• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 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 ?

    基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法

    2019-09-10 07:22:44吳華瑞
    智慧農(nóng)業(yè)(中英文) 2019年4期
    關(guān)鍵詞:深度學(xué)習(xí)

    摘要: 傳統(tǒng)深度學(xué)習(xí)模型在用于蔬菜病害圖像識(shí)別時(shí),存在由于網(wǎng)絡(luò)梯度退化導(dǎo)致的識(shí)別性能下降問(wèn)題。為此,本文研究了一種基于深度殘差網(wǎng)絡(luò)模型的番茄葉片病害識(shí)別方法。該方法首先利用貝葉斯優(yōu)化算法自主學(xué)習(xí)網(wǎng)絡(luò)中難以確定的超參數(shù),降低了深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練難度。在此基礎(chǔ)上,通過(guò)在傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)中添加殘差單元,解決了由于梯度爆炸/消失造成的過(guò)深層次病害識(shí)別網(wǎng)絡(luò)模型性能下降的問(wèn)題,能夠?qū)崿F(xiàn)番茄葉片圖像的高維特征提取,根據(jù)該特征可進(jìn)行有效病害鑒定。試驗(yàn)結(jié)果表明,本研究中基于超參數(shù)自學(xué)習(xí)構(gòu)建的深度殘差網(wǎng)絡(luò)模型在番茄病害公開(kāi)數(shù)據(jù)集上取得了良好的識(shí)別性能,對(duì)白粉病、早疫病、晚疫病和葉霉病等4種番茄葉片常見(jiàn)病害的識(shí)別準(zhǔn)確率達(dá)到95%以上。本研究可為快速準(zhǔn)確識(shí)別番茄葉片病害提供參考。

    關(guān)鍵詞: 設(shè)施蔬菜;病害智能識(shí)別;深度學(xué)習(xí);殘差網(wǎng)絡(luò);貝葉斯優(yōu)化

    中圖分類(lèi)號(hào): TP3-0 文獻(xiàn)標(biāo)志碼: A 文章編號(hào): 201908-SA002

    引文格式:吳華瑞. 基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法[J]. 智慧農(nóng)業(yè), 2019,1(4): 42-49.

    1 引言

    設(shè)施蔬菜病害是影響大棚蔬菜生產(chǎn)能力的重要因素,一旦作物受到感染,其生產(chǎn)力將下降20%~30%[1]。因此,為了提高蔬菜經(jīng)濟(jì)效益,需要對(duì)染病植株進(jìn)行迅速、準(zhǔn)確地判斷。傳統(tǒng)上蔬菜病害診斷主要依靠專(zhuān)家的現(xiàn)場(chǎng)鑒定或?qū)嶒?yàn)室的病原鑒定,但受專(zhuān)業(yè)人員數(shù)量與咨詢(xún)成本所限,農(nóng)業(yè)從事者易因經(jīng)驗(yàn)不足誤判作物病害類(lèi)型,錯(cuò)過(guò)植物病害防治有效時(shí)間,造成設(shè)施蔬菜產(chǎn)量與質(zhì)量下降[2]。

    視覺(jué)技術(shù)與數(shù)字產(chǎn)品的普及為設(shè)施蔬菜圖像病害識(shí)別帶來(lái)了新機(jī)遇,由計(jì)算機(jī)自動(dòng)完成病害診斷,可降低農(nóng)業(yè)人員對(duì)植物保護(hù)專(zhuān)家的依賴(lài),減少由于病害知識(shí)缺乏造成的誤判[3]。如張?jiān)讫埖萚4]將葉部病斑顏色特征與差直方圖作為分類(lèi)依據(jù),利用支持向量機(jī)(Support Vector Machine,SVM)方法自動(dòng)識(shí)別蘋(píng)果葉部的3種病害,識(shí)別率達(dá)96%。夏永泉等[5]引入主顏色符描述病斑顏色特征,同時(shí)結(jié)合Tamura紋理特征區(qū)分小麥的3種病害葉片與健康葉片,實(shí)驗(yàn)結(jié)果優(yōu)于同等條件下的SVM。基于高分辨率圖像,國(guó)外有學(xué)者[6]采用簡(jiǎn)單線性迭代聚類(lèi)方法檢測(cè)大豆葉片的顏色、形狀、紋理與梯度等視覺(jué)屬性特征,描述了植物葉片的物理特性,但該方法計(jì)算開(kāi)銷(xiāo)過(guò)大。魏麗冉等[7]則通過(guò)圖像預(yù)處理,增強(qiáng)了病害部分的明顯度,使用基于核函數(shù)的支持向量機(jī)算法進(jìn)行病害分類(lèi)。除此之外,文獻(xiàn)[8-11]等研究與上述方法類(lèi)似,主要通過(guò)病害閾值分割構(gòu)建有效特征矩陣,然后利用不同分類(lèi)器識(shí)別植物病害。但現(xiàn)實(shí)中,植物病害形狀位置多變,圖像背景復(fù)雜,人工設(shè)計(jì)的特征越來(lái)越難以準(zhǔn)確識(shí)別規(guī)模龐大的病害圖像數(shù)據(jù)。

    深度學(xué)習(xí)是目前較先進(jìn)的機(jī)器學(xué)習(xí)方法,它利用具有隱藏層的人工神經(jīng)網(wǎng)絡(luò),不依靠圖像分割與特征提取自動(dòng)完成高層次的特征學(xué)習(xí)。深度學(xué)習(xí)在病害診斷方面已取得了較好的研究成果。Zhang等[12]提出一種基于改進(jìn)GoogLeNet和Cifar 10網(wǎng)絡(luò)的深度學(xué)習(xí)模型用于葉片識(shí)別。宋麗娟[13]結(jié)合區(qū)分深度置信網(wǎng)絡(luò)對(duì)病斑顏色、形狀等底層特征進(jìn)行高層表示,能夠在沒(méi)有充足標(biāo)注數(shù)據(jù)時(shí)穩(wěn)定完成四種枸杞病害識(shí)別。王艷玲等[14]采用了AlexNet卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí),實(shí)現(xiàn)了番茄葉片病害圖像快速準(zhǔn)確分類(lèi)。文獻(xiàn)[15-19]等將離散小波變換、區(qū)域生長(zhǎng)法等特征提取技術(shù)與深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)相結(jié)合,利用特征提取技術(shù)檢索病害特征,然后通過(guò)概率神經(jīng)網(wǎng)絡(luò)對(duì)植物疾病成功進(jìn)行了分類(lèi)。

