• <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 ?

    基于半監(jiān)督學(xué)習(xí)的松林變色疫木檢測(cè)方法

    2022-02-06 00:57:52劉文萍駱有慶宗世祥任利利
    關(guān)鍵詞:疫木標(biāo)簽精度

    趙 昊,劉文萍,周 焱,駱有慶,宗世祥,任利利

    基于半監(jiān)督學(xué)習(xí)的松林變色疫木檢測(cè)方法

    趙 昊1,劉文萍1※,周 焱1,駱有慶2,宗世祥2,任利利2

    (1. 北京林業(yè)大學(xué)信息學(xué)院,北京 100083;2. 北京林業(yè)大學(xué)林學(xué)院,北京 100083)

    針對(duì)模型訓(xùn)練中數(shù)據(jù)標(biāo)注成本過(guò)高的問(wèn)題,提出一種基于無(wú)人機(jī)圖像分析的半監(jiān)督變色疫木目標(biāo)檢測(cè)方法。該方法提出級(jí)聯(lián)抗噪聲半監(jiān)督目標(biāo)檢測(cè)模型(Cascade Noise-Resistant Semi-supervised object detection,CNRS),使用抗噪聲學(xué)習(xí)提升模型對(duì)偽標(biāo)簽的學(xué)習(xí)質(zhì)量;通過(guò)級(jí)聯(lián)網(wǎng)絡(luò)解決訓(xùn)練中正負(fù)樣本的分布問(wèn)題;使用ResNet50和特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)增強(qiáng)模型對(duì)多尺寸和小目標(biāo)疫木的識(shí)別能力;在監(jiān)督學(xué)習(xí)階段使用FocalLoss,提升網(wǎng)絡(luò)對(duì)邊緣目標(biāo)和早期疫木等困難樣本的學(xué)習(xí),使用SmoothL1Loss保證梯度相對(duì)穩(wěn)定;在RCNN階段使用軟化非極大抑制軟化檢測(cè)框剔除過(guò)程。該文提出的半監(jiān)督目標(biāo)檢測(cè)模型CNRS使用訓(xùn)練集中半數(shù)標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練,試驗(yàn)結(jié)果表明,最優(yōu)模型在測(cè)試集上的平均精度(Average Precision,AP)可達(dá)87.7%,與Faster RCNN使用完全標(biāo)注數(shù)據(jù)相比,標(biāo)注量減少了50%,且AP提升了2.3個(gè)百分點(diǎn),與同時(shí)期最先進(jìn)的半監(jiān)督模型Combating Noise相比,AP提升了1.6個(gè)百分點(diǎn)。該方法在準(zhǔn)確檢出多種不同形態(tài)疫木的基礎(chǔ)上,大幅度降低了數(shù)據(jù)標(biāo)注成本,為農(nóng)林病蟲害防治提供了可靠的數(shù)據(jù)支持。

    無(wú)人機(jī);圖像識(shí)別;松林疫木檢測(cè);半監(jiān)督學(xué)習(xí);目標(biāo)檢測(cè)

    0 引 言

    森林在保障物種多樣性、調(diào)節(jié)氣候等方面起著重要作用。林業(yè)病蟲害每年給中國(guó)帶來(lái)的經(jīng)濟(jì)損失已超2 000億。隨著經(jīng)濟(jì)全球化發(fā)展進(jìn)程的加快,突發(fā)性的外來(lái)入侵也變得更加普遍,對(duì)于生物多樣性較低的人工松林,病蟲害入侵所帶來(lái)的危害性更大[1]。傳統(tǒng)監(jiān)測(cè)和治理手段大多依靠人工,效率極低且效果不佳?;谶b感圖像的監(jiān)測(cè)手段,如商業(yè)衛(wèi)星、無(wú)人機(jī)航拍等,可實(shí)現(xiàn)對(duì)松林受災(zāi)情況的粗略統(tǒng)計(jì)[2]。近年來(lái),隨著民用無(wú)人機(jī)的普及,其相較于商業(yè)衛(wèi)星更具有便攜性、易用性和準(zhǔn)確性等優(yōu)勢(shì),更適用于林區(qū)的信息采集和監(jiān)測(cè)任務(wù)[3]。但是,在數(shù)據(jù)統(tǒng)計(jì)過(guò)程中仍存在許多不便,需依靠大量人工進(jìn)行目視解意。

    隨著計(jì)算機(jī)科技的不斷發(fā)展,科研工作者們將圖像處理和人工智能應(yīng)用于松林疫木檢測(cè)當(dāng)中。主要方式有:1)傳統(tǒng)圖像分析,如采用線性譜聚類實(shí)現(xiàn)對(duì)枯死木的識(shí)別[4]。2)BP神經(jīng)網(wǎng)絡(luò),根據(jù)疫木光譜信息和其他生態(tài)因子的相關(guān)關(guān)系建立預(yù)測(cè)模型[5]。3)深度學(xué)習(xí),使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)標(biāo)注圖像進(jìn)行卷積操作,提取深層次特征,并進(jìn)行目標(biāo)識(shí)別和分類[6]。傳統(tǒng)圖像分析和BP神經(jīng)網(wǎng)絡(luò)相對(duì)復(fù)雜,在實(shí)際應(yīng)用過(guò)程中較為困難。因此,將深度學(xué)習(xí)應(yīng)用于松林疫木檢測(cè)[7]-[10]成為一種主流。

    基于無(wú)人機(jī)航拍圖像的松林疫木檢測(cè)流程主要包括:無(wú)人機(jī)采集試驗(yàn)數(shù)據(jù)、數(shù)據(jù)標(biāo)注、數(shù)據(jù)預(yù)處理、模型改進(jìn)及訓(xùn)練、對(duì)圖像進(jìn)行檢測(cè)并輸出結(jié)果。將深度學(xué)習(xí)應(yīng)用于單株疫木檢測(cè)的研究尚停留在全監(jiān)督階段,全監(jiān)督主要分為單階段模型和兩階段模型[11]。兩階段模型相較于單階段模型增加了區(qū)域候選框,其準(zhǔn)確率更高,但速度較慢,代表性的模型有RCNN[12]、Faster RCNN[13]等。單階段模型只需提取一次特征,不再使用候選區(qū)域網(wǎng)絡(luò),所以速度更快,但是精度有所損失,代表性的模型有YOLO系列[14]-[17]、SSD[18]和CornerNet[19]等。由于全監(jiān)督模型的數(shù)據(jù)標(biāo)注成本過(guò)高,數(shù)據(jù)集普遍較小,這導(dǎo)致模型的泛化能力較差。降低標(biāo)注成本,擴(kuò)大數(shù)據(jù)集規(guī)模成為提升模型綜合性能的迫切需求。

    弱監(jiān)督和半監(jiān)督學(xué)習(xí)是解決數(shù)據(jù)標(biāo)注問(wèn)題的兩個(gè)研究方向,但是弱監(jiān)督目標(biāo)檢測(cè)所依賴的標(biāo)簽量極其龐大,甚至遠(yuǎn)超全監(jiān)督模型,并且其性能相對(duì)有限[20]-[23]。半監(jiān)督目標(biāo)檢測(cè)模型分為一致性學(xué)習(xí)[24]-[27]和偽標(biāo)簽[28-30],但本質(zhì)上均為基于偽標(biāo)簽的學(xué)習(xí)。該模型只需少量標(biāo)注,即可與大量未標(biāo)注數(shù)據(jù)共同進(jìn)行訓(xùn)練,其檢測(cè)精度超越全監(jiān)督模型,并且泛化能力更強(qiáng)。半監(jiān)督學(xué)習(xí)中的偽標(biāo)簽由教師模型產(chǎn)生,該過(guò)程會(huì)摻雜大量的噪聲標(biāo)簽,隨著模型對(duì)噪聲標(biāo)簽的擬合,檢測(cè)精度會(huì)受到較大的影響。在最先進(jìn)的半監(jiān)督目標(biāo)檢測(cè)模型中,很少有針對(duì)偽標(biāo)簽進(jìn)行噪聲過(guò)濾的研究。Combating Noise是較為先進(jìn)的半監(jiān)督目標(biāo)檢測(cè)模型,其對(duì)噪聲進(jìn)行評(píng)估,并依據(jù)量化指標(biāo)提取偽標(biāo)簽中的高質(zhì)量軟目標(biāo)進(jìn)行半監(jiān)督訓(xùn)練,在COCO數(shù)據(jù)集上的平均精度均值(mean Average Precision,mAP)達(dá)到了43.2%,該結(jié)果超越了大多數(shù)全監(jiān)督模型精度[31]。

