• <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 ?

    基于無人機影像自動檢測冠層果的油茶快速估產(chǎn)方法

    2021-11-26 06:00:52嚴恩萍尹顯明莫登奎
    農(nóng)業(yè)工程學(xué)報 2021年16期
    關(guān)鍵詞:果數(shù)估產(chǎn)樣木

    嚴恩萍,棘 玉,尹顯明,莫登奎

    基于無人機影像自動檢測冠層果的油茶快速估產(chǎn)方法

    嚴恩萍,棘 玉,尹顯明,莫登奎※

    (1. 中南林業(yè)科技大學(xué)林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點實驗室,長沙 410004;2. 中南林業(yè)科技大學(xué)南方森林資源經(jīng)營與監(jiān)測國家林業(yè)與草原局重點實驗室,長沙 410004;3. 中南林業(yè)科技大學(xué)林學(xué)院,長沙 410004)

    快速準確的產(chǎn)量估算對油茶經(jīng)營管理和可持續(xù)發(fā)展具有重要意義。該研究針對油茶快速估產(chǎn)的應(yīng)用現(xiàn)狀,提出一種基于無人機影像自動檢測冠層果的方法用于油茶快速估產(chǎn)。首先借助無人機航拍影像,通過隨機抽樣選取120株油茶樹進行無人機近景攝影和人工采摘稱量;然后利用Mask RCNN(Mask Region Convolutional Neural Networks)網(wǎng)絡(luò)開展基于近景影像的油茶冠層果自動檢測與計數(shù);采用線性回歸和K最鄰近建立冠層果數(shù)與單株果數(shù)之間的關(guān)系,同時結(jié)合研究區(qū)典型樣木株數(shù)和平均單果質(zhì)量,構(gòu)建基于冠層果自動檢測的估產(chǎn)模型。結(jié)果表明:1)無人機超低空近景影像結(jié)合Mask RCNN網(wǎng)絡(luò)能夠有效檢測不同光照條件油茶果,平均F1值達89.91%;2)同傳統(tǒng)衛(wèi)星遙感相比,基于無人機近景攝影的冠層果自動檢測在作物產(chǎn)量估測方面顯示出明顯優(yōu)勢,Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù)與油茶樣木單株果數(shù)之間具有良好的一致性,擬合決定系數(shù)2達0.871;3)結(jié)合線性回歸和K最鄰近構(gòu)建的模型估產(chǎn)精度均較高,擬合決定系數(shù)2和標準均方根誤差NRMSE(Normalized Root Mean Square Error)分別在0.892~0.913和28.01%~31.00%之間,表明基于無人機影像自動檢測冠層果的油茶快速估產(chǎn)是一種切實可行的方法。研究結(jié)果可為油茶快速估產(chǎn)和智能監(jiān)測提供參考。

    無人機;自動檢測;油茶;快速估產(chǎn);冠層果

    0 引 言

    油茶是中國南方特有的木本油料樹種,含有豐富的不飽和脂肪酸和維生素E,在醫(yī)藥保健方面具有重要的應(yīng)用價值[1]。作為油茶產(chǎn)量的重要組成部分,油茶果數(shù)量和單果質(zhì)量是反映油茶產(chǎn)量的重要指標,因此快速獲取油茶果數(shù)量和單果質(zhì)量極為重要。傳統(tǒng)的油茶果數(shù)量和單果質(zhì)量獲取主要采用人工采摘計數(shù)稱量,消耗大量的人力物力財力。因此,開發(fā)一種高效準確的油茶果數(shù)量和單果質(zhì)量監(jiān)測方法具有重要意義。

    國內(nèi)外學(xué)者對基于圖像分析技術(shù)的果實數(shù)量監(jiān)測開展了相關(guān)研究[2],例如為克服外界復(fù)雜環(huán)境的影響,李昕等[3]提出基于多特征融合的油茶果識別方法;李立君等[4]提出基于改進凸殼理論的定位檢測算法。早期的果實監(jiān)測研究主要集中于蘋果[5-6]、柑橘[7]、西紅柿[8]、油茶[9]和番石榴[10]等。這些研究均采用基于像元的光譜響應(yīng)作為果實檢測的獨特特征,然而果實圖像存在顏色和形態(tài)多樣、遮擋重疊嚴重以及背景相似等問題,給油茶果的準確識別帶來挑戰(zhàn)。

    隨著計算機技術(shù)的進步,深度學(xué)習(xí)理論廣泛用于基于果實數(shù)量監(jiān)測的作物估產(chǎn)。例如為提高油茶果識別的速度與精度,張習(xí)之等[11]提出基于改進卷積自編碼機神經(jīng)網(wǎng)絡(luò)的油茶果圖像識別方法;Koirala等[12]比較了6種現(xiàn)有深度學(xué)習(xí)算法在樹冠圖像中檢測芒果果實的性能,結(jié)果表明YOLO(You Only Look Once)算法檢測日間芒果圖像數(shù)據(jù)集的效果較好,F(xiàn)1分數(shù)達0.89。深度學(xué)習(xí)理論已被成功用于芒果[13]、柑橘[14]、番茄[15]和蘋果[16]等作物的產(chǎn)量估算。然而目前的研究均采用地面拍攝的近距離照片作為數(shù)據(jù)源,無法滿足大面積估產(chǎn)需求。

    近年來,無人機遙感的發(fā)展為基于果實數(shù)量的大面積作物估產(chǎn)提供了條件。雖然衛(wèi)星遙感應(yīng)用于作物估產(chǎn)具有快速、無損、尺度大的優(yōu)勢[17],但是由于空間分辨率的限制,無法獲取精確的果實數(shù)量[18]。同衛(wèi)星遙感相比,無人機遙感具有空間分辨率高、獲取速度快、操作簡單的優(yōu)點[19-20],可選擇最優(yōu)作業(yè)時期獲取高分辨率航拍影像,實現(xiàn)基于果實數(shù)量的大面積作物估產(chǎn)[21]。例如Apolo等[22]基于無人機捕獲的柑橘園影像,采用Faster RCNN(Faster Region Convolutional Neural Networks)模型對柑橘類水果進行產(chǎn)量估算,模型估產(chǎn)精度較好,具有用于柑橘類相似作物產(chǎn)量估算的潛力。

    鑒于此,本文擬開展基于冠層果自動檢測的油茶快速估產(chǎn)研究,以無人機近景航拍影像為數(shù)據(jù)源,通過Mask RCNN(Mask Region Convolutional Neural Networks)網(wǎng)絡(luò)從近景影像中自動檢測油茶冠層果數(shù)量,采用2種方法擬合Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù)與單株果數(shù)之間的關(guān)系,結(jié)合研究區(qū)油茶樣木株數(shù)和平均單果質(zhì)量,構(gòu)建基于冠層果自動檢測的估產(chǎn)模型,以期為大面積油茶林的快速估產(chǎn)提供新的研究思路。

    1 材料與方法

    1.1 研究區(qū)概況

    試驗區(qū)位于湖南省中部的新邵縣陳家坊鎮(zhèn)江村,介于邵陽盆地和新漣盆地之間,屬典型的南方低矮丘陵,地處東經(jīng)111°08′~111°05′,北緯27°15′~27°38′之間(圖 1)。境內(nèi)春暖夏涼,四季分明,屬中亞熱帶大陸性季風濕潤氣候,年平均氣溫17.0 ℃,年均無霜期271 d,年降水量1 365.2 mm,油茶林面積300 hm2。江村油茶種植示范基地是新邵縣重點油茶產(chǎn)業(yè)基地,造林年度為2014年,總面積為59.18 hm2。

    1.2 數(shù)據(jù)獲取與預(yù)處理

    1.2.1 無人機影像數(shù)據(jù)