    基于設(shè)施蔬菜病害的海量圖像數(shù)據(jù)和深度學(xué)習(xí)模型可自動(dòng)提取圖像細(xì)節(jié)特征,且相較于人工設(shè)計(jì)特征具有更好的病害識(shí)別效果[20]。但由于大多數(shù)蔬菜疾病是由真菌、細(xì)菌與病毒引起的,導(dǎo)致很多設(shè)施蔬菜病害的表象相似,需要構(gòu)建較深的神經(jīng)網(wǎng)絡(luò)才能取得良好的病害鑒定結(jié)果。本研究針對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)模型因?qū)哟芜^(guò)深存在的性能下降問(wèn)題,提出了一種基于深度殘差神經(jīng)網(wǎng)絡(luò)的番茄葉片病害鑒定方法,將底層病害特征與高層病害特征合并運(yùn)算,避免了深度神經(jīng)網(wǎng)絡(luò)的梯度消失與梯度爆炸問(wèn)題。同時(shí)通過(guò)利用貝葉斯理論優(yōu)化深度殘差網(wǎng)絡(luò)超參數(shù),降低模型陷入局部最優(yōu)的概率,從而提高了以番茄葉片為代表的設(shè)施蔬菜病害圖像的識(shí)別準(zhǔn)確度。

    2 基于深度殘差網(wǎng)絡(luò)的病害圖像識(shí)別方法

    在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)中,網(wǎng)絡(luò)深度對(duì)視覺(jué)識(shí)別精度具有重要意義。有學(xué)者[21-23]研究建立了更深層次的卷積神經(jīng)網(wǎng)絡(luò)模型,證明深度神經(jīng)網(wǎng)絡(luò)模型能夠比淺層神經(jīng)網(wǎng)絡(luò)模型更有效地近似高度復(fù)雜的函數(shù),可以捕捉自然圖像的復(fù)雜統(tǒng)計(jì)特性,有助于提高圖像識(shí)別精度。植物病害種類(lèi)多樣,但許多不同病害外在病斑表現(xiàn)十分相似導(dǎo)致難以準(zhǔn)確識(shí)別,因此需要構(gòu)建深層次的學(xué)習(xí)網(wǎng)絡(luò)從而對(duì)其進(jìn)行準(zhǔn)確識(shí)別。但隨著深度的急劇增加,越來(lái)越多的圖像語(yǔ)義信息導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)面臨著梯度消失與梯度爆炸等問(wèn)題,降低了網(wǎng)絡(luò)性能。深度殘差網(wǎng)絡(luò)則有效克服了神經(jīng)網(wǎng)絡(luò)深度較大時(shí)性能下降的問(wèn)題[24,25]。

    2.1 深度殘差網(wǎng)絡(luò)結(jié)構(gòu)

    深度卷積神經(jīng)網(wǎng)絡(luò)主要由數(shù)據(jù)輸入層、隱藏層與輸出層構(gòu)成。隱藏層中包含多級(jí)神經(jīng)網(wǎng)絡(luò),主要依靠Conv卷積層、pooling池化層與全連接層配合搭建,利用卷積特征提取器獲得輸入圖像的邊緣、紋理與隱藏的細(xì)節(jié)特征,最后通過(guò)全連接層(Fully Connected layers,F(xiàn)C)根據(jù)提取特征進(jìn)行病害分類(lèi),如圖1所示。為了提高網(wǎng)絡(luò)性能,深度卷積神經(jīng)網(wǎng)絡(luò)通常都包括非線性激活函數(shù)與批量歸一化層(Batch Normalization layers,BN)。隱藏層中每層的每個(gè)神經(jīng)單元與下一層所有神經(jīng)單元相連,所有連接都有一個(gè)權(quán)值,網(wǎng)絡(luò)訓(xùn)練過(guò)程中,對(duì)于每層輸出結(jié)果需要通過(guò)損失函數(shù)計(jì)算衡量分類(lèi)錯(cuò)誤程度,使用梯度下降更新各層權(quán)值。

    通過(guò)式(1)可知,隨著網(wǎng)絡(luò)深度增加,梯度幅度會(huì)急劇減小/增大,導(dǎo)致淺層神經(jīng)元權(quán)重更新過(guò)慢/快,從而發(fā)生梯度消失/梯度爆炸,造成模型性能下降。因此,He和Sun[22]提出利用殘差映射優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò),通過(guò)利用跳躍連接跳過(guò)卷積層形成殘差塊,在很大程度上解決了網(wǎng)絡(luò)模型退化問(wèn)題,并大大提高了訓(xùn)練效率。

    基于He和Sun提出的殘差網(wǎng)絡(luò)模型,本研究構(gòu)建了用于番茄葉片病害鑒定的深度殘差網(wǎng)絡(luò),其整體框架如圖2所示。

    番茄葉片病害鑒定過(guò)程為:將(寬32像素,高32像素)、通道數(shù)為3的RGB番茄葉片圖像作為輸入,在輸入層通過(guò)平移、翻轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法記憶訓(xùn)練數(shù)據(jù)的細(xì)節(jié)特征,擴(kuò)充作物病害數(shù)據(jù)集。令擴(kuò)展訓(xùn)練集依次通過(guò)Conv卷積層、ReLU激活函數(shù)層與BN批量歸一化層,再由多個(gè)殘差塊處理其輸出的結(jié)果,最后經(jīng)過(guò)平均池化層和全連接層,使用分類(lèi)器判斷蔬菜葉片的健康狀態(tài)。該模型的具體網(wǎng)絡(luò)參數(shù)如表1所示,它由14個(gè)權(quán)重層構(gòu)成,其中包含13個(gè)卷積層與一個(gè)全連接層,每個(gè)殘差塊有兩個(gè)殘差單元。