    本文以松材線蟲()和紅脂大小蠹()侵染的紅松林和油松林為研究對(duì)象,使用無(wú)人機(jī)航拍采集數(shù)據(jù),并對(duì)Combating Noise半監(jiān)督目標(biāo)檢測(cè)模型進(jìn)一步改進(jìn),提出級(jí)聯(lián)抗噪聲半監(jiān)督目標(biāo)檢測(cè)模型(Cascade Noise-Resistant Semi-supervised object detection,CNRS)。

    1 數(shù)據(jù)材料

    1.1 研究區(qū)域及數(shù)據(jù)集采集

    本文試驗(yàn)數(shù)據(jù)集涵蓋:遼寧省撫順市、建平縣、阜新市,內(nèi)蒙古自治區(qū)黑里河鎮(zhèn)和廣東省始興縣。受災(zāi)區(qū)域由當(dāng)?shù)亓謭?chǎng)進(jìn)行初步判定,獲取原始數(shù)據(jù)后再由林業(yè)專家和護(hù)林員進(jìn)行復(fù)審。撫順市和始興縣為松材線蟲病受災(zāi)區(qū)域,建平縣、阜新市和黑里河鎮(zhèn)為紅脂大小蠹受災(zāi)區(qū)域。數(shù)據(jù)集中的疫木形態(tài)主要包含圖1中所示的幾種。

    圖1 數(shù)據(jù)集樣例

    1.2 數(shù)據(jù)采集

    本文將松材線蟲和紅脂大小蠹侵染的紅松和油松作為研究對(duì)象,數(shù)據(jù)采集時(shí)間為2019年7月、2020年8月和2021年5月3個(gè)時(shí)間點(diǎn)。分別使用大疆精靈4和大疆御Mavic Air 2無(wú)人機(jī)(表1),飛行高度為80~150 m,飛行速度為5 m/s,采用垂直正射的形式進(jìn)行拍攝。相鄰航片的重疊度設(shè)置為50%,在100 m的飛行高度上單張圖像覆蓋面積約為7 200 m2。

    1.3 建立數(shù)據(jù)集

    數(shù)據(jù)集的質(zhì)量在很大程度上決定了模型的好壞,本文數(shù)據(jù)集涉及3個(gè)省份,5個(gè)區(qū)域,6種疫木形態(tài),采用VOC格式進(jìn)行標(biāo)注,標(biāo)注形式為完全覆蓋整棵疫木,共8 589個(gè)標(biāo)注框,平均每張圖35.79個(gè);共有1個(gè)分類,為'infect'。通過(guò)隨機(jī)裁剪、水平翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)等操作對(duì)標(biāo)注后的數(shù)據(jù)進(jìn)行離線增廣,增廣后的訓(xùn)練集為2 160張,測(cè)試集為240張。在所有標(biāo)注框中最小為22×23像素,最大為500×632像素。本文依照像素面積對(duì)目標(biāo)進(jìn)行劃分[32],可知小目標(biāo)占1.9%(0~2 500像素點(diǎn)),中等目標(biāo)占95.9%(2 500~90 000像素點(diǎn)),大目標(biāo)占2.2%(90 000像素點(diǎn)以上)。標(biāo)注框數(shù)據(jù)分布與VOC數(shù)據(jù)集較為相似,因此更適用于在使用VOC標(biāo)準(zhǔn)數(shù)據(jù)集的模型上進(jìn)行改進(jìn)。

    表1 無(wú)人機(jī)及相機(jī)主要參數(shù)

    2 檢測(cè)方法

    2.1 模型訓(xùn)練及檢測(cè)流程

    基于半監(jiān)督學(xué)習(xí)的松林變色疫木檢測(cè)方法由數(shù)據(jù)采集、半監(jiān)督模型訓(xùn)練和算法檢測(cè)3個(gè)步驟組成,具體流程如圖2所示:使用無(wú)人機(jī)對(duì)松林疫區(qū)進(jìn)行航線掃描構(gòu)建數(shù)據(jù)集,通過(guò)標(biāo)注工具LabelImg對(duì)隨機(jī)選取的半數(shù)圖像進(jìn)行疫木標(biāo)記;將標(biāo)注數(shù)據(jù)送入監(jiān)督網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),使用訓(xùn)練得到的監(jiān)督模型為半監(jiān)督學(xué)習(xí)生成偽標(biāo)簽,將偽標(biāo)簽和真實(shí)標(biāo)簽一同送入網(wǎng)絡(luò)進(jìn)行半監(jiān)督學(xué)習(xí),綜合平均精度和F-Score選取最優(yōu)模型。

    圖2 基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)流程

    為解決檢測(cè)過(guò)程中航線重疊度的問(wèn)題,可使用圖像拼接軟件對(duì)航線掃描區(qū)域進(jìn)行圖像拼接,拼接完畢后對(duì)圖像進(jìn)行水平裁剪。最后,使用疫木檢測(cè)軟件對(duì)裁剪后的圖像進(jìn)行檢測(cè)并輸出結(jié)果。檢測(cè)軟件需在帶有圖像處理單元的本地便攜式服務(wù)器中運(yùn)行,以此加速檢測(cè)速度。該流程無(wú)需使用網(wǎng)絡(luò),更適用于林場(chǎng)、山區(qū)等網(wǎng)絡(luò)信號(hào)不佳的地區(qū)。

    2.2 基于半監(jiān)督學(xué)習(xí)的松林變色疫木檢測(cè)模型構(gòu)建

    2.2.1 改進(jìn)半監(jiān)督目標(biāo)檢測(cè)模型CNRS的框架結(jié)構(gòu)

    Combating Noise的檢測(cè)器由閾值界定正負(fù)樣本,當(dāng)區(qū)域建議的交并比(Intersection over Union,IoU)與設(shè)置的閾值相近時(shí)檢測(cè)結(jié)果會(huì)更優(yōu),但是該閾值難以界定,當(dāng)閾值為0.5時(shí)會(huì)產(chǎn)生較多誤檢,閾值增加到0.7時(shí)正樣本會(huì)隨之減少,易造成過(guò)擬合。因此,本文提出的CNRS半監(jiān)督目標(biāo)檢測(cè)模型將檢測(cè)器的RCNN網(wǎng)絡(luò)替換為級(jí)聯(lián)網(wǎng)絡(luò)[33],如圖3所示。級(jí)聯(lián)網(wǎng)絡(luò)相較于原網(wǎng)絡(luò)增加了兩個(gè)RCNN階段,上一階段的輸出作為下一階段的輸入,從H1至H3的IoU閾值依次遞增,分別設(shè)置為{0.5,0.6,0.7},以此逐步過(guò)濾誤檢框,均衡精度和過(guò)擬合問(wèn)題。

    CNRS替換為級(jí)聯(lián)網(wǎng)絡(luò)后檢測(cè)器框架與Combating Noise保持一致,相較于原始Faster RCNN有如下改進(jìn):1)將基礎(chǔ)特征提取器由VGG16[34]替換為ResNet50[35],ResNet50通過(guò)殘差結(jié)構(gòu)進(jìn)一步提取更加抽象和豐富的語(yǔ)義信息,其在精度和速度上處于更加領(lǐng)先的地位。2)添加了特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)[36],數(shù)據(jù)集中部分疫木目標(biāo)較小,通過(guò)卷積操作后,空間信息將大量丟失,該網(wǎng)絡(luò)能夠融合淺層空間信息和深層高級(jí)語(yǔ)義提升模型對(duì)多尺寸和小目標(biāo)的檢測(cè)能力。3)將原網(wǎng)絡(luò)中的RoI Pooling替換為RoI Align[37],RoI Pooling需進(jìn)行兩次量化取整操作,會(huì)帶來(lái)一定的精度損失,而RoI Align取消量化操作,采用雙線性插值的方法將特征聚集轉(zhuǎn)化為連續(xù)操作,克服了RoI Pooling帶來(lái)的區(qū)域不匹配問(wèn)題。

