• 
    

    
    

      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 ?

      基于深度學(xué)習(xí)的偏光片缺陷實(shí)時(shí)檢測(cè)算法

      2020-02-06 06:54:44劉瑞珍孫志毅王安紅孫前來(lái)
      關(guān)鍵詞:偏光片非對(duì)稱(chēng)正確率

      劉瑞珍,孫志毅,王安紅,楊 凱,王 銀,孫前來(lái)

      (太原科技大學(xué) a.材料科學(xué)與工程學(xué)院,b.電子信息工程學(xué)院,太原 030024)

      在偏光片生產(chǎn)過(guò)程中,由于加工工藝限制、設(shè)計(jì)水平不足,生產(chǎn)設(shè)備故障和生產(chǎn)條件惡劣等因素,在工件內(nèi)部極易形成不均勻的區(qū)域,這些區(qū)域通常表現(xiàn)為氣泡狀的殘膠、裂縫、夾雜物、污漬、劃痕等缺陷。這些缺陷通常是通過(guò)人工檢查來(lái)完成的,主要是通過(guò)在生產(chǎn)線(xiàn)上對(duì)偏光片進(jìn)行視覺(jué)掃描,將有缺陷的產(chǎn)品分類(lèi)出來(lái)以便后續(xù)處理。然而,在大批量生產(chǎn)過(guò)程中,檢測(cè)精度和速度易受檢測(cè)人員主觀因素及經(jīng)驗(yàn)的影響,難以滿(mǎn)足現(xiàn)代裝配線(xiàn)的要求。因此,需要開(kāi)發(fā)高精度、高速度以及自動(dòng)有效的圖像分類(lèi)技術(shù)來(lái)檢測(cè)這些缺陷,以確保生產(chǎn)線(xiàn)中偏光片的質(zhì)量。

      傳統(tǒng)的機(jī)器視覺(jué)檢測(cè)缺陷[1]主要通過(guò)對(duì)被檢物圖像進(jìn)行處理,在圖像處理過(guò)程中,需要人工定義和選擇能夠準(zhǔn)確識(shí)別圖像中缺陷的特征表示。但是在工業(yè)環(huán)境中,當(dāng)出現(xiàn)新的問(wèn)題時(shí),必須手動(dòng)設(shè)計(jì)新的特征,由于缺陷區(qū)域位置隨機(jī)性,形狀多樣性和復(fù)雜性,因此用于描述缺陷的標(biāo)準(zhǔn)特征描述符往往導(dǎo)致分類(lèi)結(jié)果不準(zhǔn)確,很難滿(mǎn)足實(shí)際工業(yè)要求。

      近年來(lái),隨著深度學(xué)習(xí)的興起與發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)克服了手動(dòng)重新定義每個(gè)新缺陷的特征表示的困難,顯著提高了圖像分類(lèi)[2-3]、目標(biāo)分割[4-5]、目標(biāo)檢測(cè)[6]和其他視覺(jué)任務(wù)[7-8]等應(yīng)用中的檢測(cè)性能,其中具有代表性的分類(lèi)網(wǎng)絡(luò)主要有AlexNet[2],VGG[9],GoogLeNet[3]和ResNet[10]。然而,這些經(jīng)典的分類(lèi)網(wǎng)絡(luò)構(gòu)建的越來(lái)越深,模型大小也在不斷增加,在許多實(shí)際應(yīng)用如人臉識(shí)別和汽車(chē)自動(dòng)駕駛中,需要在計(jì)算受限的平臺(tái)上實(shí)時(shí)地執(zhí)行識(shí)別任務(wù),因此,在盡量不影響網(wǎng)絡(luò)效果的前提下,模型壓縮和簡(jiǎn)化設(shè)計(jì)成為了一個(gè)很重要的研究方向。

