變得至關(guān)重要[13]。

    基于深度學(xué)習(xí)的木材缺陷智能檢測(cè)可以根據(jù)使用方法的側(cè)重性不同分為兩類。一類是基于目標(biāo)檢測(cè)算法的木材缺陷檢測(cè)技術(shù),另一類基于深度學(xué)習(xí)算法的木材缺陷檢測(cè)技術(shù)。

    1 基于目標(biāo)檢測(cè)算法的木材缺陷智能檢測(cè)

    目標(biāo)檢測(cè)是找出圖像中所需要的木材缺陷特征后,對(duì)其定位與定形。木材缺陷檢測(cè)本質(zhì)上屬于目標(biāo)檢測(cè)問題,因此可以通過目標(biāo)檢測(cè)算法解決[14]。通?;谀繕?biāo)檢測(cè)算法的木材缺陷智能檢測(cè)分為基于單階段的目標(biāo)檢測(cè)算法(a)和基于兩階段的目標(biāo)檢測(cè)算法(b),如圖1所示。

    圖1 目標(biāo)檢測(cè)算法分類[14]Fig.1 Classification of target detection algorithm

    1.1 基于單階段的目標(biāo)檢測(cè)算法

    單階段目標(biāo)檢測(cè)算法又稱為基于回歸分析的目標(biāo)檢測(cè)算法,僅需要一次特征提取就可以對(duì)目標(biāo)位置和類別信息進(jìn)行回歸分析,然后以神經(jīng)網(wǎng)絡(luò)模型輸出檢測(cè)結(jié)果的算法[15]。由于單階段目標(biāo)檢測(cè)僅需要一次特征提取,其結(jié)構(gòu)簡(jiǎn)單、計(jì)算速度快,可以高效的進(jìn)行端到端的訓(xùn)練,在工業(yè)實(shí)時(shí)木材缺陷檢測(cè)應(yīng)用領(lǐng)域有著廣闊的前景。

    1.1.1 YOLO系列目標(biāo)檢測(cè)算法

    Wang等[16]在MobileNetV1 中提出了深度可分離卷積,改進(jìn)了YOLO-v3(第三版You Only Look Once)網(wǎng)絡(luò)。相比于之前的模型,雖然該算法在精度與速度上具備一定優(yōu)勢(shì),但對(duì)小型缺陷,如裂縫和小孔等學(xué)習(xí)和泛化能力不足。同時(shí),該方法對(duì)于硬件設(shè)備的要求較高。為了解決YOLO-v3 網(wǎng)絡(luò)在學(xué)習(xí)小型缺陷方面的不足,有學(xué)者提出了改進(jìn)版的YOLO-v4 網(wǎng)絡(luò)去實(shí)現(xiàn)對(duì)國(guó)產(chǎn)云杉鋸材表面活節(jié)、死節(jié)、裂紋和蟲眼的識(shí)別和分類。然而,YOLO-v4 作為YOLO-v3 的增強(qiáng)版本,其核心思想并未改變,仍存在對(duì)于細(xì)小裂紋和小孔等小型缺陷的誤判和漏檢問題?;赮OLO系列目前并沒有對(duì)于木材表面的細(xì)小缺陷檢測(cè)做出突出改進(jìn),F(xiàn)ang等[17]專注于木材節(jié)子的檢測(cè)識(shí)別,使用YOLO-v5 檢測(cè)器自適應(yīng)的學(xué)習(xí)和提取鋸材表面節(jié)子特征。不足的是,F(xiàn)ang等使用YOLO模型僅能用于檢測(cè)節(jié)子缺陷,并不能對(duì)節(jié)子進(jìn)行分類,因此YOLO-v5 網(wǎng)絡(luò)對(duì)于木材節(jié)子分類里的實(shí)用性尚有待驗(yàn)證。

    1.1.2 單步多框檢測(cè)算法

    為使單階段檢測(cè)算法在缺陷識(shí)別的同時(shí)實(shí)現(xiàn)分類需求,Ding等[18]將遷移學(xué)習(xí)[19]應(yīng)用于單步多框檢測(cè)(SSD)算法,并且引入密集連接卷積網(wǎng)絡(luò)(DenseNet)提取木材圖像的深度特征后,融合于SSD獲得多層特征圖,從而實(shí)現(xiàn)缺陷分類需求。這一點(diǎn)彌補(bǔ)了Fang等[17]人使用單階段檢測(cè)算法但是沒有對(duì)缺陷進(jìn)行分類的部分,以DenseNet在實(shí)現(xiàn)木材缺陷高精度識(shí)別率的基礎(chǔ)上,精準(zhǔn)高效分類,實(shí)現(xiàn)了高效率生產(chǎn)活動(dòng)。魏智鋒等[20]在SSD算法的基礎(chǔ)上結(jié)合輕量級(jí)的深層神經(jīng)網(wǎng)絡(luò)MobileNet,構(gòu)建出能夠?qū)崿F(xiàn)快速檢測(cè)人造板表面缺陷的算法模型,為實(shí)現(xiàn)人造板表面實(shí)時(shí)在線檢測(cè)提供了良好的技術(shù)支撐。

    1.2 基于兩階段的目標(biāo)檢測(cè)算法

    在Sermanet等[21]提出單階段目標(biāo)檢測(cè)算法的經(jīng)典之作OverFeat后,2014年,R-CNN搭載著“RegionProposal(候選框)+CNN”提取的分類網(wǎng)絡(luò)的組合模式出現(xiàn)在大眾視野中。這種兩階段目標(biāo)檢測(cè)算法以其優(yōu)秀的準(zhǔn)確度給目標(biāo)檢測(cè)算法提供了新思路[22]。兩階段目標(biāo)檢測(cè)算法又稱為基于區(qū)域建議的目標(biāo)檢測(cè)算法,是一種通過顯式區(qū)域建議對(duì)目標(biāo)檢測(cè)問題處理轉(zhuǎn)化為處理后的建議區(qū)域圖片分類的一種算法。此類算法在第一階段提取物體區(qū)域,生成區(qū)域建議,在第二階段對(duì)感興趣區(qū)域(Region of Interest, RoI)中的內(nèi)容進(jìn)行分類和回歸。相比于單階段目標(biāo)檢測(cè)算法具有更高的物體識(shí)別和定位精度,缺點(diǎn)是運(yùn)行速度較慢[23]。

