• <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 ?

    基于改進型YOLO的復雜環(huán)境下番茄果實快速識別方法

    2020-06-29 01:29:30劉玉坤郭文忠
    農(nóng)業(yè)機械學報 2020年6期
    關鍵詞:主干番茄卷積

    劉 芳 劉玉坤, 林 森 郭文忠 徐 凡 張 白

    (1.北方民族大學電氣信息工程學院, 銀川 750021; 2.北京農(nóng)業(yè)智能裝備技術研究中心, 北京 100097)

    0 引言

    我國是世界最大的番茄生產(chǎn)和消費國家,番茄生產(chǎn)是農(nóng)民增收致富和出口創(chuàng)匯的重要途徑之一[1]。番茄采摘機器人對減少生產(chǎn)成本、降低勞動強度、提高作業(yè)效率具有重要意義[2]。采摘機器人的設計難點是番茄的識別和定位,其準確性關系到采摘機器人的工作效率。番茄果實的生長姿態(tài)各異,果實之間重疊,葉片、枝干、果柄等對果實遮擋嚴重,光照環(huán)境復雜,這些因素給采摘機器人識別帶來了一定的困難。因此,對溫室復雜環(huán)境下的番茄果實快速、精確識別是研發(fā)番茄采摘機器人亟待解決的關鍵問題[3]。

    溫室環(huán)境下番茄果實的傳統(tǒng)識別方法是基于顏色和形狀特征進行信息提取分析[4-6]。傳統(tǒng)目標識別流程包括基于窮舉策略的區(qū)域選擇、基于尺度不變特征變換(SIFT)和方向梯度直方圖(HOG)等方法的特征提取、基于支持向量機(SVM)和自適應提升(Adaboost)等方法的分類器分類等。鄭小東等[7]利用顏色特征差異提取紅色成熟番茄果實和綠色枝葉背景信息,通過閾值分割的方法識別紅色成熟番茄果實,該方法對圖像質(zhì)量要求很高,對噪聲影響較為敏感。王玉翰[8]提取顏色、形狀、紋理等5個特征,利用SVM分類器對番茄果實進行識別,該方法有較好的分類識別能力,但分類耗時過長,不能滿足實時性需求。梁喜鳳等[9]提出一種番茄果實串采摘點識別方法,將整個番茄果實串視為一個整體,提取其形狀特征,該方法對垂直向下的番茄果實串采摘點識別效果較好,但現(xiàn)實中番茄果實生長形態(tài)各異,該方法不能對其他姿態(tài)的番茄果實進行識別。趙源深等[10]提出一種基于非顏色編碼的番茄果實識別算法,通過基于Haar-like特征的閾值判斷獲得若干弱分類器,利用AdaBoost算法將多個弱分類器通過學習訓練得到一個強分類器,用于識別紅色成熟番茄果實。在光照條件較差和果實遮擋較為嚴重的情況下,該方法對成熟番茄果實的識別率為93.3%,識別精度偏低。馮青春等[11]在2R-G-B色差模型下提取紅色成熟番茄果實顏色特征,利用動態(tài)閾值分割的方法識別紅色成熟番茄果實,該方法識別耗時較長,且未考慮葉片遮擋等復雜環(huán)境下番茄果實的識別。綜上所述,采用傳統(tǒng)方法進行番茄果實識別無法達到較好的精度和實時性要求。此外,上述研究大多沒有考慮溫室復雜環(huán)境下的影響因素,對多樣的特征變化魯棒性不足,因此難以滿足實際要求。

    近年來興起的基于深度學習的深度卷積神經(jīng)網(wǎng)絡(Deep convolutional neural network, DCNN)為番茄果實識別提供了新的思路。DCNN在圖像目標檢測上具有較大的優(yōu)勢,其檢測方法可歸納為兩類:一是基于區(qū)域生成的檢測方法,先由算法生成一系列候選框,再對候選框中的目標進行分類,R-CNN[12]、Fast R-CNN[13]、Faster R-CNN[14]等網(wǎng)絡模型都屬于此類檢測方法。這類方法識別錯誤率低、漏識別率也較低,但速度較慢,難以滿足實時檢測場景需求。二是基于回歸的方法,該類方法在實現(xiàn)目標定位的同時預測目標分類,YOLO[15-17]系列網(wǎng)絡屬于此檢測方法。該類方法識別速度快,可以達到實時性要求,而且準確率也基本能達到第1類方法的水平。目前,DCNN在農(nóng)業(yè)設施智能化研究方面?zhèn)涫荜P注[18-22]。研究表明[23],第1類目標檢測算法檢測精度較高,但占用大量計算資源,導致檢測時間較長,影響采摘機器人工作效率;第2類目標檢測算法兼顧了檢測精度和速度,但其網(wǎng)絡結構設計過于精簡,導致識別精度低于第1類算法。

    實際溫室環(huán)境下番茄果實重疊、遮擋嚴重,稀疏程度不同、大小不一,這些成為快速、精確識別番茄果實的難點。本文以DCNN中檢測速度較快的YOLO網(wǎng)絡模型為基礎,根據(jù)溫室環(huán)境下番茄果實的特征改進主干網(wǎng)絡得到一種新型主干網(wǎng)絡darknet-20,以提升檢測速度;采用YOLO v3-tiny快速精確的檢測結構,融合多尺度信息,以提升檢測精度,構建一種溫室復雜環(huán)境下番茄果實識別的網(wǎng)絡模型。

    1 數(shù)據(jù)樣本采集與預處理

    番茄果實圖像數(shù)據(jù)采集于北京市農(nóng)林科學院連棟溫室,采集設備為FM810-IX-A 3D型相機(圖漾科技),其二維RGB圖像分辨率為640像素×480像素,像素級精度為2 mm。為降低由訓練樣本多樣性不足導致網(wǎng)絡模型過擬合的概率,采集時分遠景和近景,遠景、近景分別距離果實500~600 mm和200~300 mm,遠景、近景情況下各采集左、中、右3個角度的圖像,每個角度采集3幅圖像,共1 800幅圖像。為了增加樣本的多樣性,圖像樣本中包含成熟紅色番茄果實和未成熟綠色番茄果實,包含果實數(shù)量、稠密程度、遮擋程度不同的情況,還包含順光、逆光等光照情況。為獲取準確的數(shù)據(jù)參數(shù),還需要對圖像進行人工標注,標注時將番茄的最小外接矩形框作為真實框(Ground truth),以減少真實框內(nèi)的背景像素。表1為各類番茄圖像數(shù)量,圖1為一組典型復雜環(huán)境下的番茄果實圖像。

