色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法

iotmag ? 來(lái)源:物聯(lián)網(wǎng)技術(shù) ? 作者:物聯(lián)網(wǎng)技術(shù) ? 2022-10-25 14:27 ? 次閱讀

摘 要 :漂浮物識(shí)別是智能視頻監(jiān)控領(lǐng)域亟待解決的難點(diǎn)問(wèn)題,針對(duì)實(shí)際河道環(huán)境復(fù)雜、漂浮物多種多樣等問(wèn)題,文中通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的研究分析,結(jié)合邊端和云端設(shè)備的不同特點(diǎn),設(shè)計(jì)了一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法 :邊端設(shè)備,針對(duì)其算力有限但點(diǎn)位眾多的特點(diǎn),部署小型神經(jīng)網(wǎng)絡(luò)對(duì)視頻進(jìn)行初篩,得到疑似漂浮物信息及畫面回傳給云端 ;云端設(shè)備,利用其算力高的特點(diǎn),對(duì)疑似漂浮物信息及畫面進(jìn)行精確識(shí)別,過(guò)濾無(wú)效信息,并將有效信息以報(bào)警形式進(jìn)行存儲(chǔ)上報(bào)。實(shí)驗(yàn)表明 :該方法能綜合利用邊云設(shè)備的性能,減少傳輸數(shù)據(jù)量、提高識(shí)別率、降低誤檢率,滿足河道監(jiān)控場(chǎng)景的應(yīng)用。

0 引 言

2019 年全國(guó)水利工作會(huì)議和全國(guó)水文工作會(huì)議均提出當(dāng)前水文工作要聚焦支撐解決“四大水問(wèn)題”,緊密圍繞水利中心工作,以提高水文監(jiān)測(cè)預(yù)報(bào)預(yù)警業(yè)務(wù)能力和服務(wù)水平為重點(diǎn),強(qiáng)化水旱災(zāi)害防御支撐,拓展水利監(jiān)管服務(wù),拓寬社會(huì)服務(wù)領(lǐng)域,以及時(shí)、準(zhǔn)確、全面的水文監(jiān)測(cè)預(yù)報(bào)預(yù)警信息為水利工作和經(jīng)濟(jì)社會(huì)發(fā)展提供可靠支撐和保障。結(jié)合國(guó)家、水利部以及省委省政府的政策要求,廣東省水利廳提出了開展廣東智慧水利融合工程。其中,漂浮物的監(jiān)督治理作為水利日常管理工作的重要一環(huán) [1],急需通過(guò)智能化建設(shè)來(lái)解決。

