• <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 ?

    溫室甜瓜自動(dòng)采摘系統(tǒng)目標(biāo)檢測(cè)模型及空間定位研究

    2022-04-30 04:02:58趙華民LAWALOlarewaju許德芳
    廣東農(nóng)業(yè)科學(xué) 2022年3期
    關(guān)鍵詞:網(wǎng)絡(luò)結(jié)構(gòu)甜瓜攝像頭

    趙華民,LAWAL Olarewaju,許德芳

    (1.山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院,山西 太谷 030801;2.呂梁學(xué)院經(jīng)濟(jì)管理系,山西 呂梁 033001)

    【研究意義】甜瓜(Cucumis meloL.)在我國(guó)種植廣泛,是一種深受大眾喜愛(ài)的夏季水果[1]。目前甜瓜以溫室種植較多,其成熟期溫室內(nèi)溫濕度較高,且藤蔓及果實(shí)上遍布絨毛,人工采摘環(huán)境較差[2]。隨著智能農(nóng)機(jī)迅速發(fā)展,采摘機(jī)器人成為研究熱點(diǎn)。采摘機(jī)器人作業(yè)的首要步驟是快速準(zhǔn)確地對(duì)目標(biāo)進(jìn)行識(shí)別和定位。甜瓜采收期枝葉繁茂,目標(biāo)果實(shí)大多被葉片和藤蔓遮擋,溫室內(nèi)光照變化等對(duì)甜瓜 的自動(dòng)化采摘目標(biāo)識(shí)別帶來(lái)很大挑戰(zhàn)。建立YOLOResNet70 模型,使甜瓜在光照變化和葉片藤蔓遮擋嚴(yán)重情況下自動(dòng)采摘快速識(shí)別,并結(jié)合RGB-D 視覺(jué)傳感器實(shí)現(xiàn)目標(biāo)的空間定位具有重要意義。

    【前人研究進(jìn)展】基于機(jī)器視覺(jué)的目標(biāo)檢測(cè)和識(shí)別技術(shù)近年來(lái)發(fā)展迅速,深度學(xué)習(xí)的突破性進(jìn)展為計(jì)算機(jī)視覺(jué)技術(shù)在農(nóng)業(yè)視覺(jué)任務(wù)中的應(yīng)用鋪平道路[3-5],如卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以自動(dòng)直接從輸入圖像中提取復(fù)雜特征[6]。目前常用的目標(biāo)檢測(cè)網(wǎng)絡(luò)分為以Faster R-CNN 為代表的Two-stage 檢測(cè)網(wǎng)絡(luò)和以YOLO 為代表的Onestage 兩 種。Inkyu 等[7]采 用Faster R-CNN 對(duì) 哈密瓜等水果的RGB 圖像和近紅外信號(hào)進(jìn)行混合檢測(cè),取得良好的檢測(cè)效果,F(xiàn)1值達(dá)到84.8%,但是對(duì)于小目標(biāo)的檢測(cè)速度需要提升。Bargoti等[8]同樣基于Faster R-CNN 方法研究果園水果檢測(cè),F(xiàn)1值超過(guò)90%,但對(duì)密集型水果的檢測(cè)有遺漏。雖然Two-stage 檢測(cè)方法效果較好,但是相比One-stage 檢測(cè)方法,其速度遠(yuǎn)不能滿(mǎn)足移動(dòng)設(shè)備的需求。YOLOv3 是最流行的One-stage 目標(biāo)檢測(cè)方法之一,與Two-stage 的目標(biāo)檢測(cè)方法相比,其可在一個(gè)網(wǎng)絡(luò)中直接預(yù)測(cè)目標(biāo)的邊界及其相應(yīng)類(lèi)別,速度大幅提升[9]。YOLOv3 使用DarkNet53(1,2,8,8,4殘差塊排列方式)為主干網(wǎng)絡(luò),并在3 個(gè)不同尺度上預(yù)測(cè)對(duì)象〔類(lèi)似于特征金字塔網(wǎng)絡(luò)(FPN)[10]〕,其改進(jìn)版為YOLOv4。YOLOv4 的AP 比YOLOv3 和檢測(cè)速度(FPS,幀/s)分別提高10%和12%,由CSPDarknet53 主干網(wǎng)、空間金字塔池化(SPP)[11]、作為Neck的路徑聚合網(wǎng)絡(luò)(PANet)和YOLOv3 頭部組成。CSPDarknet53 主干網(wǎng)通過(guò)Mish 增強(qiáng)CNN 的學(xué)習(xí)能力[12]。在不降低網(wǎng)絡(luò)運(yùn)行速度的前提下,加入SPP 可以顯著增加接收野,分離出最重要的上下文特征。在YOLOv4 中,PANet 代替YOLOv3中使用的FPN來(lái)收集不同比例的特征。Jocher等[13]提出的YOLOv5 采用CSPNet 主干進(jìn)行特征提取,PANet 得到特征金字塔,YOLOv3 頭部進(jìn)行最終檢測(cè),比YOLOv4訓(xùn)練時(shí)間短,檢測(cè)速度大幅提升,但其精度較YOLOv4 稍差。目前部分學(xué)者已將YOLO 模型應(yīng)用于水果采摘目標(biāo)檢測(cè),如Koirala等[14]采用改進(jìn)的YOLOv3進(jìn)行芒果實(shí)時(shí)檢測(cè)研究,F(xiàn)1值達(dá)到96.8%,AP 達(dá)98.3%,但其速度只有14 FPS;Zheng 等[15]應(yīng)用深度學(xué)習(xí)在大量水果數(shù)據(jù)集上進(jìn)行分類(lèi)和目標(biāo)檢測(cè)研究,分類(lèi)準(zhǔn)確率達(dá)99%以上,檢測(cè)準(zhǔn)確率達(dá)92%以上,并且針對(duì)溫室端到端的檢測(cè)任務(wù),從速度、準(zhǔn)確性和魯棒性3 個(gè)方面對(duì)YOLOv3 網(wǎng)絡(luò)進(jìn)行了改進(jìn),其中針對(duì)甜瓜的檢測(cè)在速度為40 FPS 時(shí)AP 達(dá)到87.36%,但是其數(shù)據(jù)集針對(duì)的是沒(méi)有遮擋的甜瓜的檢測(cè)。Rahnemoonfar 等[16]提出一種改進(jìn)的inception-ResNet 網(wǎng)絡(luò)用于水果計(jì)數(shù),該方法對(duì)圖像的精度可以達(dá)到91%。另外,Liu 等[17]提出一種采用圓形邊界框代替矩形邊界框的YOLO-tomato 模型,該模型以YOLOv3 為主框架,采用DenseNet為主干網(wǎng)絡(luò),AP 達(dá)到93.91%,但由于其權(quán)重文件太大導(dǎo)致檢測(cè)速度過(guò)慢。Lawal 等[18]同樣提出基于YOLOv3 的西紅柿檢測(cè)模型,AP 可以達(dá)到99.3%。武星等[19]研究基于輕量化YOLOv3的蘋(píng)果檢測(cè)方法。在目標(biāo)空間定位研究方面,孫力等[20]研究了基于TOF 成像技術(shù)的柑橘實(shí)時(shí)識(shí)別與定位,自然生長(zhǎng)狀態(tài)下柑橘的識(shí)別正確率達(dá)86.7%。王玲等[21]研究了基于結(jié)構(gòu)光SR300 深度相機(jī)的褐蘑菇原位測(cè)量技術(shù)。馮青青等[22]、程偉[23]分別研究了采用結(jié)構(gòu)光視覺(jué)傳感器的果實(shí)定位技術(shù)。【本研究切入點(diǎn)】從以上研究可以發(fā)現(xiàn),對(duì)YOLO 模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行針對(duì)特定檢測(cè)目標(biāo)的優(yōu)化可以大幅度提高檢測(cè)精度,并且采用基于結(jié)構(gòu)光的深度攝像頭能夠?qū)崿F(xiàn)采摘目標(biāo)的空間定位。截至目前,很少學(xué)者對(duì)甜瓜的檢測(cè)進(jìn)行研究,特別是在葉片藤蔓遮擋嚴(yán)重情況下的檢測(cè)模型未見(jiàn)報(bào)道?!緮M解決的關(guān)鍵問(wèn)題】本研究基于改進(jìn)的YOLOv3 模型,提出一種魯棒性好、精度高、速度快的YOLOResNet70 模型用于溫室復(fù)雜光照和枝葉遮擋情況下的甜瓜檢測(cè),并且研究將模型與結(jié)構(gòu)光傳感器融合實(shí)現(xiàn)甜瓜空間定位的算法,為甜瓜采摘機(jī)器人的研究提供理論和技術(shù)支持。

