• <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 ?

    基于卷積評價及對抗網(wǎng)絡(luò)的花粉、孢子圖像增廣算法

    2021-11-14 11:48:24王萬亮江高飛嚴(yán)江偉薛衛(wèi)
    江蘇農(nóng)業(yè)學(xué)報 2021年5期
    關(guān)鍵詞:圖像分割

    王萬亮 江高飛 嚴(yán)江偉 薛衛(wèi)

    摘要:? 針對花粉、孢子圖像特征復(fù)雜,樣本稀缺及種類繁多制約圖像檢測識別效果的問題,建立基于自適應(yīng)閾值分割的pix2pix圖像增廣模型。首先基于卷積評價改進(jìn)自適應(yīng)閾值分割算法,擇優(yōu)選取語義分割圖像;其次構(gòu)建pix2pix圖像增廣模型,將語義分割圖像和原始圖像建立標(biāo)簽映射用于模型訓(xùn)練,根據(jù)語義分割圖像生成仿真圖像,擴充樣本數(shù)據(jù)集。結(jié)果表明,以149種花粉、孢子圖像為樣本,通過圖像增廣模型生成的花粉、孢子圖像整體相似度達(dá)到85.40%;圖像增廣前Faster RCNN、YOLOv3檢測模型的檢測精準(zhǔn)率分別為86.18%、85.64%,使用增廣后的樣本訓(xùn)練模型,檢測精準(zhǔn)率分別達(dá)到92.16%、90.57%,提升5.98個百分點和4.93個百分點。

    關(guān)鍵詞:? 花粉檢測; 圖像增廣; 圖像分割; pix2pix網(wǎng)絡(luò)

    中圖分類號:? S126??? 文獻(xiàn)標(biāo)識碼: A??? 文章編號:? 1000-4440(2021)05-1190-09

    Augmented algorithm for pollen and spore images based on convolution evaluation and pix2pix network

    WANG Wan-liang? 1 , JIANG Gao-fei? 2 , YAN Jiang-wei? 3 , XUE Wei? 1

    (1.School of Artificial Intelligence, Nanjing Agricultural University, Nanjing 210095, China; 2.College of Resources and Environmental Sciences, Nanjing Agricultural University, Nanjing 210095, China; 3.School of Forensic Medicine, Shanxi Medical University, Taiyuan 030001, China)

    Abstract:? Aiming at the problems such as complex image features of pollens and spores, scarcity of image samples, restricted detection and recognition effects of various images of pollens and spores, a pix2pix image augmentation model based on adaptive threshold segmentation was built. Firstly, the adaptive threshold segmentation algorithm was improved based on convolution evaluation to select the optimal semantic segmentation images of pollens and spores. Secondly, the pix2pix image augmentation model was constructed, the semantic segmentation images and the original images were used to establish label mapping for model training, and emulational pollen and spore images were generated based on semantic segmentation images to extend sample dataset. The results showed that, the overall similarity of 149 pollen and spore images generated by the image augmentation model reached 85.40%. Before image enlargement, the detection accuracies of Faster RCNN and YOLOv3 detection models were 86.18% and 85.64%, respectively. After using the enlarged sample training model, the accuracies reached 92.16% and 90.57%, which increased by 5.98 and 4.93 percentages.

    Key words:? pollen detection; image augmentation; image segmentation; pix2pix network

    花粉、孢子種類多,常見的花粉、孢子類別鑒別手段基于細(xì)胞學(xué)檢測? [1] 。但即便是從事花粉學(xué)研究的植物學(xué)家、法醫(yī)專家和一線科技工作者,也很難有效識別如此繁多的花粉類型??紤]到顯微鏡下人工觀察統(tǒng)計玻片的工作量較大,通過計算機圖像處理技術(shù)實現(xiàn)快速、高效花粉、孢子檢測就具有重要的現(xiàn)實意義,將會給予該領(lǐng)域?qū)W者的研究工作提供較大幫助。

    近年來,國內(nèi)外針對花粉、孢子圖像的計算機檢測識別方法屢見不鮮。劉惠等? [2] 選取了3種紋理特征、3種顏色特征和5種形狀特征,基于PCA與BP神經(jīng)網(wǎng)絡(luò)識別萬壽菊黑斑病病菌孢子。謝永華等? [3] 利用離散二進(jìn)小波變換獲取圖像突變點,并計算具有方向的鄰域幾何約束關(guān)系,最后通過直方圖統(tǒng)計特征描述識別花粉圖像。上述方法主要針對少量類別孢子識別檢測,首先對花粉、孢子圖像進(jìn)行預(yù)處理,其次提取花粉、孢子圖像的紋理、邊緣、顏色等特征,最后應(yīng)用經(jīng)驗知識及機器學(xué)習(xí)算法進(jìn)行判別。此類方法依賴設(shè)計者人工選取合適的特征進(jìn)行參照,面對多類別的花粉、孢子時效果不夠理想,通用性不高。

    深度學(xué)習(xí)? [4-9] 的發(fā)展給目標(biāo)檢測識別提供了新的思維和方法,研究最為廣泛的就是卷積神經(jīng)網(wǎng)絡(luò)? [10-17] ,在花粉、孢子檢測領(lǐng)域已經(jīng)有所應(yīng)用。Ramon等通過標(biāo)記花粉、孢子圖像,提出了利用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)建立深度學(xué)習(xí)模型檢測花粉、孢子,精準(zhǔn)率達(dá)到89%? [18] 。Voactor等在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,研究了基于遷移學(xué)習(xí),基于特征提取,基于遷移學(xué)習(xí)和特征提取的孢子檢測方法,并進(jìn)行了論證比較? [19] 。上述方法通過卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了10余種花粉、孢子的檢測并取得了較高的準(zhǔn)確率,涵蓋的花粉、孢子類別有所擴展但不夠豐富,用于構(gòu)建深度學(xué)習(xí)模型的孢子圖像數(shù)據(jù)集存在一些缺陷,表現(xiàn)為花粉、孢子種類少、數(shù)據(jù)不平衡及圖像質(zhì)量差。深度學(xué)習(xí)算法的優(yōu)良性能依賴于全面的訓(xùn)練數(shù)據(jù)集,數(shù)據(jù)集缺陷使得孢子檢測更加困難。

    為了解決花粉、孢子數(shù)據(jù)集缺陷和多類別孢子檢測問題,本研究基于深度學(xué)習(xí)的圖像增廣模型,利用pix2pix網(wǎng)絡(luò)構(gòu)建孢子的圖像增廣模型擴充孢子的樣本數(shù)據(jù)集,通過深度學(xué)習(xí)的方法增強花粉孢子的樣本,提升花粉檢測的效果。