    圖2左側(cè)為本研究構(gòu)建的殘差單元,每個(gè)殘差單元的輸入與輸出維度相同,BN層用其平均值和方差,標(biāo)準(zhǔn)化激活函數(shù)輸入,然后進(jìn)一步利用拉伸參數(shù)和偏移參數(shù)縮放批量歸一化結(jié)果,令數(shù)據(jù)在空間內(nèi)更加分散,更加均勻;激活函數(shù)則用于提取數(shù)據(jù)的復(fù)雜特征,增加各層網(wǎng)絡(luò)的非線性關(guān)系。跳躍連接則將殘差單元輸入與殘差單元內(nèi)第二個(gè)卷積的輸出批量歸一化結(jié)果相加,使原始映射函數(shù)表示為H(xk)+xk,突破了網(wǎng)絡(luò)深度增加造成的網(wǎng)絡(luò)退化問(wèn)題。該深度網(wǎng)絡(luò)模型中梯度計(jì)算公式如下[27]:

    深度殘差網(wǎng)絡(luò)在更新疊加層參數(shù)的同時(shí)更新直接連接的輸入數(shù)據(jù)的參數(shù),將淺層網(wǎng)絡(luò)得到的低階病害特征和深層網(wǎng)絡(luò)提取的高階病害特征進(jìn)行合并運(yùn)算,梯度可以直接通過(guò)恒等激活函數(shù)從后一層流到前一層,使殘差網(wǎng)絡(luò)具有比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)更快的收斂速度,更強(qiáng)的特征表達(dá)能力。

    2.2 基于貝葉斯理論的超參數(shù)優(yōu)化

    構(gòu)建深度殘差神經(jīng)網(wǎng)絡(luò)往往首先需要確定超參數(shù),這些參數(shù)包括網(wǎng)絡(luò)深度、過(guò)擬合正則化參數(shù)與學(xué)習(xí)速率等。超參數(shù)值是影響訓(xùn)練時(shí)間和分類(lèi)精度的重要因素,而人工調(diào)整需要耗費(fèi)大量時(shí)間。

    貝葉斯優(yōu)化是一種求解未知目標(biāo)函數(shù)極值的有效算法,其利用以往實(shí)驗(yàn)獲得的信息對(duì)任意目標(biāo)函數(shù)進(jìn)行建模和最小化。貝葉斯優(yōu)化通過(guò)建立和查詢(xún)代理模型,評(píng)估復(fù)雜的實(shí)際目標(biāo)函數(shù),根據(jù)擬合結(jié)果預(yù)測(cè)參數(shù)空間中最具潛力的評(píng)估點(diǎn)[28,29]。換句話說(shuō),貝葉斯優(yōu)化能夠在最少數(shù)量的目標(biāo)函數(shù)評(píng)估下得到復(fù)雜函數(shù)最優(yōu)解。

    有研究發(fā)現(xiàn)殘差網(wǎng)絡(luò)是由若干淺層網(wǎng)絡(luò)組合而成,優(yōu)化其網(wǎng)絡(luò)寬度比增加網(wǎng)絡(luò)深度更有意義[14]。因此,如式(3)所示,本研究假設(shè)為超參數(shù)空間,它包含以下關(guān)鍵參數(shù):網(wǎng)絡(luò)寬度(殘差塊1中每個(gè)卷積層的濾波器數(shù)量),初始化學(xué)習(xí)速率、隨機(jī)梯度下降動(dòng)量與L2正則化強(qiáng)度。

    在本研究中,貝葉斯優(yōu)化通過(guò)令驗(yàn)證數(shù)據(jù)分類(lèi)誤差最小化,確定最佳網(wǎng)絡(luò)架構(gòu)和超參數(shù)值。尋找最優(yōu)超參數(shù)的目標(biāo)函數(shù)可以被建模為:

    其中,即為最優(yōu)超參數(shù),公式(4)的意義在于評(píng)估目標(biāo)函數(shù)F的輸入得到對(duì)應(yīng)輸出。貝葉斯優(yōu)化算法通過(guò)執(zhí)行一個(gè)順序搜索算法,n次迭代后,在建議的新位置處評(píng)估。根據(jù)算法已有的評(píng)估結(jié)果,利用高斯建模在給定與的基礎(chǔ)上得到。然后,根據(jù)似然分布計(jì)算代理函數(shù)。通過(guò)評(píng)估對(duì)優(yōu)化目標(biāo)函數(shù)F的貢獻(xiàn),代理函數(shù)平衡已知的優(yōu)秀點(diǎn)和未知點(diǎn)空間,進(jìn)行全局搜索最小化,從而避免局部最優(yōu),保證算法快速收斂。

    3 試驗(yàn)結(jié)果及分析

    通過(guò)提取PlantVillag公開(kāi)數(shù)據(jù)集中番茄的病害葉片與健康葉片,本研究構(gòu)建了番茄病害數(shù)據(jù)庫(kù)。數(shù)據(jù)集分布如表2所示。

    基于所選驗(yàn)證集與訓(xùn)練集,分別構(gòu)建了22層與35層的深度神經(jīng)網(wǎng)絡(luò),其驗(yàn)證集識(shí)別準(zhǔn)確率如圖4所示。由圖4可看出,隨著網(wǎng)絡(luò)層數(shù)的急劇增加,驗(yàn)證集中葉片病害的識(shí)別準(zhǔn)確率反而出現(xiàn)了下降的情形。因此,研究殘差神經(jīng)網(wǎng)絡(luò)防止梯度消失等問(wèn)題是必要的。

    根據(jù)2.2節(jié)所述,利用貝葉斯優(yōu)化算法對(duì)網(wǎng)絡(luò)超參數(shù)進(jìn)行調(diào)優(yōu),其過(guò)程如圖5所示。基于高斯過(guò)程回歸對(duì)超參數(shù)建模得到目標(biāo)函數(shù)的替代概率模型,在代理模型上找到最佳超參數(shù)組合(最小預(yù)測(cè)點(diǎn)),將該組合用于真正目標(biāo)函數(shù)(驗(yàn)證集分類(lèi)錯(cuò)誤率)獲得最小觀測(cè)值,然后更新包含新最小觀測(cè)點(diǎn)的代理模型,重復(fù)上述步驟,得到最優(yōu)超參數(shù)組合。通過(guò)貝葉斯優(yōu)化,本研究確定訓(xùn)練深度殘差網(wǎng)絡(luò)寬度,初始化學(xué)習(xí)速率,隨機(jī)梯度下降動(dòng)量,L2正則化強(qiáng)度。