    1.2.1 Faster R-CNN

    Faster R-CNN是Ren等[24]針對(duì)Fast R-CNN存在的候選區(qū)域高度重疊、計(jì)算量過大等問題,于2015 年提出的改進(jìn)算法。而后,有學(xué)者將此算法應(yīng)用于木材缺陷檢測(cè),雖然在一定程度提高了實(shí)木板材蟲孔的檢測(cè)精度,但是此算法是在犧牲實(shí)時(shí)性的前提下,提高了算法的準(zhǔn)確率,并不滿足實(shí)木板材工業(yè)實(shí)際的實(shí)時(shí)缺陷檢測(cè)需求[25]。

    結(jié)合單階段目標(biāo)檢測(cè)算法中各學(xué)者對(duì)于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)與其他方法的融合思想,Urbonas等[26]對(duì)缺陷數(shù)據(jù)圖像進(jìn)行數(shù)據(jù)增強(qiáng)[27]后引入遷移學(xué)習(xí),通過Faster R-CNN自動(dòng)分析單板表面缺陷,對(duì)數(shù)據(jù)增強(qiáng)同時(shí)使用預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí),提高了模型的訓(xùn)練速度、穩(wěn)定性和泛化能力。然而,該方法輸出的是包含木材缺陷的檢測(cè)框,而非實(shí)際的木材缺陷形狀,這可能會(huì)影響對(duì)缺陷的精準(zhǔn)切割。

    Zhu等[28]在圖像預(yù)處理后建立木材顯微圖像數(shù)據(jù)庫(kù),結(jié)合Faster R-CNN模型,引入感受野增強(qiáng)SSP模塊和FPN模塊,得到了基于遷移學(xué)習(xí)的多尺度特征融合的木材顯微缺陷圖像識(shí)別模型,為木材缺陷識(shí)別提供了新的一種快速有效的方法。Xia等[29]注意到,木材的紋理特征總是伴隨著木材缺陷出現(xiàn),并會(huì)對(duì)最終的識(shí)別結(jié)果造成干擾,提出了以雙邊濾波改進(jìn)平滑圖像紋理背景的Faster R-CNN表面缺陷檢測(cè)算法,提高了網(wǎng)絡(luò)處理多尺度缺陷特征的表達(dá)能力,對(duì)于檢測(cè)小型缺陷有著突出效果。此外,ResNet的引入提高了模型對(duì)于不同劃痕形狀的特征提取能力,提高了劃痕缺陷的識(shí)別精度。

    在大量的學(xué)者聚焦于木材圖片缺陷的檢測(cè)時(shí),Mohsin等[30]考慮是否可以將木材缺陷檢測(cè)系統(tǒng)的相機(jī)替代為攝像機(jī),避免頻繁獲取大量無意義的照片。他們使用Faster R-CNN作為探測(cè)器,對(duì)特征提取后的圖像進(jìn)行缺陷檢測(cè)和實(shí)時(shí)分類,并建立模型,體現(xiàn)出輕量化的優(yōu)點(diǎn),可以部署于移動(dòng)設(shè)備和邊緣設(shè)備等小型系統(tǒng)中。然而,該試驗(yàn)中僅限于裂紋和礦物線這兩種木材缺陷,在工業(yè)應(yīng)用上存在一定的局限性。

    1.2.2 Mask R-CNN

    Mask R-CNN作為Faster R-CNN的拓展,新增一個(gè)分支用于獲取每個(gè)RoI的實(shí)例分割掩碼,與現(xiàn)有的分支(使用邊界框坐標(biāo)對(duì)每個(gè)單獨(dú)的對(duì)象進(jìn)行分類和定位)[31]并行進(jìn)行目標(biāo)檢測(cè)?;诖?,Mask R-CNN可以高速有效的對(duì)檢測(cè)到的孔洞進(jìn)行實(shí)例分割、計(jì)數(shù)和分類。

    Hu等[32]將生成對(duì)抗網(wǎng)絡(luò)(PGGAN)結(jié)合Mask R-CNN模型并引入遷移學(xué)習(xí),用于對(duì)楊木單板缺陷的識(shí)別與分類。采用PGGAN技術(shù)彌補(bǔ)了傳統(tǒng)樣本拓展方法缺陷細(xì)節(jié)不夠精細(xì)、缺陷圖像多樣性貧瘠和樣本分布少的缺點(diǎn)。

    為了提高木材缺陷識(shí)別精度,Romanovskis等[33]采用雙TeLeDyne Linea線陣相機(jī)捕獲橡木高質(zhì)量的缺陷圖像,并使用實(shí)例分割訓(xùn)練兩個(gè)不同的Mask R-CNN模型,成功識(shí)別和定位了橡木的特有缺陷,能夠滿足工業(yè)生產(chǎn)要求。這種利用圖像分割技術(shù)獲得缺陷的物理尺寸,并使用健全的木材補(bǔ)丁對(duì)其加以修復(fù)的方法不僅在缺陷分類識(shí)別上取得了進(jìn)步,而且還為木材缺陷提供了修復(fù)建議。

    Shi等[34]構(gòu)建了一個(gè)利用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(NAS)技術(shù)的自建glance網(wǎng)絡(luò),并采用遺傳算法合并glance網(wǎng)絡(luò)提取的中間特征,然后使用Mask R-CNN對(duì)缺陷分類定位。由于NAS為glance網(wǎng)絡(luò)設(shè)計(jì)合適結(jié)構(gòu)的訓(xùn)練過程中花費(fèi)了較多時(shí)間,并且glance網(wǎng)絡(luò)的性能對(duì)多通道Mask R-CNN后續(xù)的分類精度有著較大影響,因此如何設(shè)計(jì)更為合適的搜索策略和聯(lián)合優(yōu)化方法降低方法的整體復(fù)雜性的問題尚待解決。