    注:“C2~C5”為基礎(chǔ)特征;“P2~P6”為特征圖;“H1~H3”為網(wǎng)絡(luò)頭;“Cl1~Cl3”為分類信息;“B1~B3”為回歸框;“FPN”為特征金字塔網(wǎng)絡(luò);“RPN”為區(qū)域建議網(wǎng)絡(luò);“設(shè)置為背景”表示將區(qū)域建議中的“負(fù)面建議”和“錯(cuò)誤的正面建議”設(shè)置為背景。

    2.2.2 CNRS模型引入抗噪聲學(xué)習(xí)

    抗噪聲學(xué)習(xí)主要改進(jìn)了RCNN階段的感興趣區(qū)域頭(Region of interest head,RoI head)。CNRS在改變網(wǎng)絡(luò)結(jié)構(gòu)后,需要在每個(gè)RCNN階段的RoI head中構(gòu)建軟目標(biāo),并使用SoftFocalLoss和添加了不確定性指標(biāo)的L1Loss提高對(duì)偽標(biāo)簽的學(xué)習(xí)質(zhì)量。SoftFocalLoss和改進(jìn)L1Loss定義如下:

    2.2.3 優(yōu)化損失函數(shù)

    2.2.4 軟化非極大抑制

    數(shù)據(jù)集中的疫木密集程度較高,標(biāo)注框會(huì)出現(xiàn)大量重疊,式(8)傳統(tǒng)非極大抑制(Non-Maximum Suppression,NMS)會(huì)將IoU大于閾值的檢測(cè)框全部設(shè)為0,這將導(dǎo)致檢測(cè)框中某個(gè)IoU較小的臨近目標(biāo)被過(guò)濾掉,造成模型準(zhǔn)確率下降。所以,CNRS將RCNN階段的NMS替換為式(9)軟化非極大抑制(Soft Non-Maximum Suppression,Soft-NMS),Soft-NMS采用線性加權(quán)的方式降低置信度,以此來(lái)軟化檢測(cè)框剔除過(guò)程,定義如下

    2.3 評(píng)價(jià)指標(biāo)

    本文使用平均精度(Average Precision,AP)和F-Score作為模型的評(píng)價(jià)指標(biāo),AP為精準(zhǔn)率(Precision)和召回率(Recall)曲線下方面積[38],公式定義如下:

    2.4 試驗(yàn)環(huán)境與參數(shù)設(shè)置

    模型訓(xùn)練采用Colab云服務(wù)器,操作系統(tǒng)為Ubuntu18.04,使用基于Pytorch的開(kāi)源框架MMdetection2.18版本。圖形處理器為16 GB顯存的NVIDIA Tesla P100,CPU為4核Intel Xeon,CUDA版本為10.2。

    監(jiān)督和半監(jiān)督學(xué)習(xí)的優(yōu)化器均采用0.9動(dòng)量,0.000 1衰減權(quán)重的“SGD”類型。模型的最大學(xué)習(xí)率為0.01,最大epoch為150,設(shè)置{8,98}兩個(gè)學(xué)習(xí)率衰減起止回合。RCNN測(cè)試階段的Soft-NMS閾值均設(shè)置0.45。監(jiān)督學(xué)習(xí)中FocalLoss的損失權(quán)重設(shè)置為1.0,半監(jiān)督學(xué)習(xí)中SoftFocalLoss的損失權(quán)重為15.0。半監(jiān)督學(xué)習(xí)的學(xué)習(xí)率設(shè)置為線性預(yù)熱策略,初始學(xué)習(xí)率為0.001,預(yù)熱600次迭代后達(dá)到最大學(xué)習(xí)率,隨后保持0.01的學(xué)習(xí)率至第8個(gè)epoch。此外在第8個(gè)epoch后抗噪聲損失中的動(dòng)態(tài)指數(shù)將由0.2調(diào)整為0.3。監(jiān)督和半監(jiān)督學(xué)習(xí)均使用8個(gè)GPU線程將8張圖片為一個(gè)批次進(jìn)行訓(xùn)練。

    在線數(shù)據(jù)增強(qiáng)采用隨機(jī)翻轉(zhuǎn)和隨機(jī)剪裁相組合的方式。監(jiān)督學(xué)習(xí)階段使用1號(hào)數(shù)據(jù)集,訓(xùn)練集為1 080張,因此一個(gè)epoch包含135次迭代。圖像被隨機(jī)剪裁后,像素大小為769×1 368,經(jīng)縮放后,送入模型的像素大小均為1 120.01×640.01。半監(jiān)督階段使用1號(hào)數(shù)據(jù)集和2號(hào)數(shù)據(jù)集的偽標(biāo)簽進(jìn)行訓(xùn)練,訓(xùn)練集共2 160張,一個(gè)epoch包含270次迭代。

    3 試驗(yàn)結(jié)果與分析

    3.1 不同模型試驗(yàn)對(duì)比

    由表2可知,單階段檢測(cè)器SSD300在該數(shù)據(jù)集上的平均精度為64.2%,不適用于改進(jìn)半監(jiān)督,F(xiàn)aster RCNN的平均精度為85.4%,相比SSD300提升了21.2個(gè)百分點(diǎn),更適合作為半監(jiān)督目標(biāo)檢測(cè)模型的檢測(cè)器。CNRS最優(yōu)模型在測(cè)試集上的AP為87.7%,F(xiàn)-Score為0.669,與Faster RCNN相比AP提升了2.3個(gè)百分點(diǎn),F(xiàn)-Score提升了0.03,與Combating Noise相比AP提升了1.6個(gè)百分點(diǎn),F(xiàn)-Score提升了0.071。綜合表2和圖4可知,CNRS在與之對(duì)比的所有模型中精度最高。由檢測(cè)速度和模型大小可知,CNRS雖能滿足使用需求,但未來(lái)將嘗試進(jìn)一步壓縮模型和提升檢測(cè)速度。

    為了驗(yàn)證級(jí)聯(lián)網(wǎng)絡(luò)、抗噪聲學(xué)習(xí)、優(yōu)化損失函數(shù)和軟化非極大抑制在CNRS中的有效性,表2中Model1和Model2為級(jí)聯(lián)抗噪聲半監(jiān)督目標(biāo)檢測(cè)模型不同配置下的試驗(yàn)結(jié)果。Model1添加級(jí)聯(lián)網(wǎng)絡(luò)后,在使用RoI Pooling的情況下將AP提升了0.3個(gè)百分點(diǎn)。因RoI Pooling對(duì)分類結(jié)果影響較小,但其量化偏差對(duì)位置精度影響較大,所以Model2在Model1的基礎(chǔ)上改用RoI Align后AP進(jìn)一步提升了0.3個(gè)百分點(diǎn)。因圖像中遮擋目標(biāo)和邊緣困難樣本較多,所以CNRS監(jiān)督學(xué)習(xí)階段優(yōu)化損失函數(shù)和使用Soft NMS后AP進(jìn)一步提升了1個(gè)百分點(diǎn)。由Model1、Model2和CNRS與其監(jiān)督學(xué)習(xí)階段的模型對(duì)比可知,抗噪聲學(xué)習(xí)能夠有效提取偽標(biāo)簽中的信息。

    表2 不同模型平均精度及F-Score

    注:以sup結(jié)尾的模型為半監(jiān)督模型的監(jiān)督學(xué)習(xí)階段。

    Note: The model ending with “sup” is the supervised learning phase of the semi-supervised model.