在傳統(tǒng)圖像處理領(lǐng)域,主要通過(guò)漂浮物的邊緣、輪廓、顏色等特征并結(jié)合分類器進(jìn)行漂浮物的分類識(shí)別工作 [2]。例如,左建軍等 [3] 采用背景減除法分割出圖像中的漂浮物區(qū)域,再利用 BP 算法進(jìn)行漂浮物特征訓(xùn)練,并構(gòu)建漂浮物分類器對(duì)分割區(qū)域進(jìn)行漂浮物識(shí)別。朱賀等 [4] 結(jié)合灰度閾值分割和河道輪廓識(shí)別方法實(shí)現(xiàn)對(duì)河道區(qū)域的準(zhǔn)確提取。這些方法檢測(cè)效率高,執(zhí)行速度快,但同時(shí)存在對(duì)光照以及圖像噪聲極為敏感、魯棒性較差等缺點(diǎn)。隨著深度學(xué)習(xí)技術(shù)在目標(biāo)檢測(cè)領(lǐng)域的廣泛使用,越來(lái)越多的學(xué)者使用深度學(xué)習(xí)技術(shù)進(jìn)行河道、湖泊的漂浮物檢測(cè)識(shí)別,并提出了多種網(wǎng)絡(luò)模型的改進(jìn)和應(yīng)用案例。例如鮑佳松等 [5] 采用的基于深度卷積神經(jīng)網(wǎng)絡(luò)的水面漂浮物分類識(shí)別術(shù)。李寧等 [6] 采用的基于 AlexNet的小樣本水面漂浮物識(shí)別。陳運(yùn)軍等 [7] 提出的基于 VGGNet的湖面塑料制品漂浮物識(shí)別。李國(guó)進(jìn)等 [8] 采用的基于改進(jìn)FasterR-CNN 的水面漂浮物識(shí)別與定位。楊偉煌等 [9] 采用的一種水面漂浮垃圾的智能收集系統(tǒng)。由于在實(shí)際河道中漂浮物種類繁多、環(huán)境復(fù)雜 [10],上述方法使用單一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢測(cè)識(shí)別難度大、錯(cuò)誤率高,很難應(yīng)用在實(shí)際場(chǎng)景中。只在邊端進(jìn)行漂浮物檢測(cè)對(duì)硬件設(shè)備要求高,建設(shè)成本大 ;只在云端進(jìn)行漂浮物檢測(cè),需要大量視頻回傳,網(wǎng)絡(luò)建設(shè)成本高。根據(jù)邊端、云端設(shè)備的不同特點(diǎn),本文設(shè)計(jì)了一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法,該方法在邊端部署小型神經(jīng)網(wǎng)絡(luò)對(duì)視頻進(jìn)行初篩,剔除大量無(wú)目標(biāo)數(shù)據(jù)以降低網(wǎng)絡(luò)傳輸量 ;在云端部署大型神經(jīng)網(wǎng)絡(luò)對(duì)疑似目標(biāo)進(jìn)行精細(xì)識(shí)別分類。

1 算法設(shè)計(jì)

1.1 邊云結(jié)合流程設(shè)計(jì)

本文設(shè)計(jì)了一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法 :

(1)在河岸架設(shè)多路攝像頭,對(duì)獲取的視頻幀進(jìn)行初篩,剔除大量無(wú)目標(biāo)的視頻信息 ;

(2)將疑似目標(biāo)的視頻信息傳輸?shù)皆贫朔?wù)器進(jìn)行精細(xì)識(shí)別分類,并轉(zhuǎn)換為報(bào)警信息進(jìn)行存儲(chǔ)和上報(bào)。

系統(tǒng)物理架構(gòu)如圖 1 所示,算法流程如圖 2 所示。

ffc7ba96-540d-11ed-a3b6-dac502259ad0.png

ffed21aa-540d-11ed-a3b6-dac502259ad0.png

1.2 邊端算法設(shè)計(jì)

在邊端實(shí)現(xiàn)疑似目標(biāo)的定位,但因設(shè)備算力有限,因此需要一個(gè)快速高效且算力要求不高的目標(biāo)檢測(cè)模型。二階目標(biāo)檢測(cè)模型檢測(cè)精度高但檢測(cè)速率低,無(wú)法滿足河道監(jiān)測(cè)的要求;一階目標(biāo)檢測(cè)模型中的 YOLO 系列是當(dāng)前工業(yè)界的最佳視覺(jué)識(shí)別算法之一,在精度和速率方面能夠達(dá)到較好均衡。相較于之前 YOLOv1~v4 采用的 Darknet 框架,YOLOv5使用 PyTorch 框架,對(duì)用戶非常友好,不僅容易配置環(huán)境,而且模型訓(xùn)練速度快,所以在邊端選用 YOLOv5 網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)。YOLOv5 結(jié)構(gòu)如圖 3 所示。

fff5ba18-540d-11ed-a3b6-dac502259ad0.png

1.3 云端算法設(shè)計(jì)

在云端部署的模型主要進(jìn)行目標(biāo)的識(shí)別,要求具有最優(yōu)的準(zhǔn)確率,目前各分類模型具體性能見(jiàn)表 1 所列。

