• <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
    香蕉精品网在线| 亚洲av男天堂| 丝袜在线中文字幕| av播播在线观看一区| 一级黄片播放器| 99视频精品全部免费 在线| 久久 成人 亚洲| 国产精品一区二区在线观看99| 国产成人免费无遮挡视频| 日韩熟女老妇一区二区性免费视频| 妹子高潮喷水视频| 亚洲精品乱久久久久久| 波野结衣二区三区在线| 国产在线一区二区三区精| 最近手机中文字幕大全| 日本爱情动作片www.在线观看| 看免费成人av毛片| 校园人妻丝袜中文字幕| 亚洲,欧美精品.| 校园人妻丝袜中文字幕| 90打野战视频偷拍视频| xxxhd国产人妻xxx| 成人免费观看视频高清| 18禁在线无遮挡免费观看视频| 视频区图区小说| av国产久精品久网站免费入址| 国产av精品麻豆| 大香蕉97超碰在线| 亚洲av日韩在线播放| 水蜜桃什么品种好| 蜜臀久久99精品久久宅男| 飞空精品影院首页| 91国产中文字幕| 亚洲国产欧美日韩在线播放| 少妇被粗大猛烈的视频| 国产在线一区二区三区精| 18禁裸乳无遮挡动漫免费视频| 国产精品麻豆人妻色哟哟久久| 自拍欧美九色日韩亚洲蝌蚪91| 新久久久久国产一级毛片| 国产成人91sexporn| 巨乳人妻的诱惑在线观看| 欧美另类一区| 久久久久国产网址| 亚洲婷婷狠狠爱综合网| 欧美日韩一区二区视频在线观看视频在线| 2021少妇久久久久久久久久久| 午夜福利网站1000一区二区三区| 日韩 亚洲 欧美在线| 超色免费av| 熟妇人妻不卡中文字幕| 亚洲一级一片aⅴ在线观看| 欧美变态另类bdsm刘玥| 青青草视频在线视频观看| 国产精品.久久久| 我要看黄色一级片免费的| 美女大奶头黄色视频| 性色av一级| 精品一区二区免费观看| 男女无遮挡免费网站观看| 亚洲情色 制服丝袜| 人人妻人人澡人人爽人人夜夜| 精品一区二区三区视频在线| 国产极品天堂在线| 狠狠精品人妻久久久久久综合| 一本色道久久久久久精品综合| 久久狼人影院| 人人妻人人添人人爽欧美一区卜| 国产av精品麻豆| 日韩一区二区三区影片| 久久精品久久久久久噜噜老黄| 国产淫语在线视频| 欧美日韩视频高清一区二区三区二| 色94色欧美一区二区| 亚洲欧美中文字幕日韩二区| 欧美日韩视频精品一区| 91成人精品电影| 国产高清国产精品国产三级| 免费av不卡在线播放| 午夜激情av网站| 精品国产乱码久久久久久小说| 亚洲三级黄色毛片| 日日摸夜夜添夜夜爱| 久久久久国产精品人妻一区二区| 交换朋友夫妻互换小说| 亚洲精品中文字幕在线视频| 99久久中文字幕三级久久日本| 热99久久久久精品小说推荐| av国产久精品久网站免费入址| 精品久久国产蜜桃| 黄色怎么调成土黄色| 免费久久久久久久精品成人欧美视频 | 一个人免费看片子| 黄色视频在线播放观看不卡| 免费高清在线观看视频在线观看| 精品亚洲成a人片在线观看| 丰满迷人的少妇在线观看| 精品熟女少妇av免费看| 久久久久久人人人人人| 男女边吃奶边做爰视频| 国产男女超爽视频在线观看| 97精品久久久久久久久久精品| 两性夫妻黄色片 | 国产精品欧美亚洲77777| 中国三级夫妇交换| 日韩中字成人| 蜜臀久久99精品久久宅男| 日本-黄色视频高清免费观看| 90打野战视频偷拍视频| 国产女主播在线喷水免费视频网站| 丝瓜视频免费看黄片| 人人妻人人添人人爽欧美一区卜| a级毛片在线看网站| 日本欧美视频一区| 免费观看无遮挡的男女| 日韩av在线免费看完整版不卡| 涩涩av久久男人的天堂| 国产1区2区3区精品| 只有这里有精品99| 久久精品国产a三级三级三级| 日本爱情动作片www.