• <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 ?

    改進(jìn)ResNet18網(wǎng)絡(luò)模型的羊肉部位分類與移動(dòng)端應(yīng)用

    2021-11-24 12:40:54張垚鑫朱榮光孟令峰王世昌白宗秀崔曉敏
    關(guān)鍵詞:羊肉準(zhǔn)確率卷積

    張垚鑫,朱榮光,孟令峰,馬 蓉,王世昌,白宗秀,崔曉敏

    改進(jìn)ResNet18網(wǎng)絡(luò)模型的羊肉部位分類與移動(dòng)端應(yīng)用

    張垚鑫1,2,朱榮光1,2※,孟令峰1,馬 蓉1,王世昌1,白宗秀1,崔曉敏1

    (1. 石河子大學(xué)機(jī)械電氣工程學(xué)院,石河子 832003;2. 農(nóng)業(yè)農(nóng)村部西北農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室,石河子 832003)

    針對(duì)傳統(tǒng)圖像分類模型泛化性不強(qiáng)、準(zhǔn)確率不高以及耗時(shí)等問(wèn)題,該研究構(gòu)建了一種用于識(shí)別不同部位羊肉的改進(jìn)ResNet18網(wǎng)絡(luò)模型,并基于智能手機(jī)開(kāi)發(fā)了一款可快速識(shí)別不同部位羊肉的應(yīng)用軟件。首先,使用數(shù)據(jù)增強(qiáng)方式對(duì)采集到的羊背脊、羊前腿和羊后腿肉的原始手機(jī)圖像進(jìn)行數(shù)據(jù)擴(kuò)充;其次,在ResNet18網(wǎng)絡(luò)結(jié)構(gòu)中引入附加角裕度損失函數(shù)(ArcFace)作為特征優(yōu)化層參與訓(xùn)練,通過(guò)優(yōu)化類別的特征以增強(qiáng)不同部位羊肉之間的類內(nèi)緊度和類間差異,同時(shí)將ResNet18網(wǎng)絡(luò)殘差結(jié)構(gòu)中的傳統(tǒng)卷積用深度可分離卷積替換以減少網(wǎng)絡(luò)參數(shù)量,提高網(wǎng)絡(luò)運(yùn)行速度;再次,探究了不同優(yōu)化器、學(xué)習(xí)率和權(quán)重衰減系數(shù)對(duì)網(wǎng)絡(luò)收斂速度和準(zhǔn)確率的影響并確定模型參數(shù);最后,將該網(wǎng)絡(luò)模型移植到安卓(Android)手機(jī)以實(shí)現(xiàn)不同部位羊肉的移動(dòng)端檢測(cè)。研究結(jié)果表明,改進(jìn)ResNet18網(wǎng)絡(luò)模型測(cè)試集的準(zhǔn)確率高達(dá)97.92%,相比ResNet18網(wǎng)絡(luò)模型提高了5.92個(gè)百分點(diǎn);把改進(jìn)ResNet18網(wǎng)絡(luò)模型部署到移動(dòng)端后,每張圖片的檢測(cè)時(shí)間約為0.3 s。該研究利用改進(jìn)ResNet18網(wǎng)絡(luò)模型結(jié)合智能手機(jī)圖像實(shí)現(xiàn)了不同部位羊肉的移動(dòng)端快速準(zhǔn)確分類,為促進(jìn)羊肉的智能化檢測(cè)及羊肉市場(chǎng)按質(zhì)論價(jià)提供了技術(shù)支持。

    圖像處理;圖像識(shí)別;模型;羊肉;ResNet18;移動(dòng)端;羊肉部位分類

    0 引 言

    羊肉的肉質(zhì)鮮嫩,營(yíng)養(yǎng)價(jià)值高,且其中含有豐富的維生素、鈣、磷、鐵等,深受人們喜愛(ài)[1]。不同部位羊肉的品質(zhì)[2-3]以及脂肪酸、蛋白質(zhì)等營(yíng)養(yǎng)成分含量[4-5]各不相同,且不同部位羊肉的顏色、失水率、風(fēng)味、嫩度和加工適宜性等也會(huì)隨儲(chǔ)藏時(shí)間改變[6]。隨著人們生活水平的不斷提高,對(duì)肉制品真實(shí)性的要求也越來(lái)越高,然而不同部位的羊肉經(jīng)常被混淆出售,該行為破壞了市場(chǎng)“按質(zhì)論價(jià)”的原則。因此,尋求一種快速、準(zhǔn)確鑒別不同部位羊肉的方法對(duì)維護(hù)肉制品行業(yè)的市場(chǎng)秩序具有重要意義。

    目前,用于肉制品檢測(cè)的技術(shù)主要有近紅外光譜、高光譜成像以及傳感器(電子鼻、電子舌)檢測(cè)等[7]。Sanz等[8]將高光譜成像技術(shù)與機(jī)器學(xué)習(xí)算法相結(jié)合,對(duì)羔羊的背長(zhǎng)肌、腰大肌、半膜肌進(jìn)行分類,準(zhǔn)確率為96.67%。Kamruzzaman等[9]采用高光譜成像技術(shù)結(jié)合主成分分析算法對(duì)夏洛萊羊的半腱肌、背闊肌和腰大肌進(jìn)行了分類,準(zhǔn)確率高達(dá)100%。但上述方法因成本高和操作復(fù)雜等缺點(diǎn)難以應(yīng)用推廣。隨著手機(jī)運(yùn)算速度的提高,基于移動(dòng)端的肉制品檢測(cè)研究逐漸增多[10-12]。趙鑫龍等[10]基于智能手機(jī)開(kāi)發(fā)了一種用于牛肉大理石花紋檢測(cè)的軟件,檢測(cè)準(zhǔn)確率為95.56%,且單張檢測(cè)時(shí)間低于0.5 s。然而,有關(guān)不同部位羊肉分類判別應(yīng)用軟件的研究仍然較少,孟令峰等[11]利用反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)基于手機(jī)圖片的不同部位羊肉進(jìn)行分類,并開(kāi)發(fā)了相應(yīng)的手機(jī)應(yīng)用軟件,但其準(zhǔn)確率為90.94%,方法精度有限。

    近年來(lái),各種卷積神經(jīng)網(wǎng)絡(luò)模型不斷涌現(xiàn),其網(wǎng)絡(luò)層次越來(lái)越深,結(jié)構(gòu)越來(lái)越復(fù)雜,精度越來(lái)越高[13-16]。目前,深度學(xué)習(xí)已逐步應(yīng)用于農(nóng)畜產(chǎn)品新鮮度[17]、成熟度[18]、品質(zhì)檢測(cè)[19-20]和摻假檢測(cè)[21-23]等相關(guān)研究。當(dāng)深度學(xué)習(xí)的網(wǎng)絡(luò)深度達(dá)到一定界限時(shí),在其訓(xùn)練過(guò)程中會(huì)出現(xiàn)梯度消失的現(xiàn)象,導(dǎo)致網(wǎng)絡(luò)難以收斂。ResNet網(wǎng)絡(luò)[24]通過(guò)引入殘差結(jié)構(gòu)解決該問(wèn)題,現(xiàn)已應(yīng)用于茶葉[25]、柑橘[26]等其他食品分類中,但仍存在參數(shù)過(guò)多、運(yùn)算成本高等問(wèn)題。因此,一些網(wǎng)絡(luò)為了提高運(yùn)行速度,將訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行壓縮或?qū)⒕W(wǎng)絡(luò)結(jié)構(gòu)輕量化[27]。有研究表明,MobileNet網(wǎng)絡(luò)[28]中的深度可分離卷積能在不影響準(zhǔn)確率的前提下降低計(jì)算量,提高運(yùn)行速度。由于羊背脊、羊后腿、羊前腿等不同部位的羊肉顏色和紋理特征較為相似,導(dǎo)致不同部位羊肉類別之間的區(qū)分精度不高,且不同的貯藏時(shí)間會(huì)影響不同羊肉部位的外觀形態(tài)進(jìn)而對(duì)部位的區(qū)分產(chǎn)生影響。因此,為增強(qiáng)不同部位羊肉之間差異的判別效果,提高網(wǎng)絡(luò)模型的分類精度,本研究借鑒人臉識(shí)別中的附加角裕度損失函數(shù)(ArcFace)[29],并將其作為不同部位羊肉分類網(wǎng)絡(luò)模型的特征優(yōu)化層參與訓(xùn)練,通過(guò)最大化分類界限區(qū)分不同部位羊肉之間的細(xì)微特征。