    圖4 不同模型PR曲線

    3.2 檢測(cè)結(jié)果與誤檢分析

    本文使用CNRS的最優(yōu)模型對(duì)24張測(cè)試圖像進(jìn)行檢測(cè),結(jié)果如圖5所示。CNRS可準(zhǔn)確檢出小目標(biāo)疫木、邊緣疫木、枯死疫木、早期疫木、過(guò)火疫木和紫色疫木,由檢測(cè)結(jié)果可知:復(fù)雜多樣的數(shù)據(jù)集能夠使模型的泛化能力更強(qiáng),可檢出多種地形中不同形態(tài)的疫木。

    本文還對(duì)4個(gè)不同模型進(jìn)行了錯(cuò)檢和漏檢對(duì)比,其中測(cè)試圖像的真實(shí)疫木數(shù)量為841株,統(tǒng)計(jì)結(jié)果如表3所示。半監(jiān)督目標(biāo)檢測(cè)模型Combating Noise和CNRS在只進(jìn)行50%數(shù)據(jù)標(biāo)注的情況下,錯(cuò)檢率和漏檢率仍得到穩(wěn)步下降。本文提出的CNRS模型與同時(shí)期最先進(jìn)的半監(jiān)督目標(biāo)檢測(cè)模型Combating Noise相比,錯(cuò)檢率和漏檢率分別下降了1.6和1.9個(gè)百分點(diǎn)。由表中數(shù)據(jù)可知CNRS的檢測(cè)效果最佳。

    圖5 CNRS檢測(cè)結(jié)果示例

    表3 不同模型檢測(cè)結(jié)果對(duì)比

    CNRS的檢測(cè)結(jié)果中仍存在錯(cuò)檢和漏檢情況,因此,本文對(duì)其進(jìn)行了誤檢分析,如圖6所示。典型錯(cuò)誤有:因畸變?cè)斐傻穆z、個(gè)別早期疫木的漏檢、遮擋造成的漏檢、因強(qiáng)光造成的錯(cuò)檢。錯(cuò)檢和漏檢的主要原因有以下幾點(diǎn):1)離中心點(diǎn)較遠(yuǎn)區(qū)域存在側(cè)視疫木。2)疫木形態(tài)較多,未進(jìn)行詳細(xì)分類。3)處于早期感染階段的疫木特征不明顯。4)出現(xiàn)坡地時(shí),樹(shù)木形態(tài)存在畸變。5)數(shù)據(jù)采集時(shí)光照較強(qiáng)。

    圖6 誤檢樣例

    4 結(jié) 論

    本文針對(duì)深度學(xué)習(xí)中松林疫木檢測(cè)模型數(shù)據(jù)標(biāo)注成本過(guò)高的問(wèn)題,提出了一種級(jí)聯(lián)抗噪聲半監(jiān)督目標(biāo)檢測(cè)模型CNRS,通過(guò)使用抗噪聲損失函數(shù)提升偽標(biāo)簽學(xué)習(xí)質(zhì)量,降低了數(shù)據(jù)標(biāo)注量。在此基礎(chǔ)上,對(duì)模型框架進(jìn)行優(yōu)化,通過(guò)試驗(yàn)對(duì)比選取最優(yōu)改進(jìn)模型,進(jìn)一步提高了模型的檢測(cè)精度。

    1)CNRS最優(yōu)模型的平均精度為87.7%,F(xiàn)-Score為0.669,與Faster RCNN和SSD300相比數(shù)據(jù)標(biāo)注成本降低了50%,與同時(shí)期最先進(jìn)的半監(jiān)督目標(biāo)檢測(cè)模型Combating Noise相比平均精度提升了1.6個(gè)百分點(diǎn)。該結(jié)果表明,本文提出的檢測(cè)方法能夠有效降低數(shù)據(jù)標(biāo)注成本,在半監(jiān)督松林變色疫木檢測(cè)精度上處于領(lǐng)先地位。

    2)檢測(cè)結(jié)果顯示,CNRS能夠準(zhǔn)確檢出上述6種疫木。因此,多樣的數(shù)據(jù)能夠使模型的泛化能力更強(qiáng)。

    3)CNRS的錯(cuò)檢率為12.3%,漏檢率為6.8%,該結(jié)果在4個(gè)模型中表現(xiàn)最優(yōu)。但其檢測(cè)結(jié)果中仍存在較多漏檢和誤檢。此外,現(xiàn)有研究中半監(jiān)督目標(biāo)檢測(cè)模型多基于兩階段檢測(cè)器,不能滿足實(shí)時(shí)檢測(cè)的需求。

    未來(lái),將進(jìn)一步擴(kuò)大數(shù)據(jù)集規(guī)模,并根據(jù)疫木形態(tài)對(duì)數(shù)據(jù)集進(jìn)行詳細(xì)劃分,在提升模型精度的同時(shí)將嘗試使用單階段檢測(cè)器進(jìn)一步提升檢測(cè)速度。

    [1] 李東. 無(wú)公害防治技術(shù)在林業(yè)病蟲害防治中的應(yīng)用[J]. 南方農(nóng)業(yè),2021,15(35):12-14.

    [2] 張曉東,楊皓博,蔡佩華,等. 松材線蟲病遙感監(jiān)測(cè)研究進(jìn)展及方法述評(píng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(18):184-194.

    Zhang Xiaodong, Yang Haobo, Cai Peihua, et al. Research progress on remote sensing monitoring of Pine Wilt Disease[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 184-194.(in Chinese with English abstract)

    [3] 張軍國(guó),馮文釗,胡春鶴,等. 無(wú)人機(jī)航拍林業(yè)蟲害圖像分割復(fù)合梯度分水嶺算法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(14):93-99.

    Zhang Junguo, Feng Wenzhao, Hu Chunhe, et al. Image segmentation method for forestry unmanned aerial vehicle pest monitoring based on composite gradient watershed algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 93-99.(in Chinese with English abstract)

    [4] 宋以寧,劉文萍,駱有慶,等. 基于線性譜聚類的林地圖像中枯死樹(shù)監(jiān)測(cè)[J]. 林業(yè)科學(xué),2019,55(4):187-195.

    Song Yining, Liu Wenping, Luo Youqing, et al. Monitoring of dead trees in forest images based on linear spectral clustering[J]. Scientia Silvae Sinicae, 2019, 55(4): 187-195. (in Chinese with English abstract)

    [5] 張?zhí)?,張曉麗,劉紅偉,等. 遙感在森林病蟲害監(jiān)測(cè)中的應(yīng)用研究[J]. 安徽農(nóng)業(yè)科學(xué),2010,38(21):11604-11607.

    Zhang Tian, Zhang Xiaoli, Liu Hongwei, et al. Application of remote sensing technology in monitoring forest diseases and pests[J]. Journal of Anhui Agricultural Sciences, 2010, 38(21): 11604-11607.(in Chinese with English abstract)

    [6] 溫長(zhǎng)吉,王啟銳,陳洪銳,等. 面向大規(guī)模多類別的病蟲害識(shí)別模型[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(8):169-177.

    Wen Changji, Wang Qirui, Chen Hongrui, et al. Model for the recognition of large-scale multi-class diseases and pests[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 169-177.(in Chinese with English abstract)

    [7] 孫鈺,周焱,袁明帥,等. 基于深度學(xué)習(xí)的森林蟲害無(wú)人機(jī)實(shí)時(shí)監(jiān)測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(21):74-81.

    Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 74-81. (in Chinese with English abstract)

    [8] 周焱,劉文萍,駱有慶,等. 基于深度學(xué)習(xí)的小目標(biāo)受災(zāi)樹(shù)木檢測(cè)方法[J]. 林業(yè)科學(xué),2021,57(3):98-107.

    Zhou Yan, Liu Wenping, Luo Youqing, et al. Small object detection for infected trees based on the deep learning method[J]. Scientia Silvae Sinicae, 2021, 57(3): 98-107. (in Chinese with English abstract)

    [9] 賈少鵬,高紅菊,杭瀟. 基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識(shí)別技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(S1):313-317.