      為了減少深度學(xué)習(xí)網(wǎng)絡(luò)模型在移動(dòng)設(shè)備上運(yùn)行所占用的存儲(chǔ)空間,2015年,HAN et al[11]在不影響分類(lèi)準(zhǔn)確率的前提下,通過(guò)修剪網(wǎng)絡(luò)中不重要的權(quán)重連接,將深度學(xué)習(xí)網(wǎng)絡(luò)所需要的存儲(chǔ)和計(jì)算量減少了一個(gè)數(shù)量級(jí)。2016年,HAN et al[12]將網(wǎng)絡(luò)剪枝、量化和霍夫曼編碼相結(jié)合來(lái)擴(kuò)展他們以前的工作,提出了一種稱(chēng)為“深度壓縮”的方法,將AlexNet壓縮了幾十倍,極大地減少了模型的存儲(chǔ)空間。2017年,IANDOLA et al[13]設(shè)計(jì)了一個(gè)不同于傳統(tǒng)卷積層的Fire模塊,并構(gòu)建了一個(gè)名為SqueezeNet的小型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),分類(lèi)正確率和AlexNet相同的情況下,參數(shù)量比AlexNet減少了50倍。MobileNet[14]網(wǎng)絡(luò)使用深度可分離卷積來(lái)構(gòu)建高性能的輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型,有效地減少了網(wǎng)絡(luò)的參數(shù)量,并能很好地與移動(dòng)和嵌入式可視化應(yīng)用的設(shè)計(jì)要求相匹配。ShuffleNet[15]網(wǎng)絡(luò)是專(zhuān)門(mén)為計(jì)算能力非常有限的移動(dòng)設(shè)備而設(shè)計(jì)的,主要采用了兩個(gè)新的操作,即逐點(diǎn)組卷積和信道混合,既保持了分類(lèi)準(zhǔn)確率,又大大降低了計(jì)算成本。因此本文將圖像分類(lèi)與模型壓縮相結(jié)合,搭建了一個(gè)輕量級(jí)的偏振片缺陷實(shí)時(shí)檢測(cè)網(wǎng)絡(luò),在不降低分類(lèi)準(zhǔn)確率的前提下最小化訓(xùn)練模型及加快檢測(cè)速度,以達(dá)到實(shí)際工業(yè)的實(shí)時(shí)需求。

      1 基于深度學(xué)習(xí)的偏光片缺陷實(shí)時(shí)檢測(cè)算法

      1.1 偏光片缺陷分類(lèi)網(wǎng)絡(luò)設(shè)計(jì)

      本文提出的偏光片缺陷分類(lèi)網(wǎng)絡(luò)是基于并行模塊和并行非對(duì)稱(chēng)卷積模塊設(shè)計(jì)的,如圖1所示,該網(wǎng)絡(luò)主要由一個(gè)標(biāo)準(zhǔn)的3×3卷積層(卷積層1),5個(gè)并行模塊和1個(gè)并行非對(duì)稱(chēng)卷積模塊組成。在并行模塊2、3、4和并行非對(duì)稱(chēng)卷積模塊之后,我們分別使用最大池化層來(lái)減少特征映射的維數(shù)和參數(shù)。LIN et al[16]的工作中用全局均值池化層代替全連接層,以減少網(wǎng)絡(luò)的參數(shù)量,同時(shí)克服了全連接層容易過(guò)擬合的缺點(diǎn),提高了整個(gè)網(wǎng)絡(luò)的泛化能力。本文利用全局均值池化層的上述優(yōu)點(diǎn),在并行模塊5之后使用一個(gè)全局均值池化層來(lái)增強(qiáng)特征映射與類(lèi)別之間的對(duì)應(yīng)關(guān)系,使卷積結(jié)構(gòu)保留的更好,分類(lèi)更準(zhǔn)確;此外,全局均值池化層與全連接層相比,無(wú)任何參數(shù)需要優(yōu)化,大大地減少了網(wǎng)絡(luò)的參數(shù)量及計(jì)算量。最后,網(wǎng)絡(luò)經(jīng)過(guò)Softmax層對(duì)輸入的偏光片圖像進(jìn)行分類(lèi),得到分類(lèi)結(jié)果。本文提出的偏光片分類(lèi)網(wǎng)絡(luò)為了加速網(wǎng)絡(luò)訓(xùn)練的收斂速度并提高網(wǎng)絡(luò)的泛化能力,除最大池化層外,網(wǎng)絡(luò)每層后面都添加一個(gè)批量歸一化(Batch Normalization,BN)層對(duì)輸入數(shù)據(jù)做歸一化處理,同時(shí)為了增加各層之間的非線(xiàn)性關(guān)系,在BN層之后添加激活層,所使用的激活函數(shù)為ReLU函數(shù)。