    本研究為實(shí)現(xiàn)基于手機(jī)圖像的不同部位羊肉分類判別,引入附加角裕度損失函數(shù)(ArcFace)作為ResNet18網(wǎng)絡(luò)的特征優(yōu)化層以增強(qiáng)不同部位羊肉特征之間的可分性,并借鑒MobileNet輕量化網(wǎng)絡(luò),將ResNet18網(wǎng)絡(luò)殘差結(jié)構(gòu)中的傳統(tǒng)卷積替換為深度可分離卷積以減少網(wǎng)絡(luò)參數(shù)量,進(jìn)而比較不同優(yōu)化器、學(xué)習(xí)率和權(quán)重衰減系數(shù)對(duì)網(wǎng)絡(luò)收斂速度和準(zhǔn)確率的影響,然后建立基于改進(jìn)ResNet18網(wǎng)絡(luò)的不同部位羊肉識(shí)別模型,最后將改進(jìn)ResNet18網(wǎng)絡(luò)模型移植到Android終端。本研究提出在深度學(xué)習(xí)模型中引入Arcface以及深度可分離卷積的方法可為其他深度網(wǎng)絡(luò)改進(jìn)提供參考。另外,本研究開(kāi)發(fā)的不同部位羊肉分類手機(jī)應(yīng)用軟件(APP)將深度學(xué)習(xí)方法應(yīng)用于手機(jī)終端,具有很好的實(shí)用性和便攜性。

    1 材料與方法

    1.1 圖像采集與預(yù)處理

    1.1.1 羊肉樣本圖像采集

    本研究試驗(yàn)樣本采購(gòu)于石河子市中心農(nóng)貿(mào)市場(chǎng),樣本分別取自6只小尾寒羊(6~8月齡),在進(jìn)行約30 h的排酸后送至石河子大學(xué)農(nóng)畜產(chǎn)品實(shí)驗(yàn)室進(jìn)行樣本制備。試驗(yàn)制備的羊背脊、羊前腿和羊后腿肉樣本的長(zhǎng)、寬、高約為40 mm、30 mm、10 mm,將其真空包裝后置于4 ℃冰箱內(nèi)冷藏。為避免外界自然光照對(duì)試驗(yàn)產(chǎn)生影響,使采集環(huán)境更加穩(wěn)定,整個(gè)試驗(yàn)過(guò)程均在封閉環(huán)境下進(jìn)行,并對(duì)光源進(jìn)行補(bǔ)償。圖像采集前,將試驗(yàn)樣本從冰箱中取出,待其恢復(fù)至室溫后使用手機(jī)(華為P10,華為技術(shù)有限公司,中國(guó))進(jìn)行圖像采集,分別于每天的10:00和22:00進(jìn)行2次圖像采集,連續(xù)采集12 d。拍攝過(guò)程中,手機(jī)攝像頭位于羊肉樣本正上方12 cm的位置。試驗(yàn)剔除提前腐敗的異常樣本后,得到羊背脊、羊前腿和羊后腿樣本各14 個(gè),共計(jì)1 008張圖像,圖像格式為.jpg,圖像分辨率為2 976×3 968像素。

    1.1.2 圖像數(shù)據(jù)預(yù)處理

    本研究為提高網(wǎng)絡(luò)模型的適應(yīng)性與泛化性,對(duì)獲得的羊肉圖片采用隨機(jī)旋轉(zhuǎn)、水平和垂直翻轉(zhuǎn)、調(diào)節(jié)亮度飽和度對(duì)比度、添加高斯模糊和椒鹽噪聲等方式進(jìn)行數(shù)據(jù)集擴(kuò)充[30]。擴(kuò)充后的數(shù)據(jù)集數(shù)量為原來(lái)的9倍,共10 080張圖片,不同擴(kuò)充方式下的羊肉圖片示例如圖1所示。本試驗(yàn)所采用的數(shù)據(jù)集包括羊前腿、羊后腿和羊背脊3類不同部位羊肉,為保證樣本量均衡,從每類樣本中隨機(jī)選取2 000張共計(jì)6 000張不同部位羊肉的手機(jī)圖片,按照4∶1的比例劃分為訓(xùn)練集(4 800張)和測(cè)試集(1 200張)。

    1.2 基于改進(jìn)ResNet18網(wǎng)絡(luò)的不同部位羊肉分類模型構(gòu)建

    1.2.1 ResNet18網(wǎng)絡(luò)

    激活函數(shù)隨卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的不斷加深而逐漸增多,從而將輸入數(shù)據(jù)映射到更加離散的高維空間,造成網(wǎng)絡(luò)較難收斂。針對(duì)上述問(wèn)題,He等[24]提出ResNet網(wǎng)絡(luò),其由卷積層、池化層、歸一化層、殘差結(jié)構(gòu)和全連接層等結(jié)構(gòu)組成。ResNet18網(wǎng)絡(luò)通過(guò)引入殘差結(jié)構(gòu)可解決由于網(wǎng)絡(luò)層數(shù)較多而出現(xiàn)的退化問(wèn)題,以免在提取特征過(guò)程中丟失信息。然而,ResNet18網(wǎng)絡(luò)在進(jìn)行多分類時(shí)仍存在類別邊界不清晰、網(wǎng)絡(luò)參數(shù)量過(guò)多和不便移植到手機(jī)端等問(wèn)題。

    1.2.2 附加角裕度損失函數(shù)(ArcFace)

    ResNet18網(wǎng)絡(luò)采用Softmaxloss損失函數(shù)實(shí)現(xiàn)多分類時(shí),先將神經(jīng)網(wǎng)絡(luò)的輸出數(shù)值轉(zhuǎn)化為每個(gè)類的相對(duì)概率,然后再映射到(0,1)區(qū)間內(nèi),最終選取概率值最大的類別作為預(yù)測(cè)結(jié)果。傳統(tǒng)的Softmaxloss損失函數(shù)(1)如式(1)所示

    1.2.3 深度可分離卷積

    隨著網(wǎng)絡(luò)層數(shù)的增加,網(wǎng)絡(luò)的參數(shù)量也隨之增加,使得網(wǎng)絡(luò)訓(xùn)練效率逐漸降低。針對(duì)此問(wèn)題,本研究借鑒MobileNet網(wǎng)絡(luò)中的深度可分離卷積,將其代替ResNet18網(wǎng)絡(luò)中的傳統(tǒng)卷積以獲得更高效的輕量化網(wǎng)絡(luò),使網(wǎng)絡(luò)在幾乎不影響準(zhǔn)確率的前提下大大降低計(jì)算量,以便將改進(jìn)ResNet18網(wǎng)絡(luò)模型部署到移動(dòng)端。

    1.2.4 改進(jìn)ResNet18網(wǎng)絡(luò)模型構(gòu)建

    本研究提出的改進(jìn)ResNet18網(wǎng)絡(luò)是通過(guò)對(duì)ResNet18網(wǎng)絡(luò)進(jìn)行以下2個(gè)方面改進(jìn)而獲得。一方面,對(duì)ResNet18網(wǎng)絡(luò)的殘差結(jié)構(gòu)進(jìn)行改進(jìn),將其中的傳統(tǒng)卷積替換為深度可分離卷積。深層卷積對(duì)輸入層的每個(gè)通道分別進(jìn)行卷積操作,然后利用逐點(diǎn)卷積提取不同通道在相同空間位置上的特征信息。相比傳統(tǒng)卷積,深度可分離卷積可在不影響分類精度的前提下降低網(wǎng)絡(luò)參數(shù)量,提高網(wǎng)絡(luò)效率。另一方面,為區(qū)分不同部位羊肉特征之間的細(xì)微差異,引入附加角裕度損失函數(shù)(ArcFace)[29]作為改進(jìn)ResNet18網(wǎng)絡(luò)的特征優(yōu)化層參與訓(xùn)練,在角度空間增加角度間隔以加強(qiáng)類內(nèi)緊度和類間差異,最大化不同部位羊肉的分類界限。本研究提出的改進(jìn)ResNet18網(wǎng)絡(luò)主要由以下7部分組成:卷積層、池化層、歸一化層、殘差結(jié)構(gòu)(3個(gè))、全連接層、Softmax分類層和特征優(yōu)化層,其結(jié)構(gòu)示意圖如圖2所示,其中,殘差結(jié)構(gòu)由卷積核大小為3×3步長(zhǎng)為2的卷積、卷積核大小為3×3步長(zhǎng)為1的深度卷積和卷積核大小為1×1步長(zhǎng)為1的逐點(diǎn)卷積構(gòu)成。整個(gè)改進(jìn)ResNet18網(wǎng)絡(luò)的損失函數(shù)由Softmax分類層的Softmaxloss損失函數(shù)1與特征優(yōu)化層的附加角裕度損失函數(shù)(ArcFace)3兩部分之和組成,進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí),通過(guò)最小化損失函數(shù)以實(shí)現(xiàn)羊背脊、羊前腿和羊后腿之間的精準(zhǔn)分類與識(shí)別。