    Jia Shaopeng, Gao Hongju, Hang Xiao. Research progress on image recognition technology of crop pests and diseases based on deep learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 313-317. (in Chinese with English abstract)

    [10] 黃麗明,王懿祥,徐琪,等. 采用YOLO算法和無(wú)人機(jī)影像的松材線蟲病異常變色木識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(14):197-203.

    Huang Liming, Wang Yixiang, Xi Qi, et al. Recognition of abnormally discolored trees caused by pine wilt disease using YOLO algorithm and UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(14): 197-203.(in Chinese with English abstract)

    [11] Zaidi S S A, Ansari M S, Aslam A, et al. A survey of modern deep learning based object detection models[J]. Digital Signal Processing, 2022: 103514.

    [12] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. Boston: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2014: 580-587.

    [13] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Trans Pattern Anal Mach Intell, 2017, 39(6): 1137-1149.

    [14] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]. Las Vegas: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2016: 779-788.

    [15] Redmon J, Farhadi A. YOLO9000: Better, faster, stronger[C]. Honolulu: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2017: 7263-7271.

    [16] Farhadi A, Redmon J. Yolov3: An incremental improvement[C]. Salt Lake City: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2018: 1804-2767.

    [17] Bochkovskiy A, Wang C Y, Liao H Y M. Yolov4: Optimal speed and accuracy of object detection[EB/OL] (2020-4-23) [2022-07-26]. https: //arxiv. org/abs/2004.10934.

    [18] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot multibox detector[C]. Amsterdam: European Conference on Computer Vision(ECCV). 2016: 21-37.

    [19] Law H, Deng J. Cornernet: Detecting objects as paired keypoints[C]. Munich: Proceedings of the European Conference on Computer Vision(ECCV). 2018: 734-750.

    [20] Shao F, Chen L, Shao J, et al. Deep Learning for weakly-supervised object detection and localization: A survey[J]. Neurocomputing, 2022: 192-207.

    [21] Li X, Kan M, Shan S, et al. Weakly supervised object detection with segmentation collaboration[C]. Seoul: Proceedings of the IEEE/CVF International Conference on Computer Vision(ICCV). 2019: 9735-9744.

    [22] Zhang D, Han J, Cheng G, et al. Weakly supervised object localization and detection: A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 44(9): 5866-5885.

    [23] Zhou B, Khosla A, Lapedriza A, et al. Learning deep features for discriminative localization[C]. Las Vegas: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2016: 2921-2929.

    [24] 周明非,汪西莉. 弱監(jiān)督深層神經(jīng)網(wǎng)絡(luò)遙感圖像目標(biāo)檢測(cè)模型[J]. 中國(guó)科學(xué):信息科學(xué),2018,48(8):1022-1034.

    Zhou Mingfei, Wang Xili, Object detection models of remote sensing images using deep neural networks with weakly supervised training method[J]. In Journal of Scientia Sinica Informationis, 2018, 48(8): 1022-1034.

    [25] Liu Y C, Ma C Y, He Z, et al. Unbiased teacher for semi-supervised object detection[EB/OL] (2021-2-18) [2022-07-26]. https: //arxiv. org/abs/2102. 09480.

    [26] Zhang Y, Yao X, Liu C, et al. S4OD: Semi-Supervised learning for Single-Stage Object Detection[EB/OL]. https:// arxiv. org/abs/2204. 04492, 2022-4-9.

    [27] Xu M, Zhang Z, Hu H, et al. End-to-end semi-supervised object detection with soft teacher[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision(ICCV). 2021: 3060-3069.

    [28] Chen B, Li P, Chen X, et al. Dense Learning based Semi-Supervised Object Detection[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). 2022: 4815-4824.

    [29] Meethal A, Pedersoli M, Zhu Z, et al. Semi-Weakly Supervised Object Detection by Sampling Pseudo Ground-Truth Boxes[EB/OL] (2022-6-16) [2022-07-26]. https: //arxiv. org/abs/2204. 00147.

    [30] Yang Q, Wei X, Wang B, et al. Interactive self-training with mean teachers for semi-supervised object detection[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). 2021: 5941-5950.

    [31] Wang Z, Li Y L, Guo Y, et al. Combating Noise: Semi-supervised Learning by Region Uncertainty Quantification[J]. Advances in Neural Information Processing Systems, 2021, 34: 9534-9545.

    [32] Yang S, Luo P, Loy C C, et al. Wider face: A face detection benchmark[C]. Las Vegas: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2016: 5525-5533.

    [33] Cai Z, Vasconcelos N. Cascade r-cnn: Delving into high quality object detection[C]. Salt Lake City: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2018: 6154-6162.

    [34] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[EB/OL]. (2015-4-10) [2022-07-26]. https: //arxiv. org/abs/1409.1556.

    [35] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]. Las Vegas: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2016: 770-778.

    [36] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]. Honolulu: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). 2017: 2117-2125.

    [37] He K, Gkioxari G, Dollár P, et al. Mask r-cnn[C]. Venice: Proceedings of the IEEE International Conference on Computer Vision(ICCV). 2017: 2961-2969.

    [38] Everingham M, Eslami S M A, Gool L V, et al. The pascal visual object classes challenge: A retrospective[J]. International Journal of Computer Vision, 2015, 111(1): 98-136.

    Method for detecting pine forest discoloured epidemic wood based on semi-supervised learning

    Zhao Hao1, Liu Wenping1※, Zhou Yan1, Luo Youqing2, Zong Shixiang2, Ren Lili2

    (1.,,100083,; 2.,,100083,)

    Deep learning has been a promising technology for epidemic tree detection in recent years. However, the expensive data annotation has posed a great challenge to the discolored epidemic wood detection in the pine forest. Particularly, some difficulties are still found in the dataset expansion, model generalization ability, and the presence of samples with obscured or small objects during detection. In this study, target detection was proposed for the discolored epidemic wood using semi-supervised learning and Unmanned Aerial Vehicle (UAV) image analysis. The specific procedure mainly included the dataset for the pine forest epidemic wood, semi-supervised model training, and algorithm detection. The dataset was collected from three provinces in China, especially with a total of six epidemic wood forms. Two datasets were randomly and equally divided for the training and testing in the supervised and semi-supervised learning stages, respectively. 2 160 training and 240 testing sets were available after data augmentation. The anti-noise loss (SoftFocalLoss and L1Loss) was classified with the uncertainty indicator for the data distillation. Among them, combating Noise was the most advanced semi-supervised target detection model in the same period. As such, the quality of pseudo labeling was improved effectively. The following improvements were achieved in the Cascade Noise-Resistant Semi-supervised (CNRS) object detection model, compared with the Combating Noise. 1) A cascade network was added to balance the distribution of positive and negative samples during training, in order to equalize the accuracy and over-fitting. 2) The FocalLoss was used to mine the difficult samples in the phase of supervised learning. The improved learning of the model was achieved in the difficult objects, such as the edge objects and early epidemic wood. 3) SmoothL1Loss was used to ensure a relatively stable gradient, particularly for the large difference between the true and the predicted value. 4) Soft-Non-Maximum Suppression (Soft-NMS) was used to soften the rejection process of the detection frame in the RCNN stage, in order to prevent the near targets from being filtered. The experiments were conducted on Ubuntu 18.04 operating system using NVIDIA Tesla P100 graphics processor. The experimental results show that the Average Precision (AP) values were 64.2%, and 85.4%, respectively, for the single-stage detector SSD300 and the two-stage detector Faster RCNN using fully labeled data. 50% of the labeled data was also selected in the semi-supervised model. Both AP values were higher than the fully supervised model, indicating that the anti-noise learning effectively extracted the semantic information from the pseudo labels. The ablation model of CNRS Model1 improved the AP by 0.3 percentage points, where a cascade network was added with the RoI Pooling. Model2 further improved the AP by 0.3 percentage points after the RoI Align. The AP of the optimal model on the test set was 87.7% with an F-Score of 0.669. A comparison was also made on the detection of the four models using 24 test images. The error detection rate of CNRS was compared with the fully supervised network model, and Faster RCNN using fully labeled data. The CNRS presented a 50% reduction in the labeling, and a 2.3 percentage point increase in the AP, which was 1.6 percentage points higher than that of the semi-supervised network Combating Noise. This improved model can also provide reliable data support for pest control in agriculture and forestry. An accurate detection can be achieved in many different forms of epidemic trees and a significant reduction in the data labeling cost.

