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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

機器學習實現(xiàn)缺陷水果分選:Matlab從驗證到產(chǎn)線的完整流程

機器學習實現(xiàn)缺陷水果分選:Matlab從驗證到產(chǎn)線的完整流程 做果蔬加工的朋友應該都有體會分選線上的“挑壞果”這道工序看著簡單其實是最難自動化的一環(huán)。不同品類的缺陷形態(tài)差異極大——有的是磕碰造成的褐變有的是霉變白斑有的是果皮疤痕——而且同一種缺陷在不同品種、不同成熟度上的表現(xiàn)可能完全不一樣。傳統(tǒng)機器視覺靠固定閾值去分換個光照、換個批次就失靈。這幾年我陸陸續(xù)續(xù)做了幾個用機器學習做缺陷水果分選的項目其中一個典型做法就是在Matlab里快速完成算法驗證再遷移到產(chǎn)線設備。這篇文章就把這套流程拆開講清楚從數(shù)據(jù)準備、特征與模型選型到Matlab代碼主干、評估調(diào)優(yōu)再到真正上線會遇到的工程問題一次說透。想做缺陷水果分選、或者剛接觸農(nóng)產(chǎn)品視覺檢測開發(fā)的人都可以拿這套思路作為起點。1. 缺陷分選的任務本質(zhì)先定義問題再談算法很多人在做這類項目時容易一上來就抱著深度學習模型不放結果數(shù)據(jù)集只有幾百張圖模型訓出來連自己都不信。我的經(jīng)驗是先把“篩什么、分幾類、目標是什么”這三件事徹底理清楚再談具體用哪種算法。1.1 缺陷的類型與分級標準決定了算法的輸出設計水果缺陷在視覺上并不是同一個概念至少可以分成這樣幾類缺陷類型典型表現(xiàn)視覺特征磕碰傷撞擊后局部褐變區(qū)域邊緣模糊顏色由黃褐色向深褐色過渡腐爛/霉變表面軟爛、菌絲或霉斑顏色突變明顯常伴隨凹陷或絨毛感疤痕/果銹生長期表皮損傷顏色與正常果皮差異小紋理粗糙蟲眼/孔洞蟲蛀造成的凹陷或開口局部暗色邊緣銳利畸形形狀偏離正常果形輪廓不規(guī)則與其他缺陷不同屬于形狀問題這五類缺陷對應的視覺特征差異很大意味著同一個模型的輸入設計也可能不同??呐鰝透癄€適合用顏色與紋理特征捕捉畸形更適合分析輪廓形狀而疤痕如果顏色接近正常果皮可能要靠局部紋理細節(jié)才能抓住。更重要的是分揀目標通常不止“好果/壞果”二分類。產(chǎn)線上常見的需求是三級分選無缺陷、輕微缺陷可打折銷售、嚴重缺陷直接剔除。這個輸出設計直接決定了最后的分類層是二分類還是三分類也決定了評估指標怎么定。1.2 為什么固定閾值和人工規(guī)則在壞果面前會被打穿早期做機器視覺分選最常見的方案是用顏色空間加閾值把RGB轉(zhuǎn)到HSV或者Lab然后對某個通道設一個范圍超出范圍就判為缺陷。這個思路在玩具數(shù)據(jù)上看著沒問題一上產(chǎn)線就崩原因是這樣幾個一是光照不均。同一個蘋果表面高光區(qū)域和陰影區(qū)域的像素值差異可能比好果和壞果的差異還大。閾值一旦固定高光處的好果會被誤殺。二是缺陷顏色與正常果皮顏色接近。比如蘋果的果銹和正常紅暈之間、梨的碰傷和自然黃褐色之間在顏色上幾乎沒有清晰的界線。三是缺陷可能是局部的。一個果子95%是好的只有一小塊爛點。如果只統(tǒng)計全局平均色這個小面積缺陷很容易被淹沒如果做像素級閾值又會被果柄、花萼這些本身顏色比較深的部分干擾。所以純規(guī)則的方案只能在品種單一、光照控制極好、缺陷形態(tài)非常標準的條件下工作。一旦換成自然種植的水果規(guī)則就開始失效。這個場景下機器學習能自動從樣本中學習“缺陷到底長什么樣”尤其是小的局部異常比人工寫規(guī)則靠譜得多。1.3 機器學習介入的三個切入點根據(jù)項目需求和數(shù)據(jù)集條件大概有三條路線可以選整圖分類輸入一張果圖輸出是“好果/輕微缺陷/嚴重缺陷”。適合傳送帶上單果逐個拍照的場景實現(xiàn)最簡單。區(qū)域檢測/分割在圖上定位缺陷區(qū)域輸出缺陷位置的邊界框或像素掩膜。適合需要知道“壞在哪、有多大”的場景比如自動化削皮或精準切割。質(zhì)量評分回歸輸出一個連續(xù)的質(zhì)量分數(shù)。適合做出口分級比如按0到100分打分再映射到不同等級。這三個切入點不是互斥的。我接觸過的一個分選項目是先做整圖分類三分類把嚴重缺陷的果直接淘汰剩下“輕微缺陷”的果再用區(qū)域檢測找到缺陷位置好讓后端工人快速確認能不能降價售賣。這樣既控制了初期實現(xiàn)難度又滿足業(yè)務需要。2. 樣本與標注缺陷數(shù)據(jù)比模型更值得投入說句實在話這類項目能不能成七成取決于數(shù)據(jù)三成才取決于模型。但現(xiàn)實中大家最不重視的就是數(shù)據(jù)采集。很多項目組拿了一個公開果蔬數(shù)據(jù)集就開始跑代碼模型在公開數(shù)據(jù)上準確率很高到了自己產(chǎn)線上連一半都不到。原因很簡單產(chǎn)線上的光照、相機角度、品種和公開數(shù)據(jù)集完全不一樣。2.1 采集環(huán)境的幾個關鍵設置采集圖像的目標不是“拍得好看”而是“拍得穩(wěn)定”。同一個類別里光照引起的差異越少模型越好學。我常用的設置是這樣的背景選擇深色啞光板純黑或深藍。這樣后續(xù)做背景分割時HSV的飽和度通道能非常干凈地把水果和背景分開。光源用漫射光LED面板最好加遮光罩避免水果表面出現(xiàn)鏡面反射。高光的區(qū)域在圖像上是白色一片如果出現(xiàn)在訓練集太多模型容易把這部分誤學成特征。相機高度和角度固定水果從傳送帶上滾過時盡量讓果萼/果柄朝向側面。角度一多變同一個果子的外觀差異會非常大增加了不必要的分類難度。分辨率不用太高500萬像素其實已經(jīng)夠用。更關鍵的是每顆果在畫面里的占比要基本一致不要讓小果和大果的成像尺寸差很多。采集數(shù)量上我建議至少覆蓋三個維度品種、成熟度、產(chǎn)地批次。每個維度下的缺陷形態(tài)都會有差異如果只采一批果模型上線遇到新批次大概率翻車。2.2 標注粒度整圖、框選還是像素級這一步?jīng)Q定了標注成本也決定了后面能做什么。標注方式成本能支持的算法適用場景整圖級低圖像分類大樣本快速摸底矩形框中目標檢測需要定位缺陷位置像素級掩膜高分割模型需要精確計算缺陷面積如果項目目標是先做分類分選我強烈建議初期先不要做像素級標注。用文件夾結構組織數(shù)據(jù)一個類別一個文件夾Matlab的imageDatastore直接讀取半天就能建好一個可訓練的數(shù)據(jù)集。后期如果需要上線區(qū)域檢測再挑一批樣本做框選或掩膜標注。要特別提醒的是標注標準的統(tǒng)一。比如“輕微碰傷”和“嚴重碰傷”誰說了算如果三個標注員標準不一樣模型學到的東西就會混亂。我一般會先寫一版標注規(guī)范配幾組典型的參考圖然后讓標注人員先標50張我來檢查一遍把分歧點全部統(tǒng)一后再擴大標注規(guī)模。2.3 增強與類別平衡把少量缺陷樣本用出十倍效果缺陷水果的數(shù)據(jù)集天然不平衡好果數(shù)量遠多于爛果。這很正常因為真實產(chǎn)線上合格率可能就是90%以上。