    1 材料和方法

    1.1 花粉、孢子圖片數(shù)據(jù)集

    本研究中花粉、孢子圖片主要來自于PalDat(https://www.paldat.org)和Global Pollen Project(https://globalpollenproject.org)? [20] ?,總計 1 980 類別, 14 055 張花粉、孢子圖像。使用labelImg工具標(biāo)記花粉、孢子,生成PASCAL VOC格式文件,便于后續(xù)花粉、孢子圖像的定位及增廣和花粉、孢子識別模型的訓(xùn)練。剔除重復(fù)、不清晰及有效花粉、孢子數(shù)量小于5的樣本數(shù)據(jù),最終確定Protium、Serjania和Anadenanthera等 3個門類、13個科、149種不同類型的花粉、孢子圖像作為數(shù)據(jù)源,總計 1 181 張圖像,標(biāo)記 2 246 個花粉、孢子,其中單類別花粉、孢子最少有5張圖像?;ǚ?、孢子族譜關(guān)系自上而下可以分為門(phylum)、綱(class)、目(order)、科(family)、屬(genus)、種(Species)等。由于篇幅有限,將149種花粉、孢子類別按照所屬綱目進(jìn)行歸類,統(tǒng)計數(shù)據(jù)見圖1,其中Angiospermae綱目包含的花粉、孢子圖像及孢子類別數(shù)最多,Equisetopsida綱目包含的花粉、孢子圖像及花粉、孢子類別數(shù)最少。

    1.2 算法流程

    算法包括數(shù)據(jù)集制作、語義分割,圖像增廣與花粉、孢子檢測4個方面,整體流程如圖2所示。首先采集花粉、孢子圖像,標(biāo)注花粉、孢子制作數(shù)據(jù)集;其次通過語義分割,提取花粉、孢子的多尺度語義分割圖像;每個花粉、孢子的部分語義分割圖像與原始圖像構(gòu)成語義映射標(biāo)簽作為圖像增廣模型的訓(xùn)練數(shù)據(jù)集,另一部分語義分割圖像用于生成花粉、孢子的仿真圖像,達(dá)到擴充樣本目的;最后使用擴充后的樣本來訓(xùn)練和驗證花粉、孢子檢測模型。

    1.3 基于卷積評價的自適應(yīng)閾值分割方法

    精準(zhǔn)語義分割圖像是花粉、孢子圖像增廣模型的基礎(chǔ)?;诰矸e評價的自適應(yīng)圖像分割算法分為2步:自適應(yīng)閾值分割圖與卷積評價。如圖3所示,首先根據(jù)原始圖像生成灰化圖,使用不同的鄰域分割灰化圖自適應(yīng)閾值,生成若干張二值化分割圖;再利用卷積模板分別提取原始灰化圖像和二值化分割圖像的特征,并計算分割圖與灰化圖的矩陣距離,擇優(yōu)保留距離差較小的分割圖像。

    1.3.1 自適應(yīng)閾值分割圖? 自適應(yīng)閾值分割主要基于圖像的局部特征,計算出最佳的分割閾值,不同鄰域的局部特征迥異,分割閾值存在差異。本研究使用遍歷法,設(shè)置鄰域范圍為1至輸入圖像尺寸的1/8,鄰域步長為2,不斷迭代生成若干張不同的二值化分割圖像。

    1.3.2 卷積評價? 分別基于高斯卷積? [21] 模板和拉普拉斯卷積? [22] 模板提取灰化圖像和各個分割圖像的特征,使用曼哈頓距離公式計算卷積提取特征的距離差,選取距離差較小的分割圖像作為最佳語義分割。

    其中高斯卷積將接近中心的點賦予較大的權(quán)重,遠(yuǎn)離中心的點賦予較小的權(quán)重,能夠降低圖像噪點的敏感性,高斯卷積模板如下:

    1 2 1 2 4 2 1 2 1? (1)

    拉普拉斯卷積反映圖像某個像素的鄰域突變程度,增強圖像的細(xì)節(jié),能夠突出圖像的邊緣和鄰域特征,拉普拉斯卷積模板如下:

    -1 -1 -1 -1? 8? -1 -1 -1 -1? (2)

    曼哈頓距離公式計算簡單,處理速率較快。基于灰化圖和分割圖,分別計算高斯卷積模板及拉普拉斯卷積模板下的特征距離差。建立度量評價體系,最終保留總距離差較小的分割圖像。特征距離計算公式為:

    d(x,y)=|g(x)-g(y)|+|l(x)-l(y)|? (3)

    式中 g(x) 、 g(y) 分別為灰化圖、分割圖的高斯卷積特征矩陣, l(x) 、 l(y) 分別為灰化圖、分割圖的拉普拉斯卷積特征矩陣,兩類特征間的距離差取絕對值相加之后即為總距離差。

    1.3.3 圖像分割結(jié)果? 常見的圖像分割方法主要基于區(qū)域、閾值和邊緣檢測對圖像進(jìn)行分割? [23] 。相較于上述分割方法,本研究的算法分割圖像能夠更加接近花粉、孢子圖像的主體框架和輪廓,應(yīng)對不同類型的花粉、孢子圖像具有更強的魯棒性,分割效果如圖4f所示。圖4b為Otsu閾值法? [24] 分割效果,利用圖像的灰度特性,尋找圖像的前景和背景的最大類間差,確定最佳的分割閾值?;ǚ?、孢子圖像前景特征豐富,難以確定有效的分割閾值。圖4c為區(qū)域生長算法? [25] 分割效果,選取某個像素點作為種子點,將具有相似特性的像素連接起來形成區(qū)域?;ǚ?、孢子圖像紋理復(fù)雜,很多場景該算法只能分割出花粉、孢子圖像的部分輪廓。圖4d是Canny邊緣檢測? [26] 效果,利用邊緣信息將變化的邊界分割出來?;ǚ?、孢子圖像有比較復(fù)雜的連通區(qū)域,邊緣分割產(chǎn)生大量小區(qū)域,破壞花粉、孢子的整體框架。圖4e為自適應(yīng)閾值法? [27] 分割效果,根據(jù)像素點鄰域提取圖像的部分區(qū)域,分析區(qū)域內(nèi)圖像特征,進(jìn)行分割。受限于花粉、孢子圖像的鄰域及閾值不同,使用固定的鄰域及閾值無法求得每種花粉、孢子圖像分割的最優(yōu)解,分割容易產(chǎn)生大量小噪點,輪廓缺失。針對每個花粉、孢子圖像,保留評價最佳的6個語義分割圖像,用于后續(xù)的圖像增廣。選取4組花粉、孢子(圖5),語義分割圖像與原始圖像的基本輪廓一致,噪點及紋理細(xì)節(jié)存在微小區(qū)別。

