欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

工業(yè)成像異常檢測實戰(zhàn):從PatchCore到產(chǎn)線避坑指南

工業(yè)成像異常檢測實戰(zhàn):從PatchCore到產(chǎn)線避坑指南 簡介這份碩士項目資料聚焦工業(yè)成像中的異常檢測面向具備一定機器學(xué)習基礎(chǔ)、希望將算法落地到質(zhì)量控制與設(shè)備故障預(yù)防場景的學(xué)生和工程師。內(nèi)容圍繞數(shù)據(jù)預(yù)處理、特征提取、模型選擇與訓(xùn)練、異常評分與閾值設(shè)定、實驗評估及可解釋性等環(huán)節(jié)展開并涉及半導(dǎo)體制造、機械部件檢測、紡織品缺陷識別等案例以及實時系統(tǒng)集成與模型持續(xù)更新的工程考量。資源包共13個文件約71KB以txt說明、md文檔、py腳本和ipynb筆記本為主其中Jupyter Notebook便于在交互環(huán)境中組織代碼、文本與可視化腳本與說明文件則輔助復(fù)現(xiàn)實驗流程。目錄中可見PADIM、Patch-SVDD、SPADE、EGBAD、RIAD等方法模塊以及GDXRay、MVTec等數(shù)據(jù)集入口方便對照不同異常檢測策略。目前已有1780人學(xué)習適合作為工業(yè)異常檢測課題的入門參考與實驗起點。1. 工業(yè)成像異常檢測為什么你的模型在產(chǎn)線上總翻車工業(yè)成像里的異常檢測和學(xué)術(shù)數(shù)據(jù)集上刷 AUC 完全是兩碼事。很多做碩士項目的同學(xué)在 MVTec 這類公開數(shù)據(jù)集上把圖像級 AUROC 跑到 99%信心滿滿地拿到產(chǎn)線上一跑漏檢率直接飆到兩位數(shù)。問題不在模型本身而在于工業(yè)場景的異常定義、成像條件和數(shù)據(jù)分布跟學(xué)術(shù) benchmark 之間隔著一道巨大的鴻溝。這個方向要解決的核心問題是在正常樣本充足、異常樣本稀少甚至無法窮舉的前提下讓模型學(xué)會“什么是正常的”然后把偏離正常的東西揪出來。它適合做視覺檢測、工業(yè)質(zhì)檢、醫(yī)學(xué)影像方向的碩士課題也適合想從通用 CV 轉(zhuǎn)向工業(yè)落地的工程師。接下來我會把這條路徑從原理到代碼到踩坑完整拆一遍盡量讓你少走彎路。2. 異常檢測的三種技術(shù)路線重建、嵌入、合成到底選哪個工業(yè)異常檢測的方法論大致可以分成三條路基于重建的方法、基于特征嵌入的方法、以及基于合成異常的方法。選哪條路取決于你的數(shù)據(jù)條件、算力預(yù)算和產(chǎn)線對推理速度的要求。這一章先把三條路的技術(shù)邏輯講清楚再給出選型判斷依據(jù)。2.1 基于重建自編碼器與生成模型的基本邏輯基于重建的思路很直覺用大量正常樣本訓(xùn)練一個模型讓它學(xué)會把正常圖像壓縮再還原。推理時如果輸入是正常圖像重建誤差應(yīng)該很小如果輸入包含異常區(qū)域模型沒見過這種東西重建就會失敗誤差圖就是異常熱力圖。最經(jīng)典的基線是 AutoEncoder。編碼器把圖像壓到低維隱空間解碼器再還原回來。訓(xùn)練損失就是輸入和輸出之間的 MSE 或 SSIM。聽起來簡單但實際用的時候有個致命問題如果自編碼器容量太大它連異常區(qū)域也能重建得不錯導(dǎo)致漏檢。這就是所謂的“identity shortcut”問題。import torch import torch.nn as nn class ConvAutoEncoder(nn.Module): def __init__(self, latent_dim256): super().__init__() # 編碼器逐步下采樣提取空間特征 self.encoder nn.Sequential( nn.Conv2d(3, 32, 4, stride2, padding1), # 256 - 128 nn.BatchNorm2d(32), nn.LeakyReLU(0.2), nn.Conv2d(32, 64, 4, stride2, padding1), # 128 - 64 nn.BatchNorm2d(64), nn.LeakyReLU(0.2), nn.Conv2d(64, 128, 4, stride2, padding1), # 64 - 32 nn.BatchNorm2d(128), nn.LeakyReLU(0.2), ) # 解碼器逐步上采樣還原 self.decoder nn.Sequential( nn.ConvTranspose2d(128, 64, 4, stride2, padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.ConvTranspose2d(64, 32, 4, stride2, padding1), nn.BatchNorm2d(32), nn.ReLU(), nn.ConvTranspose2d(32, 3, 4, stride2, padding1), nn.Sigmoid(), # 輸出歸一化到 [0,1] ) def forward(self, x): z self.encoder(x) return self.decoder(z) # 訓(xùn)練循環(huán)核心只喂正常樣本最小化重建誤差 model ConvAutoEncoder() optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.MSELoss() for batch in normal_dataloader: img batch.to(device) recon model(img) loss criterion(recon, img) optimizer.zero_grad() loss.backward() optimizer.step()這段代碼里幾個關(guān)鍵參數(shù)值得注意。latent_dim控制隱空間維度太小會導(dǎo)致正常樣本也重建不好太大則容易過擬合到異常。LeakyReLU(0.2)的負斜率在重建任務(wù)里比 ReLU 更穩(wěn)因為梯度不會在負區(qū)完全死掉。輸出層用Sigmoid是因為輸入圖像歸一化到了 [0,1]如果輸入用的是 [-1,1] 歸一化這里應(yīng)該換成Tanh。推理階段的異常評分通常用逐像素的 MSE然后做高斯平滑得到異常熱力圖。圖像級評分取熱力圖的 max 或 top-k 均值。這里有個經(jīng)驗用 SSIM 替代 MSE 做評分對光照變化更魯棒但計算慢一些?;谥亟ǖ姆椒ㄟm合紋理類異常檢測比如布匹、金屬表面的劃痕。但對于結(jié)構(gòu)性異常比如缺失零件、錯位裝配重建方法往往力不從心因為異常區(qū)域在低維隱空間里可能被“平滑”掉了。2.2 基于特征嵌入PatchCore 為什么成為工業(yè)基線PatchCore 是這幾年工業(yè)異常檢測里被引用最多的方法之一核心思想是用一個在 ImageNet 上預(yù)訓(xùn)練好的 CNN 提取正常樣本的特征存成一個 memory bank推理時看測試圖像的特征跟 memory bank 里的特征距離有多遠。它的優(yōu)勢在于不需要訓(xùn)練直接用預(yù)訓(xùn)練特征省去了訓(xùn)練不穩(wěn)定和過擬合的麻煩。