問題是如果直接用原始比例訓練分類器模型會把所有樣本都判成好果整體準確率依然很高但爛果一個都沒攔住。處理思路有兩個方向。第一個是過采樣對缺陷類做圖像增強讓模型看到更多變換。第二個是代價敏感在訓練時給缺陷類的誤判更高的懲罰權重。Matlab里做增強非常方便augmentedImageDatastore集成了旋轉(zhuǎn)、平移、縮放、反射這些操作。我自己會額外加這三樣亮度擾動±20%模擬不同曝光條件。高斯噪聲模擬傳感器噪聲。隨機局部遮擋模擬果梗、葉片遮擋的情況。有一點要注意不要過度增強。有一個常見的失敗案例把圖像旋轉(zhuǎn)90度后蘋果看起來還是蘋果但把長條形的香蕉旋轉(zhuǎn)成豎直外觀形態(tài)就失真了反而引入了錯誤樣本。增強操作必須符合這個水果品類在真實分選線上可能出現(xiàn)的姿態(tài)。3. 模型選型小樣本SVM與大樣本CNN的邊界模型選型沒有絕對的最佳只有合不合適。對于這種單品種水果的缺陷分類任務我通常按數(shù)據(jù)集規(guī)模畫一條線初始樣本總數(shù)在幾千張以內(nèi)走特征工程加SVM的路線數(shù)據(jù)量達到數(shù)萬張或者缺陷形態(tài)特別復雜再用卷積神經(jīng)網(wǎng)絡。3.1 特征工程加SVM千級樣本下的穩(wěn)妥路線傳統(tǒng)機器學習的核心是把圖像變成一組有判別力的數(shù)值特征。對水果缺陷分類我常用下面這組特征組合顏色特征在HSV空間分別計算均值、標準差必要時加入顏色直方圖。HSV比RGB更適合描述光照差異能把“同一顆果在不同亮度下”的差異盡量縮小。紋理特征用灰度共生矩陣GLCM提取對比度、能量、同質(zhì)性??呐鰝透癄€區(qū)域在紋理上往往是粗糙的和光滑果皮差異明顯。形狀特征面積、周長、圓形度、主軸長度比。對畸形果的識別特別有效。這組特征計算量不大維度也不高十幾維到幾十維完全不需要GPU。配合RBF核的SVM在幾百到幾千樣本量下泛化能力強于很多復雜模型而且訓練只需幾秒鐘。為什么這個組合在中小樣本下比CNN靠譜是因為手動特征已經(jīng)先把人類經(jīng)驗注入進去了。比如我們明確知道顏色和紋理對缺陷判別很重要就主動提取了這兩類信息。而CNN要從零開始學這兩個概念需要大量樣本才能學到數(shù)據(jù)一少就過擬合。3.2 遷移學習與CNN什么時候值得切換當條件變成這樣幾個我建議切換到CNN缺陷類型多且外觀變化大手動特征開始不夠用。樣本量已經(jīng)過萬或者能拿到一個同品類相近的預訓練模型做遷移學習。產(chǎn)線光照環(huán)境無法完全控制要求模型對光照變化有更強的魯棒性。CNN方案在Matlab里通常不是從零開始訓練而是用預訓練網(wǎng)絡做遷移學習。把網(wǎng)絡的最后幾層換掉用果蔬數(shù)據(jù)微調(diào)前面的特征提取層。這樣做的好處是前面卷積層學到的邊緣、紋理、顏色漸變等基礎視覺特征可以復用大大降低了對數(shù)據(jù)量的要求。這里有一種常見的誤解以為遷移學習就不用準備太多數(shù)據(jù)了。實際上遷移學習解決的是“特征提取能力”的起點問題但“缺陷長什么樣”這件事依然要靠你的數(shù)據(jù)教給它。如果自己的缺陷樣本太少遷移學習也一樣過擬合。3.3 為什么用Matlab做這個項目最順手我在這類項目里用過Python也用過Matlab現(xiàn)在可以坦然地說Matlab不是萬能的但在算法驗證階段確實是最順手的。第一圖像處理工具箱的函數(shù)覆蓋非常完整從讀取圖像、色彩空間轉(zhuǎn)換到形態(tài)學處理、GLCM特征提取全部是現(xiàn)成函數(shù)不需要東拼西湊裝包。第二從傳統(tǒng)機器學習到深度學習兩個工具箱能無縫銜接。你可以在同一個腳本里先用SVM做基線再用trainNetwork訓練CNN評估部分的代碼幾乎不用改。第三調(diào)試體驗好。矩陣和圖像的變量可以在工作區(qū)直接可視化縮放查看缺陷區(qū)域非常直觀。Python在這一點上差不少往往要寫額外代碼把中間結果保存成圖片才能看到。第四部署路徑比較清晰。模型訓練完之后可以用GPU Coder生成C/CUDA代碼也可以直接調(diào)用導出的模型在嵌入式設備上跑推理。雖然Python生態(tài)的部署工具多但Matlab這條鏈路在工業(yè)場景里其實很成熟。4. 核心代碼實現(xiàn)從預處理到分類的主干拆解下面這段我盡量說細一點把每一步的核心邏輯和為什么這么寫講清楚。完整的工程代碼會多一些但核心骨架就是這幾段。4.1 圖像讀取與背景分割第一步是把圖像里的水果和背景干凈地分開。用深色背景的話HSV空間里背景的飽和度通常很低直接用飽和度閾值就能摳出前景。% 讀取圖像 I imread(apple_sample.jpg); % 轉(zhuǎn)換到HSV空間 hsv rgb2hsv(I); % 提取飽和度通道低飽和度的背景置為0 mask hsv(:,:,2) 0.15; % 形態(tài)學閉運算填充小空洞 mask imclose(mask, strel(disk, 12)); % 填充內(nèi)部孔洞 mask imfill(mask, holes); % 利用掩膜摳出前景 J bsxfun(times, uint8(I), uint8(mask));這里有幾個容易踩的坑。飽和度閾值不能拍腦袋定要拿產(chǎn)線上實際拍的照片統(tǒng)計一下背景和果皮的飽和度分布再定。有的水果表面本身飽和度就不高比如部分黃桃品種閾值設高了會把果皮部分也當背景摳掉。閉運算的結構元素大小也要根據(jù)圖像分辨率調(diào)整圖像大就適當加大半徑否則填補不了缺陷區(qū)域造成的空洞。4.2 特征提取函數(shù)設計特征提取的核心是把一張圖像壓縮成一串有判別力的數(shù)字。下面這個函數(shù)我經(jīng)常用包含了顏色矩和GLCM紋理特征。function feat extractFruitFeatures(I) I im2double(I); hsv rgb2hsv(I); % 顏色矩每個通道的均值和標準差 feat []; for ch 1:3 C hsv(:,:,ch); feat [feat, mean(C(:)), std(C(:))]; end % 灰度共生矩陣紋理特征 gray rgb2gray(I); glcm graycomatrix(gray, ... Offset, [0 1; -1 1; -1 0; -1 -1], ... Sym, true, ... NumLevels, 64); stats graycoprops(glcm, {Contrast, Energy, Homogeneity}); feat [feat, mean(stats.Contrast), mean(stats.Energy), mean(stats.Homogeneity)]; end這段代碼的邏輯是先用HSV空間提取顏色信息因為HSV比RGB在光照變化下更穩(wěn)定再對灰度圖計算四個方向上的GLCM把對比度、能量、同質(zhì)性取平均消除方向敏感性。如果后面發(fā)現(xiàn)特征不夠用可以繼續(xù)加入顏色直方圖、形狀因子等特征維度的擴展不影響整體流程。