0020ca0a-540e-11ed-a3b6-dac502259ad0.png

由表 1 可以看出,ResNet152 是當(dāng)前圖片分類任務(wù)中表現(xiàn)最好的神經(jīng)網(wǎng)絡(luò),所以本文選擇 ResNet152 模型在云端進(jìn)行目標(biāo)識(shí)別分類。所選模型在 top5 上的錯(cuò)誤率為 5.94%,效果突出,ResNet 的結(jié)構(gòu)可以很好地加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,模型準(zhǔn)確率有較大提升,避免了層數(shù)加深準(zhǔn)確率下降的問(wèn)題同時(shí),系統(tǒng)可以滿足云端的漂浮物分類需求,ResNet152 模型的結(jié)構(gòu)見(jiàn)表 2 所列。

004b446a-540e-11ed-a3b6-dac502259ad0.png

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)集準(zhǔn)備

網(wǎng)絡(luò)模型構(gòu)建完成后,進(jìn)入數(shù)據(jù)集準(zhǔn)備階段。數(shù)據(jù)集的質(zhì)量?jī)?yōu)劣直接影響網(wǎng)絡(luò)模型的性能。考慮到數(shù)據(jù)集的來(lái)源應(yīng)與使用環(huán)境相近,本文在大中小型河道的岸邊進(jìn)行數(shù)據(jù)采集。考慮到季節(jié)、天氣、光照等環(huán)境因素對(duì)網(wǎng)絡(luò)模型的影響,本文在不同環(huán)境條件下對(duì)各種河道及漂浮物進(jìn)行拍攝錄像,然后通過(guò)抽幀獲取目標(biāo)圖片。此外,還借助一些數(shù)據(jù)增強(qiáng)手段來(lái)豐富數(shù)據(jù)集,例如通過(guò)對(duì)圖像進(jìn)行幾何變換,包括翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪、變形、縮放等增加數(shù)據(jù),以及通過(guò)對(duì)圖像的像素重分布,包括噪聲、模糊、顏色變換、擦除、填充等增加數(shù)據(jù)。

數(shù)據(jù)搜集完畢后,通過(guò)篩選和標(biāo)注形成最終的數(shù)據(jù)集。數(shù)據(jù)集共有圖片 17 985 張,樣本 53 959 個(gè),漂浮物類別 10 種。樣本類別分布均衡,達(dá)到訓(xùn)練要求。

2.2 實(shí)驗(yàn)結(jié)果與分析

邊端模型訓(xùn)練設(shè)備的硬件配置為 :處理器 Intel CoreTMi7-4460、內(nèi)存 32G、顯卡 GTX1080、16G ;軟件環(huán)境為 :操作系統(tǒng) Ubuntu18.04、框架 PyTorch、網(wǎng)絡(luò) YOLOv5。共訓(xùn)練2 次。第一次訓(xùn)練,保證數(shù)據(jù)集樣本及類別不變,并以此訓(xùn)練結(jié)果為基準(zhǔn)判斷本文方法的有效性。訓(xùn)練時(shí)主要觀察模型的精確率,精確率越高說(shuō)明誤檢率越低,第一次訓(xùn)練效果如圖 4 所示。

006def92-540e-11ed-a3b6-dac502259ad0.png

第二次訓(xùn)練,考慮到邊端設(shè)備算力有限,將數(shù)據(jù)集樣本類別信息去除,由此,YOLOv5 只做目標(biāo)定位而不做目標(biāo)識(shí)別,以降低其計(jì)算復(fù)雜度。第二次訓(xùn)練效果如圖 5 所示。

008d8730-540e-11ed-a3b6-dac502259ad0.png

云端模型訓(xùn)練設(shè)備的硬件配置為 :處理器 IntelXeon(R) CPU E5-2678 v3@2.50 GHz×48、 內(nèi)存32G、顯卡GTX3090、32G。軟件環(huán)境為 :操作系統(tǒng) Ubuntu18.04、框架PyTorch、網(wǎng)絡(luò) ResNet152。在訓(xùn)練前,需將數(shù)據(jù)集進(jìn)行裁剪,將目標(biāo)從背景分離得到目標(biāo)數(shù)據(jù)集,模型訓(xùn)練效果如圖 6所示。

