• <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 ?

    改進YOLOv7?tiny與D?S理論結(jié)合的實驗室人員行為檢測研究

    2024-10-13 00:00:00楊永亮曹敏徐凌樺王霄楊靖王濤馮平平
    現(xiàn)代電子技術 2024年19期
    關鍵詞:實驗室規(guī)范融合

    摘" 要: 針對目前實驗室場景缺少對人員行為檢測的方法,且主流算法精度低、誤檢率高的問題,文中提出一種改進YOLOv7?tiny的人員行為檢測算法,并通過多源信息融合,提高人員行為在實際實驗室場景中的識別準確率。首先,在檢測算法主干網(wǎng)絡引入GhostNetV2輕量化網(wǎng)絡,進一步降低模型計算量和復雜度;其次,在頸部網(wǎng)絡嵌入改進后的CBAM_E注意力模塊,加強目標重要特征的提??;再次,在預測端使用SIoU替換原有的損失函數(shù),減少角度因素和邊界框回歸精度的影響。檢測結(jié)果表明,相較于YOLOv7?tiny,文中算法精度提升10.08%,模型參數(shù)量和復雜度分別下降36.45%和46.76%。最后通過將檢測數(shù)據(jù)與傳感器采集數(shù)據(jù)運用D?S證據(jù)理論進行信息融合后發(fā)現(xiàn),人員不規(guī)范行為檢測的誤檢率得到有效降低。結(jié)果表明,該方法可實現(xiàn)對實驗室人員不規(guī)范行為的有效檢測。

    關鍵詞: 實驗室場景; 人員行為; YOLOv7?tiny; 輕量化網(wǎng)絡; 注意力模塊; 損失函數(shù); D?S證據(jù)理論; 信息融合

    中圖分類號: TN911.73?34; TP391.41" " " " " " " "文獻標識碼: A" " " " " " " " " "文章編號: 1004?373X(2024)19?0153?08

    Improvement of YOLOv7?tiny combined with D?S theory for research of

    laboratory personnel behavior detection

    YANG Yongliang, CAO Min, XU Linghua, WANG Xiao, YANG Jing, WANG Tao, FENG Pingping

    (College of Electrical Engineering, Guizhou University, Guiyang 550025, China)

    Abstract: In view of the lack of detection methods of the personnel behavior in laboratory scenarios and the low accuracy and high 1 detection rate of the mainstream algorithms at present, an improved personnel behavior detection algorithm based on improved YOLOv7?tiny is proposed. It aims to improve the recognition accuracy rate of personnel behavior in real laboratory scenarios by fusing multi?source information. The GhostNetV2 lightweight network is introduced into the backbone network of the detection algorithm to reduce the calculated quantities and complexity of the model. The improved attention module CBAM_E is embedded in the neck network to enhance the extraction of important features of the object. The original loss function is replaced by SIoU (simplified intersection over union) at the prediction end to reduce the influence of the angular factor and the bounding?box regression accuracy. The detection results show that the accuracy of the proposed algorithm is improved by 10.08%, and the number of its parameters and complexity are decreased by 36.45% and 46.76%, respectively, in comparison with YOLOv7?tiny. The misdetection rate of personnel irregular behavior detection is reduced effectively after information fusion of the detection data and the sensor acquisition data with D?S evidence theory. The results show that the method can realize the effective detection of irregular behavior of laboratory personnel.

    Keywords: laboratory scene; personnel behavior; YOLOv7?tiny; lightweight network; attention module; loss function; D?S evidence theory; information fusion

    0" 引" 言

    高校實驗室是高校用于開展教學和科研工作的重要場所。在過去近十年中,全國各高校實驗室發(fā)生各類安全事故萬余起,死傷近百人[1]。2023年2月,教育部在印發(fā)的《高等學校實驗室安全規(guī)范》中明確表明:高校實驗室要建立健全的安全管理制度,同時要求出臺的文件應具有可操作性和實際管理效應[2]。通過對相關高校實驗室事故認定分析可知,人員不遵守相關規(guī)定的不規(guī)范行為是引發(fā)事故的主要原因之一,如何有效、及時發(fā)現(xiàn)實驗室人員不規(guī)范行為,成為高校實驗室管理的難點。

    隨著深度學習的發(fā)展,圖像檢測技術被廣泛應用在人員行為檢測方面,可有效對人員行為進行檢測。文獻[3]通過在SSD算法卷積層引入ECA注意力機制,提升模型在小目標檢測方面的精度。文獻[4]通過改進目標預測框分數(shù)策略,增加目標預測框個數(shù),來提升模型對遮擋目標的檢測率。文獻[5]在YOLOv5的基礎上,通過優(yōu)化損失函數(shù)、引入注意力模塊和小目標檢測層等方法,在提升準確率的同時降低漏檢、誤檢率。文獻[6]基于YOLOv5模型,采用MobileViT框架,并引入注意力機制和EIoU損失函數(shù),加強目標識別與定位精度。文獻[7]基于YOLOv7[8]模型,提出了一種輕量級實時高效的目標檢測改進算法,大幅度降低了模型的計算量和復雜度。文獻[9]提出在物聯(lián)網(wǎng)應用中,將多傳感器數(shù)據(jù)組合起來,以實現(xiàn)關注指標的穩(wěn)健狀態(tài)評估。文獻[10]在設計多源異構(gòu)信息采集與處理框架的基礎上,對決策分析中群體意見匯總方法和實時數(shù)據(jù)決策方法分別進行了研究。

    然而在高校實驗室場景下,因人員眾多,流動性大、易聚集,行為易被遮擋,傳統(tǒng)模型在檢測實驗室人員行為時普遍存在檢測精度低、速度慢的問題,極易發(fā)生漏判、誤判的情況,并且在實驗室不同應用場景下,僅依靠圖像識別判斷容易出現(xiàn)誤判和漏判的情況。為解決上述問題,且方便后續(xù)進行邊緣端部署,本文基于YOLOv7?tiny算法,提出一種改進人員行為檢測算法,并結(jié)合多源信息融合理論,實現(xiàn)對實驗室人員不規(guī)范行為實時檢測的目的。

    1" 相關工作

    1.1" YOLOv7?tiny算法簡介

    YOLOv7?tiny算法是在YOLOv7的基礎上,針對速度?精度的均衡性問題,為邊緣部署設計的網(wǎng)絡模型。系統(tǒng)結(jié)構(gòu)如圖1所示。