    unmanned aerial vehicle; image recognition; pine forest epidemic wood detection; semi-supervised learning; object detection

    10.11975/j.issn.1002-6819.2022.20.019

    TP391.41

    A

    1002-6819(2022)-20-0164-07

    趙昊,劉文萍,周焱,等. 基于半監(jiān)督學(xué)習(xí)的松林變色疫木檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(20):164-170.doi:10.11975/j.issn.1002-6819.2022.20.019 http://www.tcsae.org

    Zhao Hao, Liu Wenping, Zhou Yan, et al. Method for detecting pine forest discoloured epidemic wood based on semi-supervised learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 164-170. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2022.20.019 http://www.tcsae.org

    2022-07-26

    2022-09-23

    國(guó)家林業(yè)和草原局重大應(yīng)急科技項(xiàng)目“松材線蟲病防控關(guān)鍵技術(shù)研究與示范”項(xiàng)目(ZD202001-05);國(guó)家重點(diǎn)研發(fā)計(jì)劃“松材線蟲病災(zāi)變機(jī)制與可持續(xù)防控技術(shù)研究”項(xiàng)目(2021YFD1400901)

    趙昊,研究方向?yàn)閳D像處理與圖像識(shí)別。Email:zhlistudy@163.com

    劉文萍,教授,博士生導(dǎo)師,研究方向?yàn)橛?jì)算機(jī)圖像及視頻分析與處理、模式識(shí)別與人工智能。Email:wendyl@vip.163.com

