• <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 ?

    基于改進(jìn)單次多目標(biāo)檢測(cè)器的果面缺陷冬棗實(shí)時(shí)檢測(cè)

    2022-03-16 02:38:57李頎陳哲豪
    關(guān)鍵詞:冬棗

    李頎 陳哲豪

    摘要: 為實(shí)現(xiàn)果面缺陷冬棗實(shí)時(shí)檢測(cè),并解決缺陷的尺寸與位置不同影響檢測(cè)精度的問(wèn)題,提出一種基于改進(jìn)單次多目標(biāo)檢測(cè)器(Single shot multibox detector,SSD)的果面缺陷冬棗實(shí)時(shí)檢測(cè)方法。以陜西大荔冬棗中的蟲(chóng)蛀、輪紋和木質(zhì)化3種缺陷果和正常果為研究對(duì)象,在數(shù)據(jù)采集設(shè)備下采集實(shí)際分揀圖像,然后通過(guò)數(shù)據(jù)增強(qiáng)由400張擴(kuò)充至2 000張。改進(jìn)SSD,建立MobileNetV3-SSD模型,為實(shí)時(shí)檢測(cè)奠定基礎(chǔ);引入改進(jìn)感受野塊(RFB)可實(shí)現(xiàn)模型多尺寸提取冬棗缺陷特征的能力;用空間注意力模塊(SAM)代替擠壓和激勵(lì)通道注意力模塊(SE)增強(qiáng)模型定位冬棗缺陷特征的能力。試驗(yàn)結(jié)果表明,本研究模型在果面缺陷冬棗數(shù)據(jù)集上的表現(xiàn)均優(yōu)于目前先進(jìn)目標(biāo)檢測(cè)網(wǎng)絡(luò)模型(RetinaNet和EfficientDet-D0),該模型對(duì)4類(lèi)冬棗的整體檢測(cè)精準(zhǔn)性(mAP)達(dá)到91.89%,檢測(cè)速度達(dá)到1 s 40.85幀。因此本研究模型較好地平衡了實(shí)時(shí)性和精準(zhǔn)性,可應(yīng)用于果面缺陷冬棗分揀流水線。

    關(guān)鍵詞: 冬棗;果面缺陷;實(shí)時(shí)檢測(cè);單次多目標(biāo)檢測(cè)器;多尺寸;空間注意力模型

    中圖分類(lèi)號(hào): TP391.4 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1000-4440(2022)01-0119-10

    Abstract: In order to realize the real-time surface defect detection of winter jujube and solve the problems that different sizes and positions affected the detection accuracy, a real-time surface defect detection method of winter jujube based on improved single shot multibox detector (SSD) was proposed. Three kinds of defective winter jujubes(worm, wheel-pattern and lignification) and normal winter jujubes from Dali(Shaanxi province) were taken as the research objects. The actual sorting images were collected by data acquisition equipment, and then expanded from 400 to 2 000 by data enhancement. The SSD was improved, and MobileNetV3-SSD model was established to lay the foundation for real-time detection. The introduction of improved receptive field block (RFB) could realize the ability of model to extract the defect feature of winter jujube at multiple scales. Spatial attention module (SAM) was used to replace squeeze-and-excitation (SE) block, so the ability of the model to locate the defect feature of winter jujube was enhanced. The test results showed that the performance of the proposed model on the dataset of defective winter jujube was better than the current advanced target detection network models (RetinaNet and EfficientDet-D0). The averall detection accuracy of the model for four types of winter jujube was 91.89%, and the detection speed was 40.85 frames per second. Therefore, the model established in this study can balance the real-time performance and accuracy, and can be applied to sorting pipeline of winter jujube with surface defect.

    Key words: winter jujube;surface defect;real-time detection;single shot multibox detector;multi-scale;spatial attention module

    2020年陜西大荔冬棗產(chǎn)量超5×105 t[1]。龐大的產(chǎn)量帶來(lái)了巨大的果面缺陷冬棗分揀量,而人工應(yīng)對(duì)巨大分揀量時(shí)精度驟降且效率低下[2-3]。此外采后冬棗常溫下易失水的缺點(diǎn)會(huì)導(dǎo)致其品質(zhì)受損,所以需要盡快完成分揀以冷藏保鮮,可見(jiàn)實(shí)現(xiàn)果面缺陷冬棗實(shí)時(shí)檢測(cè)至關(guān)重要[4-5]。

    常規(guī)的果面缺陷檢測(cè)方法包括傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類(lèi)。Lu等[6]使用主成分分析獲得蘋(píng)果第一主成分圖像,基于類(lèi)內(nèi)方差法分割圖像,根據(jù)非零像素判斷蘋(píng)果損傷,準(zhǔn)確率為84.20%。孫世鵬等[7]利用降維算法確定冬棗損傷處一致的特征波長(zhǎng),經(jīng)處理獲得一致波長(zhǎng)灰度圖,并用支持向量機(jī)分類(lèi),檢測(cè)準(zhǔn)確率為81.80%。

    顯然傳統(tǒng)機(jī)器學(xué)習(xí)的精度與所提取的果面缺陷特征息息相關(guān)。但是冬棗果面缺陷尺寸不一且位置隨機(jī),傳統(tǒng)機(jī)器學(xué)習(xí)的精度也會(huì)因特征提取難度的升高而下降[8]。然而深度學(xué)習(xí)能夠挖掘到人類(lèi)難以發(fā)現(xiàn)的有效特征,從而在果面缺陷檢測(cè)任務(wù)中脫穎而出。

    薛勇等[9]使用GoogLeNet自動(dòng)提取蘋(píng)果果面缺陷特征,對(duì)測(cè)試樣本檢測(cè)準(zhǔn)確率達(dá)91.91%。費(fèi)琦琪等[10]利用CNN自主提取冰糖橙缺陷特征,對(duì)測(cè)試樣本檢測(cè)準(zhǔn)確率達(dá)96.67%。李小占等[11]通過(guò)改進(jìn)VGG網(wǎng)絡(luò)訓(xùn)練哈密瓜表面缺陷檢測(cè)模型,檢測(cè)準(zhǔn)確率為93.50%,靜態(tài)下處理單幅圖像需0.7 s。雖然深度學(xué)習(xí)在上述任務(wù)中表現(xiàn)出色,但是卷積神經(jīng)網(wǎng)絡(luò)的巨大計(jì)算量導(dǎo)致模型實(shí)時(shí)性受限。因此果面缺陷目標(biāo)檢測(cè)模型的實(shí)時(shí)性和精準(zhǔn)性的平衡問(wèn)題亟待解決。

    綜上所述,本研究以產(chǎn)自陜西大荔的蟲(chóng)蛀、輪紋和木質(zhì)化3種果面缺陷冬棗和正常冬棗為試驗(yàn)材料,提出基于改進(jìn)單次多目標(biāo)檢測(cè)器(Single shot multibox detector,SSD)的果面缺陷冬棗實(shí)時(shí)檢測(cè)模型,對(duì)缺陷果和正常果進(jìn)行實(shí)時(shí)檢測(cè),使檢測(cè)模型兼具實(shí)時(shí)性和精準(zhǔn)性。