    考慮到Mask R-CNN存在不規(guī)則缺陷建模和上下文信息獲取困難等問題,Li等[35]構(gòu)建了基于Mask R-CNN的數(shù)據(jù)增強(qiáng)和分層可變形的改進(jìn)網(wǎng)絡(luò),用以提高對(duì)于木材缺陷的檢測(cè)和分割精度。此前的學(xué)者大多專注于木材缺陷的節(jié)子、裂紋和蟲孔等方面,并沒有一套方案能夠?qū)崿F(xiàn)木材顏色、紋理等的智能檢測(cè)?;诖?,Al-Zubi等[36]應(yīng)用Mask R-CNN框架檢測(cè)和分割各種紋理、顏色和鉆孔,彌補(bǔ)了研究空缺。

    表1 基于深度學(xué)習(xí)的木材缺陷目標(biāo)檢測(cè)算法Tab.1 Wood defect target detection algorithm based on deep learning

    2 基于深度學(xué)習(xí)的木材缺陷智能檢測(cè)

    作為深度學(xué)習(xí)的一個(gè)主要分支,人工神經(jīng)網(wǎng)絡(luò)由于在特征提取及其自學(xué)習(xí)、自組織和自適應(yīng)性等方面的優(yōu)勢(shì),在木材缺陷的智能檢測(cè)方面發(fā)揮著巨大作用。目前基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)類型眾多,應(yīng)用廣泛,因此本文僅基于對(duì)于木材缺陷中深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用,主要將神經(jīng)網(wǎng)絡(luò)基于結(jié)構(gòu)的信息輸入是否反饋分為兩類,即前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò),前饋神經(jīng)網(wǎng)絡(luò)中包含BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò),反饋神經(jīng)網(wǎng)絡(luò)中包含長(zhǎng)短期記憶網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。

    2.1 前饋神經(jīng)網(wǎng)絡(luò)

    作為最早采用模型建立的方法發(fā)明的人工神經(jīng)網(wǎng)絡(luò)之一,其特性為在該神經(jīng)網(wǎng)絡(luò)的內(nèi)部,參數(shù)單向傳播即只從輸入層傳輸至輸出層,因而結(jié)構(gòu)簡(jiǎn)單。1957年,Rosenblatt[37]提出的“感知器”被認(rèn)為是最早的簡(jiǎn)單前饋神經(jīng)網(wǎng)絡(luò)。1986年,Rumelhart等[38]提出了多層前饋網(wǎng)絡(luò)的誤差反向傳播(Error Back Propagation)學(xué)習(xí)算法。1990年,LeCun等[39]將神經(jīng)網(wǎng)絡(luò)技術(shù)用于手寫識(shí)別。自此,人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種計(jì)算機(jī)手段逐漸開始應(yīng)用于人類的社會(huì)生產(chǎn)實(shí)踐中。

    2.1.1 反向傳播神經(jīng)網(wǎng)絡(luò)

    反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)算法是根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò),是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,具有操作信號(hào)正向傳播,誤差信號(hào)反向傳播的特點(diǎn),是一種以誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。BPNN屬于無需事先描述而可以學(xué)習(xí)和存儲(chǔ)大量輸入輸出模型的數(shù)學(xué)方程,采用最速下降的學(xué)習(xí)規(guī)則,以反向傳播模式調(diào)節(jié)網(wǎng)絡(luò)權(quán)值與閾值,從而得到最小平方和[40]。

    Yu等[41]應(yīng)用形態(tài)學(xué)算法定位缺陷位置,利用近紅外(NIR)光譜收集信息變量,通過主成分分析(PCA)后輸入到BPNN模型中進(jìn)行識(shí)別和分類。通過將機(jī)器視覺的木材缺陷分析處理技術(shù)與深度學(xué)習(xí)模型相結(jié)合,驗(yàn)證了傳統(tǒng)機(jī)器學(xué)習(xí)方法結(jié)合深度學(xué)習(xí)思想的拓展性。

    2.1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

    徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)最初是由Powell[42-43]為了解決多維空間中的插值問題而引入。RBFNN作為一種高效的前饋神經(jīng)網(wǎng)絡(luò),具有其他前饋網(wǎng)絡(luò)不具備的最佳逼進(jìn)性能和全局最優(yōu)特性,并且框架簡(jiǎn)潔,訓(xùn)練速率高[44]。相較于BP網(wǎng)絡(luò),RBFNN不僅具有優(yōu)秀的泛化能力和逼近程度,還從本質(zhì)上解決了局部最優(yōu)問題,并且擁有拓?fù)浣Y(jié)構(gòu)密實(shí)、收斂速度快、可分離學(xué)習(xí)的結(jié)構(gòu)參數(shù)等特性。

    過去的研究主要關(guān)注切割后的木材表面缺陷的智能檢測(cè),但在某些情況下需要對(duì)原木進(jìn)行無損缺陷檢測(cè)。Mu等[45]通過X射線無損檢測(cè)技術(shù)獲取了木材內(nèi)部的缺陷圖像后,對(duì)特征增強(qiáng)并執(zhí)行加法運(yùn)算防止失真。在此基礎(chǔ)上,改進(jìn)了RBFNN,優(yōu)化了缺陷代碼,簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)了對(duì)原木缺陷的無損檢測(cè)。這一研究為木材缺陷檢測(cè)提供了新的思路,探索了深度學(xué)習(xí)與傳統(tǒng)計(jì)算機(jī)檢測(cè)技術(shù)相結(jié)合的新研究方向。

    2.1.3 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是模擬人腦神經(jīng)系統(tǒng),學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律并分析和解決問題的一種深度學(xué)習(xí)方法[46]。該方法引入權(quán)重衰減,通過樣本提取特征,實(shí)現(xiàn)圖像的快速準(zhǔn)確識(shí)別[47-48]。即CNN本質(zhì)上是一個(gè)使用卷積操作(而不是全連接層)作為其層之一的神經(jīng)網(wǎng)絡(luò)[49]。木材的缺陷圖像通過被特征提取,加以目前的高計(jì)算水平計(jì)算機(jī)的輔助,可以快速獲取跟該特征相似的缺陷圖像并加以識(shí)別分類,從而實(shí)現(xiàn)木材缺陷檢測(cè)的智能化,高效化。