具體流程是把正常訓(xùn)練集的每張圖切成 patch每個 patch 過一個預(yù)訓(xùn)練 backbone通常是 WideResNet50取中間層的特征做 coreset 采樣壓縮 memory bank推理時用 kNN 找最近鄰距離作為異常分數(shù)。import torch import torch.nn.functional as F from torchvision.models import wide_resnet50_2 class PatchCoreFeatureExtractor: def __init__(self, devicecuda): self.device device # 加載預(yù)訓(xùn)練 backbone取中間層輸出 backbone wide_resnet50_2(pretrainedTrue) self.layer2 backbone.layer2 # 淺層紋理細節(jié) self.layer3 backbone.layer3 # 深層語義信息 self.layer2.eval().to(device) self.layer3.eval().to(device) torch.no_grad() def extract(self, x): # x: [B, 3, H, W] f2 self.layer2(x) # [B, 512, H/8, W/8] f3 self.layer3(x) # [B, 1024, H/16, W/16] # 把 f3 上采樣到 f2 的空間尺寸后拼接 f3_up F.interpolate(f3, sizef2.shape[2:], modebilinear) feat torch.cat([f2, f3_up], dim1) # [B, 1536, H/8, W/8] # 局部鄰域聚合增強空間一致性 feat F.avg_pool2d(feat, kernel_size3, stride1, padding1) return feat def build_memory_bank(self, dataloader, sample_ratio0.1): all_feats [] for batch in dataloader: img batch.to(self.device) feat self.extract(img) B, C, H, W feat.shape # 展平成 patch 向量集合 feat feat.permute(0, 2, 3, 1).reshape(-1, C) all_feats.append(feat) all_feats torch.cat(all_feats, dim0) # coreset 采樣隨機保留一部分實際項目可用 k-center greedy n all_feats.shape[0] idx torch.randperm(n)[:int(n * sample_ratio)] return all_feats[idx]sample_ratio是 memory bank 的壓縮比例通常取 0.01 到 0.1。太小會丟失正常模式的多樣性太大會拖慢推理。實際項目里更推薦用 k-center greedy 做 coreset 采樣雖然慢但覆蓋更均勻。layer2和layer3的拼接是 PatchCore 的關(guān)鍵設(shè)計淺層特征保留紋理細節(jié)深層特征提供語義上下文兩者互補。推理時對每個測試 patch 特征在 memory bank 里找 k 個最近鄰取距離的加權(quán)和作為該位置的異常分數(shù)。圖像級分數(shù)取所有 patch 分數(shù)的最大值。這里有個工程細節(jié)memory bank 如果存了 10 萬個向量暴力 kNN 在產(chǎn)線上根本跑不動需要用 FAISS 建索引。PatchCore 在 MVTec 上的圖像級 AUROC 通常能到 99% 以上但它的短板是推理速度受 memory bank 大小影響明顯。如果產(chǎn)線節(jié)拍要求單張圖 50ms 以內(nèi)memory bank 得壓到 1 萬條以下這時候精度會掉幾個點。2.3 基于合成異常DRAEM 與 CutPaste 的取舍合成異常的思路是既然異常樣本少那我就人為造一批假異常出來把無監(jiān)督問題轉(zhuǎn)化成有監(jiān)督問題。CutPaste 是最簡單的做法從正常圖像里隨機摳一塊旋轉(zhuǎn)或變色后貼回去作為異常樣本。DRAEM 更進一步用一個獨立的生成網(wǎng)絡(luò)合成紋理異常再用判別網(wǎng)絡(luò)做分割。import random import torchvision.transforms as T class CutPasteAugment: CutPaste 數(shù)據(jù)增強從正常圖中裁剪 patch 并粘貼到隨機位置 def __init__(self, area_ratio(0.02, 0.15), aspect_range(0.3, 3.3)): self.area_ratio area_ratio self.aspect_range aspect_range def __call__(self, img): W, H img.size area W * H * random.uniform(*self.area_ratio) aspect random.uniform(*self.aspect_range) w int((area * aspect) ** 0.5) h int((area / aspect) ** 0.5) # 隨機裁剪位置 x1 random.randint(0, W - w) y1 random.randint(0, H - h) patch img.crop((x1, y1, x1 w, y1 h)) # 隨機旋轉(zhuǎn)后粘貼到新位置 patch patch.rotate(random.choice([0, 90, 180, 270])) x2 random.randint(0, W - w) y2 random.randint(0, H - h) img.paste(patch, (x2, y2)) return imgCutPaste 的area_ratio控制粘貼塊的大小占比太小模型學(xué)不到東西太大又不像真實缺陷。aspect_range控制長寬比模擬不同形狀的缺陷。這個增強方式實現(xiàn)簡單但有個明顯問題粘貼邊界會有硬邊模型可能學(xué)會檢測“硬邊”而不是真正的異常。緩解辦法是對粘貼區(qū)域做高斯模糊或泊松融合。DRAEM 的效果通常比 CutPaste 好因為它合成的異常更接近真實紋理但訓(xùn)練成本高不少需要同時訓(xùn)練生成器和分割網(wǎng)絡(luò)。如果算力有限、時間緊CutPaste 加一個強 backbone 是性價比更高的選擇。選型建議紋理類異常優(yōu)先考慮 PatchCore結(jié)構(gòu)性異??梢栽?DRAEM算力極度受限時用 CutPaste 加 ResNet 做分類。實際項目里我一般會先用 PatchCore 跑一個 baseline看漏檢集中在哪些區(qū)域再決定要不要換方法。3. 從零搭一個可復(fù)現(xiàn)的異常檢測 pipeline這一章把數(shù)據(jù)準備、訓(xùn)練、評估、可視化的完整流程串起來。