    無人機影像數(shù)據(jù)包括航線規(guī)劃數(shù)據(jù)和近景攝影數(shù)據(jù),其中前者用于獲取研究區(qū)油茶樣木的空間分布信息;后者用于油茶果樣本數(shù)據(jù)集的構(gòu)建,包括訓(xùn)練集、驗證集和測試集。兩種數(shù)據(jù)均采用大疆御Mavic 2 PRO四軸無人機獲取,航拍當日天氣晴朗、風速0.3~1.5 m/s、光線充足。搭載的傳感器為Hasselblad L1D-20C航拍相機,焦距為28 mm,光圈值為/2.8~/11。相機圖像分辨率為5 472 像素×3 648像素(JPEG格式)。

    無人機航線規(guī)劃數(shù)據(jù)采集于2020年10月19日至21日,拍攝高度為100 m,速度5 m/s,鏡頭垂直于地面,航向重疊率70%,旁向重疊率分別為80%,像元大小2.75 cm×2.75 cm。具體數(shù)據(jù)處理流程包括:①剔除重疊率低、重復(fù)和模糊的照片;②通過Agisoft Metashape軟件加載和匹配影像,構(gòu)建密集點云,利用密集點云重建三維模型生成正射影像;③基于正射影像顯示的油茶林空間分布信息,利用隨機抽樣選取120株典型油茶樣木。

    無人機近景攝影數(shù)據(jù)采集于2020年10月25日至26 日,拍攝高度距離油茶樣木空間位置正上方3 m,鏡頭垂直于地面,連續(xù)拍攝,獲取油茶樣木的完整冠幅,像元大小0.082 5 cm×0.082 5 cm。共拍攝1 000張油茶冠幅影像,剔除重復(fù)、模糊等無效影像,最后保留800張近景影像。

    1.2.2 地面實測數(shù)據(jù)

    地面實測數(shù)據(jù)主要用于油茶冠層果標注和估產(chǎn)模型的精度驗證。采集時間為2020年10月25日至26日,通過隨機抽樣選取120株典型樣木進行實地調(diào)查,記錄每株油茶樣木的編號、空間位置(經(jīng)度、緯度和海拔)、單株果數(shù)、單株產(chǎn)量和單果質(zhì)量,空間位置信息利用手持GPS采集,單株果數(shù)通過人工采摘計數(shù)獲取,單株產(chǎn)量采用電子秤實際稱量獲取,單果質(zhì)量由單株產(chǎn)量除以單株果數(shù)獲取。

    2 研究方法

    2.1 數(shù)據(jù)集構(gòu)建

    油茶果樣本數(shù)據(jù)集的構(gòu)建包括數(shù)據(jù)標注、數(shù)據(jù)擴增和數(shù)據(jù)劃分3部分。①數(shù)據(jù)標注:為滿足網(wǎng)絡(luò)訓(xùn)練的要求,利用Labeme軟件對油茶果的最小外接矩形進行人工標注,保證每個標注框僅含有單個油茶果目標;②數(shù)據(jù)擴增:為提高網(wǎng)絡(luò)的泛化能力,從拍攝的照片中隨機抽取400張作為標注樣本,采用圖像旋轉(zhuǎn)、圖像移動、圖像縮放、圖像增強、噪聲注入、對比度變換等方法進行數(shù)據(jù)擴增(圖2),最后保留1 200張作為樣本數(shù)據(jù)集;③數(shù)據(jù)劃分:將擴充數(shù)據(jù)集按8∶1∶1分為訓(xùn)練集、測試集和驗證集。其中訓(xùn)練集用于訓(xùn)練模型參數(shù),驗證集用于訓(xùn)練模型的超參數(shù)調(diào)優(yōu),測試集用于評估模型的泛化能力。

    注:混合變換指照片經(jīng)過上下翻轉(zhuǎn),亮度/對比度變換以及像素值放大/縮小等處理。

    2.2 Mask RCNN算法

    本研究采用目前經(jīng)典的深度學(xué)習(xí)算法Mask RCNN網(wǎng)絡(luò)檢測油茶冠層果。該方法基于原有的Faster RCNN進行擴展,完成目標檢測的同時實現(xiàn)高質(zhì)量的實例分割[23]。Mask RCNN算法包含3個任務(wù)分支:目標分類、目標框坐標和目標區(qū)域的二值掩碼。本文首先通過深度殘差網(wǎng)絡(luò)ResNet提取特征圖像,同時通過FPN(Feature Pyramid Networks)對特征圖像進行多尺度特征融合,實現(xiàn)低維信息和高維特征的融合,避免高維語義信息的丟失;然后結(jié)合區(qū)域生成網(wǎng)絡(luò)RPN(Region Proposal Network)提取潛在的目標區(qū)域ROI (Regions of Interest);利用ROI align層將ROI映射成固定維數(shù)的特征向量,其中2個分支經(jīng)過全連接層進行分類和目標框回歸,另1個分支經(jīng)過全卷積運算得到分割區(qū)域的二值掩碼[24]。具體Mask RCNN模型結(jié)構(gòu)如圖3所示。

    本文油茶冠層果檢測的訓(xùn)練環(huán)境均為Google提供的云服務(wù)器Colaboratory,GPU為Tesla P100-PCIE-16 GB。訓(xùn)練網(wǎng)絡(luò)為基于PyTorch的Mask RCNN網(wǎng)絡(luò),采用Python3.6語言編程實現(xiàn)網(wǎng)絡(luò)的訓(xùn)練和測試。訓(xùn)練參數(shù)為:初始學(xué)習(xí)率0.004,學(xué)習(xí)率下降系數(shù)0.1,一次訓(xùn)練迭代2個樣本,共進行54 000次迭代訓(xùn)練,第20 250次迭代和第27 000次迭代時學(xué)習(xí)率下降。分別輸出學(xué)習(xí)模型至文件夾,記錄訓(xùn)練日志。

    由于精度評價需要同時考慮準確率和召回率,本研究采用F1值作為油茶冠層果識別的評價指標,具體表達式如下:

    其中Precision代表精確率,%;Recall代表召回率,%;TP表示實際為油茶果且被模型預(yù)測為油茶果的樣本數(shù);FP表示實際為背景但被模型預(yù)測為油茶果的樣本數(shù);FN表示實際為油茶果但沒有被網(wǎng)絡(luò)識別為油茶果的樣本數(shù)。

    2.3 估產(chǎn)模型構(gòu)建

    2.3.1 單株果數(shù)估計

    以Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù)為自變量,實測的單株果數(shù)為因變量,采用線性回歸和K最鄰近算法2種方法構(gòu)建冠層果數(shù)與單株果數(shù)之間的經(jīng)驗?zāi)P?。線性回歸(Linear Regression,LR)是利用回歸方程確定目標值與特征值之間線性關(guān)系的一種統(tǒng)計分析方法。本文采用的線性回歸滿足一元一次方程;K最鄰近(K-Nearest Neighbor,KNN)算法是經(jīng)典的模式識別方法,首先給定測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)之間的距離,其次選定距離最近的個訓(xùn)練數(shù)據(jù)完成測試數(shù)據(jù)的預(yù)測。研究采用Python3.8語言構(gòu)建油茶樣木單株果數(shù)預(yù)測模型,K最鄰近算法共設(shè)置5個值,最大值為5,值為2(即歐氏距離)。

    2.3.2 估產(chǎn)模型

    本研究采用冠層果數(shù)擬合的單株果數(shù),構(gòu)建油茶樣木產(chǎn)量估算模型。具體計算公式如下:

    式中Yield為研究區(qū)單株油茶估測產(chǎn)量,kg;代表研究區(qū)油茶樣木編號;代表研究區(qū)油茶樣木的平均單果質(zhì)量;代表研究區(qū)隨機抽樣選取的10%典型油茶樣木株數(shù);Q代表研究區(qū)第株油茶樣木的單株果數(shù),通過冠層果數(shù)擬合獲取。

    以線性回歸擬合為例,則Q的計算公式如下:

    式中q代表研究區(qū)第株油茶樣木基于Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù),和分別表示線性回歸的斜率和截距。

    本文油茶樣木的平均單果質(zhì)量= 0.020 kg,樣木株數(shù)=120,線性回歸擬合中和取值分別為1.016和4.943。油茶樣木單株產(chǎn)量估算公式為:

    2.3.3 模型精度評價

    采用決定系數(shù)(2)和標準均方根誤差(Normalized Root Mean Square Error,NRMSE)對油茶產(chǎn)量的預(yù)測結(jié)果進行評價[25]。2反映預(yù)測產(chǎn)量與實測產(chǎn)量之間的擬合程度;NRMSE衡量預(yù)測產(chǎn)量與實測產(chǎn)量之間的標準化偏差程度,反映估測模型的可靠性,NRMSE越小,預(yù)測精度越高。計算公式如下:

    3 結(jié)果與分析

    3.1 樣本數(shù)據(jù)集處理

    研究表明,不同大小的圖像對網(wǎng)絡(luò)的訓(xùn)練速度和特征提取均有一定影響。由于網(wǎng)絡(luò)結(jié)構(gòu)和硬件限制,Mask RCNN網(wǎng)絡(luò)訓(xùn)練時要求輸入特定尺寸的圖像,而無人機近景影像往往大于這個尺寸。因此為保證油茶果特征的提取精度,本文通過縮放裁剪操作使無人機影像滿足Mask RCNN網(wǎng)絡(luò)訓(xùn)練的輸入要求(如表1所示)。

    表1 影像裁剪前后油茶果識別精度比較

    由表1可知,裁剪前圖像的F1值僅為31.48%,召回率僅為19.15%,說明裁剪前預(yù)測結(jié)果非常不理想,難以實現(xiàn)目標的準確分割。裁剪后各項指標均有提升,其中F1值達到89.91%,提高了約58個百分點;召回率從19.15%提高到82.03%,說明適當?shù)膱D像裁剪操作,能夠?qū)崿F(xiàn)油茶果特征的準確提取,提高模型預(yù)測精度。

    3.2 冠層果自動檢測

    冠層果測試集為無人機近景圖像通過數(shù)據(jù)增強和隨機裁剪按比例隨機獲取,具體測試精度見表2。同時為更好地說明訓(xùn)練模型的泛化能力,選擇不同光照條件(陰天和晴天)的油茶果照片進行檢測,具體檢測結(jié)果如圖4所示。

    表2 測試集冠層果平均檢測精度

    由表2可知,測試集共有679個油茶果目標,本文方法識別的油茶果數(shù)目為560個,其中557個為油茶果目標,平均召回率為82.03%,平均準確率為99.46%,平均F1值為89.91%,說明Mask RCNN網(wǎng)絡(luò)的檢測精度較高,不僅能檢測目標油茶果的定位框,而且能準確識別油茶果的二值掩碼。

    結(jié)合圖4分析可知,Mask RCNN網(wǎng)絡(luò)不僅適用于陰天采集的光照均勻圖像,同樣適用于晴天采集的強光照射圖像,F(xiàn)1值分別為89.64%和90.22%。強光照射可能導(dǎo)致油茶果目標表面光線極強,導(dǎo)致肉眼無法將油茶果目標正確識別,本文網(wǎng)絡(luò)能有效識別圖像中的油茶果目標,召回率為82.97%;該網(wǎng)絡(luò)同樣適用于陰天部分遮擋情況的油茶果識別,召回率為81.22%。另外部分青色和紅色小果與檢測背景相似,存在一定的漏識別現(xiàn)象,說明不同成熟度的果實顏色對油茶果檢測精度有一定影響。總體上,Mask RCNN網(wǎng)絡(luò)檢測油茶果的精度較高,能夠用于后續(xù)油茶樣木的快速估產(chǎn)。

    注:原圖大小均為5 472像素×3 648像素,放大圖大小為684像素×456像素;矩形框上方的數(shù)字表示目標為油茶果的概率。

    Note: The size of the original image is 5 472 pixels×3 648 pixels, and the size of the enlarged image is 684 pixels×456 pixels; the number above the rectangular box represents the probability that the target is a camellia oleifera fruit.

    圖4 Mask RCNN網(wǎng)絡(luò)對不同光照條件油茶果的檢測效果

    Fig.4 Detection effects of Mask RCNN network on camellia oleifera under different lighting conditions

    3.3 樣木產(chǎn)量數(shù)據(jù)統(tǒng)計

    根據(jù)油茶冠層果識別結(jié)果,對研究區(qū)120株油茶樣木的產(chǎn)量數(shù)據(jù)分別進行統(tǒng)計(表3)。分析可知,油茶樣木冠層果數(shù)和單株果數(shù)平均值分別為38和133,在2~153和8~532之間變化;單株產(chǎn)量和單果質(zhì)量平均值分別為2.652和0.020 kg,介于0.042~10.542和0.004~0.047 kg之間,說明研究區(qū)油茶樣木產(chǎn)量普遍不高,具有一定的改良空間。另外,4類油茶產(chǎn)量數(shù)據(jù)均表現(xiàn)出不同程度的差異性,變化范圍介于30.00%~96.42%之間,說明本文選擇的油茶樣木具有一定的代表性,可能受油茶結(jié)實大小年、油茶品種和種植環(huán)境等因素影響,統(tǒng)計的產(chǎn)量數(shù)據(jù)呈現(xiàn)出較強的變異性。

    3.4 估產(chǎn)結(jié)果分析

    3.4.1 單株果數(shù)估計

    基于預(yù)測的冠層果數(shù)據(jù),構(gòu)建冠層果數(shù)與單株果數(shù)之間的經(jīng)驗?zāi)P?,其?0株樣木數(shù)據(jù)用于模型構(gòu)建,預(yù)留的40株樣木數(shù)據(jù)用于精度驗證,具體結(jié)果如表4所示。

    分析可知,2種方法的2均不低于0.871,NRMSE均低于38%;其中LR模型估算精度較高,2和NRMSE分別為0.888和36.23%;KNN模型精度略低于LR模型。說明采用Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù)與實測的單株果數(shù)之間存在良好的線性擬合關(guān)系,證明了基于冠層果數(shù)擬合樣木單株果數(shù)的有效性。

    表3 研究區(qū)油茶樣木產(chǎn)量數(shù)據(jù)統(tǒng)計結(jié)果

    SD: Standard deviation; CV: Coefficient of variation.

    表4 基于冠層果數(shù)擬合的單株果數(shù)精度檢驗結(jié)果

    NRMSE: Normalized Root Mean Square Error.

    3.4.2 估產(chǎn)精度評價

    基于冠層果數(shù)擬合的單株果數(shù),利用公式(4)對研究區(qū)剩余的40株油茶樣木進行產(chǎn)量估測,估產(chǎn)精度驗證結(jié)果如圖5所示。

    分析圖5可知,2種方法均取得較好的估產(chǎn)效果,2和NRMSE分別在0.892~0.913和28.01%~31.00%之間變化。估產(chǎn)精度方面,LR的估產(chǎn)精度略高于KNN,2和NRMSE分別為0.913和28.01%,說明基于冠層果數(shù)擬合的油茶樣木單株果數(shù)與單株產(chǎn)量之間存在良好的線性關(guān)系,本文方法具有較好的穩(wěn)定性和有效性。

    4 討 論

    4.1 油茶果樣本集擴增

    相關(guān)研究表明,數(shù)據(jù)擴增是一種常用的數(shù)據(jù)增強方法,可在增加樣本數(shù)量的同時減少模型訓(xùn)練出現(xiàn)的過度擬合[26]??紤]油茶果顏色與油茶葉片的相似性,以及無人機航拍的影像數(shù)量有限和環(huán)境的不確定性,難以滿足Mask RCNN網(wǎng)絡(luò)訓(xùn)練的樣本需求,研究采用圖像縮放、亮度、對比度、噪聲注入以及翻轉(zhuǎn)等方法,對已標注的樣本進行數(shù)據(jù)擴增,結(jié)果表明適當?shù)臄?shù)據(jù)擴增操作,能夠提高模型的泛化能力,減少復(fù)雜環(huán)境對油茶果識別造成的不良影響,提高油茶果的識別精度。這與已有學(xué)者采用數(shù)據(jù)增強技術(shù)擴充樣本數(shù)據(jù)集緩解過擬合的研究結(jié)論相似[27],隨著研究的持續(xù)開展,后續(xù)將圍繞油茶果樣本數(shù)據(jù)集的標準化開展深入研究。