    1.2.5 試驗(yàn)環(huán)境

    羊肉部位分類模型訓(xùn)練的試驗(yàn)環(huán)境:硬件包括Intel? CoreTMi7-6700KCPU @ 3.40 GHz處理器,40 GB內(nèi)存和NVIDIA GeForce RTX 2080 Ti 顯卡(11 GB 顯存)等,軟件包括操作系統(tǒng)Windows 10(64位)、編程語(yǔ)言Python 3.6.5、深度學(xué)習(xí)框架Pytorch1.1.0、通用計(jì)算架構(gòu)CUDA 10.0和GPU加速庫(kù)CUDNN 7.4.1。手機(jī)APP開(kāi)發(fā)及軟件測(cè)試的環(huán)境:硬件為內(nèi)存64 GB的華為手機(jī)(P10,華為技術(shù)有限公司,中國(guó)),軟件包括Android8.0操作系統(tǒng)和Android Studio安卓應(yīng)用軟件開(kāi)發(fā)環(huán)境。

    1.2.6 評(píng)價(jià)指標(biāo)

    本研究采用準(zhǔn)確率(Accuracy,%)來(lái)評(píng)價(jià)所有不同部位羊肉分類模型的性能,并通過(guò)混淆矩陣分析三種部位羊肉的錯(cuò)分情況。準(zhǔn)確率為分類正確的樣本數(shù)占樣本總數(shù)的比例,其計(jì)算如式(5)所示

    式中TP、FP、FN、TN分別為混淆矩陣中分類模型對(duì)不同部位羊肉的分類情況統(tǒng)計(jì)。其中TP為正類判定為正類的樣本個(gè)數(shù),F(xiàn)P為負(fù)類判定為正類的樣本個(gè)數(shù),F(xiàn)N為正類判定為負(fù)類的樣本個(gè)數(shù),TN為負(fù)類判定為負(fù)類的樣本個(gè)數(shù)。進(jìn)行分類任務(wù)時(shí),把要預(yù)測(cè)樣本的實(shí)際類別數(shù)視為正樣本數(shù),其他所有類別之和為負(fù)樣本數(shù)。

    圖2 改進(jìn)ResNet18網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖

    Fig.2 Structure diagram of improved ResNet18 network model

    2 結(jié)果與分析

    2.1 附加角裕度損失函數(shù)(ArcFace)對(duì)特征分布的影響分析

    為探究附加角裕度損失函數(shù)(ArcFace)對(duì)不同部位羊肉特征分布的影響,本研究將ResNet18網(wǎng)絡(luò)和ResNet18_ArcFace網(wǎng)絡(luò)提取的兩個(gè)特征進(jìn)行可視化,其特征分布圖如圖3所示。相比ResNet18網(wǎng)絡(luò),ResNet_ArcFace網(wǎng)絡(luò)在增強(qiáng)類內(nèi)緊度的同時(shí)還增加了類間差異,使得同一部位羊肉特征的相似度增強(qiáng),不同部位羊肉之間特征差異性增大,進(jìn)而提高了網(wǎng)絡(luò)模型的魯棒性。

    為進(jìn)一步量化不同網(wǎng)絡(luò)所提取的特征對(duì)羊肉部位的類內(nèi)緊度和類間差異的影響,本研究從不同部位特征總的方差和中心距(中心之間的距離之和)兩個(gè)指標(biāo)對(duì)其進(jìn)行對(duì)比分析。ResNet18網(wǎng)絡(luò)和ResNet18_ArcFace網(wǎng)絡(luò)訓(xùn)練集和測(cè)試集的方差和中心距如表1所示。其中,ResNet18_ArcFace網(wǎng)絡(luò)訓(xùn)練集和測(cè)試集的方差分別為7.27和12.49,比ResNet18網(wǎng)絡(luò)分別減少了7.30和2.47。ResNet18_ArcFace網(wǎng)絡(luò)訓(xùn)練集和測(cè)試集的中心距分別為49.53和42.57,比ResNet18網(wǎng)絡(luò)分別增大了24.02和15.63。結(jié)果表明,ResNet18網(wǎng)絡(luò)引入ArcFace可提高不同部位羊肉之間的可區(qū)分性。

    表1 ResNet18網(wǎng)絡(luò)、ResNet18_ArcFace網(wǎng)絡(luò)特征分布的對(duì)比分析

    2.2 深度可分離卷積對(duì)網(wǎng)絡(luò)模型參數(shù)量的影響分析

    利用深度可分離卷積替換ResNet18網(wǎng)絡(luò)殘差結(jié)構(gòu)中的傳統(tǒng)卷積后,卷積分為深度卷積和逐點(diǎn)卷積2個(gè)部分。因此,網(wǎng)絡(luò)中殘差結(jié)構(gòu)的參數(shù)量由原來(lái)3.13×106降至0.36×106,整體網(wǎng)絡(luò)的參數(shù)量由原來(lái)的11.69×106降至7.68×106。結(jié)果表明,與ResNet18網(wǎng)絡(luò)相比,引入深度可分離卷積的改進(jìn)ResNet18網(wǎng)絡(luò)可減少參數(shù)量。

    2.3 模型參數(shù)對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型的影響分析

    為研究訓(xùn)練過(guò)程中的模型參數(shù)對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型的影響,本研究分別選用隨機(jī)梯度下降(Stochastic Gradient Descent,SGD)優(yōu)化器和自適應(yīng)矩估計(jì)優(yōu)化器(Adaptive moment estimation,Adam)兩種優(yōu)化器,并分別設(shè)置學(xué)習(xí)率為0.01和0.001,權(quán)重衰減系數(shù)為0和0.000 5對(duì)模型進(jìn)行訓(xùn)練,并對(duì)比分析不同參數(shù)對(duì)模型準(zhǔn)確率的影響。測(cè)試集的準(zhǔn)確率隨參數(shù)的變化趨勢(shì)如圖4所示。由圖4可知,Adam比SGD優(yōu)化器收斂速度更快,但網(wǎng)絡(luò)模型準(zhǔn)確率波動(dòng)較大。模型參數(shù)對(duì)改進(jìn)ResNet18網(wǎng)絡(luò)模型影響的具體情況如表2所示,當(dāng)采用學(xué)習(xí)率為0.01,權(quán)重衰減系數(shù)為0.000 5的SGD優(yōu)化器時(shí),測(cè)試集的準(zhǔn)確率為97.92%,且準(zhǔn)確率曲線趨勢(shì)更加平穩(wěn)。

    表2 改進(jìn)ResNet18網(wǎng)絡(luò)模型在不同參數(shù)下準(zhǔn)確率的對(duì)比分析

    注:Adam優(yōu)化算法中加入權(quán)重衰減系數(shù)無(wú)效。

    Note: It is invalid for adding weight decay coefficient in Adam optimization algorithm.