    1.2" 多源信息融合技術簡介

    多源信息融合又稱多傳感信息融合,于20世紀70年代提出,最早應用在軍事領域中,主要利用計算機進行多源信息處理,從而得到可綜合利用信息的理論和方法。

    信息融合研究的關鍵問題就是提出一些理論和方法,對具有相似或不同特征模式的多源信息進行處理,以獲得具有相關和集成特性的融合信息。研究的重點是特征識別和算法,這些算法導致多傳感信息的互補集成,改善不確定環(huán)境中的決策過程,解決把數(shù)據(jù)用于確定共用時間和空間框架的信息理論問題,同時用來解決模糊和矛盾的問題[11]。

    1.3" 適用于本文不規(guī)范行為的說明及邊界定義

    研究對象:高校工科實驗室。

    設備定義:供電形式包括但不限于工頻單相電、工頻三相電;用途包括但不限于科研、教學、行業(yè)培訓。

    實驗室環(huán)境:包括但不限于存放精密操作設備,易燃、易爆、有毒氣體和液體等。

    不規(guī)范行為種類:包括但不限于教師、學生、設備維保人員等人群產(chǎn)生的抽煙、接打電話、在設備旁飲食、追逐打鬧嬉戲、無視設備看手機等。

    不規(guī)范行為判定:根據(jù)人員行為、實驗室環(huán)境、設備運行等不同事件交互耦合過程,運用本文圖像或多源融合識別方法,分為松判決(單事件)、軟判決(兩事件交互)和硬判決(三個或以上事件交互)三種類型,供實驗室管理者制定不同的處置策略,以最終實現(xiàn)實驗室安全管控。

    2" 模型的改進與優(yōu)化

    2.1" 基于輕量級GhostNetV2特征提取網(wǎng)絡改進

    相較于YOLOv7,YOLOv7?tiny參數(shù)更少、復雜度更低,檢測速度快且精度較高,但因其主干網(wǎng)絡含大量ELAN模塊,計算量仍偏大,易出現(xiàn)特征融合冗余的現(xiàn)象,不利于邊緣部署,檢測速度和精度仍有優(yōu)化空間。為此,本文采用GhostNetV2[12]改進主干網(wǎng)絡,實現(xiàn)模型輕量化。

    其中,GhostNet通過將輸入特征圖分為兩部分來減少計算量:一部分由卷積生成,另一部分由線性操作直接獲得。此方法可顯著降低模型的計算代價,但可能會導致重要特征的丟失,從而影響檢測精度。

    針對這個問題,GhostNetV2引入了一個解耦全連接注意力模塊(DFC attention)。這個模塊具有動態(tài)校準和捕捉長距離空間信息的能力,使其在邊緣端部署更為適宜。GhostNetV2結(jié)構(gòu)如圖2所示。

    本文將模型主干網(wǎng)絡ELAN模塊替換為GhostNetV2輕量級模塊,顯著減少模型參數(shù)量和計算量,訓練和推理速度得到大幅提升。

    2.2" 基于CBAM_E機制的特征融合網(wǎng)絡改進

    高校實驗室中場景復雜,存在大量冗余信息,且人員易聚集,行為易被遮擋,不便于進行行為檢測。為了強化檢測圖像特征,提高模型檢測精度,本文在YOLOv7?tiny算法特征融合網(wǎng)絡部分引入一種基于CBAM注意力機制[13]的CBAM_E注意力模塊,對圖像特征進行有區(qū)分度的加權(quán)學習,更加強化重要特征,抑制無用特征,提高對實驗室場景中被遮擋人員的檢測精度。

    CBAM注意力模塊分為通道注意力模塊(CAM)和空間注意力模塊(SAM)兩部分。針對實驗室場景中人員來往密集、人員易遮擋的情況,為加強模型對圖像特征進行有區(qū)分度的加權(quán)學習,本文同時引入文獻[14]和文獻[15]中的方法,對CBAM注意力模塊做出如下改進。

    1) 去除CAM模塊中的全局最大池化操作,運用一維卷積替換原始MLP網(wǎng)絡。

    2) 將改進后的CAM模塊與原始SAM模塊進行并行連接,減少兩種模塊的相互影響。

    改進后的CBAM_E注意力模塊如圖3所示。

    計算公式如式(1)所示:

    [F2=MS(F)?MC(F)?F] (1)

    式中:[F2]表示最終輸出特征層;[MC]為通道壓縮權(quán)值矩陣;[MS]為空間壓縮權(quán)值矩陣;“[?]”為矩陣元素依次相乘。

    本文根據(jù)實際測試,在頸部網(wǎng)絡兩個輸入特征層后添加CBAM_E注意力機制,可以有效加強模型特征提取能力,提高目標檢測的精度。

    2.3" 基于SIoU的邊界框損失函數(shù)改進

    YOLOv7中邊界框損失CIoU雖考慮框縱橫比,但忽略真實框與預測框的不匹配,導致收斂慢、效果差,預測框易產(chǎn)生偏差,阻礙了模型有效優(yōu)化相似性。本文考慮實驗室攝像角度和邊界框回歸精度優(yōu)化,采用SIoU[16]損失函數(shù)替換CIoU來提升性能。

    以SIoU損失函數(shù)作為基礎損失函數(shù),重新定義懲罰指標,計算公式如式(2)所示:

    [LSIoU=1-IoU+Δ+Ω2] (2)

    式中:[Δ]表示距離損失;[Ω]表示形狀損失;IoU表示IoU損失。

    將位置損失部分CIoU損失函數(shù)更換為SIoU損失函數(shù)后,模型復雜度降低,訓練速度提升,能夠更好地約束預測框的位置和尺度,從而提高檢測精度和框的質(zhì)量。

    3" 實驗結(jié)果與分析

    3.1" 實驗環(huán)境

    實驗環(huán)境為Ubuntu 20.04操作系統(tǒng),CPU為i9?12900K,顯卡為NVIDIA GeForce RTX 4090,顯存為24 GB,采用PyTorch 1.13.1框架運行代碼,CUDA版本為11.7.64,集成開發(fā)環(huán)境為Pycharm 2023.2.1,訓練環(huán)境與測試環(huán)境相同。

    3.2" 實驗數(shù)據(jù)集

    本文選取“打電話”“抽煙”“吃東西”三種常見的違規(guī)行為作為實驗對象,構(gòu)建本文所需的人員不規(guī)范行為數(shù)據(jù)集。

    人員不規(guī)范行為數(shù)據(jù)集選自公共數(shù)據(jù)集“HMDB51”[17],共選取400個樣本,運用Python技術進行分幀處理,共得到7 000張照片,包含13 652條標簽,包含打電話行為2 650張,吸煙行為2 350張,飲食行為2 000張,部分圖片如圖4所示。