    表2 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型Tab.2 Classical model of convolutional neural network

    He等[57]提出一種混合的全卷積神經(jīng)網(wǎng)絡(luò)(Mix-FCN)檢測(cè)木材缺陷位置并自動(dòng)對(duì)缺陷類型分類。此方法一步定位和識(shí)別木材缺陷,簡(jiǎn)化了傳統(tǒng)上木材缺陷識(shí)別需要先由數(shù)字圖像技術(shù)檢測(cè)缺陷位置,然后提取缺陷特征分類的繁瑣過程,提高了木材缺陷識(shí)別分類的效率。Wang等[58]使用Adaboost級(jí)聯(lián)分類器提取木材表面缺陷區(qū)域的候選框檢測(cè)缺陷,然后采用自學(xué)習(xí)的CNN模型對(duì)輸入的候選框分類,有效解決了傳統(tǒng)分割方法對(duì)于多缺陷難以處理的問題,并且CNN的選擇解決了傳統(tǒng)分類方法中特征選擇困難的問題。

    Yang等[59]將極限學(xué)習(xí)機(jī)(ELM)結(jié)合深度學(xué)習(xí)構(gòu)建了一個(gè)木材圖像缺陷檢測(cè)的極限學(xué)習(xí)機(jī)模型,解決了單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)算法導(dǎo)致的缺陷位置不精確、類型識(shí)別不準(zhǔn)確和缺陷輪廓不完整等問題。基于木材無損檢測(cè)的目的,Mohamed等[60]通過使用CT掃描儀掃描樹木外部形狀,結(jié)合CNN在樹木的外部預(yù)測(cè)其內(nèi)部的節(jié)點(diǎn)缺陷分布情況,實(shí)現(xiàn)了樹木缺陷的無損預(yù)測(cè)檢測(cè)。然而這種方法局限性較大,只能成功預(yù)測(cè)結(jié)節(jié)的存在,并且正確率還有待提高。

    區(qū)別于其他人的基于CNN模型的木材缺陷識(shí)別,結(jié)合Romanovskis等[33]使用兩個(gè)分支神經(jīng)網(wǎng)絡(luò)的思路。Gao等[61]基于多尺度特征融合的雙線性細(xì)粒度思想,提出了基于注意力機(jī)制和遷移學(xué)習(xí)的ResNet-18 模型檢測(cè)木節(jié)缺陷,訓(xùn)練兩個(gè)由CNN組成的子網(wǎng)絡(luò)進(jìn)行分類識(shí)別,這種結(jié)合多尺度特征融合與CNN的融合模型體現(xiàn)了木材木節(jié)無損檢測(cè)的潛在應(yīng)用價(jià)值,為未來的木節(jié)缺陷識(shí)別提供了可行的解決方案。Mohsin等[62]提出了基于CNN并以MobileNetV347 作為特征提取骨干網(wǎng)絡(luò)的模型,引入遷移學(xué)習(xí),實(shí)時(shí)精確的檢測(cè)缺陷并加以識(shí)別和分割缺陷,解決了大多數(shù)深度學(xué)習(xí)模型脫離實(shí)際只能離線運(yùn)行的詬病,成功的將此技術(shù)應(yīng)用于實(shí)時(shí)工業(yè),將缺陷識(shí)別工作與缺陷識(shí)別后的工作實(shí)現(xiàn)一體化,提高了工業(yè)生產(chǎn)的效率和整體生產(chǎn)力。

    2.2 反饋神經(jīng)網(wǎng)絡(luò)

    反饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元所接受的信號(hào)不僅來源于其他神經(jīng)元,也包括本身的反饋信號(hào)。它們既可以單向傳播也可以雙向傳遞。不同于前饋神經(jīng)網(wǎng)絡(luò),反饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具有記憶存儲(chǔ)功能,狀態(tài)多變,不受時(shí)間限制等特點(diǎn)。

    2.2.1 長(zhǎng)短期記憶網(wǎng)絡(luò)

    為了驗(yàn)證長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)在工業(yè)生產(chǎn)線上的應(yīng)用有效性,徐科等[63]提出了采用CNN與LSTM模型相結(jié)合的實(shí)時(shí)檢測(cè)中厚板材的缺陷控制系統(tǒng)。

    2.2.2 Hopfield網(wǎng)絡(luò)

    Qi[64]等設(shè)計(jì)了一個(gè)在使用Canny邊緣算法進(jìn)行邊界初始化后,輕微調(diào)整尋找木材缺陷的實(shí)際邊界,然后以新定義的二維能量函數(shù)優(yōu)化的Hopfield神經(jīng)網(wǎng)絡(luò)進(jìn)行木材缺陷的邊界檢測(cè),并在Matlab上進(jìn)行了驗(yàn)證,表明其具有較好的效果。

    表3 各類神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)Tab.3 Advantages and disadvantages of various neural networks

    3 結(jié)語

    相較于傳統(tǒng)的木材缺陷檢測(cè)技術(shù),基于深度學(xué)習(xí)的木材缺陷智能化檢測(cè)體現(xiàn)了更為高精度、高效率、低成本等各種優(yōu)勢(shì),并且突破傳統(tǒng)方法的局限性,已經(jīng)成為木材行業(yè)中學(xué)者重點(diǎn)關(guān)注的研究領(lǐng)域。然而,基于目前人類的認(rèn)知及其科技水平有限,在實(shí)踐應(yīng)用中仍然存在一些技術(shù)難點(diǎn)需要克服[65-70]。

    1)數(shù)據(jù)集不足:由于獲取大量現(xiàn)實(shí)世界的數(shù)據(jù)比較困難,因此構(gòu)建龐大的數(shù)據(jù)集是基于深度學(xué)習(xí)實(shí)現(xiàn)木材缺陷檢測(cè)的主要挑戰(zhàn)。目前,大多數(shù)采用合成數(shù)據(jù)和增強(qiáng)樣本等技術(shù)提高數(shù)據(jù)集的質(zhì)量與數(shù)量,但是數(shù)據(jù)的真實(shí)可靠性依舊有待檢驗(yàn),期望未來出現(xiàn)更為可靠的數(shù)據(jù)拓展技術(shù)或者龐大數(shù)據(jù)的構(gòu)建策略。