    2.4 改進(jìn)ResNet18網(wǎng)絡(luò)模型與其他網(wǎng)絡(luò)模型的對(duì)比分析

    本研究中所有網(wǎng)絡(luò)模型均使用遷移學(xué)習(xí)的方式進(jìn)行訓(xùn)練,凍結(jié)網(wǎng)絡(luò)中除全連接層之外的所有網(wǎng)絡(luò)層,只對(duì)最后一層進(jìn)行訓(xùn)練。訓(xùn)練模型時(shí)采用SGD優(yōu)化器,學(xué)習(xí)率設(shè)置為0.01,權(quán)重衰減系數(shù)設(shè)置為0.000 5。試驗(yàn)過(guò)程中的批次樣本數(shù)為32,最大輪數(shù)為100輪。

    ResNet18、改進(jìn)ResNet18和MobileNet網(wǎng)絡(luò)模型的準(zhǔn)確率隨訓(xùn)練輪數(shù)的變化如圖5所示。由圖5可知,ResNet18網(wǎng)絡(luò)模型經(jīng)過(guò)21輪訓(xùn)練準(zhǔn)確率達(dá)到90.25%,最終穩(wěn)定在92.00%;改進(jìn)ResNet18網(wǎng)絡(luò)模型經(jīng)過(guò)6輪訓(xùn)練準(zhǔn)確率達(dá)到95.25%,最終穩(wěn)定在97.92%;MobileNet網(wǎng)絡(luò)模型經(jīng)過(guò)17輪訓(xùn)練準(zhǔn)確率達(dá)到78.34%,最終穩(wěn)定在84.58%。與ResNet18網(wǎng)絡(luò)模型和MobileNet網(wǎng)絡(luò)模型相比,改進(jìn)ResNet18網(wǎng)絡(luò)模型收斂速度更快,且準(zhǔn)確率分別提升了5.92和13.34個(gè)百分點(diǎn)。

    ResNet18、改進(jìn)ResNet18和MobileNet網(wǎng)絡(luò)模型對(duì)不同部位羊肉的分類結(jié)果對(duì)比情況如表3所示。由表3可知,使用改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)羊背脊、羊后腿和羊前腿的分類準(zhǔn)確率分別為97.00%、98.00%和98.75%。與ResNet18網(wǎng)絡(luò)模型相比,改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)羊背脊、羊后腿和羊前腿的分類準(zhǔn)確率分別提高了5.75、5.50和6.50個(gè)百分點(diǎn);與MobileNet網(wǎng)絡(luò)模型相比,改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)羊背脊、羊后腿和羊前腿的分類準(zhǔn)確率分別提高了13.50、10.75和15.75個(gè)百分點(diǎn)。結(jié)果表明,與ResNet18網(wǎng)絡(luò)模型和MobileNet網(wǎng)絡(luò)模型相比,改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)不同部位羊肉的分類準(zhǔn)確率均有較大提升。

    表3 ResNet18、改進(jìn)ResNet18和MobileNet網(wǎng)絡(luò)模型分類結(jié)果對(duì)比

    改進(jìn)ResNet18網(wǎng)絡(luò)模型的混淆矩陣如表4所示。由表4可知,使用改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)1 200個(gè)不同部位羊肉數(shù)據(jù)集進(jìn)行測(cè)試,僅25個(gè)不同部位的羊肉圖像分類錯(cuò)誤,分類效果良好。另外,本研究通過(guò)進(jìn)一步分析不同部位羊肉數(shù)據(jù)集的錯(cuò)分情況可知,不同部位羊肉的顏色和紋理特征是其分類過(guò)程中的重要依據(jù),當(dāng)樣本與背景顏色區(qū)分度不大和樣本紋理不清晰(模糊或有噪聲)時(shí),則容易發(fā)生誤分。誤分樣本大多為亮度較大、飽和度較低、添加了椒鹽噪聲和模糊的圖片,其較為復(fù)雜的背景影響了樣本的準(zhǔn)確識(shí)別。

    表4 改進(jìn)ResNet18網(wǎng)絡(luò)模型的混淆矩陣

    2.5 不同部位羊肉分類手機(jī)APP實(shí)現(xiàn)

    為了實(shí)現(xiàn)不同部位羊肉精準(zhǔn)分類在移動(dòng)端的快速檢測(cè),本研究采用Pytorch Mobile框架將訓(xùn)練好的改進(jìn)ResNet18網(wǎng)絡(luò)模型部署到Android設(shè)備中。首先,將訓(xùn)練好的改進(jìn)ResNet18網(wǎng)絡(luò)模型轉(zhuǎn)換成TorchScript模型,并保存為相應(yīng)的.pt格式。然后,在Android Studio軟件環(huán)境中開(kāi)發(fā)羊肉部位分類手機(jī)應(yīng)用APP,APP主要包括前端界面和后端處理。前端界面主要由.xml文件進(jìn)行布局,通過(guò)添加文本和按鈕組件實(shí)現(xiàn)羊肉圖片和檢測(cè)結(jié)果的顯示。后端處理通過(guò)編寫Java語(yǔ)言實(shí)現(xiàn),包括圖像獲取、圖像處理和模型判別功能。在運(yùn)用APP對(duì)不同部位羊肉進(jìn)行識(shí)別時(shí),首先,使用圖像獲取功能采集圖像,然后,利用圖像處理功能將獲取圖像的大小壓縮至224×224像素并存儲(chǔ),最后,調(diào)用.pt格式的TorchScript模型對(duì)壓縮后的圖片進(jìn)行識(shí)別。利用測(cè)試集1 200張圖片對(duì)羊肉部位分類手機(jī)APP進(jìn)行測(cè)試,得出每張圖片的檢測(cè)時(shí)間約為0.3 s。

    3 結(jié) 論

    1)本研究在ResNet18網(wǎng)絡(luò)的基礎(chǔ)上引入附加角裕度損失函數(shù)(ArcFace),并將殘差結(jié)構(gòu)中的傳統(tǒng)卷積替換為深度可分離卷積,構(gòu)建了改進(jìn)ResNet18網(wǎng)絡(luò)模型用于不同部位羊肉的分類。該網(wǎng)絡(luò)模型不僅提高了不同部位羊肉之間的可區(qū)分性,而且減少了網(wǎng)絡(luò)的參數(shù)量。

    2)改進(jìn)ResNet18網(wǎng)絡(luò)模型對(duì)不同部位羊肉分類的準(zhǔn)確率高達(dá)97.92%。與ResNet18網(wǎng)絡(luò)模型和MobileNet網(wǎng)絡(luò)模型相比,改進(jìn)ResNet18網(wǎng)絡(luò)模型的分類準(zhǔn)確率分別提升了5.92個(gè)百分點(diǎn)和13.34個(gè)百分點(diǎn)。

    3)將本研究提出的改進(jìn)ResNet18模型轉(zhuǎn)化為TorchScript模型移植到移動(dòng)端后,所開(kāi)發(fā)的羊肉檢測(cè)應(yīng)用軟件能夠?qū)崿F(xiàn)對(duì)不同部位羊肉快速準(zhǔn)確分類,每張圖像的檢測(cè)時(shí)間約為0.3 s。

    總體而言,本研究提出的改進(jìn)ResNet18網(wǎng)絡(luò)模型采用了大量背景較為復(fù)雜的數(shù)據(jù)進(jìn)行訓(xùn)練,可以實(shí)現(xiàn)不同部位羊肉的快速準(zhǔn)確分類,但所開(kāi)發(fā)的手機(jī)APP較為簡(jiǎn)單。后續(xù)研究中,將會(huì)考慮羊肉品種、產(chǎn)地以及儲(chǔ)藏時(shí)間對(duì)模型的影響。另外,本研究提出的改進(jìn)ResNet18網(wǎng)絡(luò)模型可為實(shí)現(xiàn)其他類別差異細(xì)微的樣本快速準(zhǔn)確分類提供參考。

    [1] 王彩霞,王松磊,賀曉光,等. 高光譜圖譜融合檢測(cè)羊肉中飽和脂肪酸含量[J]. 光譜學(xué)與光譜分析,2020,40(2):595-601.

    Wang Caixia, Wang Songlei, He Xiaoguang, et al. Detection of saturated fatty acid content in mutton by using the fusion of hyperspectral spectrum and image information[J]. Spectroscopy and Spectral Analysis, 2020, 40(2): 595-601. (in Chinese with English abstract)

    [2] Junkuszew A, Nazar P, Milerski M, et al. Chemical composition and fatty acid content in lamb and adult sheep meat[J]. Archives Animal Breeding, 2020, 63(2): 261-268.

    [3] 李貞子,楊具田,宋巧,等. 不同性別及部位的蘭州大尾羊肉食用品質(zhì)[J]. 食品工業(yè)科技,2014,35(17):354-357,361.

    Li Zhenzi, Yang Jutian, Song Qiao, et al. Edible quality of Lanzhou fat-tailed sheep in different gender and anatomical regions[J]. Science and Technology of Food Industry, 2014, 35(17): 354-357, 361. (in Chinese with English abstract)

    [4] 陳學(xué)敏,朱國(guó)茵,羅海玲,等. 基于指紋圖譜的歐拉羊肉揮發(fā)性風(fēng)味物質(zhì)定量分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(5):349-355.