    表1 各類番茄圖像數(shù)量Tab.1 Number of tomato images under varies conditions

    圖1 復雜環(huán)境下的番茄果實圖像Fig.1 Tomato images under complex environments in greenhouse

    溫室環(huán)境下光照情況復雜,在光照很強或很弱時采集到的番茄果實圖像顏色差異很大。此外,番茄果實的生長姿態(tài)各異、重疊遮擋嚴重,導致果實形狀特征難以完整提取。使用傳統(tǒng)方法難以有效提取溫室番茄果實的特征。因此,在番茄果實識別時需要對采集樣本進行預處理[24-25]。本文采用自適應直方圖均衡化方法減小光照強度對圖像質(zhì)量的影響;通過縮放、水平/垂直翻轉或旋轉正負90°等方法,解決番茄果實生長姿態(tài)不同的問題,改善樣本集數(shù)據(jù)不均衡。通過以上方法,最終擴增樣本集圖像至15 120幅,其中訓練集70%、驗證集10%、測試集20%。

    2 復雜環(huán)境下的番茄果實快速識別方法

    YOLO(You only look once)網(wǎng)絡模型采用darknet深度學習框架實現(xiàn)輸入圖像端到端的訓練,其突出特點是快速性。與Faster R-CNN使用候選區(qū)域(Region proposal)特征提取方式不同,YOLO對輸入圖像的全局區(qū)域進行訓練,可加快訓練速度且能更好地區(qū)分目標和背景。利用主干網(wǎng)絡完成番茄果實特征提取之后,采用預測框(Bounding box)預測的方式,同時預測出目標類別和預測框。

    2.1 YOLO系列網(wǎng)絡模型

    YOLO系列網(wǎng)絡模型中,YOLO v1存在網(wǎng)絡模型檢測精度不高、目標定位不準確等問題[15];YOLO v2中加入了錨點框、批量歸一化、高分辨率分類器、更改網(wǎng)絡模型結構等操作來提升網(wǎng)絡模型性能,尤其是檢測速度突出,但不適用于檢測目標重疊的情況[16];YOLO v3中引入了多尺度融合訓練、殘差結構、改變網(wǎng)絡模型結構、錨點框選擇機制、分類方法等操作,使得網(wǎng)絡模型性能得到了極大提升,但其主干網(wǎng)絡深度達53層且采用多尺度融合,導致檢測速度不高,番茄果實檢測的實時性無法得到保證[17]。因此,本文在剖析YOLO v2、YOLO v3網(wǎng)絡模型特性的基礎上對其進行重組,構建一種新型網(wǎng)絡模型結構,解決復雜環(huán)境下番茄果實檢測識別問題。

    2.2 特征快速提取網(wǎng)絡結構

    在使用DCNN提取特征時,增加網(wǎng)絡深度意味著增加檢測時間。本文只需區(qū)分紅、綠兩類番茄果實,其特征明顯、易于提取。由圖2a可以看出,YOLO v2主干網(wǎng)絡darknet-19由19層卷積層和5層最大池化層交替組成。其結構簡單、占用計算資源較少,但特征信息在傳遞時逐層丟失,導致檢測精度下降。本文以darknet-19為基礎,借鑒YOLO v3網(wǎng)絡結構,在darknet-19主干網(wǎng)絡中引入殘差結構,提出darknet-20主干網(wǎng)絡如圖2b所示,實現(xiàn)前后層特征復用和融合,同時滿足番茄果實特征提取的快速性和精確性。該網(wǎng)絡的構建思想如下:去掉darknet-19中的5層最大池化層,用第2、3、6、9、14層卷積層進行2倍下采樣代替原最大池化層的下采樣,從而縮小特征圖尺度以提取更多特征信息傳遞給后續(xù)卷積層。去掉darknet-19最后一層卷積層以便與檢測層相連,保留其余各卷積層;在darknet-19的第2層卷積層后添加兩層卷積層以構建一個殘差模塊,由此構成由20層卷積層順序連接的主干網(wǎng)絡。借鑒殘差思想構建殘差模塊。通過恒等映射、跳躍連接其前層卷積輸出特征信息,將其直接傳遞給后面某層輸出,如圖2中藍線箭頭所指,以進行信息融合。需要指出的是,在第4、5次下采樣單元后各有2個殘差模塊,其作用是在相應尺度下融合更豐富的特征信息輸出給檢測層。

    圖2 darknet-19及darknet-20主干網(wǎng)絡結構Fig.2 Backbone structure diagrams of darknet-19 and darknet-20

    綜上,darknet-20網(wǎng)絡由20層卷積層構成,其中包含了首層卷積、5個下采樣卷積層和7個殘差塊,每個殘差塊由2層卷積層組成。相較于darknet-19主干網(wǎng)絡的19層卷積層,darknet-20只多了一層卷積層,網(wǎng)絡深度變化不大,對檢測速度的影響不大;使用卷積代替最大池化層進行下采樣,能夠保留更多的特征信息;在特征提取過程中,引入殘差結構可以更好地保留番茄特征信息、促進網(wǎng)絡前后層的特征信息融合,在不增加冗余參數(shù)和計算量的前提下可以更好地提取番茄果實特征,進一步提高檢測精度。

    2.3 多尺度檢測模型結構

    為了得到精準的番茄果實位置和類別信息,本文采用多尺度檢測模型結構同時進行預測,其結構如圖3所示。輸入圖像尺寸為416像素×416像素,經(jīng)由darknet-20主干網(wǎng)絡進行特征提取時,主干網(wǎng)絡依次完成5次下采樣,稱為2m(m=1,2,…,5)倍下采樣。每經(jīng)歷一次下采樣,特征圖將縮小為原輸入圖像尺寸的1/2,最終在32倍下采樣后生成尺寸為13像素×13像素的特征圖。對該圖像進行一系列的卷積操作之后,再進行一次2倍上采樣,生成26像素×26像素的特征圖,將其與主干網(wǎng)絡下的16倍下采樣生成的26像素×26像素的特征圖進行張量拼接(Concat),融合兩個圖像的特征信息,生成一個同等尺寸且含有更多特征信息的特征圖,以此提升小目標的檢測精度。針對上述過程中32倍下采樣生成的13像素×13像素特征圖及特征融合后的26像素×26像素特征圖,分別進行獨立檢測,生成尺寸不變且含有番茄果實預測框中心坐標(x,y)、寬w、高h等4個位置信息,1個置信度和番茄果實顏色類別c的特征圖,從而得到番茄果實的預測框和顏色類別。采用多尺度檢測結構,能夠更好地提取不同光照條件及果實重疊、遮擋嚴重等溫室復雜環(huán)境下的番茄果實特征,從而可以極大地提升檢測精度,為采摘機器人的高效采摘奠定基礎。