    4.2 油茶果自動檢測的影響因素

    本研究采用Mask RCNN網(wǎng)絡(luò)對不同光照條件的油茶冠層果進行識別,結(jié)果表明該網(wǎng)絡(luò)不僅能準確提取目標油茶果的定位框,還能準確繪制目標油茶果的二值掩碼,說明該網(wǎng)絡(luò)具有良好的準確性和穩(wěn)定性,檢測油茶果的精度均較高[28],預(yù)測的油茶果數(shù)量能夠用于后續(xù)研究;已有研究表明,遮擋重疊、分布密集、背景相似以及表面陰影是影響目標對象精準識別的主要干擾因素[29],本文通過采用全卷積神經(jīng)網(wǎng)絡(luò)FCN提取油茶果目標的準確特征,一定程度減少背景、遮擋、重疊和陰影等因素的干擾,實現(xiàn)油茶果目標的高效識別,這與已有學(xué)者采用全卷積神經(jīng)網(wǎng)絡(luò)檢測蘋果的研究結(jié)論相似[30]。隨著樣本數(shù)據(jù)集的積累,后續(xù)將圍繞遮擋、重疊、背景(如不同成熟度的果實顏色)以及陰影等影響因素開展深入研究,以期進一步提高油茶果自動檢測的精度。

    4.3 估產(chǎn)模型精度比較

    為提高作物產(chǎn)量的估算精度,本研究以無人機航拍影像為數(shù)據(jù)源,采用Mask RCNN網(wǎng)絡(luò)開展基于近景影像的油茶冠層果自動檢測與計數(shù),然后利用2種方法建立預(yù)測的冠層果數(shù)與單株果數(shù)之間的關(guān)系,構(gòu)建基于冠層果自動檢測的估產(chǎn)模型,旨在為無人機遙感在大面積作物快速估產(chǎn)中的應(yīng)用提供一種新的思路。雖然由傳統(tǒng)衛(wèi)星遙感估算的作物產(chǎn)量在區(qū)域和國家尺度可以接受,但是不能精確到單株樣木的產(chǎn)量估算,主要受衛(wèi)星遙感空間分辨率的限制[18, 31-32]。同傳統(tǒng)衛(wèi)星遙感相比,基于無人機近景攝影的冠層果自動檢測在作物產(chǎn)量估測方面顯示出明顯的優(yōu)勢,因為來自無人機超低空近景拍攝的高清影像可以實現(xiàn)油茶樣木冠層果的準確檢測與計數(shù)。

    研究表明,由Mask RCNN網(wǎng)絡(luò)檢測的油茶冠層果數(shù)與單株果數(shù)之間具有良好的一致性,可作為大面積油茶林產(chǎn)量估算的真值數(shù)據(jù)。另外受無人機超低空航拍數(shù)據(jù)的限制,本文只是利用隨機抽樣采集部分典型油茶樣木的高清影像,通過高清影像預(yù)測的冠層果數(shù)擬合單株果數(shù),同時結(jié)合研究區(qū)油茶樣木株數(shù)和實測單果質(zhì)量,探索構(gòu)建基于冠層果自動檢測的估產(chǎn)模型的可行性。利用無人機超低空近景影像和實測產(chǎn)量數(shù)據(jù)開展大面積油茶林的精細化估產(chǎn)將是下一步的研究重點。眾所周知,油茶產(chǎn)量的估算精度受多種因素的影響,如油茶的生長年份、大小年和不同品種等。隨著研究的持續(xù)推進,后續(xù)將圍繞不同區(qū)域、不同年份、不同品種和不同種植密度開展試驗研究,以填補油茶估產(chǎn)模型研究的空白。

    5 結(jié) 論

    隨著無人機遙感的快速發(fā)展,基于冠層影像的農(nóng)作物估產(chǎn)得到了廣泛關(guān)注,然而鮮有基于冠層果自動檢測的油茶快速估產(chǎn)報道。鑒于此,研究以無人機航拍影像為數(shù)據(jù)源,通過隨機抽樣方法選取120株油茶樹進行無人機近景拍攝和人工采摘稱量;然后利用Mask RCNN開展油茶冠層果的自動檢測與計數(shù);最后利用兩種方法擬合冠層果數(shù)和單株果數(shù)之間的關(guān)系,同時結(jié)合油茶樣木總株數(shù)和實測單果質(zhì)量,構(gòu)建基于冠層果自動檢測的估產(chǎn)模型。結(jié)果表明:

    1)借助無人機超低空近景攝影,利用Mask RCNN網(wǎng)絡(luò)能夠有效識別不同光照條件的油茶果,平均F1值達89.91%,可作為后續(xù)產(chǎn)量估測的真值數(shù)據(jù);

    2)同傳統(tǒng)的衛(wèi)星遙感相比,基于無人機近景攝影的冠層果自動檢測在作物產(chǎn)量估測方面顯示出明顯的優(yōu)勢,Mask RCNN網(wǎng)絡(luò)預(yù)測的冠層果數(shù)與單株果數(shù)之間具有良好的一致性,決定系數(shù)2不低于0.871;

    3)估產(chǎn)結(jié)果表明,結(jié)合2種方法(線性回歸和K最鄰近)構(gòu)建的模型估產(chǎn)精度均較高,擬合決定系數(shù)2和NRMSE分別在0.892~0.913和28.01%~31.00%間變化,說明基于冠層果自動檢測的油茶估產(chǎn)方法具有較高的穩(wěn)定性和適用性,是一種可推廣的作物估產(chǎn)方法。

    [1] 張東生,金青哲,薛雅琳,等. 油茶籽油的營養(yǎng)價值及摻偽鑒定研究進展[J]. 中國油脂,2013,38(8):47-50.

    Zhang Dongsheng, Jin Qingzhe, Xue Yalin, et al. Nutritional value and adulteration identification of oil tea camellia seed oil[J]. China Oils and Fats, 2013, 38(8): 47-50. (in Chinese with English abstract)

    [2] Gongal A, Amatya S, Karkee M, et al. Sensors and systems for fruit detection and localization: A review[J]. Computers and Electronics in Agriculture, 2015, 116: 8-19.

    [3] 李昕,李立君,高自成,等. 基于偏好人工免疫網(wǎng)絡(luò)多特征融合的油茶果圖像識別[J]. 農(nóng)業(yè)工程學(xué)報,2012,28(14):133-137.

    Li Xin, Li Lijun, Gao Zicheng, et al. Image recognition of camellia fruit based on preference for aiNET multi-features integration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(14): 133-137. (in Chinese with English abstract)

    [4] 李立君,陽涵疆. 基于改進凸殼理論的遮擋油茶果定位檢測算法[J]. 農(nóng)業(yè)機械學(xué)報,2016,47(12):285-292,346.

    Li Lijun, Yang Hanjiang. Revised detection and localization algorithm for camellia oleifera fruits based on convex hull theory[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(12): 285-292, 346. (in Chinese with English abstract)

    [5] Gongal A, Karkee M, Amatya S. Apple fruit size estimation using a 3D machine vision system[J]. Information Processing in Agriculture, 2018, 5(4): 498-503.

    [6] Zhou R, Damerow L, Sun Y, et al. Using colour features of cv. ‘Gala’ apple fruits in an orchard in image processing to predict yield[J]. Precision Agriculture, 2012, 13(5): 568-580.

    [7] Kurtulmus F, Lee W S, Vardar A. Green citrus detection using ‘eigenfruit’, color and circular Gabor texture features under natural outdoor conditions[J]. Computers and Electronics in Agriculture, 2011, 78(2): 140-149.

    [8] Yamamoto K, Guo W, Yoshioka Y, et al. On plant detection of intact tomato fruits using image analysis and machine learning methods[J]. Sensors, 2014, 14(7): 12191-12206.