    2)檢測(cè)精度和魯棒性:即使在良好的陽光下拍攝木材表面圖像,也存在著光照、角度、陰影等因素的干擾。因此,基于深度學(xué)習(xí)的檢測(cè)系統(tǒng)的模型精度和魯棒性是一個(gè)重要的考慮因素。

    3)多種類型缺陷的識(shí)別:目前可以檢驗(yàn)出死節(jié)和裂紋等一些常見木材缺陷,但是挑戰(zhàn)在于如何準(zhǔn)確識(shí)別更加復(fù)雜多樣的缺陷類型,如腐爛、蟲蛀等。因此,可以考慮如何通過深度學(xué)習(xí)技術(shù)改進(jìn)模型、增量數(shù)據(jù)集以及將人工智能技術(shù)與傳統(tǒng)圖像處理算法完美結(jié)合。

    4)硬件設(shè)備限制:基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)系統(tǒng)需要龐大的計(jì)算資源和存儲(chǔ)空間,因此硬件設(shè)備的限制也是一個(gè)重要的問題。因此,是否考慮通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì),選用高效的組件、減少參數(shù)數(shù)量來提高性能,或者將一部分計(jì)算任務(wù)卸載到外部云服務(wù)平臺(tái)上來完成,是下一步著重考量的因素。

    5)神經(jīng)網(wǎng)絡(luò)的優(yōu)化調(diào)整:各種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各有特點(diǎn),這些網(wǎng)絡(luò)結(jié)構(gòu)都是基于人工設(shè)計(jì),每一個(gè)模型的建立與應(yīng)用都是需要大量的時(shí)間去設(shè)計(jì)去調(diào)整,并且不存在最優(yōu)的神經(jīng)網(wǎng)絡(luò)。此外,目前的人工神經(jīng)網(wǎng)絡(luò)沒有從設(shè)計(jì)到調(diào)參再到應(yīng)用是專門為了解決木材缺陷智能識(shí)別的。因此,隨著AI與網(wǎng)絡(luò)架構(gòu)技術(shù)的逐漸成熟,希望未來有更多以及更加優(yōu)秀的智能化生成的神經(jīng)網(wǎng)絡(luò)替代人工神經(jīng)網(wǎng)絡(luò),在節(jié)省大量人力物力資源的同時(shí),完美的應(yīng)用木材缺陷的智能化檢測(cè),并且在識(shí)別的準(zhǔn)確率與效率上更加的出色。

    綜上所述,基于神經(jīng)網(wǎng)絡(luò)的木材缺陷智能檢測(cè)技術(shù)應(yīng)用前景廣闊,其核心的技術(shù)難題可以逐步得到克服,并且將會(huì)為傳統(tǒng)行業(yè)帶來重大的變革。