    1 材料與方法

    1.1 數(shù)據(jù)集建立及訓(xùn)練平臺(tái)

    數(shù)據(jù)集圖像采自山西省太谷縣侯城鄉(xiāng)侯城村甜瓜種植溫室。采用華為Mate10pro 拍攝,分辨率為3 968×2 976。選擇不同光照強(qiáng)度、不同時(shí)段進(jìn)行拍照,以保證數(shù)據(jù)集更具有隨機(jī)性,訓(xùn)練模型對(duì)光照魯棒性更好。圖1 展示了不同情況下的數(shù)據(jù)集圖像,共810 張,分別按照75%、15%、10%劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。采用labelImg 標(biāo)注成YOLO 格式的數(shù)據(jù)集[24],類(lèi)別為一個(gè)甜瓜類(lèi),共得到2 562 個(gè)目標(biāo)邊界框,標(biāo)注后的數(shù)據(jù)集圖像如圖2 所示。模型訓(xùn)練和測(cè)試采用的計(jì)算機(jī)配置如下:AMD Ryzen 5 3600x CPU,32 GB RAM,NVIDIA GeForce GTX 1080Ti GPU,CUDA v10.2,cuDNN v7.6.5,OpenCV v4.2.0。YOLOv5 采用PyTorch 平臺(tái),其他模型在DarkNet 平臺(tái)上實(shí)現(xiàn)。

    圖1 不同光照和遮擋環(huán)境下的甜瓜Fig.1 Muskmelons under different illumination and occlusion

    圖2 LabelImg 標(biāo)注后的甜瓜數(shù)據(jù)集圖像Fig.2 Image of muskmelon data set after LabelImg annotation

    1.2 網(wǎng)絡(luò)優(yōu)化及測(cè)試

    One-stage 檢測(cè)模型一般由主干網(wǎng)絡(luò)(Backbone)、頸部(Neck)和頭部(Head)3部分網(wǎng)絡(luò)組成。主干網(wǎng)絡(luò)從輸入圖片中提取重要特征,頸部網(wǎng)絡(luò)生成特征金字塔來(lái)識(shí)別不同大小和尺度的同一目標(biāo),頭部網(wǎng)絡(luò)完成最終檢測(cè)。常用的主干網(wǎng)絡(luò)有VGG、ResNet、SqueezeNet、DenseNet 等,其中ResNet 是由He 等[25]提出。ResNet 引入如圖3 所示的快捷連接(Short cut),以解決CNN 層數(shù)增加時(shí)的網(wǎng)絡(luò)退化問(wèn)題,將1×1 卷積層添加到網(wǎng)絡(luò)的開(kāi)始和結(jié)束,從而減少網(wǎng)絡(luò)參數(shù),而不會(huì)降低網(wǎng)絡(luò)性能,其優(yōu)秀的性能使ResNet50 和ResNet101 等網(wǎng)絡(luò)在目標(biāo)檢測(cè)模型中得到廣泛應(yīng)用,本檢測(cè)網(wǎng)絡(luò)同樣采用ResNet的網(wǎng)絡(luò)結(jié)構(gòu)。頸部網(wǎng)絡(luò)FPN、BiFPN[26](Bidirectional feature pyramid network)、PANet 等 是不同類(lèi)型的特征金字塔技術(shù)。FPN 是一種簡(jiǎn)單有效、自頂向下的通道,PANet 提供自底向上的路徑,BiFPN 允許自頂向下和自底向上連接。研究表明,不同的主干網(wǎng)絡(luò)與頸部網(wǎng)絡(luò)搭配對(duì)檢測(cè)網(wǎng)絡(luò)的準(zhǔn)確率有很大影響[26],因此研究不同主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)的結(jié)合對(duì)探測(cè)器具有重要意義。不同的激活函數(shù)對(duì)網(wǎng)絡(luò)性能也有影響,目前最先進(jìn)的激活函數(shù)是Leaky ReLU 和Mish,同樣需要根據(jù)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。根據(jù)Huang 等[27]研究,SPP 是一個(gè)特征增強(qiáng)模塊,提取特征圖的主要信息并進(jìn)行拼接,該SPP 網(wǎng)絡(luò)有助于提取同一檢測(cè)階段的多尺度全局特征和局部特征,如果提取的特征圖形狀被模糊,目標(biāo)甜瓜的位置信息將變得不準(zhǔn)確甚至丟失。為避免漏檢和降低檢測(cè)精度,采用SPP 網(wǎng)絡(luò)。數(shù)據(jù)集中的甜瓜存在多個(gè)重合的情況,需要采用GreedyNMS 進(jìn)行候選框合并,從多個(gè)重疊候選框中選擇一個(gè)最佳候選框,因此將GreedyNMS 應(yīng)用到檢測(cè)網(wǎng)絡(luò)中。

    圖3 ResNet 網(wǎng)絡(luò)的Shortcut 鏈接結(jié)構(gòu)Fig.3 Shortcut link structure of the ResNet network

    主干網(wǎng)絡(luò)的選擇方面,首先根據(jù)DarkNet53殘差塊排列形式,結(jié)合ResNet 網(wǎng)絡(luò)結(jié)構(gòu),提出ResNet70 代替YOLOv3網(wǎng)絡(luò)的DarkNet53,網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。ResNet70 網(wǎng)絡(luò)的殘差塊的排列采用與DarkNet53 相同的1,2,8,8,4 布置形式,加上最后的全連接層共70 層。通過(guò)將ResNet 架構(gòu)引入檢測(cè)模型能夠訓(xùn)練更深入的網(wǎng)絡(luò),解決網(wǎng)絡(luò)退化問(wèn)題,加快網(wǎng)絡(luò)收斂速度,實(shí)現(xiàn)更深層次的網(wǎng)絡(luò)和豐富的信息特征提取。因?yàn)橹鞲删W(wǎng)絡(luò)為ResNet70,基于YOLOV3 進(jìn)行優(yōu)化,所以命名為YOLOResNet70。為提高檢測(cè)速度,YOLOResNet70 模型將YOLOv3 原有的6 個(gè)檢測(cè)層裁剪為4 層,并通過(guò)13×13、26×26、52×52 特征向量對(duì)3 個(gè)檢測(cè)尺度進(jìn)行反饋。在YOLOResNet70 中,使用FPN 作為Neck來(lái)獲得特征金字塔模型,Neck 接收了主干網(wǎng)絡(luò)生成的特征向量,使模型能更好地進(jìn)行對(duì)象縮放。為優(yōu)化網(wǎng)絡(luò)檢測(cè)性能,通過(guò)對(duì)比檢測(cè)模型的主干網(wǎng)絡(luò)、激活函數(shù)、SPP、頸部網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)來(lái)優(yōu)化最佳網(wǎng)絡(luò)結(jié)構(gòu),并與YOLOv3、YOLOv4、YOLOv5 進(jìn)行比較,訓(xùn)練和測(cè)試結(jié)果如表1 所示。