4.3 SVM訓練與評估有了特征提取函數(shù)接下來就是把整個數(shù)據(jù)集的特征矩陣算出來然后訓練SVM。% 使用imageDatastore管理數(shù)據(jù) imds imageDatastore(dataset/, ... IncludeSubfolders, true, ... LabelSource, foldernames); % 劃分訓練集和測試集stratify保證類別比例一致 [imdsTrain, imdsTest] splitEachLabel(imds, 0.7, randomized); % 提取訓練集特征 numTrain numel(imdsTrain.Files); trainFeatures zeros(numTrain, 9); for i 1:numTrain I readimage(imdsTrain, i); trainFeatures(i, :) extractFruitFeatures(I); end trainLabels imdsTrain.Labels; % 訓練多分類SVMRBF核特征標準化 model fitcecoc(trainFeatures, trainLabels, ... Learners, templateSVM(KernelFunction, rbf, KernelScale, auto), ... Standardize, true); % 提取測試集特征并預測 numTest numel(imdsTest.Files); testFeatures zeros(numTest, 9); for i 1:numTest I readimage(imdsTest, i); testFeatures(i, :) extractFruitFeatures(I); end predictions predict(model, testFeatures); % 混淆矩陣 cm confusionchart(imdsTest.Labels, predictions);這段代碼里有三個細節(jié)值得展開。一是splitEachLabel默認支持按類別比例分層劃分這比隨機切分更靠譜防止某一類全被分到測試集里。二是fitcecoc默認采用一對一多類策略對三分類來說內(nèi)部會有三組二分類器效果穩(wěn)定。三是特征標準化一定要打開因為顏色矩的量級和GLCM的量級差別很大不標準化的話SVM會過分依賴數(shù)值大的特征。4.4 CNN快速實現(xiàn)的一個最小方案如果你的數(shù)據(jù)量上來了想切換到CNNMatlab里的代碼也很直白。% 定義網(wǎng)絡結構 layers [ imageInputLayer([100 100 3]) convolution2dLayer(3, 16, Padding, same) batchNormalizationLayer reluLayer maxPooling2dLayer(2, Stride, 2) convolution2dLayer(3, 32, Padding, same) batchNormalizationLayer reluLayer maxPooling2dLayer(2, Stride, 2) fullyConnectedLayer(3) softmaxLayer classificationLayer]; % 數(shù)據(jù)增強 imageAugmenter imageDataAugmenter(... RandRotation, [-15 15], ... RandXTranslation, [-10 10], ... RandYTranslation, [-10 10], ... RandXScale, [0.9 1.1], ... RandYScale, [0.9 1.1], ... RandBrightness, [-0.15 0.15]); augmentedImds augmentedImageDatastore([100 100], imdsTrain, ... DataAugmentation, imageAugmenter); % 訓練參數(shù)與訓練 options trainingOptions(adam, ... InitialLearnRate, 1e-3, ... MaxEpochs, 30, ... MiniBatchSize, 32, ... Plots, training-progress); net trainNetwork(augmentedImds, layers, options);這里網(wǎng)絡的卷積層參數(shù)我故意設得很小是因為缺陷分類任務不需要像ImageNet那樣上千類的大網(wǎng)絡小網(wǎng)絡在數(shù)據(jù)有限時反而泛化更好、訓練更快。輸入圖像統(tǒng)一縮放到100x100足以看清局部缺陷。注意這里我用的augmentedImageDatastore只對訓練集做增強測試集不要增強否則評估結果會失真。4.5 跑通流程后的三條經(jīng)驗第一先跑傳統(tǒng)特征加SVM做基線。哪怕你篤定最后用CNN也務必先訓練一個SVM基線。它能幫你快速判斷數(shù)據(jù)集是否靠譜如果SVM的準確率都達到90%以上說明問題本身不難CNN沒必要上如果SVM只有70%可能數(shù)據(jù)量或特征有問題先解決這些問題再上CNN才有效。第二隨時可視化中間結果。我習慣在每個處理函數(shù)里保留幾張中間圖像的輸出用于確認背景分割有沒有把果肉切掉、特征提取是否合理。這種“看一眼中間結果”的習慣能省下大量后期調(diào)參的時間。第三把特征提取函數(shù)設計成獨立模塊。后續(xù)無論是換網(wǎng)絡還是加特征都不用改主循環(huán)代碼。我見過很多項目把所有邏輯寫在一個腳本里改一個參數(shù)要跑半天這是工程習慣問題。5. 評估指標與閾值調(diào)整別只看準確率很多初學者拿到測試集準確率90%就歡天喜地這個心態(tài)在分選項目里是要吃虧的。真實產(chǎn)線上準確率是最容易欺騙人的指標。5.1 混淆矩陣在不同代價下的讀法先看一個典型的混淆矩陣場景。假設總共1000顆果900顆好果、100顆嚴重缺陷。分類器把所有果全部判為好果準確率90%。但這個分類器在產(chǎn)線上毫無價值因為100顆爛果全部流入市場。更合理的評估是分別看這三組數(shù)字指標計算方式反映的問題精確率查準率判為缺陷的果中有多少真的是缺陷誤檢率高低影響好果浪費比例召回率查全率真實缺陷中有多少被攔住漏檢率高低影響壞果流出比例F1分數(shù)兩者的調(diào)和平均綜合平衡在分選場景里漏檢和誤檢的成本是不對稱的。漏檢意味著壞果流向市場可能引發(fā)投訴、品牌受損單次成本可能很高。誤檢意味著好果被丟棄單次成本是這顆果的售價看起來低但量大了累計成本也可觀。所以實際項目里我會先和業(yè)務方確認他們更在意哪一類錯誤。如果更在意爛果不能流出那就優(yōu)先拉高召回率哪怕犧牲一些精確率。這在算法上的實現(xiàn)方法就是調(diào)整分類閾值。