    猜你喜歡
    木材神經(jīng)網(wǎng)絡(luò)分類
    ◆ 木材及木制品
    世界上最輕的木材
    大自然探索(2024年1期)2024-02-29 09:10:32
    橘子皮用來開發(fā)透明木材
    軍事文摘(2021年16期)2021-11-05 08:49:06
    分類算一算
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    别揉我奶头 嗯啊视频| 日韩一区二区三区影片| 中国国产av一级| 日韩伦理黄色片| 亚洲丝袜综合中文字幕| 啦啦啦中文免费视频观看日本| 国产有黄有色有爽视频| 免费黄色在线免费观看| 日韩三级伦理在线观看| 成人亚洲精品一区在线观看 | 两个人视频免费观看高清| 在线观看av片永久免费下载| 亚洲三级黄色毛片| 亚洲av免费高清在线观看| 久久99热这里只有精品18| 伦精品一区二区三区| 国产精品嫩草影院av在线观看| 五月伊人婷婷丁香| 成年女人在线观看亚洲视频 | 两个人视频免费观看高清| 中文字幕av成人在线电影| 乱码一卡2卡4卡精品| 一级二级三级毛片免费看| 成人毛片60女人毛片免费| 国产淫语在线视频| 国产麻豆成人av免费视频| 国产成年人精品一区二区| 亚洲成色77777| 中文字幕亚洲精品专区| 超碰av人人做人人爽久久| 亚洲欧美精品专区久久| av在线亚洲专区| 亚洲欧美一区二区三区国产| 亚洲国产欧美在线一区| 精品国产一区二区三区久久久樱花 | 免费播放大片免费观看视频在线观看| 午夜福利视频1000在线观看| 免费观看在线日韩| 美女高潮的动态| 精品久久国产蜜桃| 国产白丝娇喘喷水9色精品| 国产亚洲一区二区精品| 乱人视频在线观看| 2021天堂中文幕一二区在线观| 国产淫语在线视频| 2021少妇久久久久久久久久久| 久久久成人免费电影| 免费无遮挡裸体视频| 99热这里只有精品一区| 国产在视频线在精品| 中文字幕免费在线视频6| 欧美成人午夜免费资源| 精品人妻熟女av久视频| 亚洲av免费高清在线观看| videossex国产| 欧美zozozo另类| 日本av手机在线免费观看| 男女国产视频网站| 国产伦精品一区二区三区视频9| 99视频精品全部免费 在线| 久久精品熟女亚洲av麻豆精品 | 久久精品久久久久久久性| 97热精品久久久久久| 国产精品精品国产色婷婷| 熟女少妇亚洲综合色aaa.| 日本色播在线视频| 国产精品一区二区在线观看99| 国产精品国产av在线观看| 国产日韩欧美亚洲二区| 999久久久国产精品视频| 欧美日韩精品网址| 国产成人av激情在线播放| 亚洲av男天堂| 啦啦啦在线观看免费高清www| www.精华液| 亚洲内射少妇av| 可以免费在线观看a视频的电影网站 | 男人爽女人下面视频在线观看| 亚洲精品国产色婷婷电影| 99热网站在线观看| 大香蕉久久成人网| 满18在线观看网站| 亚洲人成77777在线视频| 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 | 精品酒店卫生间| 人妻一区二区av| 1024香蕉在线观看| 99久久人妻综合| 久久精品久久久久久久性| 久久人人爽人人片av| 9热在线视频观看99| 亚洲av电影在线观看一区二区三区| www.精华液| 熟女少妇亚洲综合色aaa.| 多毛熟女@视频| 欧美日韩视频高清一区二区三区二| 色哟哟·www| 欧美国产精品一级二级三级| 人人澡人人妻人| 久久久精品94久久精品| 国产麻豆69| 国产黄频视频在线观看| 欧美精品人与动牲交sv欧美| 电影成人av| 这个男人来自地球电影免费观看 | 免费在线观看完整版高清| 赤兔流量卡办理| 尾随美女入室| 亚洲国产色片| 欧美日韩av久久| 狂野欧美激情性bbbbbb| 建设人人有责人人尽责人人享有的| 一区二区三区激情视频| 日本av手机在线免费观看| 桃花免费在线播放| 满18在线观看网站| 欧美黄色片欧美黄色片| 精品亚洲成国产av| 另类精品久久| 一二三四中文在线观看免费高清| 日韩一卡2卡3卡4卡2021年| 久久免费观看电影| 亚洲成人av在线免费| 天天躁狠狠躁夜夜躁狠狠躁| 777久久人妻少妇嫩草av网站| 美国免费a级毛片| 中文字幕最新亚洲高清| 亚洲欧洲国产日韩| 国产极品天堂在线| 日本免费在线观看一区| 两个人免费观看高清视频| 飞空精品影院首页| 国产精品免费视频内射| 毛片一级片免费看久久久久| 成年女人毛片免费观看观看9 | 久久久久久久国产电影| 下体分泌物呈黄色| 日韩免费高清中文字幕av| 精品一区在线观看国产| 菩萨蛮人人尽说江南好唐韦庄| 黄片无遮挡物在线观看| 国产精品av久久久久免费| 热99久久久久精品小说推荐| 自线自在国产av| 妹子高潮喷水视频| 久久精品国产综合久久久| 丰满乱子伦码专区| 亚洲精品乱久久久久久| 国产国语露脸激情在线看| 有码 亚洲区| 免费观看性生交大片5| 久久久久久伊人网av| 成人毛片60女人毛片免费| 国产精品av久久久久免费| 国产精品不卡视频一区二区| 精品人妻一区二区三区麻豆| 亚洲国产欧美日韩在线播放| 最近的中文字幕免费完整| 91精品国产国语对白视频| 成人影院久久| 精品一区在线观看国产| 国产一区二区在线观看av| 久久99精品国语久久久| 久久久亚洲精品成人影院| 亚洲国产日韩一区二区| 午夜福利视频在线观看免费| 另类精品久久| 制服丝袜香蕉在线| 久久精品aⅴ一区二区三区四区 | 岛国毛片在线播放| 久久精品aⅴ一区二区三区四区 | 欧美日本中文国产一区发布| 天天躁狠狠躁夜夜躁狠狠躁| 女的被弄到高潮叫床怎么办| 国产亚洲一区二区精品| 不卡av一区二区三区| 啦啦啦中文免费视频观看日本| 黄片播放在线免费| 免费不卡的大黄色大毛片视频在线观看| 国产精品国产三级专区第一集| 亚洲国产精品一区二区三区在线| 老司机影院毛片| 国产伦理片在线播放av一区| 美女中出高潮动态图| 天天影视国产精品| 三上悠亚av全集在线观看| 久久精品夜色国产| 999精品在线视频| 曰老女人黄片| 不卡av一区二区三区| 