假設(shè)你手頭有一批正常樣本和少量標注異常樣本目標是搭一個能跑通、能出報告的最小系統(tǒng)。3.1 數(shù)據(jù)組織與 MVTec 格式對齊工業(yè)項目里數(shù)據(jù)組織往往比模型本身更耗時間。推薦直接對齊 MVTec 的目錄結(jié)構(gòu)這樣開源代碼和預(yù)訓(xùn)練權(quán)重都能直接用。# 推薦的目錄結(jié)構(gòu) data/ ├── train/ │ └── good/ # 只放正常樣本 │ ├── 001.png │ └── 002.png ├── test/ │ ├── good/ # 測試用正常樣本 │ ├── scratch/ # 異常類型1 │ ├── dent/ # 異常類型2 │ └── contamination/ # 異常類型3 └── ground_truth/ ├── scratch/ # 對應(yīng)的像素級標注 mask ├── dent/ └── contamination/訓(xùn)練集只放正常樣本這是異常檢測的基本設(shè)定。測試集按異常類型分文件夾方便后續(xù)做分類別的漏檢分析。ground_truth里放二值 mask白色是異常區(qū)域黑色是背景。如果標注是多邊形格式需要先轉(zhuǎn)成 mask轉(zhuǎn)換腳本用 OpenCV 的fillPoly就行。數(shù)據(jù)量方面每個異常類型至少要有 10 到 20 張測試圖否則評估結(jié)果波動會很大。正常訓(xùn)練樣本通常 200 張起步紋理簡單的場景 100 張也能跑但結(jié)構(gòu)復(fù)雜的場景建議 500 張以上。3.2 訓(xùn)練循環(huán)與早停策略以 PatchCore 為例它其實沒有傳統(tǒng)意義上的訓(xùn)練循環(huán)核心是構(gòu)建 memory bank。但如果用 DRAEM 或 AutoEncoder就需要寫訓(xùn)練循環(huán)。def train_one_epoch(model, dataloader, optimizer, criterion, device): model.train() total_loss 0.0 for img, _ in dataloader: img img.to(device) recon model(img) loss criterion(recon, img) optimizer.zero_grad() loss.backward() # 梯度裁剪防止重建任務(wù)里的梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() return total_loss / len(dataloader) # 早停驗證集用正常樣本的重建誤差誤差不再下降就停 best_loss float(inf) patience 10 wait 0 for epoch in range(100): train_loss train_one_epoch(model, train_loader, optimizer, criterion, device) val_loss evaluate_recon(model, val_loader, criterion, device) if val_loss best_loss: best_loss val_loss torch.save(model.state_dict(), best.pth) wait 0 else: wait 1 if wait patience: print(fEarly stop at epoch {epoch}) breakclip_grad_norm_的max_norm1.0是經(jīng)驗值重建任務(wù)里梯度爆炸不算常見但一旦出現(xiàn)就會導(dǎo)致 loss 變 NaN。早停的patience10意味著驗證損失連續(xù) 10 個 epoch 不下降就停這個值可以根據(jù)數(shù)據(jù)集大小調(diào)整小數(shù)據(jù)集用 5 到 10大數(shù)據(jù)集可以放寬到 20。驗證集怎么選從正常訓(xùn)練樣本里切 10% 出來不參與訓(xùn)練只用來監(jiān)控重建誤差。注意驗證集也必須是正常樣本不能用異常樣本做早停判斷否則就泄露了。3.3 評估指標AUROC 之外的漏檢率與過殺率學(xué)術(shù)論文里幾乎只用 AUROC但產(chǎn)線上真正關(guān)心的是漏檢率Miss Rate和過殺率Overkill Rate。漏檢率是異常被判成正常的比例過殺率是正常被判成異常的比例。這兩個指標跟閾值直接相關(guān)而 AUROC 是閾值無關(guān)的。import numpy as np from sklearn.metrics import roc_auc_score, precision_recall_curve def evaluate_detection(scores, labels, threshold): scores: 模型輸出的異常分數(shù)越高越異常 labels: 0 表示正常1 表示異常 threshold: 判定閾值 preds (scores threshold).astype(int) # 漏檢率異常樣本中被判為正常的比例 miss_rate np.sum((labels 1) (preds 0)) / np.sum(labels 1) # 過殺率正常樣本中被判為異常的比例 overkill_rate np.sum((labels 0) (preds 1)) / np.sum(labels 0) # AUROC 作為參考 auroc roc_auc_score(labels, scores) return { miss_rate: miss_rate, overkill_rate: overkill_rate, auroc: auroc } # 閾值選擇在驗證集上找漏檢率滿足要求時過殺率最低的點 precisions, recalls, thresholds precision_recall_curve(val_labels, val_scores) # 實際項目里通常先定漏檢率上限再選閾值 target_miss_rate 0.01 valid_idx np.where((1 - recalls) target_miss_rate)[0] best_threshold thresholds[valid_idx[np.argmax(precisions[valid_idx])]]閾值選擇是工業(yè)落地的關(guān)鍵。學(xué)術(shù)上常用 F1 最大化的閾值但產(chǎn)線上通常先定一個漏檢率上限比如 1%在這個約束下選過殺率最低的閾值。target_miss_rate根據(jù)產(chǎn)線質(zhì)量要求設(shè)定汽車零部件可能要求 0.1%一般消費品 1% 到 5% 都能接受。還有一個容易被忽略的指標異常定位的 IoU。圖像級判定為異常之后產(chǎn)線操作員還需要知道異常在哪。如果熱力圖定位不準復(fù)檢效率會大打折扣。計算像素級 AUROC 或 PROPer-Region Overlap能反映定位質(zhì)量。4. 工業(yè)成像異常檢測的避坑與排查清單這一章記錄幾個我在實際項目里踩過的坑每個都按現(xiàn)象、原因、解決來寫。有些坑在學(xué)術(shù)數(shù)據(jù)集上根本遇不到但一到產(chǎn)線就暴露。