00a39070-540e-11ed-a3b6-dac502259ad0.png

通過(guò)圖 4、圖 5 可以看出,YOLOv5 兩次訓(xùn)練的損失函數(shù)曲線圖大致相同,目標(biāo)框的損失曲線大致相同,訓(xùn)練的 2 個(gè)模型的目標(biāo)定位檢測(cè)損失一致,可以說(shuō)明模型在檢測(cè)定位方面一致,其中檢測(cè)分類 YOLOv5 模型的精確率為75.81%。圖 6(a)是 ResNet152 模型的訓(xùn)練損失圖,訓(xùn)練1 000 次后損失約 0.001,圖 6(b)是模型在驗(yàn)證集的準(zhǔn)確率,訓(xùn)練 1 000 次后準(zhǔn)確率約為 98.2%。

將圖 5 的模型在相同驗(yàn)證集進(jìn)行定位檢測(cè),將檢測(cè)到的目標(biāo)信息傳給 ResNet152 模型進(jìn)行分類,得到結(jié)果后計(jì)算出相應(yīng)的精確率,最終結(jié)果對(duì)比見(jiàn)表 3 所列。

00ba2a1a-540e-11ed-a3b6-dac502259ad0.png

由表3可知,圖4的檢測(cè)準(zhǔn)確率與本文的邊端檢測(cè)準(zhǔn)確率基本相同,從圖4、圖5中 box_loss 函數(shù)趨于相同也可以得到佐證,圖4的精確率為75.81%。采用本文方法在邊端進(jìn)行檢測(cè)的準(zhǔn)確率為73.57%,在云端的識(shí)別精確率為98.2%,本文的精確率為 85.89%。與圖4的精準(zhǔn)度對(duì)比,本文的精確度提高了10.08%。由此可見(jiàn),本文提出的邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法切實(shí)可行,滿足了河道漂浮物的預(yù)警需求。

3 結(jié) 語(yǔ)

通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的研究分析,結(jié)合邊端和云端設(shè)備的不同特點(diǎn),本文設(shè)計(jì)了一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法,該方法目前通過(guò)實(shí)驗(yàn)測(cè)試提高了模型檢測(cè)識(shí)別的精確度,減少了模型預(yù)測(cè)的耗時(shí)。但實(shí)驗(yàn)中還存在一些不足,比如檢測(cè)定位模型選用的是 YOLOv5 模型,沒(méi)有對(duì)其進(jìn)行剪枝壓縮,縮小模型規(guī)模以進(jìn)一步降低模型對(duì)邊端設(shè)備算力的要求,下一步嘗試在保證其檢測(cè)精度的前提下對(duì)模型進(jìn)行壓縮剪枝。

審核編輯:湯梓紅
聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴

原文標(biāo)題:論文速覽 | 一種邊云結(jié)合的漂浮物檢測(cè)識(shí)別方法

文章出處:【微信號(hào):iotmag,微信公眾號(hào):iotmag】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏

    評(píng)論

    相關(guān)推薦

    如何設(shè)計(jì)一種基于DSP的車輛碰撞聲檢測(cè)裝置?

    本文采用小波分析和模式識(shí)別方法分析車輛噪聲信號(hào),設(shè)計(jì)了一種基于DSP的車輛碰撞聲檢測(cè)裝置,該裝置能有效檢測(cè)車輛碰撞事件,實(shí)現(xiàn)交通事故的自動(dòng)識(shí)別
    發(fā)表于 05-12 06:32

    LightningChart.NET識(shí)別方法

    結(jié)構(gòu)工程中一種非常常見(jiàn)的識(shí)別方法,用于識(shí)別潛在的結(jié)構(gòu)完整性問(wèn)題,例如隱藏的物體或空隙。這是一種識(shí)別機(jī)械問(wèn)題的
    發(fā)表于 08-31 06:11