    1 果面缺陷冬棗實(shí)時(shí)檢測(cè)模型

    1.1 SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)

    單位時(shí)間內(nèi)檢測(cè)果面缺陷冬棗個(gè)數(shù)是決定模型實(shí)時(shí)性的主要因素之一,這就要求選擇的網(wǎng)絡(luò)能應(yīng)用于圖中存在多個(gè)冬棗目標(biāo)的檢測(cè)任務(wù),因此果面缺陷冬棗實(shí)時(shí)檢測(cè)模型應(yīng)選擇目標(biāo)檢測(cè)網(wǎng)絡(luò)。目前目標(biāo)檢測(cè)網(wǎng)絡(luò)分為單階段檢測(cè)網(wǎng)絡(luò)和雙階段檢測(cè)網(wǎng)絡(luò)。雙階段檢測(cè)網(wǎng)絡(luò)原理是先獲得若干個(gè)建議框,最后在建議框中篩選出預(yù)測(cè)框。而單階段檢測(cè)網(wǎng)絡(luò)則跳過(guò)獲得建議框的階段,直接獲得預(yù)測(cè)框。因此單階段網(wǎng)絡(luò)相較于雙階段網(wǎng)絡(luò)的實(shí)時(shí)性有一定提升。Liu等[12]學(xué)習(xí)YOLO的回歸理念,提出先驗(yàn)框預(yù)測(cè)機(jī)制,使SSD具有出色的實(shí)時(shí)性和精準(zhǔn)性。

    1.2 MobileNetV3主干網(wǎng)絡(luò)

    VGG16的計(jì)算量高達(dá)14.2 G FLOPs,因此VGG16作為主干網(wǎng)絡(luò)與SSD搭配存在計(jì)算量過(guò)大的缺點(diǎn),這會(huì)減緩果面缺陷冬棗實(shí)時(shí)檢測(cè)模型的檢測(cè)速度[13]。但是檢測(cè)果面缺陷冬棗的速度是決定模型實(shí)時(shí)性的另一個(gè)主要因素,為了進(jìn)一步加強(qiáng)模型的實(shí)時(shí)性,本研究用MobileNetV3代替VGG16作為主干網(wǎng)絡(luò)與SSD搭配。

    一方面MobileNetV3通過(guò)使用深度可分離卷積代替大量標(biāo)準(zhǔn)卷積,有效壓縮了果面缺陷冬棗實(shí)時(shí)檢測(cè)模型的計(jì)算量,因而模型的實(shí)時(shí)性得到加強(qiáng)[14]。

    深度可分離卷積與標(biāo)準(zhǔn)卷積的區(qū)別是,前者將后者的卷積操作分為2步來(lái)執(zhí)行:

    (1)對(duì)輸入特征圖各通道應(yīng)用一個(gè)濾波器進(jìn)行深度卷積但不合成特征圖。

    (2)利用逐點(diǎn)卷積計(jì)算輸入特征圖的線性組合構(gòu)建輸出特征圖。

    深度可分離卷積由深度卷積和逐點(diǎn)卷積兩部分組成[15]。深度卷積和逐點(diǎn)卷積的計(jì)算量分別如公式(1)和公式(2)所示。

    NDepthwise=DK×DK×M×DF×DF(1)

    式中NDepthwise是深度卷積計(jì)算量,DK是輸入特征圖大小,M是輸入特征圖通道數(shù),DF是輸出特征圖大小。

    另一方面,MobileNetV3通過(guò)使用倒殘差模塊,提高模型學(xué)習(xí)冬棗果面特征的效率,減少模型冗余計(jì)算。

    倒殘差模塊由擴(kuò)張層、深度可分離卷積層和投影層組成。其設(shè)計(jì)思路是:為了深度可分離卷積層在高維度特征圖中學(xué)習(xí)到更多冬棗果面缺陷特征,通過(guò)使擴(kuò)張層中的擴(kuò)張系數(shù)factor=6升高特征圖維度,為了有效降低模型向下傳遞特征圖時(shí)的計(jì)算量,又通過(guò)投影層壓縮特征圖維度。

    本研究將MobileNetV3的池化層及其之后的卷積層刪除,然后與SSD拼接組成MobileNetV3-SSD。MobileNetV3-SSD將第13個(gè)倒殘差模塊和池化層之前的卷積層的輸出作為預(yù)測(cè)特征層,最后通過(guò)預(yù)測(cè)特征層和SSD附加層得到預(yù)測(cè)結(jié)果(圖1)。

    1.3 改進(jìn)感受野塊

    本研究借助OpenCV庫(kù)的ContourArea函數(shù)計(jì)算冬棗果面缺陷面積與果面總面積的比例來(lái)分析冬棗果面缺陷尺寸。由圖2可以看出,蟲(chóng)蛀、輪紋和木質(zhì)化的尺寸位于6個(gè)區(qū)間內(nèi),分別是(0,0.05],(0.05,0.10],(0.10,0.15],(0.15,0.20],(0.20,0.25]和(0.25,0.30],然而單尺寸感受野無(wú)法勝任提取不同尺寸冬棗果面缺陷特征的任務(wù)[16]。

    針對(duì)上述問(wèn)題,本研究將改進(jìn)的感受野塊(Receptive field block,RFB)引入果面缺陷冬棗實(shí)時(shí)檢測(cè)模型,讓模型從3個(gè)尺寸提取冬棗果面缺陷特征,旨在提高模型分類(lèi)果面缺陷冬棗的精度[17]。

    RFB是一種模仿人眼群體感受野(Population receptive field,pRF)的仿生卷積結(jié)構(gòu),該結(jié)構(gòu)通過(guò)標(biāo)準(zhǔn)卷積和空洞卷積模擬pRF尺寸與偏心率的正相關(guān)實(shí)現(xiàn)特征圖感受野[18-19]。為了獲得3種尺寸的冬棗果面缺陷特征,引入模型的RFB設(shè)置為3個(gè)分支卷積結(jié)構(gòu),其中每個(gè)分支由卷積核大小不同的標(biāo)準(zhǔn)卷積和膨脹率不同的空洞卷積組成,前者用于模擬不同尺寸的pRF,后者用于模擬不同偏心率的pRF。由圖3可以看出,空洞卷積核的膨脹率隨著標(biāo)準(zhǔn)卷積核的尺寸增大而增大,兩者的變化關(guān)系則復(fù)現(xiàn)了pRF的尺寸與偏心率的關(guān)系。最后RFB各分支輸出的特征圖都將疊加到一起,以實(shí)現(xiàn)多尺寸果面缺陷特征融合。

    為了減輕引入RFB對(duì)模型實(shí)時(shí)性的影響,本研究對(duì)RFB進(jìn)行改進(jìn):將3×3標(biāo)準(zhǔn)卷積拆分成并聯(lián)的1×3標(biāo)準(zhǔn)卷積和3×1標(biāo)準(zhǔn)卷積;將5×5標(biāo)準(zhǔn)卷積拆分成串聯(lián)的1×5標(biāo)準(zhǔn)卷積和5×1標(biāo)準(zhǔn)卷積;同時(shí)用深度可分離卷積代替標(biāo)準(zhǔn)卷積實(shí)現(xiàn)空洞卷積,最后得到改進(jìn)的RFB模塊(圖4)。由于在淺層特征圖中更容易提取到尺寸普遍偏小的冬棗果面缺陷特征,本研究將改進(jìn)RFB模塊嵌入MobilenetV3-SSD的第13個(gè)倒殘差模塊和分類(lèi)定位預(yù)測(cè)層之間。