    [9] 李昕,李立君,高自成,等. 改進類圓隨機Hough變換及其在油茶果實遮擋識別中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報,2013,29(1):164-170.

    Li Xin, Li Lijun, Gao Zicheng, et al. Revised quasi-circular randomized hough transform and its application in camellia-fruit recognition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 164-170. (in Chinese with English abstract)

    [10] Lin G C, Tang Y C, Zou X J, et al. Guava detection and pose estimation using a low-cost RGB-D sensor in the field[J]. Sensors, 2019, 19(2): 428.

    [11] 張習(xí)之,李立君. 基于改進卷積自編碼機的油茶果圖像識別研究[J]. 林業(yè)工程學(xué)報,2019,4(3):118-124.

    Zhang Xizhi, Li Lijun. Research of image recognition of camellia oleifera fruit based on improved convolutional auto-encoder[J]. Journal of Forestry Engineering, 2019, 4(3): 118-124. (in Chinese with English abstract)

    [12] Koirala A, Walsh K B, Wang Z, et al. Deep learning for real-time fruit detection and orchard fruit load estimation: Benchmarking of ‘MangoYOLO’[J]. Precision Agriculture, 2019, 20(6): 1107-1135.

    [13] Wang Z, Walsh K, Koirala A. Mango fruit load estimation using a video based Mango YOLO-Kalman filter-hungarian algorithm method[J]. Sensors, 2019, 19(12): 2742.

    [14] Zhuang J J, Luo S M, Hou C J, et al. Detection of orchard citrus fruits using a monocular machine vision-based method for automatic fruit picking applications[J]. Computers and Electronics in Agriculture, 2018, 152: 64-73.

    [15] Rahnemoonfar M, Sheppard C. Deep count: Fruit counting based on deep simulated learning[J]. Sensors, 2017, 17(4): 905.

    [16] H?ni N, Roy P, Isler V. Apple counting using convolutional neural networks[C]//2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2018: 2559-2565.

    [17] Wu S R, Yang P, Chen Z X, et al. Estimating winter wheat yield by assimilation of remote sensing data with a four-dimensional variation algorithm considering anisotropic background error and time window[J]. Agricultural and Forest Meteorology, 2021, 301: 108345.

    [18] 徐權(quán),郭鵬,祁佳峰,等. 基于無人機影像的SEGT棉花估產(chǎn)模型構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報,2020,36(16):44-51.

    Xu Quan, Guo Peng, Qi Jiafeng, et al. Construction of SEGT cotton yield estimation model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(16): 44-51. (in Chinese with English abstract)

    [19] García-Martínez H, Flores-Magdaleno H, Ascencio-Hernández R, et al. Corn grain yield estimation from vegetation indices, canopy cover, plant density, and a neural network using multispectral and RGB images acquired with unmanned aerial vehicles[J]. Agriculture, 2020, 10(7): 277.

    [20] 周小成,何藝,黃洪宇,等. 基于兩期無人機影像的針葉林伐區(qū)蓄積量估算[J]. 林業(yè)科學(xué),2019,55(11):117-125.

    Zhou Xiaocheng, He Yi, Huang Hongyu, et al. Estimation of forest stand volume on coniferous forest cutting area based on two periods unmanned aerial vehicle images[J]. Scientia Silvae Sinicae, 2019, 55(11): 117-125. (in Chinese with English abstract)

    [21] Zhou J, Zhou J F, Ye H, et al. Yield estimation of soybean breeding lines under drought stress using unmanned aerial vehicle-based imagery and convolutional neural network[J]. Biosystems Engineering, 2021, 204: 90-103.

    [22] Apolo Apolo O E, Martínez-Guanter J, Egea G, et al. Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV[J]. European Journal of Agronomy, 2020, 115: 126030.

    [23] Khan M A, Akram T, Zhang Y D, et al. Attributes based skin lesion detection and recognition: A mask RCNN and transfer learning-based deep learning framework[J]. Pattern Recognition Letters, 2021, 143: 58-66.

    [24] Lin T Y, Dollár P, Girshick R, et al. Feature Pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2117-2125.

    [25] 嚴恩萍,趙運林,林輝,等. 基于地統(tǒng)計學(xué)和多源遙感數(shù)據(jù)的森林碳密度估算[J]. 林業(yè)科學(xué),2017,53(7):72-84.

    Yan Enping, Zhao Yunlin, Lin Hui, et al. Estimation of forest carbon density based on geostatistics and multi-r esource remote sensing data[J]. Scientia Silvae Sinicae, 2017, 53(7): 72-84. (in Chinese with English abstract)

    [26] Pinheiro P O, Collobert R, Dollar P. Learning to segment object candidates[J]. NIPAS’15: Proceedings of the 28thInternational Conference on Neural Information Processing System, 2015, 2: 1990-1998.

    [27] 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別[J]. 農(nóng)業(yè)工程學(xué)報,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)

    [28] Fan Z M, Xia W J, Liu X, et al. Detection and segmentation of underwater objects from forward-looking sonar based on a modified Mask RCNN[J]. Signal, Image and Video Processing, 2021, 15: 1135-1143.

    [29] Jia W K, Tian Y Y, Luo R, et al. Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot[J]. Computers and Electronics in Agriculture, 2020, 172: 105380.

    [30] 王丹丹,何東健. 基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機器人疏果前蘋果目標的識別[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(3):156-163.

    Wang Dandan, He Dongjian. Recognition of apple targets before fruits thinning by robot based on R-FCN deep convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 156-163. (in Chinese with English abstract)

    [31] Yu N, Li L, Schmitz N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187: 91-101.

    [32] 劉煥軍,孟令華,張新樂,等. 基于時間序列Landsat 影像的棉花估產(chǎn)模型[J]. 農(nóng)業(yè)工程學(xué)報,2015,31(17):215-220.

    Liu Huanjun, Meng Linghua, Zhang Xinle, et al. Estimation model of cotton yield with time series Landsat images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(17): 215-220. (in Chinese with English abstract)

    Rapid estimation of camellia oleifera yield based on automatic detection of canopy fruits using UAV images

    Yan Enping, Ji Yu, Yin Xianming, Mo Dengkui※

    (1.,,410004,; 2.,,410004,; 3.,410004,)

    Rapid and accurate yield estimation is of great significance to the management and sustainable development of Camellia oleifera production. The quantity and single fruit weight of camellia fruits are crucial indicators representing the Camellia yield. Therefore, a highly efficient and accurate monitoring of the quantity and single fruit weight of Camellia fruits can contribute to saving labor, material, and financial resources, as well as timely decision-making. Unmanned aerial vehicle (UAV) remote sensing has presented a high spatial resolution, fast data acquisition, and simple operation in recent years. An optimal operation period can be selected to obtain high-resolution aerial images, and thereby to realize the crop yield estimation in a large scale using the fruit numbers. However, only a few kinds of research are focused on the estimation of Camellia yield using UAV images and fruit number identification. In this study, a rapid yield estimation of Camellia oleifera was realized via the automatic detection of canopy fruit using UAV images. Firstly, a DJI Mavic 2 PRO UAV platform and Hasselblad L1D-20C camera were utilized to obtain UAV aerial images in the study area. 120 camellia oleifera trees were selected by random sampling for close-up UAV shooting, and manual picking, and weighing. A Mask RCNN framework was then employed to automatically detect and count the canopy fruits in the sample trees using UAV close-up images. Finally, two common Linear Regression (LR) and K-Nearest Neighbor (KNN) were used to build the relationship between the predicted fruit numbers of tree canopy and the measured. A yield estimation model was thus constructed using automatic detection of canopy fruits, according to the total numbers of sample trees and the average weight of single fruit. The results showed that: (1) There was an excellent performance of crop yield estimation via the automatic detection of canopy fruits using close-range photography of UAV, compared with the traditional method. (2) UAV ultra-low-altitude close-up images combined with Mask RCNN network effectively detected the camellia oleifera fruits under different lighting conditions, with an average F1 value of 89.91%. (3) There was well consistency between the predicted fruit numbers of tree canopy identified by Mask RCNN network and the measured, with2higher than 0.871. (4) The yield estimation results showed that the combined LR/KNN models presented a higher accuracy of yield estimation with2and NRMSE ranging from 0.892 to 0.913, and 28.01% to 31.00%, respectively. Consequently, the rapid yield estimation of Camellia oleifera sample trees can be achieved using automatic detection of canopy fruits from UAV images. The finding can provide highly versatile and great potential for rapid yield estimation and intelligent monitoring of the crops or trees in large areas.

