• <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 ?

    一種植物病害圖像識(shí)別卷積網(wǎng)絡(luò)架構(gòu)

    2021-04-13 07:48:18吳云志劉翱宇朱小寧劉晨曦范國(guó)華張友華
    關(guān)鍵詞:植物病害圖像識(shí)別準(zhǔn)確率

    吳云志,劉翱宇,朱小寧,劉晨曦,范國(guó)華,樂 毅,張友華*

    一種植物病害圖像識(shí)別卷積網(wǎng)絡(luò)架構(gòu)

    吳云志1,2,劉翱宇1,朱小寧3,劉晨曦4,范國(guó)華1,2,樂 毅1,2,張友華1,2*

    (1. 安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院,合肥 230036;2. 安徽省北斗精準(zhǔn)農(nóng)業(yè)信息工程實(shí)驗(yàn)室,合肥 230036; 3. 安徽農(nóng)業(yè)大學(xué)茶與食品科技學(xué)院,合肥 230036;4. 湖南大學(xué)信息科學(xué)與工程學(xué)院,長(zhǎng)沙 410082)

    針對(duì)人工提取植物病害圖像特征存在效率低、識(shí)別率低、成本高等問題,提出一種基于DenseNet網(wǎng)絡(luò)的現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)FI-DenseNet,旨在對(duì)多種類的植物病害圖像達(dá)到高精準(zhǔn)的識(shí)別準(zhǔn)確率。引入Focal損失函數(shù)對(duì)DenseNet網(wǎng)絡(luò)進(jìn)行改進(jìn),使得訓(xùn)練模型的注意力集中于難分類的樣本。FI-DenseNet網(wǎng)絡(luò)可以增強(qiáng)特征傳遞、進(jìn)行深層訓(xùn)練或有效改善過擬合問題。采用的數(shù)據(jù)集有87 867張植物病害圖像,圖像包含同種植物的多種病害,并涉及38種植物病害。對(duì)圖像進(jìn)行預(yù)處理、數(shù)據(jù)增強(qiáng)后,將DenseNet169網(wǎng)絡(luò)、ResNet50網(wǎng)絡(luò)和MobileNet網(wǎng)絡(luò)作為參照實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,F(xiàn)I-DenseNet網(wǎng)絡(luò)的收斂速度更快且識(shí)別準(zhǔn)確率最高,測(cè)試集識(shí)別準(zhǔn)確率為98.97%,F(xiàn)I-DenseNet網(wǎng)絡(luò)的魯棒性和泛化能力均優(yōu)于對(duì)照網(wǎng)絡(luò),可為植物病害智能診斷提供參考。

    DenseNet;植物病害;卷積神經(jīng)網(wǎng)絡(luò);圖像識(shí)別

    植物病害對(duì)當(dāng)今農(nóng)林業(yè)是一個(gè)巨大挑戰(zhàn),它時(shí)刻影響著人類的經(jīng)濟(jì)效益。精準(zhǔn)且快速的診斷植物病害可以及時(shí)減少植物病害對(duì)經(jīng)濟(jì)帶來的損失[1]。然而如今植物病害種類繁多,不同生長(zhǎng)階段的植物存在不同種類的植物病害,這導(dǎo)致非專業(yè)人士對(duì)于植物病害的分辨往往不夠精確、快速[2]。隨著深度學(xué)習(xí)的不斷發(fā)展,圖像識(shí)別在眾多領(lǐng)域得到了廣泛應(yīng)用,相對(duì)于人工識(shí)別植物病害,采用計(jì)算機(jī)視覺技術(shù)識(shí)別不僅成本低而且時(shí)效快[3],同時(shí)還可以減少經(jīng)濟(jì)成本和因?yàn)闀r(shí)延所帶來的損失。

    在卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)未廣泛應(yīng)用之前,植物病害圖像的特征提取十分困難。目前很多學(xué)者提出一些效果顯著的模型,例如CNN識(shí)別玉米品種[4]、AlexNet網(wǎng)絡(luò)識(shí)別油茶病害[5]、VGG16網(wǎng)絡(luò)識(shí)別棉花病害[6]和Inception-v3網(wǎng)絡(luò)識(shí)別花生葉部病害[7]等。除了Inception-v3網(wǎng)絡(luò)、CNN之外,其余模型都是基于CNN的傳統(tǒng)卷積架構(gòu)模型,越來越多的學(xué)者將基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別技術(shù)用于病害識(shí)別。然而在植物病害圖像識(shí)別種類上,過去的研究工作進(jìn)行分類識(shí)別的種類數(shù)普遍偏少,采用現(xiàn)代卷積網(wǎng)絡(luò)架構(gòu)的模型偏少,如何進(jìn)行高精度且多種類的植物病害識(shí)別并沒有太多相關(guān)研究。將主要采用改進(jìn)的DenseNet (densely connected convolutional networks)[8]對(duì)87 867張植物病害進(jìn)行識(shí)別分類,其中涉及38種植物病害,并以兩種現(xiàn)代卷積架構(gòu)模型ResNet網(wǎng)絡(luò)[9]和MobileNet[10]網(wǎng)絡(luò)作為參照模型,最終完成植物病害圖像識(shí)別分類。

    DenseNet網(wǎng)絡(luò)是現(xiàn)代卷積架構(gòu)模型之一,它是比ResNet網(wǎng)絡(luò)效果更優(yōu)的CNN網(wǎng)絡(luò)。在傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)中,隨著網(wǎng)絡(luò)深度的加深,會(huì)出現(xiàn)明顯的梯度消失問題,即隨著網(wǎng)絡(luò)層數(shù)的加深,分類的準(zhǔn)確率卻發(fā)生了下降。和很多優(yōu)秀的現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)一樣,DenseNet網(wǎng)絡(luò)有效緩解了梯度消失問題。此外DenseNet網(wǎng)絡(luò)加強(qiáng)了特征傳遞、一定程度上減少了參數(shù)數(shù)量[11]。DenseNet網(wǎng)絡(luò)目前被廣泛應(yīng)用在圖像分類識(shí)別[12]、圖像分割[13]和目標(biāo)檢測(cè)[14]等計(jì)算機(jī)視覺領(lǐng)域。

