期刊文献+
共找到15篇文章
< 1 >
每页显示 20 50 100
基于改进Faster-RCNN的起重机钢丝绳表面缺陷识别方法
1
作者 苏立鹏 娄益凡 +3 位作者 杨吴奔 高建貌 王雪迎 易灿灿 《机电工程》 北大核心 2025年第7期1341-1349,共9页
针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识... 针对现有的起重机钢丝绳表面缺陷检测中存在的检测效率低、准确度差、鲁棒性有限等问题,提出了一种基于改进快速区域卷积神经网络(Faster-RCNN)的起重机钢丝绳表面缺陷识别检测方法,该方法结合多个关键技术,显著提升了钢丝绳表面缺陷识别的性能。首先,采用了多尺度策略提高输入图像的分辨率,从而更好地检测不同大小的缺陷;其次,在网络中引入了可变形卷积,以增强其捕捉传统卷积技术难以检测的钢丝绳缺陷复杂形状特征的能力;采用了路径增强技术融合低维和高维特征,有效解决了在下采样和特征融合过程中信息丢失的问题,极大提升了模型在各层之间保持关键信息的能力;最后,采用了广义交并比(GIOU)损失函数替代传统的交并比(IOU)损失函数,显著提高了边界框预测的准确性,验证了改进后的Faster-RCNN算法在起重机钢丝绳损伤检测的性能提升方面较为显著。研究结果表明:改进版Faster-RCNN模型相比原算法在精度上有了显著提高,准确率从81.8%提升至90.2%,召回率从83.8%提高至94.2%,最终平均精度达到0.934,提升了9.6%。与传统检测算法如SSD和原版YOLOv5相比,该方法的准确率分别提高了17.6%和11.0%,证明了其在钢丝绳损伤图像识别中的有效性。 展开更多
关键词 起重机械 损伤检测 改进的快速区域卷积神经网络 多尺度和自定义锚框策略 广义交并比损失函数 可变形卷积 路径增强特征金字塔 区域提议网络 消融实验
在线阅读 下载PDF
基于改进YOLOv3的航拍小目标检测算法
2
作者 奚琦 王明杰 +1 位作者 魏敬和 赵伟 《计算机工程》 北大核心 2025年第6期184-192,共9页
针对小尺度目标在检测时精确率低且易出现漏检和误检等问题,提出一种改进的YOLOv3(You Only Look Once version 3)小目标检测算法。在网络结构方面,为提高基础网络的特征提取能力,使用DenseNet-121密集连接网络替换原Darknet-53网络作... 针对小尺度目标在检测时精确率低且易出现漏检和误检等问题,提出一种改进的YOLOv3(You Only Look Once version 3)小目标检测算法。在网络结构方面,为提高基础网络的特征提取能力,使用DenseNet-121密集连接网络替换原Darknet-53网络作为其基础网络,同时修改卷积核尺寸,进一步降低特征图信息的损耗,并且为增强检测模型对小尺度目标的鲁棒性,额外增加第4个尺寸为104×104像素的特征检测层;在对特征图融合操作方面,使用双线性插值法进行上采样操作代替原最近邻插值法上采样操作,解决大部分检测算法中存在的特征严重损失问题;在损失函数方面,使用广义交并比(GIoU)代替交并比(IoU)来计算边界框的损失值,同时引入Focal Loss焦点损失函数作为边界框的置信度损失函数。实验结果表明,改进算法在VisDrone2019数据集上的均值平均精度(mAP)为63.3%,较原始YOLOv3检测模型提高了13.2百分点,并且在GTX 1080 Ti设备上可实现52帧/s的检测速度,对小目标有着较好的检测性能。 展开更多
关键词 小目标检测 YOLOv3 密集连接网络 损失函数 广义交并比
在线阅读 下载PDF
基于图像分割网络的深度假脸视频篡改检测 被引量:15
3
作者 胡永健 高逸飞 +1 位作者 刘琲贝 廖广军 《电子与信息学报》 EI CSCD 北大核心 2021年第1期162-170,共9页
随着深度学习技术的快速发展,利用深度神经网络模型伪造出的深度假脸(deepfake)视频越来越逼真,假脸视频造成的威胁也越来越大。文献中已出现一些基于卷积神经网络的换脸视频检测算法,他们在库内获得较好的检测效果,但跨库检测性能急剧... 随着深度学习技术的快速发展,利用深度神经网络模型伪造出的深度假脸(deepfake)视频越来越逼真,假脸视频造成的威胁也越来越大。文献中已出现一些基于卷积神经网络的换脸视频检测算法,他们在库内获得较好的检测效果,但跨库检测性能急剧下降,存在泛化能力不足的问题。该文从假脸篡改的机制出发,将视频换脸视为特殊的拼接篡改问题,利用流行的神经分割网络首先预测篡改区域,得到预测掩膜概率图,去噪并二值化,然后根据换脸主要发生在人脸区域的前提,提出一种计算人脸交并比的新方法,并进一步根据换脸处理的先验知识改进人脸交并比的计算,将其作为篡改检测的分类准则。所提出方法分别在3个不同的基础分割网络上实现,并在TIMIT,FaceForensics++,FFW数据库上进行了实验,与文献中流行的同类方法相比,在保持库内检测的高准确率同时,跨库检测的平均错误率显著下降。在近期发布的合成质量较高的DFD数据库上也获得了很好的检测性能,充分证明了所提出方法的有效性和通用性。 展开更多