    對實驗數(shù)據(jù)集使用LabelImg軟件進行標注,并生成對應.xml文件。為滿足實驗需求,本文以8∶1∶1的比例劃分訓練集、驗證集和測試集,各類別標簽數(shù)量如表1所示。

    3.3" 實驗評價指標

    本文采用[P](準確率,Precision)、[R](召回率,Recall)、mAP(平均精度值,mean Average Precision)、Par(模型參數(shù)量,Parameters)、[Fs](模型計算量,F(xiàn)LOPs)、[W](模型權(quán)重,Weights)和FPS(每秒傳輸幀數(shù),F(xiàn)rame Per Second)作為主要評價指標,計算公式如式(3)~式(6)所示:

    [P=TPTP+FP×100%] (3)

    [R=TPTP+FN×100%] (4)

    [mAP=1Ni=0N-1APi] (5)

    [FPS=nT] (6)

    式中:TP指正確檢測出的目標框數(shù)量;FP指錯誤檢測出的目標框數(shù)量;FN指未檢測到的正確目標框數(shù)量;[N]為檢測的類別數(shù)量;[n]為處理的圖片數(shù)量;[T]為所消耗的時間。

    3.4" 改進算法評估

    3.4.1" 消融實驗

    為分析三個改進點對模型的影響及有效性,設計七組實驗與原模型對比。實驗在相同數(shù)據(jù)集、環(huán)境及參數(shù)下訓練,結(jié)果如表2所示。其中:“√”代表應用該改進方法;“×”表示未應用該改進方法。

    實驗數(shù)據(jù)表明,三種改進方法均優(yōu)化了模型性能,降低了參數(shù)量和復雜度。最終改進算法相比原算法,準確率、召回率和mAP@0.5分別提升了10.08%、14.12%和10.63%,同時模型參數(shù)量減少了17.61%,復雜度降低27.34%,權(quán)重大小下降33.19%,檢測精度得到明顯提升。

    3.4.2" 損失函數(shù)收斂對比

    本文在相同實驗條件下,對消融實驗中算法損失函數(shù)進行收斂性對比驗證,對比情況如圖5所示。

    由圖5顯示,隨著迭代次數(shù)增加,原算法與7種改進方法的損失函數(shù)均收斂。原算法損失約0.040 9,而最終改進算法損失降至0.031 0左右,表明改進后算法性能更優(yōu)。

    3.4.3" 改進YOLOv7模型與其他模型對比

    為進一步驗證本文算法的可行性,將其與目前主流的目標檢測算法進行對比,結(jié)果如表3所示。

    由表3顯示,在相同條件下,本文改進算法較傳統(tǒng)目標檢測算法有明顯優(yōu)勢。其中,與YOLOv7相比,雖部分指標稍低,但參數(shù)量與復雜度有顯著降低、檢測更快;相較原YOLOv7?tiny算法,各指標明顯提升的同時,參數(shù)量與復雜度更加輕量化,適合在邊緣端部署。

    圖6為各檢測算法mAP@0.5值對比圖,本文改進YOLOv7?tiny算法大約在100次epoch時達到收斂,為84.22%。

    3.5" 檢測效果分析

    為對比本文改進模型與原模型檢測效果,針對實際情況,采用某高校實驗室人員做實驗時部分監(jiān)控視頻進行檢測對比,對比結(jié)果如圖7~圖9所示。

    由檢測效果可以看出,改進模型精準檢測出了所有的不規(guī)范行為,降低了實驗室中人員行為被遮擋時的漏檢、誤檢情況。如圖7b)所示,原模型誤將戴耳機識別成抽煙,而改進模型未發(fā)生此錯誤;如圖8c)所示,改進模型準確識別出人員吸煙和打電話行為,而原模型由于被部分遮擋的原因,僅識別出打電話行為,證明本文改進方法在復雜場景下具備良好的適用性和先進性。

    4" 多源信息采集與數(shù)據(jù)融合

    實際應用中,由于實驗室中人員不規(guī)范行為判定有時相對靈活,僅依賴視覺判斷不規(guī)范行為易產(chǎn)生誤判和漏判的情況。為優(yōu)化決策,降低誤判、漏判,本文結(jié)合目標檢測與設備運行狀態(tài)進行判斷,收集人員行為和設備狀態(tài)數(shù)據(jù),運用專家經(jīng)驗定義不同設備狀態(tài)下的人員行為,通過時間關聯(lián)融合信息。最終判斷其是否真正不規(guī)范。多源信息采集和數(shù)據(jù)融合流程框架如圖10所示。

    信息采集與數(shù)據(jù)融合框架涵蓋數(shù)據(jù)源、原始數(shù)據(jù)、信息轉(zhuǎn)換和決策計算,可以實現(xiàn)全程決策。重點在于分類決策意見、計算檢測數(shù)據(jù)權(quán)重,并融合數(shù)據(jù)以得出最終決策。

    4.1" 原始數(shù)據(jù)采集與異構(gòu)數(shù)據(jù)轉(zhuǎn)換

    針對實驗室場景,收集人員行為和設備狀態(tài)數(shù)據(jù)。在圖像識別的基礎上,結(jié)合設備運行狀態(tài)數(shù)據(jù),通過多源信息融合,實現(xiàn)對人員不規(guī)范行為的精準判斷。人員行為數(shù)據(jù)由目標檢測算法獲得,設備狀態(tài)則通過設備傳感器監(jiān)測實時功率判定。兩者數(shù)據(jù)在時間維度上統(tǒng)一,為數(shù)據(jù)分析提供基礎。

    4.2" 決策專家意見處理

    仍以工科實驗室為例,當實驗設備處于運行狀態(tài)時,人員不應該進行任何與實驗無關的行為;而當實驗設備處于關機狀態(tài)時,人員打電話、吃東西等行為不應該判定為不規(guī)范行為。因此,為了更好地分析人員行為是否屬于不規(guī)范行為,本文采用專家經(jīng)驗的方案進行決策,為后續(xù)不規(guī)范行為判定提供信息支撐,具體流程如圖11所示。

    設備運行狀態(tài)采集采用ESP8266WiFi核心板+IM12B1B交流電能采集模塊,將實驗設備的用電情況實時上傳到后臺。

    以工科實驗室常用工控機為采集對象,其運行時最大功率約為300 W,運行狀態(tài)分為斷電、關機、待機、運行四種,將采集的實時功率進行歸一化處理后,結(jié)合人員行為分類,由專家經(jīng)驗定義設備狀態(tài)分級與人員行為是否屬于不規(guī)范,如表4和表5所示。