在线观看| 日产精品乱码卡一卡2卡三| 久久精品国产鲁丝片午夜精品| 两个人看的免费小视频| 在线看a的网站| 国产乱人偷精品视频| 免费观看性生交大片5| 只有这里有精品99| 久久毛片免费看一区二区三区| 国产老妇伦熟女老妇高清| 日韩大片免费观看网站| 伦理电影大哥的女人| 热re99久久精品国产66热6| 精品久久国产蜜桃| 亚洲av日韩在线播放| 男女午夜视频在线观看 | 国产高清三级在线| 在线观看免费高清a一片| 只有这里有精品99| 亚洲精品一二三| 亚洲精品成人av观看孕妇| 精品久久蜜臀av无| 国产精品久久久av美女十八| 亚洲欧美成人综合另类久久久| 宅男免费午夜| 在线免费观看不下载黄p国产| 777米奇影视久久| 全区人妻精品视频| 超碰97精品在线观看| 免费av中文字幕在线| 国产成人精品无人区| 亚洲国产毛片av蜜桃av| 午夜福利影视在线免费观看| 日本wwww免费看| 精品酒店卫生间| 欧美 日韩 精品 国产| av在线播放精品| 最新中文字幕久久久久| 国产在线视频一区二区| 亚洲成人一二三区av| xxxhd国产人妻xxx| 最黄视频免费看| 国产成人精品福利久久| 在线观看www视频免费| 天堂8中文在线网| 久久99精品国语久久久| 18禁国产床啪视频网站| 国产乱来视频区| 搡老乐熟女国产| 国产精品久久久久久精品电影小说| 亚洲国产av影院在线观看| av有码第一页| 熟妇人妻不卡中文字幕| 午夜福利视频精品| av福利片在线| 黄色一级大片看看| 女的被弄到高潮叫床怎么办| 日韩成人av中文字幕在线观看| 亚洲熟女精品中文字幕| 深夜精品福利| 妹子高潮喷水视频| av在线播放精品| 一区二区av电影网| 老司机影院毛片| 高清在线视频一区二区三区| videossex国产| 日日撸夜夜添| 国产精品久久久久久久电影| 亚洲av在线观看美女高潮| 亚洲高清免费不卡视频| 精品一区二区三区四区五区乱码 | 嫩草影院入口| 18禁裸乳无遮挡动漫免费视频| 在线观看免费高清a一片| 中文字幕亚洲精品专区| 狠狠精品人妻久久久久久综合| 丝瓜视频免费看黄片| 日日啪夜夜爽| 一级爰片在线观看| 男人添女人高潮全过程视频| 一级黄片播放器| 啦啦啦视频在线资源免费观看| 一区二区av电影网| 满18在线观看网站| 午夜免费男女啪啪视频观看| 国产精品久久久久久精品古装| 亚洲精品av麻豆狂野| 日本vs欧美在线观看视频| 国产福利在线免费观看视频| 成年动漫av网址| 免费日韩欧美在线观看| 精品99又大又爽又粗少妇毛片| 欧美成人午夜免费资源| 自线自在国产av| 九九爱精品视频在线观看| 老熟女久久久| 一个人免费看片子| 少妇高潮的动态图| 国产日韩欧美在线精品| 久久精品久久久久久久性| 亚洲成人手机| 一边亲一边摸免费视频| 亚洲精品美女久久久久99蜜臀 | 两性夫妻黄色片 | 汤姆久久久久久久影院中文字幕| 欧美激情国产日韩精品一区| 涩涩av久久男人的天堂| 97精品久久久久久久久久精品| 一二三四中文在线观看免费高清| 色吧在线观看| 亚洲精品视频女| 90打野战视频偷拍视频| 在线观看免费视频网站a站| 建设人人有责人人尽责人人享有的| 午夜福利视频精品| 亚洲内射少妇av| 只有这里有精品99| 欧美日韩综合久久久久久| 少妇的逼水好多| 纯流量卡能插随身wifi吗| 在现免费观看毛片| 