      圖1 偏光片缺陷分類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)

      1.2 并行深度可分離卷積模塊

      經(jīng)典的分類(lèi)網(wǎng)絡(luò)如AlexNet,GoogLeNet和ResNet,由于其網(wǎng)絡(luò)層數(shù)越來(lái)越深,模型越來(lái)越大,占用內(nèi)存不斷增加,實(shí)時(shí)性差,因此很難應(yīng)用于偏光片在線(xiàn)檢測(cè)系統(tǒng)中??紤]到工業(yè)中對(duì)于實(shí)時(shí)性和準(zhǔn)確性的要求,本文參考經(jīng)典深度壓縮模型MobileNet[14]中利用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積以減少網(wǎng)絡(luò)參數(shù)量的思想,主要對(duì)深度可分離卷積進(jìn)行了改進(jìn)與優(yōu)化,得到并行深度可分離卷積模塊用來(lái)構(gòu)建偏光片缺陷分類(lèi)網(wǎng)絡(luò)。

      圖2給出了本文設(shè)計(jì)的并行深度可分離卷積模塊的結(jié)構(gòu),與深度可分離卷積不同,該并行模塊混合了不同尺寸的卷積濾波器,這種設(shè)計(jì)不但能夠更好地融合不同尺度的特征,還能提取到更豐富的缺陷特征,使后續(xù)的缺陷分類(lèi)操作更準(zhǔn)確。利用該模塊搭建的偏光片缺陷分類(lèi)網(wǎng)絡(luò)可以顯著地減少網(wǎng)絡(luò)參數(shù)量和MACCs,這將會(huì)在實(shí)驗(yàn)部分得到充分的驗(yàn)證。

      圖2中實(shí)線(xiàn)框1代表的是本文提出的并行深度可分離卷積模塊。首先,使用1×1的卷積濾波器來(lái)減少輸入到虛線(xiàn)框2的通道數(shù),即特征圖個(gè)數(shù);其次,虛線(xiàn)框2是由1×1卷積濾波器和點(diǎn)劃線(xiàn)框3混合而成,即采用不同尺寸的卷積濾波器(1×1和3×3)來(lái)提取偏光片中缺陷特征;最后,將1×1卷積濾波器和點(diǎn)劃線(xiàn)框3的輸出連接到一起,作為網(wǎng)絡(luò)下一層的輸入。點(diǎn)劃線(xiàn)框3代表的是深度可分離卷積。該并行模塊中所有的卷積操作后都執(zhí)行BN和ReLU操作以加速收斂,提高模型的泛化能力和防止梯度消失問(wèn)題。

      圖2 本文提出的并行深度可分離卷積模塊結(jié)構(gòu)

      在圖2中,有4個(gè)可調(diào)參數(shù):n1,n2,n3,n4和2個(gè)固定參數(shù)F和n0,F(xiàn)和n0分別指輸入到并行模塊的特征圖的寬度(或高度)和特征圖的個(gè)數(shù)。n1表示并行模塊中虛線(xiàn)框2上方1×1卷積濾波器輸出的特征圖個(gè)數(shù),n2表示虛線(xiàn)框2左側(cè)的1×1卷積濾波器輸出的特征圖的個(gè)數(shù),n3和n4表示點(diǎn)劃線(xiàn)框3中卷積濾波器的輸出特征圖個(gè)數(shù)。在本文設(shè)計(jì)的網(wǎng)絡(luò)中使用并行模塊時(shí),n1

      1.3 深度可分離非對(duì)稱(chēng)卷積結(jié)構(gòu)