    圖4 YOLOResNet70 網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 YOLOResNet70 network structure

    表1 不同檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Network structure of different detection models

    模型錨框(Anchor)的大小是在模型訓(xùn)練前通過(guò)甜瓜數(shù)據(jù)集中計(jì)算得出。采用k 均值聚類(lèi)算法生成9個(gè)錨框,并根據(jù)檢測(cè)層的3 個(gè)尺度嵌入模型中。為改進(jìn)甜瓜檢測(cè)模型,將9 個(gè)錨框按第1 個(gè)尺度到第3 個(gè)尺度的降序分別分配到其他模型配置文件中。模型接收416×416 像素的輸入圖像,學(xué)習(xí)率為0.001,迭代數(shù)設(shè)置為4000;batch 和subdivision 分別設(shè)置為64 和32,以減少內(nèi)存使用;動(dòng)量和衰減分別設(shè)為0.9 和0.0005。YOLOv5使用auto-anchor 生成,訓(xùn)練300 個(gè)epoch,初始學(xué)習(xí)率為0.01,動(dòng)量為0.937,權(quán)重衰減為0.0005。同時(shí),使用隨機(jī)初始化方法初始化訓(xùn)練YOLOResNet70 和YOLOResNet50(主干網(wǎng)絡(luò)為ResNet50)模型的權(quán)值,使用官方預(yù)訓(xùn)練權(quán)值訓(xùn)練YOLOv3、YOLOv4 和YOLOv5 模型。

    模型性能采用精確率(Precision)、召回率(Recall)、F1分?jǐn)?shù)和AP(Average Precision)進(jìn)行評(píng)估。精確率是正確檢測(cè)到的甜瓜數(shù)量與檢測(cè)到的甜瓜總數(shù)量之比,召回率是正確檢測(cè)到的甜瓜數(shù)量與數(shù)據(jù)集中甜瓜總數(shù)量之比,F(xiàn)1分?jǐn)?shù)同時(shí)兼顧精確率和召回率,能顯示訓(xùn)練模型的綜合性能。各參數(shù)計(jì)算公式如下:

    式中,TP 為正確檢測(cè)甜瓜數(shù),F(xiàn)N 為漏檢甜瓜數(shù),F(xiàn)P 為錯(cuò)誤檢測(cè)甜瓜數(shù)。平均精度AP 描述了模型在不同置信閾值下的整體性能,定義如下式所示:

    2 結(jié)果與分析

    2.1 YOLOResNet70 優(yōu)化結(jié)果分析

    不同網(wǎng)絡(luò)結(jié)構(gòu)的YOLOResNet70 模型性能如表2 所示。通過(guò)更換模型的主干網(wǎng)絡(luò),SPP 等部分對(duì)比得出最佳的模型網(wǎng)絡(luò)結(jié)構(gòu)。由表2 可知,SPP 和PANet 兩部分網(wǎng)絡(luò)對(duì)模型的權(quán)重大小影響明顯,未添加SPP 的YOLOResNetA 和YOLOResNetC 的模型大小為164 MB,添加SPP的YOLOResNetB 和YOLOResNetD 的模型大小為188 MB;加 入PANet 的YOLOResNetE 和 加入BiFPN 的YOLOResNetF,其模型大小分別增加到227 MB 和223 MB,表明PANet 對(duì)模型尺寸的貢獻(xiàn)大于FPN 和BiFPN。表2 中幾種優(yōu)化下的模型交并比(IOU)均大于50%,表明模型預(yù)測(cè)結(jié)果較好,然而它們之間性能也有差異,使用SPP 的YOLOResNetB 和YOLOResNetC 模型相比較A 和D,其F1分?jǐn)?shù)分別從79%和84%上升到85%,說(shuō)明SPP[11]對(duì)模型性能提升作用明顯。SPP 網(wǎng)絡(luò)從ResNet70 骨干網(wǎng)中分離出最重要的特性。與YOLOResNetB 和YOLOResNetD 相比,YOLOResNetE 和YOLOResNetF 的F1評(píng)分最低,表明本模型FPN 比PANet 和BiFPN 對(duì)模型性能提升更有效。

    表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的YOLOResNet70 性能Table 2 YOLOResNet70 performance of different network structures

    由表2 可知,對(duì)比F1分?jǐn)?shù),YOLOResNetC和YOLOResNetD 的Mish 激活函數(shù)優(yōu)于YOLOResNetA 和YOLOResNetB 的Leaky 激活函數(shù),但在AP 指標(biāo)下Leaky 優(yōu)于Mish 激活函數(shù)。AP 被認(rèn)為比F1分?jǐn)?shù)更準(zhǔn)確,因?yàn)槠鋸娜诛@示精確率和召回率(P-R)關(guān)系。圖5 為6 個(gè)網(wǎng)絡(luò)將IOU 閾值設(shè)置為50%時(shí)的P-R 曲線,性能較好的模型其P-R 曲線應(yīng)具有較大的曲線下面積(AUC),因此YOLOResNetB 的性能優(yōu)于其他模型。

    圖5 不同網(wǎng)絡(luò)結(jié)構(gòu)的YOLOResNet70 網(wǎng)絡(luò)P-R 曲線Fig.5 P-R curves of YOLOResNet70 networks of different network structures

    模型的檢測(cè)速度以FPS 衡量,與權(quán)重文件的大小成反比,權(quán)重文件越大,檢測(cè)深度越慢。在沒(méi)有SPP 的情況下,YOLOResNetA 的64.9 FPS 和YOLOResNetC 的66.6 FPS 均比YOLOResNetB(61.8 FPS)、YOLOResNetD(62.1 FPS)、YoloResnetE(54.7 FPS) 和YOLOResNetF(49.3 FPS) 快,且?guī)в蠵ANet 的YOLOResNetE 的檢測(cè)速度比嵌入BiFPN 的YOLOResNetF 快。以速度指標(biāo)衡量時(shí),采用Mish 激活函數(shù)的模型比Leaky 激活的模型表現(xiàn)更好,表明在本模型中Leaky 激活對(duì)檢測(cè)精度有較好效果,Mish 激活函數(shù)對(duì)檢測(cè)速度有較好效果。此外,與文獻(xiàn)中FPN、PANet 和BiFPN 影響模型檢測(cè)性能[26]的結(jié)論不同,應(yīng)用FPN 的YOLOResNet70 模型其檢測(cè)性能優(yōu)于PANet 和BiFPN。綜合考慮AP 和檢測(cè)速度,由于YOLOResNetB 和YOLOResNetD 的AP 和FPS 差異分別為1.2%和-0.4%,因此得出YOLOResNetB模型為最佳模型,命名為YOLOResNet70,由Leaky 激活函數(shù)、SPP 網(wǎng)絡(luò)和FPN 組成。