    Chen Xuemin, Zhu Guoyin, Luo Hailing, et al. Quantitative analysis of Oula lamb meat volatile compounds based on fingerprint[J]. Journal of Agricultural Machinery, 2020, 51(5): 349-355. (in Chinese with English abstract)

    [5] 王亞娜,王曉香,王振華,等. 大足黑山羊宰后成熟過(guò)程中揮發(fā)性風(fēng)味物質(zhì)的變化[J]. 食品科學(xué),2015,36(22):107-112.

    Wang Yana, Wang Xiaoxiang, Wang Zhenhua, et al. Changes in volatile flavor components in Dazu black goat meat during postmortem aging[J]. Food Science, 2015, 36(22): 107-112. (in Chinese with English abstract)

    [6] 劉文營(yíng),王守偉. 羊肉生產(chǎn)及加工工藝對(duì)肉及肉制品品質(zhì)的影響研究進(jìn)展[J]. 食品科學(xué),2020,41(1):304-311.

    Liu Wenying, Wang Shouwei. Recent progress in understanding the effect of mutton production and processing technologies on the quality of meat and meat products[J]. Food Science, 2020, 41(1): 304-311. (in Chinese with English abstract)

    [7] Dumalisile P, Manley M, Hoffman L, et al. Discriminating muscle type of selected game species using Near Infrared (NIR) spectroscopy[J/OL]. Food Control, 2020, 110, [2019-11-01], https: //doi. org/10. 1016/j. foodcont. 2019. 106981.

    [8] Sanz J A, Fernandes A M, Barrenechea E, et al. Lamb muscle discrimination using hyperspectral imaging: Comparison of various machine learning algorithms[J]. Journal of Food Engineering, 2016, 63(2): 92-100.

    [9] Kamruzzaman M, Elmasry G, Sun D, et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering, 2011, 104(3): 332-340.

    [10] 趙鑫龍,彭彥昆,李永玉,等. 基于深度學(xué)習(xí)的牛肉大理石花紋等級(jí)手機(jī)評(píng)價(jià)系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(13):250-256.

    Zhao Xinlong, Peng Yankun, Li Yongyu, et al. Mobile phone evaluation system for grading beef marbling based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(13): 250-256. (in Chinese with English abstract)

    [11] 孟令峰,朱榮光,白宗秀,等. 基于手機(jī)圖像的不同貯藏時(shí)間下冷卻羊肉的部位判別研究[J]. 食品科學(xué),2020,41(23):21-26.

    Meng Lingfeng, Zhu Rongguang, Bai Zongxiu, et al. Discrimination of chilled lamb in different parts under different storage time based on mobile phone images[J]. Food Science, 2020, 41(23): 21-26. (in Chinese with English abstract)

    [12] Adi K, Pujiyanto S, Nurhayati O D, et al. Beef quality identification using thresholding method and decision tree classification based on android smartphone[J/OL]. Journal of Food Quality, 2017, 2017, [2017-09-05], https: //doi. org/10. 1155/2017/1674718.

    [13] Zhao A, Balakrishnan G, Durand F, et al. Data augmentation using learned transformations for one-shot medical image segmentation[C]// 2019 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach: IEEE, 2019.

    [14] Brossard M, Bonnabel S. Learning wheel odometry and IMU Errors for localization[C]// 2019 International Conference on Robotics and Automation (ICRA), Montreal: IEEE, 2019.

    [15] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2017, 60(6): 84-90.

    [16] 陳娟,陳良勇,王生生,等. 基于改進(jìn)殘差網(wǎng)絡(luò)的園林害蟲圖像識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(5):194-202.

    Chen Juan, Chen Liangyong, Wang Shengsheng, et al. Pest recognition based on improved residual network[J]. Transactions of the Chinese Society for Agriculture Machinery, 2019, 50(5): 194-202. (in Chinese with English abstract)

    [17] 焦俊,王文周,侯金波,等. 基于改進(jìn)殘差網(wǎng)絡(luò)的黑毛豬肉新鮮度識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(8):364-371.

    Jiao Jun, Wang Wenzhou, Hou Jinbo, et al. Freshness identification of Iberico pork based on improved residual network[J]. Transactions of the Chinese Society for Agriculture Machinery, 2019, 50(8): 364-371. (in Chinese with English abstract)

    [18] 向陽(yáng),林潔雯,李亞軍,等. 芒果雙面成熟度在線檢測(cè)分級(jí)系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2019,35(10):259-266.

    Xiang Yang, Lin Jiewen, Li Yajun, et al. Mango double-sided maturity online detection and classification system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(10): 259-266. (in Chinese with English abstract)

    [19] 趙志衡,宋歡,朱江波,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的花生籽粒完整性識(shí)別算法及應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(21):195-201.

    Zhao Zhiheng, Song Huan, Zhu Jiangbo, et al. Identification algorithm and application of peanut kernel integrity based on convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 195-201. (in Chinese with English abstract)

    [20] 張思雨,張秋菊,李可. 采用機(jī)器視覺(jué)與自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)花生仁品質(zhì)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(4):269-277.

    Zhang Siyu, Zhang Qiuju, Li Ke. Detection of peanut kernel quality based on machine vision and adaptive convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 269-277. (in Chinese with English abstract)

    [21] Han F K, Huang X Y, Aheto J H, et al. Detection of beef adulterated with pork using a low-cost electronic nose based on colorimetric sensors[J/OL]. Foods, 2020, 9(2), [2020-02-10], https: //www. researchgate. net/publication/339311410_Detection_of_Beef_Adulterated_with_Pork_Using_a_Low-CostElectronic_Nose_Based_on_Colorimetric_Sensors.

    [22] Zhou L, Zhang C, Liu F, et al. Application of deep learning in food: A review[J]. Comprehensive Reviews in Food Science and Food Safety, 2019, 18(6): 1793-1811.

    [23] Yang J, Xu J F, Wu X L, et al. Deep learning for vibrational spectral analysis: Recent progress and a practical guide[J]. Analytica Chimica Acta, 2019, 1081: 6-17.

    [24] 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 (CPVR), Las Vegas: IEEE, 2016.

    [25] 林麗惠,羅志明,王軍政,等. 融合整體與局部信息的武夷巖茶葉片分類方法[J]. 智能系統(tǒng)學(xué)報(bào),2020,15(5):919-924.

    Lin Lihui, Luo Zhiming, Wang Junzheng, et al. Classification of Wuyi rock tealeaves by integrating global and local information[J]. CAAI Transactions on Intelligent Systems, 2020, 15(5): 919-924. (in Chinese with English abstract)

    [26] 李善軍,胡定一,高淑敏,等. 基于改進(jìn)SSD的柑橘實(shí)時(shí)分類檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2019,35(24):307-313.

    Li Shanjun, Hu Dingyi, Gao Shumin, et al. Real-time classification and detection of citrus based on improved single short multibox detecter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(24): 307-313. (in Chinese with English abstract)

    [27] Cheng Y, Wang D, Zhou P, et al. A survey of model compression and acceleration for deep neural networks[J/OL]. Signal Processing, [2020-04-14], https: //arxiv. org/abs/1710. 09282.

    [28] Howard A G, Zhu M L, Chen B, et al. MobileNets: Efficient convolutional neural networks for mobile vision applications[J/OL]. Computer Vision and Pattern Recognition, [2017-04-17], https: //arxiv. org/abs/1704. 04861.

    [29] Deng J K, Guo J, Xue N N, et al. ArcFace: Additive angular margin loss for deep face recognition[C]// 2019 IEEE Conference on Computer Vision and Pattern Recognition (CPVR), Long Beach: IEEE, 2019.

    [30] 趙立新,侯發(fā)東,呂正超,等. 基于遷移學(xué)習(xí)的棉花葉部病蟲害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(7):184-191.