关键词 假脸视频 图像分割网络 人脸交并比 信任机制 泛化能力
在线阅读 下载PDF
基于改进Faster R-CNN的钢轨踏面块状伤损检测方法 被引量:4
4
作者 罗晖 贾晨 +1 位作者 芦春雨 李健 《计算机应用》 CSCD 北大核心 2021年第3期904-910,共7页
针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度... 针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度伤损的检测精度;然后,采用广义交并比(GIoU)损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题;最后,提出引导锚定的区域提名网络(GA-RPN)方法,从而解决了区域生成网络(RPN)生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中,基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充,解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明,所提改进方法对钢轨踏面块状伤损检测的平均精度均值(mAP)可达到82.466%,相较于Faster R-CNN提高了13.201个百分点,能够更加准确地检测钢轨踏面块状伤损。 展开更多
关键词 钢轨踏面 块状伤损检测 Faster区域卷积神经网络 特征金字塔 广义交并比 区域建议网络
在线阅读 下载PDF
基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测 被引量:32
5
作者 苟军年 杜愫愫 刘力 《电工技术学报》 EI CSCD 北大核心 2023年第1期47-59,共13页
由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标... 由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标特征保持性;其次,使用全局交并比(GIoU)计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。 展开更多
关键词 绝缘子缺陷检测 掩膜区域卷积神经网络 卷积注意力模块 特征融合 全局交并比 Tversky损失
在线阅读 下载PDF
改进YOLOv3算法下通航机场场面运动目标检测 被引量:6
6
作者 夏正洪 魏汝祥 李彦冬 《中国安全科学学报》 CAS CSCD 北大核心 2023年第2期82-88,共7页
为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数... 为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。 展开更多
关键词 改进YOLOv3算法 通航机场 目标检测 深度可分离卷积 距离交并比(DIoU)
在线阅读 下载PDF
基于RetinaNet改进的车辆信息检测 被引量:15
7
作者 刘革 郑叶龙 赵美蓉 《计算机应用》 CSCD 北大核心 2020年第3期854-858,共5页
移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络(FPN)模块的深层特征信息融合进浅层特征层,以Mobil... 移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络(FPN)模块的深层特征信息融合进浅层特征层,以MobileNet V3为基础特征提取网络;其次,引入目标检测任务的直接评价指标GIoU指导定位任务;最后,使用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层。与原始RetinaNet目标检测算法的对比实验表明,所提算法在车辆信息检测数据集上的精度有10.2个百分点的提升。以MobileNet V3为基础网络时平均准确率均值(mAP)可达97.2%且在ARM v7设备上单帧前向推断用时可达100 ms。实验结果表明,所提方法能够有效提高移动端车辆信息检测算法性能。 展开更多
关键词 卷积神经网络 目标检测 维度聚类 特征融合 giou
在线阅读 下载PDF
基于改进faster RCNN的木材运输车辆检测 被引量:7
8
作者 徐义鎏 贺鹏 +3 位作者 任东 王慧 董婷 邵攀 《计算机应用》 CSCD 北大核心 2020年第S01期209-214,共6页