    基于上述參數(shù),構(gòu)建第2節(jié)所述的深度殘差網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)番茄葉片圖像集進(jìn)行訓(xùn)練分類(lèi)。利用隨機(jī)梯度下降算法更新網(wǎng)絡(luò)權(quán)重,通過(guò)1360次迭代,可得到深度殘差網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)相同驗(yàn)證數(shù)據(jù)集的誤差曲線。圖6中深度殘差網(wǎng)絡(luò)的曲線收斂速度更快。

    表中DCNN為22層卷積神經(jīng)網(wǎng)絡(luò)。本研究模型對(duì)比傳統(tǒng)SVM與BP神經(jīng)網(wǎng)絡(luò),識(shí)別精度有明顯提升;對(duì)比DCNN學(xué)習(xí)模型,深度殘差網(wǎng)絡(luò)模型收斂更快,同時(shí)識(shí)別準(zhǔn)確率提高。對(duì)健康葉片與感染白粉、早疫、晚疫和葉霉的病害葉片,本研究模型的識(shí)別準(zhǔn)確率依次是95.7%、96.7%、98.9%、96.0%、95.8%。

    4 結(jié)論

    本研究通過(guò)分析深度學(xué)習(xí)應(yīng)用于病害鑒定的研究現(xiàn)狀,針對(duì)目前隨著網(wǎng)絡(luò)深度增加,病害識(shí)別模型存在的梯度爆炸與梯度消失問(wèn)題,研究了基于深度殘差網(wǎng)絡(luò)的番茄葉片病害智能識(shí)別方法。同時(shí),考慮到網(wǎng)絡(luò)模型參數(shù)調(diào)整的困難,本研究利用貝葉斯優(yōu)化算法確定了訓(xùn)練網(wǎng)絡(luò)的最優(yōu)超參數(shù)。由試驗(yàn)結(jié)果得到,該深度殘差網(wǎng)絡(luò)模型可對(duì)番茄葉片的白粉病、早疫病、晚疫病和葉梅病4種病害進(jìn)行有效分類(lèi),分類(lèi)準(zhǔn)確度達(dá)到95%以上。

    自然環(huán)境中,受光照與遮擋等因素影響,病害葉片圖像往往具有復(fù)雜背景,所以需要進(jìn)一步研究有效的背景分割方法以提高病害識(shí)別正確率。而由于深度殘差網(wǎng)絡(luò)通過(guò)增加跳躍連接改善深度學(xué)習(xí)模型性能,網(wǎng)絡(luò)訓(xùn)練時(shí)間較長(zhǎng),因此在實(shí)際應(yīng)用中,如何優(yōu)化深度殘差網(wǎng)絡(luò)的訓(xùn)練時(shí)長(zhǎng)將是以后的研究方向之一。

    參考文獻(xiàn)

    [1] Park H, JeeSook E, Kim S H. Crops disease diagnosing using image-based deep learning mechanism[C]// IEEE ?2018 International Conference on Computing and Network Communications, 2018: 23-26.

    [2] Ermayanti A, Nidia Enjelita S, Nuraini S, et al. Dempster-Shafer method for diagnose diseases on vegetable[C]// 2018 6th International Conference on Cyber and IT Service Management (CITSM), 2018.

    [3] Schor N, Bechar A, Ignat T, et al. Robotic disease detection in greenhouses: combined detection of powdery mildew and tomato spotted wilt virus[J]. IEEE Robotics and Automation Letters, 2016, 1(1): 354-360.

    [4] 張?jiān)讫垼?袁浩, 張晴晴, 等. 基于顏色特征和差直方圖的蘋(píng)果葉部病害識(shí)別方法[J]. 江蘇農(nóng)業(yè)科學(xué), 2017, 45(14): 171-174.

    [5] 夏永泉, 王兵, 支俊, 等. 基于隨機(jī)森林方法的小麥葉片病害識(shí)別研究[J]. 圖學(xué)學(xué)報(bào), 2018, 39(1): 57-62.

    Xia Y, Wang B, Zhi J, et al. Identification of wheat leaf disease based on random forest method[J]. Journal of Graphics, 2018, 39(1): 57-62.

    [6] Castelao Tetila E, Brandoli Machado B, Belete N A D S, et al. Identification of soybean foliar diseases using unmanned aerial vehicle images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2190-2194.

    [7] 魏麗冉, 岳峻, 李振波, 等. 基于核函數(shù)支持向量機(jī)的植物葉部病害多分類(lèi)檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(S1): 166-171.

    Wei L, Yue J, Li Z, et al. Multi-classification detection method of plant leaf disease based on kernel function SVM[J]. Transactions of the CSAM, 2017, 48(S1): 166-171.

    [8] 蘆兵, 孫俊, 毛罕平, 等. 高光譜和圖像特征相融合的生菜病害識(shí)別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2018, 34(6): 1254-1259.

    Lu B, Sun J, Mao H, et al. Disease recognition of lettuce with feature fusion based on hyperspectrum and image[J]. Jiangsu Journal of Agricultural Sciences, 2018, 34(6): 1254-1259.

    [9] 胡維煒, 張武, 劉連忠. 基于Variance-SFFS的小麥葉部病害圖像識(shí)別[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 44(02): 225-228.

    Hu W, Zhang W, Liu L. Identification of wheat leaf diseases based on Variance-SFFS algorithm[J]. Journal of Hunan Agricultural University(Natural Sciences), 2018, 44(02): 225-228.

    [10] 張芳, 李曉輝, 楊洪偉. 復(fù)雜背景下植物葉片病害的圖像特征提取與識(shí)別技術(shù)研究[J]. 遼寧大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 43(04): 311-318.

    Zhang F, Li X , Yang H. Image feature extraction and recognition of plant leaf disease in complex background[J]. Journal of Liaoning University (Natural Sciences), 2016, 43(04): 311-318.

    [11] Kaur S, Pandey S, Goel S. Semi-automatic leaf disease detection and classification system for soybean culture[J]. IET Image Processing, 2018, 12(6): 1038-1048.

    [12] Zhang X, Qiao Y, Meng F, et al. Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access, 2018, 6: 30370-30377.

    [13] 宋麗娟. 基于區(qū)分深度置信網(wǎng)絡(luò)的病害圖像識(shí)別模型[J]. 計(jì)算機(jī)工程與應(yīng)用, 2017, 53(21): 32-36, 48.