    圖3 番茄果實多尺度檢測結構Fig.3 Multi-scale detection structure for tomato

    本文借鑒YOLO v3中的檢測方式生成番茄果實預測框,圖4為番茄果實預測框生成流程圖。由darknet-20主干網(wǎng)絡提取的特征圖包含真實框的信息,如圖4a綠色框所示;特征圖通過回歸預測得到若干預測框,如圖4b黃色框所示;通過非極大值抑制(Non-maximum suppression,NMS)算法篩選出番茄果實預測框,如圖4c紫色框所示。在使用NMS方法時,根據(jù)上述多尺度檢測模型獲得2個類別的置信度,取置信度較高的類別作為預測框中對象所屬的類別,并將置信度低于置信度閾值a=0.5的所有預測框刪除;然后將剩余的所有預測框按照置信度從高到低排序,將置信度最高的預測框作為要保留類別的第1個預測框;再按照由大到小的順序計算其他預測框與第1個預測框的交并比I′OU,刪除I′OU大于其閾值b=0.5的預測框,即完成第1次迭代;接著從剩下的預測框中取置信度最高的預測框作為保留的第2個預測框,進行第2次迭代。通過不斷迭代,輸出最后的番茄果實預測框。通過以上方法得到番茄果實預測框,即可得到番茄果實在圖像中的準確位置。

    圖4 番茄果實預測框生成流程圖Fig.4 Flow chart of generating bounding box for prediction tomatoes

    2.4 番茄果實識別模型架構

    本文構建的基于darknet-20主干網(wǎng)絡的復雜環(huán)境下番茄果實快速識別模型架構如圖5所示。該架構主要包含2個模塊:數(shù)據(jù)預處理模塊和番茄果實快速檢測網(wǎng)絡模塊。前者是在數(shù)據(jù)樣本采集后進行的;后者以darknet-20為主干網(wǎng)絡,通過融合多尺度檢測模塊構建,稱為IMS-YOLO(Improved multi-scale YOLO)檢測網(wǎng)絡。該網(wǎng)絡從訓練集和驗證集中快速提取復雜環(huán)境下的番茄果實相應特征,并融合多尺度特征信息,同時得到番茄果實預測框和類別,從而快速精確地識別溫室復雜環(huán)境下番茄果實。其中訓練集用于擬合檢測網(wǎng)絡,驗證集用于調(diào)整檢測網(wǎng)絡的超參數(shù)以及對網(wǎng)絡性能進行初步評估。對檢測網(wǎng)絡進行樣本訓練的目的是利用從高分辨率的番茄果實原始圖像中學習到的特征來識別低分辨率的實時采集圖像。番茄果實識別架構的工作流程如下:首先將采集的原始圖像進行預處理并將預處理后的圖像輸入檢測網(wǎng)絡進行訓練,然后根據(jù)預測框、置信度和類別的損失函數(shù)不斷調(diào)整訓練參數(shù),最終得到識別模型。

    圖5 復雜環(huán)境下番茄果實快速識別模型的架構Fig.5 Framework of fast recognition model for tomatoes under complex environment

    3 檢測網(wǎng)絡訓練與結果分析

    3.1 番茄果實檢測網(wǎng)絡訓練

    為了得到復雜環(huán)境下番茄果實快速精確的檢測網(wǎng)絡,需要優(yōu)化損失函數(shù),使預測框、置信度、類別的訓練誤差達到平衡。YOLO v3的損失函數(shù)[17]為

    L=kxyδ(x,y)+kwhδ(w,h)+kconfδ(conf)+kcδ(c)

    (1)

    式中δ(x,y)——預測邊界框中心坐標(x,y)的誤差函數(shù)

    δ(w,h)——預測邊界框寬w、高h的誤差函數(shù)

    δ(conf)——預測置信度conf的誤差函數(shù)

    δ(c)——類別的誤差函數(shù)

    kxy、kwh、kconf、kc——誤差權重系數(shù)

    訓練誤差曲線可以監(jiān)測損失函數(shù)的變化趨勢。對訓練集和驗證集進行約2 500次迭代訓練后的誤差變化曲線如圖6所示??梢钥闯觯?00次迭代中網(wǎng)絡快速擬合;1 500次迭代后損失函數(shù)基本穩(wěn)定,此后檢測網(wǎng)絡收斂。

    圖6 訓練誤差變化曲線Fig.6 Training error changing curve

    本文選用的性能評價指標主要包括均值平均精度MAP(Mean average precision)、紅色和綠色番茄果實的檢測精度APR和APG、檢測時間tr、準確率P、召回率R、交并比IOU。本文目的是快速精確識別番茄果實,因此把MAP、tr作為主要評價指標。交并比IOU是預測框和真實框的重合程度,表示番茄果實的檢測定位精度。APR、APG是針對單一類別進行分析計算的,MAP是APR、APG的平均值。計算公式為

    (2)

    (3)

    (4)

    式中TP——實際為正樣本且被檢測為正樣本的數(shù)量

    FP——實際為負樣本且被檢測為正樣本的數(shù)量

    FN——實際為負樣本且被檢測為負樣本的數(shù)量

    k——類別編號

    J(P,R)k——平均精度函數(shù),即類別編號為k時準確率P與召回率R所構成P-R曲線的面積

    經(jīng)過NMS方法處理后得到的預測框和對應類別并非全部正確,因此將置信度大于閾值a=0.5的預測框定義為正樣本,反之則為負樣本;將正樣本中與真實框的交并比大于閾值d=0.6的樣本視為TP,反之視為FP。若負樣本中存在實際為正樣本的,則視為FN。

    檢測網(wǎng)絡IMS-YOLO在darknet深度學習框架中進行訓練。硬件環(huán)境為Intel Xeon CPU,E5-2680 v3@2.50 GHz×48處理器,64 GB運行內(nèi)存,2 TB硬盤,兩個顯存為12 GB的GeForce GTX 1080ti GPU。軟件環(huán)境為Ubuntu16.04移動操作系統(tǒng)。輸入圖像尺寸416像素×416像素,權值衰減速率為0.000 5,初始學習率為0.001,動量設置為0.9。