    Zhao Lixin, Hou Fadong, Lyu Zhengchao, et al. Image recognition of cotton leaf diseases and pests based on transfer learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(7): 184-191. (in Chinese with English abstract)

    Classification of mutton location on the animal using improved ResNet18 network model and mobile application

    Zhang Yaoxin1,2, Zhu Rongguang1,2※, Meng Lingfeng1, Ma Rong1, Wang Shichang1, Bai Zongxiu1, Cui Xiaomin1

    (1.,,832003,;2,,832003,)

    Accurate and timely detection of meat parts has gradually been highly demanding in meat consumption. However, the traditional image classification cannot clearly distinguish the similar color and texture characteristics for different mutton parts under different storage time, particularly with the low generalization and time-consuming. In this study, an improved ResNet18 network model was proposed to classify the different mutton parts, while, the corresponding mobile application software was developed using the optimal model. Firstly, 1 008 mutton images of loin, hind shank, and fore shank under different storage times (0-12 d) were collected, and then 9 types of data-augmentation were used to expand the dataset. After that, 6 000 images were randomly selected from the augmented dataset for modeling, where 80% of the images were used as the training dataset, and the remainder was used as the test dataset. Secondly, Additive Angular Margin Loss (ArcFace) and the depthwise separable convolution were introduced into the ResNet18 network for the improved one. Thirdly, the improved ResNet18 network wastrained with the augmented images of different mutton parts. Meanwhile, an evaluation was made to determine the effect of different parameters on the convergence speed and accuracy of improved ResNet18. Optimizers of stochastic gradient descent (SGD) and adaptive moment estimation (Adam), the learning rate of 0.01 and 0.001, weight decay coefficient of 0 and 0.000 5 were adopted for experimental comparison. The optimal classification model was then determined for different mutton parts. Finally, a mobile application software was developed to transplant the TorchScript model that transformed from the improved ResNet18. The results showed that the ArcFace greatly improved the distinguishability of different mutton parts, while the depthwise separable convolution significantly reduced the parameters of the network. Furthermore, the improved ResNet18 network using SGD optimizer presented a higher accuracy and more stable performance than that using the Adam in the test phase. When the learning rate was set to 0.01, the weight decay coefficient was set to 0.000 5, and the SGD optimizer was used to train the improved ResNet18 network, only 25 images of different parts of lamb were classified incorrectly in the 1 200 test sets, where the classification accuracy of the model was 97.92%, while the average classification accuracies of the loin, hind shank, and fore shank were 97.00%, 98.00%, and 98.75%, respectively. Compared with the original, the classification accuracy of the improved ResNet18 was improved by 5.92 percentage points, while the classification accuracies of loin, hind shank, and fore shank were improved by 5.75, 5.50, and 6.50 percentage points, respectively. Compared with the MobileNet model, the classification accuracy of improved ResNet18 was improved by 13.34 percentage points, while the classification accuracies of loin, hind shank, and fore shank were improved by 13.50, 10.75, and 15.75 percentage points, respectively. Moreover, the software using the improved ResNet18 quickly and accurately classified different mutton parts, where the average detection time of each image was about 0.3 s. The finding can provide the technical and theoretical support to improve the level of intelligent detection of meat products for the fair competition of the meat market.

    image processing; image recognition; models; mutton; ResNet18; mobile terminal; classification of mutton parts

    張垚鑫,朱榮光,孟令峰,等. 改進(jìn)ResNet18網(wǎng)絡(luò)模型的羊肉部位分類與移動(dòng)端應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(18):331-338.doi:10.11975/j.issn.1002-6819.2021.18.038 http://www.tcsae.org

    Zhang Yaoxin, Zhu Rongguang, Meng Lingfeng, et al. Classification of mutton location on the animal using improved ResNet18 network model and mobile application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 331-338. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2021.18.038 http://www.tcsae.org

    2020-10-03

    2021-07-22

    國(guó)家自然科學(xué)基金地區(qū)科學(xué)基金項(xiàng)目(31860465);兵團(tuán)中青年科技創(chuàng)新領(lǐng)軍人才計(jì)劃項(xiàng)目(2020CB016);石河子大學(xué)青年創(chuàng)新人才培育計(jì)劃項(xiàng)目(CXRC201707)

    張垚鑫,博士生,研究方向?yàn)閳D像處理,機(jī)器學(xué)習(xí)。Email:yxzl_ysh@163.com

    朱榮光,博士,教授,博士生導(dǎo)師,研究方向?yàn)檗r(nóng)畜產(chǎn)品無(wú)損檢測(cè)與裝備研發(fā)。Email:rgzh_jd@163.com