    1.4 空間注意力模塊

    通過(guò)觀察圖5中3類(lèi)果面缺陷出現(xiàn)的位置,發(fā)現(xiàn)缺陷可能處于果面邊緣,也可能處于果面中央,甚至遍布果面。針對(duì)缺陷在冬棗果面上任意分布的問(wèn)題,本研究引入空間注意力機(jī)制幫助果面缺陷冬棗實(shí)時(shí)檢測(cè)模型確定果面缺陷的位置,繼而提高模型定位冬棗果面缺陷位置的精度。

    倒殘差模塊中采用了擠壓和激勵(lì)模塊(Squeeze-and-Excitation,SE),SE屬于通道注意力機(jī)制,該機(jī)制利用各通道特征圖之間的關(guān)系來(lái)提取冬棗果面缺陷特征,最后生成基于果面缺陷特征的通道注意力特征圖。可見(jiàn)通道注意力機(jī)制有利于提高模型提取果面缺陷特征的能力[20]。但是冬棗果面缺陷位置不確定影響了模型定位果面缺陷冬棗的精度。解決這個(gè)問(wèn)題需要增強(qiáng)模型定位冬棗果面缺陷的能力,而空間注意力機(jī)制恰好能改善模型的定位能力,因此本研究用卷積層注意力模塊(CBAM)中的空間注意力模塊(SAM)取代SE[21-23]。

    如圖6所示,本研究將倒殘差模塊中深度可分離卷積層的輸出作為SAM的輸入特征圖,SAM首先通過(guò)F推導(dǎo)出空間注意力特征圖MS(F),然后MS(F)與F進(jìn)行哈達(dá)瑪積運(yùn)算,求得輸出特征圖F′,最后SAM的輸出作為投影層的輸入。

    式中F′是輸出特征圖, MS(F)是空間注意力特征圖,F(xiàn)是輸入特征圖。

    執(zhí)行哈達(dá)瑪積運(yùn)算的目的是為F中出現(xiàn)冬棗果面缺陷特征的位置分配相應(yīng)的關(guān)注度。

    如圖7所示,為了推導(dǎo)MS(F),首先需要通過(guò)最大池化和平均池化整合F的通道信息,生成平均池化特征圖(FSavg)和最大池化特征圖(FSmax),2種池化操作的目的是凸顯冬棗果面缺陷部位特征[24];然后疊加FSavg和FSmax,生成疊加特征圖FSconcat;最后FSconcat依次經(jīng)過(guò)7×7標(biāo)準(zhǔn)卷積和sigmoid激活函數(shù)處理生成空間注意力特征圖[MS(F)]。

    式中MS(F)是空間注意力特征圖,F(xiàn)是輸入特征圖,F(xiàn)Savg是平均池化特征圖,F(xiàn)Smax是最大池化特征圖。

    2 果面缺陷冬棗實(shí)時(shí)檢測(cè)模型訓(xùn)練

    2.1 果面缺陷冬棗數(shù)據(jù)集建立

    2.1.1 數(shù)據(jù)采集 采集時(shí)間為2020年7-11月,采集地點(diǎn)為陜西中農(nóng)厚樸農(nóng)業(yè)科技有限公司。果面缺陷冬棗數(shù)據(jù)集以陜西大荔冬棗為數(shù)據(jù)采集對(duì)象。數(shù)據(jù)集由3類(lèi)果面缺陷冬棗和正常冬棗組成。如圖8所示,數(shù)據(jù)集通過(guò)數(shù)據(jù)采集設(shè)備完成采集工作,其中電荷耦合器件(Charge coupled device,CCD)工業(yè)相機(jī)使用杭州??低晹?shù)字技術(shù)股份有限公司生產(chǎn)的MV-CE013-50UC相機(jī),最大分辨率為1 280×960,即1.30×1010像素。采集時(shí)冬棗隨機(jī)擺放,同時(shí)CCD工業(yè)相機(jī)在自然光照下以俯視視角采集圖像。

    2.1.2 數(shù)據(jù)集預(yù)處理及生成 原始數(shù)據(jù)集共400張圖像,本研究使用LabelImg標(biāo)注數(shù)據(jù),標(biāo)注文件格式參照Pascal VOC。

    為了提高果面缺陷冬棗實(shí)時(shí)檢測(cè)模型的檢測(cè)精度和泛化能力,本研究使用Python庫(kù)函數(shù)Imgaug對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)[25]。考慮到圖像內(nèi)的冬棗果面特征不會(huì)因觀察方向的變化而改變,并且為了增強(qiáng)模型在不同光照下的魯棒性,本研究使用上下翻轉(zhuǎn)、左右翻轉(zhuǎn)、鏡像翻轉(zhuǎn)和亮度增減4種方法實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。在Imgaug的幫助下,標(biāo)注框會(huì)隨著數(shù)據(jù)增強(qiáng)而變換,避免再次繪制。

    經(jīng)過(guò)增強(qiáng),數(shù)據(jù)集共2 000張圖像,按8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

    2.2 試驗(yàn)環(huán)境

    試驗(yàn)硬件環(huán)境選擇Inter(R) Xeon(R) CPU E5-2637 @3.50 Hz和NVIDIA GeForce RTX2070 SUPER 8 G;操作系統(tǒng)為Windows Server 2008 R2 Enterprise 64bit;軟件環(huán)境選擇Python3.6.7和Keras 2.1.5。

    2.3 模型訓(xùn)練

    本研究模型訓(xùn)練運(yùn)用遷移學(xué)習(xí)策略,需要在Pascal VOC07+12數(shù)據(jù)集上訓(xùn)練得到預(yù)訓(xùn)練模型。鑒于豐富的Pascal VOC07+12數(shù)據(jù)集中必然有數(shù)據(jù)與本研究數(shù)據(jù)存在關(guān)聯(lián),因此遷移學(xué)習(xí)能把學(xué)到的模型參數(shù)應(yīng)用于本研究數(shù)據(jù)集訓(xùn)練,達(dá)到加快并優(yōu)化訓(xùn)練的目的,避免人工初始化參數(shù)直接在數(shù)據(jù)集上訓(xùn)練,導(dǎo)致模型表現(xiàn)不佳[26]。

    另外模型訓(xùn)練還運(yùn)用了凍結(jié)訓(xùn)練策略,即主干網(wǎng)絡(luò)MobileNetV3的模型參數(shù)不會(huì)隨著模型訓(xùn)練而更新。凍結(jié)訓(xùn)練可以有效避免模型過(guò)擬合。本研究將前50次訓(xùn)練設(shè)為凍結(jié)訓(xùn)練階段,輸入圖像大小統(tǒng)一修改為300×300,批數(shù)據(jù)量為16,學(xué)習(xí)率為0.000 5。第50次以后訓(xùn)練進(jìn)入解凍訓(xùn)練階段,批數(shù)據(jù)量減半,學(xué)習(xí)率降為0.000 1。其中學(xué)習(xí)率下降以驗(yàn)證損失為標(biāo)準(zhǔn),當(dāng)驗(yàn)證損失經(jīng)過(guò)3次訓(xùn)練不下降,學(xué)習(xí)率減半。訓(xùn)練使用自適應(yīng)矩估計(jì)優(yōu)化器,β1=0.900,β2=0.999。Adam優(yōu)化器可預(yù)防學(xué)習(xí)步長(zhǎng)過(guò)小導(dǎo)致模型收斂緩慢的問(wèn)題。

    2.4 模型性能評(píng)價(jià)指標(biāo)