    3.2 番茄果實識別效果

    由于IMS-YOLO模型是基于YOLO v2主干網(wǎng)絡,同時融合了多尺度檢測結構進行改進的,因此有必要對改進前后網(wǎng)絡的番茄果實檢測性能進行對比分析。為此,對YOLO v2保留darknet-19主干網(wǎng)絡不變,采用本文所述多尺度檢測模塊與其一起構成MS-YOLO v2檢測模型;基于darknet-20主干網(wǎng)絡的改進型單一尺度(Single-scale)檢測模型稱為ISS-YOLO。為了對比改進效果,同時與YOLO v2進行對比。上述4種YOLO系列檢測模型的特點及其檢測結果如表2所示。

    表2 4種網(wǎng)絡模型的檢測結果Tab.2 Detection results of four network models

    由表2可知, IMS-YOLO比MS-YOLO v2的MAP、IOU分別提升0.85個百分點和1.38個百分點,而tr僅增加了0.093 ms。IMS-YOLO比ISS-YOLO的MAP、IOU分別提升了5.8個百分點和8.02個百分點,tr增加了0.97 ms??梢钥闯?,分別更換了主干網(wǎng)絡和檢測結構,除了tr略有增加,檢測模型的性能均有不同程度提升,說明本文網(wǎng)絡結構的改進方法對模型性能具有促進作用。而與YOLO v2相比,IMS-YOLO的多項性能指標均有顯著提升,尤其是MAP和IOU分別提高了7.17個百分點和8.94個百分點,極大地提高了番茄果實的檢測精度和檢測定位精度。另外,IMS-YOLO比YOLO v2的tr增加了1.139 ms,兩者tr相差不多,均能達到較好的實時性。綜上,IMS-YOLO的檢測精度和檢測定位精度最高。其原因為IMS-YOLO使用多尺度檢測結構,可以較為精確地預測番茄果實預測框類別和位置,從而大幅度提升了檢測精度和定位精度; IMS-YOLO的主干網(wǎng)絡增加了殘差結構,可以促進前后卷積層的信息融合,有效提取番茄果實類別和真實框的信息,使訓練誤差更小,可以進一步提升檢測精度。綜合考慮各項檢測指標,本文方法對番茄果實的檢測性能更佳。

    IMS-YOLO的APR、APG分別是97.90%和96.35%,較MS-YOLO v2分別提升了0.70個百分點和1.00個百分點;而相較于ISS-YOLO和YOLO v2,IMS-YOLO的APR分別提升了3.9個百分點和4.58個百分點,APG則分別提升了7.69個百分點和9.75個百分點??梢钥闯?,IMS-YOLO的APR、APG提升最為顯著,且APG提升更為明顯;此外,多尺度檢測模型的檢測效果遠比單尺度的效果好。這是因為在IMS-YOLO中主干網(wǎng)絡加入了殘差模塊且采用了多尺度檢測結構,其提取番茄果實特征、區(qū)分背景和目標信息的能力更為突出。

    3.3 不同方法識別效果對比試驗

    基于IMS-YOLO的溫室復雜環(huán)境下的番茄果實識別結果如圖7所示。對照圖1,可以看到番茄果實在數(shù)量不同、稠密程度不同、光照不同、葉片枝干遮擋、果實重疊等環(huán)境下均具有很高的識別準確率,且番茄果實在圖像中定位準確。因此,本文方法具有較強的魯棒性,可以適應溫室下各種復雜情況。

    為進一步驗證本文網(wǎng)絡模型對溫室番茄果實的識別性能,主干網(wǎng)絡分別取ResNet34和VGGNet,且VGGNet選用前13層網(wǎng)絡,去掉最后3層全連接層以降低參數(shù)量;檢測模塊統(tǒng)一采用YOLOv3-tiny的檢測結構,構成MS-ResNet34、IMS-VGGNet。將其與IMS-YOLO網(wǎng)絡進行對比試驗,測試網(wǎng)絡層數(shù)較少的主干網(wǎng)絡對番茄果實特征的提取能力。為驗證IMS-YOLO的實時性,選取YOLO v3網(wǎng)絡模型與其進行對比試驗。番茄果實識別效果對比試驗結果如圖7和表3所示。圖7中由左至右依次為單果、多果、逆光、順光、重疊和遮擋。

    由表3可以看出,IMS-YOLO模型的IOU最大,檢測定位精度最高。IMS-YOLO比IMS-VGGNet的MAP高0.41個百分點。比MS-ResNet34模型的MAP高3.26個百分點,且tr較小。原因是MS-ResNet34在主干網(wǎng)絡開始訓練時先進行8倍下采樣,特征信息丟失嚴重,因此檢測精度降低;同時,其卷積層較多,計算量大,因此檢測速度較慢。相對于YOLO v3,雖然IMS-YOLO檢測精度降低了1.52個百分點,但檢測時間減少了12.407 ms,實時性較好。可以看出,本文方法整體性能表現(xiàn)最佳,可以同時滿足識別精度和速度的需求。

    圖7 復雜環(huán)境下4種模型對番茄果實的識別結果Fig.7 Recognition results of tomatoes under complex environment of four models

    表3 4種模型的試驗結果Tab.3 Test results of four models

    另外,IMS-YOLO模型的APR、APG稍低于YOLO v3而高于其他兩種模型,原因是IMS-YOLO的網(wǎng)絡結構比YOLO v3簡單得多,對番茄果實的特征提取能力偏低,因而檢測精度偏低;而與IMS-VGGNet相比,兩者的網(wǎng)絡深度相近,但IMS-YOLO采用了殘差結構,可提取更豐富的特征信息,因而檢測精度較高;MS-ResNet34網(wǎng)絡模型整體精度最低,這是因為其先進行8倍下采樣,導致特征信息丟失嚴重,繼而影響網(wǎng)絡的擬合能力,對綠色番茄果實與背景的顏色區(qū)分能力下降,導致綠色番茄果實檢測精度降低。4種網(wǎng)絡模型對紅色番茄果實的檢測精度均高于綠色番茄果實,這是因為紅色果實目標與背景顏差異大,紅色顏色特征易提取。