4.1 坑一正常樣本里混進了異常模型直接學(xué)歪現(xiàn)象訓(xùn)練 loss 正常下降但驗證集上漏檢率居高不下可視化發(fā)現(xiàn)模型把某些缺陷區(qū)域也當成正常重建了。原因訓(xùn)練集里混進了少量帶缺陷的樣本。工業(yè)現(xiàn)場采集數(shù)據(jù)時操作員可能沒仔細篩選或者缺陷太細微肉眼沒看出來。異常檢測的前提是訓(xùn)練集“純凈”一旦混入異常模型就學(xué)會了重建這些異常。解決訓(xùn)練前用聚類或孤立森林做一輪粗篩把離群樣本挑出來人工復(fù)核。具體做法是用預(yù)訓(xùn)練特征提取每張圖的全局向量跑 K-Means看哪些樣本離聚類中心最遠。另外訓(xùn)練完成后檢查重建誤差最高的前 20 張訓(xùn)練圖如果里面有明顯缺陷說明數(shù)據(jù)清洗沒做到位。4.2 坑二光照變化被當成異常過殺率爆炸現(xiàn)象同一批產(chǎn)品換一個班次或換一盞燈過殺率從 2% 飆到 30%。原因模型學(xué)到的是“亮度分布”而不是“結(jié)構(gòu)異?!??;谥亟ǖ姆椒▽庹仗貏e敏感因為光照變化直接改變像素值重建誤差自然變大。解決訓(xùn)練時加顏色抖動和高斯噪聲增強讓模型對光照變化魯棒。推理前做直方圖均衡化或自適應(yīng)歸一化把不同批次的圖像拉到同一亮度分布。更徹底的做法是改用特征嵌入方法因為預(yù)訓(xùn)練特征對光照的敏感度遠低于像素級重建。4.3 坑三memory bank 太大推理超時現(xiàn)象PatchCore 在測試集上精度很好但部署到產(chǎn)線后單張圖推理要 300ms節(jié)拍要求是 80ms。原因memory bank 存了 20 萬個特征向量每次推理都要做全量 kNN計算量隨 bank 大小線性增長。解決用 FAISS 建 IVF 索引把暴力搜索換成近似最近鄰速度能提升 10 倍以上。同時把sample_ratio從 0.1 降到 0.01memory bank 壓到 2 萬條以內(nèi)。如果精度掉得太多可以按異常類型分別建 bank推理時只查最相關(guān)的那個。import faiss import numpy as np # 假設(shè) memory_bank 是 [N, C] 的 numpy 數(shù)組 N, C memory_bank.shape # IVF 索引把空間分成 sqrt(N) 個簇 nlist int(np.sqrt(N)) quantizer faiss.IndexFlatL2(C) index faiss.IndexIVFFlat(quantizer, C, nlist, faiss.METRIC_L2) index.train(memory_bank) index.add(memory_bank) # 推理時只搜索最近的 nprobe 個簇 index.nprobe 8 # 越大越準越小越快 distances, indices index.search(query_feat, k1)nprobe控制搜索多少個簇取 8 到 16 之間通常能在速度和精度之間取得平衡。nlist取sqrt(N)是 FAISS 的推薦值太大索引構(gòu)建慢太小搜索范圍大。4.4 坑四閾值在不同產(chǎn)品間不能復(fù)用現(xiàn)象A 產(chǎn)品上調(diào)好的閾值直接用到 B 產(chǎn)品上漏檢率直接翻倍。原因不同產(chǎn)品的紋理復(fù)雜度、缺陷對比度、成像條件都不一樣異常分數(shù)的分布自然不同。一個固定閾值不可能通用。解決每個產(chǎn)品單獨標定閾值。產(chǎn)線換型時用新產(chǎn)品的少量正常樣本和已知異常樣本重新跑一遍閾值選擇流程。如果新產(chǎn)品沒有異常樣本可以用正常樣本的分數(shù)分布做無監(jiān)督閾值設(shè)定比如取 99.5 分位數(shù)作為閾值。更工程化的做法是把閾值選擇做成配置項跟產(chǎn)品型號綁定。4.5 坑五數(shù)據(jù)增強把異常特征也增強了現(xiàn)象用了 CutPaste 之后模型對真實缺陷的檢測反而變差了。原因CutPaste 合成的異常和真實缺陷的形態(tài)差異太大模型學(xué)會了檢測“粘貼邊界”這種偽特征而不是真實缺陷的紋理。另外如果增強強度太大正常樣本的分布也被改變了。解決降低 CutPaste 的使用概率不要每張圖都做增強控制在 30% 到 50%。同時加高斯模糊軟化粘貼邊界減少偽特征。如果真實缺陷有明確的形態(tài)特征優(yōu)先用 DRAEM 這類基于紋理合成的方案而不是簡單的 CutPaste。5. 把異常檢測推到產(chǎn)線幾個能直接用的進階技巧前面四章把方法論和 pipeline 講完了這一章收在幾個實戰(zhàn)技巧上。這些技巧不一定寫在論文里但在產(chǎn)線落地時能幫你省不少時間。第一個技巧是多尺度評分融合。單一尺度的異常分數(shù)往往不夠穩(wěn)尤其是缺陷大小差異大的場景。做法是在 backbone 的不同層級分別提取特征、分別算異常分數(shù)然后加權(quán)融合。淺層分數(shù)對小缺陷敏感深層分數(shù)對大缺陷敏感。權(quán)重可以用驗證集上的漏檢率來調(diào)通常淺層權(quán)重 0.4、深層 0.6 是個不錯的起點。第二個技巧是利用無標注異常做半監(jiān)督微調(diào)。產(chǎn)線上總能攢到一些被操作員攔下來的異常樣本雖然沒標注像素級 mask但圖像級標簽是有的。用這些樣本對模型做一輪微調(diào)把異常分數(shù)拉高能顯著降低漏檢。注意微調(diào)時學(xué)習率要小1e-5 量級否則容易把預(yù)訓(xùn)練特征帶偏。第三個技巧是時序一致性過濾。工業(yè)產(chǎn)線通常是連續(xù)采集同一個產(chǎn)品可能有多幀圖像。如果某一幀被判為異常但相鄰幀都正常大概率是噪聲導(dǎo)致的誤報。用一個簡單的滑動窗口做投票能壓掉不少過殺。窗口大小取 3 到 5 幀投票閾值取 2/3 或 3/5。第四個技巧是異常熱力圖的后處理。模型輸出的熱力圖往往有噪聲直接拿來做定位效果不好。先做高斯平滑再用連通域分析去掉面積過小的區(qū)域最后用形態(tài)學(xué)閉運算把斷裂的異常區(qū)域連起來。這幾個操作在 OpenCV 里都是現(xiàn)成的加起來不到 20 行代碼但定位 IoU 能提升 5 到 10 個點。import cv2 import numpy as np def postprocess_heatmap(heatmap, min_area50): heatmap: [H, W] 浮點異常分數(shù)圖已歸一化到 [0,1] min_area: 最小連通域面積小于此值的區(qū)域視為噪聲 # 高斯平滑抑制孤立噪點 smoothed cv2.GaussianBlur(heatmap, (5, 5), sigmaX1.5) # 二值化閾值取 0.5 是經(jīng)驗值可根據(jù)驗證集調(diào)整 binary (smoothed 0.5).astype(np.uint8) # 連通域分析去掉小面積區(qū)域 num_labels, labels, stats, _ cv2.connectedComponentsWithStats(binary, connectivity8) clean np.zeros_like(binary) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] min_area: clean[labels i] 1 # 形態(tài)學(xué)閉運算連接斷裂區(qū)域 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7)) clean cv2.morphologyEx(clean, cv2.MORPH_CLOSE, kernel) return cleanmin_area根據(jù)實際缺陷的最小尺寸來定如果產(chǎn)線要求檢測 0.5mm 的劃痕按像素當量換算一下就行。