针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使... 针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框聚类作为基础改进措施;其次,以广义交并比(GIoU)损失函数替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,使用GIoU作为损失函数的faster RCNN相比原算法对木材运输车辆检测的平均精度(AP)上升了7.5%,模型平均精度均值(mAP)上升了4.3%;同时,在大型数据集PASCALVOC上,使用GIoU作为损失函数的faster RCNN的mAP达到73.4%,相比其他算法具有明显优势。 展开更多
关键词 广义交并比 目标检测 损失函数 金字塔特征网络 faster区域卷积神经网络 车型检测
在线阅读 下载PDF
基于YOLO v3算法改进的交通标志识别算法 被引量:36
9
作者 江金洪 鲍胜利 +1 位作者 史文旭 韦振坤 《计算机应用》 CSCD 北大核心 2020年第8期2472-2478,共7页
针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点... 针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。 展开更多
关键词 交通标志识别 YOLO v3算法 广义交并比 深度可分离卷积 损失函数 Focal损失
在线阅读 下载PDF
多尺度特征DCA融合的海上船舶检测算法研究 被引量:5
10
作者 潘慧 段先华 罗斌强 《计算机工程与应用》 CSCD 北大核心 2022年第4期177-185,共9页
为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3。构建船舶图像数据集Shipdataset,包括数据采集、... 为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3。构建船舶图像数据集Shipdataset,包括数据采集、增强和标签标注,使用维度聚类算法在该数据集中找出合适尺寸的先验框,并应用于相对应的尺度特征图。以Darknet-53的网络框架为基础特征提取网络,增加网络预测尺度,在多尺度特征融合中加入DCA融合策略,提高模型对船舶的检测能力。以MS-YOLOV3为算法框架,采用GIOU作为边框损失函数的参数,提升模型对边界框位置信息的预测准确度。结果MS-YOLOV3与YOLOV3检测算法的对比实验表明,前者在船舶数据集上的精度有7.9个百分点的提升。同时加入的GIOU边框损失,拉低了模型的平均损失,加强了模型的鲁棒性,使得目标框的定位误差大大减小。根据Pascal VOC2007数据集上的训练效果,MS-YOLOV3的平均精度相较于YOLO系列算法、SSD300和Faster-RCNN,精确度优势更加明显。提出的MS-YOLOV3检测模型使得船舶的位置信息和类别精度更加准确。 展开更多
关键词 深度学习 卷积神经网络(CNN) 船舶检测 多尺度特征 YOLOV3 判别相关分析(DCA) 广义交并比(giou)
在线阅读 下载PDF
基于机器视觉的指针式仪表检测 被引量:12
11
作者 赵辉 姜立锋 +1 位作者 王红君 岳有军 《科学技术与工程》 北大核心 2021年第34期14665-14672,共8页
提出了一种基于机器视觉的变电站指针式仪表检测算法。该算法基于YOLO v3神经网络,引入Res2Net残差模块以及采用特征层融合的方式,采用更少的模块和网络层数获取更高的特征提取效率,通过增加空间池化金字塔(spatial pyramid pooling,SPP... 提出了一种基于机器视觉的变电站指针式仪表检测算法。该算法基于YOLO v3神经网络,引入Res2Net残差模块以及采用特征层融合的方式,采用更少的模块和网络层数获取更高的特征提取效率,通过增加空间池化金字塔(spatial pyramid pooling,SPP)模块融合多重感受野,使用GIoU(generalized intersection over union)损失函数代替原有的损失函数。此外,针对数据集的不同,采取k-means++聚类算法重新选择锚点框的尺寸。实验结果证明,在保证精度的前提下,相对于Faster R-CNN和原始的YOLO v3网络,速度分别提升了73.7%和45.8%。 展开更多
关键词 YOLO v3 Res2Net 空间池化金字塔(SPP) giou(generalized intersection over union) k-means++ 速度 检测识别
在线阅读 下载PDF
目标检测中框回归损失函数的研究 被引量:12
12
作者 张翠文 张长伦 +1 位作者 何强 王恒友 《计算机工程与应用》 CSCD 北大核心 2021年第20期97-103,共7页