    3.4 溫室環(huán)境中番茄果實識別驗證

    為驗證實際應用效果,將本文模型集成在采摘機器人操作系統(tǒng)中進行采摘試驗。如圖8所示,采摘機器人核心部件由遨博6軸協(xié)作機械臂、FM810-IX-A型3D相機、智能移動底盤(國興)以及一臺工控機組成。采摘試驗過程如下:將智能移動底盤移動到合適位置,由工控機調(diào)用IMS-YOLO模型識別番茄果實并控制3D相機對番茄果實進行檢測;若3D相機檢測到紅色成熟番茄果實,則選擇置信度概率最大的番茄果實目標為第1采摘目標并進行定位,輸出番茄果實類別和三維坐標至工控機,再由工控機控制機械臂實現(xiàn)采摘。針對順光、逆光兩種光照情況共設計了8組試驗,對單果/多果果實在有遮擋、無遮擋環(huán)境條件下進行番茄果實采摘試驗,本次試驗對枝葉遮擋程度大于60%以上的番茄果實不進行采摘。由于機器人只采摘紅色成熟番茄果實,且每次只采摘一個,所以只統(tǒng)計紅色番茄的識別率。若識別到番茄果實,系統(tǒng)會返回番茄果實三維坐標值,否則,返回至“未識別到番茄”。系統(tǒng)返回番茄坐標值即識別成功,因番茄未識別成功而導致采摘不成功的情況為識別失敗,因機械臂路徑規(guī)劃失誤等導致采摘不成功的情況不計入識別失敗。

    圖8 溫室環(huán)境中機器人采摘試驗Fig.8 Test of harvesting robot under greenhouse environments

    各種情況下番茄果實識別準確率如表4所示。由表4可以看出,逆光比順光識別準確率低,原因是逆光時果實與背景界限不明顯,果實邊緣特征提取難度增加,導致識別難度增加;多果比單果識別準確率低,原因是密集情況下果實之間有重疊,果實形狀特征提取困難;遮擋比未遮擋識別準確率偏低,原因是有枝葉遮擋時增加了果實形狀特征提取的難度。

    表4 溫室環(huán)境下番茄果實采摘試驗結果Tab.4 Results of tomato harvesting tests under greenhouse environments

    為節(jié)約成本,采摘機器人使用了只有CPU的工控機。工控機為單CPU Intel i7-7500u 2.7 GHz處理器、 16 GB內(nèi)存。由于工控機的計算能力下降,識別試驗中番茄果實的識別時間比圖像識別時間偏長。

    4 結論

    (1)提出了改進型多尺度檢測模型IMS-YOLO,采用含有殘差模塊的darknet-20主干網(wǎng)絡實現(xiàn)特征提取和檢測速度的提升,借鑒YOLO v3-tiny檢測結構,融合多尺度信息,提升檢測精度。該模型對復雜環(huán)境下番茄果實的檢測精度為97.13%,檢測時間為7.719 ms,準確率為96.36%,召回率和交并比分別為96.03%和83.32%,紅、綠番茄果實檢測精度分別為97.90%和96.35%。對比其他網(wǎng)絡模型,該模型兼顧了識別精度與速度的要求,且檢測定位精度最高,綜合性能最佳。

    (2)采用多尺度檢測結構的IMS-YOLO、MS-YOLO v2的檢測精度、召回率、交并比比單尺度的ISS-YOLO、YOLO v2更高;與采用darknet-19的MS-YOLO v2、YOLO v2相比,采用darknet-20主干網(wǎng)絡的IMS-YOLO、ISS-YOLO的檢測時間增加不多,對檢測實時性影響不大;與YOLO v2相比,IMS-YOLO的多項性能指標均有顯著提升,極大地提高了番茄果實的檢測精度和檢測定位精度。

    (3)對比MS-ResNet34與IMS-VGGNet模型,IMS-YOLO模型精度最高;IMS-YOLO比YOLO v3檢測時間減少了12.407 ms;對比其他3種網(wǎng)絡模型,IMS-YOLO的交并比最高,即檢測定位精度最高,可以為采摘機器人提供精確的定位指導。

    (4)在番茄溫室大棚進行了機器人實際采摘試驗,進一步驗證了IMS-YOLO模型的可行性和準確性。該模型檢測精度高、速度快,可兼顧精度和實時性的要求,在復雜環(huán)境下魯棒性強、檢測定位精度高,可以滿足溫室復雜環(huán)境下采摘機器人識別番茄果實的需求。