亚洲欧美清纯卡通| 最近中文字幕高清免费大全6| 亚洲四区av| 免费观看性生交大片5| 欧美另类一区| 亚洲av男天堂| 大码成人一级视频| 国产国语露脸激情在线看| 欧美日韩成人在线一区二区| 免费人妻精品一区二区三区视频| 可以免费在线观看a视频的电影网站 | 久久久国产精品麻豆| 人成视频在线观看免费观看| 超色免费av| 成年女人毛片免费观看观看9 | 日韩av不卡免费在线播放| 婷婷色麻豆天堂久久| 26uuu在线亚洲综合色| 色哟哟·www| 国产成人av激情在线播放| 人人妻人人添人人爽欧美一区卜| 91精品伊人久久大香线蕉| 久久韩国三级中文字幕| av不卡在线播放| 亚洲国产色片| 三级国产精品片| 成人二区视频| 亚洲欧美色中文字幕在线| 少妇被粗大的猛进出69影院| 欧美老熟妇乱子伦牲交| 亚洲,欧美,日韩| 国产白丝娇喘喷水9色精品| 国产成人精品无人区| 国产极品天堂在线| 美女主播在线视频| 久久午夜综合久久蜜桃| 亚洲欧美中文字幕日韩二区| 欧美成人午夜免费资源| 欧美日本中文国产一区发布| 老鸭窝网址在线观看| 欧美精品一区二区免费开放| 性少妇av在线| 有码 亚洲区| 最近中文字幕高清免费大全6| 一区二区三区乱码不卡18| 亚洲欧美精品综合一区二区三区 | 巨乳人妻的诱惑在线观看| 尾随美女入室| 满18在线观看网站| 只有这里有精品99| 美女国产视频在线观看| videossex国产| 亚洲国产毛片av蜜桃av| 美女高潮到喷水免费观看| 黄色配什么色好看| 日韩av不卡免费在线播放| 国产一区亚洲一区在线观看| 日本av手机在线免费观看| 一二三四在线观看免费中文在| 免费黄网站久久成人精品| 国产精品国产av在线观看| 久久人妻熟女aⅴ| 久久久精品国产亚洲av高清涩受| 亚洲欧洲日产国产| 黄色怎么调成土黄色| a级毛片黄视频| 日日啪夜夜爽| 亚洲成色77777| 99热国产这里只有精品6| www.精华液| 国产成人免费无遮挡视频| 秋霞在线观看毛片| 国产一区有黄有色的免费视频| 黄色配什么色好看| 欧美精品一区二区免费开放| 免费播放大片免费观看视频在线观看| 久久影院123| 狂野欧美激情性bbbbbb| 亚洲第一av免费看| 老汉色av国产亚洲站长工具| 在线看a的网站| 国产熟女午夜一区二区三区| 夫妻午夜视频| 在现免费观看毛片| 伊人久久大香线蕉亚洲五| 亚洲国产日韩一区二区| 视频在线观看一区二区三区| 亚洲精品国产一区二区精华液| 亚洲,一卡二卡三卡| 一二三四在线观看免费中文在| 亚洲第一av免费看| 国产男女超爽视频在线观看| 中文字幕人妻熟女乱码| 黑人欧美特级aaaaaa片| 国产乱来视频区| av在线app专区| 91精品三级在线观看| 久久精品人人爽人人爽视色| av网站免费在线观看视频| 免费播放大片免费观看视频在线观看| 成人影院久久| 欧美精品亚洲一区二区| 校园人妻丝袜中文字幕| 春色校园在线视频观看| 久久精品国产亚洲av天美| 看免费成人av毛片| 午夜av观看不卡| 中国国产av一级| 侵犯人妻中文字幕一二三四区| 日韩精品免费视频一区二区三区| 97在线人人人人妻| 久久精品国产a三级三级三级| 日韩在线高清观看一区二区三区| 亚洲精品aⅴ在线观看| 777米奇影视久久| 国产片内射在线| 99久久精品国产国产毛片| 亚洲欧美精品综合一区二区三区 | www.自偷自拍.com| 精品一品国产午夜福利视频| 免费大片黄手机在线观看| 亚洲成人av在线免费| 99香蕉大伊视频| 各种免费的搞黄视频| 综合色丁香网| 人妻人人澡人人爽人人| 一边摸一边做爽爽视频免费| 久久精品国产亚洲av天美| 青春草视频在线免费观看| 波野结衣二区三区在线| 男的添女的下面高潮视频| 亚洲av男天堂| 色哟哟·www| av卡一久久| 亚洲欧美中文字幕日韩二区| 欧美成人精品欧美一级黄| 日韩一区二区视频免费看| 国产探花极品一区二区| 亚洲精品久久久久久婷婷小说| 久久久精品国产亚洲av高清涩受| 看免费av毛片| 老司机亚洲免费影院| 在线亚洲精品国产二区图片欧美| av在线老鸭窝| 午夜福利,免费看| 高清黄色对白视频在线免费看| 国产精品一国产av| 成人漫画全彩无遮挡| 国语对白做爰xxxⅹ性视频网站| 国产欧美日韩一区二区三区在线| 巨乳人妻的诱惑在线观看| 日韩熟女老妇一区二区性免费视频| 国产成人精品久久久久久| 欧美日韩一级在线毛片| 国产精品免费大片| 午夜福利视频精品| 婷婷色av中文字幕| 国产一区有黄有色的免费视频| 美女脱内裤让男人舔精品视频| 国产黄色免费在线视频| 久久久久国产一级毛片高清牌| 综合色丁香网| 一级a爱视频在线免费观看| 国产深夜福利视频在线观看| 欧美黄色片欧美黄色片| 久久精品国产亚洲av高清一级| 久久精品久久精品一区二区三区| 波多野结衣av一区二区av| 两性夫妻黄色片| av电影中文网址| 久久精品aⅴ一区二区三区四区 | 街头女战士在线观看网站| 十分钟在线观看高清视频www| 天天躁日日躁夜夜躁夜夜| 久久久久久免费高清国产稀缺| 成人午夜精彩视频在线观看| 成人免费观看视频高清| 91国产中文字幕| 国产亚洲欧美精品永久| 丝袜美足系列| 久久精品久久久久久久性| 人妻 亚洲 视频| 你懂的网址亚洲精品在线观看| 欧美日韩视频精品一区| 色哟哟·www| 国产精品久久久久成人av| 午夜精品国产一区二区电影| 久久久精品免费免费高清| 亚洲精品aⅴ在线观看| 亚洲av.av天堂| 精品久久久精品久久久| 欧美亚洲日本最大视频资源| 亚洲,欧美,日韩| 1024视频免费在线观看| 亚洲av电影在线观看一区二区三区| 老司机亚洲免费影院| 巨乳人妻的诱惑在线观看| 亚洲中文av在线| 亚洲国产精品一区二区三区在线| 久久这里只有精品19| av国产精品久久久久影院| 国产精品国产三级国产专区5o| 国产淫语在线视频| 天堂中文最新版在线下载| 久久久精品国产亚洲av高清涩受| 日日爽夜夜爽网站| 热re99久久精品国产66热6| 久久亚洲国产成人精品v| 男女免费视频国产| 久久久国产一区二区| 欧美人与性动交α欧美软件| 91成人精品电影| 国产精品.