    UAV; automatic detection; Camellia oleifera; rapid yield estimation; canopy fruit

    嚴恩萍,棘玉,尹顯明,等. 基于無人機影像自動檢測冠層果的油茶快速估產(chǎn)方法[J]. 農(nóng)業(yè)工程學(xué)報,2021,37(16):39-46.doi:10.11975/j.issn.1002-6819.2021.16.006 http://www.tcsae.org

    Yan Enping, Ji Yu, Yin Xianming, et al. Rapid estimation of camellia oleifera yield based on automatic detection of canopy fruits using UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 39-46. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2021.16.006 http://www.tcsae.org

    2021-04-01

    2021-07-14

    國家自然科學(xué)基金項目(31901311,32071682)

    嚴恩萍,博士,講師,研究方向為林業(yè)遙感與地理信息系統(tǒng)應(yīng)用。Email:Enpingyan@csuft.edu.cn

    莫登奎,副教授,研究方向為林業(yè)遙感與人工智能應(yīng)用。Email:dengkuimo@csuft.edu.cn

    10.11975/j.issn.1002-6819.2021.16.006

    S127;S757.2

    A

    1002-6819(2021)-16-0039-08

    猜你喜歡
    果數(shù)估產(chǎn)樣木
    通化縣林業(yè)局天然蒙古櫟林生長變化情況研究
    基于無人機多光譜遙感數(shù)據(jù)的煙草植被指數(shù)估產(chǎn)模型研究
    遙感技術(shù)在大豆種植情況監(jiān)測中的應(yīng)用
    鎮(zhèn)賚縣人工楊樹5年間蓄積量變化情況分析
    花生新品種臨花5號主要經(jīng)濟性狀及遺傳力分析
    鎮(zhèn)賚縣人工楊樹5 年間胸徑蓄積量變化情況探討
    冬春不同修剪處理對果葉兼用桑產(chǎn)果的影響試驗
    精高效氯氟氰菊酯微膠囊緩釋劑防治梨小食心蟲的效果
    落葉果樹(2016年2期)2016-03-27 09:28:47
    基于地級市的區(qū)域水稻遙感估產(chǎn)與空間化研究
    廣西花生產(chǎn)量與主要經(jīng)濟性狀的分析
    種子(2016年3期)2016-01-18 05:48:15
    淫秽高清视频在线观看| 久久热在线av| 日日干狠狠操夜夜爽| av国产免费在线观看| 亚洲欧美日韩高清在线视频| 熟女少妇亚洲综合色aaa.| 亚洲五月婷婷丁香| 夜夜爽天天搞| 亚洲国产精品成人综合色| 床上黄色一级片| 精品国产三级普通话版| 在线视频色国产色| 欧美又色又爽又黄视频| 国产高清视频在线播放一区| 又紧又爽又黄一区二区| 国语自产精品视频在线第100页| 超碰成人久久| 国产熟女xx| 一级毛片高清免费大全| 欧美最黄视频在线播放免费| 一a级毛片在线观看| 999久久久国产精品视频| 免费一级毛片在线播放高清视频| 又爽又黄无遮挡网站| 日韩三级视频一区二区三区| 亚洲精品色激情综合| 国产高清视频在线观看网站| 亚洲熟妇中文字幕五十中出| 丰满人妻一区二区三区视频av | 最新在线观看一区二区三区| 可以在线观看的亚洲视频| 男人和女人高潮做爰伦理| 免费观看的影片在线观看| 又大又爽又粗| 久久久久国内视频| 18美女黄网站色大片免费观看| 夜夜爽天天搞| 老鸭窝网址在线观看| 亚洲国产精品成人综合色| 少妇裸体淫交视频免费看高清| 国产精品爽爽va在线观看网站| 欧美性猛交黑人性爽| 国产午夜精品久久久久久| 长腿黑丝高跟| 麻豆国产97在线/欧美| 99在线人妻在线中文字幕| 一二三四社区在线视频社区8| 亚洲精品美女久久av网站| 亚洲熟妇中文字幕五十中出| 国产av不卡久久| 十八禁网站免费在线| 国产成人福利小说| 淫秽高清视频在线观看| 免费大片18禁| 噜噜噜噜噜久久久久久91| 亚洲av日韩精品久久久久久密| 变态另类丝袜制服| 九色成人免费人妻av| 亚洲av电影在线进入| 国产亚洲欧美在线一区二区| 久久精品影院6| 麻豆国产97在线/欧美| 亚洲精品国产精品久久久不卡| 久久久久久久午夜电影| 国产一区二区在线av高清观看| 欧美一区二区国产精品久久精品| 嫩草影院精品99| 久久久国产精品麻豆| 叶爱在线成人免费视频播放| 成在线人永久免费视频| 九色成人免费人妻av| www.999成人在线观看| 色吧在线观看| 亚洲av美国av| АⅤ资源中文在线天堂| 久久精品夜夜夜夜夜久久蜜豆| 巨乳人妻的诱惑在线观看| 村上凉子中文字幕在线| 此物有八面人人有两片| 精品人妻1区二区| 午夜免费成人在线视频| 日韩欧美国产一区二区入口| 久久久久亚洲av毛片大全| 国产精品综合久久久久久久免费| 国产精品综合久久久久久久免费| 午夜视频精品福利| 波多野结衣高清无吗| 人人妻人人澡欧美一区二区| 婷婷精品国产亚洲av在线| 日韩成人在线观看一区二区三区| 99国产极品粉嫩在线观看| 亚洲国产看品久久| 宅男免费午夜| 一二三四社区在线视频社区8| 中文字幕人妻丝袜一区二区| 国产精品九九99| 亚洲中文av在线| 最近视频中文字幕2019在线8| 国产精品爽爽va在线观看网站| a级毛片a级免费在线| 噜噜噜噜噜久久久久久91| 色播亚洲综合网| 一级作爱视频免费观看| 国产美女午夜福利| aaaaa片日本免费| 欧美国产日韩亚洲一区| 看免费av毛片| 黑人操中国人逼视频| 免费无遮挡裸体视频| 国产亚洲av高清不卡| 三级国产精品欧美在线观看 | a在线观看视频网站| 国产成人aa在线观看| 精品日产1卡2卡| 国产在线精品亚洲第一网站| 一级毛片女人18水好多| 人人妻人人看人人澡| 亚洲专区字幕在线| 99久久成人亚洲精品观看| 99久国产av精品| 欧美国产日韩亚洲一区| 免费一级毛片在线播放高清视频| 日韩国内少妇激情av| 好看av亚洲va欧美ⅴa在| 在线十欧美十亚洲十日本专区| 国产精品1区2区在线观看.