    一種基于綜合幾何特征和概率神經(jīng)網(wǎng)絡(luò)的HGU軸軌識(shí)別方法

    摘要故障診斷是保證水輪發(fā)電機(jī)組安全運(yùn)行的重要環(huán)節(jié)。軸心軌跡辨識(shí)是HGU故障診斷的一種有效方法。提出了一種基于綜合幾何特征和概率神經(jīng)網(wǎng)絡(luò)(CGC-PNN)的HGU軸軌識(shí)別方法。該
    發(fā)表于 09-15 08:18

    一種新型指針儀表識(shí)別方法研究

             本文在簡(jiǎn)單介紹指針式儀表及其常用識(shí)別方法的基礎(chǔ)上,提出了一種基于最大灰度相減法的新型識(shí)別方法。然后詳細(xì)介紹了這
    發(fā)表于 09-14 09:18 ?21次下載

    一種基于模型的輻射源識(shí)別方法

    該文針對(duì)測(cè)量參數(shù)的不確定所造成的輻射源不能正確識(shí)別問(wèn)題,提出了一種基于模型的識(shí)別方法。該方法首先利用
    發(fā)表于 11-09 14:56 ?11次下載

    一種基于數(shù)據(jù)融合的身份識(shí)別方法

    針對(duì)單一生物特征身份識(shí)別由于傳感器噪音及特征破損等缺陷導(dǎo)致識(shí)別率低的問(wèn)題,從信息融合角度出發(fā),提出一種基于語(yǔ)音和人臉的多生物特征身份識(shí)別方法
    發(fā)表于 01-15 15:23 ?16次下載

    電容的識(shí)別方法

    電容的識(shí)別方法 電容的識(shí)別方法與電阻的識(shí)別方法基本相同,分直標(biāo)法、色標(biāo)法和數(shù)標(biāo)法3。 電容的基本單位用法拉(F)表示,其它單位還
    發(fā)表于 02-06 18:13 ?6640次閱讀

    一種基于模型修正的海上風(fēng)電樁基弱化識(shí)別方法_李英超

    一種基于模型修正的海上風(fēng)電樁基弱化識(shí)別方法_李英超
    發(fā)表于 12-29 14:35 ?0次下載

    一種卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)相結(jié)合的人臉識(shí)別方法_余丹

    一種卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)相結(jié)合的人臉識(shí)別方法_余丹
    發(fā)表于 01-08 11:20 ?0次下載

    一種簡(jiǎn)單的人臉識(shí)別方法

    主成分分析與線性判別分析是人臉識(shí)別的重要識(shí)別方法,它們都通過(guò)求解特征值問(wèn)題實(shí)現(xiàn)特征提取,但由于維數(shù)災(zāi)難會(huì)導(dǎo)致小樣本和奇異性問(wèn)題。提出了一種簡(jiǎn)單的人臉識(shí)別方法,無(wú)需進(jìn)行奇異值分解,能有效
    發(fā)表于 11-21 09:27 ?2次下載

    一種新的非特定人表情識(shí)別方法

    針對(duì)復(fù)雜狀況下傳統(tǒng)表情識(shí)別方法存在的問(wèn)題,提出一種新的非特定人表情識(shí)別方法。該算法首先提取每張表情圖像的HOG特征和Haar小波特征,然后將兩不同的特征串行融合得到整幅圖像的特征,最
    發(fā)表于 11-22 17:22 ?0次下載

    一種基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合識(shí)別方法

    從事件時(shí)序關(guān)系與因果關(guān)系的關(guān)聯(lián)性出發(fā),提出基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合識(shí)別方法。將時(shí)序關(guān)系和因果關(guān)系識(shí)別分別作為主任務(wù)和輔助任務(wù),設(shè)計(jì)共享輔助任務(wù)中編碼層、解碼層和編解碼層的3聯(lián)合識(shí)別模型,通
    發(fā)表于 03-25 15:47 ?11次下載
    <b class='flag-5'>一種</b>基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合<b class='flag-5'>識(shí)別方法</b>