    4.3" 基于D?S證據(jù)理論的多源信息融合方法

    D?S證據(jù)理論(Dempster?Shafer Evidence Theory)最初是由Dempster在統(tǒng)計推斷的背景下提出的,然后由Shafer擴展,并作為處理不確定問題的理論方法[18]。

    在D?S證據(jù)融合理論中,全域[Y](識別框架、假設空間)包含所有可能的事件或行為,包括空集。其中每個事件均有基本概率分配,構(gòu)成全域[Y]的概率描述。在全域[Y]內(nèi)的所有子集中,基本概率分配函數(shù)之和須等于1,如式(7)所示:

    [m(?)=0A?Ym(A)=1] (7)

    式中:[m]為統(tǒng)計證據(jù)獲得的mass函數(shù);[?]為空集;[A]為全域[Y]的假設。

    某個假設的信度函數(shù)Bel為該假設所有的子集概率之和,如式(8)所示:

    [Bel(A)=B?Am(B)] (8)

    式中[B]為假設[A]的子集。

    同時,與該假設交集不為空的概率之和稱為似然函數(shù)[Pl(A)],如式(9)所示:

    [Pl(A)=B?A≠?m(B)] (9)

    對于假設[A],由信任函數(shù)與似然函數(shù)組成的閉區(qū)間[[Bel(A)],[Pl(A)]],即為假設[A]的信任區(qū)間,表示對假設[A]的確認程度。

    對于\"[A?Y],[Y]上的2個mass函數(shù)[m1]、[m2]的合成規(guī)則如式(10)所示:

    [m1⊕m2(A)=1KB?C=Am1(B)·m2(C)]" (10)

    式中:[B]、[C]為所有兩兩相交結(jié)果對[A]的假設;[K]為歸一化系數(shù)。[K]的表達式如式(11)所示:

    [K=B?C=?m1(B)·m2(C)=1-B?C=?m1(B)·m2(C)] (11)

    在D?S證據(jù)融合理論中,確保證據(jù)間的獨立性是至關重要的,其是D?S證據(jù)融合理論得以正確應用的前提條件。通過傳感器采集到的設備功率數(shù)據(jù)與人員行為檢測數(shù)據(jù)是由不同采集系統(tǒng)獲取,相互獨立,因此滿足D?S數(shù)據(jù)融合的先決條件。

    4.4" 實驗結(jié)果驗證

    經(jīng)過改進YOLOv7?tiny與D?S證據(jù)理論相結(jié)合的方法進行判斷后,得出人員行為檢測結(jié)果的預測值,如表6所示。

    由表6可知,僅依賴單一圖像檢測判斷易發(fā)生誤判情況。而運用D?S證據(jù)理論將圖像檢測與設備狀態(tài)數(shù)據(jù)融合后,轉(zhuǎn)為概率預測,準確性得到提高。如序號2中檢測打電話行為概率為0.89,初判為不規(guī)范行為。但經(jīng)信息融合后,不規(guī)范行為概率降為0.16,不是不規(guī)范行為概率升至0.70,判定結(jié)果與人工判斷結(jié)果相符。

    為驗證兩種方法的漏檢、誤檢實際應用效果,本文選取200張實驗室人員打電話行為圖片,其中160張經(jīng)人工判斷為不規(guī)范行為圖片,分別用本文提出的兩種算法進行對比,結(jié)果如圖12所示。

    由圖12可知,單一使用改進YOLOv7?tiny算法進行檢測,漏檢、誤檢率為8%,而使用改進YOLOv7?tiny與D?S證據(jù)理論相結(jié)合后的方法進行檢測,漏檢、誤檢率為2%。由以上結(jié)果表明,在實際實驗室場景下,本文提出的多源融合決策改進YOLOv7?tiny+D?S證據(jù)理論,漏檢和誤檢率顯著下降,同時又解決了復雜多應用場景決策的事件耦合帶來的不確定性,更符合人工決策的過程,體現(xiàn)了智能決策的主要思想。

    5" 結(jié)" 語

    由于目前針對人員不規(guī)范行為的檢測,引入信息融合技術進行判斷的方法較少,且存在未針對實驗室場景優(yōu)化,檢測精度較低、誤檢率較高等問題,本文提出一種改進YOLOv7?tiny與D?S證據(jù)理論相結(jié)合進行實驗室場景下人員不規(guī)范行為判定的方法,將圖像檢測數(shù)據(jù)和實驗室設備運行狀態(tài)進行信息融合來判定人員不規(guī)范行為的概率。實驗結(jié)果表明,相較于依托于單事件的松判決方法,該方法在提升檢測精度的同時顯著降低了復雜度和模型參數(shù)量,且有效降低了漏檢、誤檢率,更符合實際情況,具備良好的適用性和先進性。

    在未來的工作中,將考慮對數(shù)據(jù)集進行擴增,增加實際情況下不同實驗室的不規(guī)范行為檢測類別,并考慮進行硬判決方法的設計,完善部署工作。

    注:本文通訊作者為曹敏。

    參考文獻

    [1] LUO M L, XU L H, YANG Y L, et al. Laboratory flame smoke detection based on an improved YOLOX algorithm [J]. Applied sciences, 2022, 12(24): 12876.

    [2] 中華人民共和國教育部辦公廳.教育部辦公廳關于印發(fā)《高等學校實驗室安全規(guī)范》的通知[J].中華人民共和國教育部公報,2023(3):40?51.

    [3] 趙鵬飛,謝林柏,彭力.融合注意力機制的深層次小目標檢測算法[J].計算機科學與探索,2022,16(4):927?937.

    [4] BODLA N, SINGH B, CHELLAPPA R, et al. Soft?NMS: Impro?ving object detection with one line of code [C]// IEEE International Conference on Computer Vision. New York: IEEE, 2017: 5562?5570.

    [5] CAO Z, MEI F, ZHANG D, et al. Recognition and detection of persimmon in a natural environment based on an improved YOLOv5 model [J]. Electronics, 2023, 12(4): 1?14.

    [6] NIU J X, GU S K, DU J M, et al. Underwater waste recognition and localization based on improved YOLOv5 [J]. Computers, materials amp; continua, 2023, 76(2): 2015?2031.

    [7] 吳志高,陳明.基于改進YOLO v7的微藻輕量級檢測方法[J].大連海洋大學學報,2023,38(1):129?139.

