• <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
    国产97色在线日韩免费| 精品亚洲乱码少妇综合久久| 中文字幕色久视频| 电影成人av| 亚洲,欧美,日韩| 国产午夜精品一二区理论片| 亚洲第一青青草原| 午夜福利一区二区在线看| 欧美亚洲日本最大视频资源| 亚洲欧美中文字幕日韩二区| 99久久99久久久精品蜜桃| 久久青草综合色| 久久青草综合色| 最近中文字幕高清免费大全6| 亚洲成人手机| 最近的中文字幕免费完整| 秋霞在线观看毛片| 天天躁夜夜躁狠狠躁躁| 十八禁高潮呻吟视频| 国产淫语在线视频| 亚洲国产看品久久| 精品国产超薄肉色丝袜足j| 韩国av在线不卡| 香蕉国产在线看| 色精品久久人妻99蜜桃| 操出白浆在线播放| av福利片在线| 久久久久视频综合| 亚洲av成人精品一二三区| 可以免费在线观看a视频的电影网站 | 菩萨蛮人人尽说江南好唐韦庄| 午夜福利网站1000一区二区三区| 黄网站色视频无遮挡免费观看| 欧美亚洲日本最大视频资源| 欧美av亚洲av综合av国产av | 2018国产大陆天天弄谢| 黄色怎么调成土黄色| 一本久久精品| 国产亚洲av高清不卡| 久久人人97超碰香蕉20202| 久久久久久人妻| 天天影视国产精品| 久久久精品免费免费高清| 中文字幕制服av| 水蜜桃什么品种好| 免费看av在线观看网站| 啦啦啦在线免费观看视频4| 亚洲精华国产精华液的使用体验| 秋霞伦理黄片| 天天躁夜夜躁狠狠躁躁| 欧美成人精品欧美一级黄| 一边摸一边抽搐一进一出视频| 曰老女人黄片| 伊人久久大香线蕉亚洲五| 欧美人与善性xxx| 午夜福利网站1000一区二区三区| 日日撸夜夜添| 久久人人爽av亚洲精品天堂| 黄片播放在线免费| 青青草视频在线视频观看| 国产1区2区3区精品| 亚洲欧美精品综合一区二区三区| 亚洲精品国产av蜜桃| 一级爰片在线观看| 涩涩av久久男人的天堂| 悠悠久久av| 国产精品麻豆人妻色哟哟久久| 亚洲图色成人| 九九爱精品视频在线观看| 在线观看免费视频网站a站| 国产免费现黄频在线看| av网站免费在线观看视频| 亚洲精品自拍成人| 欧美精品人与动牲交sv欧美| 美女主播在线视频| 18禁裸乳无遮挡动漫免费视频| 国产精品人妻久久久影院| 在线观看国产h片| 99久国产av精品国产电影| 嫩草影视91久久| 精品少妇黑人巨大在线播放| 久久免费观看电影| 国产男人的电影天堂91| av国产精品久久久久影院| 久久人人爽人人片av| 亚洲国产看品久久| 欧美激情高清一区二区三区 | 熟女少妇亚洲综合色aaa.| 午夜福利视频精品| 亚洲精品中文字幕在线视频| 免费看不卡的av| av.在线天堂| 丝袜人妻中文字幕| 天天操日日干夜夜撸| 日本av免费视频播放| 18禁裸乳无遮挡动漫免费视频| 在线观看免费高清a一片| 亚洲欧美激情在线| 美女午夜性视频免费| 日韩,欧美,国产一区二区三区| 伊人亚洲综合成人网| 国产成人精品久久久久久| 亚洲七黄色美女视频| 超色免费av| 国产男人的电影天堂91| 亚洲精品久久午夜乱码| 国语对白做爰xxxⅹ性视频网站| 五月天丁香电影| 亚洲精品日本国产第一区| 99久国产av精品国产电影| 最近的中文字幕免费完整| 新久久久久国产一级毛片| 国产精品二区激情视频| 国产成人精品久久久久久| 日韩不卡一区二区三区视频在线| 男女国产视频网站| 老司机深夜福利视频在线观看 | 一边亲一边摸免费视频| 99久久综合免费| 韩国高清视频一区二区三区| 