    由于果面缺陷目標(biāo)檢測(cè)模型在實(shí)際應(yīng)用中需要平衡實(shí)時(shí)性和精準(zhǔn)性,因此試驗(yàn)中模型性能的優(yōu)劣以這2個(gè)性能為衡量標(biāo)準(zhǔn)。每秒幀數(shù)(FPS)可表示模型對(duì)果面缺陷冬棗檢測(cè)的實(shí)時(shí)性,平均精度(AP)可表示模型對(duì)各類(lèi)冬棗檢測(cè)的精準(zhǔn)性,mAP可表示模型對(duì)4類(lèi)冬棗的整體檢測(cè)精準(zhǔn)性。因此本研究將FPS、AP和mAP作為評(píng)價(jià)指標(biāo)。

    計(jì)算AP需求得精度(p)和召回率(r),p和r計(jì)算公式如公式(7)和公式(8)所示。

    p=TPTP+FP(7)

    r=TPTP+FN(8)

    式中TP表示分類(lèi)正確的正樣本數(shù),F(xiàn)P表示分類(lèi)錯(cuò)誤的正樣本數(shù),F(xiàn)N表示分類(lèi)錯(cuò)誤的負(fù)樣本數(shù)。

    AP和mAP的計(jì)算公式如公式(9)和公式(10)所示。

    AP=∫10p(r)dr(9)

    mAP=∑ni=1AP(i)n(10)

    式中n表示冬棗果面類(lèi)別數(shù),故n=4;AP(i)表示第i類(lèi)冬棗果面的平均精度。

    3 結(jié)果與分析

    3.1 不同主干網(wǎng)絡(luò)對(duì)模型性能的影響

    為了分析MobileNetV3對(duì)模型檢測(cè)冬棗果面缺陷速度的影響,本研究對(duì)SSD分別搭配VGG16和MobileNetV3的性能進(jìn)行比較試驗(yàn)。由表1可知,當(dāng)主干網(wǎng)絡(luò)由VGG16更換為MobileNetV3后,模型計(jì)算量減少了43.16 MFLOPs。龐大計(jì)算量的減少優(yōu)化了模型性能,mAP僅損失1.98%,F(xiàn)PS獲得81.22%的提升,達(dá)到41.30。因此將MobileNetV3作為主干網(wǎng)絡(luò)可為果面缺陷冬棗實(shí)時(shí)檢測(cè)模型的實(shí)際應(yīng)用奠定基礎(chǔ)。

    3.2 不同尺寸感受野對(duì)模型性能的影響

    為了分析應(yīng)用多尺寸感受野對(duì)模型分類(lèi)冬棗果面缺陷精度的影響,并避免MobileNetV3作為主干網(wǎng)絡(luò)對(duì)試驗(yàn)的干擾,本研究對(duì)VGG16-SSD的引入是否改進(jìn)RFB的性能進(jìn)行試驗(yàn),即試驗(yàn)SSD分別應(yīng)用多尺寸感受野和單尺寸感受野對(duì)模型性能的影響。試驗(yàn)結(jié)果如表2所示,改進(jìn)的RFB后,模型對(duì)正常冬棗、蟲(chóng)蛀冬棗、輪紋冬棗和木質(zhì)化冬棗的AP分別提升了0.39、2.23、2.06、1.32個(gè)百分點(diǎn),mAP提升了1.50個(gè)百分點(diǎn)。同時(shí)改進(jìn)的RFB為輕量級(jí)卷積塊,將其引入模型后,模型計(jì)算量?jī)H增加2.75%,F(xiàn)PS僅下降3.20%,說(shuō)明模型的實(shí)時(shí)性基本不受影響。

    此外多尺寸感受野的應(yīng)用對(duì)于正常冬棗的分類(lèi)精度提高不明顯,原因是相對(duì)于果面缺陷冬棗,正常冬棗的果面不存在多尺寸果面特征,因此多尺寸感受野更適用于提取不同尺寸的冬棗果面缺陷特征。

    如圖9所示,應(yīng)用單尺寸感受野的模型忽略了果面上存在小尺寸輪紋的冬棗,導(dǎo)致分類(lèi)錯(cuò)誤。而應(yīng)用多尺寸感受野的模型可以從多個(gè)尺寸提取冬棗果面缺陷特征,因此對(duì)果面上存在不同尺寸缺陷的冬棗分類(lèi)無(wú)誤。

    3.3 不同注意力模塊對(duì)模型性能的影響

    為了分析應(yīng)用空間注意力機(jī)制對(duì)模型定位冬棗果面缺陷精度的影響,本研究對(duì)MobileNetV3-SSD使用不同注意力模塊進(jìn)行比較試驗(yàn)。試驗(yàn)結(jié)果(表3)表明,當(dāng)注意力模塊由SE更換為SAM后,模型對(duì)正常冬棗、蟲(chóng)蛀冬棗、輪紋冬棗和木質(zhì)化冬棗的AP分別提升了2.63、2.27、3.34、3.18個(gè)百分點(diǎn),mAP提升了2.85個(gè)百分點(diǎn)。同時(shí)由于刪減掉CBAM中屬于通道注意力機(jī)制的CAM,僅將SAM引入模型,模型計(jì)算量降低了42.58%,F(xiàn)PS提升了3.70%。

    模型對(duì)正常冬棗的AP提升的原因是正常冬棗的果面特征單一且分布規(guī)律,易被模型定位,因此SAM可提高模型定位正常冬棗的精度。

    如圖10所示,應(yīng)用通道注意力模塊的模型無(wú)法定位輪紋特征,導(dǎo)致輪紋冬棗定位不準(zhǔn)確。而應(yīng)用空間注意力模塊的模型具備定位輪紋特征的能力,因此對(duì)輪紋冬棗定位無(wú)誤。

    3.4 不同改進(jìn)組合對(duì)模型性能的影響

    本研究分別從主干網(wǎng)絡(luò)、感受野尺寸以及注意力模塊3個(gè)方面對(duì)SSD進(jìn)行改進(jìn)。SSD為表4中的模型1。在上述試驗(yàn)中不同改進(jìn)單獨(dú)與SSD的組合分別記作表4中的模型2至模型4。如表5所示,模型1~模型4 4個(gè)模型的性能較好,為了分析所有改進(jìn)與SSD組合對(duì)模型的影響,本研究將所有改進(jìn)與SSD組成的模型記作模型5,并與其他4個(gè)模型進(jìn)行性能比較試驗(yàn)。

    由表5可知,模型5表現(xiàn)出眾,該模型以MobileNetV3為主干網(wǎng)絡(luò),同時(shí)引入改進(jìn)RFB并選擇SAM取代SE完成組合。在實(shí)時(shí)性上,模型5的FPS達(dá)40.85,僅與檢測(cè)速度最快的模型4相差1.98。在精準(zhǔn)性上,模型5的mAP位列各模型之首,達(dá)到91.89%。模型5有效平衡了模型的實(shí)時(shí)性與精準(zhǔn)性之間的關(guān)系,足見(jiàn)所有改進(jìn)共同作用的有效性,因此本研究將表現(xiàn)最優(yōu)的模型5作為本研究提出的冬棗果面缺陷實(shí)時(shí)檢測(cè)模型。