5.2 分類閾值調(diào)優(yōu)的實際操作SVM或者CNN輸出的是每個類別的分類得分或概率。默認情況下模型會把樣本判給得分最高的那個類。我們可以不這么做。具體操作是用fitcecoc的predict輸出里包含得分矩陣或者訓練完CNN后用predict輸出各分類的概率。然后我們不再取最大值的索引而是自己設定一個閾值只有當“嚴重缺陷”的概率超過某個值時才判為嚴重缺陷否則寧可判成好果讓人工復檢。% 獲取分類得分而不是硬標簽 [~, scores] predict(model, testFeatures); % 假設類別順序是好果1輕微缺陷2嚴重缺陷3 % 自定義閾值嚴重缺陷概率大于0.4才判為嚴重 severeIdx scores(:, 3) 0.4; finalLabels repmat(好果, size(severeIdx)); finalLabels(scores(:, 2) scores(:, 1) scores(:, 2) scores(:, 3)) 輕微缺陷; finalLabels(severeIdx) 嚴重缺陷;這個閾值怎么選定把測試集上所有樣本的分數(shù)畫成直方圖或者畫出ROC曲線找到召回率與精確率的平衡點。通常我會畫出閾值從0.1到0.9變化時漏檢率和誤檢率的變化曲線讓業(yè)務方看著曲線來選閾值。因為閾值本質(zhì)上是商業(yè)決策不應該由算法工程師一個人拍板。5.3 驗證集劃分避免同批次數(shù)據(jù)泄露這是最容易踩的一個坑比模型本身更值得警惕。如果訓練集和測試集里的圖像是從同一批水果、同一光照條件下連續(xù)拍的它們之間高度相似測試集準確率會虛高。一旦換到新批次的水果準確率會斷崖式下跌。正確的做法是按“批次”或“采集時間”來劃分數(shù)據(jù)。比如上個月采的果圖全部用于訓練這個月新采的果圖全部用于測試。這樣測試結果才更接近線上真實表現(xiàn)。也可以用cvpartition做分層交叉驗證但每一折內(nèi)部的樣本仍然可能來自同一批次所以最穩(wěn)妥的還是時間維度上的前后切分。我在一個項目里就吃過這個虧。訓練和測試來自同一批橘子準確率96%自我感覺很好。結果換了一批不同產(chǎn)地的橘子準確率直接掉到82%。后來把所有數(shù)據(jù)按采集日期重新劃分訓練集與測試集準確率就穩(wěn)定在90%左右。這個90%雖然比96%低但它才是真實水平。6. 從實驗室到分選線讓人頭疼的是工程問題模型在電腦上跑通只是第一步真正上線之后你才會發(fā)現(xiàn)算法本身的難度可能只占30%剩下70%都是工程問題。這里挑三個最典型的展開說。6.1 推理速度與硬件部署先算一筆時間賬。假設分選線傳送帶速度是1米/秒相機視野覆蓋20厘米那么一顆果子從進入視野到離開視野只有0.2秒。如果你的系統(tǒng)還要在判定后控制機械機構把缺陷果推出去留給算法的時間還要再砍一半大概100毫秒。而且這100毫秒里包含圖像采集、傳輸、推理、輸出控制信號的整個鏈路。SVM方案在這種場景下優(yōu)勢明顯單張圖像特征提取加預測能在CPU上跑到幾十毫秒以內(nèi)。CNN方案就看硬件了在嵌入式設備上跑小型網(wǎng)絡也要幾十毫秒再加預處理時間就逼近極限。所以如果產(chǎn)線速度很快優(yōu)先選輕量網(wǎng)絡比如只保留兩三個卷積層的極小網(wǎng)絡或者用深度可分離卷積結構推理速度能大幅提升。Matlab的部署鏈路是把訓練好的模型導出然后用GPU Coder生成C代碼再交叉編譯到工控機或嵌入式板卡。我建議在項目一開始就確認目標硬件不要讓算法在開發(fā)機上跑得飛快到了產(chǎn)線硬件上才發(fā)現(xiàn)推理時間嚴重超標。6.2 光源、背景、遮擋產(chǎn)線環(huán)境的隱形變量同一套訓練集里的圖片如果是在實驗室環(huán)境拍的到了工廠環(huán)境很容易出現(xiàn)三個問題。一是環(huán)境光干擾。工廠車間的頂燈、窗戶自然光都會影響成像要裝遮光罩把相機和檢測區(qū)域圍起來保證檢測區(qū)域的光照只來自可控光源。二是果體表面反光。表面光亮的蘋果和打過蠟的水果會反射光源形成高光區(qū)塊被模型誤認成白色霉斑。解決方法是改用漫射光源或者在預處理里把高光區(qū)域的像素做校正處理。三是果與果之間的遮擋。如果相機視野里同時出現(xiàn)兩顆果邊緣交錯背景分割就很容易出錯。這種情況要么調(diào)整物理結構讓果子單顆通過要么改用檢測模型而不是分類模型。這些事不少是到了現(xiàn)場才發(fā)現(xiàn)的。有一次項目調(diào)試時傳送帶表面有一層淡淡的水漬導致背景分割時飽和度閾值把部分背景誤當成前景間接影響了特征提取的質(zhì)量。調(diào)整后加了除水裝置才恢復正常。小結一下任何“環(huán)境變化”都可能影響視覺系統(tǒng)的表現(xiàn)在現(xiàn)場跑之前留出充足的聯(lián)調(diào)時間。6.3 模型上線后的維護閉環(huán)模型上線不是結束而是新一輪數(shù)據(jù)積累的開始。真實產(chǎn)線上被誤判的樣本是寶貴的訓練資源。我建議在分選線后端加一個復核環(huán)節(jié)定期把誤檢和漏檢的圖像回收回來由質(zhì)檢人員打標簽累積一段時間后補充進訓練集做增量訓練或遷移學習。具體做法是每兩周或者每月導出一批誤判樣本人工復核后并入原數(shù)據(jù)集重新訓練模型并對比新舊模型在驗證集上的表現(xiàn)。如果新模型沒有提升就檢查是不是標注出了分歧如果提升了再部署到產(chǎn)線。這個節(jié)奏不需要太頻繁但是必須堅持因為新季節(jié)、新品種的水果外觀變化非??煲粋€模型在另一個產(chǎn)季往往就不適用了。還有一個容易忽略的細節(jié)是做好版本管理。模型文件、訓練代碼、數(shù)據(jù)集的版本要記錄清楚否則幾個月后回來看自己當初的模型完全不知道當時用的什么參數(shù)、什么數(shù)據(jù)訓出來的。我在項目里會為每個版本建一個文件夾包含訓練腳本、網(wǎng)絡結構定義、訓練時的關鍵指標截圖以及模型文件的哈希值。做這類項目我最大的體會是算法本身不是瓶頸數(shù)據(jù)質(zhì)量、評估方式和工程細節(jié)才是。你在Matlab里花一晚上寫出來的分類器可能比很多團隊花一個月搭出來的深度學習框架更實用。先把數(shù)據(jù)準備扎實把評估指標和業(yè)務目標對應起來再用最小的模型跑通整個流程最后再考慮上復雜方案這條路是最穩(wěn)的。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