    1.4 基于pix2pix網(wǎng)絡(luò)的圖像增廣算法

    pix2pix網(wǎng)絡(luò)? [28] 圖像增廣算法基于生成對抗思想,結(jié)合條件生成網(wǎng)絡(luò),通過成對匹配的語義映射關(guān)系,實現(xiàn)2個領(lǐng)域中匹配圖像直接轉(zhuǎn)換。輸入為語義分割圖和對應(yīng)的原始圖像,生成器根據(jù)分割圖生成仿真圖像。分割圖像和仿真圖像作為判別器的輸入,生成器和判別器互相博弈,使生成的仿真圖像不斷接近真實圖像。基于語義分割圖,針對每個花粉、孢子圖像,選取其中20%語義分割圖像和原始圖像建立標(biāo)簽映射關(guān)系。然后以標(biāo)簽映射作為圖像合成的約束條件分別作為pix2pix網(wǎng)絡(luò)圖像增廣模型的訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集。最后使用剩余80%語義分割圖調(diào)用pix2pix網(wǎng)絡(luò)圖像增廣模型生成仿真的花粉、孢子圖像,擴充花粉、孢子圖像的數(shù)據(jù)集。

    1.4.1 生成器? 生成器的輸出為花粉、孢子的仿真圖像,其網(wǎng)絡(luò)模型基于U-net結(jié)構(gòu),該結(jié)構(gòu)參照具有對稱性的編碼-解碼模型設(shè)計。U-Net結(jié)構(gòu)的不同之處是將第 i 層和第 n-i 層連接起來,其中 n 是總層數(shù),這種連接方式稱為跳過連接。U-Net結(jié)構(gòu)通過卷積和池化下采樣提取特征信息,使用轉(zhuǎn)置卷積來上采樣并裁剪之前的低層特征圖進(jìn)行融合用來生成仿真圖像,U-Net圖像細(xì)節(jié)提升明顯。編碼部分采用8個卷積核大小為4、步長為2的卷積層,不斷對特征圖進(jìn)行下采樣操作以進(jìn)行編碼,使用BN層歸一化從而加速網(wǎng)絡(luò)的收斂,再通過Relu函數(shù)對特征圖進(jìn)行激活操作。解碼部分采用8個卷積核大小為4、步長為2的反卷積層,不斷對特征進(jìn)行空間擴充,使其恢復(fù)為原始的輸入大小,再通過Tanh函數(shù)對特征圖進(jìn)行激活操作。

    1.4.2 判別器? pix2pix判別器使用patchGAN結(jié)構(gòu),將圖像等分成若干個固定大小的patch,分別判斷每個patch的真假,再取平均值作為判別器的輸出。該判別器使用步長為2的跨步卷積與普通卷積操作不斷對圖像進(jìn)行下采樣,最終得到一個大小為30×30的patch,該patch對應(yīng)著原圖30×30個圖像塊,patch中每個位置的取值代表判別器對其對應(yīng)塊的判別結(jié)果。

    1.4.3 圖像增廣評價

    1.4.3.1 結(jié)構(gòu)相似性 用結(jié)構(gòu)相似性模型(SSIM)? [29] 將失真信息建模為圖像亮度信息、對比度信息和結(jié)構(gòu)信息的組合。亮度信息 l(x,y) 、對比度信息 c(x,y) 和結(jié)構(gòu)信息 s(x,y) 分別用下列公式計算:

    l(x,y)= 2μ xμ y+C 1 μ 2 x+μ 2 y+C 1 ??(4)

    c(x,y)= 2σ xσ y+C 2 σ 2 x+σ 2 y+C 2 ??(5)

    s(x,y)= σ? xy +C 3 σ xσ y+C 3 ??(6)

    式中 μ? x? 和 μ? y? 反映花粉、孢子圖像的亮度均值信息, σ? x? 和 σ? y? 反映花粉、孢子圖像的對比度方差, σ? xy? 是反映兩幅圖像的結(jié)構(gòu)信息相關(guān)系數(shù), C? 1? 、 C? 2? 和 C? 3? 為常量系數(shù)。綜合上述3類信息計算2幅圖的結(jié)構(gòu)相似性( SSIM ):

    SSIM(x,y,z)=[l(x,y)] α[c(x,y)] β[s(x,y)] γ? (7)

    1.4.3.2 增廣結(jié)果? 利用pix2pix網(wǎng)絡(luò)對花粉孢子的原始圖像(圖6a)進(jìn)行增廣生成仿真圖像。如圖6b~6e所示,pix2pix模型生成的仿真圖像與原始圖像存在較高的相似性,前景、背景基本一致?;ǚ?、孢子數(shù)據(jù)集由最初的 1 181 張圖像、擴充至 5 905 張圖像;單個類別最少的花粉、孢子圖像由5張擴充至25張,數(shù)據(jù)樣本得到顯著增廣。

    使用結(jié)構(gòu)相似性模型計算原始圖像與仿真圖像的相似度,整體平均相似度達(dá)到85.4%;綱目Pinopsida相似度平均值最高,達(dá)到91.48%;綱目Campanulids相似度平均值最低,達(dá)到81.1%;綱目Pinopsida相似度中位值最高,達(dá)到93.28%;綱目Basal core eudicots相似度中位值最低,達(dá)到79.44%。各個花粉、孢子綱目相似度分布如圖7所示。

    2 結(jié) 果

    基于花粉、孢子圖像增廣數(shù)據(jù)集,選取Faster RCNN? [30] 、YOLOv3? [31] 模型建立花粉、孢子檢測算法,用來驗證本文圖像增廣算法對于提升花粉、孢子檢測效果的有效性。

    Faster RCNN是兩階段目標(biāo)檢測算法,基于CNN? [32] 的方法可以從花粉、孢子圖像樣本中學(xué)習(xí)特征,提取與圖像更相符的特征,提高檢測準(zhǔn)確度。VGG16網(wǎng)絡(luò)? [33] 的結(jié)構(gòu)相對簡單,性能比較高效。具體工作流程為:輸入花粉、孢子圖像并調(diào)整尺寸大小后送入卷積層,通過卷積層獲得花粉、孢子圖像的特征圖,RPN從特征圖中生成若干個候選框。再通過ROI pooling層提取候選框和卷積層輸出的特征圖。最后將其送入全連接層進(jìn)行分類和回歸。

    另一種以YOLOv3為代表的單階段目標(biāo)檢測算法,YOLOv3算法基于Darknet53網(wǎng)絡(luò)結(jié)構(gòu),借鑒殘差網(wǎng)絡(luò)思想優(yōu)化特征提取過程,輸出多尺度特征; YOLOv3算法采用多尺度預(yù)測網(wǎng)絡(luò),將提取的特征進(jìn)行回歸,確定目標(biāo)邊框的位置、類別、置信度,最后使用非極大值抑制算法保留置信度高的預(yù)測框。

    2.1 檢測評價指標(biāo)