    10.11975/j.issn.1002-6819.2021.18.038

    TS251.7

    A

    1002-6819(2021)-18-0331-08

    猜你喜歡
    羊肉準(zhǔn)確率卷積
    “扒羊肉”
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    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
    開(kāi)春食羊肉,滋補(bǔ)健體
    美食(2019年2期)2019-09-10 07:22:44
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    冬補(bǔ)一寶 羊肉
    海峽姐妹(2019年1期)2019-03-23 02:43:00
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    国产免费一级a男人的天堂| 一个人免费在线观看的高清视频| 国产美女午夜福利| 国产精品野战在线观看| 精品一区二区三区人妻视频| 亚洲精品色激情综合| 国产精品 国内视频| e午夜精品久久久久久久| xxx96com| 免费av不卡在线播放| 亚洲精品成人久久久久久| 舔av片在线| 亚洲人成电影免费在线| 美女被艹到高潮喷水动态| 亚洲电影在线观看av| 久久亚洲精品不卡| 午夜福利在线观看吧| 色综合欧美亚洲国产小说| 亚洲国产日韩欧美精品在线观看 | 色综合站精品国产| 无人区码免费观看不卡| 9191精品国产免费久久| 免费看a级黄色片| 久久久久久久午夜电影| 午夜激情欧美在线| 9191精品国产免费久久| 一级a爱片免费观看的视频| 最近视频中文字幕2019在线8| 真人一进一出gif抽搐免费| 男人和女人高潮做爰伦理| 18禁黄网站禁片免费观看直播| 小蜜桃在线观看免费完整版高清| 最近最新中文字幕大全电影3| 一级毛片高清免费大全| 欧美日韩瑟瑟在线播放| 成人特级黄色片久久久久久久| 99久久久亚洲精品蜜臀av| 久久人人精品亚洲av| 久久精品国产清高在天天线| 国产精品三级大全| 超碰av人人做人人爽久久 | e午夜精品久久久久久久| 黑人欧美特级aaaaaa片| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲国产高清在线一区二区三| av中文乱码字幕在线| 国产一区二区三区在线臀色熟女| 女人被狂操c到高潮| 久久精品国产综合久久久| 久久久久亚洲av毛片大全| 成年女人永久免费观看视频| 日日干狠狠操夜夜爽| 欧美一区二区亚洲| 精品一区二区三区人妻视频| 九九在线视频观看精品| 免费在线观看影片大全网站| 中文亚洲av片在线观看爽| 国产乱人伦免费视频| 一进一出抽搐gif免费好疼| 搡老岳熟女国产| 老汉色av国产亚洲站长工具| 最近最新中文字幕大全免费视频| 亚洲人与动物交配视频| 91麻豆av在线| 精品一区二区三区av网在线观看| 婷婷精品国产亚洲av| 成人av一区二区三区在线看| 精品不卡国产一区二区三区| www日本在线高清视频| 99久久久亚洲精品蜜臀av| 亚洲熟妇中文字幕五十中出| 性色avwww在线观看| 亚洲欧美日韩高清专用| 一本一本综合久久| 91麻豆av在线| 伊人久久精品亚洲午夜| 2021天堂中文幕一二区在线观| 国产亚洲欧美在线一区二区| 69人妻影院| 少妇人妻精品综合一区二区 | 舔av片在线| 国内精品久久久久久久电影| 九色国产91popny在线| 欧美激情久久久久久爽电影| 亚洲美女黄片视频| 久久久久久久午夜电影| 欧美色视频一区免费| 亚洲在线自拍视频| 免费av不卡在线播放| 五月伊人婷婷丁香| 国内毛片毛片毛片毛片毛片| av女优亚洲男人天堂| 精品欧美国产一区二区三| 国产成人欧美在线观看| 免费在线观看日本一区| 香蕉久久夜色| 国产精品乱码一区二三区的特点| 99视频精品全部免费 在线| 国产午夜精品久久久久久一区二区三区 | 欧美在线黄色| 国产成年人精品一区二区| 亚洲av第一区精品v没综合| 好男人在线观看高清免费视频| 欧美中文综合在线视频| 国产伦一二天堂av在线观看| 九九在线视频观看精品| 久久精品夜夜夜夜夜久久蜜豆| 久久久久久国产a免费观看| 中文字幕熟女人妻在线| 亚洲性夜色夜夜综合| 女人十人毛片免费观看3o分钟| 美女cb高潮喷水在线观看| 蜜桃亚洲精品一区二区三区| 精品国内亚洲2022精品成人| 国产伦在线观看视频一区| 日本黄色视频三级网站网址| 国产不卡一卡二| 国产黄色小视频在线观看| aaaaa片日本免费| 国产欧美日韩精品一区二区| 亚洲人成网站在线播放欧美日韩| 搡女人真爽免费视频火全软件 | 国产成人影院久久av| 国产精品久久电影中文字幕| 欧美日本视频| 人人妻,人人澡人人爽秒播| 国产国拍精品亚洲av在线观看 | 日本在线视频免费播放| 人人妻人人看人人澡| 每晚都被弄得嗷嗷叫到高潮| 99久久精品热视频| 久久久久久久午夜电影| 99国产精品一区二区蜜桃av| 男插女下体视频免费在线播放| 日韩亚洲欧美综合| 校园春色视频在线观看| 国产精品野战在线观看| 国产精品亚洲一级av第二区| 久久欧美精品欧美久久欧美| 国产成年人精品一区二区| 夜夜爽天天搞| 国内精品久久久久久久电影| 久久人妻av系列| 国产午夜精品论理片| 麻豆久久精品国产亚洲av| 欧美日本亚洲视频在线播放| 深夜精品福利| 国产精品精品国产色婷婷| 一本一本综合久久| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 久久国产精品影院| 综合色av麻豆| 内地一区二区视频在线| 久久久久久人人人人人| 母亲3免费完整高清在线观看| 精品一区二区三区av网在线观看| 丁香欧美五月| 男插女下体视频免费在线播放| 看片在线看免费视频| 精品人妻1区二区| 长腿黑丝高跟| www.www免费av| 色综合欧美亚洲国产小说| 国产亚洲精品综合一区在线观看| 久久久久久九九精品二区国产| 美女免费视频网站| 国产91精品成人一区二区三区| 乱人视频在线观看| 可以在线观看的亚洲视频| 亚洲人成网站高清观看| 久久国产精品影院| 男人舔女人下体高潮全视频| 听说在线观看完整版免费高清| 久久久国产成人免费| 国产aⅴ精品一区二区三区波| 757午夜福利合集在线观看| 最好的美女福利视频网| 丰满人妻一区二区三区视频av | 亚洲男人的天堂狠狠| 内射极品少妇av片p| 婷婷精品国产亚洲av在线| 天美传媒精品一区二区| 男女那种视频在线观看| 美女免费视频网站| 午夜激情福利司机影院| 精品国产亚洲在线| 成人午夜高清在线视频| 天堂av国产一区二区熟女人妻| 美女免费视频网站| 可以在线观看的亚洲视频| 成人国产综合亚洲| www.999成人在线观看| 色视频www国产| 小说图片视频综合网站| 69人妻影院| 高潮久久久久久久久久久不卡| 精品人妻1区二区| 亚洲性夜色夜夜综合| 级片在线观看| 亚洲精品成人久久久久久| 成年人黄色毛片网站| 免费av观看视频| 久久这里只有精品中国| e午夜精品久久久久久久| 九九在线视频观看精品| 99国产精品一区二区蜜桃av| 中文字幕av在线有码专区| 亚洲欧美日韩无卡精品| 国产淫片久久久久久久久 | 熟女电影av网| 香蕉丝袜av| 最近最新中文字幕大全电影3| 最好的美女福利视频网| 欧美乱妇无乱码| 天天一区二区日本电影三级| 九色成人免费人妻av| 99久国产av精品| 国内精品美女久久久久久| 午夜福利在线在线| 日本一二三区视频观看| 少妇高潮的动态图| 久久久久久大精品| 午夜久久久久精精品| 男女午夜视频在线观看| 亚洲成人久久爱视频| 激情在线观看视频在线高清| 九九热线精品视视频播放| 国产精品 欧美亚洲| 日韩精品青青久久久久久| 国产精品久久视频播放| 久久久久国产精品人妻aⅴ院| 有码 亚洲区| 精品久久久久久成人av| 午夜影院日韩av| 久久午夜亚洲精品久久| 日本成人三级电影网站| 欧美在线一区亚洲| 又黄又粗又硬又大视频| 国产亚洲欧美在线一区二区| 国产久久久一区二区三区| 成人国产一区最新在线观看| 久久性视频一级片| 久久国产精品影院| 日韩av在线大香蕉| 久久精品国产亚洲av涩爱 | bbb黄色大片| 亚洲av二区三区四区| 午夜福利免费观看在线| 99精品在免费线老司机午夜| 草草在线视频免费看| 国产日本99.