    猜你喜歡
    疫木標(biāo)簽精度
    松材線蟲病疫木的科技監(jiān)理
    松材線蟲病疫木生物除害技術(shù)要點(diǎn)探究
    平昌縣松材線蟲病疫木除治有序復(fù)工
    綠色天府(2020年3期)2020-12-13 20:49:04
    關(guān)于利用松材線蟲病疫木栽培茯苓的可行性報(bào)告
    無(wú)懼標(biāo)簽 Alfa Romeo Giulia 200HP
    車迷(2018年11期)2018-08-30 03:20:32
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    不害怕撕掉標(biāo)簽的人,都活出了真正的漂亮
    海峽姐妹(2018年3期)2018-05-09 08:21:02
    標(biāo)簽化傷害了誰(shuí)
    GPS/GLONASS/BDS組合PPP精度分析
    基于多進(jìn)制查詢樹(shù)的多標(biāo)簽識(shí)別方法
    亚洲欧美一区二区三区国产| 青春草国产在线视频| 青春草亚洲视频在线观看| 欧美一区二区国产精品久久精品| 国产免费一级a男人的天堂| 最近最新中文字幕大全电影3| 精品99又大又爽又粗少妇毛片| 啦啦啦啦在线视频资源| 午夜福利在线观看吧| 国产亚洲午夜精品一区二区久久 | 少妇猛男粗大的猛烈进出视频 | 99热这里只有是精品50| 国产精品久久久久久精品电影小说 | 69人妻影院| 亚洲18禁久久av| 亚洲成人精品中文字幕电影| 日韩大片免费观看网站 | 欧美97在线视频| 久久久欧美国产精品| 亚洲人成网站在线观看播放| 亚洲最大成人手机在线| 久久久国产成人免费| 国产淫片久久久久久久久| 午夜亚洲福利在线播放| 欧美性感艳星| 国产精品,欧美在线| 2022亚洲国产成人精品| av播播在线观看一区| 国产精品不卡视频一区二区| 成人美女网站在线观看视频| 国产亚洲av片在线观看秒播厂 | 亚洲欧洲日产国产| 免费观看的影片在线观看| 国产v大片淫在线免费观看| 99久久成人亚洲精品观看| 亚洲四区av| 欧美激情在线99| 噜噜噜噜噜久久久久久91| 爱豆传媒免费全集在线观看| 国产不卡一卡二| 久久久亚洲精品成人影院| 99视频精品全部免费 在线| 91av网一区二区| 国产视频首页在线观看| 日本av手机在线免费观看| 免费观看a级毛片全部| 亚洲av日韩在线播放| 国产av码专区亚洲av| 少妇熟女aⅴ在线视频| 看十八女毛片水多多多| 欧美三级亚洲精品| 白带黄色成豆腐渣| 国产精品.久久久| 国产av码专区亚洲av| h日本视频在线播放| 成年版毛片免费区| 91精品一卡2卡3卡4卡| 欧美高清成人免费视频www| 高清视频免费观看一区二区 | 欧美成人免费av一区二区三区| 最近手机中文字幕大全| 亚洲aⅴ乱码一区二区在线播放| 少妇猛男粗大的猛烈进出视频 | 色综合亚洲欧美另类图片| 搡老妇女老女人老熟妇| 国内精品宾馆在线| 国产精华一区二区三区| 天堂√8在线中文| 在线免费观看的www视频| 国产成人91sexporn| av免费在线看不卡| 91aial.com中文字幕在线观看| 中文字幕av成人在线电影| 99视频精品全部免费 在线| 中文亚洲av片在线观看爽| 欧美日韩一区二区视频在线观看视频在线 | 精品国内亚洲2022精品成人| 亚洲精品亚洲一区二区| 亚洲精品色激情综合| 麻豆国产97在线/欧美| 在线观看美女被高潮喷水网站| 日本午夜av视频| 日韩一本色道免费dvd| 人人妻人人澡欧美一区二区| 天堂中文最新版在线下载 | 国产午夜精品久久久久久一区二区三区| 久久精品91蜜桃| 草草在线视频免费看| 国产成人a∨麻豆精品| 中文字幕免费在线视频6| 国产免费男女视频| 国产伦精品一区二区三区视频9| 亚洲aⅴ乱码一区二区在线播放| 欧美成人午夜免费资源| 亚洲中文字幕一区二区三区有码在线看| 亚洲av福利一区| 麻豆成人午夜福利视频| 精品少妇黑人巨大在线播放 | 亚洲人与动物交配视频| 在线免费十八禁| 一区二区三区四区激情视频| 国产亚洲91精品色在线| 久久人人爽人人爽人人片va| 一级毛片久久久久久久久女| 免费观看性生交大片5| 男女国产视频网站| 一二三四中文在线观看免费高清| 日本免费a在线| 一夜夜www| 亚洲国产成人一精品久久久| 高清午夜精品一区二区三区| 国产精品精品国产色婷婷| 建设人人有责人人尽责人人享有的 | 免费大片18禁| 99久久中文字幕三级久久日本| av国产免费在线观看| 少妇人妻一区二区三区视频| 日本与韩国留学比较| 午夜福利高清视频| 午夜福利高清视频| 亚洲第一区二区三区不卡| 99视频精品全部免费 在线| 中文资源天堂在线| 免费观看精品视频网站| 国产伦精品一区二区三区四那| 中文字幕久久专区| 亚洲成av人片在线播放无| 欧美日韩国产亚洲二区| 内射极品少妇av片p| 亚洲成色77777| 国产午夜福利久久久久久| 天天躁夜夜躁狠狠久久av| 日本与韩国留学比较| 国产精品国产三级国产av玫瑰| 在现免费观看毛片| 欧美+日韩+精品| 波多野结衣高清无吗| 最近最新中文字幕免费大全7| 99在线人妻在线中文字幕| 国产精品人妻久久久影院| 爱豆传媒免费全集在线观看| 长腿黑丝高跟| 国产精品久久视频播放| 午夜福利视频1000在线观看| 蜜桃亚洲精品一区二区三区| 桃色一区二区三区在线观看| 亚洲欧美一区二区三区国产| 最近最新中文字幕大全电影3| 亚洲人成网站在线观看播放| 看十八女毛片水多多多| 中文亚洲av片在线观看爽| 自拍偷自拍亚洲精品老妇| 97人妻精品一区二区三区麻豆| 成人国产麻豆网| 有码 亚洲区| 男女视频在线观看网站免费| 大香蕉97超碰在线| 国产精品一二三区在线看| 国产乱来视频区| 老师上课跳d突然被开到最大视频| 日韩欧美国产在线观看| 99久久成人亚洲精品观看| 小蜜桃在线观看免费完整版高清| 岛国毛片在线播放| 少妇的逼水好多| 白带黄色成豆腐渣| 亚洲av日韩在线播放| 国产乱人视频| 99热网站在线观看| 99九九线精品视频在线观看视频| 亚洲综合精品二区| 六月丁香七月| 又爽又黄无遮挡网站| 色尼玛亚洲综合影院| 欧美高清成人免费视频www| 国产午夜福利久久久久久| av播播在线观看一区| 国产欧美另类精品又又久久亚洲欧美| 日本免费a在线| 久久久国产成人免费| 免费看日本二区| 欧美变态另类bdsm刘玥| 岛国毛片在线播放| 欧美日韩综合久久久久久| 国产熟女欧美一区二区| 永久免费av网站大全| 神马国产精品三级电影在线观看| 亚洲av成人精品一二三区| 变态另类丝袜制服| 亚洲欧美清纯卡通| 女的被弄到高潮叫床怎么办| av在线老鸭窝| 一级毛片aaaaaa免费看小| 国产伦一二天堂av在线观看| 色综合色国产| 日韩精品青青久久久久久| 村上凉子中文字幕在线| 97人妻精品一区二区三区麻豆| 国产精品久久久久久精品电影| 高清av免费在线| 免费搜索国产男女视频| 国产成人aa在线观看| 91精品国产九色| 日韩国内少妇激情av| 大话2 男鬼变身卡| 热99在线观看视频| 久久久久网色| 麻豆av噜噜一区二区三区| 中文字幕av在线有码专区| 欧美不卡视频在线免费观看| 全区人妻精品视频| 国产不卡一卡二| 亚洲欧美成人精品一区二区| 人人妻人人澡人人爽人人夜夜 | 天堂影院成人在线观看| 亚洲最大成人中文| 国产高潮美女av| 精华霜和精华液先用哪个| 亚洲伊人久久精品综合 | 丰满少妇做爰视频| 免费看av在线观看网站| 精品不卡国产一区二区三区| 男女边吃奶边做爰视频| 久久久久性生活片| 免费av观看视频| 亚洲电影在线观看av| www日本黄色视频网| 日本猛色少妇xxxxx猛交久久| 精品久久久久久久末码| 桃色一区二区三区在线观看| 99热6这里只有精品| 亚洲人成网站在线播| 免费看光身美女| 黄片wwwwww| 亚洲欧美日韩卡通动漫| 国产乱来视频区| 女人被狂操c到高潮| 日韩视频在线欧美| 国产精品久久久久久久电影| 日本五十路高清| 国产精品一及| 毛片一级片免费看久久久久| 久久精品夜色国产| 国产综合懂色| 日韩国内少妇激情av| 国产三级在线视频| 高清av免费在线| 91久久精品国产一区二区成人| 大香蕉97超碰在线| 九九爱精品视频在线观看| 国产午夜精品一二区理论片| 国产免费一级a男人的天堂| 亚洲av福利一区| 日韩 亚洲 欧美在线| 一级毛片aaaaaa免费看小| 国产精品一区二区性色av| 日本午夜av视频| 久久久久久国产a免费观看| 日日摸夜夜添夜夜爱| 老司机福利观看| 国产精品野战在线观看| 插逼视频在线观看| 亚洲国产精品专区欧美| 久久久精品欧美日韩精品| 在现免费观看毛片| 国产熟女欧美一区二区| 69人妻影院| 小蜜桃在线观看免费完整版高清| 哪个播放器可以免费观看大片| 日韩av在线大香蕉| 婷婷色av中文字幕| 联通29元200g的流量卡| 国产精品1区2区在线观看.