    為了檢驗花粉、孢子的識別效果,采用機器學(xué)習(xí)常見的3種指標(biāo),分別為準(zhǔn)確率( Accuracy )、精準(zhǔn)率( Precision )、召回率 (Recall ),計算公式如下:

    Accuracy = ?TP+TN TP+TN+FP+FN? ?(8)

    Precision=?? TP TP+FP? ?(9)

    Recall = ?TP TP+FN? ?(10)

    上述公式中 TP 為正確識別正樣數(shù)量, FP 為錯誤識別正樣本數(shù)量, TN 為正確識別負(fù)樣本數(shù)量, FN 為錯誤識別負(fù)樣本數(shù)量。

    2.2 花粉、孢子檢測結(jié)果

    為了驗證花粉、孢子圖像增廣對花粉、孢子識別的影響,基于149種花粉、孢子分別構(gòu)建了增廣前和增廣后的數(shù)據(jù)集,分別按照 8∶ 2劃分訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。再使用檢測模型對比圖像增廣前后花粉、孢子檢測效果。由于篇幅有限,本研究僅列舉部分花粉、孢子類別作為示意圖。以Faster RCNN檢測模型為例,主要列舉ilex aquifolium、asplenium hemionitis、andryala pinnatifida、gevuina avellana等10種花粉、孢子的檢測效果,其中圖8a、圖8c為圖像增廣前花粉、孢子檢測效果,圖8b、圖8d為為增廣后花粉、孢子檢測效果。

    以YOLOv3檢測模型為例,主要列舉soldanella alpina、salacia chlorantha、mitraria coccinea、atriplex portulacoides等10種花粉、孢子的檢測效果,其中圖9a、圖9c為圖像增廣前花粉、孢子檢測效果,圖9b、圖9d為增廣后花粉、孢子檢測效果。

    從圖8、圖9中對比可以得出,經(jīng)過圖像增廣后,原有無法識別或錯誤識別的部分花粉、孢子圖像能夠被準(zhǔn)確檢測,圖像檢測結(jié)果對比顯示經(jīng)過增廣后花粉、孢子圖像的識別效果顯著提高?;贔aster RCNN檢測模型,經(jīng)過增廣后圖像識別的準(zhǔn)確率、精準(zhǔn)率、召回率分別提升3.81個百分點、5.98個百分點、2.06個百分點;基于YOLOv3檢測模型,經(jīng)過增廣后圖像識別的準(zhǔn)確率、精準(zhǔn)率、召回率則分別提升3.58個百分點、4.93個百分點、2.22個百分點(圖10)。

    3 討 論

    本研究建立卷積評價機制改進(jìn)自適應(yīng)閾值的花粉、孢子圖像分割算法? [27] ,利用圖像卷積計算后的距離差為度量標(biāo)準(zhǔn)擇優(yōu)選取語義分割圖像,相對于常見的Otsu閾值分割法、區(qū)域生長閾值分割法、Canny邊緣分割法和自適應(yīng)閾值分割法有更高的分割精準(zhǔn)度,有助于圖像增廣模型生成細(xì)節(jié)更逼真的孢子圖像。

    基于Pix2Pix網(wǎng)絡(luò)? [28] 的花粉、孢子圖像增廣模型,生成器使用U-Net結(jié)構(gòu),能夠多層次提取特征并綜合;判別器借鑒PatchGAN結(jié)構(gòu),能夠突出圖像細(xì)節(jié)。而傳統(tǒng)圖像增廣主要通過旋轉(zhuǎn)、翻轉(zhuǎn)、平移等方式擴充樣本數(shù)據(jù)集,本質(zhì)是同一張圖像,獲得的信息增益有限。相對于GAN、CAGN、ACGAN模型,結(jié)合語義分割圖像的Pix2Pix增廣模型,生成的花粉、孢子圖像輪廓、紋理、主體結(jié)構(gòu)更加逼真。

    利用圖像增廣后的樣本數(shù)據(jù)集訓(xùn)練Faster RCNN、YOLOv3花粉、孢子檢測模型,能夠有效提升花粉、孢子檢測效果。此前基于神經(jīng)網(wǎng)絡(luò)的花粉、孢子檢測? [18] 主要涉及10余種類別,精準(zhǔn)率89%,拓展花粉、孢子類別后精準(zhǔn)率有所下降。本研究算法在149種類別花粉、孢子的基礎(chǔ)上,基于Faster RCNN及YOLOv3檢測模型的檢測精準(zhǔn)率分別達(dá)到92.16%、90.57%,拓展花粉、孢子檢測類別的背景下能夠取得更高的精準(zhǔn)率。

    本研究算法解決了實際應(yīng)用中花粉、孢子采樣難、樣本少、種類繁多的難題,為基于圖像處理技術(shù)的花粉、孢子或其他顯微鏡下目標(biāo)檢測提供了科學(xué)依據(jù),具有較高的研究應(yīng)用價值。但是當(dāng)前的算法涉及階段多,工作流程長。后續(xù)研究中將把花粉、孢子圖像增廣模型和花粉、孢子圖像檢測模型融合,建立圖像增廣與花粉、孢子檢測一體化模型。

    參考文獻(xiàn):

    [1]? 吳瑞民,李朝獻(xiàn),李妤蓉. 5種快速方法檢測真菌孢子的比較[J]. 國際檢驗醫(yī)學(xué)雜志,2015,36(9):1257-1258.

    [2] 劉 惠,冀榮華,祁力鈞,等. 基于PCA和BP神經(jīng)網(wǎng)絡(luò)的萬壽菊黑斑病孢子識別[J].中國農(nóng)業(yè)大學(xué)學(xué)報,2015,20(6):263-268.

    [3] 謝永華,趙賢國,王 琢. 基于突變點幾何約束直方圖的花粉圖像識別[J]. 計算機仿真, 2018,35(12):411-416.

    [4] GEETHA N K, BRIDJESH P. Overview of machine learning and its adaptability in mechanical engineering[J]. Materials Today: Proceedings,2020,9:611-617.

    [5] RONG C. A summary of research on deep learning in time series learning methods[J]. International Core Journal of Engineering, 2020, 6(9):24-30.

    [6] LECROSNIER L, KHEMMAR R, RAGOT N, et al. Deep learning-based object detection, localisation and tracking for smart wheelchair healthcare mobility[J]. International Journal of Environmental Research and Public Health,2020, 18(1):91-99.

    [7] YANG J, LI S B, WANG Z, et al. Using deep learning to detect defects in manufacturing: A comprehensive survey and current challenges[J]. Materials (Basel, Switzerland),2020, 13(24):55-57.

    [8] MING-FONG T, HUNG-JU T. Enhancing the identification accuracy of deep learning object detection using natural language processing[J]. The Journal of Supercomputing,2021,20(3):525-527.

    [9] ITO S, ANDO K, KOBAYASHI K, et al. Automated detection of spinal schwannomas utilizing deep learning based on object detection from magnetic resonance imaging[J]. Spine, 2021, 46(2):195-200.