sigmaX1.5的高斯核大小取 5這是速度和效果的折中核再大定位會變糊。最后一個習慣每次換產(chǎn)品、換光源、換相機都重新跑一遍驗證集看漏檢率和過殺率有沒有漂移。工業(yè)現(xiàn)場的環(huán)境變化比實驗室里大得多模型不是一次調(diào)好就能一直用的。我一般會在產(chǎn)線部署后的第一周每天抽檢 50 張圖確認指標穩(wěn)定后再放寬監(jiān)控頻率。希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
欧美色综合天天久久综合精品 | 久热这里精品免费| 成年人99热| 能看的AV网站| 6080av| 内射激情在线| 五月天婷婷久久视频| 天天爽天天摸天天爱| 欧美人妻一区二区| 99在线资源| 亚洲另类婷婷综合| 99热 精品在线| 五六月婷婷久久| 五月婷婷日本| 超碰免费在线| 激情五月天婷婷视频| 六月婷婷在线视频| 色偷偷综合| 日本不卡一区二区三区| 色色五月天婷婷丁香| 99热这里都是精品| 五月婷婷激清网| 婷婷五月天色播| 亚洲愉拍99热成人精品| 婷婷丁香九色| 久久久五月天| 五月开心啪啪| 九九亚洲视频| 99久久天堂婷婷| 大香av| a色色片| 日韩AAA| 性色五月天| 九九热99熟女| 深夜婷婷 丁香| 国产人人操| 狠狠色五月| 侠女刀之记忆电影在线看免费| 五区毛片七区毛片| 六月激情婷婷| 婷婷久久五月天中文字幕在线观看| 九九久久99精品免费观看www| 色欲丁香久久| 欧美在线视频99| 亚洲A片成人无码久久精品青桔| 亚洲在线成人| 婷婷5月天av| 久久视频婷婷| 五月婷婷丁香日韩在线| 操操碰| 欧美va亚洲va在线播放| 激情综合区| 98国产精品综合一区二区三区| 婷婷久久欧美| 免費亭亭成人| 久久精品99| 国产真人做爰视频免费| www狠狠| 久久成人天| 色婷婷五月天视频网站| 国产精产国品一二三在观看 | 天天爽夜爽| 婷婷五月激情五月激情| 9久9久| 九九热九九| 丁香五月乱中文字幕| 99精品网| 久操激情| 色爱五月天| 丁香五月色色| 色一情一乱一乱一区9| 久久久久综合激动五月天| 超碰在线免费9| 少妇性按摩无码中文A片| 亚洲xx网| 五月天在线视频尤物视频在线看| 色色色综合网| 嘿嘿视频免费看9| xxxx五月| 99视频| 91狼友视频网页更新| WWW.99视频| 欧美VA在线观看| 婷婷五月天av| 色九九七七| 五月花婷婷最新| 中文字幕在线免费观看视频| 欧美一级色| 激情五月婷婷开心网| 99性爱| 欧美五月停| 色伊人91在线视频| 五月色无码| 超碰人人操在线| www99精品亚| WWW.桔色成人.COM入口| 九月丁香婷婷| www.婷婷五月天.com| 亚洲第一精品成人999久久精品| 天天日日夜夜| 色婷婷色五月另类综合| 狠狠综合网| 在线网黄| 六月 丁香 视频| 婷婷精品综合| 五月停停999| 九月av在线| 伊人午夜综合色啪| 蜜乳久AV| 五月丁香六月花| 粉嫩AV久久一区二区三区| 日韩AV片| 婷婷五月天小说| 一片AV片免费播放| 激情丁香六月| 狠干综合| 99精品热| 97碰碰视频在线观看免费| 青草少妇激情| 婷婷五月超碰| 婷婷色啪| 超碰精品在线| 99综合视频| 丁香婷婷激情综合五月激情| 另类少妇人与禽zOZZ0性伦| 婷婷九月激情| 五月丁香综合啪啪| 丁香婷婷五月激情综合| 无码激情AAAAA片-区区| 国产色五月婷婷| 亚洲A片成人无码久久精品青桔| 99久久99热| 亚洲综合成人网| 99爱在线免费视频| 欧美婷婷六月丁香综合色| 天天精品视频免费观看| sisi热国产| 欧美在线| 精品99爱免费视频在线观看| 激情综合丁香| 五月丁香久久| www.色色五月天.com| 婷婷午夜激情| 九九碰九九爱97| 五月色婷婷综合| 国产成人综合网| 99视频在线| 五月天第四色开心色播| 九九婷| 五月婷婷五月天亚洲无码| 开心五月婷婷| 四五月婷婷| 丁香花社区av| 99视频网址| 成人 在线 日韩| 五月婷婷在线免费观看| 97好吊操| 91大神操美女| 欧美搡BBBBB摔BBBBB| 色五月天激情| 超碰在线综合| 婷婷五月天精品| 丁香五月婷婷啪| AA片在线观看视频在线播放| 五月天另类视频| 99啪啪网| 无码人妻少妇色欲AV一区二区| 中出内射的人妻视频| 色综合久久88色综合天天| 色99欧洲色19| 狠狠操狠狠爱| 亚洲精品第一国产综合亚AV | www.亚洲激情.com| 色999亚洲人成色| 婷婷丁香六月天| 婷婷综合伊人丁香| 久久狼人天堂| 99se丁香| 久久99网站| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 79精品视频在线观看,| 婷婷涩涩五月天| 日韩色色视频| 可以直接看的av| 久久之人妻| CHINESE熟女老女人HD视频| 色婷婷狠狠久久综合五月| 五月天基地| 囯产精品久久欠久久久久久九大| 九热视频| 久久亚洲网| 99青青草99| 久青操| 亚洲激情电影五月天色婷婷丁香一起草| 黄色av网站在线免费播放| 国产精品电影网| 丁香六月色婷婷欧美| 婷婷伊人欧美| 激情婷婷丁香| 婷婷五月丁香欧洲| 综合综合网| 伊人热婷婷| 久草热在线视频| WWW.久久99| 99视频这里有精品| 五月婷婷,狠狠操| 都市激情蜜桃婷婷五月天| 97超碰9久热婷婷热| 99ri精品| 美女丁香五婷婷| 激情五月天噢美| ady狠狠入| 丁香激情网| www.天天日| 久久五月丁香伊人青草| 99色网站| 五月伊人婷婷999| 开心五月婷婷激情| 丁香激情久久| 人妻久久人妻久久第一区| jiujiu热在线视频| 丁香视频| 色色色宗合网| 免费无码毛片一区二区A片| 欧美三日本三级少妇三99| 伊人久久五月天| 日本久久网| 五月丁香婷婷99| 疯狂做受XXXX高潮A片| 婷丁香五月天| 天天操天天操天天操天天操天天操| 五月丁香综合啪啪啪啪啪| 人妻中文av| 202丰满熟女妇大| 二色AV| 日本操逼九九九九58日本操逼| 精品五月视频婷婷在线观看| 五月婷婷丁香大陆免费| 毛片蕉地一二| 婷婷五月色综合香五月| XX色综合| 午夜天堂一区人妻| 五月综合久久| 五月丁香网站| 久久怕怕视频| 五月天激情小说| 婷婷五月色天| 激情综合网五月天| 婷婷基地爱| 99视频在线观看视频| 色色综合日韩| 亭亭丁香久久五月| 色丁香综合影院| 这里都是精品99| 九热免费视频| 六月久久婷婷| 五夜丁香| 激情性爱五月| 五月综合丁香婷婷| 色情丁香五月婷婷精品| 97五月天婷婷综合激情网| 婷婷丁香大香蕉| 97久久人人人干| 亚洲九九九九| www.五月天性.com| 亚洲99视频| 久久五月天激情视频| 五月丁香六月婷婷,婷| 五月丁香久久综合| 色五月综合激情| www.