免费观看| 精品一区二区三区视频在线观看免费| 男女视频在线观看网站免费| 欧美绝顶高潮抽搐喷水| or卡值多少钱| 看片在线看免费视频| 高清日韩中文字幕在线| 精品久久久久久成人av| 精华霜和精华液先用哪个| 在线观看日韩欧美| 99视频精品全部免费 在线| 欧美日韩乱码在线| netflix在线观看网站| 五月玫瑰六月丁香| 国产高清videossex| 日韩成人在线观看一区二区三区| 精品熟女少妇八av免费久了| 亚洲精品在线美女| 成人无遮挡网站| 免费看光身美女| 亚洲av日韩精品久久久久久密| 国产高清videossex| 亚洲精品成人久久久久久| 午夜激情欧美在线| 中文字幕av成人在线电影| 欧美成人一区二区免费高清观看| 日韩精品中文字幕看吧| 欧美一区二区亚洲| 真人做人爱边吃奶动态| www.999成人在线观看| 欧美国产日韩亚洲一区| 搡老岳熟女国产| 亚洲人成伊人成综合网2020| 身体一侧抽搐| 亚洲av免费高清在线观看| 一个人看的www免费观看视频| 听说在线观看完整版免费高清| 脱女人内裤的视频| 岛国视频午夜一区免费看| 国产成人啪精品午夜网站| 精品久久久久久,| 国产成人aa在线观看| 亚洲电影在线观看av| 天天躁日日操中文字幕| 老司机深夜福利视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 怎么达到女性高潮| 欧美黄色片欧美黄色片| 九色国产91popny在线| 国产高清激情床上av| 亚洲一区高清亚洲精品| 国产男靠女视频免费网站| 国产欧美日韩一区二区精品| 三级国产精品欧美在线观看| 毛片女人毛片| 国产午夜福利久久久久久| 欧美xxxx黑人xx丫x性爽| 天天一区二区日本电影三级| 一夜夜www| 色综合婷婷激情| www.999成人在线观看| 一本精品99久久精品77| 国产精品久久久久久精品电影| 精品日产1卡2卡| 午夜福利在线在线| 在线看三级毛片| 日韩人妻高清精品专区| 狂野欧美白嫩少妇大欣赏| 动漫黄色视频在线观看| 国产精华一区二区三区| 全区人妻精品视频| 午夜福利在线观看吧| 亚洲欧美日韩东京热| 免费看美女性在线毛片视频| 好看av亚洲va欧美ⅴa在| www.色视频.com| 99国产综合亚洲精品| 久久精品国产亚洲av香蕉五月| 高清毛片免费观看视频网站| xxx96com| 午夜免费成人在线视频| 狠狠狠狠99中文字幕| 亚洲男人的天堂狠狠| 亚洲av二区三区四区| 在线免费观看的www视频| 无人区码免费观看不卡| 亚洲av五月六月丁香网| 五月玫瑰六月丁香| 桃色一区二区三区在线观看| 三级男女做爰猛烈吃奶摸视频| 有码 亚洲区| 亚洲av不卡在线观看| 午夜福利在线观看免费完整高清在 | 尤物成人国产欧美一区二区三区| 日韩欧美 国产精品| 51午夜福利影视在线观看| 久久国产精品人妻蜜桃| 午夜福利18| 日本撒尿小便嘘嘘汇集6| 在线a可以看的网站| 色综合站精品国产| 国产av麻豆久久久久久久| 久久久成人免费电影| 国产成人av教育| 欧美日韩黄片免| 成年人黄色毛片网站| 国产午夜福利久久久久久| 午夜免费激情av| 国产亚洲精品久久久久久毛片| 一边摸一边抽搐一进一小说| 精品国产超薄肉色丝袜足j| 免费观看的影片在线观看| 女同久久另类99精品国产91| 久久九九热精品免费| 日韩国内少妇激情av| www.999成人在线观看| 欧美成人免费av一区二区三区| 三级国产精品欧美在线观看| 免费观看人在逋| 天堂网av新在线| 色噜噜av男人的天堂激情| 1024手机看黄色片| 国产av麻豆久久久久久久| 国产高清激情床上av| 婷婷六月久久综合丁香| 在线观看午夜福利视频| 免费一级毛片在线播放高清视频| 少妇熟女aⅴ在线视频| 成年女人永久免费观看视频| 亚洲人成伊人成综合网2020| 成人av一区二区三区在线看| 在线观看美女被高潮喷水网站 | 露出奶头的视频| 午夜激情欧美在线| 亚洲精品一卡2卡三卡4卡5卡| 欧美性猛交黑人性爽| 国产成人欧美在线观看| 欧美区成人在线视频| 国产欧美日韩一区二区三| 丰满人妻一区二区三区视频av | 精品久久久久久久久久久久久| 国产真实伦视频高清在线观看 | 久久这里只有精品中国| 亚洲人成电影免费在线| 无限看片的www在线观看| 色吧在线观看| 51国产日韩欧美| 亚洲精品一卡2卡三卡4卡5卡| 综合色av麻豆| 国产色爽女视频免费观看| 在线视频色国产色| 熟女人妻精品中文字幕| 99视频精品全部免费 在线| 精品免费久久久久久久清纯| 丁香六月欧美| 免费电影在线观看免费观看| 老司机午夜福利在线观看视频| 老熟妇仑乱视频hdxx| 久久久久九九精品影院| 国内精品一区二区在线观看| 女生性感内裤真人,穿戴方法视频| 在线播放国产精品三级| 日韩成人在线观看一区二区三区| 欧美日韩一级在线毛片| 午夜两性在线视频| 亚洲国产精品成人综合色| 日韩欧美在线乱码| 极品教师在线免费播放| 色老头精品视频在线观看| 中亚洲国语对白在线视频| 国产老妇女一区| 国产亚洲av嫩草精品影院| 国产高清视频在线播放一区| 色视频www国产| eeuss影院久久| 国产成人啪精品午夜网站| 亚洲片人在线观看| 欧美中文日本在线观看视频| 最好的美女福利视频网| 亚洲国产中文字幕在线视频| 黄片小视频在线播放| 国产高清三级在线| 亚洲av日韩精品久久久久久密| 麻豆一二三区av精品| 久久精品国产清高在天天线| 99久久成人亚洲精品观看| 国产成年人精品一区二区| www.999成人在线观看| 中文字幕久久专区| 99国产综合亚洲精品| 亚洲国产精品合色在线| 亚洲五月婷婷丁香| 日韩精品青青久久久久久| 成人鲁丝片一二三区免费| 国产精品香港三级国产av潘金莲| 亚洲人成网站高清观看| 露出奶头的视频| 日本熟妇午夜| 高清毛片免费观看视频网站| 中文字幕av成人在线电影| 亚洲一区高清亚洲精品| 丰满的人妻完整版| 99精品在免费线老司机午夜| 免费观看人在逋| 一个人看的www免费观看视频| 午夜福利视频1000在线观看| 大型黄色视频在线免费观看| 女人被狂操c到高潮| 在线观看一区二区三区| 天堂网av新在线| 噜噜噜噜噜久久久久久91| 少妇熟女aⅴ在线视频| 日韩欧美精品免费久久 | 亚洲熟妇熟女久久| 国产伦一二天堂av在线观看| 国模一区二区三区四区视频| 亚洲专区中文字幕在线| www国产在线视频色| 国产精品久久久久久精品电影| 免费观看精品视频网站| 深爱激情五月婷婷| h日本视频在线播放| 日韩亚洲欧美综合| 亚洲成人精品中文字幕电影| 中文字幕人妻熟人妻熟丝袜美 | 欧美精品啪啪一区二区三区| 男插女下体视频免费在线播放| 伊人久久大香线蕉亚洲五| 老司机午夜福利在线观看视频| 国产欧美日韩一区二区三| 美女被艹到高潮喷水动态| 国产伦人伦偷精品视频| 欧美区成人在线视频| bbb黄色大片| www日本黄色视频网| 制服人妻中文乱码| 淫秽高清视频在线观看| 少妇高潮的动态图| 精品一区二区三区视频在线 | 欧美极品一区二区三区四区| 男女床上黄色一级片免费看| 久久精品国产综合久久久| 欧美黑人巨大hd| 99久久久亚洲精品蜜臀av| 又爽又黄无遮挡网站| 成人三级黄色视频| x7x7x7水蜜桃| 人人妻人人澡欧美一区二区| 男人舔女人下体高潮全视频| 午夜精品久久久久久毛片777| 精品国产亚洲在线| www.www免费av| 亚洲色图av天堂| 两个人视频免费观看高清| 国产午夜精品论理片| a级毛片a级免费在线| 国产激情欧美一区二区| 波多野结衣高清作品| 国产高清三级在线| 色噜噜av男人的天堂激情| 色综合欧美亚洲国产小说| 亚洲国产精品999在线| 97超级碰碰碰精品色视频在线观看| 99久久久亚洲精品蜜臀av| 欧美乱妇无乱码| 麻豆成人av在线观看| 亚洲五月天丁香| 少妇高潮的动态图| av视频在线观看入口| 成人高潮视频无遮挡免费网站| 欧美日韩乱码在线| 国产成+人综合+亚洲专区| 欧美一区二区亚洲| 国产亚洲精品一区二区www| 国产精品三级大全| 日韩欧美国产在线观看| 18禁国产床啪视频网站| 久久人妻av系列| 国产欧美日韩精品亚洲av| 香蕉久久夜色| 免费观看的影片在线观看| 村上凉子中文字幕在线| 亚洲av成人精品一区久久| 国产亚洲欧美在线一区二区| 黄色日韩在线| 久久久久性生活片| 亚洲激情在线av| 中文字幕av在线有码专区| 最近最新免费中文字幕在线| 波多野结衣高清无吗| 国产久久久一区二区三区| 久久久国产精品麻豆| 波野结衣二区三区在线 | 无限看片的www在线观看| 久久九九热精品免费| 亚洲国产精品sss在线观看| 欧美一级a爱片免费观看看| 亚洲七黄色美女视频| 99久久久亚洲精品蜜臀av| 欧美另类亚洲清纯唯美| 琪琪午夜伦伦电影理论片6080| 婷婷精品国产亚洲av| 99热6这里只有精品| 欧美午夜高清在线| 国产伦在线观看视频一区| 亚洲最大成人手机在线| 国产真人三级小视频在线观看| 免费观看精品视频网站| 亚洲黑人精品在线| 欧美日本视频| 99riav亚洲国产免费| 女人高潮潮喷娇喘18禁视频| 国产又黄又爽又无遮挡在线| 我要搜黄色片| 三级国产精品欧美在线观看| 成熟少妇高潮喷水视频| 亚洲精品国产精品久久久不卡| 老熟妇乱子伦视频在线观看| 欧美日韩一级在线毛片| 国产主播在线观看一区二区| 看黄色毛片网站| 欧美成人一区二区免费高清观看| 国产av在哪里看| 两个人看的免费小视频| 一夜夜www| 91久久精品电影网| 亚洲精品乱码久久久v下载方式 | 成年版毛片免费区| 狂野欧美白嫩少妇大欣赏| www.色视频.com| 好看av亚洲va欧美ⅴa在| 久久性视频一级片| 18禁黄网站禁片免费观看直播| 国产色爽女视频免费观看| 搡老妇女老女人老熟妇| 91久久精品电影网| 尤物成人国产欧美一区二区三区| 在线观看美女被高潮喷水网站 | 国产男靠女视频免费网站| svipshipincom国产片| 深爱激情五月婷婷| 国产免费一级a男人的天堂| 色av中文字幕| 久久精品综合一区二区三区| 久久国产精品影院| 国产成人欧美在线观看| 亚洲国产欧美人成| 久久香蕉精品热| 精品日产1卡2卡| 露出奶头的视频| 日本黄色视频三级网站网址| 亚洲av电影不卡..在线观看| 色综合站精品国产| 亚洲 欧美 日韩 在线 免费| 一卡2卡三卡四卡精品乱码亚洲| 淫秽高清视频在线观看| 国产99白浆流出| 亚洲精品乱码久久久v下载方式 | 国产老妇女一区| 99久国产av精品| 综合色av麻豆| 亚洲一区二区三区色噜噜| 熟女少妇亚洲综合色aaa.| 中文字幕熟女人妻在线| 精品一区二区三区视频在线观看免费|