    [8] WANG C Y, BOCHKOVSKIY A, LIAO H Y M. YOLOv7: Trainable bag?of?freebies sets new state?of?the?art for real?time object detectors [C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2022: 7464?7475.

    [9] ZHANG Z, JIANG W, GENG J, et al. Fault diagnosis based on non?negative sparse constrained deep neural networks and Dempster?Shafer theory [J]. IEEE access, 2020, 8: 18182?18195.

    [10] 王小藝,白玉廷,陽譯,等.基于多源異構(gòu)信息的藻類水華治理群決策方法[J].安全與環(huán)境學報,2022,22(3):1575?1584.

    [11] 戴亞平,馬俊杰,王笑涵.多傳感器數(shù)據(jù)智能融合理論與應用[M].北京:機械工業(yè)出版社,2021.

    [12] 劉慶華,楊欣儀,接浩,等.基于融合GhostNetV2的YOLO v7水稻籽粒檢測[J].農(nóng)業(yè)機械學報,2023,54(12):253?260.

    [13] WOO S, PARK J, LEE J Y, et al. CBAM: Convolutional block attention module [C]// Proceedings of the IEEE European Conference on Computer Vision. Heidelberg, Germany: Springer, 2018: 3?19.

    [14] 王昕,董琴,楊國宇.基于優(yōu)化CBAM改進YOLOv5的農(nóng)作物病蟲害識別[J].計算機系統(tǒng)應用,2023,32(7):261?268.

    [15] 王美華,吳振鑫,周祖光.基于注意力改進CBAM的農(nóng)作物病蟲害細粒度識別研究[J].農(nóng)業(yè)機械學報,2021,52(4):239?247.

    [16] GEVORGYAN Z. SIoU loss: More powerful learning for boun?ding box regression [EB/OL]. [2022?09?01]. https: //arxiv.org/abs/2205.12740.

    [17] KUEHNE H, JHUANG H, GARROTE E, et al. HMDB: A large video database for human motion recognition [C]// Proceedings of International Conference on Computer Vision. New York: IEEE, 2011: 2556?2563.

    [18] 羅依夢,許慶陽,段賀輝,等.基于D?S證據(jù)融合理論的軌道電路補償電容故障判決方法研究[J].鐵道通信信號,2024,60(2):32?39.

    作者簡介:楊永亮(1998—),男,河北滄州人,碩士研究生,主要研究方向為圖像處理與目標檢測。

    曹" 敏(1976—),女,貴州貴陽人,碩士研究生,副教授,碩士生導師,主要研究方向為智能控制。

    徐凌樺(1976—),男,貴州貴陽人,碩士研究生,副教授,碩士生導師,主要研究方向為嵌入式系統(tǒng)、傳感器網(wǎng)絡。

    王" 霄(1985—),男,黑龍江哈爾濱人,博士研究生,副教授,碩士生導師,主要研究方向為物聯(lián)網(wǎng)理論及應用、人工智能理論及應用。

    楊" 靖(1973—),男,貴州貴陽人,博士研究生,教授,博士生導師,主要研究方向為物聯(lián)網(wǎng)技術與應用。

    王" 濤(1999—),男,海南臨高人,碩士研究生,主要研究方向為計算機視覺和路徑規(guī)劃。

    馮平平(1999—),男,貴州遵義人,碩士研究生,主要研究方向為群智能算法和任務分配。

    收稿日期:2024?03?13" " " " " "修回日期:2024?03?29

    基金項目:國家自然科學基金資助項目(61861007);貴州省教育廳創(chuàng)新群體項目(黔教合KY字[2021]012);貴州省科技計劃項目(黔科合支撐[2023]一般411);貴州省科技計劃項目(黔科合支撐[2023]一般412)