色综合.com| 999久久久国产精品| 91在线观看www| 五月做爱| 99碰视频| www.99热视频| 亚洲五月丁香综合网| 性韩日色婷婷五月天激情啪啪XXX| 99re视频在线播放| 99国产小视频免费观看| 熟女五月天久久综合| 五月丁香亚洲综合网| 婷婷五月天亚洲激情戏精品| 人人爱人人摸人人澡| 五月开心深爱激情网| 色噜噜五月天| 婷婷五月天激情小说| 五月天婷婷在线观看| 久久激情五月婷婷| 成人综合视频网址| 天天射色五月天| 五月婷婷色啪| 色色五月婷婷| 夜夜操狠狠操天天操| 亚洲性色XXXXX| 婷婷丁香五月综合网上| WWW.17C亚洲精品| 色色色干| 国产毛片欧美毛片久久久 | 97操男人的天堂| 9 1大香蕉| 婷婷丁香五月天影院 | 亚洲小说欧美激情| 国产精品久久久海的味道| 99无码视频| 成人网址在线观看| 日日干夜夜干| 亚洲另类av| 欧美在线操| 丁香五月天激情五月天激情五月天激情网| 夜夜夜叫天天天做| 情色婷婷五月天| 婷婷五月天激情文学| 亚洲精品又粗又大又爽A片| 超碰cap| 日韩精品超碰在线观看| 国产激情综合五月| 五月天婷婷久久视频| 秋霞成人毛片一级A片| 五月丁香在线观看| www.ywav| 激情综合网五月丁香| 丁香五月激情婷婷视频| 2w在线视频| 亚洲丁香婷婷丁香五月天激情| 99综合网| 久久涩视频| 國語久久婷| 婷婷激情综合无月| 伊人久久大香线蕉av一区| 五月丁香六月激情在线| 亚洲成人精品三区| 婷婷五月天丁香| 国产日日操夜夜操的肉棒视频| 日日操夜夜撸| 黄桃AV无码免费一区二区三区 | 九色视频91| 婷婷五月天日逼| 五月丁香成人视频| 五月色丁香| 人妻中文字幕网| 五月天婷婷色情| 丁香丁香激情网| 激情美女五月天激情在线| 五月激情影院| 天天爽,夜夜爽| 97人人做| 东京热人妻一区二区三区在线| 色五月婷婷基地| 天天爽夜夜爽天天爽夜夜爽| 色吧五月婷婷| 久久色9| 激情深爱综合| 欧美日韩123| 五月天激情小说网| 97久人人| 婷婷久久亚洲| 久热免费视频| 亚洲超碰在线| 色色A| 影音先锋日本三级资源| 日本人妻A片成人免费看片| 99小视频网站| 性爱综合网| 丁香六月婷婷综合啪啪| 五月天激情无码专区| 超碰人妻在线| 亚洲成人网站在线| 色久综合天天做视频| 深爱激情丁香| 激情图片99| 天天干天天操天天爱| 亚洲欧美综合7777色婷婷| 亚洲综合五月| 日韩av变天就操逼不卡区| 久久婷婷色色| 五月丁香在线| 就爱日五月天| 九九热手机在线视频| 五月天狠狠色| 狠狠色综合网站久久久久| 五月丁香少妇网| 久久久久9| WWW.久久久久久久久久久久久| 天天人人天天爽| 激情色播| 五月天久久www| 久久九九热视频| 丰满少妇猛烈A片免费看观看| 97人人操人人| pom538精品视频| 国产女人十八水真多1| 凹凸7777操操操| 色吧五月| 综合AV在线| 五月丁香综合影院| 精品日本视频444| 色播五月丁香婷婷| 久久思思热| 婷婷视频网| 99热精品99| 涩涩激情五月婷婷| 噜噜色噜噜网| 97婷婷久久丁香| 五月婷婷福利| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | 色色婷婷五月天| 综合激情九月婷婷,激情综合婷婷中文字| 26UUU亚洲欧美| 丁香五月天啪啪| 久草五月婷婷| 在线天堂9| 看全色黄大色大片| 激情图片婷婷丁香五月| 热99精品视频| 色婷婷六月天| 九九人人操| 人妻人人操| 高清视频一区| 韩国情人在线电视剧免费观看高清版全集| 婷婷色六月| jiujiu热在线视频| 操91| 色色色在线播放| 天天操天天插| 狠狠操天天操综合| 狠狠精品干练久久久无码中文字幕 | 激情文学久久| 99色婷婷| 青青热久精品视频在线观看| 欧美性猛交XXXX乱大交极品| 99热首页在线30| 河北真实伦对白精彩脏话| 久久久久综合激动五月天| 国色天香成人网| 5月婷婷6月丁香aV| 91干网站| 五月婷视频| 91精产一区三区免费观看| 五月丁香在线| 97久久久久| 五月婷婷成人| 婷婷 亚洲图片 丁香| 欧美情色电影一区二区| 国语精品探花| 色婷成人狠干| 99视频35精品视频在线观看| 99婷婷五月天| 中文字幕在线aⅴ免费观看| 天天综合干| www婷婷色| 五月婷婷丁香综合网| 超碰自拍天堂| 99re视频在线播放| 九九热这里只有精品556| 六月婷婷激情| 99色在线观看| 五月天婷婷社区久久综合| 伊人干综合| 天天爽在线视频| 欧洲电影在线观看免费版英语版| 婷婷久久综合久色| 久激情网| 国产精品激情AV久久久青桔| 婷婷五月天电影网| 99爱爱| 婷婷五月天成人| 丁香婷婷少妇| 欧美丁香五月| 国产毛片精品一区二区色欲黄A片| 丁香婷婷五月天色播| 色色色香蕉五月婷| 97精品自拍视频| 狠狠色丁香五月婷巨| 大地9中文在线观看免费高清 | 欧美婷婷六月丁香综合色| 婷婷五月天av| 人人摸人人澡人人| 狠狠色丁香综合| 99碰碰。| 婷婷丁香五月麻豆| 日逼免费视频 | 国在线激情网| 久久久91精品| 色吧综合网| 777丁香六月青青草婷婷综合久月| 丁香六月婷婷色XXXXX| 九九视频在线观看| 五月天狠狠草| 欧美丁香婷婷天天操| aaaa久久| 五月丁香久久| 热99这就是精品视频| 99久久免费性爱视频`| 人妻内射一区二区在线视频| 久久婷婷五月综合啪| 欧美99热| 超碰爱爱爱| 一本大道熟女人妻中文字幕在线| 这里只有精品视频| 丁香六月成人网| www.日本91| 熟妇人妻中文字幕无码老熟妇| 亚洲婷婷欧美婷婷| 亚洲色五月天是什么| 影音先锋 一区| 大香蕉伊人久久| 婷婷五月激情视频在线| 激情五月丁香综合蜜桃| 色你久久| 欧美A片在线视频免费观看| 婷婷五月综合激情| 色婷婷亚洲婷婷在线观看| 这里只有精品免费在线视频| 777久久久| 久久久婷婷| 久久人人九| 99热首页在线30| www激情| JlZZJlZZ8JlZZ亚洲熟女| 五月天激情电影| 噜噜色婷婷| 99热精在线九九久久保| 超碰激情网| 操逼电影免费看| 五月丁香啪啪啪| 五月天播播中文字幕| 激情5月婷婷狠狠干| 丁香五月亚洲AV| 色播播五月天| 武则天精品久久| 亚洲色vA| 激情五月综合色婷婷| 色婷婷网| 91互操| 91女人18毛片水多国产| 国产AV一区二区三区最新精品| 五月综合丁香婷婷| 天天日综合| 亚洲性爱99在线| 五月天色婷婷激情综合| 久久 婷婷 五月天| 久99久视频免费观看| 中文婷婷狠狠| 国产精品91抖高| 狠狠综合| 成人日韩欧美| 九九99免费视频| 狠狠干在线| 99愛国产| 丁香五月在线看| 五月天另类综合网| 亚洲精品五十一区| 色,激情五月天| 色丁香婷婷| 狠狠草网| 激情丁香五月AV| 中文字幕人妻AV| 婷婷五月天天| 蜜桃婷婷丁香综合久久开心亚洲| 色综合五月天| 亚洲精品一区中文字幕乱码| 人人爱操| 另类天堂| 深爱激情五月天| 综合激情视频| 天天玩夜夜操| 九九热在线99| 色播五月| 大香蕉手机视频| 天天狠天天叉| 五月香婷婷| 99热这里只有精品3| 久热大香蕉| 日本久久天堂| 任你草| 夜夜骑夜夜撸| 五月丁香六月情| 综合色五月| 亚洲情欲| 99精品在线观看| 99色热| 五月综合久久| 亚洲精品久久久久久久久久吃药| 99热这里有精品| 嫩草AV久久伊人妇女超级A| 天天干天天干天天干| 亚洲精品亚洲人成人网| 婷婷综合| 国产精产国品一二三在观看| 少妇性按摩无码中文A片| 大战熟女丰满人妻AV| 