    采用現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)DenseNet網(wǎng)絡(luò)對(duì)38種植物病害圖像進(jìn)行識(shí)別,并在此基礎(chǔ)上提出FI-DenseNet (focal loss improved DenseNet)網(wǎng)絡(luò),以提升其識(shí)別準(zhǔn)確率。最終實(shí)現(xiàn)了對(duì)多種類的植物病害圖像進(jìn)行高精準(zhǔn)識(shí)別,極大減緩了訓(xùn)練中出現(xiàn)的梯度消失問題,加強(qiáng)了植物病害圖像的特征傳遞,最終將識(shí)別準(zhǔn)確率提高到98.97%。

    1 實(shí)驗(yàn)數(shù)據(jù)

    1.1 植物病害數(shù)據(jù)集

    研究采用的植物病害圖像數(shù)據(jù)集來Kaggle數(shù)據(jù)科學(xué)官網(wǎng)的公共數(shù)據(jù)集New plant diseases dataset[15],此數(shù)據(jù)集由87 867張病態(tài)或健康植物葉片的RGB圖像組成,分為38個(gè)種類。植物病害數(shù)據(jù)包含的植物種類為蘋果、藍(lán)莓、櫻桃、玉米、葡萄、柑橘、桃、辣椒、馬鈴薯、大豆、樹莓、南瓜、草莓和番茄。數(shù)據(jù)集中的植物病害圖像圖1所示。

    圖1 植物病害圖像

    Figure 1 Plant disease images

    1.2 數(shù)據(jù)預(yù)處理與增強(qiáng)

    首先將植物病害RGB圖像數(shù)據(jù)按照標(biāo)簽分為38類,具體類別如表1所示。將重復(fù)數(shù)據(jù)剔除,剔除后的數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,其比例為6∶2∶2。其次對(duì)作為輸入層的圖像進(jìn)行歸一化處理,這有利于后續(xù)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練[16]。隨之進(jìn)行數(shù)據(jù)增強(qiáng),將病害圖像隨機(jī)旋轉(zhuǎn)30°,水平方向和垂直方向隨機(jī)平移20%,隨機(jī)錯(cuò)切變換強(qiáng)度為0.2,圖像隨機(jī)縮放的幅度設(shè)置為0.2,對(duì)圖像進(jìn)行圖像隨機(jī)水平翻轉(zhuǎn)。最后將所有病害圖像調(diào)整為150×150像素,樣本標(biāo)簽數(shù)組采用2D的one-hot編碼標(biāo)簽。

    表1 植物病害圖像標(biāo)簽與數(shù)量

    2 DenseNet網(wǎng)絡(luò)

    2.1 DenseNet網(wǎng)絡(luò)簡(jiǎn)介

    隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的增加,會(huì)出現(xiàn)梯度消失問題[17]。為了解決隨著層數(shù)加深帶來的梯度消失,ResNet網(wǎng)絡(luò)將旁路信息進(jìn)行連接,在訓(xùn)練過程中隨機(jī)丟失一些層數(shù)來縮短自身網(wǎng)絡(luò)以獲得更好的訓(xùn)練效果。而為了保證能獲得網(wǎng)絡(luò)層的最大信息,DenseNet網(wǎng)絡(luò)將所有層直接相互連接。DenseNet網(wǎng)絡(luò)為了保留前饋特性,每層都從所有先前的層中獲取其他輸入,并將其自身的特征圖傳遞給所有后續(xù)層,網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 4層DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

    Figure 2 4-layer DenseNet network structure

    2.2 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

    圖3 識(shí)別植物病害的DenseNet網(wǎng)絡(luò)

    Figure 3 DenseNet network to identify plant diseases

    DenseNet網(wǎng)絡(luò)中的池化層可以改變特征圖的尺寸,用來解決當(dāng)特征圖尺寸發(fā)生變化時(shí)公式(1)中連接不可取的問題。植物病害圖像進(jìn)行輸入時(shí),將網(wǎng)絡(luò)劃分為多個(gè)緊密相連的密集塊(dense block)。如圖3所示,塊與塊之間的層稱為過渡層,每個(gè)過渡層包括批量歸一化BN層、1×1卷積層和2×2的平均池化層。

    2.3 DenseNet改進(jìn)

    樣本的類別不均衡會(huì)導(dǎo)致分類準(zhǔn)確率的下降。本研究的模型主要是針對(duì)植物病害圖像進(jìn)行識(shí)別,雖然表1中各個(gè)樣本標(biāo)簽數(shù)量皆為2 000多張,但植物類別數(shù)量差異較大,番茄涉及的病害圖像高達(dá)22 930張,而柑橘涉及的病害圖像僅為2 513張,其比例約為9∶1。此外,數(shù)據(jù)中病害樣本和健康樣本也并不均衡,病害樣本數(shù)共計(jì)64 451張、健康樣本數(shù)共計(jì)23 316張,其比例約為3∶1。同種植物類別的病害圖像在進(jìn)行病害特征提取過程中,會(huì)有一定的近似提取過程,相對(duì)于病害圖像少的植物類別,病害圖像多的植物類別往往更容易分類。病害樣本數(shù)量相對(duì)于健康樣本數(shù)量較多,也存在著類別不均衡問題。Focal loss損失函數(shù)[19]在網(wǎng)絡(luò)進(jìn)行特征提取時(shí),能夠有效解決這種類別不均衡問題,從而提升網(wǎng)絡(luò)的平均識(shí)別率。

    在此對(duì)DenseNet網(wǎng)絡(luò)進(jìn)行改進(jìn)并將改進(jìn)后的模型稱之為FI-DenseNet,它是基于DenseNet169網(wǎng)絡(luò)的同時(shí),引入了Focal Loss損失函數(shù)加以改進(jìn),使得網(wǎng)絡(luò)在訓(xùn)練時(shí)可以減少易分樣本的權(quán)重,從而使模型在訓(xùn)練的過程中更專注難分類的樣本[20]。

    表2 DenseNet169網(wǎng)絡(luò)結(jié)構(gòu)

    Focal Loss是在交叉熵?fù)p失函數(shù)的基礎(chǔ)上進(jìn)行修改得到的,在DenseNet網(wǎng)絡(luò)中,經(jīng)softmax函數(shù)

    回歸后交叉熵?fù)p失函數(shù)的函數(shù)表達(dá)式如下:

    Figure 4 Change ofpand loss under different values of

    其中p為樣本屬于某個(gè)類別的概率,成為聚焦參數(shù),其中0≤≤5。(1-p)在此稱為調(diào)制系數(shù),其取值范圍為[0,1],可以減少易分類樣本的權(quán)重,使模型在訓(xùn)練中可以關(guān)注難分類的樣本。當(dāng)p值接近1說明樣本容易訓(xùn)練,p值接近0,樣本難以訓(xùn)練。不同取值,p和loss(損失值)表現(xiàn)如圖4所示。當(dāng)取值為0時(shí)損失函數(shù)即為交叉熵?fù)p失函數(shù)。

    經(jīng)實(shí)驗(yàn),取值為2時(shí)效果最好,若此時(shí)預(yù)測(cè)的樣本準(zhǔn)確率高(即p很高),那么(1-p)的值就會(huì)很小,損失函數(shù)變化率變得很小,反之亦然。預(yù)測(cè)病害樣本準(zhǔn)確率分別為0.95和0.5的樣本,最終損失函數(shù)值會(huì)相差100倍,所以模型將會(huì)關(guān)注預(yù)測(cè)準(zhǔn)確率低的病害樣本,進(jìn)而提升模型的平均識(shí)別率。最終FI-DenseNet網(wǎng)絡(luò)的損失函數(shù)可表示為:

    改進(jìn)后的FI-DenseNet網(wǎng)絡(luò)增加了損失函數(shù)的非線性度,使得訓(xùn)練模型的注意力集中于難分類的樣本種類上,最終的實(shí)驗(yàn)結(jié)果表明FI-DenseNet魯棒性更好、識(shí)別準(zhǔn)確率更高。

    3 模型訓(xùn)練與結(jié)果分析

    3.1 模型訓(xùn)練

    實(shí)驗(yàn)硬件環(huán)境為:CPU: Intel(R) Core(TM)i7-8700 CPU @3.20GHz; GPU: NVIDIA GeForce GTX 1080Ti; 操作系統(tǒng):Windows 10 64bit;軟件環(huán)境:Python 3.6.2;深度學(xué)習(xí)框架:Tensorflow 2.0、Keras 2.3.1。

    采用4種網(wǎng)絡(luò)模型對(duì)87 867張植物病害圖像進(jìn)行參照實(shí)驗(yàn),其中訓(xùn)練集、驗(yàn)證集和測(cè)試集比例為6∶2∶2。4種網(wǎng)絡(luò)模型分別為FI-DenseNet網(wǎng)絡(luò)、DenseNet169網(wǎng)絡(luò)、ResNet50網(wǎng)絡(luò)和MobileNet網(wǎng)絡(luò)。

    模型的優(yōu)化算法為隨機(jī)梯度下降(stochastic gradient descent,SGD),采用SGD對(duì)梯度進(jìn)行更新,對(duì)于數(shù)據(jù)集較大的數(shù)據(jù)也可以快速收斂。SGD每次迭代會(huì)產(chǎn)生比較大的噪音,容易跳不出局部最優(yōu)解,在此引入動(dòng)量概念(momentum),Momentum在更新方向的同時(shí)會(huì)保留之前的方向,可以增加模型的穩(wěn)定性,并且具有擺脫局部最優(yōu)的能力。SGD優(yōu)化器初始學(xué)習(xí)率設(shè)為0.001,Momentum在此設(shè)為0.9,批量大?。╞atch size)設(shè)為64,每次參數(shù)更新后學(xué)習(xí)率衰減值(decay)設(shè)為0.001,使用 Nesterov 動(dòng)量。除FI-DenseNet網(wǎng)絡(luò)外,訓(xùn)練模型采用交叉熵?fù)p失函數(shù)(cross entropy error function)作為損失函數(shù)[21]。使用ModelCheckpoint方法,在訓(xùn)練過程中保存訓(xùn)練過程中性能最好的模型。最后將epoch設(shè)為10開始進(jìn)行訓(xùn)練。

    圖5 不同樣本通過密集塊后輸出的類激活圖

    Figure 5 Class activation graph output after different samples pass through dense blocks

    (a) 訓(xùn)練集準(zhǔn)確率;(b) 驗(yàn)證集準(zhǔn)確度;(c) 訓(xùn)練集損失;(d) 驗(yàn)證集損失。

    Figure 6 Training accuracy and loss function curves under different training networks

    表3 不同訓(xùn)練網(wǎng)絡(luò)的評(píng)價(jià)指標(biāo)

    注:Ⅰ.FI-DenseNet;Ⅱ.DenseNet169;Ⅲ.ResNet50;Ⅳ.MobileNet。1.蘋果黑星病;2.玉米健康;3.胡椒細(xì)菌性葉斑病;4.馬鈴薯健康;5.馬鈴薯晚疫病;6.番茄瘡痂病;7.番茄早疫病;8.番茄健康;9.番茄晚疫病;10.番茄葉霉病;11.番茄斑枯病;12.番茄紅蜘蛛損傷;13.番茄黃化曲葉病毒病。

    在FI-DenseNet網(wǎng)絡(luò)中,選取8張植物病害圖像作為實(shí)驗(yàn)對(duì)象,觀察特征提取的過程。通過觀察FI-DenseNet網(wǎng)絡(luò)中4個(gè)密集塊輸出的類激活圖來觀察FI-DenseNet網(wǎng)絡(luò)特征提取的過程,密集塊輸出的類激活圖如圖5所示。類激活圖(CAM, class activation map)可視化是指對(duì)輸入圖像生成類激活的熱力圖,表示每個(gè)位置對(duì)該類別的重要程度。圖5所示的類激活圖能夠反映網(wǎng)絡(luò)提取每類樣本病害的關(guān)鍵特征,熱力圖顏色越深(即越接近紅色),也就表示該部位對(duì)最終分類決策的影響越大。FI-DenseNet網(wǎng)絡(luò)將病害圖像的特征通過4個(gè)密集塊不斷傳遞,從密集塊1到密集塊4,病害特征部位的熱力圖顏色也不斷加深,顏色較深病害部位對(duì)決策的影響也越大。圖5可以觀察到,圖像經(jīng)FI-DenseNet網(wǎng)絡(luò)的四個(gè)密集層處理后,特征提取不斷的傾向于植物圖像的病害關(guān)鍵部位。

    3.2 結(jié)果分析

    本研究采用FI-DenseNet網(wǎng)絡(luò)、DenseNet169網(wǎng)絡(luò)、ResNet50網(wǎng)絡(luò)和MobileNet網(wǎng)絡(luò)對(duì)植物病害數(shù)據(jù)集進(jìn)行訓(xùn)練,實(shí)驗(yàn)結(jié)果圖5所示。