    猜你喜歡
    主干番茄卷積
    全球首條1.2T超高速下一代互聯(lián)網(wǎng)主干通路
    軍事文摘(2024年2期)2024-01-10 01:58:34
    抓主干,簡化簡單句
    番茄炒蛋
    秋茬番茄“疑難雜癥”如何挽救
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    二代支架時代數(shù)據(jù)中糖尿病對無保護左主干患者不同血運重建術預后的影響
    番茄果實“起棱”怎么辦
    高齡無保護左主干病變患者血運重建術的長期預后
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    天堂网av新在线| 久久久久性生活片| 制服丝袜香蕉在线| 日韩欧美一区视频在线观看 | 搞女人的毛片| 乱码一卡2卡4卡精品| 日本一本二区三区精品| 国产色婷婷99| 亚洲久久久久久中文字幕| 国产69精品久久久久777片| 又爽又黄无遮挡网站| 人妻少妇偷人精品九色| 插阴视频在线观看视频| 亚洲婷婷狠狠爱综合网| 国产免费一区二区三区四区乱码| 最近中文字幕高清免费大全6| 青青草视频在线视频观看| 久久综合国产亚洲精品| 丝袜美腿在线中文| 久久久精品94久久精品| 综合色av麻豆| 噜噜噜噜噜久久久久久91| 男女国产视频网站| 国产成人免费观看mmmm| 丰满人妻一区二区三区视频av| 一区二区三区精品91| 国产精品一区二区性色av| 三级国产精品欧美在线观看| 午夜福利在线观看免费完整高清在| 身体一侧抽搐| 免费观看在线日韩| 午夜日本视频在线| 日产精品乱码卡一卡2卡三| 久久99精品国语久久久| 日韩欧美精品v在线| 亚洲欧美精品自产自拍| 日日啪夜夜撸| 精华霜和精华液先用哪个| 自拍偷自拍亚洲精品老妇| 麻豆久久精品国产亚洲av| 日本-黄色视频高清免费观看| 22中文网久久字幕| 自拍偷自拍亚洲精品老妇| 精品国产三级普通话版| 国产精品久久久久久精品电影| 精品国产三级普通话版| 在线观看一区二区三区| 丰满人妻一区二区三区视频av| 日本猛色少妇xxxxx猛交久久| 在线观看国产h片| 听说在线观看完整版免费高清| 一区二区三区四区激情视频| 国产免费视频播放在线视频| 欧美日韩视频高清一区二区三区二| 深爱激情五月婷婷| 久久精品综合一区二区三区| 深爱激情五月婷婷| 欧美zozozo另类| 99久久精品国产国产毛片| 51国产日韩欧美| 国产v大片淫在线免费观看| 亚洲人成网站高清观看| 人妻 亚洲 视频| 十八禁网站网址无遮挡 | 免费观看无遮挡的男女| 免费观看性生交大片5| 日本爱情动作片www.在线观看| 视频中文字幕在线观看| 欧美zozozo另类| 国模一区二区三区四区视频| 亚洲va在线va天堂va国产| 久久久久精品性色| 狂野欧美激情性bbbbbb| 干丝袜人妻中文字幕| 精品99又大又爽又粗少妇毛片| 黄色欧美视频在线观看| 国产午夜精品一二区理论片| 男女无遮挡免费网站观看| av专区在线播放| 亚洲色图av天堂| 亚洲欧美精品自产自拍| 纵有疾风起免费观看全集完整版| 哪个播放器可以免费观看大片| 精华霜和精华液先用哪个| 欧美日韩视频精品一区| 97超视频在线观看视频| 一级毛片久久久久久久久女| 欧美xxxx黑人xx丫x性爽| 大香蕉97超碰在线| 国产亚洲一区二区精品| 欧美高清性xxxxhd video| 日本三级黄在线观看| 精品一区二区三卡| 色5月婷婷丁香| 国产黄片美女视频| 国产探花在线观看一区二区| 免费黄频网站在线观看国产| 国产欧美日韩精品一区二区| 亚洲国产日韩一区二区| 欧美最新免费一区二区三区| av.在线天堂| 男人舔奶头视频| 国产精品成人在线| 日韩中字成人| 99久久精品热视频| 在线观看三级黄色| 日韩成人av中文字幕在线观看| 欧美xxxx黑人xx丫x性爽| 最近2019中文字幕mv第一页| 午夜精品国产一区二区电影 | 免费观看在线日韩| 2021天堂中文幕一二区在线观| 少妇人妻一区二区三区视频| 亚洲精品色激情综合| 在线观看国产h片| 王馨瑶露胸无遮挡在线观看| 亚洲最大成人手机在线| 亚洲成人久久爱视频| 国产欧美日韩一区二区三区在线 | 久久久精品免费免费高清| 久久精品国产亚洲av涩爱| .国产精品久久| 一区二区三区精品91| 亚洲av男天堂| 欧美另类一区| 久久午夜福利片| 少妇人妻精品综合一区二区| 九草在线视频观看| 三级男女做爰猛烈吃奶摸视频| 欧美日韩综合久久久久久| 永久免费av网站大全| 日韩伦理黄色片| av又黄又爽大尺度在线免费看| 午夜亚洲福利在线播放| 简卡轻食公司| 老师上课跳d突然被开到最大视频| 男女无遮挡免费网站观看| 成人高潮视频无遮挡免费网站| 国产精品久久久久久久电影| 日韩一本色道免费dvd| 少妇丰满av| 男女边吃奶边做爰视频| 国产成人a∨麻豆精品| 国产成人aa在线观看| 亚洲精品一二三| 亚洲成人一二三区av| 中国美白少妇内射xxxbb| 联通29元200g的流量卡| 黄色一级大片看看| 久久国产乱子免费精品| 搡老乐熟女国产| 一本一本综合久久| 久久久久网色| 乱系列少妇在线播放| 亚洲av在线观看美女高潮| 丝袜喷水一区| 日韩国内少妇激情av| 亚洲av二区三区四区| 神马国产精品三级电影在线观看| 日韩三级伦理在线观看| 女人十人毛片免费观看3o分钟| 国产淫片久久久久久久久| 特大巨黑吊av在线直播| av在线app专区| 在线播放无遮挡| 99久久九九国产精品国产免费| 22中文网久久字幕| 亚洲国产精品专区欧美| 午夜亚洲福利在线播放| 狂野欧美激情性bbbbbb| 中文在线观看免费www的网站| 国产毛片在线视频| 欧美最新免费一区二区三区| 欧美日韩视频精品一区| 日韩av免费高清视频| av卡一久久| 国产精品国产三级国产专区5o| 欧美一级a爱片免费观看看| 国产午夜福利久久久久久| 亚洲精品日韩av片在线观看| 激情 狠狠 欧美| 亚洲精品日本国产第一区| 国产大屁股一区二区在线视频| 欧美激情国产日韩精品一区| 亚洲精品亚洲一区二区| 国产av不卡久久| 