      GoogLeNet Inception V3中將n×n的卷積拆分為1×n+n×1的非對(duì)稱(chēng)卷積用以節(jié)約網(wǎng)絡(luò)參數(shù)量,加快運(yùn)算及減輕過(guò)擬合,同時(shí)非對(duì)稱(chēng)卷積還能處理更多、更豐富的空間特征,增加特征的多樣性,擴(kuò)展模型的表達(dá)能力[17]。所以為了進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)量,本文利用非對(duì)稱(chēng)卷積的上述優(yōu)點(diǎn),對(duì)1.2節(jié)中提出的并行深度可分離卷積模塊中的深度可分離卷積進(jìn)行改進(jìn),即將圖2中點(diǎn)劃線(xiàn)框3中的3×3深度卷積(圖3(a)所示)用1×3+3×1卷積替代(圖3(b)所示)以構(gòu)成并行非對(duì)稱(chēng)深度可分離卷積模塊,利用1×3+3×1的卷積核對(duì)特征圖進(jìn)行卷積的感受野和利用3×3的卷積核進(jìn)行操作的感受野是相同的,不同之處在于1×3+3×1的卷積核將網(wǎng)絡(luò)分成兩層進(jìn)行滑動(dòng)卷積,增加了網(wǎng)絡(luò)的深度,隨著網(wǎng)絡(luò)層數(shù)的增加,網(wǎng)絡(luò)提取特征的能力也隨之提高,所以這種空間結(jié)構(gòu)的拆分能夠提取到更加豐富的缺陷特征,使訓(xùn)練得到的網(wǎng)絡(luò)模型的分類(lèi)正確率得到提高。

      圖3 (a)深度可分離卷積,(b)深度可分離非對(duì)稱(chēng)卷積

      對(duì)于中等網(wǎng)絡(luò)尺寸,在m×m的特征圖上,當(dāng)12

      表1列出了并行模塊與并行非對(duì)稱(chēng)卷積模塊的參數(shù)量及分類(lèi)正確率,若圖1中偏光片缺陷分類(lèi)網(wǎng)絡(luò)是由標(biāo)準(zhǔn)卷積層與6個(gè)并行模塊組成,則第五個(gè)并行模塊的參數(shù)量為86 016,訓(xùn)練得到的模型分類(lèi)正確率為98.9%.將第五個(gè)并行模塊用并行非對(duì)稱(chēng)卷積模塊代替之后,此模塊的參數(shù)量為73 728,參數(shù)量減少了14.3%,模型的分類(lèi)正確率為99.4%,正確率提高了0.5%.所以在網(wǎng)絡(luò)輸出特征圖大小在12到20范圍內(nèi),用并行非對(duì)稱(chēng)卷積模塊代替并行模塊之后,既增加了網(wǎng)絡(luò)的深度,減少了參數(shù)量,也提高了分類(lèi)準(zhǔn)確率。

      表1 并行模塊與并行非對(duì)稱(chēng)卷積模塊參數(shù)量及分類(lèi)正確率比較

      2 實(shí)驗(yàn)結(jié)果及分析

      2.1 數(shù)據(jù)集介紹

      從電子二廠獲得了某一批次產(chǎn)品的偏光片圖像數(shù)據(jù)集,并將圖像分為三類(lèi):無(wú)缺陷圖像、污漬圖像和缺陷圖像(如圖4所示),實(shí)驗(yàn)部分將利用此數(shù)據(jù)集來(lái)評(píng)估該系統(tǒng)的性能。該數(shù)據(jù)集共有5 000張200×200×3偏光片灰度圖像,其中無(wú)缺陷圖像共1 000張,污漬圖像和缺陷圖像各2 000張。將這5 000張圖像隨機(jī)地按3∶1∶1的比例分配為訓(xùn)練集、校驗(yàn)集和測(cè)試集。本文實(shí)驗(yàn)過(guò)程中,需要檢測(cè)偏光片圖像中是否存在污漬和缺陷,并能將其與無(wú)缺陷圖像進(jìn)行正確的分類(lèi)。

      圖4中,第一行代表無(wú)缺陷圖像;第二行代表污漬圖像,紅色矩形框代表污漬部分,其對(duì)應(yīng)于生產(chǎn)過(guò)程中偏光片表面有污漬的樣品,它們需要被正確分類(lèi)出來(lái),并將污漬清洗干凈后可再次投入使用;第三行代表缺陷圖像,紅色矩形框內(nèi)不規(guī)則的圓圈或半圓代表的是在偏光片的生產(chǎn)過(guò)程中由特定的編碼裝置噴涂在偏光片表面的特殊記號(hào),這類(lèi)缺陷樣本被正確分類(lèi)出來(lái)后將不能再次進(jìn)行使用。從圖中可以看出,紅色矩形框的位置和大小都不一致,即缺陷的位置不固定,形狀多種多樣。