    [10] ZENG Y N, DUAN Q W, CHEN X R, et al. UAVData: A dataset for unmanned aerial vehicle detection[J]. Soft Computing,2021, 25:5385-5393.

    [11] HU J Y, RICHARD S C J, ZHANG J S. Saliency-based YOLO for single target detection[J]. Knowledge and Information Systems,2021,63 :717-732.

    [12] KARIM S, ZHANG Y, YIN S L, et al. Auxiliary bounding box regression for object detection in optical remote sensing imagery[J]. Sensing and Imaging,2021, 22(1):305-315.

    [13] SONG Z N, SUI H G, LI H. A hierarchical object detection method in large-scale optical remote sensing satellite imagery using saliency detection and CNN[J]. International Journal of Remote Sensing, 2021, 42(8):2827-2847.

    [14] ZHOU S R, JIA Q. Enhanced SSD with interactive multi-scale attention features for object detection[J]. Multimedia Tools and Applications,2021,80(11):539-556.

    [15] LI H, DONG Y, XU L W, et al. Object detection method based on global feature augmentation and adaptive regression in IoT[J]. Neural Computing and Applications,2021, 33(4):119-131.

    [16] OMARA I, HAGAG A, MA G Z, et al. A novel approach for ear recognition: learning Mahalanobis distance features from deep CNNs[J]. Machine Vision and Applications,2021, 38(20):1155-1160.

    [17] GAO J F, QUMMAR S, ZHANG J M, et al. Ensemble framework of deep CNNs for diabetic retinopathy detection[J]. Computational Intelligence and Neuroscience, 2020,8(6):698-709.

    [18] RAMON G C,CARLOS J G O, ANTONIO G M, et al. Precise pollen grain detection in bright field microscopy using deep learning techniques [J].Sensors, 2019, 19(3): 583-595.

    [19] VOACTOR S, JOSE A L, AZNARTE I D. Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks[J]. PLoS One,2018,13(9): 107-120.

    [20] 潘浩晨,舒軍武. 第四紀(jì)主要孢粉數(shù)據(jù)庫評述[J]. 微體古生物學(xué)報,2020,37(2):188-196.

    [21] PANG Y T, ZHOU X Y, HE W, et al. Uniform design-based gaussian process regression for data-driven rapid fragility assessment of bridges[J]. Journal of Structural Engineering,2021, 147(4):387-399.

    [22] WANG J H, GUO Y, WANG Z H, et al. Advancing graph convolution network with revised laplacian matrix[J]. Chinese Journal of Electronics,2020, 29(6):1134-1140.

    [23] ZOU L, SONG L T, WEISE T, et al. A survey on regional level set image segmentation models based on the energy functional similarity measure[J]. Neurocomputing, 2020,45(2):606-622.

    [24] HUANG C Y, LI X R, WEN Y L. An OTSU image segmentation based on fruitfly optimization algorithm[J]. Alexandria Engineering Journal,2021, 60(1):183-188.

    [25] JIANG Y K, QIAN J H, LU S J, et al. LRVRG: a local region-based variational region growing algorithm for fast mandible segmentation from CBCT images[J]. Oral Radiology,2021, 9(1):201-210.

    [26] HUANG C, JIN W, XU Q, et al. Sub-pixel edge detection algorithm based on canny-zernike moment method[J]. Journal of Circuits, Systems and Computers,2020, 29(15):273-285.

    [27] WANG T, WANG X F, GEORGE S L, et al. Design and analysis of biomarker-integrated clinical trials with adaptive threshold detection and flexible patient enrichment[J]. Journal of Biopharmaceutical Statistics, 2020,30(6) :1060-1076.

    [28] WEN P, CARLOS T V, MICHAEL J P. Stochastic pix2pix: A new machine learning method for geophysical and well conditioning of rule-based channel reservoir models[J]. Natural Resources Research, 2020, 30:1319-1345.

    [29] 張偌雅,李珍珍.數(shù)字圖像質(zhì)量評價綜述[J].現(xiàn)代計算機,2017(29):78-81.

    [30] MA S L, HUANG Y, CHE X J, et al. Faster RCNN-based detection of cervical spinal cord injury and disc degeneration[J]. Journal of Applied Clinical Medical Physics,2020, 21(9):235-243.

    [31] AHMED I, JEON G, CHEHRI A, et al. Adapting Gaussian YOLOv3 with transfer learning for overhead view human detection in smart cities and societies[J]. Sustainable Cities and Society, 2021, 10(70):290-298.

    [32] HE F, CHUN R K M, QIU Z C, et al. Choroid segmentation of retinal OCT images based on CNN classifier and fitter[J]. Computational and Mathematical Methods in Medicine,2021,33(5):108-119.

    [33] ZHANG Z P, HE J, ZHANG Z W, et al. Emotion recognition algorithm based on panorama-plane mapping dataset and VGG16 in prison monitoring system[J]. Journal of Physics: Conference Series,2020, 16(27):120-130.

    (責(zé)任編輯:張震林)