    一種全新的脈搏信號(hào)時(shí)域特征點(diǎn)識(shí)別方法

    ,提出一種脈搏時(shí)域特征點(diǎn)識(shí)別方法。運(yùn)用小波變換模極大值曲線檢測(cè)脈搏信號(hào)中的奇異點(diǎn),根據(jù)奇異點(diǎn)的性質(zhì)與位置關(guān)系,確定各時(shí)域特征點(diǎn)所在的位置范圍,利用差分法確定各個(gè)時(shí)域特征點(diǎn)的位置。實(shí)驗(yàn)結(jié)果表明該
    發(fā)表于 05-19 17:15 ?7次下載

    這些漂浮物將海浪轉(zhuǎn)化為可再生能源?

    根據(jù)開發(fā)團(tuán)隊(duì)的說(shuō)法,每漂浮物都經(jīng)過(guò)精心設(shè)計(jì),以適應(yīng)安裝地點(diǎn)的特定波浪條件。例如,較小的波浪需要更多的小型漂浮物,因此它們更容易上下移動(dòng),但較大的波浪可以處理較大的漂浮物——因此,需
    的頭像 發(fā)表于 11-28 16:16 ?693次閱讀

    河道水面漂浮物識(shí)別檢測(cè) YOLO算法

    河道水面漂浮物識(shí)別檢測(cè)根據(jù)監(jiān)控?cái)z像頭搜集江河或河道的水面視頻,截取圖片中帶有海上漂浮物的照片,河道水面漂浮物
    的頭像 發(fā)表于 07-02 11:37 ?713次閱讀
    河道水面<b class='flag-5'>漂浮物</b><b class='flag-5'>識(shí)別</b><b class='flag-5'>檢測(cè)</b> YOLO算法
    主站蜘蛛池模板: 国产精品一区二区AV白丝在线 | 日本高清不卡码无码v亚洲 日本福利片午夜免费观着 日本粉嫩学生毛绒绒 | 亚洲九九视频 | 制服丝袜第一页 | 亚洲伊人精品综合在合线 | a视频在线免费观看 | 最新精品学生国产自在现拍 | 狠狠色综合久久婷婷 | 视频在线观看高清免费看 | 免费精品一区二区三区在线观看 | 久久精品视在线观看85 | 青青草干免费线观看 | 混乱家庭电影完整版在线看 | 97人妻无码AV碰碰视频 | 超碰在线线公开免费视频 | 首页 国产 亚洲 中文字幕 | 忘忧草直播| 超碰caoporen国产 | 国产传媒18精品A片在线观看 | 果冻传媒免费观看 | bbbbbxxxxx肥胖 | 国产午夜精品理论片免费观看 | 狠狠色狠狠色综合曰曰 | 色午夜日本高清视频www | 香蕉视频国产精品 | 久久黄色网 | 亚洲综合AV色婷婷五月蜜臀 | 日韩亚洲国产中文字幕欧美 | 日产日韩亚洲欧美综合搜索 | 乱爱性全过程免费视频 | 宝贝你骚死哥了好爽 | 美女搞鸡网站 | 奇米网一区二区三区在线观看 | 国内一级一级毛片a免费 | 国产电影无码午夜在线播放 | 男男肉肉互插腐文 | 一二三四高清中文版视频 | 无码射肉在线播放视频 | 国产人妻人伦精品9 | 国产成人刺激视频在线观看 | 日本学生VIDEOVIDEOS更新 日本性xxx |

    電子發(fā)燒友

    中國(guó)電子工程師最喜歡的網(wǎng)站

    • 2931785位工程師會(huì)員交流學(xué)習(xí)
    • 獲取您個(gè)性化的科技前沿技術(shù)信息
    • 參加活動(dòng)獲取豐厚的禮品