    在訓(xùn)練結(jié)果中,F(xiàn)I-DenseNet網(wǎng)絡(luò)、DenseNet169網(wǎng)絡(luò)、ResNet50網(wǎng)絡(luò)和MobileNet網(wǎng)絡(luò)對(duì)應(yīng)的最優(yōu)訓(xùn)練準(zhǔn)確率分別為99.79%、99.70%、99.60%和99.01%。如圖6(a)和(c),在第6個(gè)epoch時(shí),F(xiàn)I-DenseNet網(wǎng)絡(luò)、DenseNet169網(wǎng)絡(luò)和ResNet50網(wǎng)絡(luò)模型已經(jīng)接近收斂,最終訓(xùn)練準(zhǔn)確率相差不大。圖6(b)為驗(yàn)證集準(zhǔn)確率,提出的FI-DenseNet網(wǎng)絡(luò)的準(zhǔn)確率明顯高于其他模型。圖6(d)為驗(yàn)證集損失率,F(xiàn)I-DenseNet網(wǎng)絡(luò)的損失率低于其他模型,值得注意的是,隨著epoch 不斷增加,F(xiàn)I-DenseNet網(wǎng)絡(luò)驗(yàn)證集損失率減幅相對(duì)于DenseNet169網(wǎng)絡(luò)更加平穩(wěn),驗(yàn)證集損失率也更低。

    表4 不同訓(xùn)練網(wǎng)絡(luò)下的評(píng)價(jià)結(jié)果

    在此選取38種植物病害中評(píng)價(jià)指標(biāo)差異明顯的樣本,得到如表3所示結(jié)果。Precision、Recall和F1 score的數(shù)值越大說明模型的質(zhì)量越高,可以看出FI-DenseNet網(wǎng)絡(luò)和DenseNet169網(wǎng)絡(luò)的評(píng)價(jià)指標(biāo)明顯高于對(duì)照網(wǎng)絡(luò),F(xiàn)I-DenseNet網(wǎng)絡(luò)達(dá)到比較好的模型效果。

    實(shí)驗(yàn)結(jié)果表明FI-DenseNet網(wǎng)絡(luò)相對(duì)于其他網(wǎng)絡(luò)有著更好的魯棒性和泛化性,能更好的提取植物病害特征。最后進(jìn)行植物病害圖像識(shí)別模型的測(cè)試,測(cè)試集含有近17 000多張測(cè)試圖像,其病害種類數(shù)量均勻分布。用上述訓(xùn)練好的4種網(wǎng)絡(luò)對(duì)病害測(cè)試集進(jìn)行驗(yàn)證,結(jié)果如表4所示,F(xiàn)I-DenseNet網(wǎng)絡(luò)的測(cè)試集準(zhǔn)確率最終達(dá)到98.97%。

    4 結(jié)論

    植物病害圖像識(shí)別是計(jì)算機(jī)視覺在農(nóng)林業(yè)領(lǐng)域較好的應(yīng)用,相對(duì)于人工提取病害特征,采用多分類、高精度的現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)模型可以極大減少識(shí)別時(shí)間、提升識(shí)別準(zhǔn)確率,最終達(dá)到提升經(jīng)濟(jì)效益的目的。本研究設(shè)計(jì)了基于DenseNet網(wǎng)絡(luò)的FI-DenseNet網(wǎng)絡(luò)對(duì)38種植物病害進(jìn)行識(shí)別,設(shè)置其他現(xiàn)代卷積網(wǎng)絡(luò)模型進(jìn)行對(duì)照實(shí)驗(yàn)并建立模型評(píng)價(jià)指標(biāo),最終得出FI-DenseNet網(wǎng)絡(luò)模型平均識(shí)別準(zhǔn)確率高達(dá)98.97%,根據(jù)評(píng)價(jià)指標(biāo)Precision、Recall、F1-score,可以看出其模型效果最好,魯棒性、泛化能力最佳。此模型可以用于其他病害的遷移學(xué)習(xí),可為后續(xù)植物病害圖像識(shí)別研究提供參考。

    [1] 邱德文. 我國(guó)植物病害生物防治的現(xiàn)狀及發(fā)展策略[J].植物保護(hù), 2010, 36(4): 15-18.

    [2] 任勝男,孫鈺,張海燕,等. 基于one-shot學(xué)習(xí)的小樣本植物病害識(shí)別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2019, 35(5): 1061-1067.

    [3] 柴阿麗. 基于計(jì)算機(jī)視覺和光譜分析技術(shù)的蔬菜葉部病害診斷研究[D]. 北京:中國(guó)農(nóng)業(yè)科學(xué)院, 2011.

    [4] 徐巖,劉林,李中遠(yuǎn),等. 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米品種識(shí)別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào), 2020,36(1): 18-23.

    [5] 龍滿生,歐陽春娟,劉歡,等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(18): 194-201.

    [6] 張建華,孔繁濤,吳建寨,等.基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別模型[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 23(11): 161-171.

    [7] 蘇婷婷,牟少敏,董萌萍,等. 深度遷移學(xué)習(xí)在花生葉部病害圖像識(shí)別中的應(yīng)用[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 50(5): 865-869.

    [8] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, Honolulu,2017: 2261-2269.

    [9] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, Las Vegas, 2016: 770-778.

    [10] HOWARD A, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vi-sion applications[J]. Arxiv Preprint Arxiv,2017, 1704.04861 https://arxiv.org/abs/1704.04861.

    [11] 匡曉華. 基于深度學(xué)習(xí)與可穿戴傳感器的人體行為識(shí)別[D]. 南京:南京信息工程大學(xué), 2018.

    [12] ABAI Z, RAJMALWAR N. Densenet models for tiny ImageNet classification[J]. 2019, http://arxiv.org/abs/ 1904.10429.

    [13] JéGOU S, DROZDZAL M, VAZQUEZ D, et al. The one hundred layers tiramisu: fully convolutional DenseNets for semantic segmentation[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). IEEE, Honolulu, 2017: 1175-1183.

    [14] 張翔,趙曉麗,張嘉祺,等. 基于3D DenseNet的視頻鏡頭邊界檢測(cè)方法[J]. 光電子·激光, 2019, 30(10): 1103-1109.