      圖4 偏光片圖像數(shù)據(jù)集

      2.2 實(shí)驗(yàn)結(jié)果與分析

      本實(shí)驗(yàn)環(huán)境為L(zhǎng)inux Ubuntu 14.04操作系統(tǒng),8 GB內(nèi)存,NVIDIA GeForce 1080顯卡,并用Caffe深度學(xué)習(xí)框架進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程和校驗(yàn)過(guò)程中的mini-batch大小分別設(shè)置為20和10.動(dòng)量因子設(shè)置為0.9,權(quán)重更新量設(shè)置為0.000 2,初始學(xué)習(xí)率設(shè)置為0.001,且采用隨機(jī)梯度下降方法進(jìn)行訓(xùn)練,網(wǎng)絡(luò)的最大迭代次數(shù)設(shè)置為140 000次。

      為了驗(yàn)證本文方法的有效性,將其與現(xiàn)有的深度學(xué)習(xí)經(jīng)典算法AlexNet[2]、VGG-16[9]、ResNet-18[10]、SqueezeNet[13]和MobileNet[14]進(jìn)行了比較。表2給出了本文方法與上述5種經(jīng)典算法在校驗(yàn)集上的實(shí)驗(yàn)結(jié)果比較,從表2可以看出,本文方法得到的模型分類(lèi)正確率分別比AlexNet,VGG-16,ResNet-18,SqueezeNet和MobileNet高0.8%;0.2%,0.8%,1.5%和0.5%.模型大小分別減少了647.8,1 137.6,76.7,4.98和22.1倍;參數(shù)量比AlexNet,VGG-16和MobileNet減少了兩個(gè)數(shù)量級(jí),比ResNet-18減少了一個(gè)數(shù)量級(jí)。MACCs比AlexNet和VGG-16減少了三個(gè)數(shù)量級(jí),比SqueezeNet減少了一個(gè)數(shù)量級(jí),比ResNet-18和MobileNet減少了兩個(gè)數(shù)量級(jí)。因此,本文方法可以在不降低分類(lèi)準(zhǔn)確率的情況下大大減小模型的尺寸,并且在分類(lèi)準(zhǔn)確率、速度和存儲(chǔ)器使用方面目前均可滿(mǎn)足行業(yè)對(duì)偏光片缺陷的在線(xiàn)實(shí)時(shí)檢測(cè)的要求。

      表2 不同模型在校驗(yàn)集的實(shí)驗(yàn)結(jié)果比較

      圖5顯示了6種不同方法訓(xùn)練得到的模型在校驗(yàn)集上的分類(lèi)正確率和損失函數(shù)曲線(xiàn)。本文用140 000次迭代中每1 000次迭代的平均正確率和損失率共14個(gè)點(diǎn)來(lái)繪制正確率和損失函數(shù)曲線(xiàn)。從圖中可以清晰地看到本文方法能得到更高的分類(lèi)正確率和更低的損失率。另外,從圖5(a)可以看出本文方法收斂速度明顯高于AlexNet,VGG-16,SqueezeNet和MobileNet這四個(gè)經(jīng)典分類(lèi)模型。

      使用測(cè)試集來(lái)驗(yàn)證本文方法的有效性及泛化能力,測(cè)試集中偏光片圖像共有1 000張,其中無(wú)缺陷圖像有200張,污漬圖像和缺陷圖像各400張,此測(cè)試集既沒(méi)有參與網(wǎng)絡(luò)的訓(xùn)練,也沒(méi)有參與網(wǎng)絡(luò)的校驗(yàn)過(guò)程。測(cè)試結(jié)果如表3所示,可以得出,本文方法比其他五種經(jīng)典算法能獲得更低的分類(lèi)錯(cuò)誤率,充分驗(yàn)證了本文方法的有效性。表3最后一列列出了6種算法在測(cè)試過(guò)程中每張圖片的測(cè)試時(shí)間,從表中可以看出,與AlexNet,VGG-16,SqueezeNet,ResNet-18和MobileNet相比,本文方法將每張圖片的分類(lèi)時(shí)間分別縮短了303.1,2 471,280.4,17.1和116.7 ms.所以無(wú)論是從分類(lèi)精度和速度,本文方法均滿(mǎn)足工業(yè)中偏光片缺陷實(shí)時(shí)監(jiān)測(cè)的需求。