    圖11為本研究模型在測(cè)試集上的表現(xiàn)。

    3.5 本研究模型與目前先進(jìn)目標(biāo)檢測(cè)網(wǎng)絡(luò)性能對(duì)比

    為了分析本研究模型的性能,本研究將所提出的模型與目前先進(jìn)的目標(biāo)檢測(cè)網(wǎng)絡(luò)RetinaNet和EfficientDet-D0在果面缺陷冬棗數(shù)據(jù)集上進(jìn)行比較試驗(yàn)。為保證比較試驗(yàn)的可靠性,2種比較模型均按本研究模型訓(xùn)練方式進(jìn)行訓(xùn)練。由表6可知,本研究模型的mAP和FPS均排在首位,其中比EfficientDet-D0的mAP和FPS分別高出3.65個(gè)百分點(diǎn)和7.15。經(jīng)分析,EfficientDet-D0采用雙向特征金字塔網(wǎng)絡(luò)(BiFPN)結(jié)合特征加權(quán)策略,這有利于模型重視與冬棗果面缺陷尺寸相符的特征,忽略冗余特征,EfficientDet-D0的性能略?xún)?yōu)于RetinaNet[27]。

    從圖12可知,各模型在訓(xùn)練過(guò)程中收斂迅速,且驗(yàn)證損失均在第70次訓(xùn)練中便趨于穩(wěn)定,這得益于遷移學(xué)習(xí)策略和Adam優(yōu)化器的應(yīng)用。同時(shí)由于訓(xùn)練中使用凍結(jié)訓(xùn)練策略,各模型訓(xùn)練趨于穩(wěn)定時(shí)驗(yàn)證損失與訓(xùn)練損失相近,第100次訓(xùn)練的驗(yàn)證損失均低于訓(xùn)練損失,未出現(xiàn)過(guò)擬合現(xiàn)象。

    4 結(jié)論

    本研究針對(duì)實(shí)時(shí)檢測(cè)在果面缺陷冬棗分揀中的重要性以及果面缺陷尺寸不一、分布隨機(jī)影響檢測(cè)精度的問(wèn)題,對(duì)SSD進(jìn)行改進(jìn):SSD通過(guò)搭配MobileNetV3,從檢測(cè)速度方面提高本研究模型的實(shí)時(shí)性;SSD通過(guò)引入改進(jìn)RFB和SAM從分類(lèi)和定位兩方面提高本研究模型的精準(zhǔn)性。通過(guò)對(duì)比試驗(yàn),本研究模型的有效性得到驗(yàn)證,mAP達(dá)到91.89%,F(xiàn)PS達(dá)到40.85。在組合不同改進(jìn)的模型中,本研究模型平衡實(shí)時(shí)性和精準(zhǔn)性的能力最強(qiáng)。在與目前先進(jìn)目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的對(duì)比中,本研究模型比EfficientDet-D0的mAP和FPS分別高出3.65個(gè)百分點(diǎn)和7.15,比RetinaNet的mAP和FPS分別高出4.52個(gè)百分點(diǎn)和12.75 。因此本研究模型可以為果面缺陷冬棗實(shí)時(shí)檢測(cè)提供技術(shù)支持。經(jīng)實(shí)測(cè),本研究模型 1 h分揀量可達(dá)4 t。

    參考文獻(xiàn):

    [1] 王春煥,王 瑩,張夢(mèng)輝. 大荔縣冬棗產(chǎn)業(yè)發(fā)展建議[J].陜西林業(yè)科技,2021,49(2):97-99.

    [2] 侯鵬帥,劉玉樂(lè),宋 欣,等. 基于智能視覺(jué)識(shí)別的冬棗分選檢測(cè)系統(tǒng)設(shè)計(jì)[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2020,41(3):109-114.

    [3] GENG L,XU W,ZHANG F,et al. Dried jujube classification based on a double branch deep fusion convolution neural network[J].Japanese Society for Food Science and Technology,2018,24(6):1007-1015.

    [4] NTURAMBIRWE J F I, OPARA U L. Machine learning applications to non-destructive defect detection in horticultural products[J].Biosystems Engineering,2020,189:60-83.

    [5] BHARGAVA A, BANSAL A. Fruits and vegetables quality evaluation using computer vision: a review[J].Journal of King Saud University-Computer and Information Sciences,2021,33(3):243-257.

    [6] LU Y, LU R. Development of a multispectral structured illumination reflectance imaging (SIRI) system and its application to bruise detection of apples[J].Transactions of the ASABE,2017,60(4):1379-1389.

    [7] 孫世鵬,彭 俊,李 瑞,等. 基于近紅外高光譜圖像的冬棗損傷早期檢測(cè)[J].食品科學(xué),2017,38(2):301-305.

    [8] JU J, ZHENG H, XU X,et al. Classification of jujube defects in small data sets based on transfer learning[DB/OL].(2021-01-30)[2022-01-15].https://link.springer.com/article/10.1007/s00521-021-05715-2.

    [9] 薛 勇,王立揚(yáng),張 瑜,等. 基于GoogLeNet深度遷移學(xué)習(xí)的蘋(píng)果缺陷檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(7):30-35.

    [10]費(fèi)琦琪,施 杰,夏 敏,等. 基于CNN的冰糖橙分級(jí)系統(tǒng)[J].江蘇農(nóng)業(yè)學(xué)報(bào),2020,36(2):513-519.

    [11]李小占,馬本學(xué),喻國(guó)威,等. 基于深度學(xué)習(xí)與圖像處理的哈密瓜表面缺陷檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2021,37(1):223-232.

    [12]LIU W, ANGUELOV D, ERHAN D, et al.SSD: single shot multibox detector[M]. Amsterdam,The Netherlands:Proceedings of the European Conference on Computer Vision,2016.

    [13]徐先峰,趙萬(wàn)福,鄒浩泉,等. 基于MobileNet-SSD的安全帽佩戴檢測(cè)方法[J].計(jì)算機(jī)工程,2021,47(10):298-305,313.

    [14]HOWARD A, SANDLER M, CHU G, et al. Searching for mobilenetv3[M]. Soual,Korea:International Conference on Computer Vision,2019.

    [15]CHOLLET F. Xception: deep learning with depthwise separable convolutions[M]. Hawaii,United States:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017.

    [16]黃林生,羅耀武,楊小冬,等. 基于注意力機(jī)制和多尺度殘差網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(10):264-271.

    [17]王春山,周 冀,吳華瑞,等. 改進(jìn)Multi-scale ResNet的蔬菜葉部病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2020,36(20):209-217.

    [18]LIU S, HUANG D, WANG Y. Receptive field block net for accurate and fast object detection[M]. Munich,Germany:Proceedings of the European Conference on Computer Vision,2018.

    [19]WANDELL B, WINAWER J. Computational neuroimaging and population receptive fields[J].Trends in Cognitive Sciences,2015,19(6):349-357.

    [20]HU J, SHEN L, SUN G, et al. Squeeze-and-excitation networks[M]. Salt Lake City,United States:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018.

    [21]高欽泉,黃炳城,劉文哲,等. 基于改進(jìn)CenterNet的竹條表面缺陷檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2021,41(7):1933-1938.

    [22]WOO S, PARK J, LEE J, et al. CBAM: convolutional block attention module[M]. Munich,Germany:Proceedings of the European Conference on Computer Vision,2018.

    [23]CHEN L, ZHANG H, XIAO J, et al. SCA-CNN: spatial and channel-wise attention in convolutional networks for image captioning[M]. Hawaii,United States:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2017.

    [24]ZAGORUYKO S, KOMODAKIS N. Paying more attention to attention: improving the performance of convolutional neural networks via attention transfer[M]. Paris,F(xiàn)rance:International Conference on Learning Representations,2017.