    Song L. Recognition model of disease image based on discriminative deep belief networks[J]. Computer Engineering and Applications, 2017, 53(21): 32-36, 48.

    [14] 王艷玲, 張宏立, 劉慶飛, 等. 基于遷移學(xué)習(xí)的番茄葉片病害圖像分類(lèi)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2019, 24(6): 124-130.

    Wang Y, Zhang H, Liu Q, et al. Image classification of tomato leaf diseases based on transfer learning[J]. Journal of China Agricultural University, 2019, 24(6): 124-130.

    [15] Khadabadi G C, Kumar A, Rajpurohit V S. Identification and classification of diseases in carrot vegetable using discrete wavelet transform[C]// International Conference on Emerging Research in Electronics. IEEE, 2016.

    [16] Siddharth Singh Chouhan, KaulAjay, Uday Pratap Singh, et al. Bacterial foraging optimization based radial basis function neural network (BRBFNN) for identification and classification of plant leaf diseases: An automatic approach towards plant pathology[J]. IEEE Access, 2018, 6: 8852-8863.

    [17] 陳桂芬, 趙姍, 曹麗英, 等. 基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識(shí)別[J]. 智慧農(nóng)業(yè), 2019, 1(2): 34-44.

    Chen G, Zhao S, Cao L, et al. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture, 2019, 1(2): 34-44.

    [18] 張航, 程清, 武英潔, 等. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的小麥病害識(shí)別方法[J]. 山東農(nóng)業(yè)科學(xué), 2018, 50(3): 137-141.

    Zhang H, Cheng Q, Wu Y, et al. A method of wheat disease identification based on convolutional neural network[J]. Shandong Agricultural Sciences, 2018, 50(3): 137-141.

    [19] 賈建楠, 吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡(luò)的黃瓜病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(25): 115-121.

    Jia J, Ji H. Recognition for cucumber disease based on leaf spot shape and neural network[J]. Transactions of the CSAE, 2013, 29(25): 115-121.

    [20] Francis J, Anto S D D, Anoop B K. Identification of leaf diseases in pepper plants using soft computing techniques[C]// 2016 Conference on Emerging Devices and Smart Systems. IEEE, 2016.

    [21] Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks[C]// NIPS. Curran Associates Inc. 2012.

    [22] He K, Sun J. Convolutional neural networks at constrained time cost[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

    [23] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

    [24] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.

    [25] Wu S, Zhong S H, Liu Y. Steganalysis via deep residual network[C]// 2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS), IEEE, 2016.

    [26] 厙向陽(yáng), 韓伊娜. 基于殘差網(wǎng)絡(luò)的小型車(chē)輛目標(biāo)檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用研究, 37(8):1-6.

    She X, Han Y. Small vehicle target detection algorithm based on residual network[J]. Application Research of Computers, 2019, 37(8): 1-6.

    [27] 郭玥秀, 楊偉, 劉琦, 等. 殘差網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究, [2019-11-08].

    Guo Y, Yang W, Liu Q, et al. Survey of residual network[J]. Application Research of Computers, [2019-11-08].

    [28] Reagen B, Hernandez-Lobato J M, Adolf R, et al. A case for efficient accelerator design space exploration via Bayesian optimization[C]// 2017 IEEE/ACM International Symposium on Low Power Electronics and Design. ACM, 2017.

    [29] 崔佳旭, 楊博. 貝葉斯優(yōu)化方法和應(yīng)用綜述[J]. 軟件學(xué)報(bào), 2018, 29(10): 3068-3090.Cui J, Yang B. Survey on Bayesian optimization Methodology and Applications[J]. Journal of Software, 2018, 29(10): 3068-3090.