    2.2 YOLOResNet70 與現(xiàn)有模型比較

    YOLOResNet70 與現(xiàn)有模型對(duì)甜瓜的檢測(cè)性能比較結(jié)果(表3、圖6)顯示,YOLOv5 權(quán)重文件最小、檢測(cè)速度最快,但其準(zhǔn)確性較低;YOLOv4 的AP 性能優(yōu)于YOLOv3、YOLOResNet70和YOLOv5,主要是由于CSPDarknet53 骨干網(wǎng)絡(luò)深度更深,但其檢測(cè)速度不如YOLOResNet70和YOLOv5。由表3 可知,在檢測(cè)速度方面,YOLOv5 系列中以YOLOv5s 最快,YOLOResNet50次 之,隨后是YOLOResNet70,YOLOResNet70比YOLOv3 和YOLOv4 約快14%。雖然YOLOv4在AP 方面大于YOLOResNet70,但兩者差異(1.6%)非常?。籝OLOResNet50 檢測(cè)速度較快,但AP 較YOLOv4 低5.1%。綜合檢測(cè)速度和AP,YOLOResNet70 檢測(cè)速度比YOLOv4 快14%,AP比YOLOv5 提升7.4%,擁有較好的檢測(cè)性能。從圖6 可以看出,YOLOv4 的P-R 曲線略?xún)?yōu)于YOLOResNet70,而YOLOResNet70 的P-R 曲 線優(yōu)于YOLOv3 和YOLOv5。

    表3 YOLOResNet70 及現(xiàn)有網(wǎng)絡(luò)的性能比較Table 3 Performance comparison between YOLOResNet70 and existing networks

    圖6 YOLOResNet70、YOLOv3、YOLOv4 和YOLOv5s 的P-R 曲線Fig.6 P-R curves of YOLOResNet70,YOLOv3,YOLOv4 and YOLOv5s

    2.3 模型魯棒性測(cè)試

    甜瓜檢測(cè)過(guò)程中葉片和藤蔓遮擋、光照變化會(huì)影響檢測(cè)結(jié)果的準(zhǔn)確性[18]。為驗(yàn)證YOLOResNet70 模型魯棒性,本研究從測(cè)試集中選取29 張?zhí)鸸蠄D片,其中包含葉片遮擋和藤蔓遮擋等情況的甜瓜共100 個(gè),并采用曝光增強(qiáng)和曝光減弱的方法進(jìn)行圖像增強(qiáng)[28],然后進(jìn)行測(cè)試,并與YOLOv3、YOLOv4 和YOLOv5s 檢測(cè)結(jié)果進(jìn)行對(duì)比,采用精度(Precision)、Rcall 和F1分?jǐn)?shù)進(jìn)行評(píng)價(jià)。

    由表4 可知,YOLOv3 漏檢個(gè)數(shù)為15 個(gè),而YOLOResNet70 是6 個(gè)、YOLOv4 為5 個(gè)、YOLOv5s 為8 個(gè),這是由于YOLOv3 模型中沒(méi)有SPP 網(wǎng)絡(luò),其F1分?jǐn)?shù)的排序也與前文相同。本節(jié)中測(cè)試圖片中的甜瓜大部分被葉片和藤蔓嚴(yán)重遮擋,因此對(duì)模型的檢測(cè)能力要求更高。圖7 中紅色橢圓標(biāo)出的甜瓜為YOLOResNet70 和YOLOv4漏檢的甜瓜,其被遮擋面積超過(guò)50%;藍(lán)色橢圓標(biāo)出的甜瓜被YOLOResNet70 檢測(cè)到,其他模型都未檢測(cè)到。

    圖7 YOLOResNet 70(A)和YOLOv4(B)模型漏檢甜瓜Fig.7 Muskmelon missed detection in YOLOResNet 70 and YOLOv4 models

    表4 未進(jìn)行圖像增強(qiáng)數(shù)據(jù)集檢測(cè)結(jié)果Table 4 Detection results of data sets without image enhancement

    經(jīng)數(shù)據(jù)增強(qiáng)后圖像的檢測(cè)結(jié)果見(jiàn)表5、表6。對(duì)比表5 結(jié)果,YOLOResNet70 的F1分?jǐn)?shù)在兩種情況下僅分別降低0.8、1.8 個(gè)百分點(diǎn),且F1值比YOLOv4 高0.5 個(gè)百分點(diǎn),表明其魯棒性良好;YOLOv3、YOLOv5 模型正確檢測(cè)個(gè)數(shù)下降明顯,表明其魯棒性稍差。圖8 為YOLOResNet70 模型檢測(cè)結(jié)果。YOLOResNet70 對(duì)數(shù)據(jù)增強(qiáng)后的部分圖像檢測(cè)結(jié)果如圖9 所示。

    表6 曝光降低后數(shù)據(jù)集檢測(cè)結(jié)果Table 6 Data set detection results after exposure reduction

    圖8 未增強(qiáng)數(shù)據(jù)集YOLOResNet70 檢測(cè)結(jié)果Fig.8 Detection results of YOLOResNet70 without enhanced data set

    圖9 曝光增強(qiáng)和降低后數(shù)據(jù)集YOLOResNet70 檢測(cè)結(jié)果Fig.9 Detection results of YOLOResNet70 with enhanced data set and reducted data set

    表5 曝光增強(qiáng)后數(shù)據(jù)集檢測(cè)結(jié)果Table 5 Data set detection results after exposure enhancement

    2.4 基于RealSense D435i 的甜瓜距離檢測(cè)

    通過(guò)采用YOLOResNet70 模型,得到甜瓜在圖像中的X 和Y 坐標(biāo),但如果需要機(jī)械手進(jìn)行采摘,還需獲取甜瓜的實(shí)際坐標(biāo),因此需要采用深度攝像頭與YOLO 算法進(jìn)行融合,將圖中的像素坐標(biāo)轉(zhuǎn)換為實(shí)際坐標(biāo),并且通過(guò)深度攝像頭的深度測(cè)量得到甜瓜距離攝像頭的實(shí)際距離(即Z 坐標(biāo))。本研究選擇基于結(jié)構(gòu)光原理的Intel RealSense D435i 作為測(cè)距攝像頭。Intel RealSense D435i 可以通過(guò)識(shí)別目標(biāo)的像素坐標(biāo)和深度值獲取目標(biāo)點(diǎn)的真實(shí)坐標(biāo),其具體原理如圖10 所示,其 中Target_xy_pixe l[x]、Target_xy_pixel[y]表示檢測(cè)物體在圖中的像素坐標(biāo),Target_xy_true[x]、Target_xy_true[y]表示被測(cè)物體的實(shí)際坐標(biāo),ppx、ppy 為相 機(jī)的基本內(nèi)部參數(shù),可以通過(guò)cvsprofile.get_intrinsics()命令獲取。坐標(biāo)計(jì)算公式如下:

    圖10 物體實(shí)際深度和實(shí)際坐標(biāo)計(jì)算示意圖Fig.10 Schematic diagram of actual depth and coordinate calculation

    式中,Target_xy_pixel[x]、Target_xy_pixel[y]可通過(guò)目標(biāo)檢測(cè)模型獲取,相機(jī)可以采用 get_distance(Target_xy_pixel[0]、Target_xy_pixel[y])計(jì)算得到物體的Target_depth,最后計(jì) 算Target_xy_true[x]、Target_xy_true[y],即可求出物體的實(shí)際X、Y、Z 坐標(biāo),以便后期通過(guò)機(jī)械臂進(jìn)行采摘。