    [25]TSUCHIYA H, FUKUI S, IWAHORI Y, et al. A method of data augmentation for classifying road damage considering influence on classification accuracy[J].Procedia Computer Science,2019,159:1449-1458.

    [26]余小東,楊孟輯,張海清,等. 基于遷移學(xué)習(xí)的農(nóng)作物病蟲(chóng)害檢測(cè)方法研究與應(yīng)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(10):252-258.

    [27]TAN M , PANG R , LE Q V. EfficientDet: scalable and efficient object detection[M]. Virtual:Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2020.

    (責(zé)任編輯:陳海霞)

    2707500783266

    猜你喜歡
    冬棗
    庫(kù)爾勒冬棗
    餐飲世界(2023年8期)2023-09-16 22:55:17
    冬棗陸地栽植技術(shù)管理
    “反季”的冬棗——轉(zhuǎn)季的背后是轉(zhuǎn)型
    山西冬棗出口荷蘭
    冬棗深加工 延伸產(chǎn)業(yè)鏈
    “智耕牛”指尖“種”冬棗
    一種鋸齒狀冬棗采摘裝置
    電子制作(2019年10期)2019-06-17 11:45:22
    葉面施鈣對(duì)冬棗品質(zhì)的影響
    北方冬棗無(wú)公害栽培管理技術(shù)
    優(yōu)質(zhì)冬棗周年管理工作歷
    观看美女的网站| 国产精品99久久99久久久不卡 | 男女下面插进去视频免费观看 | 久久精品久久久久久久性| 中文字幕精品免费在线观看视频 | 国产麻豆69| 最黄视频免费看| 最近最新中文字幕免费大全7| 国产视频首页在线观看| 春色校园在线视频观看| 成年av动漫网址| 午夜福利乱码中文字幕| 国产在线视频一区二区| 91午夜精品亚洲一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品国产色婷婷电影| 欧美日韩国产mv在线观看视频| 一边摸一边做爽爽视频免费| 91成人精品电影| 伦精品一区二区三区| 香蕉丝袜av| 男人操女人黄网站| 成人毛片a级毛片在线播放| 亚洲国产精品一区二区三区在线| 成人国语在线视频| 日韩欧美精品免费久久| 18禁观看日本| 亚洲国产日韩一区二区| 亚洲美女黄色视频免费看| 欧美精品国产亚洲| 高清欧美精品videossex| 另类精品久久| 久久这里只有精品19| 99热6这里只有精品| 国产极品天堂在线| a级片在线免费高清观看视频| 久久人人97超碰香蕉20202| 精品第一国产精品| 激情五月婷婷亚洲| 国产视频首页在线观看| 成人无遮挡网站| 九色亚洲精品在线播放| 亚洲美女搞黄在线观看| 国产乱来视频区| 中文字幕免费在线视频6| 老熟女久久久| 久久国产精品男人的天堂亚洲 | 如日韩欧美国产精品一区二区三区| 亚洲欧洲国产日韩| 69精品国产乱码久久久| 亚洲精品视频女| freevideosex欧美| 国产黄色免费在线视频| 国产极品天堂在线| 性高湖久久久久久久久免费观看| 亚洲五月色婷婷综合| 五月天丁香电影| 热re99久久精品国产66热6| 日韩制服丝袜自拍偷拍| 80岁老熟妇乱子伦牲交| 久久久久久久久久久免费av| 一级,二级,三级黄色视频| 亚洲av成人精品一二三区| 最近最新中文字幕免费大全7| 免费在线观看黄色视频的| 成人手机av| av福利片在线| 男女边吃奶边做爰视频| 久久韩国三级中文字幕| 狂野欧美激情性bbbbbb| 亚洲av在线观看美女高潮| 蜜桃在线观看..| 亚洲经典国产精华液单| 日韩av不卡免费在线播放| 人人妻人人澡人人看| 国产亚洲午夜精品一区二区久久| 丰满迷人的少妇在线观看| 亚洲av电影在线观看一区二区三区| 美女xxoo啪啪120秒动态图| 午夜91福利影院| 国产亚洲一区二区精品| 久久国产精品男人的天堂亚洲 | 黑人猛操日本美女一级片| 两个人看的免费小视频| 亚洲欧美清纯卡通| 97精品久久久久久久久久精品| 久久精品久久久久久久性| 高清毛片免费看| 国产高清三级在线| 国产av码专区亚洲av| 26uuu在线亚洲综合色| 日日摸夜夜添夜夜爱| 国产成人欧美| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 在线亚洲精品国产二区图片欧美| 99国产精品免费福利视频| 在线观看免费日韩欧美大片| 丰满迷人的少妇在线观看| 黄网站色视频无遮挡免费观看| 亚洲人成网站在线观看播放| 22中文网久久字幕| 国产国拍精品亚洲av在线观看| 国内精品宾馆在线| 国产免费又黄又爽又色| 日本-黄色视频高清免费观看| 黑人高潮一二区| 国产精品久久久久成人av| 免费黄频网站在线观看国产| 中文字幕人妻丝袜制服| 国产精品国产三级国产av玫瑰| 春色校园在线视频观看| 亚洲欧美色中文字幕在线| 国产成人精品久久久久久| 精品一区二区免费观看| 99久久综合免费| 精品人妻一区二区三区麻豆| 久久国产精品大桥未久av| 美女国产视频在线观看| 99九九在线精品视频| 欧美成人午夜免费资源| 国产av精品麻豆| 少妇的丰满在线观看| 在现免费观看毛片| 久久国产精品男人的天堂亚洲 | 黄色 视频免费看| 欧美+日韩+精品| 亚洲色图 男人天堂 中文字幕 | 午夜免费男女啪啪视频观看| 国产极品天堂在线| 综合色丁香网| 国产欧美日韩一区二区三区在线| 国产在线视频一区二区| 午夜91福利影院| 人妻系列 视频| 国产不卡av网站在线观看| av播播在线观看一区| 欧美性感艳星| 最近2019中文字幕mv第一页| 日韩电影二区| 亚洲精品乱码久久久久久按摩| 中国国产av一级| 婷婷成人精品国产| 国产成人精品在线电影| 七月丁香在线播放| 国产精品熟女久久久久浪| 成年女人在线观看亚洲视频| 亚洲av日韩在线播放| 男人操女人黄网站| 免费观看性生交大片5| 亚洲精品日本国产第一区| 午夜精品国产一区二区电影| 人人妻人人澡人人爽人人夜夜| 七月丁香在线播放| 亚洲精品日本国产第一区| 