    猜你喜歡
    圖像分割
    基于圖像分割和LSSVM的高光譜圖像分類
    計算機定量金相分析系統(tǒng)的軟件開發(fā)與圖像處理方法
    基于自動智能分類器的圖書館亂架圖書檢測
    基于灰色系統(tǒng)理論的數(shù)字圖像處理算法
    一種改進(jìn)的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    基于魯棒性的廣義FCM圖像分割算法
    一種改進(jìn)的遺傳算法在圖像分割中的應(yīng)用
    科技視界(2016年13期)2016-06-13 20:55:38
    基于QPSO聚類算法的圖像分割方法
    科技視界(2016年12期)2016-05-25 11:54:25
    变态另类成人亚洲欧美熟女 | 少妇的丰满在线观看| 免费搜索国产男女视频| 日韩欧美免费精品| 亚洲性夜色夜夜综合| 天天添夜夜摸| 91av网站免费观看| 久久久久久久精品吃奶| 国产精品久久久久久人妻精品电影| 久久精品人人爽人人爽视色| 1024香蕉在线观看| 国产高清激情床上av| 久久国产乱子伦精品免费另类| 亚洲美女黄片视频| 亚洲成人免费av在线播放| 午夜影院日韩av| 国产xxxxx性猛交| 无遮挡黄片免费观看| 99re在线观看精品视频| 最好的美女福利视频网| 久久欧美精品欧美久久欧美| 亚洲少妇的诱惑av| 最好的美女福利视频网| 啦啦啦免费观看视频1| 天天影视国产精品| 日本 av在线| 亚洲精品一二三| 国产欧美日韩精品亚洲av| 欧美黄色片欧美黄色片| 日本精品一区二区三区蜜桃| 国产精品一区二区三区四区久久 | 日本撒尿小便嘘嘘汇集6| 欧美日韩一级在线毛片| 无人区码免费观看不卡| 久久这里只有精品19| 日本撒尿小便嘘嘘汇集6| 成年女人毛片免费观看观看9| 欧美丝袜亚洲另类 | 国产精品亚洲一级av第二区| 欧美日韩av久久| 国产精品亚洲一级av第二区| 欧美日韩亚洲高清精品| 大型黄色视频在线免费观看| 伊人久久大香线蕉亚洲五| 亚洲精品在线观看二区| 婷婷精品国产亚洲av在线| 久久人人97超碰香蕉20202| 999久久久国产精品视频| 欧美+亚洲+日韩+国产| 97碰自拍视频| 国产av在哪里看| 无遮挡黄片免费观看| 日韩欧美一区视频在线观看| 国产免费av片在线观看野外av| 国产一卡二卡三卡精品| 国产一区二区在线av高清观看| 国产一区二区三区在线臀色熟女 | 国产精品电影一区二区三区| 日日爽夜夜爽网站| 国产亚洲精品综合一区在线观看 | 曰老女人黄片| 一本综合久久免费| 欧美日韩精品网址| 久久性视频一级片| 黄色视频,在线免费观看| 成在线人永久免费视频| 亚洲七黄色美女视频| 嫁个100分男人电影在线观看| av超薄肉色丝袜交足视频| 国产精品 国内视频| 最近最新免费中文字幕在线| 欧美成狂野欧美在线观看| 99久久国产精品久久久| 黄色片一级片一级黄色片| 久久久久久亚洲精品国产蜜桃av| 精品日产1卡2卡| 搡老乐熟女国产| 免费在线观看日本一区| 国产成人免费无遮挡视频| 欧美日韩国产mv在线观看视频| 午夜福利影视在线免费观看| 亚洲色图av天堂| 久久久久久免费高清国产稀缺| 亚洲精品中文字幕在线视频| 老熟妇仑乱视频hdxx| 成人av一区二区三区在线看| 女人高潮潮喷娇喘18禁视频| 国产又爽黄色视频| 国产蜜桃级精品一区二区三区| 国产成年人精品一区二区 | 人人澡人人妻人| 在线国产一区二区在线| 色婷婷久久久亚洲欧美| 亚洲欧美日韩另类电影网站| 99久久久亚洲精品蜜臀av| 在线观看一区二区三区激情| 欧美在线黄色| 欧美午夜高清在线| 亚洲中文av在线| 高清黄色对白视频在线免费看| 久久天躁狠狠躁夜夜2o2o| 成人黄色视频免费在线看| 最新在线观看一区二区三区| av网站在线播放免费| 高潮久久久久久久久久久不卡| 看黄色毛片网站| 曰老女人黄片| 老汉色∧v一级毛片| 国产男靠女视频免费网站| 精品人妻在线不人妻| 亚洲精品美女久久久久99蜜臀| 久久中文字幕人妻熟女| 免费搜索国产男女视频| 亚洲色图 男人天堂 中文字幕| 首页视频小说图片口味搜索| 欧美成人免费av一区二区三区| 黄片播放在线免费| 亚洲自偷自拍图片 自拍| 老汉色∧v一级毛片| 亚洲国产毛片av蜜桃av| 天堂动漫精品| 久久精品国产亚洲av高清一级| 一区二区三区精品91| 国产区一区二久久| 黄色丝袜av网址大全| 9色porny在线观看| 好看av亚洲va欧美ⅴa在| 黄色成人免费大全| 悠悠久久av| 午夜a级毛片| 黄色视频不卡| 国产成人精品久久二区二区91| 一区二区三区精品91| 大码成人一级视频| 两个人看的免费小视频| 国产免费男女视频| 色哟哟哟哟哟哟| 成人三级黄色视频| 久久精品影院6| 亚洲av熟女| 午夜精品久久久久久毛片777| 亚洲男人的天堂狠狠| 久久 成人 亚洲| 757午夜福利合集在线观看| 欧美亚洲日本最大视频资源| 在线观看免费视频网站a站| 91成年电影在线观看| 这个男人来自地球电影免费观看| 性欧美人与动物交配| 人人澡人人妻人| 韩国av一区二区三区四区| 999久久久精品免费观看国产| 精品久久久久久,| 国产三级黄色录像| 麻豆av在线久日| 亚洲人成伊人成综合网2020| 久久影院123| 欧美性长视频在线观看| 亚洲 国产 在线| 午夜福利,免费看| 少妇裸体淫交视频免费看高清 | 黄片大片在线免费观看| 在线av久久热| 黄色怎么调成土黄色| 黑人巨大精品欧美一区二区mp4| 午夜影院日韩av| 啦啦啦 在线观看视频| 18禁裸乳无遮挡免费网站照片 | 亚洲 欧美 日韩 在线 免费| 日韩欧美国产一区二区入口| 亚洲第一青青草原| 亚洲黑人精品在线| 成人国语在线视频| 夜夜躁狠狠躁天天躁| 欧美不卡视频在线免费观看 | 久久中文看片网| 18美女黄网站色大片免费观看| 免费不卡黄色视频| 亚洲精品av麻豆狂野| 国产精品免费视频内射| 免费看a级黄色片| www.999成人在线观看| 久久久久久久精品吃奶| 免费不卡黄色视频| 国产精品电影一区二区三区| 亚洲专区国产一区二区| 日本欧美视频一区| 国产免费现黄频在线看| 午夜精品在线福利| 高清在线国产一区| 一本大道久久a久久精品| 日本免费一区二区三区高清不卡 | 欧美老熟妇乱子伦牲交| 中亚洲国语对白在线视频| 两人在一起打扑克的视频| 国产野战对白在线观看| 90打野战视频偷拍视频| 欧美色视频一区免费| √禁漫天堂资源中文www| 9191精品国产免费久久| 12—13女人毛片做爰片一| 欧美黑人精品巨大| 久久人妻福利社区极品人妻图片| 大香蕉久久成人网| 精品欧美一区二区三区在线| 久久 成人 亚洲| 不卡一级毛片| 1024香蕉在线观看| 亚洲国产欧美一区二区综合| 成年女人毛片免费观看观看9| 在线国产一区二区在线| 久久婷婷成人综合色麻豆| 亚洲精品粉嫩美女一区| 中文欧美无线码| 成熟少妇高潮喷水视频| 搡老熟女国产l中国老女人| 亚洲五月色婷婷综合| 亚洲国产毛片av蜜桃av| 女性生殖器流出的白浆| 大香蕉久久成人网| www.