| 身体一侧抽搐| 国产男靠女视频免费网站| 热99在线观看视频| 免费av毛片视频| 变态另类丝袜制服| 搡老妇女老女人老熟妇| 男人和女人高潮做爰伦理| 欧美丝袜亚洲另类 | 在线观看免费午夜福利视频| xxxwww97欧美| 丰满人妻熟妇乱又伦精品不卡| 成人一区二区视频在线观看| 国产午夜精品论理片| 精品不卡国产一区二区三区| 我的老师免费观看完整版| 成人三级黄色视频| 香蕉av资源在线| 国产黄a三级三级三级人| 久久香蕉国产精品| 精品免费久久久久久久清纯| 嫁个100分男人电影在线观看| 国产成人av教育| 免费看日本二区| 国产aⅴ精品一区二区三区波| 欧美乱码精品一区二区三区| 久久香蕉精品热| 日韩欧美国产一区二区入口| 久久这里只有精品中国| 亚洲精品美女久久av网站| 香蕉丝袜av| 高清毛片免费观看视频网站| 在线看三级毛片| 法律面前人人平等表现在哪些方面| 国产av麻豆久久久久久久| 国产成+人综合+亚洲专区| 在线观看66精品国产| 午夜福利在线观看免费完整高清在 | 狂野欧美白嫩少妇大欣赏| av片东京热男人的天堂| av黄色大香蕉| 国产成人精品久久二区二区免费| 少妇熟女aⅴ在线视频| 国产亚洲av高清不卡| 99国产极品粉嫩在线观看| 国产主播在线观看一区二区| 国产精品一区二区三区四区久久| 90打野战视频偷拍视频| 性色avwww在线观看| 精品久久蜜臀av无| 国产精品一区二区免费欧美| 国产伦在线观看视频一区| 国产一区二区三区视频了| 少妇丰满av| 90打野战视频偷拍视频| 久久亚洲真实| 久久久久性生活片| 久久热在线av| 曰老女人黄片| 婷婷精品国产亚洲av在线| 亚洲av免费在线观看| 亚洲性夜色夜夜综合| 国产免费av片在线观看野外av| 国产又黄又爽又无遮挡在线| netflix在线观看网站| 免费av不卡在线播放| av中文乱码字幕在线| 国产黄a三级三级三级人| 国产高清有码在线观看视频| 精品一区二区三区视频在线 | 免费在线观看成人毛片| 一卡2卡三卡四卡精品乱码亚洲| 国产aⅴ精品一区二区三区波| 亚洲午夜理论影院| 熟女电影av网| 啦啦啦免费观看视频1| 亚洲av成人av| 91久久精品国产一区二区成人 | 亚洲av电影在线进入| tocl精华| 久久精品国产99精品国产亚洲性色| 成人一区二区视频在线观看| 中文亚洲av片在线观看爽| 可以在线观看的亚洲视频| 色尼玛亚洲综合影院| www日本在线高清视频| 99国产极品粉嫩在线观看| 国产精品一及| 国产伦人伦偷精品视频| 香蕉国产在线看| 欧美极品一区二区三区四区| 中文字幕av在线有码专区| 中文亚洲av片在线观看爽| 亚洲欧美日韩无卡精品| 少妇人妻一区二区三区视频| 亚洲国产精品sss在线观看| 欧美黑人欧美精品刺激| 男女视频在线观看网站免费| 51午夜福利影视在线观看| 一个人观看的视频www高清免费观看 | 国产乱人视频| 国产私拍福利视频在线观看| 午夜亚洲福利在线播放| 可以在线观看的亚洲视频| 99久久成人亚洲精品观看| 又黄又粗又硬又大视频| 国产乱人视频| 宅男免费午夜| 色精品久久人妻99蜜桃| 桃色一区二区三区在线观看| 国产亚洲精品综合一区在线观看| 亚洲 欧美 日韩 在线 免费| 久久99热这里只有精品18| 天天添夜夜摸| 男人和女人高潮做爰伦理| 99久久成人亚洲精品观看| 色老头精品视频在线观看| 最好的美女福利视频网| 麻豆国产97在线/欧美| 国模一区二区三区四区视频 | 熟女电影av网| 精品国产三级普通话版| 51午夜福利影视在线观看| 最新在线观看一区二区三区| 一级毛片精品| 99久久久亚洲精品蜜臀av| 亚洲av免费在线观看| 欧美xxxx黑人xx丫x性爽| 成年女人毛片免费观看观看9| 亚洲av中文字字幕乱码综合| 亚洲中文字幕一区二区三区有码在线看 | 老汉色av国产亚洲站长工具| cao死你这个sao货| 午夜福利成人在线免费观看| 少妇的逼水好多| 999久久久精品免费观看国产| 日韩欧美一区二区三区在线观看| 18禁美女被吸乳视频| 首页视频小说图片口味搜索| 日日夜夜操网爽| 中文亚洲av片在线观看爽| 亚洲成人中文字幕在线播放| 成人特级av手机在线观看| 99精品久久久久人妻精品| 欧美一级a爱片免费观看看| 国产视频一区二区在线看| 久久精品夜夜夜夜夜久久蜜豆| 最近最新免费中文字幕在线| 欧美一级毛片孕妇| 国产午夜精品论理片| 男女午夜视频在线观看| 亚洲性夜色夜夜综合| 国产成人aa在线观看| 亚洲在线观看片| av在线蜜桃| 岛国视频午夜一区免费看| 国产亚洲av嫩草精品影院| 校园春色视频在线观看| 在线观看舔阴道视频| 国内少妇人妻偷人精品xxx网站 | 国产亚洲欧美98| 99久久99久久久精品蜜桃| 成人国产一区最新在线观看| 女生性感内裤真人,穿戴方法视频| 毛片女人毛片| 日本一本二区三区精品| 动漫黄色视频在线观看| 精品国产三级普通话版| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲欧美98| 日韩欧美在线乱码| 国产精品久久久久久亚洲av鲁大| 一个人免费在线观看的高清视频| 午夜精品在线福利| 真实男女啪啪啪动态图| 国内精品美女久久久久久| 国产av不卡久久| 成人性生交大片免费视频hd| 怎么达到女性高潮| 日韩免费av在线播放| 亚洲中文av在线| 亚洲欧美日韩高清专用| 欧美最黄视频在线播放免费| 女同久久另类99精品国产91| 久久这里只有精品中国| 国产三级黄色录像| 国产精品久久视频播放| 亚洲男人的天堂狠狠| 婷婷亚洲欧美| 热99在线观看视频| 久久亚洲真实| 91麻豆av在线| 亚洲色图av天堂| 日韩欧美精品v在线| 性色av乱码一区二区三区2| 老司机午夜十八禁免费视频| 看片在线看免费视频| 999久久久国产精品视频| 国产精品日韩av在线免费观看| 欧美日韩福利视频一区二区| 亚洲av中文字字幕乱码综合| 国产精品久久久久久亚洲av鲁大| 听说在线观看完整版免费高清| 亚洲欧美激情综合另类| 老司机深夜福利视频在线观看| 国产精品久久视频播放| 亚洲男人的天堂狠狠| 国产精品1区2区在线观看.| 午夜福利欧美成人| 蜜桃久久精品国产亚洲av| 真人做人爱边吃奶动态| 亚洲电影在线观看av| 国产高清视频在线观看网站| 久久久国产成人免费| 一区二区三区国产精品乱码| 婷婷精品国产亚洲av在线| 精品久久久久久久毛片微露脸| 别揉我奶头~嗯~啊~动态视频| 国产av麻豆久久久久久久| 好男人电影高清在线观看| 极品教师在线免费播放| 欧美黄色淫秽网站| 99国产精品一区二区三区| 国产精品香港三级国产av潘金莲| 国产精品久久久久久人妻精品电影| 亚洲avbb在线观看| 亚洲色图av天堂| 丰满人妻一区二区三区视频av | 日韩精品青青久久久久久| 一个人免费在线观看的高清视频| 国产97色在线日韩免费| 老司机在亚洲福利影院| 欧美黄色片欧美黄色片| 美女 人体艺术 gogo| 熟妇人妻久久中文字幕3abv| 久久久国产欧美日韩av| 岛国在线免费视频观看| 黄色丝袜av网址大全| 日本黄大片高清| 亚洲中文av在线| 成年免费大片在线观看| 在线观看66精品国产| 长腿黑丝高跟| 久久这里只有精品19| 亚洲最大成人中文| 18禁国产床啪视频网站| 在线免费观看不下载黄p国产 | 国产毛片a区久久久久| 欧美黄色片欧美黄色片| 欧美色欧美亚洲另类二区| 