久久人人爽av亚洲精品天堂| 一区二区av电影网| 亚洲精品自拍成人| 日韩熟女老妇一区二区性免费视频| 男女无遮挡免费网站观看| 自线自在国产av| 久久精品夜色国产| 精品卡一卡二卡四卡免费| 少妇的逼好多水| 国产极品粉嫩免费观看在线| 国产免费视频播放在线视频| 成人国产av品久久久| 99热这里只有是精品在线观看| 卡戴珊不雅视频在线播放| 免费av中文字幕在线| 日韩制服骚丝袜av| 你懂的网址亚洲精品在线观看| 人人妻人人澡人人看| xxxhd国产人妻xxx| videos熟女内射| 国产精品一区二区在线观看99| av视频免费观看在线观看| 亚洲美女搞黄在线观看| 亚洲欧美日韩另类电影网站| 午夜福利视频精品| 搡老乐熟女国产| 五月玫瑰六月丁香| 欧美日韩精品成人综合77777| 国产福利在线免费观看视频| 伦理电影大哥的女人| 久久毛片免费看一区二区三区| 男女午夜视频在线观看 | 寂寞人妻少妇视频99o| www.av在线官网国产| 久久这里有精品视频免费| 亚洲伊人色综图| 激情视频va一区二区三区| 亚洲av免费高清在线观看| 亚洲欧美日韩卡通动漫| 美女xxoo啪啪120秒动态图| 国产一区亚洲一区在线观看| 欧美bdsm另类| 日产精品乱码卡一卡2卡三| 男女免费视频国产| 美女脱内裤让男人舔精品视频| 亚洲久久久国产精品| 精品人妻在线不人妻| 国产日韩欧美在线精品| 日日啪夜夜爽| 高清毛片免费看| 欧美日韩亚洲高清精品| 51国产日韩欧美| 老司机影院成人| av电影中文网址| 大片免费播放器 马上看| 黄色怎么调成土黄色| 美女xxoo啪啪120秒动态图| 国产亚洲午夜精品一区二区久久| 我的女老师完整版在线观看| 日韩不卡一区二区三区视频在线| 欧美人与性动交α欧美精品济南到 | 国国产精品蜜臀av免费| 少妇的丰满在线观看| 桃花免费在线播放| 亚洲国产精品专区欧美| 波多野结衣一区麻豆| 国产一区二区三区综合在线观看 | 成人亚洲欧美一区二区av| 国产在线视频一区二区| 亚洲精品美女久久久久99蜜臀 | 国产一级毛片在线| 在现免费观看毛片| 精品一区二区三区视频在线| 色婷婷久久久亚洲欧美| 中文乱码字字幕精品一区二区三区| 热99国产精品久久久久久7| 99久久精品国产国产毛片| 国产探花极品一区二区| 黑丝袜美女国产一区| 亚洲av欧美aⅴ国产| 在线观看免费日韩欧美大片| 日韩av免费高清视频| 精品国产国语对白av| 亚洲国产欧美日韩在线播放| 久久亚洲国产成人精品v| 成人黄色视频免费在线看| 亚洲欧美成人综合另类久久久| 日日撸夜夜添| 久久人人爽人人爽人人片va| 九色成人免费人妻av| 夫妻午夜视频| 黑人欧美特级aaaaaa片| 久久99热这里只频精品6学生| 久久99热这里只频精品6学生| 久久97久久精品| av国产久精品久网站免费入址| 精品少妇内射三级| 最近手机中文字幕大全| 曰老女人黄片| 国产乱来视频区| 女人被躁到高潮嗷嗷叫费观| 国产爽快片一区二区三区| 18禁观看日本| 免费黄频网站在线观看国产| 国产成人精品一,二区| 午夜免费观看性视频| 尾随美女入室| 亚洲,欧美,日韩| 日韩在线高清观看一区二区三区| 国产伦理片在线播放av一区| 亚洲性久久影院| 成人亚洲精品一区在线观看| 国产成人精品在线电影| 国产免费福利视频在线观看| 美女大奶头黄色视频| 欧美精品一区二区免费开放| av免费观看日本| 少妇人妻久久综合中文| 亚洲国产欧美在线一区| 国产精品三级大全| 午夜免费鲁丝| 咕卡用的链子| 9热在线视频观看99| 免费看av在线观看网站| 久久久久久人妻| 久久国产精品男人的天堂亚洲 | 国产欧美日韩综合在线一区二区| 七月丁香在线播放| 少妇的逼好多水| 日本爱情动作片www.