99精品偷自拍| 国内自拍97在线| 永久天堂日本| 五月婷婷色啪| 久操热线| 日本人妻丁香婷婷久久寝取熟女五月| 69激情小说| 99re这里只有精品视频了| 天天操综合网站| 激情五月开心五月丁香五月| 激情小说五月天| 91人人操人人| 人妻人人操| 国产午夜精品AV一区二区麻豆| 婷婷丁香中文字幕| 日日噜噜久久婷婷五月天| 久久久五月婷婷| 婷婷五月综合在线| 天天天天天操| 日日噜狠狠色综合久| 玖玖午夜视频| 色婷婷丁香五月| BBWCUCKOLD精品熟妇| 五月丁小婷婷激情四射| 精品久热69| 91热在线| 丁香五月在线观看综合| 日本VA视频| 亚洲欧洲国产精品| 五月天激情视频| 婷婷伊人五月天| 丁香五月婷婷亚洲另类| 五月天社区| 亚洲瑟瑟精品在线| 五月天激情网站| 91狠狠色丁香婷婷综合久久精品| 日本黄 色 片| 狠狠色噜噜色狠狠狠综合色| 成人视屏在线观看| 噜噜噜噜在线| 国产精品美女| 欧美激情五月天| 任我肏视频精品| 五月天操逼网| 美女要搞搞天天搞搞搞网站| 五月天偷拍| 亚洲AV人人操| 人妻丰满精品一区二区A片| 97在线/日本| 久久伊人大香蕉| 狠狠草综合网| 性爱综合网| 亚洲亚洲人成综合网络| 超碰97免费在线| 天天综合久久| 99热一区| 三十熟女| 五月丁香婷草| 婷婷色日本| 天天拍天天操| 亚洲视频一区| 五月婷婷三级| 91综合在线视频| 色综合天天网| 这里只有精品视频在线| 免费视频WWW在线观看网站| 99亚洲精品视频| 丁香开心深爱| 色婷婷大香蕉| 色五月丁香com| 久久婷婷五月综合精品蜜芽| 射久久丁香五月| 99性视频| 精品动漫 无码av| 国产永久一二一起草| 五月天婷婷影院| 国产毛多水多女人A片| 九九大香蕉黄色影院| 五月丁香人人婷婷在线观看| 香蕉久久国产AV一区二区| 综合久久五月| 久1色色| 久久艹99| 99精品九九| 丁香六月婷婷综情欧美| AA丁香综合激情| 99热国品| 99亚色色色| 九九精品自拍| 日日夜夜综合| 国产精品久久久久久久久久| 国产67194| 开心激情五月天网| 亚洲六月综合激情久久下卡| 综合激情五月丁香| 9热在线观看| 白度黄视频| 日日操夜夜爽白洁| 五月丁香久久综合| 91九色超碰正在播放| 欧洲激情五月天| 五月丁香六月综合激情| 91久久综合亚洲噜噜成人在线| 久色中文| 色色色99| 97久久超碰| 亚洲色网络| 丁香五月婷婷影视先锋| 男人综合网| 日日夜夜狠狠| 91超碰人人操| 激情综合网址| 成人中文字幕在线| 天天干天天色综合| 五月丁香狠狠爱婷婷综合| 就爱干 在线| 人人草人人舔| 99五月丁香丁| 五月丁香777| 99在线资源| 天天插天天插| 91色碰| 色深爱五月| 色www99| 26uuuavcom| 丰满少妇猛烈A片免费看观看| 在线五月婷婷小电影| 久久新地址| 99热1| 婷婷五月综合视频免费播放| 色9999综合久久| 岛国av电影网站| 久久人妻少妇嫩草AV| 激情五月综合色婷婷| 丁香六月天| 第2色五月婷| 97色婷| 深爱丁香网| 99久热| 美女亚洲五月丁香| 丁香五月激情网| 色婷五月婷婷| 97色色视频| 欧洲亚洲最新精品| 极品人妻VIDEOSSS人妻| 色婷婷4| 亚洲中文字幕在线观看| 五月色导航| 激情婷婷丁香| 婷婷深爱五月丁香网| 91av成人| 天天操婷婷| 欧美 日韩 成人| 成人综合视频在线| 久久永久视频| www婷婷| 天天做天天爱天天爽在| 免费无码毛片一区二区A片| 激情五月婷婷伊人| 大香蕉福利导航| 婷婷五月天激情丁香| 中文字幕在线不卡视频| 激情五月天啪啪| 热久国产| 婷婷五月天AV| 我要射综合| 五月丁香亭亭A片| 天天天天操| 婷婷欧美激情| 99热在线精品观看| 色。 日日日| 99色爱| 婷婷五月综合激情免费| 开心五月婷婷婷美女| 九九色人| 热99视频精品| 亚洲成人av中文| 婷婷久久色| 色婷婷免费观看| www.99在线| 五月噜噜| 97婷婷狠狠久久综合9色| 狠狠操综合| 五月丁香美女| 超碰2021| 亚洲成人AV在线观看| 五月丁香六月激情综合网| 亚洲亚洲人成综合网络| 丁香五月婷婷乱| 婷婷丁香综合色AV| 99视频九九热| 亚洲夜五月| 人人摸人人干| 中文字幕av在线| 这里只有视频精品| 91精品久| 99热精品在线播放| 激情五月天综合图片小说网站| 色99久草在线| 综合色五月| 天天插天天草人人玩| 久热天堂| 久久激情五月婷婷| 先锋av性爱成人电影| 久久WW| 国产成人精品一区二三区熟女在线| 婷婷五月天在婷| 五月婷婷激情久久| 情欲禁地| 网站免费一站二站| 五月丁香色色综合| 综合九九久久| 六月 丁香 视频| 99热精地址| 操久久网| 色综色网| 九九精品热| 五月婷婷丁香在线视频| 97影院一级片| 亚洲综合五月天婷婷| 亚洲av综合网| 深爱激情久久| 99综合久久| 啪啪啪丁香五月| 99九九久久| 99热在线观看亚洲区| 丁香五月电影| 色综啪啪| 开心五月深爱五月| 久久99精品久久久久久三级| 久久6这里只有精品| 成人在线网站| 欧美五月停| 91黄址| 婷婷无码视频| 婷婷五月天免费小说| 超碰啪啪网| 色色五月婷| 26uuu欧美| 婷婷久久六月天| 翔田千里 50岁 无码| 综合另类激情| 91九色精品熟女内射| 激情99| 婷婷丁香激情| 丁香五月婷婷六月婷婷| av免费在线网站| 超碰成人公开| 777色色色| 开心婷婷中文字幕| 人人看人人草人人摸| 婷婷激情综合网| 超碰在线网站| 色九四色| 中文字幕 码精品视频网站| 婷婷五月天综合AV| 五月婷婷啪啪啪啪| 日本的α片xxxwww| 91久久1118| 9伊人网| 国产欧美熟妇另类久久久| 国产精品成人AV在线| 丁香五月综合AV在线| 欧美va国产va| 玖玖无码中文| 99热碰碰| 丁香六月天婷婷| 色一情一乱一伦一区二区三区| 无码啪啪| 无码99| 丁香婷婷六月在线资源观看| 五月丁香婷婷激情在线视频| 永久无码色| 密乳Va| 九九精品婷| 久综合九综合99| 天天综合网站| 综合网亚洲| 激情久久五月天| 亚洲另类日本| 美女五月天| 激情久久综合网| 这里只精品| 色五月大香蕉| 亚洲另类婷婷综合| 亚洲婷婷基地| 久久99久久久久久久噜噜| 五月久久丁香| 1024国产在线| 亚洲亚洲人成综合网络| 丁香五月自拍| 婷婷五月天影院| 丁香六月啪| 激情久久综合| 97综合在线| 9月色婷婷| 欧美性爱一区| 五月天丁香成人社| 一月婷婷色色| 天天爽天天操| 99这里有精品视频| 五月天激情视频| 五月婷婷综合在线视频小说| 天天做天天爱天天综合| 色欲久久久久| 丁香婷婷婷五月| http://www.sd-xiangsu.com/| 99热只有这里才是精品| 五月色无码| 激情五月综合ì香亚洲| 婷婷五月天综合蜜桃| 日本精品。