757午夜福利合集在线观看| 国产欧美日韩一区二区三| 亚洲成人久久爱视频| 亚洲欧美日韩东京热| 亚洲激情在线av| 黄色片一级片一级黄色片| 无限看片的www在线观看| 国产伦精品一区二区三区视频9 | 琪琪午夜伦伦电影理论片6080| 性欧美人与动物交配| 又紧又爽又黄一区二区| 变态另类丝袜制服| 性欧美人与动物交配| 国产亚洲精品久久久久久毛片| 亚洲精品国产精品久久久不卡| 久久久国产成人精品二区| 又紧又爽又黄一区二区| 亚洲国产欧美人成| 欧美中文日本在线观看视频| 九九在线视频观看精品| 亚洲国产欧美人成| 久99久视频精品免费| 国产 一区 欧美 日韩| 怎么达到女性高潮| 波多野结衣巨乳人妻| 淫妇啪啪啪对白视频| 久久久久久久久免费视频了| 国产成人aa在线观看| 日本撒尿小便嘘嘘汇集6| 亚洲午夜理论影院| 九九久久精品国产亚洲av麻豆 | 国产美女午夜福利| 国产成人精品久久二区二区免费| 天天躁狠狠躁夜夜躁狠狠躁| a在线观看视频网站| 小蜜桃在线观看免费完整版高清| 国产精品久久久久久精品电影| 午夜精品在线福利| 欧美日韩瑟瑟在线播放| 岛国视频午夜一区免费看| 特大巨黑吊av在线直播| 悠悠久久av| 99久久无色码亚洲精品果冻| 美女被艹到高潮喷水动态| 91av网一区二区| 麻豆国产av国片精品| 超碰成人久久| 久久中文看片网| 欧美一级毛片孕妇| 大型黄色视频在线免费观看| a级毛片在线看网站| 欧美高清成人免费视频www| 欧美极品一区二区三区四区| 精品福利观看| 久久久久久国产a免费观看| 国内久久婷婷六月综合欲色啪| 国产av在哪里看| 香蕉国产在线看| 757午夜福利合集在线观看| 久久久水蜜桃国产精品网| 在线播放国产精品三级| 此物有八面人人有两片| 黄片大片在线免费观看| 日本熟妇午夜| 国产精品日韩av在线免费观看| 国产精品永久免费网站| 久久欧美精品欧美久久欧美| 国产精品久久久久久人妻精品电影| 午夜精品在线福利| 国产精品一区二区三区四区免费观看 | 老司机午夜十八禁免费视频| 黑人巨大精品欧美一区二区mp4| 欧美性猛交╳xxx乱大交人| 日韩欧美国产在线观看| 无遮挡黄片免费观看| 一本一本综合久久| 不卡av一区二区三区| 麻豆国产97在线/欧美| 99久久成人亚洲精品观看| 久久国产乱子伦精品免费另类| 亚洲欧美日韩高清专用| 精品福利观看| 香蕉丝袜av| 国产探花在线观看一区二区| 久久精品国产亚洲av香蕉五月| 美女高潮的动态| 999久久久国产精品视频| 丝袜人妻中文字幕| 亚洲va日本ⅴa欧美va伊人久久| 亚洲国产欧美人成| 久久国产精品人妻蜜桃| 在线观看一区二区三区| aaaaa片日本免费| 亚洲中文字幕一区二区三区有码在线看 | 午夜激情福利司机影院| 国产精品亚洲一级av第二区| 亚洲七黄色美女视频| 日韩欧美在线乱码| 亚洲av免费在线观看| 色av中文字幕| 午夜影院日韩av| 亚洲人成电影免费在线| 九九在线视频观看精品| 欧美黑人巨大hd| 亚洲国产精品合色在线| 听说在线观看完整版免费高清| 国内精品久久久久精免费| 草草在线视频免费看| e午夜精品久久久久久久| 精品一区二区三区视频在线观看免费| 欧美在线一区亚洲| 久久久久免费精品人妻一区二区| 久久天堂一区二区三区四区| 国产成人欧美在线观看| 婷婷精品国产亚洲av在线| 久9热在线精品视频| 变态另类成人亚洲欧美熟女| 俄罗斯特黄特色一大片| 真人做人爱边吃奶动态| 精品乱码久久久久久99久播| 亚洲第一电影网av| 99国产极品粉嫩在线观看| 99精品久久久久人妻精品| 99视频精品全部免费 在线 | 搞女人的毛片| 久久久久久久午夜电影| 高潮久久久久久久久久久不卡| 久久天堂一区二区三区四区| 色综合欧美亚洲国产小说| 亚洲精品在线观看二区| 成人av在线播放网站| 亚洲 欧美 日韩 在线 免费| 亚洲国产精品成人综合色| 91九色精品人成在线观看| 久久久久久国产a免费观看| 亚洲在线自拍视频| 18禁国产床啪视频网站| 欧洲精品卡2卡3卡4卡5卡区| 国产精品久久久av美女十八| 日本黄色片子视频| 久久精品人妻少妇| 亚洲国产色片| 悠悠久久av| tocl精华| 久久精品91蜜桃| 俺也久久电影网| 黑人巨大精品欧美一区二区mp4| 免费观看人在逋| 亚洲无线观看免费| 噜噜噜噜噜久久久久久91| 国产高清三级在线| 1024香蕉在线观看| 国产精品 欧美亚洲| 一级a爱片免费观看的视频| 欧美丝袜亚洲另类 | 午夜影院日韩av| 夜夜夜夜夜久久久久| 亚洲av成人不卡在线观看播放网| 午夜福利视频1000在线观看| 小说图片视频综合网站| 国产精品久久久久久人妻精品电影| 国产精品乱码一区二三区的特点| 搡老妇女老女人老熟妇| 熟妇人妻久久中文字幕3abv| 欧美性猛交╳xxx乱大交人| 欧美高清成人免费视频www| 亚洲无线在线观看| av黄色大香蕉| avwww免费| 国产成人啪精品午夜网站| 国产免费av片在线观看野外av| 亚洲第一电影网av| 国产高清激情床上av| 国产精品永久免费网站| 国产欧美日韩一区二区三| 亚洲天堂国产精品一区在线| 久久天堂一区二区三区四区| svipshipincom国产片| 久久婷婷人人爽人人干人人爱| 国产久久久一区二区三区| 日本 av在线| 欧美中文综合在线视频| 久久精品aⅴ一区二区三区四区| 老司机福利观看| 国产高清激情床上av| 亚洲国产精品久久男人天堂| 91av网一区二区| 成人三级做爰电影| 男人舔女人下体高潮全视频| 精品日产1卡2卡| 亚洲片人在线观看| 法律面前人人平等表现在哪些方面| 男人舔女人下体高潮全视频| 校园春色视频在线观看| 最新中文字幕久久久久 | 无限看片的www在线观看| 国产黄色小视频在线观看| 欧美绝顶高潮抽搐喷水| 一个人免费在线观看电影 | 偷拍熟女少妇极品色| 色综合婷婷激情| 久久精品综合一区二区三区| 99国产精品99久久久久| 成在线人永久免费视频| 好看av亚洲va欧美ⅴa在| 露出奶头的视频| 欧美日本视频| 亚洲九九香蕉| 99国产精品一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 婷婷亚洲欧美| 亚洲国产精品成人综合色| 婷婷精品国产亚洲av| 日韩av在线大香蕉| 国产视频一区二区在线看| 亚洲欧美日韩高清专用| 国产极品精品免费视频能看的| 欧美色视频一区免费| 日韩欧美 国产精品| 一进一出抽搐动态| 人人妻人人澡欧美一区二区| 国产精品亚洲av一区麻豆| 少妇丰满av| 伦理电影免费视频| 99精品欧美一区二区三区四区| 国产精品电影一区二区三区| 一个人免费在线观看的高清视频| 在线国产一区二区在线| 制服丝袜大香蕉在线| 不卡av一区二区三区| 免费搜索国产男女视频| 国产精品亚洲一级av第二区| 香蕉国产在线看| 男人舔女人的私密视频| 女人被狂操c到高潮| av欧美777| 国产又黄又爽又无遮挡在线| 床上黄色一级片| 韩国av一区二区三区四区| 亚洲欧美一区二区三区黑人|