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開(kāi)放實(shí)驗(yàn)平臺(tái)構(gòu)建研究
    基于自動(dòng)智能分類(lèi)器的圖書(shū)館亂架圖書(shū)檢測(cè)
    搭建深度學(xué)習(xí)的三級(jí)階梯
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    街头女战士在线观看网站| 在线观看三级黄色| 日韩av免费高清视频| 中文字幕av电影在线播放| 麻豆乱淫一区二区| 18禁国产床啪视频网站| 肉色欧美久久久久久久蜜桃| 日韩制服骚丝袜av| 亚洲婷婷狠狠爱综合网| 999久久久国产精品视频| 国产午夜精品一二区理论片| 亚洲精品视频女| 一级片'在线观看视频| 一区二区三区乱码不卡18| 欧美 日韩 精品 国产| 欧美激情 高清一区二区三区| 亚洲第一区二区三区不卡| 日韩一卡2卡3卡4卡2021年| xxxhd国产人妻xxx| 久久久久久免费高清国产稀缺| 久久久精品免费免费高清| 91精品三级在线观看| 国产成人精品福利久久| 欧美日韩视频精品一区| 亚洲av男天堂| 一本久久精品| 国产日韩欧美亚洲二区| 国产免费现黄频在线看| 亚洲伊人久久精品综合| 一区二区三区乱码不卡18| 亚洲伊人色综图| 女人久久www免费人成看片| 国产熟女午夜一区二区三区| 看免费av毛片| 黑人巨大精品欧美一区二区蜜桃| 叶爱在线成人免费视频播放| 国产成人欧美在线观看 | 欧美人与性动交α欧美软件| 美女午夜性视频免费| 成年美女黄网站色视频大全免费| 免费久久久久久久精品成人欧美视频| 少妇人妻精品综合一区二区| 人妻一区二区av| 欧美亚洲 丝袜 人妻 在线| 男女国产视频网站| 亚洲欧美激情在线| 老汉色av国产亚洲站长工具| 日本wwww免费看| 亚洲 欧美一区二区三区| 亚洲av综合色区一区| 亚洲,欧美精品.| 亚洲精品久久久久久婷婷小说| 国产人伦9x9x在线观看| 亚洲国产欧美日韩在线播放| 波野结衣二区三区在线| 七月丁香在线播放| 国产精品久久久久久精品电影小说| 国产色婷婷99| 亚洲av中文av极速乱| av一本久久久久| 少妇人妻精品综合一区二区| 免费在线观看完整版高清| 在线观看免费日韩欧美大片| 国产1区2区3区精品| 久久久久久久国产电影| 日本黄色日本黄色录像| 亚洲伊人久久精品综合| 国产片特级美女逼逼视频| 亚洲国产看品久久| 伊人亚洲综合成人网| 亚洲欧洲日产国产| 在线观看www视频免费| 国产伦理片在线播放av一区| 如日韩欧美国产精品一区二区三区| 亚洲情色 制服丝袜| 久久久精品区二区三区| 不卡视频在线观看欧美| av片东京热男人的天堂| 97人妻天天添夜夜摸| av视频免费观看在线观看| 亚洲av中文av极速乱| 成人18禁高潮啪啪吃奶动态图| 国产日韩欧美视频二区| 黄色一级大片看看| 成年女人毛片免费观看观看9 | 热re99久久精品国产66热6| 99国产精品免费福利视频| 别揉我奶头~嗯~啊~动态视频 | 黄片播放在线免费| 99久久人妻综合| 99精国产麻豆久久婷婷| 日韩中文字幕视频在线看片| 最近2019中文字幕mv第一页| 日韩,欧美,国产一区二区三区| 欧美人与性动交α欧美精品济南到| 日日摸夜夜添夜夜爱| 自线自在国产av| 色网站视频免费| 一本—道久久a久久精品蜜桃钙片| 99久国产av精品国产电影| 国产精品麻豆人妻色哟哟久久| 男女之事视频高清在线观看 | 国产99久久九九免费精品| 亚洲国产成人一精品久久久| 丝袜美腿诱惑在线| av一本久久久久| 丰满饥渴人妻一区二区三| 不卡视频在线观看欧美| 精品久久蜜臀av无| 激情视频va一区二区三区| 捣出白浆h1v1| 国产精品人妻久久久影院| av女优亚洲男人天堂| 另类亚洲欧美激情| 一区二区三区精品91| 精品久久蜜臀av无| 午夜日韩欧美国产| 新久久久久国产一级毛片| 最近最新中文字幕大全免费视频 | 午夜激情av网站| a级片在线免费高清观看视频| 亚洲熟女精品中文字幕| 妹子高潮喷水视频| www.自偷自拍.com| 欧美人与性动交α欧美精品济南到| 天天躁夜夜躁狠狠久久av| 大码成人一级视频| 一本久久精品| 美女视频免费永久观看网站| 午夜福利,免费看| 又大又爽又粗| 国产男人的电影天堂91| 精品卡一卡二卡四卡免费| 蜜桃国产av成人99| 亚洲视频免费观看视频| 街头女战士在线观看网站| 午夜免费鲁丝| 亚洲av综合色区一区| 亚洲在久久综合| 汤姆久久久久久久影院中文字幕| 搡老乐熟女国产| netflix在线观看网站| 高清欧美精品videossex| 久久精品久久久久久久性| 天天影视国产精品| 亚洲中文av在线| 男女边摸边吃奶| 爱豆传媒免费全集在线观看| 久久精品久久精品一区二区三区| 亚洲欧美精品综合一区二区三区| 伊人久久大香线蕉亚洲五| 尾随美女入室| 久久免费观看电影| 大码成人一级视频| 欧美人与性动交α欧美软件| 婷婷成人精品国产| 日韩 欧美 亚洲 中文字幕| 精品人妻熟女毛片av久久网站| 十八禁人妻一区二区| 日本av手机在线免费观看| 不卡av一区二区三区| 国产乱人偷精品视频| 天天添夜夜摸| 精品一区二区三区四区五区乱码 | 亚洲美女黄色视频免费看| 久久青草综合色| 国产精品蜜桃在线观看| 国产一卡二卡三卡精品 | 天堂8中文在线网| 啦啦啦啦在线视频资源| 国产成人午夜福利电影在线观看| 麻豆av在线久日| 欧美中文综合在线视频| 亚洲精品成人av观看孕妇| 久久狼人影院| 久久免费观看电影| 成人影院久久| 国产无遮挡羞羞视频在线观看| 高清视频免费观看一区二区| 一区二区三区精品91| 久久综合国产亚洲精品| 日韩中文字幕欧美一区二区 | 中文字幕人妻丝袜一区二区 | 中文字幕制服av| 黄色一级大片看看| 欧美日韩视频精品一区| av一本久久久久| 亚洲欧美一区二区三区国产| 丝袜喷水一区| 男女之事视频高清在线观看 | 