亚洲亚洲人成综合网络| 在线免费观看激情视频| 婷婷丁香18| 91|疯狂丨高潮丨对白| 五月婷婷色色| 婷婷五月色综合香五月| 久久激情婷婷| 综合玖玖偷拍| 九色七七| 日本a片网址| 99激情在线| 亚洲综合婷婷| A一级操| 91啪啪| 丁香五月综合高清在线| 99re在线观看视频| 五月婷婷自拍视频| 开心五月婷婷婷美女| 狠狠狠狠狠操| 六月激情综合| 超碰免费成人| 欧美性猛交 XXXX 乱大交| www.色五月| 天堂伊人干| 色欧美色色色| 综合九九久久| 五月香婷婷| 婷婷月五天在线在线看| 亚洲性爱99在线| site:publishdd.com| 天天 青草 丝袜制服 在线| 婷婷五月六月丁香综合| 成人色图情色成人网 www.5b5b5bcom 五月天| 思思国产99| 激情五月天无人视频在线| 婷婷婷婷婷婷婷婷| 精品激情| 久久人人做人人妻人人玩精品va| 人妻五月天激情开心网| 丁香婷婷网| 99热99思午夜精品| 99精品小视频| 激情綜合W W W,激情五月天| 九九婷婷五月天| 精品国产a| 97婷婷狠狠久久综合9色| av国产精品偷| 开心激情站| 欧美熟女视频 色婷婷| 热久91| 二级黄色毛片| 99成人精品六| 噜噜吧天天爱| 超碰av在线| 色婷丁香91| 免费AV在线网址| 啪啪六月婷婷| 综合久久丁香婷婷,五月婷婷六月丁香,开心激情综合网,六月丁香在线观看,婷婷丁 | 九九色网| 9精品视频在线| 99热国品免费| 婷婷五月天在线一区| 丁香 亚洲 久久| 99热这里只有精品3| 国产偷人爽久久久久久老妇APP| AV操一操| 五月丁香六月在线欧美| 丁香五月婷综合网| 久久久噜噜噜久久人妻| 天天综合色99| 色五月之第四色| 97色色视频| 欧美日韩成人在线网站| 亚洲V国产V欧美V久久久久久| 婷婷五月激情综合网| 亚洲综合草草| 99日这里只有精品| 久久婷婷五月| 久久aaaaa| 免费黄色片子| 思思热高清在线观看| 九九aV| 鲁鲁色五月| 97五月综合网| 丁香五月人妻熟女| 99在线精品免费视频| 亚洲综合五月天婷婷丁香| 精品国产a| 99操逼| 五月婷婷干| 五月婷激情影院| 日本熟妇乱妇熟色A片蜜桃| 久久大香蕉伊人| 99re热精品视频国| 婷婷激情六月| 亚洲激情网| 丁香六月丁香婷婷激情| 6月丁香婷婷| 婷婷五月天成人综合网| 丁香五月婷婷基地| 婷婷六月色情| 五月天激情婷婷丁香| 99热主页日本| 91 久热| 中文网AV| 亚洲黄色精品| 伊人成综合五月婷婷| 色情五月丁香婷婷网| 狠狠插狠狠操| 丁香88AV五月婷婷| 亚洲五月天第一综合干| 六月婷婷久久| 欧美碰碰碰| 深爱五月激情网| 色情成人五月天| 97精品人人A片免费看| 亚洲婷婷久久综合| 久久久久久综合五月婷婷| 久久久五月天| 国产婷婷综合| 深爱激清网| 深爱婷婷网| 婷婷色中文字幕| 在线看AV| 天天婷婷天天| 久久伊人五月天| 久久女人九九| 五月天影院婷婷在线观看| 九九热av| 综合99视频| 五月婷婷色吧!| 99亚洲视频| 91chinese 在线| 六月丁香激情最新更新| 激情丁香五月| 99热91| 综合成人小说婷婷| 五月婷婷亚洲综合在线| 午夜婷婷五月天在线| 很很干天天干| www.91九色| 免费观看欧美成人AA片爱我多深| 99ri网站在线观看| 五月天激情国产综合AV| 99综合网| 人人爱干人人爱草| 丁香婷婷基地| 九热视频| 色色色婷婷五月天| 精品亚洲国产成AV人片传媒 | 日日夜夜狠狠| 久色网| 丰满人妻一区二区三区| 狠狠色综合网站久久久久| 五月婷婷激情69| 色噜噜狠狠色综合日日| 人妻久久久久| 99免费在线| 色天堂在线| 色五月婷婷小说亚洲中文字幕组| av五月天婷婷丁香| 青青草原福利在线| 婷婷情色五月| 激情五月天开心总和网| se婷97| 色操b| 国产成人精品一区二区三区视频| 五月天色婷婷小说| 成人精品视频99在线观看免费| 激情深爱婷婷网| 狠狠狠狠狠狠狠狠| 婷婷九九| 免费黄色片子| 五月色在线| 亚洲成人在线免费| 91精品国产91久久久久青草| 五月丁香天堂网| 99久在线精品| 97视频91| 婷婷五月av| 99久久99九九九99九他书对| 99人妻碰碰碰久久久久禁片| 亚洲操b| 99黄色性生活| 欧美日韩成人在线| 日本a片网址| 激情综合网五月天| 色色永久| 亚洲AV影片在线观看| 天天日日天天| 色欲五月丁香| 五月激情六月宗合| 大胆伊人久久| 欧日韩成人| 9精品在线| 男女99免费视频| 婷婷色导航| 久热免费| 激情无码五月天| 99综合免费视频| 99区视频| 五月婷婷香蕉| 裸体美女丁香五月天。| 色噜噜狠狠色综合网| 991国产精选视频在线播放下载| 久久婷婷综合国产| 色综合久| 人人色AV| 伊人久久大香线蕉亚洲五月天,| 26UUU欧美| 激情宗合 激情宗合| www.9797国产| 深爱婷婷基地| 亚洲成av人影院| 9999色色色色| 日韩xx在线| 超碰三级片| 91色婷婷综合久久中文字幕二区| 99爱精品| 天天干com| 99视频日韩| 人人草人人看| 九九热这里只有精品23| 久久久久久久久久久久久9| WWW.99热| 香蕉久久国产av一区二区| 538任你爽| 色婷婷色五月另类综合| 日韩不卡123| 五月婷婷婷| 午夜成人网站在线观看| 日本久久99| 79色色免费| 亚洲视频1区| 日韩在线视频中文字幕| 精品网站99| 五月婷婷黄色网址| 婷婷综合亚洲| 丁香五月天在线直播观看| 丁香五月瑟瑟| www.超碰在线| 婷婷丁香77777| 日本色色色色色色色色一色二色| 五月婷婷六月丁香在线视频免费在线观看| 操操操操操操婷婷五月天| 少妇性按摩无码中文A片| 日逼免费视频 | 色婷婷综合网站| 亚洲国产精品二二三三区| 五月天激情视频网站| 色天堂97| 精品一二三区久久AAA片| 色婷婷五月天视频在线| 久热9| 亚洲第一成人无码A片| 五月花激情| 99综合久久| 中文字幕丰满孑伦无码专区| 日本天天操| 久久性操| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 激情五月黄色小说| 伊人久热91网| 91久操| 伊人五月丁香| 激情婷婷丁香五月天小说| 玖玖婷婷色欲| 久久HD| 婷婷四色五月| 久久性爱视频| 蜜乳AV成人| 亚洲激情av| 色情免费视频播放| 色99在线视频| 涩丁香91| 大香蕉人妻| 高清无码视频网址| 亚洲第一色色色色| 9精品视频在线| 国产欧美精品AAAAAA片| 91久久色| 丁香五月天啪啪激情综和网| 丁香色婷婷| 久久黄色片| 任你爽精品免费视频6| 26UUU欧美激情一区二区| 91在线日本| 国精产品一区一区三区免费视频| 激情婷婷五月| 色五月婷婷激情| 99噜噜噜在线播放| 丁香久月婷| 国产真实乱了老女人视频| 久操97| 先锋资源 996| 思思久久99热| www.婷婷,com| 97伦色婷婷| 99热精品在线在线| 91ncm视频| 婷婷丁香激情| 色综合爽| 色5月婷婷色| 99亚洲精品综合在线| 婷婷五月天久久久| 九九热视频在线观看| 伊人天天色| 超碰com| 色色色丁香| 五月婷婷啪啪| 色综合网址| 丁香六月激情综合啪啪| 婷婷九月激情网| 超碰在线人人| 亚洲热久| 婷婷9月天| 大香蕉五月天婷婷| 婷婷丁香五月麻豆| 婷婷五月激情六月丁香| 久久婷婷综合基地| 91丨九色丨国产在线| 熟惀91九色在线| 99热这里只有精品66| 激情五月婷婷视频一区二区三区| 5月丁香综合网| 狠狠香蕉| 亚洲无线视频| 精品99视频| 婷婷情色五月| 婷婷婷婷婷婷婷婷婷婷丁香| www.