在线观看| 咕卡用的链子| 9热在线视频观看99| 蜜桃国产av成人99| 91成人精品电影| 久热这里只有精品99| 人人妻人人爽人人添夜夜欢视频| 久久国产精品大桥未久av| 纵有疾风起免费观看全集完整版| a级毛片在线看网站| 婷婷色综合大香蕉| 国产成人精品婷婷| 黄色怎么调成土黄色| 最后的刺客免费高清国语| a 毛片基地| 亚洲精品国产av蜜桃| 天天影视国产精品| 久久久欧美国产精品| 精品人妻熟女毛片av久久网站| 最近中文字幕2019免费版| 制服丝袜香蕉在线| 最新的欧美精品一区二区| 26uuu在线亚洲综合色| 五月玫瑰六月丁香| 久久ye,这里只有精品| 99久久综合免费| 亚洲欧美日韩另类电影网站| 乱人伦中国视频| 精品国产一区二区三区四区第35| 999精品在线视频| 亚洲伊人色综图| 丝袜在线中文字幕| 国产淫语在线视频| www.av在线官网国产| 欧美精品人与动牲交sv欧美| 如日韩欧美国产精品一区二区三区| 各种免费的搞黄视频| 国产成人av激情在线播放| 女性被躁到高潮视频| 欧美3d第一页| 国产淫语在线视频| 成人亚洲精品一区在线观看| 纵有疾风起免费观看全集完整版| av免费观看日本| 97在线视频观看| av电影中文网址| 如何舔出高潮| 国产精品人妻久久久久久| 香蕉丝袜av| 日本午夜av视频| 精品久久蜜臀av无| 美女福利国产在线| 国产69精品久久久久777片| 国产一区有黄有色的免费视频| 国产探花极品一区二区| av网站免费在线观看视频| 日本vs欧美在线观看视频| 日韩成人av中文字幕在线观看| 在线 av 中文字幕| 亚洲美女搞黄在线观看| 国产成人一区二区在线| 亚洲一码二码三码区别大吗| 国产成人91sexporn| 人人澡人人妻人| 一二三四在线观看免费中文在 | 国产精品国产av在线观看| 免费女性裸体啪啪无遮挡网站| 免费播放大片免费观看视频在线观看| 久久久久人妻精品一区果冻| 2021少妇久久久久久久久久久| 王馨瑶露胸无遮挡在线观看| 欧美3d第一页| 国产不卡av网站在线观看| 边亲边吃奶的免费视频| 18禁裸乳无遮挡动漫免费视频| 午夜福利视频精品| 久热久热在线精品观看| 成人亚洲欧美一区二区av| 亚洲精品av麻豆狂野| 成年女人在线观看亚洲视频| 欧美亚洲 丝袜 人妻 在线| 王馨瑶露胸无遮挡在线观看| 久久精品熟女亚洲av麻豆精品| 国产黄频视频在线观看| 男男h啪啪无遮挡| 亚洲第一av免费看| 国产免费一级a男人的天堂| av电影中文网址| 韩国av在线不卡| 欧美97在线视频| av在线观看视频网站免费| 欧美日韩av久久| 高清视频免费观看一区二区| 青春草亚洲视频在线观看| 久热这里只有精品99| 男女高潮啪啪啪动态图| 男人添女人高潮全过程视频| 亚洲国产欧美在线一区| 亚洲国产毛片av蜜桃av| 国产精品秋霞免费鲁丝片| 婷婷成人精品国产| 香蕉国产在线看| 亚洲欧美日韩另类电影网站| 美女大奶头黄色视频| 2021少妇久久久久久久久久久| 久久人妻熟女aⅴ| 咕卡用的链子| 人人妻人人澡人人爽人人夜夜| 青青草视频在线视频观看| 97超碰精品成人国产| 日本猛色少妇xxxxx猛交久久| 在线观看人妻少妇| 日韩精品有码人妻一区| 亚洲美女搞黄在线观看| 日本wwww免费看| av黄色大香蕉| 七月丁香在线播放| 