亚洲一卡2卡3卡4卡5卡精品中文| 久久ye,这里只有精品| 狂野欧美激情性bbbbbb| 一区福利在线观看| 色94色欧美一区二区| 欧美日韩一级在线毛片| 丰满乱子伦码专区| 曰老女人黄片| tube8黄色片| 欧美激情高清一区二区三区 | 国产精品久久久久久精品古装| 久久亚洲国产成人精品v| 亚洲人成电影观看| 精品第一国产精品| 亚洲三区欧美一区| 亚洲欧美成人精品一区二区| 最新的欧美精品一区二区| 国产片内射在线| 一边摸一边做爽爽视频免费| 国产午夜精品一二区理论片| 免费高清在线观看视频在线观看| 久久综合国产亚洲精品| 悠悠久久av| 午夜福利,免费看| 桃花免费在线播放| 女人被躁到高潮嗷嗷叫费观| 男女边摸边吃奶| 色播在线永久视频| 亚洲在久久综合| 色综合欧美亚洲国产小说| 999精品在线视频| 亚洲七黄色美女视频| 中文字幕最新亚洲高清| 欧美在线黄色| 一级毛片 在线播放| 在现免费观看毛片| 国产又色又爽无遮挡免| 爱豆传媒免费全集在线观看| 青春草国产在线视频| 国产不卡av网站在线观看| 操美女的视频在线观看| 18禁观看日本| 在线观看免费日韩欧美大片| 一本久久精品| 极品少妇高潮喷水抽搐| 老鸭窝网址在线观看| 丁香六月欧美| 在线精品无人区一区二区三| 亚洲精品国产一区二区精华液| 18禁观看日本| 亚洲精品久久久久久婷婷小说| av电影中文网址| 久久精品国产亚洲av涩爱| av又黄又爽大尺度在线免费看| 美女视频免费永久观看网站| 免费高清在线观看视频在线观看| 水蜜桃什么品种好| 精品国产一区二区三区久久久樱花| 丰满迷人的少妇在线观看| 亚洲国产毛片av蜜桃av| 久久久精品国产亚洲av高清涩受| 婷婷色av中文字幕| 国产精品国产三级专区第一集| av电影中文网址| 老汉色av国产亚洲站长工具| √禁漫天堂资源中文www| 国产精品成人在线| 一二三四在线观看免费中文在| 最近中文字幕2019免费版| 我的亚洲天堂| 久久久精品免费免费高清| av片东京热男人的天堂| 九九爱精品视频在线观看| 中文天堂在线官网| 欧美人与性动交α欧美软件| 国产av精品麻豆| 久久精品久久精品一区二区三区| 亚洲男人天堂网一区| av网站在线播放免费| 国产在线一区二区三区精| 亚洲精品,欧美精品| 美女国产高潮福利片在线看| 狠狠婷婷综合久久久久久88av| 亚洲 欧美一区二区三区| 午夜免费男女啪啪视频观看| 美女扒开内裤让男人捅视频| 搡老岳熟女国产| 人人妻人人澡人人看| 青春草国产在线视频| 亚洲精品aⅴ在线观看| 亚洲欧美一区二区三区久久| 久久久国产精品麻豆| 成人漫画全彩无遮挡| 成年动漫av网址| 69精品国产乱码久久久| 国产成人免费无遮挡视频| 色吧在线观看| 人人澡人人妻人| 欧美日韩亚洲高清精品| 久久女婷五月综合色啪小说| 十分钟在线观看高清视频www| 女性被躁到高潮视频| 亚洲精品久久成人aⅴ小说| 交换朋友夫妻互换小说| 欧美少妇被猛烈插入视频| 建设人人有责人人尽责人人享有的| 99国产精品免费福利视频| 日本色播在线视频| 91精品国产国语对白视频| videos熟女内射| 国产女主播在线喷水免费视频网站| av网站在线播放免费| 韩国高清视频一区二区三区| 国产在线免费精品| 亚洲成国产人片在线观看| 日韩 亚洲 欧美在线| 人人妻人人爽人人添夜夜欢视频| 久久精品久久久久久噜噜老黄| 女性被躁到高潮视频| 十八禁网站网址无遮挡| av片东京热男人的天堂| 国产亚洲av高清不卡| 最近最新中文字幕大全免费视频 | 精品少妇一区二区三区视频日本电影 | 日韩欧美一区视频在线观看| 男人操女人黄网站| 丝袜在线中文字幕| 在线观看免费午夜福利视频| 亚洲国产成人一精品久久久| 国产 一区精品| 麻豆乱淫一区二区| 又大又爽又粗| 黄网站色视频无遮挡免费观看| 亚洲国产欧美一区二区综合| 一级a爱视频在线免费观看| 最近最新中文字幕大全免费视频 | 美女午夜性视频免费| 成人国产av品久久久| 别揉我奶头~嗯~啊~动态视频 | 最近的中文字幕免费完整| 男女免费视频国产| 一本大道久久a久久精品| 久久国产精品大桥未久av| 卡戴珊不雅视频在线播放| 欧美日本中文国产一区发布| 久久精品久久精品一区二区三区| 在线天堂中文资源库| 黄色怎么调成土黄色| 欧美黄色片欧美黄色片| 亚洲一码二码三码区别大吗| 啦啦啦视频在线资源免费观看| 国产精品二区激情视频| 久久精品久久精品一区二区三区| 亚洲国产日韩一区二区| 国精品久久久久久国模美| 十八禁网站网址无遮挡| 中文字幕av电影在线播放| 精品人妻熟女毛片av久久网站| 久久人人爽av亚洲精品天堂| 中文字幕人妻丝袜一区二区 | 丝袜美腿诱惑在线| 超碰成人久久| 免费观看人在逋| 国产在视频线精品| 欧美xxⅹ黑人| a 毛片基地| 母亲3免费完整高清在线观看| 女性被躁到高潮视频| 大话2 男鬼变身卡| 欧美精品亚洲一区二区| 婷婷色麻豆天堂久久| 97精品久久久久久久久久精品| 母亲3免费完整高清在线观看| 午夜激情av网站| 老鸭窝网址在线观看| 欧美日韩精品网址| 婷婷色麻豆天堂久久| 一级黄片播放器| 国产精品国产三级专区第一集| 国产日韩欧美视频二区| 亚洲美女黄色视频免费看| 热re99久久精品国产66热6| 青草久久国产| 如何舔出高潮| 国产精品秋霞免费鲁丝片| 成年av动漫网址| 国产国语露脸激情在线看| 韩国精品一区二区三区| 亚洲一级一片aⅴ在线观看| tube8黄色片| av又黄又爽大尺度在线免费看| 日本欧美视频一区| 多毛熟女@视频| 亚洲人成网站在线观看播放| 久久综合国产亚洲精品| 国产在线免费精品| 亚洲欧美一区二区三区久久| 国产免费福利视频在线观看| 一级a爱视频在线免费观看| 婷婷色麻豆天堂久久| 建设人人有责人人尽责人人享有的| 久久性视频一级片| 18禁观看日本| 国产精品亚洲av一区麻豆 | 亚洲av电影在线观看一区二区三区| 蜜桃在线观看..