日日摸夜夜添夜夜爱| 熟女人妻精品中文字幕| 亚洲精品中文字幕在线视频 | 久久久久精品性色| 国产久久久一区二区三区| 精品视频人人做人人爽| 五月开心婷婷网| 亚洲,一卡二卡三卡| 男男h啪啪无遮挡| 亚洲va在线va天堂va国产| 亚洲美女搞黄在线观看| 成人综合一区亚洲| 一级毛片我不卡| 亚洲最大成人av| 自拍欧美九色日韩亚洲蝌蚪91 | 国产精品一及| 欧美精品国产亚洲| 亚洲精品久久午夜乱码| 欧美成人一区二区免费高清观看| 亚洲国产最新在线播放| 久久人人爽人人片av| 中文乱码字字幕精品一区二区三区| 色婷婷久久久亚洲欧美| 啦啦啦中文免费视频观看日本| 综合色丁香网| 成人无遮挡网站| 2021少妇久久久久久久久久久| 啦啦啦啦在线视频资源| 最近最新中文字幕大全电影3| 可以在线观看毛片的网站| 欧美老熟妇乱子伦牲交| 免费av不卡在线播放| 国产伦精品一区二区三区视频9| 亚洲国产欧美人成| 麻豆国产97在线/欧美| 国产在视频线精品| 国产精品99久久99久久久不卡 | 亚洲性久久影院| 亚洲av欧美aⅴ国产| 久久久久久久久大av| 国产高清有码在线观看视频| 国产精品久久久久久精品古装| 赤兔流量卡办理| 国产精品无大码| av在线天堂中文字幕| 国产 精品1| 精品久久久噜噜| 1000部很黄的大片| 18禁裸乳无遮挡动漫免费视频 | 亚洲最大成人中文| 亚洲精品乱码久久久久久按摩| 国产av不卡久久| 黄色怎么调成土黄色| 久久久久久久大尺度免费视频| 亚洲,欧美,日韩| 免费观看av网站的网址| 日韩制服骚丝袜av| 国产精品久久久久久av不卡| 建设人人有责人人尽责人人享有的 | 亚洲在线观看片| 色网站视频免费| 欧美亚洲 丝袜 人妻 在线| 精品久久久久久久久av| 国内精品宾馆在线| 日日啪夜夜爽| 白带黄色成豆腐渣| 日韩大片免费观看网站| 大香蕉97超碰在线| 一级爰片在线观看| 最近中文字幕2019免费版| 26uuu在线亚洲综合色| 综合色丁香网| 建设人人有责人人尽责人人享有的 | 久久人人爽人人爽人人片va| 日韩亚洲欧美综合| 久久这里有精品视频免费| 亚洲精品日韩在线中文字幕| 激情 狠狠 欧美| 久久精品夜色国产| 成人午夜精彩视频在线观看| 身体一侧抽搐| 欧美少妇被猛烈插入视频| 毛片女人毛片| 免费黄频网站在线观看国产| 成年版毛片免费区| 国产黄频视频在线观看| 亚洲欧美成人综合另类久久久| 免费观看性生交大片5| 丝瓜视频免费看黄片| 亚洲经典国产精华液单| 各种免费的搞黄视频| 综合色丁香网| 国产欧美日韩一区二区三区在线 | 国产爱豆传媒在线观看| 大码成人一级视频| 亚洲精品国产av成人精品| 久久精品国产鲁丝片午夜精品| 三级经典国产精品| 免费电影在线观看免费观看| 好男人在线观看高清免费视频| 国产欧美日韩精品一区二区| 免费高清在线观看视频在线观看| 一级毛片久久久久久久久女| 国产精品蜜桃在线观看| 岛国毛片在线播放| 男女下面进入的视频免费午夜| 性色avwww在线观看| 干丝袜人妻中文字幕| kizo精华| 久久精品国产自在天天线| 欧美zozozo另类| 中文字幕亚洲精品专区| 精品少妇黑人巨大在线播放| 五月伊人婷婷丁香| 久久人人爽av亚洲精品天堂 | 在线观看国产h片| av女优亚洲男人天堂| 青春草视频在线免费观看| 亚洲欧美一区二区三区黑人 | 日本与韩国留学比较| 色吧在线观看| 一区二区三区免费毛片| 亚洲不卡免费看| av天堂中文字幕网| 高清日韩中文字幕在线| 男男h啪啪无遮挡| 精品99又大又爽又粗少妇毛片| 精品酒店卫生间| 亚洲av成人精品一二三区| 日日摸夜夜添夜夜爱| 极品少妇高潮喷水抽搐| 日韩欧美 国产精品| 深爱激情五月婷婷| 亚洲国产成人一精品久久久| 国产白丝娇喘喷水9色精品| 免费av毛片视频| 五月天丁香电影| 欧美+日韩+精品| 日韩精品有码人妻一区| 大片免费播放器 马上看| 联通29元200g的流量卡| 国产黄色免费在线视频| 久久人人爽av亚洲精品天堂 | 成年av动漫网址| 成年女人看的毛片在线观看| 啦啦啦在线观看免费高清www| 51国产日韩欧美| 亚洲国产日韩一区二区| 99久久精品热视频| 在现免费观看毛片| 久久久欧美国产精品| 亚洲自拍偷在线| 亚洲aⅴ乱码一区二区在线播放| 成人美女网站在线观看视频| 国产精品偷伦视频观看了| 一级毛片我不卡| 成人欧美大片| 日本午夜av视频| 久久国内精品自在自线图片| 熟女av电影| 久久久成人免费电影| 91精品国产九色| 国产伦理片在线播放av一区| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 尤物成人国产欧美一区二区三区| 精品熟女少妇av免费看| 久久久精品欧美日韩精品| 新久久久久国产一级毛片| 男人舔奶头视频| 91在线精品国自产拍蜜月| 美女视频免费永久观看网站| av.在线天堂| 久久99热这里只频精品6学生| 国产亚洲av片在线观看秒播厂| 亚洲av国产av综合av卡| 成人无遮挡网站| 亚洲av中文字字幕乱码综合| 日本色播在线视频| 18禁裸乳无遮挡免费网站照片| 美女被艹到高潮喷水动态| 黄色配什么色好看| 99久久精品热视频| 国产 精品1| 久久久久久久久久久免费av| 国产精品国产三级国产av玫瑰| 亚洲一级一片aⅴ在线观看| 亚洲欧美一区二区三区国产| 久久亚洲国产成人精品v| 黄片wwwwww| 国产乱来视频区| 少妇高潮的动态图| 九色成人免费人妻av| 国产精品久久久久久久久免| 亚洲av二区三区四区| 国产国拍精品亚洲av在线观看| 欧美日韩亚洲高清精品| 欧美日韩一区二区视频在线观看视频在线 | 国产高清不卡午夜福利| 亚洲伊人久久精品综合| 亚洲欧美日韩另类电影网站 | 欧美一级a爱片免费观看看| 国产真实伦视频高清在线观看| 亚洲va在线va天堂va国产| 美女被艹到高潮喷水动态| 国产免费福利视频在线观看| 观看美女的网站| 国产亚洲av片在线观看秒播厂| 欧美三级亚洲精品| 一级a做视频免费观看| 亚洲av在线观看美女高潮| 婷婷色麻豆天堂久久| 国产亚洲av嫩草精品影院| av在线亚洲专区| 