    猜你喜歡
    實驗室規(guī)范融合
    來稿規(guī)范
    來稿規(guī)范
    村企黨建聯(lián)建融合共贏
    PDCA法在除顫儀規(guī)范操作中的應用
    融合菜
    來稿規(guī)范
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    《融合》
    電競實驗室
    電子競技(2019年22期)2019-03-07 05:17:26
    電競實驗室
    電子競技(2019年21期)2019-02-24 06:55:52
    色播在线永久视频| or卡值多少钱| 国产精华一区二区三区| 久久国产精品人妻蜜桃| 成人国产综合亚洲| 国产xxxxx性猛交| 嫩草影院精品99| 久99久视频精品免费| 国产aⅴ精品一区二区三区波| 欧美激情久久久久久爽电影 | 亚洲第一欧美日韩一区二区三区| 国产免费男女视频| 国产又色又爽无遮挡免费看| 老鸭窝网址在线观看| 国产97色在线日韩免费| 黑人操中国人逼视频| 999久久久国产精品视频| 天堂动漫精品| 国产欧美日韩综合在线一区二区| 麻豆一二三区av精品| 亚洲精品国产区一区二| АⅤ资源中文在线天堂| 一级作爱视频免费观看| 丝袜美足系列| 18禁观看日本| 亚洲性夜色夜夜综合| 欧美日韩福利视频一区二区| 国产成人精品久久二区二区免费| 精品人妻1区二区| 国产精品日韩av在线免费观看 | 妹子高潮喷水视频| 999久久久国产精品视频| 精品电影一区二区在线| 国产熟女午夜一区二区三区| 色精品久久人妻99蜜桃| 可以在线观看的亚洲视频| 国产麻豆成人av免费视频| 可以免费在线观看a视频的电影网站| 最新美女视频免费是黄的| 在线十欧美十亚洲十日本专区| 亚洲国产欧美日韩在线播放| 国产xxxxx性猛交| 色综合亚洲欧美另类图片| 男女床上黄色一级片免费看| 午夜福利免费观看在线| 性色av乱码一区二区三区2| 亚洲精华国产精华精| 青草久久国产| 久9热在线精品视频| aaaaa片日本免费| 午夜久久久在线观看| 最新美女视频免费是黄的| 午夜日韩欧美国产| 激情在线观看视频在线高清| 丰满的人妻完整版| 男人操女人黄网站| 亚洲国产欧美网| 97碰自拍视频| 香蕉丝袜av| 国产区一区二久久| 9热在线视频观看99| 久久狼人影院| 99riav亚洲国产免费| 伦理电影免费视频| 精品国产亚洲在线| 午夜福利免费观看在线| 91麻豆av在线| 一边摸一边做爽爽视频免费| 欧美黑人欧美精品刺激| 人人妻人人澡人人看| 久久国产亚洲av麻豆专区| 老熟妇仑乱视频hdxx| 在线天堂中文资源库| 久久久国产成人免费| 免费观看精品视频网站| 人人妻人人澡欧美一区二区 | 一区二区三区国产精品乱码| 国产精品久久久久久亚洲av鲁大| 久久精品国产亚洲av高清一级| 成熟少妇高潮喷水视频| 精品一区二区三区视频在线观看免费| 欧美日本中文国产一区发布| 极品人妻少妇av视频| 搡老熟女国产l中国老女人| 色在线成人网| 夜夜爽天天搞| 怎么达到女性高潮| 午夜视频精品福利| 丝袜美腿诱惑在线| svipshipincom国产片| 变态另类成人亚洲欧美熟女 | 男人的好看免费观看在线视频 | 亚洲九九香蕉| 久久香蕉激情| 午夜久久久久精精品| 亚洲在线自拍视频| 咕卡用的链子| 午夜激情av网站| 亚洲自偷自拍图片 自拍| 夜夜看夜夜爽夜夜摸| 国产精品久久久av美女十八| 在线观看66精品国产| 国产欧美日韩一区二区三区在线| 男人舔女人下体高潮全视频| videosex国产| 欧美成狂野欧美在线观看| 老司机午夜福利在线观看视频| 久久青草综合色| 一级黄色大片毛片| 少妇粗大呻吟视频| 国产伦人伦偷精品视频| 最新美女视频免费是黄的| 丝袜在线中文字幕| 成人亚洲精品一区在线观看| 国产成人啪精品午夜网站| 久热爱精品视频在线9| 国产91精品成人一区二区三区| 两性夫妻黄色片| 一级毛片精品| 亚洲少妇的诱惑av| 1024视频免费在线观看| 黄色a级毛片大全视频| 12—13女人毛片做爰片一| 一个人免费在线观看的高清视频| 亚洲男人的天堂狠狠| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲国产精品sss在线观看| 欧美 亚洲 国产 日韩一| 日韩欧美国产在线观看| 亚洲色图av天堂| 国产精品影院久久| 亚洲av成人不卡在线观看播放网| 亚洲成人国产一区在线观看| 一级作爱视频免费观看| 搡老熟女国产l中国老女人| 亚洲美女黄片视频| 亚洲国产欧美一区二区综合| 精品久久久久久久久久免费视频| 国产午夜福利久久久久久| 亚洲av成人av| 亚洲一区高清亚洲精品| 亚洲三区欧美一区| 国产一区二区激情短视频| 精品无人区乱码1区二区| 中文字幕av电影在线播放| 亚洲精品国产区一区二| 久久香蕉国产精品| 狂野欧美激情性xxxx| 国产亚洲精品av在线| 国产亚洲精品第一综合不卡| 1024视频免费在线观看| 黄色毛片三级朝国网站| 中文字幕人成人乱码亚洲影| 久久午夜亚洲精品久久| 欧美绝顶高潮抽搐喷水| 亚洲第一青青草原| 免费不卡黄色视频| 一级黄色大片毛片| 国产欧美日韩精品亚洲av| 美女 人体艺术 gogo| 欧美精品啪啪一区二区三区| 国产成年人精品一区二区| bbb黄色大片| 亚洲一区二区三区不卡视频| 国产欧美日韩一区二区三| 欧美成狂野欧美在线观看| 一区二区三区国产精品乱码| 久久精品aⅴ一区二区三区四区| 在线观看免费日韩欧美大片| 亚洲午夜理论影院| 他把我摸到了高潮在线观看| 久久久精品国产亚洲av高清涩受| 两性午夜刺激爽爽歪歪视频在线观看 | 最新美女视频免费是黄的| 国产一区二区三区视频了| 琪琪午夜伦伦电影理论片6080| 老司机午夜十八禁免费视频| 侵犯人妻中文字幕一二三四区| 宅男免费午夜| 夜夜夜夜夜久久久久| 中文字幕色久视频| 欧美久久黑人一区二区| 丰满的人妻完整版| 精品熟女少妇八av免费久了| 欧美不卡视频在线免费观看 | 成人av一区二区三区在线看| 搡老妇女老女人老熟妇| 我的亚洲天堂| 一级a爱片免费观看的视频| 日本 欧美在线| 欧美一级a爱片免费观看看 | 日本五十路高清| 亚洲av熟女| 国产亚洲欧美精品永久| 欧美一区二区精品小视频在线| 