    2.4.1 Intel RealSense D435i 距離檢測(cè)實(shí)驗(yàn) 根據(jù)前文原理分析,本研究通過(guò)將英特爾RealSense SDK2.0 的Python 包裝程序pyRealsense2 集成進(jìn)YOLO 測(cè)試程序,采用YOLOResNet70 模型進(jìn)行甜瓜實(shí)際距離檢測(cè)實(shí)驗(yàn),研究算法的可靠性。實(shí)驗(yàn)設(shè)備圖如圖11 所示,通過(guò)檢測(cè)程序控制深度攝像頭檢測(cè)掛在對(duì)面的仿真甜瓜及藤蔓,根據(jù)實(shí)際采摘機(jī)械臂長(zhǎng)度設(shè)置藤蔓距離攝像頭的距離500 mm 和700 mm。由于甜瓜藤蔓吊掛后,上面的甜瓜錯(cuò)落排列在不同平面上,因此通過(guò)移動(dòng)掛甜瓜藤的不銹鋼架來(lái)改變距離,測(cè)試兩種距離下攝像頭及算法的檢測(cè)準(zhǔn)確性和檢測(cè)能力。

    圖11 甜瓜深度距離測(cè)試實(shí)驗(yàn)設(shè)備Fig.11 Experimental equipment for measurement of muskmelon depth distance

    實(shí)驗(yàn)中首先將攝像頭紅外光線發(fā)射面與不銹鋼架距離500 mm,然后開(kāi)啟檢測(cè)程序,運(yùn)行后檢測(cè)截圖如圖12 所示。從圖12 可以看出,由于距離較近,攝像頭視野較小,只有3 個(gè)甜瓜在攝像頭視野內(nèi)并被成功識(shí)別;在檢測(cè)界面右下角,不斷輸出3 個(gè)檢測(cè)框中心像素的實(shí)際坐標(biāo)和實(shí)際距離。實(shí)際距離測(cè)量方式如圖13 所示,每個(gè)瓜的測(cè)量距離量距離為甜瓜預(yù)測(cè)框中心點(diǎn)到攝像頭紅外光發(fā)射面的垂直距離。

    圖12 仿真距離500 mm 時(shí)檢測(cè)截圖Fig.12 Detection screenshot at 500 mm of simulation distance

    圖13 實(shí)際距離測(cè)量示意圖Fig.13 Diagram of actual distance measurement

    從攝像頭距離支架500 mm 時(shí)的甜瓜檢測(cè)和距離測(cè)試結(jié)果(表7)可以看出,手動(dòng)測(cè)量距離與攝像頭測(cè)量的距離差距很小。表8 和圖14 為支架距離攝像頭700 mm 時(shí)檢測(cè)結(jié)果,由于甜瓜和藤蔓相對(duì)架子的平面凸出,因此檢測(cè)到的甜瓜距離比架子距離小。由表8、表9 可知,程序控制深度攝像頭測(cè)定距離準(zhǔn)確,能夠達(dá)到實(shí)際應(yīng)用的要求。

    表7 仿真距離500 mm 時(shí)檢測(cè)目標(biāo)實(shí)際距離和實(shí)際坐標(biāo)Table 7 Actual distances and coordinates of the targets detected at 500 mm of simulation distance

    表8 仿真距離700 mm 時(shí)檢測(cè)目標(biāo)實(shí)際距離和實(shí)際坐標(biāo)Table 8 Actual distances and coordinates of the targets detected at 700 mm of simulation distance

    圖14 仿真距離700 mm 時(shí)檢測(cè)截圖Fig.14 Detection screenshot at 700 mm of simulation distance

    2.4.2 遮擋目標(biāo)距離檢測(cè) 甜瓜采摘時(shí)葉片遮擋嚴(yán)重,為研究甜瓜被葉片遮擋時(shí)的距離測(cè)量問(wèn)題,設(shè)計(jì)甜瓜被葉片遮擋時(shí)的距離測(cè)量實(shí)驗(yàn)。如圖15所示,實(shí)驗(yàn)設(shè)計(jì)3 個(gè)被葉片遮擋的甜瓜,從左起第2、3、6 號(hào)甜瓜,其中2、3 號(hào)檢測(cè)卡中心點(diǎn)在甜瓜上,而6 號(hào)甜瓜其檢測(cè)框中心點(diǎn)在葉片上。檢測(cè)結(jié)果(表9)顯示,2 號(hào)和3 號(hào)甜瓜雖然被遮擋,但是其目標(biāo)框中心點(diǎn)仍在甜瓜上,因此深度攝像頭測(cè)量的距離為到甜瓜的距離,而6 號(hào)甜瓜其遮擋葉片正好在目標(biāo)識(shí)別框的中心點(diǎn)上,因此深度攝像頭測(cè)量的距離為到此葉片的距離,與到甜瓜的距離有一定差距,需要繼續(xù)改進(jìn)檢測(cè)程序。

    圖15 葉片遮擋時(shí)測(cè)距實(shí)驗(yàn)截圖Fig.15 Screenshot of distance measurement experiment with leaves block muskmelons

    表9 目標(biāo)遮擋實(shí)驗(yàn)檢測(cè)數(shù)據(jù)Table 9 Detection data of object occlusion experiment

    3 討論

    采摘目標(biāo)的精確快速識(shí)別和定位是自動(dòng)采摘機(jī)器人采摘成功的基礎(chǔ)。本研究基于YOLOv3 模型,在對(duì)比采用不同主干網(wǎng)絡(luò)、FPN、激活函數(shù)和是否采用SPP 等不同組成結(jié)構(gòu)的基礎(chǔ)上,得出最佳YOLOResNet70 網(wǎng)絡(luò)模型結(jié)構(gòu)。該模型采用ResNet70 網(wǎng)絡(luò)作為主干,以Leaky ReLU 作為激活函數(shù),用SPP 避免漏檢和減少誤差,以FPN 作為頸部網(wǎng)絡(luò)用于獲取特征金字塔,GreedyNMS 用來(lái)提升檢測(cè)效率和準(zhǔn)確度,采用CIoU 損失函數(shù)時(shí)為最佳的檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)。表明通過(guò)對(duì)檢測(cè)模型的不同部分進(jìn)行調(diào)整、組合可以實(shí)現(xiàn)更好的目標(biāo)檢測(cè)結(jié)果,這也是目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)網(wǎng)絡(luò)的重要優(yōu)化措施,本研究的優(yōu)化措施可為其他果實(shí)采摘目標(biāo)檢測(cè)網(wǎng)絡(luò)的優(yōu)化提供重要借鑒。

    本研究得出的檢測(cè)模型專(zhuān)門(mén)針對(duì)不同光照強(qiáng)度和不同遮擋情況采集數(shù)據(jù)集進(jìn)行訓(xùn)練優(yōu)化,通過(guò)不同模型的魯棒性檢測(cè)對(duì)比,發(fā)現(xiàn)該模型在不同光照環(huán)境下對(duì)嚴(yán)重遮擋的甜瓜檢測(cè)F1分?jǐn)?shù)優(yōu)于YOLOv3 和YOLOv5 模型,與YOLOv4模型相似,表明本研究提出的模型在不同情況下對(duì)溫室甜瓜檢測(cè)都具有良好的穩(wěn)定性。與其他已發(fā)表的研究結(jié)果相比,盡管數(shù)據(jù)集甜瓜遮擋較嚴(yán)重,但YOLOResNet70 模型的性能相比YOLOv3-DarkNet53(AP 為88.93%,40 FPS)在CropDeep[15]數(shù)據(jù)集和RetNet-ResNet50(AP 為87.36%,13 FPS)在Deepfruits[7]數(shù)據(jù)集上對(duì)哈密瓜的檢測(cè)性能分別提升0.47%和2.04%。