国产一区有黄有色的免费视频| 捣出白浆h1v1| 久久久精品94久久精品| 一二三四中文在线观看免费高清| 国产精品久久久av美女十八| 欧美精品人与动牲交sv欧美| 一区二区三区四区激情视频| 新久久久久国产一级毛片| 欧美xxⅹ黑人| 成人漫画全彩无遮挡| 在线亚洲精品国产二区图片欧美| 在线看a的网站| 亚洲欧洲精品一区二区精品久久久 | 久久狼人影院| 成人黄色视频免费在线看| 啦啦啦在线免费观看视频4| 亚洲国产精品国产精品| 午夜日本视频在线| 啦啦啦视频在线资源免费观看| 高清在线视频一区二区三区| 大话2 男鬼变身卡| 天堂8中文在线网| 久久久久久久国产电影| 大话2 男鬼变身卡| 看免费av毛片| 天天影视国产精品| 国产熟女午夜一区二区三区| av不卡在线播放| 日韩欧美一区视频在线观看| 精品国产乱码久久久久久小说| 亚洲欧美一区二区三区久久| 国产又色又爽无遮挡免| 久久久久精品久久久久真实原创| 又黄又粗又硬又大视频| 国产精品国产av在线观看| 午夜av观看不卡| 精品少妇内射三级| 欧美变态另类bdsm刘玥| 久久久精品国产亚洲av高清涩受| 女性被躁到高潮视频| 精品人妻在线不人妻| 亚洲熟女精品中文字幕| 免费日韩欧美在线观看| 久久久久精品人妻al黑| 中文精品一卡2卡3卡4更新| 精品少妇一区二区三区视频日本电影 | 欧美在线一区亚洲| 国精品久久久久久国模美| 国产日韩欧美亚洲二区| 只有这里有精品99| 热99国产精品久久久久久7| 80岁老熟妇乱子伦牲交| 午夜老司机福利片| 在线免费观看不下载黄p国产| 国产在线视频一区二区| 高清av免费在线| 蜜桃国产av成人99| 午夜福利免费观看在线| 午夜老司机福利片| 多毛熟女@视频| 一本—道久久a久久精品蜜桃钙片| av一本久久久久| xxxhd国产人妻xxx| 日韩中文字幕欧美一区二区 | 黄色怎么调成土黄色| 五月天丁香电影| 熟妇人妻不卡中文字幕| 男女床上黄色一级片免费看| 久久精品国产亚洲av涩爱| 十八禁网站网址无遮挡| 深夜精品福利| 欧美日本中文国产一区发布| 日本av免费视频播放| 亚洲av电影在线观看一区二区三区| 日本欧美国产在线视频| 午夜福利视频在线观看免费| 国产在线免费精品| 午夜av观看不卡| 日韩成人av中文字幕在线观看| 激情视频va一区二区三区| 免费看不卡的av| 在线观看免费日韩欧美大片| 久久午夜综合久久蜜桃| 亚洲精品第二区| 欧美变态另类bdsm刘玥| 这个男人来自地球电影免费观看 | 免费少妇av软件| 亚洲精品自拍成人| av国产久精品久网站免费入址| 美女午夜性视频免费| 男人操女人黄网站| 欧美 亚洲 国产 日韩一| 亚洲欧美成人精品一区二区| 亚洲av福利一区| 悠悠久久av| 亚洲精品aⅴ在线观看| 观看美女的网站| 亚洲成人免费av在线播放| 汤姆久久久久久久影院中文字幕| 女性被躁到高潮视频| 在线天堂中文资源库| 少妇的丰满在线观看| 日韩中文字幕欧美一区二区 | 精品久久蜜臀av无| 黑人巨大精品欧美一区二区蜜桃| 只有这里有精品99| 老司机在亚洲福利影院| 99国产综合亚洲精品| 国产亚洲最大av| 人人妻,人人澡人人爽秒播 | 中国三级夫妇交换| 欧美成人精品欧美一级黄| 亚洲精品aⅴ在线观看| 少妇猛男粗大的猛烈进出视频| 人妻 亚洲 视频| 亚洲美女视频黄频| 久久久久久免费高清国产稀缺| 亚洲欧美一区二区三区黑人| 好男人视频免费观看在线| 赤兔流量卡办理| 七月丁香在线播放| 国产一级毛片在线| 1024视频免费在线观看| 亚洲自偷自拍图片 自拍| 国产在线视频一区二区| 制服人妻中文乱码| 久久精品熟女亚洲av麻豆精品| 国产一区二区三区av在线| 2021少妇久久久久久久久久久| 看免费成人av毛片| 制服人妻中文乱码| 欧美黑人精品巨大| 各种免费的搞黄视频| 韩国高清视频一区二区三区| 1024视频免费在线观看| av在线播放精品| 十八禁高潮呻吟视频| 伊人亚洲综合成人网| www.