国内毛片毛片毛片毛片毛片| 人人澡人人妻人| 国产精品久久久久久亚洲av鲁大| 在线观看午夜福利视频| 亚洲av成人一区二区三| 91麻豆精品激情在线观看国产| 别揉我奶头~嗯~啊~动态视频| 中文字幕精品免费在线观看视频| 1024香蕉在线观看| 大码成人一级视频| 韩国av一区二区三区四区| 亚洲成人免费电影在线观看| 97人妻精品一区二区三区麻豆 | 亚洲性夜色夜夜综合| 亚洲avbb在线观看| 嫩草影视91久久| 女生性感内裤真人,穿戴方法视频| 亚洲人成77777在线视频| 国产亚洲av嫩草精品影院| 在线国产一区二区在线| 18禁国产床啪视频网站| 亚洲成国产人片在线观看| 又紧又爽又黄一区二区| 久久中文字幕一级| 日韩大尺度精品在线看网址 | 黄色丝袜av网址大全| 午夜视频精品福利| 亚洲黑人精品在线| 精品国产国语对白av| 欧美午夜高清在线| 国产单亲对白刺激| 欧美一区二区精品小视频在线| 亚洲一码二码三码区别大吗| 午夜日韩欧美国产| 岛国视频午夜一区免费看| 女人精品久久久久毛片| 日本黄色视频三级网站网址| 18禁美女被吸乳视频| xxx96com| 国产主播在线观看一区二区| 操美女的视频在线观看| 国产视频一区二区在线看| 国产精品自产拍在线观看55亚洲| 中文字幕久久专区| 国产私拍福利视频在线观看| 中出人妻视频一区二区| 日韩精品青青久久久久久| 99国产精品一区二区蜜桃av| 亚洲av成人一区二区三| 99在线人妻在线中文字幕| 精品日产1卡2卡| 国产成人欧美| 视频在线观看一区二区三区| 日韩国内少妇激情av| 欧美黑人欧美精品刺激| 国产精品久久电影中文字幕| 精品久久久久久,| 国产色视频综合| 天天一区二区日本电影三级 | 国产成+人综合+亚洲专区| 国产精品,欧美在线| 桃色一区二区三区在线观看| 黄色 视频免费看| 国产高清有码在线观看视频 | av网站免费在线观看视频| 少妇的丰满在线观看| 日本黄色视频三级网站网址| 精品久久久久久久毛片微露脸| 免费在线观看亚洲国产| ponron亚洲| 最近最新免费中文字幕在线| 中文字幕精品免费在线观看视频| 亚洲av电影在线进入| 午夜久久久久精精品| 午夜影院日韩av| 国产亚洲av嫩草精品影院| 成人国产综合亚洲| а√天堂www在线а√下载| 日日夜夜操网爽| 两个人免费观看高清视频| aaaaa片日本免费| 亚洲国产高清在线一区二区三 | 18美女黄网站色大片免费观看| 久久精品国产综合久久久| 亚洲久久久国产精品| 校园春色视频在线观看| 亚洲成人精品中文字幕电影| 日本vs欧美在线观看视频| 国产午夜福利久久久久久| 老鸭窝网址在线观看| 91在线观看av| 精品久久久久久久毛片微露脸| 夜夜躁狠狠躁天天躁| 在线观看一区二区三区| 狂野欧美激情性xxxx| 久久人人97超碰香蕉20202| 国产成人影院久久av| 亚洲自偷自拍图片 自拍| 啦啦啦 在线观看视频| 午夜久久久在线观看| 日本五十路高清| 69精品国产乱码久久久| 精品国产亚洲在线| 99riav亚洲国产免费| 久久精品亚洲熟妇少妇任你| 亚洲九九香蕉| 99久久99久久久精品蜜桃| 国产一区二区三区综合在线观看| 我的亚洲天堂| 天堂动漫精品| 黑人欧美特级aaaaaa片| 久久精品国产清高在天天线| 亚洲国产精品久久男人天堂| 日韩欧美一区视频在线观看| 欧美另类亚洲清纯唯美| 欧美在线黄色| 色av中文字幕| 97人妻精品一区二区三区麻豆 | 久久久久精品国产欧美久久久| 日韩成人在线观看一区二区三区| 久久久国产成人精品二区| 999久久久国产精品视频| 久久午夜亚洲精品久久| 色哟哟哟哟哟哟| 免费看十八禁软件| 国产精品亚洲一级av第二区| 又大又爽又粗| 一二三四在线观看免费中文在| 国产亚洲精品久久久久5区| 在线国产一区二区在线| 亚洲狠狠婷婷综合久久图片| 热re99久久国产66热| 十八禁网站免费在线| 正在播放国产对白刺激| 国产精品久久久人人做人人爽| 中出人妻视频一区二区| 午夜福利欧美成人| 老司机福利观看| 天天躁狠狠躁夜夜躁狠狠躁| 欧美丝袜亚洲另类 | 精品福利观看| 99国产精品一区二区蜜桃av| 老熟妇乱子伦视频在线观看| 国产成人精品久久二区二区91| 日韩大尺度精品在线看网址 | 91九色精品人成在线观看| 国产黄a三级三级三级人| 两个人看的免费小视频| 在线免费观看的www视频| 色尼玛亚洲综合影院| 国产xxxxx性猛交| 在线av久久热| 日韩成人在线观看一区二区三区| 国产精品亚洲av一区麻豆| 久久欧美精品欧美久久欧美| 热99re8久久精品国产| 每晚都被弄得嗷嗷叫到高潮| 一区在线观看完整版| 亚洲中文字幕日韩| 后天国语完整版免费观看| 亚洲熟女毛片儿| 午夜福利在线观看吧| 一二三四在线观看免费中文在| 老鸭窝网址在线观看| 老司机在亚洲福利影院| 亚洲av熟女| 日韩精品中文字幕看吧| 亚洲aⅴ乱码一区二区在线播放 | 国产精品亚洲美女久久久| 露出奶头的视频| 国产成人免费无遮挡视频| 老汉色av国产亚洲站长工具| 国产精品电影一区二区三区| 国产一区二区激情短视频| 国产精品野战在线观看| 亚洲无线在线观看| 国产成+人综合+亚洲专区| 精品国产乱码久久久久久男人| 国产成+人综合+亚洲专区| 制服丝袜大香蕉在线| 女人爽到高潮嗷嗷叫在线视频| 99国产综合亚洲精品| 精品国产国语对白av| 99国产综合亚洲精品| 成人永久免费在线观看视频| 精品免费久久久久久久清纯| 欧美激情久久久久久爽电影 | 99久久久亚洲精品蜜臀av| 制服诱惑二区| 一进一出抽搐gif免费好疼| 国产欧美日韩综合在线一区二区| 日本五十路高清| 首页视频小说图片口味搜索| 搡老岳熟女国产| 成人亚洲精品av一区二区| 日韩精品免费视频一区二区三区| √禁漫天堂资源中文www| 日本 av在线| 亚洲男人的天堂狠狠| 日韩精品免费视频一区二区三区| 中文字幕最新亚洲高清| 午夜福利,免费看| 久久人人爽av亚洲精品天堂| 国产一区二区三区综合在线观看| 色播在线永久视频| 日本a在线网址| 欧美精品啪啪一区二区三区| 视频在线观看一区二区三区| 麻豆久久精品国产亚洲av| 国产欧美日韩一区二区精品| 亚洲专区中文字幕在线| 日本vs欧美在线观看视频| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产精品久久男人天堂| 