    通過(guò)將YOLOResNet70 模型與RealSense D435i深度視覺(jué)傳感器融合實(shí)現(xiàn)對(duì)目標(biāo)真實(shí)坐標(biāo)的準(zhǔn)確定位。但是對(duì)葉片遮擋甜瓜的定位會(huì)產(chǎn)生一定誤差,需要提高檢測(cè)精度,可采用雙攝像頭從不同角度檢測(cè),以彌補(bǔ)單攝像頭的不足,這是本課題需要繼續(xù)研究的一個(gè)關(guān)鍵問(wèn)題。

    本研究?jī)H針對(duì)眾多甜瓜中一種薄皮甜瓜的目標(biāo)檢測(cè)模型進(jìn)行了參數(shù)優(yōu)化,對(duì)其他品種甜瓜的檢測(cè)結(jié)果還有待驗(yàn)證和繼續(xù)研究,未來(lái)研究中可以繼續(xù)采集不同品種的甜瓜圖像,并針對(duì)多個(gè)甜瓜品種優(yōu)化得出更具有通用性的目標(biāo)檢測(cè)模型,以適應(yīng)所有甜瓜的采摘目標(biāo)檢測(cè)需求。采集全部品種的甜瓜圖像形成完整的甜瓜數(shù)據(jù)集也是另一項(xiàng)需要繼續(xù)深入的工作,能為未來(lái)其他學(xué)者的研究提供數(shù)據(jù)集支持,為甜瓜自動(dòng)采摘設(shè)備早日成型、減輕農(nóng)民的勞動(dòng)強(qiáng)度提供支持。

    4 結(jié)論

    本研究針對(duì)甜瓜溫室復(fù)雜光影和遮擋生長(zhǎng)條件下甜瓜果實(shí)檢測(cè)困難的問(wèn)題,優(yōu)化得出一種YOLOResNet70 模型。與目前主流網(wǎng)絡(luò)結(jié)構(gòu)相比,YOLOResNet70 網(wǎng)絡(luò)比Faster R-CNN、YOLOv3、YOLOv4 和YOLOv5 網(wǎng)絡(luò)具有明顯的速度優(yōu)勢(shì),檢測(cè)速度比YOLOv4 提升14%,精度比YOLOv5提升7.4%,更加利于在低功率移動(dòng)設(shè)備上使用。模型具有較好的魯棒性,在不同光照強(qiáng)度下都具有良好的檢測(cè)穩(wěn)定性。對(duì)曝光增強(qiáng)和曝光降低的圖像,其檢測(cè)F1分?jǐn)?shù)值分別達(dá)95.8%和94.8%,表明模型能適應(yīng)溫室復(fù)雜的光照環(huán)境。優(yōu)化得到的模型與Intel RealSense D435i 攝像頭結(jié)合能夠?qū)崿F(xiàn)檢測(cè)目標(biāo)的空間定位,且距離定位準(zhǔn)確、誤差小,能夠達(dá)到實(shí)際使用需求。