激情| 九九综合| 天天操天天操天天操天天操天天操| 久久这里只有精品热在99| 激情婷婷丁香色五月| 五月在线婷色| 婷婷爱在线观看| 久热超碰91| 91操片| 日日天天干| 欧美英丁香开心快乐六月天网| 五月激情日本在线| 激情综合网五月在线播放| 久久在线大香蕉| 丁J香六月首页| 久久大香蕉丁香| 成人看片网站| www.99在线| 开心五月激情网| 超碰爱爱爱| 色视频五月天| 激情五月天开心总和网| 亚洲情a| 五月天全国最大成人网| 综合性视频99| 五月丁香在线精品| 欧美五月丁香在线观看| 五月深爱婷婷| 亚州视频九九99| 激情com| 大香蕉久久伊人婷婷五月丁香| 色欲色天天香综合| 日韩精品一区二区亚洲AV观看| 成人一区在线观看| 综合网狠狠| 婷婷丁香黄色| 久草婷| 超碰免费人人肏| 五月天激情美女久久| 欧美三级巜人妻互换| 五月丁香成人网| av狠狠操| 丁香六月激情综合| 天天做天天爽| 欧美性生交A片免费看| 久久久久久欧美精品se一二三四| 久久99热这里只频精品6学生| 日本99久久| 无码色| 天天弄天天操| 国产av天堂| 99激情视频| 天天爽天天| 日本九九九九| 国产精品色情AAAAA片软件| 欧美电影在线观看| 色色色五月天婷婷| 五月天堂六月丁香亚州中文字幕久久| 强奸幻女毛片| 欧美操逼天堂| 亚洲综合久| 狠狠综合网| 丁香婷婷基地| 综合五月草| 色播五月婷婷综合| 亚洲精| 激情五月www| 五月五婷婷| 99视频网| 久操97| 一区二区成人电影| 久久婷婷热| 欧美三级A做爰在线观看| 少妇2做爰HD韩国电影| 亚洲成人无码专区| 岛囯综合激情网| 黄色91在线观看| 手机旧版看人妻1025| 五月久久婷婷丁香| 亚洲激情丁香五月天色| 日韩久久这里只有精品| 开心五月婷婷婷美女| 99热国产免费| 久久综合九九| 51精品国自产在线| www.婷婷五月.com| 五月丁香激情综合啪啪| 亚洲视频二区| 婷婷激情五月天在线视频| 久久性爱网站| 六月份天丁香婷婷| 丁香五月Av| 精品一区二区三区免费毛片爱| 99婷婷狠狠成为人免费视频| 99碰在线视频| 91狠狠综合久久久久久| 69激情小说| 国产精品激情五月天色婷婷| 九九热精品在线| 激情四射五月天| 蜜桃人妻无码AV天堂三区| 人碰人人人玩91| 丁香五月123| 色婷五月| 色噜综| 婷婷中文字幕| 色五月六月| 婷婷五月丁香六月综合网| 亚洲婷婷丁香| 婷婷五月天成人| 99干免费视频| 天堂色婷婷| 99色色网站| 丁香六月激情综合啪啪| 另类专区在线观看| 九九热青草| 9婷婷内射| 丁香婷婷六月激情文学 | 久久久99精品| 91丨九色丨熟女| 五月婷婷色| 激情五月婷婷色色| 黄色aaaaa| 翔田千里无码| 久久婷婷五月综合激情国产| 国产XXXX搡XXXXX搡麻豆| 丁香五月伊人| 久久丁香五月综合六月激情红杏视频 | 日欧一片内射VA在线影院| 亚洲成人中文字幕| 影音先锋女人av鲁色资源网小说免费| 久热网在线视频| 天天爽人人综合免费7799| 99网| 婷婷欧美激情| 337p午夜影院| 午夜激情婷婷| 99久| 久久机热这里只有精品免费视频| 色色色色色色色色网站| 狠狠五月天| 激情婷婷五月天丁香| 18av天堂| 日本五月天网站| 极品人妻VIDEOSSS人妻| www.婷婷,com| 久久人妻系列| 九月婷婷| 蜜乳人妻一区二区三区| 五月丁香久久综合精品| 蜜桃婷婷丁香五月天狠狠久久综合| 3www激情| 97人人干人人操| 婷婷五月a| 久久这有这里精品| 久艹大香蕉| 亚洲综合五月天婷婷| 色色爽爽天天| 九九热只有精品| 色香蕉影院| 任我肏视频精品| 欧美天天爽| 一丁香五月天月AV| 五月丁香亭亭电影久久| 五月丁香综合啪啪| 69er小视频| 天天摸天天肏| 综合超碰熟| ji'qing'luan'ren'lun| 91日本在线| 丁香婷婷久| 五月丁香综合网色欲| 国产精品色色| 丁香六月婷婷激情| 色五月在线| 综合久久综合久久| 久草婷妨| 五月丁香色五月| 久激情网| 在线综合91| 97涩涩丁香五月天| 99热国产免费| 日本色图综合| 噜噜视频| 亚洲天堂色| 亚洲性爱干干| 激情综合无码| 五月综合丁| 婷婷五月天第四色| 国产精品VIDEOSSEX久久发布| 97色97干| 天天婷婷| 丁香九月激情在线视频| 激情合网婷婷| 在线99热| 五月丁香亚洲校园欧美| 99九无网码| www.婷婷五月天,com| 天天日夜夜夜操操操操| 色五月婷婷五月天| 91av传媒高清在线视频网| 久er免费视频| 另类专区在线| 91porn一起草| 丁香五月天之婷婷影院| 壅壅儕家a| 日韩综合大黄| 国产精品久久久久久喷浆| 久久综合激情五月天| 99久久久久| 超碰资源在线| 伊人五月天| 日韩三级视频一区二区| 午夜婷婷六月天| 成人精品视频99在线观看免费 | 很很色丁香久久停停| 26uuu亚洲欧美| 国产欧美精品AAAAAA片| WWW.夜夜操.com| 亲子乱AV一区二区三区下载| 亚洲免费观看高清完整版AV线| 五月天婷婷在线AN| 超爽内射| 五月丁香六月情| 奇米色大香蕉| 97婷婷五月天| 一区操| 99精品久久久久久久婷婷久久| 丰满少妇猛烈A片免费看观看| 天天插综合在线| 丁香五月av| 色噜噜综合网| 五月叮香啪| 欧美精品99| 五月婷婷综合久久| 久久久久久激情| 91操在线视频| 丁香九月婷| 国产激情综合| 久久99综合| 五月天激情小说| 日本九九九九| 99精品视频免费观看| 91操操| 色五月亚洲| 丰满少妇猛烈A片免费看观看 | 天天干天天做| 综合久久五月天| 伊人狠狠丁香婷婷综合尤物| 97在线/亚洲| 五月丁香成人| 91Chinese在线| 久久综合五月| 热热久久精品视频| 国产精产国品一二三在观看| 色婷婷在线视频综合| 91色性感五月婷婷丁香| 综合激情五月天六月婷免费视频| 91日综合欧美| 婷婷五月天六月丁香| 五月天婷综合| 级情九色| 思思热在线视频观看精品| 国产精品第一国产精品| 人妻在线中文字幕久久| av高清无码| 五月丁香六月欧美| 1024你懂的欧美曰韩| 99这里有精品视频| 日本人妻A片成人免费看片| 婷婷爱五月天| 五月天婷婷开心| 六月色丁香婷婷| 亚洲操b| 综合一区二区三区| 思思热视频在线观看| 亚洲99激情| 国产精品久久久久久久久久免费| 激情婷婷五月基地| 精品国产a| 激情九色| 亚洲成人网无码| 亚洲无AV在线中文字幕| 五月好婷婷| 99色在线观看视频| 婷婷亚洲综合| 色婷婷丁香中文在线播放| 操比激情五月| 91丨九色丨43老版熟女| 五月丁香六月婷婷中文版| 97丁香五月| 狠狠综合| 人妻丰满精品一区二区A片| 五月天激情社区| 久久在线大香蕉| 激情五月婷婷五月| 天天拍久久| 欧美婷婷九月| 99综合视频一体| 五月婷婷成人w| 久艹久| 超碰在线人妻| 六月丁香综合网| 久久人视频| 婷婷五月天综合网| 五月天激情婷婷五月天久久| 午夜九九九九九九| 色五月婷婷影院| 亚洲女婷婷五月基地综合久久久| 