熟女人妻精品国产| 国产精品久久久久久精品电影小说| 精品亚洲乱码少妇综合久久| 波多野结衣一区麻豆| 看免费成人av毛片| 中文字幕色久视频| 91成人精品电影| 别揉我奶头~嗯~啊~动态视频 | 亚洲自偷自拍图片 自拍| 欧美激情 高清一区二区三区| 亚洲激情五月婷婷啪啪| 一区二区三区四区激情视频| 精品人妻一区二区三区麻豆| 交换朋友夫妻互换小说| 久久精品久久精品一区二区三区| 天天影视国产精品| 色吧在线观看| 亚洲美女搞黄在线观看| 国产精品一国产av| 亚洲欧美一区二区三区国产| 久久人妻熟女aⅴ| 国产成人a∨麻豆精品| av视频免费观看在线观看| av片东京热男人的天堂| 国产爽快片一区二区三区| 这个男人来自地球电影免费观看 | 中文欧美无线码| 老司机影院成人| 国产高清不卡午夜福利| 精品少妇内射三级| 国产免费现黄频在线看| 黄色毛片三级朝国网站| 精品人妻熟女毛片av久久网站| 国产精品欧美亚洲77777| 极品少妇高潮喷水抽搐| 国产成人91sexporn| 亚洲av综合色区一区| 交换朋友夫妻互换小说| av女优亚洲男人天堂| 老司机影院毛片| 天堂8中文在线网| 国产午夜精品一二区理论片| 一级毛片电影观看| 久久精品熟女亚洲av麻豆精品| 日韩大片免费观看网站| 亚洲少妇的诱惑av| 日日撸夜夜添| 国产亚洲av片在线观看秒播厂| 欧美人与性动交α欧美精品济南到| 一级a爱视频在线免费观看| 中文字幕另类日韩欧美亚洲嫩草| 亚洲国产最新在线播放| 国产精品一区二区在线观看99| 我的亚洲天堂| 国产一卡二卡三卡精品 | 高清在线视频一区二区三区| 少妇人妻久久综合中文| 九九爱精品视频在线观看| 日本色播在线视频| 如何舔出高潮| 亚洲天堂av无毛| 日韩中文字幕欧美一区二区 | 青春草亚洲视频在线观看| 日韩一区二区视频免费看| 国产成人欧美在线观看 | 亚洲av日韩在线播放| 午夜日韩欧美国产| 亚洲国产日韩一区二区| 亚洲精品av麻豆狂野| 99re6热这里在线精品视频| 男女国产视频网站| 宅男免费午夜| 成人18禁高潮啪啪吃奶动态图| 久久婷婷青草| 国产精品免费大片| 欧美变态另类bdsm刘玥| 国产精品一区二区在线不卡| 午夜免费男女啪啪视频观看| 久久久精品94久久精品| 日韩一区二区视频免费看| 亚洲综合色网址| 免费黄频网站在线观看国产| 精品久久蜜臀av无| 久久狼人影院| 一级毛片电影观看| 亚洲欧美成人精品一区二区| 人人澡人人妻人| 久久天堂一区二区三区四区| 久久热在线av| 欧美黄色片欧美黄色片| 日本av手机在线免费观看| 亚洲,欧美,日韩| 国产日韩一区二区三区精品不卡| a级片在线免费高清观看视频| 黑人猛操日本美女一级片| 日韩视频在线欧美| 多毛熟女@视频| 午夜福利乱码中文字幕| 中文字幕最新亚洲高清| 欧美老熟妇乱子伦牲交| 9色porny在线观看| 欧美黑人欧美精品刺激| 黄色怎么调成土黄色| 在线精品无人区一区二区三| 校园人妻丝袜中文字幕| 精品少妇黑人巨大在线播放| 国产成人免费无遮挡视频| 国产在线视频一区二区| 毛片一级片免费看久久久久| 人体艺术视频欧美日本| 