成人午夜精彩视频在线观看| 91aial.com中文字幕在线观看| 91精品国产国语对白视频| 91成人精品电影| 亚洲av欧美aⅴ国产| 中国国产av一级| 天天躁夜夜躁狠狠躁躁| 熟女电影av网| 亚洲内射少妇av| 国产69精品久久久久777片| 日韩熟女老妇一区二区性免费视频| av片东京热男人的天堂| 水蜜桃什么品种好| a级片在线免费高清观看视频| 国产欧美日韩综合在线一区二区| 2021少妇久久久久久久久久久| 久久精品aⅴ一区二区三区四区 | 亚洲美女视频黄频| 婷婷色综合www| 亚洲人成网站在线观看播放| 免费观看a级毛片全部| 美国免费a级毛片| 日韩欧美一区视频在线观看| 久久99蜜桃精品久久| 精品卡一卡二卡四卡免费| 男女无遮挡免费网站观看| 国产精品成人在线| 久久精品国产综合久久久 | 亚洲精品久久午夜乱码| 国产乱人偷精品视频| 精品福利永久在线观看| 黄色怎么调成土黄色| av黄色大香蕉| 日韩av在线免费看完整版不卡| av国产精品久久久久影院| 国产亚洲av片在线观看秒播厂| 日韩人妻精品一区2区三区| 最近中文字幕高清免费大全6| 97在线人人人人妻| 91午夜精品亚洲一区二区三区| 国精品久久久久久国模美| 亚洲少妇的诱惑av| 久久久久久久久久久久大奶| 久久青草综合色| 老女人水多毛片| 亚洲av中文av极速乱| 国精品久久久久久国模美| 丝袜喷水一区| 国产精品国产三级专区第一集| 日日摸夜夜添夜夜爱| 久久婷婷青草| 最黄视频免费看| 在现免费观看毛片| 欧美激情国产日韩精品一区| 日本vs欧美在线观看视频| 久久精品夜色国产| 国产白丝娇喘喷水9色精品| 中文精品一卡2卡3卡4更新| 青春草国产在线视频| 国产免费现黄频在线看| 夫妻午夜视频| 久久久久久人妻| 成人毛片60女人毛片免费| 青青草视频在线视频观看| 男女午夜视频在线观看 | 亚洲国产成人一精品久久久| 国产熟女欧美一区二区| 中文字幕最新亚洲高清| 在线观看人妻少妇| 国产精品国产三级专区第一集| 亚洲婷婷狠狠爱综合网| 热99久久久久精品小说推荐| 亚洲伊人久久精品综合| 麻豆乱淫一区二区| 免费高清在线观看日韩| 久久ye,这里只有精品| 亚洲美女搞黄在线观看| 天天躁夜夜躁狠狠久久av| 男男h啪啪无遮挡| 久久久精品免费免费高清| 视频区图区小说| 一二三四在线观看免费中文在 | 视频中文字幕在线观看| 日本欧美视频一区| 五月伊人婷婷丁香| 曰老女人黄片| 90打野战视频偷拍视频| 成人影院久久| 新久久久久国产一级毛片| 亚洲精品,欧美精品| 我要看黄色一级片免费的| 久久精品国产亚洲av涩爱| 自拍欧美九色日韩亚洲蝌蚪91| 婷婷成人精品国产| 男女下面插进去视频免费观看 | 欧美xxⅹ黑人| av在线播放精品| 午夜福利乱码中文字幕| 日韩制服骚丝袜av| 黄网站色视频无遮挡免费观看| 欧美日韩一区二区视频在线观看视频在线| 久久热在线av| 国产精品久久久av美女十八| 国产精品一国产av| 人人澡人人妻人| 亚洲欧美色中文字幕在线| 一区在线观看完整版| 亚洲欧美中文字幕日韩二区| videosex国产| 久久ye,这里只有精品| 久久久a久久爽久久v久久| 一区在线观看完整版| a 毛片基地| 黑丝袜美女国产一区| 国产高清国产精品国产三级| 精品亚洲乱码少妇综合久久| 欧美日韩成人在线一区二区| 久久国内精品自在自线图片| 99国产精品免费福利视频| 亚洲欧洲日产国产| 国产色爽女视频免费观看| 免费在线观看黄色视频的| 狂野欧美激情性bbbbbb| 在线天堂最新版资源| 最近中文字幕高清免费大全6| 精品视频人人做人人爽| 最新中文字幕久久久久| 侵犯人妻中文字幕一二三四区| 亚洲精品视频女| 精品少妇内射三级| 亚洲性久久影院| 国产精品免费大片| 97在线人人人人妻| 日本色播在线视频| 国产精品久久久久久精品电影小说| 国产免费现黄频在线看| 午夜激情久久久久久久| 熟妇人妻不卡中文字幕| 欧美精品人与动牲交sv欧美| 国语对白做爰xxxⅹ性视频网站| 亚洲久久久国产精品| 亚洲av福利一区| 乱人伦中国视频| 街头女战士在线观看网站| 亚洲av免费高清在线观看| 伦理电影大哥的女人| 狂野欧美激情性xxxx在线观看| 免费黄频网站在线观看国产| 精品国产乱码久久久久久小说| 51国产日韩欧美| 肉色欧美久久久久久久蜜桃| 午夜免费鲁丝| 人妻 亚洲 视频| 亚洲综合色惰| a级毛色黄片| 精品人妻熟女毛片av久久网站| 在线观看三级黄色| 婷婷成人精品国产| 国产高清不卡午夜福利| 黑人欧美特级aaaaaa片| 两个人免费观看高清视频| 少妇的丰满在线观看| 欧美成人午夜免费资源| 日本色播在线视频| 国产日韩欧美视频二区| 亚洲av欧美aⅴ国产| 一本大道久久a久久精品| 国产成人精品福利久久| 亚洲情色 制服丝袜| 男女无遮挡免费网站观看| 亚洲av.av天堂| 亚洲精品国产av蜜桃| 亚洲天堂av无毛| 免费黄色在线免费观看| 寂寞人妻少妇视频99o| 王馨瑶露胸无遮挡在线观看| 国产在线视频一区二区| 两个人看的免费小视频| 考比视频在线观看| 国产亚洲欧美精品永久| 新久久久久国产一级毛片| 久久精品国产自在天天线| 丰满饥渴人妻一区二区三| 国产永久视频网站| 99久国产av精品国产电影| 亚洲av电影在线进入| 亚洲精品av麻豆狂野| 中国美白少妇内射xxxbb| 亚洲欧洲精品一区二区精品久久久 | 国产男人的电影天堂91| 国产亚洲av片在线观看秒播厂| 亚洲欧洲国产日韩| 18禁动态无遮挡网站| 香蕉国产在线看| 建设人人有责人人尽责人人享有的| 母亲3免费完整高清在线观看 | 性色av一级| 视频在线观看一区二区三区| 9热在线视频观看99| 午夜福利在线观看免费完整高清在| 精品国产国语对白av| av有码第一页| 亚洲精品av麻豆狂野| 亚洲精品美女久久久久99蜜臀 | 香蕉丝袜av| 好男人视频免费观看在线| 国产成人精品福利久久| 久久99热这里只频精品6学生| 赤兔流量卡办理| 国产亚洲欧美精品永久| 国产又爽黄色视频| 爱豆传媒免费全集在线观看| 亚洲伊人色综图| 日韩精品有码人妻一区| 中文字幕亚洲精品专区| 哪个播放器可以免费观看大片| 国产亚洲一区二区精品| 汤姆久久久久久久影院中文字幕| 一二三四在线观看免费中文在 | 我要看黄色一级片免费的| 国产男女超爽视频在线观看| av卡一久久| 亚洲中文av在线| 91在线精品国自产拍蜜月| 99re6热这里在线精品视频| 国产精品女同一区二区软件| 欧美老熟妇乱子伦牲交| 搡老乐熟女国产| 少妇的逼水好多| 国国产精品蜜臀av免费| 成人午夜精彩视频在线观看| 国产精品三级大全| 亚洲精品久久成人aⅴ小说| 久久久国产一区二区| 精品国产一区二区三区四区第35| 自拍欧美九色日韩亚洲蝌蚪91| 国产一区有黄有色的免费视频| 日本vs欧美在线观看视频| av线在线观看网站| 精品一区二区免费观看| 日日啪夜夜爽| 桃花免费在线播放| 午夜福利视频在线观看免费| 亚洲成国产人片在线观看| 一个人免费看片子| 各种免费的搞黄视频| 又黄又爽又刺激的免费视频.