婷婷色麻豆天堂久久| 在现免费观看毛片| 欧美+日韩+精品| 高清av免费在线| 亚洲美女搞黄在线观看| 2021天堂中文幕一二区在线观| 一区二区三区乱码不卡18| 精品亚洲乱码少妇综合久久| 只有这里有精品99| 禁无遮挡网站| 欧美人与善性xxx| 亚洲av免费在线观看| 久久99热6这里只有精品| 永久网站在线| 免费大片18禁| 观看免费一级毛片| 日韩av在线免费看完整版不卡| 在线观看免费高清a一片| 欧美97在线视频| 国产精品秋霞免费鲁丝片| a级毛色黄片| 全区人妻精品视频| 国产精品精品国产色婷婷| 丝袜喷水一区| 免费观看a级毛片全部| 少妇 在线观看| 看十八女毛片水多多多| 日韩强制内射视频| 观看免费一级毛片| 哪个播放器可以免费观看大片| 下体分泌物呈黄色| 亚洲性久久影院| 国产精品国产三级国产av玫瑰| 欧美成人精品欧美一级黄| 99视频精品全部免费 在线| 18禁裸乳无遮挡动漫免费视频 | 日韩av在线免费看完整版不卡| videossex国产| a级一级毛片免费在线观看| www.色视频.com| 亚洲精品第二区| 欧美日本视频| 草草在线视频免费看| 少妇熟女欧美另类| 看黄色毛片网站| 国内揄拍国产精品人妻在线| 精品人妻熟女av久视频| av专区在线播放| 久久久成人免费电影| 美女视频免费永久观看网站| 精品国产一区二区三区久久久樱花 | 久久久久久久久久成人| 我的女老师完整版在线观看| 国产成人aa在线观看| 精品熟女少妇av免费看| 91久久精品国产一区二区成人| 熟女av电影| 一级a做视频免费观看| 亚洲精品乱码久久久v下载方式| 欧美三级亚洲精品| 大片免费播放器 马上看| 国产毛片a区久久久久| 舔av片在线| 国产成人精品一,二区| 日韩不卡一区二区三区视频在线| 国产乱人偷精品视频| 欧美高清成人免费视频www| 日日撸夜夜添| 国产欧美日韩一区二区三区在线 | 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 联通29元200g的流量卡| 日日撸夜夜添| 蜜桃久久精品国产亚洲av| 国产亚洲5aaaaa淫片| 在线 av 中文字幕| 大陆偷拍与自拍| av在线播放精品| 久热这里只有精品99| 在线观看三级黄色| 老女人水多毛片| 亚洲国产av新网站| 欧美成人精品欧美一级黄| 久久99蜜桃精品久久| 国产精品99久久99久久久不卡 | 亚洲欧美日韩另类电影网站 | 亚洲欧美成人精品一区二区| 最近最新中文字幕免费大全7| 久久久久久久国产电影| 91aial.com中文字幕在线观看| 51国产日韩欧美| 国产女主播在线喷水免费视频网站| 国模一区二区三区四区视频| 久久鲁丝午夜福利片| 亚洲av一区综合| 欧美高清成人免费视频www| 麻豆国产97在线/欧美| 国产色婷婷99| 日日撸夜夜添| 欧美成人午夜免费资源| 亚洲精品视频女| 最近手机中文字幕大全| 看十八女毛片水多多多| 精品少妇久久久久久888优播| 91狼人影院| 色哟哟·www| 中文字幕久久专区| 中文精品一卡2卡3卡4更新| 亚洲av成人精品一区久久| 久久久久久久久大av| 狠狠精品人妻久久久久久综合| av国产免费在线观看| 国产精品蜜桃在线观看| av免费观看日本| 成人亚洲精品av一区二区| 看非洲黑人一级黄片| 成年免费大片在线观看| 久久久久久九九精品二区国产| 国产淫片久久久久久久久| 大话2 男鬼变身卡| 毛片女人毛片| 一级毛片黄色毛片免费观看视频| 18禁在线无遮挡免费观看视频| 五月开心婷婷网| 校园人妻丝袜中文字幕| 免费看光身美女| 午夜免费鲁丝| kizo精华| 国产亚洲最大av| 亚洲丝袜综合中文字幕| 国产男女内射视频| 一级毛片aaaaaa免费看小| 爱豆传媒免费全集在线观看| 亚洲精品一区蜜桃| 国产精品一及| 国产成人精品一,二区| 高清av免费在线| 中文字幕久久专区| 久久久久久久午夜电影| 亚洲人成网站在线观看播放| 激情 狠狠 欧美| 精品少妇黑人巨大在线播放| 观看美女的网站| 日韩,欧美,国产一区二区三区| 亚洲精品久久午夜乱码| 久久精品国产亚洲av涩爱| 国产黄片视频在线免费观看| 久久鲁丝午夜福利片| 一区二区三区四区激情视频| 欧美人与善性xxx| 国产综合精华液| 久久精品国产亚洲av涩爱| 女人十人毛片免费观看3o分钟| 国产成人精品福利久久| 69av精品久久久久久| 三级男女做爰猛烈吃奶摸视频| 国产成人a∨麻豆精品| 免费av不卡在线播放| 高清欧美精品videossex| 日本免费在线观看一区| 最近手机中文字幕大全| 老司机影院毛片| 插阴视频在线观看视频| 日本黄大片高清| 国产美女午夜福利| 亚洲精品日韩在线中文字幕| 人妻系列 视频| 久久国产乱子免费精品| 久久久久久久大尺度免费视频| 久久精品久久久久久噜噜老黄| 高清毛片免费看| 日韩中字成人| 成人亚洲精品av一区二区| 亚洲av男天堂| 精品久久久噜噜| 亚州av有码| 精品视频人人做人人爽| 噜噜噜噜噜久久久久久91| 看免费成人av毛片| 国语对白做爰xxxⅹ性视频网站| 亚洲国产日韩一区二区| 国产黄片视频在线免费观看| 十八禁网站网址无遮挡 | 大陆偷拍与自拍| 丝袜脚勾引网站| 91aial.com中文字幕在线观看| 91精品国产九色| 精华霜和精华液先用哪个| 国产91av在线免费观看| 日日撸夜夜添| 精品一区二区三卡| 国产亚洲最大av| 人妻制服诱惑在线中文字幕| 国产免费视频播放在线视频| 你懂的网址亚洲精品在线观看| 亚洲欧美中文字幕日韩二区| 一区二区三区精品91| 国产精品久久久久久久久免| 久久久久精品久久久久真实原创| 亚洲精品一区蜜桃| 中文精品一卡2卡3卡4更新| 国产精品人妻久久久久久| 18禁在线播放成人免费| 国产精品.久久久| 美女内射精品一级片tv| 高清午夜精品一区二区三区| 亚洲精品日本国产第一区| 蜜臀久久99精品久久宅男| 美女高潮的动态| 亚洲国产av新网站| 夜夜爽夜夜爽视频| 欧美日韩视频高清一区二区三区二| 国产精品.久久久| 春色校园在线视频观看| 亚洲精品视频女| 女的被弄到高潮叫床怎么办| 日韩大片免费观看网站|