      圖5 (a)校驗(yàn)集上分類(lèi)正確率的比較,(b)校驗(yàn)集上損失函數(shù)的比較

      表3 不同模型在測(cè)試集上的試驗(yàn)結(jié)果比較

      圖6顯示了6種不同的方法訓(xùn)練得到的模型準(zhǔn)確率,模型大小和在測(cè)試集上針對(duì)每張圖片的測(cè)試時(shí)間的比較結(jié)果,圖中1,2,3,4,5,6分別代表AlexNet,VGG-16,ResNet-18,SqueezeNet,MobileNet和本文方法,圖6和表2相結(jié)合可以得出,本文方法可以獲得更高的準(zhǔn)確率,訓(xùn)練得到的模型最小,同時(shí)測(cè)試速度最快,充分證明了本文方法的有效性。

      圖6 六種模型的正確率,模型大小和在測(cè)試集上的測(cè)試時(shí)間的比較

      3 結(jié)束語(yǔ)

      本文主要設(shè)計(jì)了一種基于深度學(xué)習(xí)的偏光片缺陷實(shí)時(shí)檢測(cè)算法,首先,設(shè)計(jì)了一個(gè)并行深度可分離卷積模塊來(lái)構(gòu)建偏光片缺陷檢測(cè)網(wǎng)絡(luò),該并行模塊有兩個(gè)優(yōu)點(diǎn):一是利用不同尺寸大小的卷積濾波器來(lái)提取更加豐富的缺陷特征;二是該并行模塊中采用深度可分離卷積替代傳統(tǒng)的卷積,顯著減少了網(wǎng)絡(luò)的參數(shù)量及MACCs;其次,將并行模塊中的3×3深度卷積用非對(duì)稱(chēng)卷積替代得到并行非對(duì)稱(chēng)卷積模塊,進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)量;最后,網(wǎng)絡(luò)最后使用全局均值池化層最大限度地減少網(wǎng)絡(luò)的參數(shù)量。實(shí)驗(yàn)結(jié)果表明,本文方法在分類(lèi)精度、速度及內(nèi)存消耗方面均優(yōu)于現(xiàn)有的方法,達(dá)到了工業(yè)實(shí)時(shí)檢測(cè)缺陷的要求。未來(lái)還可以通過(guò)其他模型壓縮的方法進(jìn)一步減少模型占用空間,提高模型分類(lèi)速度及精度。

      猜你喜歡
      偏光片非對(duì)稱(chēng)正確率
      深圳市三利譜光電科技股份有限公司副總經(jīng)理阮志毅:國(guó)內(nèi)偏光片上游材料市場(chǎng)前景廣闊
      門(mén)診分診服務(wù)態(tài)度與正確率對(duì)護(hù)患關(guān)系的影響
      國(guó)產(chǎn)超寬幅偏光片產(chǎn)品蓄勢(shì)待發(fā)
      液晶電控調(diào)光鏡研究
      液晶與顯示(2019年5期)2019-06-11 07:35:02
      非對(duì)稱(chēng)Orlicz差體
      偏光片產(chǎn)值超百億進(jìn)口替換空間巨大
      生意
      品管圈活動(dòng)在提高介入手術(shù)安全核查正確率中的應(yīng)用
      生意
      點(diǎn)數(shù)不超過(guò)20的旗傳遞非對(duì)稱(chēng)2-設(shè)計(jì)
      龙海市| 灵石县| 攀枝花市| 炎陵县| 象州县| 曲沃县| 石屏县| 贡觉县| 阳新县| 抚远县| 广东省| 东安县| 夏邑县| 东方市| 赤水市| 新田县| 荥阳市| 菏泽市| 公安县| 玉环县| 永丰县| 白银市| 嘉鱼县| 巴彦淖尔市| 合肥市| 江都市| 安化县| 昭觉县| 湖州市| 明光市| 南康市| 九龙城区| 阜新市| 喜德县| 白城市| 上思县| 通化市| 长泰县| 鸡东县| 呼伦贝尔市| 兴山县|