    猜你喜歡
    網(wǎng)絡(luò)結(jié)構(gòu)甜瓜攝像頭
    甜瓜的重量
    浙江首試公路非現(xiàn)場(chǎng)執(zhí)法新型攝像頭
    攝像頭連接器可提供360°視角圖像
    薄皮甜瓜新品種墾甜1號(hào)的選育
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)維對(duì)于創(chuàng)新績(jī)效的作用機(jī)制——遠(yuǎn)程創(chuàng)新搜尋的中介作用
    滬港通下A+ H股票網(wǎng)絡(luò)結(jié)構(gòu)演化的實(shí)證分析
    復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)比對(duì)算法研究進(jìn)展
    奔馳360°攝像頭系統(tǒng)介紹
    我喜歡吃甜瓜
    国产免费av片在线观看野外av| 床上黄色一级片| 久久亚洲真实| 老司机午夜福利在线观看视频| 免费在线观看日本一区| 亚洲va日本ⅴa欧美va伊人久久| 婷婷精品国产亚洲av| 久久久久免费精品人妻一区二区| 91狼人影院| 亚洲国产高清在线一区二区三| 亚洲精品日韩av片在线观看| 亚洲av一区综合| 国产中年淑女户外野战色| 亚洲在线自拍视频| ponron亚洲| 美女高潮喷水抽搐中文字幕| 国产欧美日韩一区二区精品| av专区在线播放| 午夜福利在线观看免费完整高清在 | 99国产极品粉嫩在线观看| 免费高清视频大片| 亚洲人与动物交配视频| 久久久久久久久中文| 日本-黄色视频高清免费观看| 黄色女人牲交| 精品久久久久久久末码| 乱码一卡2卡4卡精品| 黄色配什么色好看| 久久久成人免费电影| 嫩草影院新地址| 久久99热6这里只有精品| 少妇的逼水好多| 老熟妇仑乱视频hdxx| 亚洲精品色激情综合| 国产成人影院久久av| 黄色丝袜av网址大全| h日本视频在线播放| 男人舔女人下体高潮全视频| 97热精品久久久久久| 欧美中文日本在线观看视频| 国产精品99久久久久久久久| 3wmmmm亚洲av在线观看| 久久亚洲真实| 亚洲人成网站高清观看| 午夜福利在线观看免费完整高清在 | 黄色日韩在线| 亚洲av美国av| 熟女人妻精品中文字幕| av在线亚洲专区| av天堂在线播放| 国产精品爽爽va在线观看网站| 人妻少妇偷人精品九色| 成人欧美大片| 精品人妻偷拍中文字幕| 哪里可以看免费的av片| x7x7x7水蜜桃| 天天一区二区日本电影三级| 草草在线视频免费看| 欧美黑人巨大hd| 日韩欧美在线二视频| 99久久九九国产精品国产免费| 97人妻精品一区二区三区麻豆| 18禁在线播放成人免费| 亚洲avbb在线观看| 少妇高潮的动态图| 91麻豆精品激情在线观看国产| 一区二区三区免费毛片| 国产在视频线在精品| 日本成人三级电影网站| 国产91精品成人一区二区三区| 中国美女看黄片| 久久精品国产亚洲av天美| 婷婷亚洲欧美| 男女做爰动态图高潮gif福利片| 欧美成人a在线观看| 高清在线国产一区| 12—13女人毛片做爰片一| 天堂√8在线中文| 最近在线观看免费完整版| 国内精品久久久久精免费| 午夜福利在线观看免费完整高清在 | 永久网站在线| 天堂动漫精品| 久久精品国产亚洲网站| 熟妇人妻久久中文字幕3abv| 久久久久久伊人网av| 久久久久九九精品影院| 小蜜桃在线观看免费完整版高清| 欧美bdsm另类| videossex国产| 真实男女啪啪啪动态图| 91午夜精品亚洲一区二区三区 | 国产精品国产高清国产av| 一a级毛片在线观看| 亚洲国产精品成人综合色| 亚洲精品乱码久久久v下载方式| 国产精品1区2区在线观看.| 男人和女人高潮做爰伦理| 国产欧美日韩精品一区二区| 亚洲欧美日韩无卡精品| 性色avwww在线观看| 日本一本二区三区精品| 国产女主播在线喷水免费视频网站 | 免费大片18禁| 老师上课跳d突然被开到最大视频| 全区人妻精品视频| 日韩强制内射视频| 91精品国产九色| 婷婷亚洲欧美| 我的女老师完整版在线观看| 无人区码免费观看不卡| 国产精品国产高清国产av| 他把我摸到了高潮在线观看| 亚洲成人久久爱视频| 日韩欧美在线乱码| 草草在线视频免费看| 国产精华一区二区三区| 韩国av一区二区三区四区| 国产三级在线视频| 午夜福利在线观看吧| 真实男女啪啪啪动态图| 国产三级中文精品| 性插视频无遮挡在线免费观看| 午夜激情福利司机影院| 亚洲中文日韩欧美视频| 精品人妻视频免费看| 日本精品一区二区三区蜜桃| 精品无人区乱码1区二区| 日日摸夜夜添夜夜添av毛片 | 最近最新中文字幕大全电影3| 三级国产精品欧美在线观看| 俄罗斯特黄特色一大片| 免费看av在线观看网站| 国产欧美日韩精品一区二区| .国产精品久久| 老熟妇仑乱视频hdxx| 男人舔女人下体高潮全视频| 美女cb高潮喷水在线观看| 国内精品久久久久精免费| 神马国产精品三级电影在线观看| 欧美在线一区亚洲| 人妻丰满熟妇av一区二区三区| 亚洲专区中文字幕在线| 少妇裸体淫交视频免费看高清| 一卡2卡三卡四卡精品乱码亚洲| 又紧又爽又黄一区二区| 舔av片在线| 婷婷丁香在线五月| 国产精品一区二区性色av| a级毛片免费高清观看在线播放| 亚洲一区高清亚洲精品| 亚洲国产高清在线一区二区三| 亚洲国产欧美人成| 久久精品国产亚洲av天美| 色哟哟哟哟哟哟| 舔av片在线| 精品99又大又爽又粗少妇毛片 | 国产视频内射| 国产精品久久久久久久电影| 成人特级av手机在线观看| 成年女人毛片免费观看观看9| 中国美白少妇内射xxxbb| 少妇丰满av| 给我免费播放毛片高清在线观看| 日韩国内少妇激情av| 我的女老师完整版在线观看| 男人狂女人下面高潮的视频| 午夜福利在线观看免费完整高清在 | 又粗又爽又猛毛片免费看| 少妇裸体淫交视频免费看高清| 亚洲第一电影网av| 午夜影院日韩av| 97热精品久久久久久| 国产激情偷乱视频一区二区| 九九久久精品国产亚洲av麻豆| 在现免费观看毛片| 国产免费男女视频| 久久人人爽人人爽人人片va| 成人二区视频| 国产午夜福利久久久久久| 嫩草影院精品99| 色av中文字幕| 欧美又色又爽又黄视频| 中亚洲国语对白在线视频| 国产av一区在线观看免费| 悠悠久久av| 免费观看人在逋| 又爽又黄a免费视频| 亚洲专区中文字幕在线| 夜夜爽天天搞| 国产亚洲精品综合一区在线观看| 免费av毛片视频| 狂野欧美白嫩少妇大欣赏| 日韩,欧美,国产一区二区三区 | 免费av观看视频| 国产欧美日韩精品一区二区| 日韩中文字幕欧美一区二区| 久久中文看片网| 久久国内精品自在自线图片| 欧美一级a爱片免费观看看| 国产伦在线观看视频一区| 亚洲乱码一区二区免费版| 露出奶头的视频| 亚洲欧美日韩高清专用| 高清在线国产一区| 亚洲国产高清在线一区二区三| 亚洲熟妇熟女久久| 99精品久久久久人妻精品| 日本一本二区三区精品| 亚洲专区国产一区二区| 精品国产三级普通话版| 亚洲黑人精品在线| 亚洲avbb在线观看| 国产毛片a区久久久久| 亚洲精品一区av在线观看| 麻豆国产97在线/欧美| a在线观看视频网站| av黄色大香蕉| 麻豆成人av在线观看| 免费av毛片视频| 97热精品久久久久久| 日韩欧美国产在线观看| 亚洲电影在线观看av| 国产高清视频在线观看网站| 俄罗斯特黄特色一大片| 桃红色精品国产亚洲av| 天堂网av新在线| 午夜福利在线在线| 亚洲18禁久久av| 国产真实乱freesex| 亚洲人成网站高清观看| 欧美最新免费一区二区三区| 人人妻人人澡欧美一区二区| 免费大片18禁| 美女高潮的动态| netflix在线观看网站| 国产三级中文精品| 乱人视频在线观看| 国产精品伦人一区二区| 欧美激情国产日韩精品一区| www日本黄色视频网| 国产黄色小视频在线观看| 性欧美人与动物交配| 久久久久国产精品人妻aⅴ院| 九九久久精品国产亚洲av麻豆| 久久久久国内视频| 欧美一级a爱片免费观看看| 国产男靠女视频免费网站| 