色五月婷婷伊人| 丁香五月天激情| 亚洲成人AV在线播放| 激情美女五月天| 五月九九综合| 色综合色色| 天天透天天摸天天舔| 草榴视频网| 激情婷婷五月天| 亚洲天堂aaa| AV在线免费网站| 乱岳熟女50岁| 色婷婷AV在线| 婷婷亚洲丁香五月| 久久综合婷| 97综合在线| 国产色色色色| 色5月婷婷| 狠狠噪| www.91.com黄| 久久五月婷天天干| 九九五月天| 日韩欧美成人一区二区三区| 丁香激情久久| 五月天玖玖狠狠色色| 久久婷婷五月综合色奶水99啪| 激情婷婷五月天| 亚亚州久久高潮| 噜噜狠狠| 婷婷五月丁香综合桃花色网| 婷婷久久综合久| 狠狠操综合| 激情综合网,婷婷| 五月婷婷色啪| 性色做爰片在线观看WW| 激情视频综合| 人妻操在线看| 66精品国产成人| 综合久久首页| 最近中文字幕2019视频1| 色五月婷婷色五月婷婷色五月婷婷| 色噜噜狠狠色综合AV兰草影视| 国产精品A片在线| 亚洲色啪| 91丁香五月| 久久96热| 久久久人妻不卡| 免费看片操逼| 精品久久久久成人码免费动漫 | 亚洲中文乱字字幕线在永久| 成人在线精品| 绿色小导航AV| 久久人人做人人妻人人玩精品va| 丁香五月日韩| 五月激情婷婷丁香| 久久五月天激情视频| 91美女被操| 久久99免费视频| 欧美大片| 欧洲综合视频| 终合激情网| 天天综合图片| AV在线免费播放| 婷婷97C| av亚洲国产小电影| 久久92| 一起草性爱不卡视频| 激情婷婷五月黑人| 日本久久高清| 国产综合81p| 国av网| 亚洲综合激情五月久久| 九九香蕉网| 激情五月婷婷视频一区二区三区| 99热99这里免费的精品| 一个色的综合| 97久久人人| 国产免费av在线| 大香蕉视频婷| 中文字幕丰满孑伦无码专区| 五月花免费视频| 99九九视频精彩在线| 久久九九99亚洲国产久精综合| 免费成人va| 天天射天天干天插色综合| 婷婷干六月综合旧址| 久久se 综合网| 日本天天色| 久9久9久9久9久9久9| www.久热| 九九热视频精品| 婷婷成人综合五月| 五月激情综合激情五月| 激情五月婷婷免费视频| 伊人99热| 日韩在线观看亚洲| 久久婷婷五月激情综合| 九月色婷婷综合亚洲| 666555。COm毛片| 综合网色| 泰州成人视频| 5月丁香啪啪啪| 欧美色色色色色色色| 人人爱人人草| 五月天婷婷无码| 婷婷五月综合激情免费视频| 五月天成人在线播放丁香| 日韩av大全| 色五月激情五月丁香五月婷婷啪啪综合 | 五月丁香成人| 久久激情五月天| 铁牛TV人妻| www.色色com| 色综合色综合色综合| 丁香五月停停av| 成人免费120分钟啪啪| 狠狠操狠狠| 天天干,天天日| 激情综合亚洲| 99久久99九九99九九九| 99啪啪视频| 丁香六月啪| 五月婷婷性爱| 午夜丁香婷婷| 五月综合视频| 日本欧美成人片AAAA| 少妇人妻丰满做爰XXX| 亚洲亚洲人成综合网络| 成人中文网| 五月婷婷六月天| 综合色久| 怡红院AV亚洲一区二区三区H | 五月天激情子轮| 激情五月丁香综合网站 | 亚洲综合丁香婷婷六月天| 五月天小说激情| 六月婷婷网站| 五月婷婷乱| 99热99热不卡| 久久爱婷婷| 天天操综合网| 91色五月| 99热亚洲精品| 婷婷五月成人| 五月婷婷色| 疯狂做受XXXX高潮A片| 亚洲日本韩国| 8050一级网| 日本wwww在线| 97AV人人插人人操| 五月天婷婷爱| 婷婷综合欧美| 天天拍天天做视频| 996热re视频精品视频这里| 五月婷婷六月综合| 亚洲综合另类| www.久久| 国产熟妇的荡欲午夜视频| 激情五月婷婷视频| 69精品无码一区二区三区| 碰碰人人漕| 日本高清久| 开心六月婷| 五月天婷婷六月| 丁香五月五婷| 日韩一级网站| 俺去也五月天| 99热个人在线| 亚洲另类AV| 亚洲成人无码网站| 国产精品久久..4399| 五月天色色激情综合| 天天在线久久综合| 婷婷五月天日本无码| 夜夜操夜夜操| 热九九精品| 粉嫩AV久久一区二区三区| 性色做爰片在线观看WW| 在线色婷婷| 国产综合81p| 久久在线人妻| 婷婷六月插屄激情| 十月色综合| 日韩精品999| 99热伊人| 午夜激情四射影院| 生活片五区| 亚洲成色综合网站免费观看| 天天色综合网吨吧| 99久久婷婷五月综合| 亚洲成人综合在线| 国产九月婷婷| 97狠狠色| xxx综合在线| 噜噜吧天天爱| 可以看的av| 偷拍九九热| 97九色视频| 亚洲成人色五月天| 婷婷色五月色| AV大香蕉| 久久婷婷青青| 丁香五月91| 99热这里只有精品一| 九九热这里只有精品6| 欧美一级色| 极骚大香蕉伊人| 久久婷婷丁香| 天天爽天天爽天天爽天天爽天天爽| 玖玖资源天天无码| 9久视频| 综合aV在线| 激情综合网激情五月天| 五月婷人妻| 丁香五月偷拍| 97啪啪| 97碰碰人人视频| 综合亚洲色色| 丁香六月无码| 99久久婷婷国产综合精品草原| 婷婷五月天免费99| 粉嫩av懂色av蜜臀av熟妇| 丁香五月天激情小说| 超碰在线观看9| 国产欧美日韩综合精品一区二区| 欧美日韩国产日本精品四虎网网站物| 综合激情五月丁香9999久久精| 天天操天天操天天操天天操天天操天天操| 九九99免费视频| 一本久久婷婷| 热99国产精品| 久久精品视频在这里有| 九九aV| 97在线/日本| 婷婷六月婷婷| 色情丁香五月婷婷精品| 狠狠色 综合色区| 婷婷五月丁香综合| 色五月综合激情| 成人午夜无码视频| 久9精品| 色婷婷色情| 99精品热| 成人免费网站免费看| 91热er| 亚洲最大在线| 色色图五月天| 免费99情趣网视频| 婷婷内射视频在线| 九九九九九九九九九九九九九九九九九九九在线视频 | 思思精品久久艹| 色婷婷狠| 亚洲色区17| 六月婷婷狠狠| 亚洲欧洲国产精品| 欲求不满的人妻| 成人超碰AV| 开心激情站| 99热爆在线| 色婷婷成人丁香| 久婷久婷| 婷婷亚州综合| 白天AV月月| 99热网站| 丁香婷婷性久久| 日日操,夜夜撸| 午夜丁香婷婷| 91精品无码| 色婷婷成人五月| 久久AAAA片一区二区| 久色网| 日本色婷婷| 91九色白丝| 激情综合五月色在线| 玖玖爱资源站| 激情综合在线播放| 99这里只有精彩视频| 五月婷婷六月丁香| 一区二区三区视频| 丁香 亚洲 久久| 久久丁香婷婷色情综合| sewuyue第四色| 色噜噜狠噜噜视频| 亚洲九九夜夜| 成人毛片在线免费观看| 婷婷五月丁香网| 色色色色色热| 婷婷五月天直播| 丁香婷婷九月| 99爱爱网| 亚洲婷婷激情综合激情999精品| 日韩黄色电影| 丁香五月综合激情啪啪| 色月九九| 深爱激情综合网| 伊人网欧美在线男人天堂五月丁香| 深爱五月激情五月| 蜜臀av无码久久久久久久久| 韩国真做片在线观看| 丁香五月老师| 九色99视频| 国产成人99久久亚洲综合精品| 亚洲成人无码免费| 射久久丁香五月| 色色婷| 婷婷五月在线视频| 色婷婷五月综合网| 五月丁了香蕉综合| 黄色三级日本| 蜘蛛女免费观看完整版高清电影| 久久黄色片| 亚洲色优| 五月丁香久久网| 亚洲久热| 欧美亚洲操逼| 