婷婷色综合www| 狠狠婷婷综合久久久久久88av| 国产日韩一区二区三区精品不卡| 在线观看人妻少妇| 一区二区三区精品91| 高清欧美精品videossex| 亚洲男人天堂网一区| 亚洲综合色网址| 毛片一级片免费看久久久久| 中文精品一卡2卡3卡4更新| 99久久99久久久精品蜜桃| 久久精品熟女亚洲av麻豆精品| 国产精品偷伦视频观看了| 国语对白做爰xxxⅹ性视频网站| 欧美黑人欧美精品刺激| 色综合欧美亚洲国产小说| 欧美亚洲日本最大视频资源| 欧美在线一区亚洲| 丰满少妇做爰视频| 亚洲,欧美,日韩| 国产精品免费大片| 国产在线一区二区三区精| 亚洲精品,欧美精品| 2021少妇久久久久久久久久久| 欧美日本中文国产一区发布| 欧美少妇被猛烈插入视频| 亚洲伊人色综图| 只有这里有精品99| 国产精品熟女久久久久浪| 久久精品人人爽人人爽视色| 黄片播放在线免费| 日韩欧美一区视频在线观看| 亚洲成国产人片在线观看| 国产野战对白在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 日本欧美视频一区| 伦理电影免费视频| 精品少妇黑人巨大在线播放| 色播在线永久视频| 欧美日韩一区二区视频在线观看视频在线| 在现免费观看毛片| 婷婷色麻豆天堂久久| 久热爱精品视频在线9| 在线天堂最新版资源| 亚洲欧美清纯卡通| 久久免费观看电影| 蜜桃国产av成人99| 亚洲伊人久久精品综合| 极品少妇高潮喷水抽搐| 日本猛色少妇xxxxx猛交久久| 国产免费又黄又爽又色| 久久久精品国产亚洲av高清涩受| 丝袜脚勾引网站| 成人亚洲欧美一区二区av| 日韩制服骚丝袜av| 久久久久久久大尺度免费视频| 国产福利在线免费观看视频| 国产免费视频播放在线视频| 考比视频在线观看| 一级片'在线观看视频| 久久精品aⅴ一区二区三区四区| 搡老乐熟女国产| 十八禁网站网址无遮挡| 丰满少妇做爰视频| 美女大奶头黄色视频| 在线免费观看不下载黄p国产| 91aial.com中文字幕在线观看| 999久久久国产精品视频| 日日撸夜夜添| 久久久精品免费免费高清| 高清不卡的av网站| 你懂的网址亚洲精品在线观看| 亚洲国产精品成人久久小说| 这个男人来自地球电影免费观看 | 欧美精品一区二区大全| 欧美成人午夜精品| 久久久久久人人人人人| 欧美人与性动交α欧美软件| 伦理电影大哥的女人| 综合色丁香网| av视频免费观看在线观看| 国产精品人妻久久久影院| 亚洲成人免费av在线播放| 国产一区二区在线观看av| 十八禁高潮呻吟视频| 操美女的视频在线观看| 男女午夜视频在线观看| 99热网站在线观看| 韩国精品一区二区三区| bbb黄色大片| 黄色 视频免费看| 母亲3免费完整高清在线观看| 五月天丁香电影| 免费观看av网站的网址| 精品少妇久久久久久888优播| 美女中出高潮动态图| 成人国语在线视频| 国产深夜福利视频在线观看| 亚洲色图 男人天堂 中文字幕| 老司机影院成人| 亚洲成人av在线免费| xxxhd国产人妻xxx| 不卡视频在线观看欧美| 国产精品一区二区在线不卡| 日韩电影二区| 国产亚洲欧美精品永久| 丝袜喷水一区| 亚洲伊人久久精品综合| www.自偷自拍.com| 人人妻人人澡人人看| 欧美成人精品欧美一级黄| 日韩av不卡免费在线播放| 老司机亚洲免费影院| 亚洲欧美精品自产自拍| 丝袜美足系列| 伦理电影大哥的女人| 卡戴珊不雅视频在线播放| 欧美激情极品国产一区二区三区| 夜夜骑夜夜射夜夜干| 亚洲精品日韩在线中文字幕| 日韩制服丝袜自拍偷拍| 男女边吃奶边做爰视频| 国产一区二区三区综合在线观看| 亚洲综合精品二区| 免费高清在线观看视频在线观看| 亚洲国产精品国产精品| www.