熟女人妻精品国产| 又黄又粗又硬又大视频| 91成人精品电影| 视频区欧美日本亚洲| tocl精华| 最近最新中文字幕大全电影3 | 亚洲国产毛片av蜜桃av| 十八禁网站免费在线| 18美女黄网站色大片免费观看| 亚洲欧美精品综合久久99| 韩国av一区二区三区四区| 悠悠久久av| 亚洲av成人av| 两性夫妻黄色片| 91大片在线观看| 色老头精品视频在线观看| 日韩成人在线观看一区二区三区| 91成年电影在线观看| av福利片在线| 我的亚洲天堂| 女性被躁到高潮视频| 日韩成人在线观看一区二区三区| videosex国产| 99在线视频只有这里精品首页| 精品国内亚洲2022精品成人| 一边摸一边做爽爽视频免费| 新久久久久国产一级毛片| 国产亚洲精品久久久久5区| 亚洲一区高清亚洲精品| 亚洲av成人一区二区三| 国产欧美日韩一区二区三区在线| 亚洲熟妇熟女久久| 国产精华一区二区三区| 黄色丝袜av网址大全| 九色亚洲精品在线播放| 两个人免费观看高清视频| 国产伦人伦偷精品视频| 大码成人一级视频| 日韩精品中文字幕看吧| 久久精品国产亚洲av香蕉五月| 欧美日韩中文字幕国产精品一区二区三区 | 日韩av在线大香蕉| 91麻豆av在线| 在线十欧美十亚洲十日本专区| 久久久国产欧美日韩av| 午夜亚洲福利在线播放| 色婷婷av一区二区三区视频| xxxhd国产人妻xxx| 99久久久亚洲精品蜜臀av| 欧美黄色片欧美黄色片| 中国美女看黄片| 美女扒开内裤让男人捅视频| 久久精品亚洲精品国产色婷小说| 嫩草影视91久久| 国产黄a三级三级三级人| 亚洲色图 男人天堂 中文字幕| 国产高清videossex| 一边摸一边做爽爽视频免费| 午夜福利欧美成人| 亚洲七黄色美女视频| 婷婷丁香在线五月| 久热爱精品视频在线9| av在线播放免费不卡| 一夜夜www| 亚洲欧美精品综合久久99| 国产成人一区二区三区免费视频网站| 精品一区二区三区av网在线观看| 热re99久久精品国产66热6| 免费在线观看完整版高清| 亚洲精品中文字幕一二三四区| av网站在线播放免费| a级毛片黄视频| 日韩欧美一区二区三区在线观看| 中文字幕另类日韩欧美亚洲嫩草| 久久久久久亚洲精品国产蜜桃av| 亚洲午夜理论影院| 国产真人三级小视频在线观看| 日日干狠狠操夜夜爽| 久久草成人影院| 无限看片的www在线观看| 色在线成人网| 夜夜爽天天搞| www.熟女人妻精品国产| 变态另类成人亚洲欧美熟女 | 国产精品香港三级国产av潘金莲| 日韩视频一区二区在线观看| 很黄的视频免费| 91在线观看av| 一级a爱片免费观看的视频| 亚洲aⅴ乱码一区二区在线播放 | 日日爽夜夜爽网站| 日韩欧美国产一区二区入口| 久久中文字幕人妻熟女| 免费搜索国产男女视频| 最新美女视频免费是黄的| 三上悠亚av全集在线观看| 久久久久久久午夜电影 | av天堂在线播放| 国内毛片毛片毛片毛片毛片| 欧美中文日本在线观看视频| 国产精品一区二区精品视频观看| av视频免费观看在线观看| 久久久久九九精品影院| 亚洲精品av麻豆狂野| 涩涩av久久男人的天堂| 男女下面进入的视频免费午夜 | 两个人看的免费小视频| 久久久久精品国产欧美久久久| 首页视频小说图片口味搜索| 精品卡一卡二卡四卡免费| 久久久国产欧美日韩av| 叶爱在线成人免费视频播放| 日本撒尿小便嘘嘘汇集6| 国产成+人综合+亚洲专区| 波多野结衣av一区二区av| 欧美在线一区亚洲| 精品日产1卡2卡| 日韩精品中文字幕看吧| 日韩精品免费视频一区二区三区| 老鸭窝网址在线观看| 法律面前人人平等表现在哪些方面| 又黄又爽又免费观看的视频| 国产一卡二卡三卡精品| 亚洲一卡2卡3卡4卡5卡精品中文| 一级毛片高清免费大全| 久久国产乱子伦精品免费另类| 男女之事视频高清在线观看| 色婷婷av一区二区三区视频| 国产精品乱码一区二三区的特点 | 国产免费av片在线观看野外av| 中国美女看黄片| 99国产精品99久久久久| 不卡一级毛片| 亚洲片人在线观看| 18美女黄网站色大片免费观看| 日日摸夜夜添夜夜添小说| 不卡一级毛片| 亚洲自拍偷在线| av在线天堂中文字幕 | 久久久精品国产亚洲av高清涩受| 亚洲欧美一区二区三区久久| 91成人精品电影| cao死你这个sao货| 老司机午夜福利在线观看视频| 九色亚洲精品在线播放| www.999成人在线观看| 热99re8久久精品国产| 好看av亚洲va欧美ⅴa在| 日韩 欧美 亚洲 中文字幕| 一区二区三区精品91| 亚洲中文日韩欧美视频| 美女大奶头视频| 大香蕉久久成人网| 可以在线观看毛片的网站| 亚洲全国av大片| 亚洲av第一区精品v没综合| 久久伊人香网站| 国产高清视频在线播放一区| 大型av网站在线播放| 欧美最黄视频在线播放免费 | 欧美一区二区精品小视频在线| 国产亚洲精品久久久久5区| 国产人伦9x9x在线观看| 欧美日韩亚洲高清精品| 欧美成人性av电影在线观看| 欧美久久黑人一区二区| 精品人妻1区二区| 在线看a的网站| 亚洲在线自拍视频| 亚洲精品在线观看二区| 日本a在线网址| 黄片播放在线免费| 嫩草影视91久久| av网站免费在线观看视频| 国产日韩一区二区三区精品不卡| 神马国产精品三级电影在线观看 | 一级,二级,三级黄色视频| 欧美最黄视频在线播放免费 | 