97操在线资源| 91丨九色丨熟女| 99热最新| 激情五月综合| 国产精品久久久久久五月天加勒比 | 激情婷婷丁香五月| a免费在线| 久热这里只有| 九九色影院| 成人视频网| 婷婷五月综合啪| 啪啪东京热| 欧美综合五月丁香六月婷| 国产伦理精品高清在线观看网站一区二区 | 亚洲中文字幕AV| 韩国情人在线电视剧免费观看高清版全集| 无码一区精品一区视频| 婷婷五月综合视频免费播放| 91人人超碰在线| 日韩色色视频| 激情综合网亚洲色图| 加勒比久热| 婷婷色网站| 色婷婷丁香五月天在线视频 | 26uuu国产| 99精品热| 九九热青草| 激情五月丁香亭亭| 超碰99在线观看| 国产精品18久久久| 日日天天干| 99久久网站| 丰满少妇猛烈A片免费看观看| 色狠久| 欧洲亚洲免费视频9| 一本道在线电影| 99久久玖玖| 丁香色六月婷婷| 99精品偷自拍| 六月丁香六月婷婷欧美| 在线99热| 亚洲无AV在线中文字幕| 激情色色色| 99九色视频在线观看| 国产XXXX搡XXXXX搡麻豆| 五月天六月婷| 9久精品视频| 91av传媒高清在线视频网| 色婷婷电影网| 丁香五月综合激情久久潮喷| 无毒黄色网址| 91精品丝袜久久久久久| 26uuu欧美亚洲日韩| 99五月婷| 五月丁香久久| 五月婷婷色激情| 深夜男女福利刺激影院一区完整| 久热一区| 婷婷五月天综合久久| 五月婷婷 欧美| 婷婷五月天久| 激情六月综合| 婷婷五月丁香网| 久久伦乱| 日本啪啪视频HD| 天天拍天天操| 成人必爱视| 九九中文字幕九| 久久综合五月天| 丁香五月婷婷色偷偷| 久久五月天婷婷| 婷婷99狠| 五月天综合视频| 天天橾夜夜爽| 99,色| 色综合中文综合网| 综合激情站| 98毛片| 五月天婷婷久草丁香| 在线观看免费视频| 久久久精品AV| 思思久久青草热| 婷婷久久五月天| 操日本色| 亚洲精品V天堂中文字幕| 大香蕉久久久| 激情婷婷五月基地| 五月色婷婷亚洲 | 97九色视频| 99久久超级| 婷婷色综合| 激情五月综合亚洲另类| 国产熟女日日骚五月丁香爱| 婷婷在线视频| 综合九九久久| 99久久99综合| 特级西西4444www无码| 99视频这里有精品| 狠狠操在线视频| aaaaa不卡| 成人色图情色成人网 www.5b5b5bcom 五月天 | 七七婷婷综合| 色婷婷久久综合中文久久一本 | 亚韩在线视频| 欧美日韩AAAA| 欧洲日韩一区二区三区| 五月天色色网站| 综合网狠狠| 亚洲综合色成丁香五月色| 婷婷五月天影院| 色色狼人综合| 欧美人妻一区二区| 天天操夜夜玩!| 99这里有精品久久97| 六月婷婷色色色| 亚洲av电影在线| 少妇性BBB搡BBB爽爽爽电影| AV大香蕉| 婷婷久久精品| 丁香五月亚综合图片| 九九久久这里只有精品XB| 激情五月丁香婷婷夜夜操| 国产色网站| 五月婷婷狠狠久久| seuuu婷婷| 噼里啪啦在线观看免费完整版视频| 人人摸人人操人人爽| www色五月| www.激情五月天| 我要色综合五月婷婷| 色色综合成人网| 影音先锋一区二区三区| 在线看黄色| 97se在线视频| 岛国在线观看91| 国产亚洲精品久久久久久牛牛| 大香蕉久久| 伊人五月婷婷| 亚洲va成人va成人va在线观看| 99久久大片| 99色看| 激情网第四色| 99r这里只有精品哦| 超碰免费在线| 在线中文字幕av| 成人中文字幕在线| 欧美日本高清视频99| 日本丰满久久| 五月伊人91| 欧美槡BBBB槡BBB少妇| 天天插天天射| 伊人五月天| 97色色综合| 天堂A∨在线| 色婷婷六月天| 丁香五月激情网| 99这里有精品| 青青草五月天| 色99在线视频| 99热费观看| 99久久久| 五月丁香花婷婷玉莉AV| 99思思热只有在这里看| 色婷婷亚洲在线| 第四色婷婷色五月| 国产26uuu视频| 五月青青草综合| 91操色| 99热国产这里只有| 成人必爱视| 久月丁香爱婷婷综合| 丁香六月婷婷缴情欧美| 久久婷婷成人视频| 天天做天天视天天谢| 亚洲精品va| 做爱夜夜干天天操| 91丨熟女丨首页| 色欲Av五月天| 国产阿姨日皮艹逼内射视频| 日本本土色网第一区| site:minyis.com| 色综合播放| 婷婷色5月天在线。| 少妇婷婷五月天| 天天摸夜夜爽天天做| 激情五月婷婷综合视频| 69er小视频| 久久综合天天综合| 99色最新在线视频网站| 国产色99| 丁香六月五月天| 五月丁香激情综合久久| 五月天成人在线视频网站| 五月天精品| 狼人婷婷久久| 婷婷五月天综合网| 色婷婷综合网| 五月丁香啪| www.婷婷六月天| 欧美成人猛片AAAAAAA| 三级黄色大片视频| 久久婷婷超碰| 1024久婷| www.久久9| 五月婷婷偷拍| 99视频自拍| 激情久久四色| 综合网激情五月天| 五月天激情综合10p| 婷婷丁香五月亚洲免费| 九九婷婷网五月天| 婷婷成人AV| 亚洲不卡| 国产成人亚洲综合A∨婷婷| 五月天综合网| 草草夜夜操| 97碰 在线视频观看| 午夜日韩久久久网站| 午夜成人综合| 99热91| 综合xx网| 伊人午夜综合色啪| 色婷婷丁香五月在线观看| 色老久久| 亚洲日日日| 99精品偷自拍| 任你弄在线视频免费| 99热精品网| 97资源欧美日韩大香蕉超碰一区| 免费AAAAA网| 色综合五月在线| 婷婷色激情五月天| 久久久久婷 | 5月婷婷6月丁香aV| 天天做天天爱天天爽夜夜揉| 99er免费在线观看| 天天插天天| 激情五月丁香亭亭 | 超碰人人干| 99re思思精品视频在线观看| 男女久久婷婷五月天| 五月亭亭直播| 大香蕉婷婷五月天| 激情AV| 久久久久久99日本| 国产操肏网站| 五月婷婷综合网| 婷婷五月天综合蜜桃| 99精品免费欧美小视频| 超碰三级片| 色色无码| 99色综合久久| 99色五月| 丁香六月色婷婷欧美| 色五月色五天色情网| 婷婷丁香六月| 狠狠干,狠狠操| 久爱综合| 热久69| 99re这里只有精品9| 亚洲一区二区无码蜜乳av| 婷婷五月天伊人| 五月色丁香| 色插人人| 激情综合在线观看| 5月丁香婷婷| 婷婷亚洲欧美丁香五月| 97超碰人人操| 无码激情AAAAA片-区区| 第1影院之五月婷婷| 91久久婷婷| 欧美综合五月丁香五月天| 色五月大| 99精品视频在线观看| 婷婷六月久久| 综合网色| 天天透天天摸天天舔| 五月丁香激情综合啪啪| 天天插天天射| 超碰97色| 九九日本视频| 久久性爱视频这里只有精品| 色综合网址| 91九九九九| www.久久99热地址发布| 日本精品。999| 综合五月婷婷| 色婷婷色99国产综合精品| 人妻在线观看视频| 九九99免费视频| 淫荡综合网| 91视频一起草| 黄色片久久| 日本久久婷婷| 五六月丁香激情视频| 日韩av在线免费观看| 大地资源色婷婷视频在线| 综合网啪| 丁香八月综合激情| 九九无码| 激情五月婷婷| 久久久久久久久99精品| 九九草热在线观看| 99视频网址| 五月色情| www.五月婷婷.com| 亚洲色色色色| 色综合久久天天综合网| 琪琪色五月婷婷老师| 7超碰自拍| 日本 @ va 免费| 婷婷五月激情图片|