    [15] KAGGLE. New plant diseases dataset[EB/OL]. https:// www.kaggle.com/vipoooool/new-plant-diseases-dataset, 2014.

    [16] BOUT D, MILLER T. Improving the performance ofthe Hopfield-Tank Neural network with normalizationand annealing[J]. Biological Cybernetics, 1989, 62(2): 129- 139.

    [17] HOCHREITER S. The vanishing gradient problem during learning recurrent neural nets and problem solutions[J]. Int J Unc Fuzz Knowl Based Syst, 1998, 6(2): 107-116.

    [18] 劉華松. 基于深度學(xué)習(xí)的毒株胚蛋圖像分割方法研究[D]. 天津:天津工業(yè)大學(xué), 2019.

    [19] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, PP(99): 2999- 3007.

    [20] 楊其睿. 基于改進(jìn)的DenseNet深度網(wǎng)絡(luò)火災(zāi)圖像識(shí)別算法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2019, 36(2): 258-263.

    [21] 劉楊圣彥, 潘翔, 劉復(fù)昌, 等. 面向三維模型視圖特征提取的殘差卷積網(wǎng)絡(luò)優(yōu)化[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2019, 31(6):936-942.

    A convolutional network for plant disease image recognition (FI-DenseNet)

    WU Yunzhi1,2, LIU Aoyu1, ZHU Xiaoning3, LIU Chenxi4,FAN Guohua1,2, YUE Yi1,2, ZHANG Youhua1,2

    (1. School of Information and Computer Science, Anhui Agricultural University, Hefei 230036;2. Anhui Provincial Engineering Laboratory for Beidou Precision Agriculture Information, Anhui Agricultural University, Hefei 230036;3. School of Tea and Food Technology, Anhui Agricultural University, Hefei 230036;4. College of Information Science and Electronic Engineering, Hunan University, Changsha 410082)

    Nowadays, artificially extracting plant disease image features has problems such as low efficiency, low recognition rate, and high cost. In this paper, we propose a modern convolutional neural network architecture FI-DenseNet based on DenseNet, which achieves high-precision recognition accuracy for various types of plant disease images. We introduce the Focal loss function to improve the DenseNet so that the attention of the training model is focused on the types of samples that are difficult to classify. The FI-DenseNet can enhance feature transfer, perform deep training, and effectively improve overfitting problems. The dataset used in this paper has 87 867 plant disease images. The image contains multiple plant diseases of the same species and involves 38 plant diseases. After preprocessing the image and enhancing the data, we used DenseNet169, ResNet50, and MobileNet as reference experiments. The experimental results show that the FI-DenseNet has faster convergence speed and the highest recognition accuracy rate. The test set recognition accuracy rate is 98.97%. The robustness and generalization ability of the FI-DenseNet are better than the baselines, which can provide a reference for the intelligent diagnosis of plant diseases.

    DenseNet; plant diseases; convolutional neural network; image recognition

    TP391

    A

    1672-352X (2021)01-0150-07

    10.13610/j.cnki.1672-352x.20210319.002

    2021-3-23 10:42:32

    [URL] https://kns.cnki.net/kcms/detail/34.1162.S.20210319.1503.004.html

    2020-04-07

    國(guó)家重點(diǎn)研發(fā)計(jì)劃課題(2017YFD0301303),安徽省科技重大專項(xiàng)(18030901029),安徽省高校自然科學(xué)研究項(xiàng)目(KJ2019A0211),2018年安徽省省級(jí)質(zhì)量工程項(xiàng)目(2018JXTD114)和安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(S202010364210)共同資助。