性色av乱码一区二区三区2| 亚洲avbb在线观看| 亚洲 欧美 日韩 在线 免费| 亚洲九九香蕉| 国产精品一区二区在线不卡| 日韩精品青青久久久久久| 18美女黄网站色大片免费观看| 久久国产亚洲av麻豆专区| 亚洲专区中文字幕在线| 最近最新中文字幕大全免费视频| 丁香六月欧美| 一a级毛片在线观看| 很黄的视频免费| 超碰97精品在线观看| 久久久久久久久久久久大奶| 精品卡一卡二卡四卡免费| 国产成年人精品一区二区 | 无遮挡黄片免费观看| 桃红色精品国产亚洲av| 女人爽到高潮嗷嗷叫在线视频| 1024香蕉在线观看| 精品一区二区三区四区五区乱码| 九色亚洲精品在线播放| 亚洲狠狠婷婷综合久久图片| 最新美女视频免费是黄的| 亚洲国产精品sss在线观看 | 视频区欧美日本亚洲| 国产蜜桃级精品一区二区三区| 激情在线观看视频在线高清| 日韩高清综合在线| 午夜福利影视在线免费观看| 免费av中文字幕在线| 亚洲人成网站在线播放欧美日韩| 亚洲精品美女久久av网站| 欧美一级毛片孕妇| 一进一出抽搐gif免费好疼 | 热99国产精品久久久久久7| 亚洲久久久国产精品| 欧美另类亚洲清纯唯美| 在线观看免费高清a一片| 18禁观看日本| 久久天躁狠狠躁夜夜2o2o| netflix在线观看网站| 88av欧美| 中文字幕色久视频| 国产一区二区三区视频了| 久久中文字幕人妻熟女| 久久久久久久久免费视频了| 国产又爽黄色视频| 欧美日韩福利视频一区二区| 九色亚洲精品在线播放| 久久久精品欧美日韩精品| 久久午夜综合久久蜜桃| 在线视频色国产色| 日韩高清综合在线| 韩国av一区二区三区四区| 十八禁网站免费在线| 亚洲一区高清亚洲精品| 久久精品91蜜桃| 日本免费a在线| 成人影院久久| 免费看a级黄色片| 制服诱惑二区| 欧美日韩av久久| 亚洲九九香蕉| 亚洲欧洲精品一区二区精品久久久| www.自偷自拍.com| 日韩高清综合在线| 激情在线观看视频在线高清| 欧美激情极品国产一区二区三区| 欧美另类亚洲清纯唯美| 村上凉子中文字幕在线| 青草久久国产| 色婷婷久久久亚洲欧美| 99在线人妻在线中文字幕| 一级片'在线观看视频| 悠悠久久av| 中文字幕人妻丝袜制服| 91老司机精品| 在线观看免费视频网站a站| 18禁黄网站禁片午夜丰满| 国产一区二区三区视频了| 一夜夜www| 中文字幕高清在线视频| 久久久水蜜桃国产精品网| √禁漫天堂资源中文www| 在线视频色国产色| 别揉我奶头~嗯~啊~动态视频| 国产精品免费视频内射| 黄色视频,在线免费观看| av国产精品久久久久影院| 少妇被粗大的猛进出69影院| 欧美中文日本在线观看视频| 大型黄色视频在线免费观看| 大香蕉久久成人网| 久久久久国产精品人妻aⅴ院| 亚洲人成77777在线视频| 窝窝影院91人妻| a级片在线免费高清观看视频| 熟女少妇亚洲综合色aaa.| av中文乱码字幕在线| 真人一进一出gif抽搐免费| 亚洲三区欧美一区| 夜夜爽天天搞| 成人永久免费在线观看视频| 黄色视频,在线免费观看| 日日爽夜夜爽网站| 日本黄色日本黄色录像| 高清在线国产一区| 精品一品国产午夜福利视频| av片东京热男人的天堂| 身体一侧抽搐| 久久久久九九精品影院| 成年版毛片免费区| 在线看a的网站| 欧美人与性动交α欧美软件| 一个人免费在线观看的高清视频| 9色porny在线观看| 国产欧美日韩一区二区三| 午夜久久久在线观看| 美女大奶头视频| 97超级碰碰碰精品色视频在线观看| 亚洲av成人不卡在线观看播放网| tocl精华| 精品国产超薄肉色丝袜足j| 午夜福利在线观看吧| 一级黄色大片毛片| 精品福利永久在线观看| 精品卡一卡二卡四卡免费| 国产午夜精品久久久久久| 免费一级毛片在线播放高清视频 | 99国产精品免费福利视频| 精品第一国产精品| av视频免费观看在线观看| 国产激情久久老熟女| 午夜a级毛片| 成年女人毛片免费观看观看9| 亚洲美女黄片视频| 精品国产一区二区久久| 国产精品1区2区在线观看.| 日韩av在线大香蕉| 欧美日韩国产mv在线观看视频| 99精国产麻豆久久婷婷| 中文字幕高清在线视频| 成年人免费黄色播放视频| 日日摸夜夜添夜夜添小说| 亚洲精品粉嫩美女一区| av国产精品久久久久影院| 啦啦啦 在线观看视频| 脱女人内裤的视频| 黄色视频不卡| 国产成人免费无遮挡视频| 国产精品日韩av在线免费观看 | 欧美性长视频在线观看| 69av精品久久久久久| 亚洲av五月六月丁香网| 夜夜爽天天搞| 欧美日韩瑟瑟在线播放| 久久天躁狠狠躁夜夜2o2o| 制服人妻中文乱码| 免费一级毛片在线播放高清视频 | 一进一出抽搐gif免费好疼 | 免费在线观看视频国产中文字幕亚洲| 国产成年人精品一区二区 | 久久久久久免费高清国产稀缺| 丝袜人妻中文字幕| 国产成+人综合+亚洲专区| 在线天堂中文资源库| 看黄色毛片网站| 久久中文看片网| 国产精品一区二区免费欧美| 免费在线观看完整版高清| 9色porny在线观看| 亚洲精品美女久久av网站| 看片在线看免费视频| 精品国产乱码久久久久久男人| 免费在线观看视频国产中文字幕亚洲| 人成视频在线观看免费观看| 国产精品99久久99久久久不卡| 日韩高清综合在线| 午夜两性在线视频| 中文字幕人妻熟女乱码| 波多野结衣高清无吗| 91麻豆av在线| 看免费av毛片| 19禁男女啪啪无遮挡网站| www.精华液| 国产欧美日韩精品亚洲av| 日日摸夜夜添夜夜添小说| 国产精品爽爽va在线观看网站 | 久久久久国产一级毛片高清牌| 99久久久亚洲精品蜜臀av| 久久香蕉激情| 亚洲成人久久性| 欧美日韩福利视频一区二区| 少妇粗大呻吟视频| 视频区图区小说| 午夜免费成人在线视频| 欧美成人免费av一区二区三区| 久热这里只有精品99| 亚洲情色 制服丝袜| 久久久久久大精品| 免费在线观看视频国产中文字幕亚洲| 亚洲一区二区三区欧美精品| 色哟哟哟哟哟哟| 免费在线观看亚洲国产| 午夜a级毛片| 亚洲情色 制服丝袜| 国产午夜精品久久久久久| 窝窝影院91人妻| 久久久久久大精品| 欧美国产精品va在线观看不卡| 国产精品偷伦视频观看了| 亚洲熟女毛片儿| 又大又爽又粗| 好男人电影高清在线观看| 桃色一区二区三区在线观看|