熟女人妻精品国产| 久久久国产精品麻豆| 欧美 亚洲 国产 日韩一| 国产精品国产三级专区第一集| 在线亚洲精品国产二区图片欧美| xxx大片免费视频| 久久久欧美国产精品| 亚洲情色 制服丝袜| 成人亚洲精品一区在线观看| 777久久人妻少妇嫩草av网站| 美女主播在线视频| 男人添女人高潮全过程视频| 久久精品久久精品一区二区三区| 大陆偷拍与自拍| 水蜜桃什么品种好| 亚洲欧美成人综合另类久久久| 久久狼人影院| 日日爽夜夜爽网站| 亚洲av日韩在线播放| 婷婷色av中文字幕| 国产精品人妻久久久影院| 欧美黑人欧美精品刺激| 2021少妇久久久久久久久久久| 国产精品偷伦视频观看了| 极品少妇高潮喷水抽搐| 青春草亚洲视频在线观看| 99精国产麻豆久久婷婷| 青春草国产在线视频| 久久久久精品久久久久真实原创| 国产精品久久久av美女十八| 日本av手机在线免费观看| 久久人妻熟女aⅴ| 妹子高潮喷水视频| 久久久久国产一级毛片高清牌| 欧美人与善性xxx| 丰满少妇做爰视频| 又大又爽又粗| 丁香六月天网| 亚洲综合色网址| 啦啦啦 在线观看视频| 亚洲欧美清纯卡通| 制服诱惑二区| 精品一区二区三卡| 黄色毛片三级朝国网站| a级毛片在线看网站| 老熟女久久久| 夫妻午夜视频| 久久久久久久久久久免费av| a 毛片基地| 成人黄色视频免费在线看| 少妇精品久久久久久久| 久久久久久久精品精品| 亚洲精品aⅴ在线观看| 999久久久国产精品视频| 国产精品欧美亚洲77777| 人人妻人人澡人人爽人人夜夜| 国产片特级美女逼逼视频| 日本色播在线视频| 日韩精品免费视频一区二区三区| 美女福利国产在线| 又大又爽又粗| 精品亚洲成a人片在线观看| 黑人欧美特级aaaaaa片| 国产av精品麻豆| 欧美日韩精品网址| 极品人妻少妇av视频| av视频免费观看在线观看| 高清不卡的av网站| 亚洲精品自拍成人| 久久久国产欧美日韩av| 久久99热这里只频精品6学生| 欧美在线一区亚洲| 国产爽快片一区二区三区| www.熟女人妻精品国产| 国产av码专区亚洲av| 建设人人有责人人尽责人人享有的| 国产成人免费观看mmmm| 尾随美女入室| 女性被躁到高潮视频| 亚洲欧洲国产日韩| 日韩视频在线欧美| 看免费av毛片| 日韩一本色道免费dvd| 亚洲av成人不卡在线观看播放网 | av在线观看视频网站免费| 涩涩av久久男人的天堂| 日本av手机在线免费观看| 久久99一区二区三区| 中文字幕亚洲精品专区| √禁漫天堂资源中文www| 90打野战视频偷拍视频| 国产亚洲av高清不卡| 日韩大片免费观看网站| 国产欧美亚洲国产| 97人妻天天添夜夜摸| 桃花免费在线播放| 一本一本久久a久久精品综合妖精| 亚洲精品日本国产第一区| 日本wwww免费看| 亚洲欧美成人精品一区二区| av不卡在线播放| 视频区图区小说| 国产成人午夜福利电影在线观看| 老司机深夜福利视频在线观看 | 十八禁人妻一区二区| 免费黄频网站在线观看国产| 啦啦啦在线免费观看视频4| 亚洲av国产av综合av卡| 天天影视国产精品| 亚洲成人手机| 制服诱惑二区| 考比视频在线观看| 亚洲自偷自拍图片 自拍| 久久久久精品久久久久真实原创| 熟女av电影| 曰老女人黄片| 国产成人免费观看mmmm| 国产欧美亚洲国产| 麻豆精品久久久久久蜜桃| 大码成人一级视频| 国产伦理片在线播放av一区|