日韩欧美三级三区| 99精品在免费线老司机午夜| 成人亚洲精品一区在线观看| 亚洲专区字幕在线| 国产精品 国内视频| 亚洲专区国产一区二区| 欧美色视频一区免费| 12—13女人毛片做爰片一| 在线观看日韩欧美| 久久久久亚洲av毛片大全| 国产成人一区二区三区免费视频网站| 国产三级在线视频| 色av中文字幕| 精品乱码久久久久久99久播| 精品国内亚洲2022精品成人| 淫秽高清视频在线观看| 亚洲自偷自拍图片 自拍| 亚洲aⅴ乱码一区二区在线播放 | 九色亚洲精品在线播放| 男人的好看免费观看在线视频 | 亚洲中文字幕日韩| 国产精品美女特级片免费视频播放器 | 日韩视频一区二区在线观看| 色婷婷久久久亚洲欧美| 18美女黄网站色大片免费观看| 黄网站色视频无遮挡免费观看| 久久久国产成人免费| 亚洲专区中文字幕在线| 成年女人毛片免费观看观看9| 亚洲精品久久成人aⅴ小说| 国产av一区在线观看免费| 亚洲第一青青草原| 男男h啪啪无遮挡| 成在线人永久免费视频| 亚洲色图av天堂| 一本久久中文字幕| 人人妻,人人澡人人爽秒播| 国产极品粉嫩免费观看在线| 村上凉子中文字幕在线| 亚洲国产中文字幕在线视频| 黄片小视频在线播放| 一级毛片精品| 国内毛片毛片毛片毛片毛片| 一级a爱视频在线免费观看| 欧美乱妇无乱码| 伊人久久大香线蕉亚洲五| 桃色一区二区三区在线观看| 两个人免费观看高清视频| 国产成人av激情在线播放| 女生性感内裤真人,穿戴方法视频| 好看av亚洲va欧美ⅴa在| 亚洲七黄色美女视频| 国产亚洲av高清不卡| 欧美日韩一级在线毛片| 久久人人精品亚洲av| 欧美日韩亚洲国产一区二区在线观看| 美女高潮喷水抽搐中文字幕| 精品高清国产在线一区| 欧美在线一区亚洲| 亚洲国产欧美日韩在线播放| 桃色一区二区三区在线观看| 色综合亚洲欧美另类图片| 啦啦啦韩国在线观看视频| 久久久精品欧美日韩精品| 在线十欧美十亚洲十日本专区| av超薄肉色丝袜交足视频| 动漫黄色视频在线观看| 久久这里只有精品19| 搡老岳熟女国产| 最近最新中文字幕大全电影3 | 性色av乱码一区二区三区2| 国产精品一区二区精品视频观看| 在线观看日韩欧美| 久久国产精品男人的天堂亚洲| 伦理电影免费视频| 国产一区二区激情短视频| 欧美性长视频在线观看| 一本久久中文字幕| 午夜免费成人在线视频| 国产av一区在线观看免费| 国产三级黄色录像| 欧美国产精品va在线观看不卡| 一本久久中文字幕| 女人高潮潮喷娇喘18禁视频| 自拍欧美九色日韩亚洲蝌蚪91| 黄色女人牲交| 看片在线看免费视频| 一夜夜www| 夜夜看夜夜爽夜夜摸| 黄色片一级片一级黄色片| 美女大奶头视频| 国产人伦9x9x在线观看| 国产一区二区三区在线臀色熟女| 国产精品1区2区在线观看.| av福利片在线| 国产精品香港三级国产av潘金莲| 亚洲色图综合在线观看| 一夜夜www| 动漫黄色视频在线观看| 亚洲一区高清亚洲精品| 欧美黄色片欧美黄色片| 多毛熟女@视频| 99国产精品免费福利视频| netflix在线观看网站| 亚洲国产精品成人综合色| 精品一区二区三区视频在线观看免费| 日本撒尿小便嘘嘘汇集6| 亚洲国产看品久久| 精品国产乱子伦一区二区三区| 久久久精品欧美日韩精品| 在线观看66精品国产| 欧美成狂野欧美在线观看| 亚洲自拍偷在线| 91大片在线观看| 黄色视频,在线免费观看| 国产亚洲av高清不卡| 日韩一卡2卡3卡4卡2021年| 国产高清激情床上av| 久久国产亚洲av麻豆专区| 免费人成视频x8x8入口观看| 日韩免费av在线播放| 免费久久久久久久精品成人欧美视频| 久久香蕉国产精品| 777久久人妻少妇嫩草av网站| 国产精品美女特级片免费视频播放器 | а√天堂www在线а√下载| 国产一区二区三区视频了| 狂野欧美激情性xxxx| 国产精品一区二区三区四区久久 | 在线观看66精品国产| 精品无人区乱码1区二区| 色综合亚洲欧美另类图片| 亚洲av成人一区二区三| 18禁裸乳无遮挡免费网站照片 | 一级a爱片免费观看的视频| 欧美一级a爱片免费观看看 | 欧美日韩亚洲综合一区二区三区_| 少妇 在线观看| 美女 人体艺术 gogo| 精品国产美女av久久久久小说| 99国产精品99久久久久| av网站免费在线观看视频| 亚洲全国av大片| 色综合欧美亚洲国产小说| 亚洲熟妇中文字幕五十中出| 两性午夜刺激爽爽歪歪视频在线观看 | 一区二区日韩欧美中文字幕| 中文字幕av电影在线播放| 夜夜爽天天搞| 波多野结衣高清无吗| 亚洲天堂国产精品一区在线| 黑丝袜美女国产一区| 一区二区三区激情视频| 久久久久久亚洲精品国产蜜桃av| 亚洲第一青青草原| 国产精品乱码一区二三区的特点 | 久久国产精品男人的天堂亚洲| 国产99久久九九免费精品| 一个人观看的视频www高清免费观看 | 日韩欧美三级三区| 99国产精品一区二区三区| 午夜精品久久久久久毛片777| 国产精品久久久av美女十八| 50天的宝宝边吃奶边哭怎么回事| 大型av网站在线播放| 欧美一区二区精品小视频在线| 日本三级黄在线观看| 午夜福利免费观看在线| 精品少妇一区二区三区视频日本电影| 十分钟在线观看高清视频www| 午夜福利,免费看| 久久久久国产精品人妻aⅴ院| 99在线视频只有这里精品首页| 在线观看免费视频网站a站| 真人做人爱边吃奶动态| 这个男人来自地球电影免费观看| 亚洲成人精品中文字幕电影| 国产99久久九九免费精品| 中亚洲国语对白在线视频| 最好的美女福利视频网| 两个人看的免费小视频| 国产成人精品无人区| 精品电影一区二区在线| 高清在线国产一区| 日本免费a在线| 亚洲国产欧美日韩在线播放| 成人18禁在线播放| 欧美日韩中文字幕国产精品一区二区三区 | 国产在线观看jvid| 国产成人免费无遮挡视频| 国产成人影院久久av| 国产又爽黄色视频| 99国产精品99久久久久| 午夜福利视频1000在线观看 | 久久青草综合色| 国产精品久久久久久人妻精品电影| 亚洲 国产 在线| 国产精品一区二区免费欧美| 免费人成视频x8x8入口观看| 亚洲精品一区av在线观看| 黑人欧美特级aaaaaa片| 色播亚洲综合网| 国产野战对白在线观看| 精品国产乱子伦一区二区三区| 最近最新免费中文字幕在线| 亚洲成人精品中文字幕电影|