内地一区二区视频在线| 看非洲黑人一级黄片| 三上悠亚av全集在线观看| 免费人妻精品一区二区三区视频| 欧美成人午夜精品| 亚洲精品乱码久久久久久按摩| 老司机亚洲免费影院| 99国产综合亚洲精品| 热re99久久国产66热| 亚洲经典国产精华液单| 丰满少妇做爰视频| 精品国产露脸久久av麻豆| 人人澡人人妻人| 日本黄色日本黄色录像| 毛片一级片免费看久久久久| 色94色欧美一区二区| 国产成人a∨麻豆精品| 国产白丝娇喘喷水9色精品| 嫩草影院入口| 香蕉丝袜av| 欧美人与性动交α欧美软件 | 青春草亚洲视频在线观看| 午夜视频国产福利| 成人漫画全彩无遮挡| 黄色配什么色好看| 午夜91福利影院| 插逼视频在线观看| 亚洲欧美中文字幕日韩二区| 1024视频免费在线观看| 三级国产精品片| 波多野结衣一区麻豆| 国产爽快片一区二区三区| 精品久久久久久电影网| 久久久a久久爽久久v久久| 欧美精品国产亚洲| 男女无遮挡免费网站观看| 一级毛片电影观看| 色5月婷婷丁香| 黄色怎么调成土黄色| 日韩熟女老妇一区二区性免费视频| 精品久久久精品久久久| 天天操日日干夜夜撸| 最近2019中文字幕mv第一页| 久久久亚洲精品成人影院| 亚洲欧美日韩另类电影网站| 中文欧美无线码| 久久久久久久国产电影| 美女主播在线视频| 国产精品久久久久久精品古装| 日韩精品有码人妻一区| 伊人久久国产一区二区| 成人国语在线视频| 免费少妇av软件| 97在线视频观看| 国产成人一区二区在线| 免费观看无遮挡的男女| 99视频精品全部免费 在线| 我要看黄色一级片免费的| 男的添女的下面高潮视频| 一级黄片播放器| 欧美bdsm另类| 涩涩av久久男人的天堂| 午夜激情久久久久久久| 国产精品不卡视频一区二区| 久久97久久精品| 国产免费现黄频在线看| 国内精品宾馆在线| 亚洲精品自拍成人| 成人二区视频| 母亲3免费完整高清在线观看 | 精品久久国产蜜桃| 成人综合一区亚洲| 欧美少妇被猛烈插入视频| 国产伦理片在线播放av一区| 看免费av毛片| 亚洲在久久综合| 国产1区2区3区精品| 大陆偷拍与自拍| 国产亚洲精品久久久com| 成人毛片60女人毛片免费| 少妇熟女欧美另类| 一区在线观看完整版| 精品99又大又爽又粗少妇毛片| av免费在线看不卡| 成年动漫av网址| 国产成人av激情在线播放| 成人免费观看视频高清| 亚洲欧美清纯卡通| 欧美国产精品一级二级三级| 秋霞伦理黄片| 久久午夜福利片| 久久99蜜桃精品久久| 夜夜爽夜夜爽视频| 少妇猛男粗大的猛烈进出视频| 亚洲av中文av极速乱| 伊人久久国产一区二区| 天堂8中文在线网| 永久网站在线| 内地一区二区视频在线| 在线观看国产h片| 国产有黄有色有爽视频| 岛国毛片在线播放| 欧美精品亚洲一区二区| av免费在线看不卡| 亚洲国产日韩一区二区| 久久久久国产精品人妻一区二区| 亚洲一级一片aⅴ在线观看| 久久久久国产网址| 亚洲欧美日韩另类电影网站| 免费不卡的大黄色大毛片视频在线观看| 欧美日本中文国产一区发布| 老司机亚洲免费影院| 日韩不卡一区二区三区视频在线| 日韩成人伦理影院| 国产精品久久久久成人av| 欧美bdsm另类| 欧美老熟妇乱子伦牲交| 女性被躁到高潮视频| 日韩制服骚丝袜av| 91精品三级在线观看| 最近2019中文字幕mv第一页| 成人国语在线视频| 亚洲中文av在线| 丰满饥渴人妻一区二区三| 精品午夜福利在线看| 波野结衣二区三区在线| 亚洲精品中文字幕在线视频| 欧美少妇被猛烈插入视频|