    共同第一作者:吳云志,副教授。E-mail:wuyzh@ahau.edu.cn 劉翱宇,本科生。E-mail:liuaoyu@ahau.edu.cn

    張友華, 教授,博士生導(dǎo)師。E-mail:zhangyh@ahau.edu.cn

    猜你喜歡
    植物病害圖像識(shí)別準(zhǔn)確率
    植物礦質(zhì)營(yíng)養(yǎng)與病害研究進(jìn)展及展望
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    植物內(nèi)生菌在植物病害中的生物防治
    基于Resnet-50的貓狗圖像識(shí)別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識(shí)別技術(shù)應(yīng)用探討
    圖像識(shí)別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    圖像識(shí)別在水質(zhì)檢測(cè)中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    久久久久久久久中文| 搞女人的毛片| 欧美成人午夜精品| 动漫黄色视频在线观看| 色老头精品视频在线观看| 无限看片的www在线观看| 久久人妻av系列| 国产成人av教育| 俺也久久电影网| 欧美zozozo另类| 色综合站精品国产| 国产精品免费一区二区三区在线| av欧美777| 搡老岳熟女国产| 丁香欧美五月| 亚洲精品久久成人aⅴ小说| 久久久水蜜桃国产精品网| 亚洲精品中文字幕一二三四区| 一边摸一边抽搐一进一小说| 国产成人欧美在线观看| 校园春色视频在线观看| 无限看片的www在线观看| 99久久久亚洲精品蜜臀av| 亚洲成人精品中文字幕电影| 国产黄a三级三级三级人| 免费人成视频x8x8入口观看| 麻豆成人午夜福利视频| 亚洲av成人精品一区久久| 国产精品乱码一区二三区的特点| 人人妻人人澡欧美一区二区| 九九热线精品视视频播放| 又大又爽又粗| 国内久久婷婷六月综合欲色啪| 中文资源天堂在线| 国产精品综合久久久久久久免费| 老汉色av国产亚洲站长工具| 免费搜索国产男女视频| 首页视频小说图片口味搜索| 香蕉久久夜色| 亚洲全国av大片| 国产91精品成人一区二区三区| 男女之事视频高清在线观看| 欧美中文日本在线观看视频| 国产成人精品久久二区二区免费| 亚洲 国产 在线| 亚洲精品在线美女| 亚洲精品久久成人aⅴ小说| 我要搜黄色片| 国产麻豆成人av免费视频| √禁漫天堂资源中文www| 在线观看舔阴道视频| 人妻夜夜爽99麻豆av| 不卡一级毛片| 精品国产美女av久久久久小说| 精品国产乱码久久久久久男人| 亚洲色图 男人天堂 中文字幕| 欧美国产日韩亚洲一区| 白带黄色成豆腐渣| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品综合一区二区三区| 日韩大码丰满熟妇| 天堂影院成人在线观看| 亚洲人成网站在线播放欧美日韩| 久久这里只有精品中国| 长腿黑丝高跟| 两性夫妻黄色片| 成年免费大片在线观看| 亚洲av片天天在线观看| 日韩免费av在线播放| 久久天堂一区二区三区四区| 欧美黑人巨大hd| 在线看三级毛片| 国产成人av激情在线播放| 欧美日韩瑟瑟在线播放| 少妇人妻一区二区三区视频| 久久中文看片网| 亚洲欧美一区二区三区黑人| 欧美中文日本在线观看视频| 9191精品国产免费久久| 亚洲全国av大片| 亚洲av美国av| a级毛片在线看网站| 久久精品国产99精品国产亚洲性色| 欧美最黄视频在线播放免费| 在线观看免费视频日本深夜| 国产主播在线观看一区二区| 亚洲aⅴ乱码一区二区在线播放 | 久久精品亚洲精品国产色婷小说| 97碰自拍视频| 国产一区二区三区在线臀色熟女| 亚洲欧美日韩高清专用| 精品久久久久久久久久免费视频| 男人舔女人的私密视频| av在线播放免费不卡| 精品久久久久久久毛片微露脸| 真人一进一出gif抽搐免费| 国产成人啪精品午夜网站| 久久久久免费精品人妻一区二区| 欧美+亚洲+日韩+国产| 波多野结衣高清作品| 午夜福利在线观看吧| 精品久久蜜臀av无| 少妇熟女aⅴ在线视频| 999久久久国产精品视频| 亚洲av美国av| 母亲3免费完整高清在线观看| 亚洲人与动物交配视频| 啦啦啦韩国在线观看视频| 国产免费男女视频| 亚洲av成人不卡在线观看播放网| 国产三级黄色录像| 日本一区二区免费在线视频| 麻豆一二三区av精品| 妹子高潮喷水视频| 亚洲国产欧洲综合997久久,| 久9热在线精品视频| 国产又黄又爽又无遮挡在线| 精品福利观看| 国产蜜桃级精品一区二区三区| 精品免费久久久久久久清纯| 两人在一起打扑克的视频| 日日摸夜夜添夜夜添小说| 夜夜看夜夜爽夜夜摸| 欧美黑人精品巨大| 一边摸一边抽搐一进一小说| 99热6这里只有精品| 国产探花在线观看一区二区| 午夜福利高清视频| a级毛片a级免费在线| 别揉我奶头~嗯~啊~动态视频| 久久人妻av系列| 一级黄色大片毛片| 岛国视频午夜一区免费看| 又大又爽又粗| 午夜精品一区二区三区免费看| 国产视频一区二区在线看| 久久精品aⅴ一区二区三区四区| 精品免费久久久久久久清纯| 久久草成人影院| 亚洲国产日韩欧美精品在线观看 | 亚洲国产欧美网| 我的老师免费观看完整版| 亚洲激情在线av| 国模一区二区三区四区视频 | 国产麻豆成人av免费视频| 欧美高清成人免费视频www| 美女免费视频网站| 久久九九热精品免费| 久久人妻av系列| 亚洲电影在线观看av| 十八禁网站免费在线| 好男人在线观看高清免费视频| 久久久久久久久免费视频了| 美女免费视频网站| 18禁裸乳无遮挡免费网站照片| 天堂影院成人在线观看| 久久久久久九九精品二区国产 | 最新美女视频免费是黄的| 曰老女人黄片| 色综合亚洲欧美另类图片| 一个人观看的视频www高清免费观看 | www日本在线高清视频| 日韩欧美精品v在线| 男女之事视频高清在线观看| 国产人伦9x9x在线观看| 免费在线观看影片大全网站| 久久久精品欧美日韩精品| 国产高清视频在线播放一区| 制服丝袜大香蕉在线| 夜夜夜夜夜久久久久| 波多野结衣巨乳人妻| 