| 美女大奶头视频| 久久精品久久精品一区二区三区| 亚洲欧美中文字幕日韩二区| 日韩欧美国产在线观看| 大香蕉久久网| 汤姆久久久久久久影院中文字幕 | 插逼视频在线观看| 亚洲18禁久久av| 男插女下体视频免费在线播放| 蜜桃久久精品国产亚洲av| 亚洲国产日韩欧美精品在线观看| 神马国产精品三级电影在线观看| 欧美性感艳星| 国产黄色视频一区二区在线观看 | av国产免费在线观看| 国产精品女同一区二区软件| 最近2019中文字幕mv第一页| 中文字幕久久专区| 国产免费福利视频在线观看| 国产亚洲午夜精品一区二区久久 | 精品国产一区二区三区久久久樱花 | 超碰av人人做人人爽久久| 国产精品人妻久久久影院| 国产精品人妻久久久影院| 长腿黑丝高跟| 亚洲欧美日韩卡通动漫| 欧美xxxx黑人xx丫x性爽| 久久午夜福利片| 亚洲精品国产av成人精品| 欧美色视频一区免费| 免费在线观看成人毛片| 亚洲成人久久爱视频| 久久久国产成人免费| 狂野欧美白嫩少妇大欣赏| 大香蕉97超碰在线| 精品欧美国产一区二区三| 中文字幕精品亚洲无线码一区| 一级黄片播放器| 18禁动态无遮挡网站| av福利片在线观看| 热99在线观看视频| 亚洲国产精品成人综合色| 国产精品一区www在线观看| 久久这里有精品视频免费| 亚洲精品亚洲一区二区| 国产亚洲91精品色在线| 能在线免费观看的黄片| 国产成人freesex在线| 亚洲欧美日韩无卡精品| 免费大片18禁| 嘟嘟电影网在线观看| 美女被艹到高潮喷水动态| 午夜福利高清视频| 中国国产av一级| 欧美极品一区二区三区四区| 人妻夜夜爽99麻豆av| 成年女人永久免费观看视频| 51国产日韩欧美| 久久这里有精品视频免费| 国产爱豆传媒在线观看| 国产精品一区二区三区四区久久| 1024手机看黄色片| 国产色爽女视频免费观看| 日本-黄色视频高清免费观看| 亚洲欧洲日产国产| 美女内射精品一级片tv| 尤物成人国产欧美一区二区三区| 欧美日韩一区二区视频在线观看视频在线 | 男人舔奶头视频| 欧美性猛交╳xxx乱大交人| 国产单亲对白刺激| 国产精品1区2区在线观看.| 国产一区亚洲一区在线观看| 91精品伊人久久大香线蕉| 亚洲三级黄色毛片| 欧美一区二区精品小视频在线| 听说在线观看完整版免费高清| 成人二区视频| 两个人的视频大全免费| 综合色丁香网| 免费在线观看成人毛片| 不卡视频在线观看欧美| 国产精品国产三级专区第一集| 嫩草影院新地址| 成人鲁丝片一二三区免费| 天堂影院成人在线观看| 日本一本二区三区精品| 国产免费男女视频| 欧美区成人在线视频| 黄片无遮挡物在线观看| 97超视频在线观看视频| 丝袜美腿在线中文| 国产中年淑女户外野战色| 国产中年淑女户外野战色| 国产一级毛片在线| 亚洲图色成人| 中文资源天堂在线| 亚洲av日韩在线播放| 男女啪啪激烈高潮av片| 日韩精品有码人妻一区| 久久久精品欧美日韩精品| 好男人视频免费观看在线| 成人鲁丝片一二三区免费| 啦啦啦韩国在线观看视频| 老司机影院毛片| 97人妻精品一区二区三区麻豆| 国产精品久久久久久精品电影| 久久久精品欧美日韩精品| 日韩av在线大香蕉| 欧美色视频一区免费| 韩国av在线不卡| 欧美成人免费av一区二区三区| 久久这里有精品视频免费| 黄色配什么色好看| 日本午夜av视频| 精品无人区乱码1区二区| 久久欧美精品欧美久久欧美| 国产精品一区www在线观看| 高清视频免费观看一区二区 | 免费av不卡在线播放| 亚洲怡红院男人天堂| 国产精品美女特级片免费视频播放器| 国产伦理片在线播放av一区| 精华霜和精华液先用哪个| 久久久久久久午夜电影| 在线免费观看不下载黄p国产| 女人久久www免费人成看片 | 欧美三级亚洲精品| 精品一区二区三区视频在线| 国产爱豆传媒在线观看| 最近的中文字幕免费完整| 日本免费在线观看一区| 99国产精品一区二区蜜桃av| 国产av一区在线观看免费| 国产免费一级a男人的天堂| 69人妻影院| 精品久久久噜噜| 久久99精品国语久久久| 91精品伊人久久大香线蕉| 亚洲国产精品久久男人天堂| 中文天堂在线官网| 欧美性猛交╳xxx乱大交人| 一级av片app| 三级男女做爰猛烈吃奶摸视频| 国产欧美另类精品又又久久亚洲欧美| 在线免费观看不下载黄p国产| 国产白丝娇喘喷水9色精品| 18禁在线播放成人免费| 黄色一级大片看看| 欧美xxxx黑人xx丫x性爽| 在线天堂最新版资源| 在现免费观看毛片| 亚洲av中文av极速乱| 久久99热6这里只有精品| av国产免费在线观看| 成人二区视频| 欧美成人精品欧美一级黄| 中文亚洲av片在线观看爽| 青青草视频在线视频观看| 少妇的逼水好多| 国产私拍福利视频在线观看| 免费看a级黄色片| av女优亚洲男人天堂| 毛片一级片免费看久久久久| 一级二级三级毛片免费看| 久久精品久久久久久久性| 国产精品.久久久| 亚洲熟妇中文字幕五十中出| 人妻系列 视频| 网址你懂的国产日韩在线| 日韩欧美精品v在线| 亚洲国产最新在线播放| 欧美日韩国产亚洲二区| av又黄又爽大尺度在线免费看 | 午夜精品国产一区二区电影 | 有码 亚洲区| 中文乱码字字幕精品一区二区三区 | 永久网站在线| 非洲黑人性xxxx精品又粗又长| 日韩欧美精品v在线| 内地一区二区视频在线| 亚洲熟妇中文字幕五十中出| 国产伦理片在线播放av一区| 男女视频在线观看网站免费| 精品一区二区三区人妻视频| 中文字幕精品亚洲无线码一区| 少妇人妻一区二区三区视频| 国产在视频线在精品| 99在线人妻在线中文字幕| 久久亚洲国产成人精品v| 成人午夜高清在线视频| 日本黄色视频三级网站网址| 国产精品一区www在线观看| 国产三级中文精品| 久久精品夜色国产| 免费av不卡在线播放| АⅤ资源中文在线天堂| 床上黄色一级片| 岛国在线免费视频观看| 国产成人a区在线观看| 深夜a级毛片| 日韩高清综合在线| 麻豆一二三区av精品| 久久国产乱子免费精品| 人妻系列 视频| 看黄色毛片网站| 婷婷六月久久综合丁香| 在线免费十八禁| 91狼人影院| 免费播放大片免费观看视频在线观看 | 成人国产麻豆网| 中文字幕免费在线视频6| 日韩中字成人| 成年av动漫网址| 26uuu在线亚洲综合色| 国产精品蜜桃在线观看| 国产精品,欧美在线| 欧美变态另类bdsm刘玥| 少妇猛男粗大的猛烈进出视频 | 亚洲五月天丁香| 亚洲精品aⅴ在线观看| 久久久国产成人精品二区| 久久久久久久久大av| 成人午夜精彩视频在线观看| 少妇猛男粗大的猛烈进出视频 | 九九在线视频观看精品| 51国产日韩欧美| 在线观看一区二区三区| 免费人成在线观看视频色| 国产精品女同一区二区软件| 精品国产露脸久久av麻豆 | 欧美另类亚洲清纯唯美| 精品午夜福利在线看| 国产精品人妻久久久久久| 亚洲国产精品成人综合色| 1000部很黄的大片| 欧美3d第一页| 日韩欧美三级三区| 国产伦在线观看视频一区| 性色avwww在线观看| 欧美又色又爽又黄视频| 内地一区二区视频在线| 亚洲国产欧美人成| 免费无遮挡裸体视频| 在线免费十八禁| 黄片wwwwww| 精品国内亚洲2022精品成人| 成人午夜高清在线视频| 一区二区三区高清视频在线| 如何舔出高潮| 九色成人免费人妻av| 天天一区二区日本电影三级| 日韩亚洲欧美综合| 久久国产乱子免费精品| 啦啦啦观看免费观看视频高清| 校园人妻丝袜中文字幕| 日本黄大片高清| 久热久热在线精品观看| 国产亚洲91精品色在线| www.av在线官网国产| 亚洲国产精品成人久久小说| 国产不卡一卡二| av专区在线播放| 卡戴珊不雅视频在线播放| 午夜福利高清视频| 日本三级黄在线观看| 亚洲精品国产成人久久av| 三级男女做爰猛烈吃奶摸视频| 久久人人爽人人片av| 亚洲综合色惰| 91狼人影院| 大香蕉97超碰在线| 婷婷色综合大香蕉| 国产精品野战在线观看| 天天躁日日操中文字幕| 久久久午夜欧美精品| 又爽又黄a免费视频| 欧美性猛交╳xxx乱大交人| 你懂的网址亚洲精品在线观看 | 免费电影在线观看免费观看| 91狼人影院| 男人和女人高潮做爰伦理| 亚洲国产精品sss在线观看| 国产色婷婷99| 国产精品女同一区二区软件| 国产一级毛片七仙女欲春2| 久久草成人影院| 亚洲内射少妇av| 亚洲av二区三区四区| 韩国av在线不卡| 日韩大片免费观看网站 | 淫秽高清视频在线观看| 国产av码专区亚洲av| 久久久国产成人精品二区| 又粗又硬又长又爽又黄的视频| 不卡视频在线观看欧美| 国产精品一区www在线观看| 亚洲av成人精品一二三区| 日韩在线高清观看一区二区三区| 男人的好看免费观看在线视频| 久久国产乱子免费精品| 秋霞伦理黄片| av卡一久久| av在线观看视频网站免费| 亚洲在线自拍视频| 日日摸夜夜添夜夜爱| 亚洲av中文av极速乱| 真实男女啪啪啪动态图| av在线播放精品| 又粗又爽又猛毛片免费看| 久久久久久久久久久丰满| 又粗又硬又长又爽又黄的视频| 亚洲成av人片在线播放无| 亚洲国产精品成人综合色| 婷婷色麻豆天堂久久 | 欧美性猛交╳xxx乱大交人| 九九在线视频观看精品| 91精品国产九色| 男女边吃奶边做爰视频| 国产探花极品一区二区| 国模一区二区三区四区视频| 久久久久久九九精品二区国产| 亚洲国产精品国产精品| 免费大片18禁| 精品不卡国产一区二区三区| 日韩 亚洲 欧美在线| 亚洲成人中文字幕在线播放| 欧美变态另类bdsm刘玥| 男插女下体视频免费在线播放| 欧美日韩精品成人综合77777| 少妇的逼水好多| 毛片女人毛片| 久久精品国产自在天天线| 国产精品人妻久久久久久| 午夜精品在线福利| 日本wwww免费看| 熟妇人妻久久中文字幕3abv| 亚洲成人久久爱视频| 丰满人妻一区二区三区视频av| 九草在线视频观看| 人妻系列 视频| 长腿黑丝高跟|