久久久| 成人国产麻豆网| 亚洲精品久久午夜乱码| 亚洲精品中文字幕在线视频| 18+在线观看网站| 日韩av不卡免费在线播放| 熟女少妇亚洲综合色aaa.| 超碰成人久久| 免费黄频网站在线观看国产| 人人妻人人澡人人爽人人夜夜| av福利片在线| 亚洲,一卡二卡三卡| 丝袜在线中文字幕| 91精品三级在线观看| 97人妻天天添夜夜摸| 久久久a久久爽久久v久久| 午夜福利在线免费观看网站| 精品国产乱码久久久久久小说| 久久精品久久精品一区二区三区| 国产精品久久久久久精品古装| 久久av网站| 日本av免费视频播放| 青春草亚洲视频在线观看| 在线免费观看不下载黄p国产| 热99久久久久精品小说推荐| 日韩三级伦理在线观看| 三上悠亚av全集在线观看| 久久精品国产亚洲av高清一级| 我的亚洲天堂| 免费黄频网站在线观看国产| 这个男人来自地球电影免费观看 | 亚洲欧洲精品一区二区精品久久久 | 精品国产乱码久久久久久男人| 成人影院久久| 日日啪夜夜爽| 亚洲精品日韩在线中文字幕| videossex国产| 午夜福利,免费看| 久久久久久伊人网av| 99热全是精品| 两个人免费观看高清视频| 日韩不卡一区二区三区视频在线| 韩国高清视频一区二区三区| 美女脱内裤让男人舔精品视频| 看免费av毛片| 成人午夜精彩视频在线观看| 国产精品一国产av| 亚洲欧美清纯卡通| 久久久久国产网址| 可以免费在线观看a视频的电影网站 | 如日韩欧美国产精品一区二区三区| 一二三四中文在线观看免费高清| 久久久久久久亚洲中文字幕| 男女下面插进去视频免费观看| 黄片播放在线免费| 国产野战对白在线观看| 1024视频免费在线观看| 黄色毛片三级朝国网站| 精品国产一区二区三区四区第35| 成人手机av| 春色校园在线视频观看| 亚洲精华国产精华液的使用体验| 视频区图区小说| a 毛片基地| 女性生殖器流出的白浆| 久久久久人妻精品一区果冻| 一个人免费看片子| 日韩伦理黄色片| 最近的中文字幕免费完整| 国产精品.久久久| √禁漫天堂资源中文www| 国产深夜福利视频在线观看| 中文字幕人妻熟女乱码| 久久久久久免费高清国产稀缺| 日韩人妻精品一区2区三区| 少妇猛男粗大的猛烈进出视频| 日韩精品免费视频一区二区三区| 搡女人真爽免费视频火全软件| 久久精品久久久久久久性| 一级毛片黄色毛片免费观看视频| 中文字幕最新亚洲高清| 国产一区有黄有色的免费视频| 亚洲人成电影观看| 春色校园在线视频观看| 欧美激情极品国产一区二区三区| 成人影院久久| 巨乳人妻的诱惑在线观看| 久久久久精品久久久久真实原创| 免费黄色在线免费观看| 最近中文字幕2019免费版| 校园人妻丝袜中文字幕| 精品一品国产午夜福利视频| 少妇人妻久久综合中文| 欧美日韩亚洲高清精品| 亚洲美女黄色视频免费看| a级毛片黄视频| 成人亚洲欧美一区二区av| xxxhd国产人妻xxx| 午夜福利乱码中文字幕| 国产欧美日韩综合在线一区二区| 一级a爱视频在线免费观看| 国产av精品麻豆| 国产一区二区 视频在线| 亚洲三级黄色毛片| 日韩一卡2卡3卡4卡2021年| 亚洲精品中文字幕在线视频| 精品人妻偷拍中文字幕| 99久久综合免费| 久久久欧美国产精品| 国产精品人妻久久久影院| 久久久久久久国产电影| 丝袜人妻中文字幕| www日本在线高清视频| 伦理电影大哥的女人| 精品一区在线观看国产| 国产精品麻豆人妻色哟哟久久| 亚洲欧洲国产日韩| 精品国产超薄肉色丝袜足j| 国产精品 国内视频| 最近手机中文字幕大全| 成人免费观看视频高清| 欧美另类一区| 美女中出高潮动态图| 美女主播在线视频| 9热在线视频观看99| 国产高清不卡午夜福利| 久久久精品94久久精品| 乱人伦中国视频| 亚洲av国产av综合av卡| 美国免费a级毛片| 黄色一级大片看看| 一边亲一边摸免费视频| 国产欧美日韩一区二区三区在线| 电影成人av| 天天躁日日躁夜夜躁夜夜| 欧美激情极品国产一区二区三区| 大片电影免费在线观看免费| 亚洲精品中文字幕在线视频| 母亲3免费完整高清在线观看 | 国产免费视频播放在线视频| 久久毛片免费看一区二区三区| 一本—道久久a久久精品蜜桃钙片| 另类精品久久| 亚洲av欧美aⅴ国产| 亚洲欧美清纯卡通| 成年人免费黄色播放视频| 免费av中文字幕在线| 亚洲欧美色中文字幕在线| av福利片在线| 黄网站色视频无遮挡免费观看| 永久网站在线| 国产免费视频播放在线视频| 国产在线视频一区二区| 免费av中文字幕在线| 午夜福利视频在线观看免费| 成人国产麻豆网| 久久女婷五月综合色啪小说| 久久午夜综合久久蜜桃| 日韩电影二区| 精品久久久久久电影网| 三上悠亚av全集在线观看| 午夜日本视频在线| 久久久久网色| 叶爱在线成人免费视频播放| 黄色怎么调成土黄色| 两个人免费观看高清视频| 可以免费在线观看a视频的电影网站 | 日韩精品有码人妻一区| 秋霞在线观看毛片| 中文天堂在线官网| 咕卡用的链子| 成人亚洲精品一区在线观看| 我的亚洲天堂| 少妇的逼水好多| 有码 亚洲区| 丁香六月天网| 人人妻人人澡人人看| 精品99又大又爽又粗少妇毛片| 亚洲精品自拍成人| av不卡在线播放| 五月开心婷婷网| 啦啦啦中文免费视频观看日本| 18禁国产床啪视频网站| 一边亲一边摸免费视频| 欧美精品高潮呻吟av久久| 日本vs欧美在线观看视频| 纯流量卡能插随身wifi吗| 日本av免费视频播放| 国产无遮挡羞羞视频在线观看| 欧美日韩成人在线一区二区| a 毛片基地| 天天操日日干夜夜撸| 久久国内精品自在自线图片| 精品国产一区二区三区久久久樱花| 午夜福利视频精品| 免费大片黄手机在线观看| 色视频在线一区二区三区| 宅男免费午夜| 中国国产av一级| 18禁国产床啪视频网站| 亚洲欧洲精品一区二区精品久久久 | 中文欧美无线码| 麻豆精品久久久久久蜜桃| 亚洲精品,欧美精品| 日韩一区二区三区影片| 亚洲av国产av综合av卡| 少妇人妻精品综合一区二区| 日韩人妻精品一区2区三区| 一区二区三区乱码不卡18| 国产精品av久久久久免费| 午夜老司机福利剧场| 久久女婷五月综合色啪小说| 好男人视频免费观看在线|