999| 美女婷婷六月色| 桔色成人官方网站| 婷婷五月天熟妇| A A色色| 亚洲无码九九| 99精品视频网站| 99热精地址| 久久婷婷成人综合色怡春院| 婷婷国产成人| 激情综合在线观看| 丁香花五月天激情| 丁香六月欧美| 99无码精品| 亚洲精品又粗又大又爽A片 | 天天色综合网吨吧| 丁香美女主播视频在线观看| 终合激情网| 五月天激情婷婷| 免费观看大片视频 丁香婷婷 六月欧美| 精品色色| 99综合在线| 亭亭色色五月天| 色五月综合在线| 99精品网| 91碰人人| 人人操人人添人人摸97| 色人久夂| 日本怕怕视频| 天天做天天爱天天爽在| 99视频这里只有久久精品 | 99爱爱| 丁香五月影院| 亚洲av另类在线观看| 国产中文字幕在线视频免费观看| 99色日本| 日韩欧美五月丁综合| 婷婷丁香五另类网站| 丁香五月婷婷亚洲另类| 狠狠色综合精品视频在线| 黄色成人网站在线播放| 五月丁香久久| 国产精品激情AV久久久青桔| 五月婷丁香久久综合| 丁香六月婷婷久久高清| 91碰碰碰| 1995年关宝慧版蜘蛛女| 五月婷婷亚洲色视频| 亚洲婷婷91丁香| 五月天激情网站| 丁香五月瑟瑟| 婷婷月综合| 久久五月天精品视频| 另类视频丁香五月| 91狠狠综合网| 久久婷五月天| 日韩精品一曲二曲三曲四曲五曲| 伊人激情综合网| 综合xx网| 久久这里有精品视频在线免费观看| 亚洲一区二区无遮挡A片| 色婷五月| 精品欧美一区二区三区久久久| 91oumei| 99热99在线| 天天爽夜夜爽| 五月天婷婷AV| 久久精品国产一区二区三区四区| 一本九九色| 五月婷婷色影院| 激情五月激情综合网一级丸片| 女人天堂 AV| 色色综合网站| 婷婷中合| 91婷色| 九九久久综合网站| 强伦轩人妻一区二区电影| 五月天婷婷色色| 蜜臀99久久精品久久久久| 五月花综合网| 中文字幕乱轮| 五月天偷拍| 99热在线网站| .操區COm| 久久久久人妻网址| 丁香五月影院| 2017人人操| 五月丁香婷中文字幕 | 亚洲五月天伊人| 97婷婷丁香| 青青草视频免费观看| 97热精品| 婷婷无码视频| 色五月综合| 91seAV| 亚洲日韩人妻操逼| 性热视频99精品| 久久艹 五月天| 夜夜大香蕉婷婷丁香| 久久久久人无码人妻| 色婷婷丁香五月| 91男人资源站| 侠女刀之记忆电影在线看免费| 99精品热| 国内一级片| 爽极品色| 可以免费看AV网站| 大香网伊人久久综合| 偷偷操99| 婷婷激情欧美| 玖玖婷婷五月天| 伊人五月天97| 婷婷久久五月天亚洲欧美国产日韩在线观看| 99亚州综合精品成人网| 图片区 小说区 区 亚洲五月| 色综合区| 这里只有久久精99| 日本人妻伦在线中文字幕| 色综合激情| 人人视频人人干人人做| 性av| www.激情.com.| 男人的天堂五月丁香| 五月婷婷伊| 欧美噜噜免费观看| 影音先锋一区| 色五月大香蕉婷婷| 66精品成人免费网站在线观看| 丁香五月手机在线| 91丨九色丨熟女|老版| 久久黄色片| 三级av在线| 天天爽夜夜爽夜夜爽精品| 婷婷综合亚洲| 毛v一区二区视频| 五月天色婷婷基地| 色色色999| 久久99视频| 久久伦乱| 久久婷婷夜| 色婷婷五月综合网| 777米奇影视第四色| 婷婷丁香视频在线观看免费| 日韩九区| 九九色院| 五月色亚洲| 中文字幕人妻AV| 热99精品视频| 国产精品久久久久9999小说| 丁香六月婷婷开心| 天天爽夜爽| 99久久9| 超碰不卡在线| 激情久久丁香| 色婷婷电影网| 精品一区二区三区三区| 日韩精品二三区| www,999日本色| 婷婷丁香五另类网站| 欧美色五月| 26UUU成人网| 99久热这里只有精品| 日韩无码乱轮| 婷婷五月天精品| 97luluse| 丁香涩涩五月天| 99这里| 超碰91在线| 九九热99视频| 色婷婷综合亚洲| 五月婷婷之综合激情| 乱岳熟女50岁| 亚洲激情电影五月天色婷婷丁香一起草| 激情五月综合| 成人视屏在线观看| 五月丁香六月激情| 久久综合55| 丁香5月婷婷| 9视频在线成人网站| 思思热99在线| 丰满少妇乱A片无码| 婷婷久久五月天亚洲欧美国产日韩在线观看 | 色视频2025| 激情五月天视频| 久99热| 九九色色| 国产阿姨日皮艹逼内射视频 | 婷婷九九色| 99久久激情视频| 精品一区二区三区三区| 精品皮股午夜AV| 久久38视频| 色色色色热| 日本黄色在线观看| 久久婷婷五月丁香网| 综合久久97| 色综合色色| 99热思思在线观看| 丁香五月五月婷婷欧美大香蕉| 婷婷5月开心6月| 丁香六月婷婷操逼网| 五月色色激情网| 国产avapp 网| 91色色色| 色99视| 婷婷五月丁香第四色超碰在线| 天天色激情| 99热全是精品| 五月丁香| 五月婷婷六月色| 色欲丁香久久| 第四色色六月色综合| 国产性爱亚洲是图| 综合久久五月天| 免费视频99| 丁香激情六月天婷婷| 伊综合蕉| 夜夜撸日日操| 久久综合激情| 色一情一乱一伦一区二区三区| 久久机热这里只有精品| 婷婷激情啪啪| 色综合色| 色欲日日躁| 九九九九无码| 99自拍视频在线观看| 五月天激情偷拍| 亚洲一区二区色图-亚洲精品国产精品乱码-成人AV | 男女99免费视频| 91中文在线| 99热成人在线观看| 97人操人免费视频| 九九Av| 人人爱人人添| 91人人超碰在线| 99久久九九| 丁香五月色欲| av色婷婷| 免费视频无码| 丁香婷婷五月综合影院| 天天综合五月天| 丁香六月激情综合| 天天干天天射色综合| 青草视频在线蜜臀| 伊人激情| 久久久久久久久久人妻| 91精品国产99久久久久久天美| 99无码视频| 激情婷婷狠狠干| 99久精品| 狠狠操天天干| 久久激情五月婷婷| 婷婷五月天在线看| 无码人妻AV久久久一区二区三区| 这里只有精品2| 九九AV| 亚洲黄色操逼| www.久久爱| 天堂婷婷丁香六月网| 丁香九月综合激情| 99免费超碰在线| 日韩另类在线观看| 婷婷激情蜜桃玖玖丁香| 日韩伊人大香蕉| 色色色综合| 无码色| www.操逼comm| 欧美在线97| 精品爱欲五| 婷香五月| 夜夜综合色| 五月天激情站| 99在线视频女女视频| 色婷婷六月天| 狠狠插狠狠插| 狠狠五月天婷婷| 九热视频在线精品15| 久热婷婷综合| 久久草中文日韩欧美| 亚洲婷婷激情888精品久| 五月丁香色| 久久月天堂| 九九久久99| 色导航色婷婷五月天在线观看| 开心五月激情| 五月色亚洲| 欧美成人在线观看| 99久久6| 综合久久五月天| 色综合色综合色综合高潮| 久久天堂网| 日本熟女啪啪| 亚州美女| 五月天丁香综合久久国产| 26uuu亚洲欧美| 五月婷婷偷| xx久久| 97在线日韩| 91狠狠综合久久| 超碰色综合| 狠狠操婷婷| 丁香五月另类小说在线阅读| 日韩 中文 欧美| 综合久久十三| 五月综合视频| 9久久精品| 成年人最刺激的综合网| 久噜久噜| 色五月婷婷少妇人妻| 五月停停999| 99re在线免费视频| 亚洲天堂婷婷丁香| 狠狠色婷婷777| 大香蕉综合| 五月丁香激情婷婷| caopeng97日韩| 国产VA播放| 色婷| 婷婷色在线播放| 日本wwww在线| 欧美操人| 99性视频| 日韩成人AV在线| 五月激情小说| 激情内射p| 色综合天天网| 五月婷婷免费在线| av在线观看网站| 91九色中文| 婷色综合| 婷婷丁香无码专区| 亚洲人人操| 涩涩五月天| 天干夜夜操| 日韩黄黄| 色综合久久综合中文综合网| 日本丁香五月| 亚洲激情免费视频| site:ornaments52.com| 岛国资源网| 婷婷久久国产视频| 玖玖99福利| 狠狠色五月激情| 久久久WWW| 欧洲综合视频| www.91九色| 另类精品视频在线观看| 婷婷综合一二三| 五月四色激情| 欧美色激情四射| 六月五月天婷婷涩播在线| 丰满少妇猛烈A片免费看观看| 亚洲成av人影院| 亚洲国产精品VA在线看黑人 | 天天干天天操天天爱| 成人狠狠成人狠狠成人狠狠成人狠狠| 色。 日日日| 丁香五月自拍| 婷婷五月天伊人在线| 五月婷婷五月天激情视频| 梁铮版《蜘蛛女侠》在线| 九九精品片一| 五月天堂婷婷|