在目标检测中,框回归损失函数的设定直接影响预测框的定位准确性。预测框与目标框的交并比(IOU)被设定为优化预测框的损失函数,但是当两框无重叠面积时无法进行梯度回传。广义的交并比(GIOU)在IOU损失函数的基础上增加非重叠面积部分,... 在目标检测中,框回归损失函数的设定直接影响预测框的定位准确性。预测框与目标框的交并比(IOU)被设定为优化预测框的损失函数,但是当两框无重叠面积时无法进行梯度回传。广义的交并比(GIOU)在IOU损失函数的基础上增加非重叠面积部分,将两部分优化项作为损失函数调整预测框位置,解决了无法梯度回传的情况。但当两框是包含关系时,GIOU的第二部分优化项消失,损失函数退化为IOU。为了解决以上问题,提出了一种重新定义的广义交并比损失函数(RGIOU),将非重叠部分面积定义为两框之并减去两框之交,再除以两框形成的最小闭包面积作为第一部分,除以最小闭包面积的平方作为第二部分,利用权重阈值进行加和形成新的损失函数。避免了两框是包含关系时存在的问题,提升了目标检测算法的精度。上述算法在PASCAL VOC 2007以及MS COCO 2014数据集上加以验证。 展开更多
关键词 目标检测 框回归 交并比(IOU) 广义的交并比(giou)
在线阅读 下载PDF
改进YOLOv3的复杂施工环境下安全帽佩戴检测算法 被引量:24
13
作者 赵红成 田秀霞 +1 位作者 杨泽森 白万荣 《中国安全科学学报》 CAS CSCD 北大核心 2022年第5期194-200,共7页
为解决施工场所环境复杂导致的智能监控下安全帽佩戴检测准确率低及漏检等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。采用Focal Loss专注困难正样本训练,提高模型在复杂环境下的鲁棒性;在原始网络基础上使用空间金字塔多级池化融... 为解决施工场所环境复杂导致的智能监控下安全帽佩戴检测准确率低及漏检等问题,提出一种改进YOLOv3的安全帽佩戴检测算法。采用Focal Loss专注困难正样本训练,提高模型在复杂环境下的鲁棒性;在原始网络基础上使用空间金字塔多级池化融合局部与整体特征,提高多尺度检测能力;引入注意力机制,将通道和空间注意力模块分别集成到YOLOv3的主干网络和检测层的残差结构中,使模型专注于安全帽特征学习;使用GIoU提高定位准确率,在复杂施工环境不同视觉条件下验证算法的有效性。结果表明:改进模型的平均精度达到88%,较原始模型提高13.3%,其中person及helmet的精度分别提高17.2%、9.5%,召回率分别提高15.3%、7.6%。 展开更多
关键词 YOLOv3 复杂施工环境 安全帽佩戴 检测算法 Focal Loss 空间金字塔池化(SPP) 注意力机制 并集上的广义交集(giou)
在线阅读 下载PDF
基于改进YOLO-ResNet混合神经网络的配网杆塔倾倒实时智能检测 被引量:12
14
作者 张宝星 莫一夫 +1 位作者 潘岐深 谢锐彪 《南方电网技术》 CSCD 北大核心 2022年第8期133-141,共9页
针对配网勘灾中人工勘灾效率低下和机巡勘灾需后端分析导致灾情信息反馈不及时的问题,立足于前端实时智能检测模式,提出了基于改进YOLO-ResNet混合神经网络的配网杆塔倾倒实时检测模型。首先,改进传统YOLO-V3的损失函数,利用广义交并比(... 针对配网勘灾中人工勘灾效率低下和机巡勘灾需后端分析导致灾情信息反馈不及时的问题,立足于前端实时智能检测模式,提出了基于改进YOLO-ResNet混合神经网络的配网杆塔倾倒实时检测模型。首先,改进传统YOLO-V3的损失函数,利用广义交并比(generalized intersection over union,GIoU)计算目标检测框损失,有效提升杆塔主体检测的准确性。其次,采用ResNet-50定位杆塔端点和中心线,提出一种杆塔姿态判断方法以快速计算杆塔倾斜角度。最后,研发了一种便携式设备并部署了所提模型,以实地采集的数据对模型和设备进行测试,结果表明该设备对杆塔姿态判断的整体准确率达93.48%,设备平均功耗9 W,可用于前端实时智能分析、汇总杆塔受灾情况,验证了模型和设备的有效性。 展开更多
关键词 杆塔检测 姿态判断 配网勘灾 便携式设备 广义交并比
在线阅读 下载PDF
基于EL-YOLO的虹膜图像人眼定位及分类算法 被引量:6
15
作者 陈金鑫 沈文忠 《计算机工程与应用》 CSCD 北大核心 2021年第17期217-223,共7页
针对当前的人眼定位算法应对复杂环境的抗干扰能力不强、定位准确度较差以及无左右眼分类的问题,提出了一种基于轻量级网络的虹膜图像人眼定位及左右眼分类算法。利用YOLO算法结合高性能的轻量级网络模型设计EL-YOLO模型,损失函数引入... 针对当前的人眼定位算法应对复杂环境的抗干扰能力不强、定位准确度较差以及无左右眼分类的问题,提出了一种基于轻量级网络的虹膜图像人眼定位及左右眼分类算法。利用YOLO算法结合高性能的轻量级网络模型设计EL-YOLO模型,损失函数引入广义交并比(GIoU),使得网络训练可以快速收敛,且定位精度高。在CASIA-IrisV4、MIR2016以及本实验室采集的数据集SEPAD_V1和SEPAD_V2上的实验结果表明,EL-YOLO模型较小,运行速度快,且拥有较高的定位及分类准确率,具有较强的泛化能力。 展开更多
关键词 虹膜识别 人眼定位 轻量级网络 广义交并比
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部