| 一本—道久久a久久精品蜜桃钙片| 极品少妇高潮喷水抽搐| 我的女老师完整版在线观看| 丝袜喷水一区| 国产精品人妻久久久影院| 天天影视国产精品| 国产国拍精品亚洲av在线观看| 国产淫语在线视频| 夫妻午夜视频| 熟女av电影| 精品少妇久久久久久888优播| 精品人妻熟女毛片av久久网站| 亚洲,一卡二卡三卡| 亚洲中文av在线| 大片免费播放器 马上看| 久久久国产精品麻豆| 国产成人a∨麻豆精品| videosex国产| 成人无遮挡网站| 美女脱内裤让男人舔精品视频| 春色校园在线视频观看| 高清黄色对白视频在线免费看| 精品一区二区三区视频在线| 久久久久久久久久久久大奶| 亚洲精品第二区| 只有这里有精品99| 婷婷色av中文字幕| av福利片在线| 久久精品国产亚洲av天美| 国产成人91sexporn| 亚洲少妇的诱惑av| av又黄又爽大尺度在线免费看| 美女中出高潮动态图| 色哟哟·www| 热99久久久久精品小说推荐| 亚洲情色 制服丝袜| 日韩,欧美,国产一区二区三区| 在线观看免费高清a一片| 欧美最新免费一区二区三区| 99久久精品国产国产毛片| 国产女主播在线喷水免费视频网站| 国产精品99久久99久久久不卡 | 国产精品 国内视频| 日韩一区二区三区影片| 免费观看a级毛片全部| 欧美成人午夜免费资源| 五月玫瑰六月丁香| 80岁老熟妇乱子伦牲交| 在线观看美女被高潮喷水网站| 国产一区二区三区综合在线观看 | 美女大奶头黄色视频| 久久人人爽人人片av| 国产 一区精品| 丝瓜视频免费看黄片| 一本—道久久a久久精品蜜桃钙片| 亚洲三级黄色毛片| 亚洲欧洲精品一区二区精品久久久 | 国产一级毛片在线| 国产黄频视频在线观看| 狠狠精品人妻久久久久久综合| 日韩不卡一区二区三区视频在线| av黄色大香蕉| 少妇的逼好多水| 欧美老熟妇乱子伦牲交| 久久97久久精品| 亚洲成色77777| 春色校园在线视频观看| 日韩一本色道免费dvd| 丰满饥渴人妻一区二区三| 99香蕉大伊视频| 新久久久久国产一级毛片| 国产精品人妻久久久影院| 久热这里只有精品99| 美女xxoo啪啪120秒动态图| 九草在线视频观看| 婷婷色综合www| 母亲3免费完整高清在线观看 | 极品少妇高潮喷水抽搐| 免费久久久久久久精品成人欧美视频 | 熟女电影av网| 曰老女人黄片| 亚洲精品,欧美精品| 亚洲国产成人一精品久久久| 一本—道久久a久久精品蜜桃钙片| 久久精品熟女亚洲av麻豆精品| 多毛熟女@视频| 国产探花极品一区二区| 欧美日韩国产mv在线观看视频| 国产免费福利视频在线观看| 日韩一区二区三区影片| 国产极品粉嫩免费观看在线| 久久久久久久亚洲中文字幕| 亚洲av电影在线观看一区二区三区| 国产一区二区激情短视频 | 乱码一卡2卡4卡精品| 欧美精品国产亚洲| 午夜福利,免费看| 美女内射精品一级片tv| 边亲边吃奶的免费视频| 成人二区视频| 色婷婷av一区二区三区视频| 亚洲丝袜综合中文字幕| 黄色怎么调成土黄色| 欧美日韩综合久久久久久| 曰老女人黄片| 一区在线观看完整版| 男女午夜视频在线观看 | 看免费成人av毛片| 高清欧美精品videossex| 亚洲精品自拍成人| 999精品在线视频| av免费在线看不卡| kizo精华| 一区二区三区乱码不卡18| a级毛片在线看网站| 男人舔女人的私密视频| 久久久国产一区二区| 在线精品无人区一区二区三| 国内精品宾馆在线| 香蕉国产在线看| 在线观看人妻少妇| 在线观看国产h片| 国产成人精品在线电影| 国产成人aa在线观看| 视频区图区小说| 成年动漫av网址| 国产av国产精品国产| 男女免费视频国产| 999精品在线视频| xxx大片免费视频| 欧美+日韩+精品| 人妻人人澡人人爽人人| 欧美亚洲 丝袜 人妻 在线| 国产乱人偷精品视频| 久久久精品94久久精品| 女性生殖器流出的白浆| 国产 精品1| 26uuu在线亚洲综合色| 美女中出高潮动态图| 久久99热这里只频精品6学生| 日本黄大片高清| 999精品在线视频| 亚洲精品色激情综合| 深夜精品福利| av不卡在线播放| 如日韩欧美国产精品一区二区三区| 午夜影院在线不卡| 最近中文字幕高清免费大全6| 国产福利在线免费观看视频| 狠狠精品人妻久久久久久综合| 日本猛色少妇xxxxx猛交久久| 国产成人精品福利久久| 女性被躁到高潮视频| 久久精品国产自在天天线| 精品人妻在线不人妻| 午夜福利视频精品| 视频在线观看一区二区三区| 国产亚洲av片在线观看秒播厂| 国产综合精华液| 永久网站在线| 午夜精品国产一区二区电影| 激情五月婷婷亚洲| 熟女电影av网| 美女视频免费永久观看网站| 国产激情久久老熟女| 人人妻人人澡人人爽人人夜夜| 韩国av在线不卡| 一本色道久久久久久精品综合| 免费看光身美女| 9热在线视频观看99| 亚洲国产av影院在线观看| 欧美老熟妇乱子伦牲交| 欧美国产精品va在线观看不卡| 精品国产乱码久久久久久小说| 考比视频在线观看| 日韩免费高清中文字幕av| 波多野结衣一区麻豆| 在线观看免费视频网站a站| 好男人视频免费观看在线| 国产黄频视频在线观看| 精品一区二区三卡| 99久久综合免费| 91国产中文字幕| 久久狼人影院| 美女内射精品一级片tv| 中文欧美无线码| 日韩电影二区| 久久精品国产综合久久久 | 老女人水多毛片| 亚洲 欧美一区二区三区| 91午夜精品亚洲一区二区三区| 涩涩av久久男人的天堂| xxxhd国产人妻xxx| 亚洲精品乱码久久久久久按摩| 久久久a久久爽久久v久久| 久久97久久精品| 这个男人来自地球电影免费观看 | 久久精品国产鲁丝片午夜精品| 久久综合国产亚洲精品| av网站免费在线观看视频| 男女午夜视频在线观看 | 亚洲第一区二区三区不卡| 狠狠精品人妻久久久久久综合| 久久午夜综合久久蜜桃| 高清黄色对白视频在线免费看| 亚洲av在线观看美女高潮| 综合色丁香网| 日韩av不卡免费在线播放| 国产精品麻豆人妻色哟哟久久| 国产1区2区3区精品| 在线观看免费日韩欧美大片| 成年女人在线观看亚洲视频| 最后的刺客免费高清国语| 婷婷色综合大香蕉|