男人舔奶头视频| av在线天堂中文字幕| 最新在线观看一区二区三区| 国产亚洲精品一区二区www| 波多野结衣高清无吗| 亚洲狠狠婷婷综合久久图片| 精品无人区乱码1区二区| 91在线观看av| 久久久国产欧美日韩av| 91av网站免费观看| 欧美中文日本在线观看视频| 老司机深夜福利视频在线观看| 在线视频色国产色| 国产成人精品无人区| 欧美日韩亚洲国产一区二区在线观看| 小说图片视频综合网站| 波多野结衣高清作品| 99在线视频只有这里精品首页| 怎么达到女性高潮| 久久久国产欧美日韩av| 这个男人来自地球电影免费观看| 啦啦啦韩国在线观看视频| 此物有八面人人有两片| 久久中文字幕人妻熟女| 欧美中文综合在线视频| 久热爱精品视频在线9| 色综合亚洲欧美另类图片| 高清毛片免费观看视频网站| 怎么达到女性高潮| 97碰自拍视频| 久久久久久久精品吃奶| 啦啦啦韩国在线观看视频| 好男人电影高清在线观看| 国产精品爽爽va在线观看网站| 国产日本99.免费观看| 50天的宝宝边吃奶边哭怎么回事| 成人av一区二区三区在线看| 18禁美女被吸乳视频| 99热这里只有精品一区 | 婷婷精品国产亚洲av| 久久这里只有精品中国| 一级片免费观看大全| 一本精品99久久精品77| 91字幕亚洲| 欧美性猛交╳xxx乱大交人| 欧美黄色淫秽网站| 在线观看www视频免费| 久久精品影院6| 久久久久性生活片| 亚洲国产精品合色在线| 亚洲男人天堂网一区| 给我免费播放毛片高清在线观看| 久久久久久久久免费视频了| 日韩精品青青久久久久久| 日本免费a在线| 欧美极品一区二区三区四区| 国产视频一区二区在线看| 天堂动漫精品| 免费在线观看成人毛片| 老司机在亚洲福利影院| 床上黄色一级片| 亚洲成a人片在线一区二区| 欧美精品啪啪一区二区三区| 黄片小视频在线播放| 亚洲成人久久爱视频| 在线观看舔阴道视频| 午夜福利欧美成人| 日韩大码丰满熟妇| 免费一级毛片在线播放高清视频| 欧美黑人精品巨大| 久久久精品国产亚洲av高清涩受| 国产精品98久久久久久宅男小说| 床上黄色一级片| 桃色一区二区三区在线观看| 国产亚洲av高清不卡| 一二三四社区在线视频社区8| 可以在线观看的亚洲视频| 久久久久免费精品人妻一区二区| 在线观看一区二区三区| 久久午夜亚洲精品久久| 国产伦在线观看视频一区| 色噜噜av男人的天堂激情| 日韩高清综合在线| 天堂av国产一区二区熟女人妻 | 成人午夜高清在线视频| 制服人妻中文乱码| 国产三级在线视频| 我要搜黄色片| 免费在线观看亚洲国产| 国产亚洲精品一区二区www| 欧美黑人精品巨大| 日韩高清综合在线| 99精品在免费线老司机午夜| 国产一区在线观看成人免费| 亚洲人成电影免费在线| 亚洲专区国产一区二区| av在线天堂中文字幕| 亚洲国产精品久久男人天堂| 日韩精品青青久久久久久| 色播亚洲综合网| 九色国产91popny在线| av中文乱码字幕在线| 亚洲国产欧美一区二区综合| 亚洲中文日韩欧美视频| 黄片小视频在线播放| 99久久精品国产亚洲精品| 亚洲午夜精品一区,二区,三区| 久久中文看片网| 国产成人av教育| 亚洲一区中文字幕在线| 天堂√8在线中文| 欧美黄色淫秽网站| 动漫黄色视频在线观看| 日韩欧美免费精品| 亚洲天堂国产精品一区在线| 无遮挡黄片免费观看| 高清毛片免费观看视频网站| 成人永久免费在线观看视频| 91麻豆精品激情在线观看国产| 可以在线观看的亚洲视频| 757午夜福利合集在线观看| 亚洲精品色激情综合| 99久久精品国产亚洲精品| 一边摸一边做爽爽视频免费| 国产伦人伦偷精品视频| 欧美国产日韩亚洲一区| 国产精品久久久久久亚洲av鲁大| 成人手机av| 在线观看舔阴道视频| 免费av毛片视频| 制服诱惑二区| 欧美激情久久久久久爽电影| 亚洲精品国产精品久久久不卡| 女人被狂操c到高潮| 亚洲av中文字字幕乱码综合| 亚洲av成人不卡在线观看播放网| 午夜福利在线观看吧| 中文字幕av在线有码专区| 国产精品影院久久| 久久久久国内视频| 无限看片的www在线观看| 在线免费观看的www视频| 国产单亲对白刺激| 一进一出抽搐gif免费好疼| 两个人视频免费观看高清| 黄色a级毛片大全视频| 亚洲自拍偷在线| 日本 欧美在线| 伦理电影免费视频| 美女大奶头视频| 男插女下体视频免费在线播放| 一本大道久久a久久精品| 亚洲精品美女久久久久99蜜臀| 欧美中文日本在线观看视频| ponron亚洲| 啪啪无遮挡十八禁网站| 亚洲成av人片在线播放无| 国产私拍福利视频在线观看| 欧美黄色淫秽网站| 黄色 视频免费看| а√天堂www在线а√下载| 淫妇啪啪啪对白视频| 亚洲国产精品sss在线观看| 嫁个100分男人电影在线观看| 香蕉久久夜色| 99精品欧美一区二区三区四区| 亚洲第一欧美日韩一区二区三区| 老司机靠b影院| а√天堂www在线а√下载| 国产精品电影一区二区三区| ponron亚洲| 免费人成视频x8x8入口观看| 欧美乱码精品一区二区三区| 日韩三级视频一区二区三区| 黑人欧美特级aaaaaa片| av欧美777| 亚洲成a人片在线一区二区| 国产午夜福利久久久久久| 久久精品国产亚洲av高清一级| 怎么达到女性高潮| 免费av毛片视频| 精品久久蜜臀av无| 国产真人三级小视频在线观看| 午夜激情福利司机影院| 亚洲电影在线观看av| 大型av网站在线播放| 一区二区三区国产精品乱码| 午夜福利免费观看在线| 精品国产乱子伦一区二区三区| 亚洲美女视频黄频| 国产区一区二久久| ponron亚洲| 丝袜人妻中文字幕| 亚洲欧美日韩东京热| 亚洲精品美女久久av网站| 欧洲精品卡2卡3卡4卡5卡区| 午夜福利18| 亚洲一卡2卡3卡4卡5卡精品中文| 一级黄色大片毛片| 午夜亚洲福利在线播放| 一级毛片高清免费大全| 五月玫瑰六月丁香| 国产久久久一区二区三区| 午夜免费成人在线视频| 亚洲人成电影免费在线| 此物有八面人人有两片| 国产成人aa在线观看| 全区人妻精品视频| 中亚洲国语对白在线视频| 757午夜福利合集在线观看| 亚洲性夜色夜夜综合| 欧美最黄视频在线播放免费| 宅男免费午夜| 国产激情久久老熟女| 久久国产乱子伦精品免费另类| 久99久视频精品免费| 亚洲中文字幕日韩| 亚洲国产欧美一区二区综合| 欧美绝顶高潮抽搐喷水| 天天添夜夜摸| 一级毛片精品| 99热只有精品国产| 