| 久久人人爽av亚洲精品天堂| 美女高潮到喷水免费观看| 亚洲成人手机| 男女之事视频高清在线观看 | 欧美成人精品欧美一级黄| 免费在线观看黄色视频的| 伊人久久大香线蕉亚洲五| 少妇人妻久久综合中文| 美女午夜性视频免费| 国产成人啪精品午夜网站| 国产精品国产av在线观看| 国产日韩一区二区三区精品不卡| 在线天堂中文资源库| 中文字幕高清在线视频| 欧美xxⅹ黑人| 亚洲精品第二区| 黄片无遮挡物在线观看| 三上悠亚av全集在线观看| 人人妻人人澡人人看| 男女午夜视频在线观看| 免费久久久久久久精品成人欧美视频| 亚洲,欧美精品.| 久久99热这里只频精品6学生| 久久鲁丝午夜福利片| 国产免费视频播放在线视频| 亚洲自偷自拍图片 自拍| 岛国毛片在线播放| 人妻人人澡人人爽人人| 久久久久久久久久久久大奶| 久久久久久免费高清国产稀缺| 制服诱惑二区| 老熟女久久久| 色综合欧美亚洲国产小说| 午夜福利一区二区在线看| 国产人伦9x9x在线观看| 国产伦理片在线播放av一区| 啦啦啦视频在线资源免费观看| 色网站视频免费| 五月天丁香电影| 亚洲精品日韩在线中文字幕| 欧美成人精品欧美一级黄| 亚洲伊人久久精品综合| 久久婷婷青草| 我的亚洲天堂| 99精国产麻豆久久婷婷| 欧美精品亚洲一区二区| 免费观看a级毛片全部| 国产在线一区二区三区精| 少妇人妻久久综合中文| 伊人久久大香线蕉亚洲五| 少妇被粗大猛烈的视频| 欧美成人精品欧美一级黄| 一区二区三区精品91| 午夜免费观看性视频| 欧美日韩综合久久久久久| 黄色怎么调成土黄色| 宅男免费午夜| 国产亚洲午夜精品一区二区久久| 欧美在线黄色| 国产97色在线日韩免费| 国产在线一区二区三区精| 婷婷色综合大香蕉| 欧美亚洲日本最大视频资源| 国产黄频视频在线观看| www.自偷自拍.com| 2018国产大陆天天弄谢| 久久av网站| av卡一久久| 亚洲国产精品一区二区三区在线| 久久久精品区二区三区| 极品人妻少妇av视频| 国产淫语在线视频| 黄色怎么调成土黄色| 大陆偷拍与自拍| 欧美日韩精品网址| 观看av在线不卡| 国产亚洲精品第一综合不卡| 国产精品欧美亚洲77777| 久久久欧美国产精品| 精品一区在线观看国产| 18禁国产床啪视频网站| 国产日韩一区二区三区精品不卡| 亚洲精品一二三| 国产成人啪精品午夜网站| 天天影视国产精品| 国产成人欧美在线观看 | 下体分泌物呈黄色| 国产福利在线免费观看视频| 亚洲四区av| 亚洲七黄色美女视频| 在现免费观看毛片| 国产成人精品久久久久久| 中文字幕精品免费在线观看视频| 免费高清在线观看日韩| av卡一久久| 国产成人精品在线电影| 精品少妇内射三级| 日韩熟女老妇一区二区性免费视频| 中文字幕av电影在线播放| 岛国毛片在线播放| 中文字幕高清在线视频| 国产熟女欧美一区二区| 国产乱来视频区| 亚洲国产av新网站| 精品人妻在线不人妻| 亚洲精品av麻豆狂野| 51午夜福利影视在线观看| 激情视频va一区二区三区| 99热网站在线观看| 国产不卡av网站在线观看| 丝袜美足系列| 日韩一本色道免费dvd| 午夜精品国产一区二区电影| 欧美日韩亚洲国产一区二区在线观看 | 欧美av亚洲av综合av国产av | 欧美日韩综合久久久久久| 一级a爱视频在线免费观看| 国产极品粉嫩免费观看在线| 男女无遮挡免费网站观看| 亚洲精品久久午夜乱码| 精品免费久久久久久久清纯 | 欧美激情极品国产一区二区三区| 不卡av一区二区三区| 两性夫妻黄色片| 免费黄频网站在线观看国产| 亚洲情色 制服丝袜| 亚洲成人av在线免费| 亚洲精品成人av观看孕妇| 精品一区二区三区四区五区乱码 | 成人亚洲精品一区在线观看| kizo精华| 青青草视频在线视频观看| 国产精品香港三级国产av潘金莲 | 两个人免费观看高清视频| 爱豆传媒免费全集在线观看| 免费少妇av软件| 街头女战士在线观看网站| 黄色 视频免费看| 日本wwww免费看| 搡老岳熟女国产| 久久久久国产一级毛片高清牌| 秋霞伦理黄片| 午夜久久久在线观看| 久热这里只有精品99| av一本久久久久| 亚洲在久久综合| 精品少妇内射三级| 欧美日韩亚洲综合一区二区三区_| av国产久精品久网站免费入址| 免费观看av网站的网址| 下体分泌物呈黄色| 中文欧美无线码| 18禁动态无遮挡网站| 久久精品久久久久久噜噜老黄| 国产爽快片一区二区三区| 一区二区av电影网| 少妇精品久久久久久久| 国产男人的电影天堂91| 秋霞伦理黄片| av天堂久久9| 一本一本久久a久久精品综合妖精| 免费观看性生交大片5| 国产成人精品在线电影| 高清欧美精品videossex| 国产精品久久久久久人妻精品电影 | 人妻人人澡人人爽人人| 高清黄色对白视频在线免费看| 97精品久久久久久久久久精品| 如日韩欧美国产精品一区二区三区| 在线亚洲精品国产二区图片欧美| 性少妇av在线| 久久狼人影院| 国产日韩一区二区三区精品不卡| 岛国毛片在线播放| 一区二区三区乱码不卡18| 成人亚洲欧美一区二区av| 亚洲四区av| 亚洲av中文av极速乱| 纯流量卡能插随身wifi吗| 精品久久久久久电影网| 久久婷婷青草| 色播在线永久视频| 街头女战士在线观看网站| 亚洲国产看品久久| 热re99久久国产66热| 在线观看免费日韩欧美大片| 日本欧美视频一区| 中文字幕高清在线视频| 大香蕉久久成人网| 久久狼人影院| 亚洲欧美一区二区三区久久| 国产一区二区三区av在线| 亚洲国产看品久久| av国产久精品久网站免费入址| 国产精品无大码| 国产淫语在线视频| 国精品久久久久久国模美| 1024视频免费在线观看| 丁香六月欧美| 色精品久久人妻99蜜桃| 丁香六月天网| 亚洲精品av麻豆狂野| 丝袜人妻中文字幕| 搡老岳熟女国产| 嫩草影院入口| 制服诱惑二区| 赤兔流量卡办理| 夜夜骑夜夜射夜夜干| 操出白浆在线播放| 黄片小视频在线播放| 老司机影院成人| 久久久精品国产亚洲av高清涩受| 人人妻人人爽人人添夜夜欢视频| 国产精品久久久久久精品电影小说| 日本vs欧美在线观看视频| 国产一区二区三区综合在线观看| 一级a爱视频在线免费观看| 久久久久视频综合| 国产免费现黄频在线看|