国产精品久久电影中文字幕| 最好的美女福利视频网| 在线观看日韩欧美| 99久久久亚洲精品蜜臀av| 免费看十八禁软件| 曰老女人黄片| 搡老妇女老女人老熟妇| 香蕉久久夜色| 久久久久久国产a免费观看| 欧美久久黑人一区二区| 国产私拍福利视频在线观看| 欧洲精品卡2卡3卡4卡5卡区| 国产亚洲精品第一综合不卡| 久久久精品国产亚洲av高清涩受| 亚洲 国产 在线| 99在线视频只有这里精品首页| 日韩中文字幕欧美一区二区| 丝袜人妻中文字幕| 黑人巨大精品欧美一区二区mp4| 亚洲七黄色美女视频| 国产熟女xx| 老汉色av国产亚洲站长工具| 九色国产91popny在线| 日韩欧美一区二区三区在线观看| 精品久久蜜臀av无| 无遮挡黄片免费观看| 99久久国产精品久久久| 老司机靠b影院| 亚洲人与动物交配视频| 国产成人系列免费观看| 久久久久精品国产欧美久久久| 在线免费观看的www视频| 99精品在免费线老司机午夜| 亚洲九九香蕉| 国产精品99久久99久久久不卡| 一边摸一边抽搐一进一小说| 999精品在线视频| 18禁黄网站禁片午夜丰满| 男女午夜视频在线观看| 国产成人啪精品午夜网站| 久久中文看片网| 日日夜夜操网爽| 亚洲av电影在线进入| 脱女人内裤的视频| 一进一出好大好爽视频| 色尼玛亚洲综合影院| 一级a爱片免费观看的视频| 国产视频内射| 村上凉子中文字幕在线| 免费在线观看成人毛片| 国产精品久久久久久亚洲av鲁大| 狂野欧美白嫩少妇大欣赏| 日本免费一区二区三区高清不卡| 国产真实乱freesex| 欧美三级亚洲精品| 十八禁人妻一区二区| 亚洲精品一卡2卡三卡4卡5卡| 亚洲一码二码三码区别大吗| 曰老女人黄片| 国产精品久久视频播放| 三级男女做爰猛烈吃奶摸视频| 亚洲黑人精品在线| 成人高潮视频无遮挡免费网站| 天天添夜夜摸| 中文资源天堂在线| 99国产综合亚洲精品| 91在线观看av| 亚洲熟妇熟女久久| 色综合欧美亚洲国产小说| 中文字幕高清在线视频| 午夜日韩欧美国产| 亚洲成人中文字幕在线播放| 99riav亚洲国产免费| 亚洲国产日韩欧美精品在线观看 | 久久精品国产综合久久久| 久久久久久久久久黄片| 久9热在线精品视频| 亚洲精品一卡2卡三卡4卡5卡| 久久久久久大精品| 亚洲人成伊人成综合网2020| 国产午夜福利久久久久久| 好男人电影高清在线观看| 两个人视频免费观看高清| 男男h啪啪无遮挡| 国产蜜桃级精品一区二区三区| 在线观看免费日韩欧美大片| 国产又黄又爽又无遮挡在线| 日韩欧美精品v在线| 日韩高清综合在线| 99热这里只有是精品50| 亚洲成人久久性| 国产成人影院久久av| 欧美日本视频| 午夜影院日韩av| www.www免费av| 欧美乱色亚洲激情| 亚洲男人天堂网一区| 婷婷丁香在线五月| 亚洲精品中文字幕在线视频| 亚洲av熟女| 精品国内亚洲2022精品成人| 成人av一区二区三区在线看| 久久亚洲真实| 国产av麻豆久久久久久久| 亚洲国产看品久久| 久久性视频一级片| 男男h啪啪无遮挡| 亚洲激情在线av| 午夜成年电影在线免费观看| 欧美av亚洲av综合av国产av| aaaaa片日本免费| 亚洲人成网站在线播放欧美日韩| 久久久精品欧美日韩精品| 欧美一级a爱片免费观看看 | 99久久国产精品久久久| 国产成人精品久久二区二区免费| 在线永久观看黄色视频| 国产成人影院久久av| 国产精品 欧美亚洲| 久久久国产欧美日韩av| 中亚洲国语对白在线视频| 在线十欧美十亚洲十日本专区| 国产高清视频在线观看网站| 18禁黄网站禁片午夜丰满| 国产亚洲av高清不卡| 亚洲九九香蕉| 夜夜躁狠狠躁天天躁| 日韩 欧美 亚洲 中文字幕| 国模一区二区三区四区视频 | 国产又黄又爽又无遮挡在线| 啦啦啦免费观看视频1| 99久久久亚洲精品蜜臀av| 色噜噜av男人的天堂激情| 午夜老司机福利片| 亚洲欧美精品综合一区二区三区| 舔av片在线| 国内精品久久久久精免费| av欧美777| 国产aⅴ精品一区二区三区波| 天堂动漫精品| 在线观看免费午夜福利视频| ponron亚洲| 99热6这里只有精品| 亚洲乱码一区二区免费版| 欧美黄色淫秽网站| 12—13女人毛片做爰片一| 日本a在线网址| 亚洲av成人精品一区久久| 18禁观看日本| 99久久无色码亚洲精品果冻| 99国产精品99久久久久| 免费电影在线观看免费观看| 亚洲成人久久爱视频| 久久久久免费精品人妻一区二区| 国产私拍福利视频在线观看| xxxwww97欧美| 18禁观看日本| 久久午夜亚洲精品久久| 色老头精品视频在线观看| 国产精品九九99| 日韩欧美国产在线观看| 日韩成人在线观看一区二区三区| 1024手机看黄色片| 欧美精品亚洲一区二区| 叶爱在线成人免费视频播放| 久久 成人 亚洲| 午夜免费观看网址| 欧洲精品卡2卡3卡4卡5卡区| 日韩成人在线观看一区二区三区| 久久精品成人免费网站| 在线十欧美十亚洲十日本专区| 老汉色av国产亚洲站长工具| 国产av一区在线观看免费| 色在线成人网| 久久久久性生活片| 精品国产超薄肉色丝袜足j| 国产精品久久视频播放| 亚洲精品在线美女| 亚洲成人久久爱视频| 国产av一区二区精品久久| 9191精品国产免费久久| 毛片女人毛片| av在线播放免费不卡| 中文字幕av在线有码专区| 久久久久九九精品影院| 搡老岳熟女国产| 久久 成人 亚洲| www.www免费av| 丁香欧美五月| 久久 成人 亚洲| 日韩大码丰满熟妇| 一级a爱片免费观看的视频| 丁香六月欧美| www.www免费av| 一级a爱片免费观看的视频| 黄色毛片三级朝国网站| 又大又爽又粗| 18禁黄网站禁片免费观看直播| 可以在线观看毛片的网站| 中国美女看黄片| 村上凉子中文字幕在线| 亚洲 欧美一区二区三区| 亚洲五月天丁香| 无遮挡黄片免费观看| 可以在线观看毛片的网站| 亚洲精品久久国产高清桃花| 无遮挡黄片免费观看| 国产av麻豆久久久久久久| 又大又爽又粗| 欧美在线黄色| 国产亚洲精品综合一区在线观看 | 国产精品久久久久久久电影 | 日本撒尿小便嘘嘘汇集6| 在线免费观看的www视频| 久久久久国产精品人妻aⅴ院| 女警被强在线播放| 国产私拍福利视频在线观看| 亚洲va日本ⅴa欧美va伊人久久| 久99久视频精品免费| 香蕉av资源在线| 在线十欧美十亚洲十日本专区| 99久久国产精品久久久|