18禁裸乳无遮挡免费网站照片| 欧美日韩国产亚洲二区| 琪琪午夜伦伦电影理论片6080| 欧美高清性xxxxhd video| 午夜福利高清视频| 性色avwww在线观看| 欧美绝顶高潮抽搐喷水| 最近视频中文字幕2019在线8| 老师上课跳d突然被开到最大视频| 日韩欧美精品v在线| 真人一进一出gif抽搐免费| 国产精品一区二区三区四区免费观看 | 九九久久精品国产亚洲av麻豆| 国产亚洲欧美98| 在线天堂最新版资源| а√天堂www在线а√下载| 国产av麻豆久久久久久久| 九九久久精品国产亚洲av麻豆| 国产69精品久久久久777片| 亚洲中文字幕一区二区三区有码在线看| 亚洲性夜色夜夜综合| 国产精品久久久久久久久免| 美女xxoo啪啪120秒动态图| 国产美女午夜福利| 搡老熟女国产l中国老女人| 神马国产精品三级电影在线观看| 日韩欧美免费精品| 欧美另类亚洲清纯唯美| 又紧又爽又黄一区二区| 五月玫瑰六月丁香| 三级毛片av免费| 国产精品亚洲美女久久久| 热99在线观看视频| 久久久久九九精品影院| 成人欧美大片| 亚洲精品亚洲一区二区| 制服丝袜大香蕉在线| 欧美国产日韩亚洲一区| 精品一区二区三区视频在线观看免费| 少妇的逼好多水| 欧美极品一区二区三区四区| 亚洲精品亚洲一区二区| 麻豆成人午夜福利视频| 国产精品一区二区性色av| 中国美女看黄片| 人妻制服诱惑在线中文字幕| 亚洲av一区综合| 成人精品一区二区免费| 精品久久久久久久久av| 免费观看精品视频网站| 国产男人的电影天堂91| 淫妇啪啪啪对白视频| 日韩欧美一区二区三区在线观看| 精品久久久久久成人av| 久久精品久久久久久噜噜老黄 | 成人国产一区最新在线观看| 亚洲国产色片| 一区二区三区高清视频在线| 国产淫片久久久久久久久| 小说图片视频综合网站| 久久久久国内视频| 久久香蕉精品热| 欧美黑人巨大hd| 日韩,欧美,国产一区二区三区 | 全区人妻精品视频| 桃红色精品国产亚洲av| 久久香蕉精品热| 亚洲精华国产精华精| 不卡视频在线观看欧美| 午夜亚洲福利在线播放| 免费看光身美女| 一级毛片久久久久久久久女| 国产伦一二天堂av在线观看| 99九九线精品视频在线观看视频| 欧美日韩国产亚洲二区| 亚洲av一区综合| 亚洲国产日韩欧美精品在线观看| 极品教师在线免费播放| 国产成人一区二区在线| 一个人免费在线观看电影| 欧美最黄视频在线播放免费| 一级a爱片免费观看的视频| 亚洲七黄色美女视频| 亚洲精品粉嫩美女一区| 免费看日本二区| 黄色日韩在线| 成人特级av手机在线观看| 国产精品久久久久久久久免| 在线a可以看的网站| 欧美精品国产亚洲| 老司机午夜福利在线观看视频| 日韩精品青青久久久久久| 1024手机看黄色片| 一区二区三区高清视频在线| 精品人妻熟女av久视频| 此物有八面人人有两片| 两人在一起打扑克的视频| 91午夜精品亚洲一区二区三区 | 亚洲中文字幕日韩| 亚洲四区av| 成年女人看的毛片在线观看| 精品欧美国产一区二区三| 成人特级黄色片久久久久久久| 最后的刺客免费高清国语| 波野结衣二区三区在线| 欧美黑人巨大hd| 网址你懂的国产日韩在线| 亚洲国产精品成人综合色| 欧美激情久久久久久爽电影| 男女视频在线观看网站免费| 国产视频一区二区在线看| 最后的刺客免费高清国语| 精品不卡国产一区二区三区| 性色avwww在线观看| 国产老妇女一区| 性色avwww在线观看| 国产熟女欧美一区二区| 国产欧美日韩一区二区精品| 日韩人妻高清精品专区| 韩国av在线不卡| av中文乱码字幕在线| 国内精品久久久久久久电影| 国产一区二区三区av在线 | 热99re8久久精品国产| 国内少妇人妻偷人精品xxx网站| 精品人妻熟女av久视频| 国产av在哪里看| 夜夜夜夜夜久久久久| av天堂在线播放| 国产视频内射| 日韩中字成人| 精品99又大又爽又粗少妇毛片 | av专区在线播放| 国产精品日韩av在线免费观看| 日日夜夜操网爽| 久久久久久国产a免费观看| 国产在线男女| 制服丝袜大香蕉在线| 亚洲va日本ⅴa欧美va伊人久久| 一个人免费在线观看电影| 伊人久久精品亚洲午夜| 性插视频无遮挡在线免费观看| av天堂中文字幕网| 日本欧美国产在线视频| av在线蜜桃| 在线免费十八禁| 91午夜精品亚洲一区二区三区 | 婷婷六月久久综合丁香| 最近最新中文字幕大全电影3| 99热只有精品国产| 国产激情偷乱视频一区二区| 偷拍熟女少妇极品色| 老司机深夜福利视频在线观看| 亚洲七黄色美女视频| 白带黄色成豆腐渣| 久久午夜福利片| 99视频精品全部免费 在线| 给我免费播放毛片高清在线观看| 精品人妻偷拍中文字幕| 欧美丝袜亚洲另类 | 日韩欧美在线二视频| 国产精品久久久久久精品电影| 国产 一区 欧美 日韩| 亚洲18禁久久av| 日日摸夜夜添夜夜添小说| 琪琪午夜伦伦电影理论片6080| 亚洲成av人片在线播放无| 嫩草影院精品99| 不卡视频在线观看欧美| videossex国产| 永久网站在线| x7x7x7水蜜桃| 少妇被粗大猛烈的视频| 最近最新中文字幕大全电影3| 亚洲av成人av| 在线播放无遮挡| а√天堂www在线а√下载| 看十八女毛片水多多多| 给我免费播放毛片高清在线观看| 日韩一本色道免费dvd| 国内精品久久久久久久电影| eeuss影院久久| 亚洲美女搞黄在线观看 | 日本一二三区视频观看| 日韩人妻高清精品专区| 中出人妻视频一区二区| 高清日韩中文字幕在线| 99精品在免费线老司机午夜| 亚洲性夜色夜夜综合| 成人高潮视频无遮挡免费网站| 天天躁日日操中文字幕| 国产精品亚洲一级av第二区| 午夜免费成人在线视频| 日韩一本色道免费dvd| 中文字幕精品亚洲无线码一区| 亚洲乱码一区二区免费版| 成人亚洲精品av一区二区| 亚洲综合色惰| av专区在线播放| 国内毛片毛片毛片毛片毛片| 国产精品1区2区在线观看.| 亚洲最大成人手机在线| 日日啪夜夜撸| 亚洲人成网站在线播| 国产精品一及| 日韩一区二区视频免费看| 噜噜噜噜噜久久久久久91| 国产精品乱码一区二三区的特点| 99riav亚洲国产免费| 国产精品综合久久久久久久免费| 色视频www国产| 午夜福利欧美成人| 天堂网av新在线| 舔av片在线| 老熟妇乱子伦视频在线观看| 日韩亚洲欧美综合| 国产精品无大码| 99久久成人亚洲精品观看| 波多野结衣高清作品| 在线播放无遮挡| 夜夜爽天天搞| 成人毛片a级毛片在线播放| x7x7x7水蜜桃| 久久精品国产亚洲av香蕉五月| 亚洲在线观看片| 黄色视频,在线免费观看| 看十八女毛片水多多多| 久久久国产成人免费| av天堂在线播放| 内地一区二区视频在线| 床上黄色一级片| 国产探花极品一区二区| 桃红色精品国产亚洲av| 婷婷精品国产亚洲av在线| 欧美另类亚洲清纯唯美| АⅤ资源中文在线天堂| 亚洲va日本ⅴa欧美va伊人久久| 午夜老司机福利剧场| 91午夜精品亚洲一区二区三区 | 国产一区二区三区av在线 | 成熟少妇高潮喷水视频| 美女高潮喷水抽搐中文字幕| av在线亚洲专区| 久久午夜福利片| 日本免费一区二区三区高清不卡| 人妻久久中文字幕网| 欧美黑人欧美精品刺激| 韩国av一区二区三区四区| 最近最新免费中文字幕在线| 精品人妻偷拍中文字幕| 精品久久久久久成人av| 国产成人福利小说| 亚洲最大成人中文| 精品欧美国产一区二区三| 村上凉子中文字幕在线| 国产大屁股一区二区在线视频| 久久久久久大精品| h日本视频在线播放| 成人性生交大片免费视频hd| 搡老岳熟女国产| 老女人水多毛片| 亚洲性夜色夜夜综合| av福利片在线观看| 中文字幕精品亚洲无线码一区| avwww免费| 免费在线观看日本一区| 极品教师在线免费播放| 亚洲色图av天堂| 亚洲四区av| 国产三级中文精品| 人妻久久中文字幕网| 久久中文看片网| 中文字幕久久专区| 中文字幕熟女人妻在线| 老熟妇乱子伦视频在线观看| 99久久精品国产国产毛片| 欧美日韩黄片免| 在线免费观看不下载黄p国产 | 午夜福利成人在线免费观看| 丰满人妻一区二区三区视频av| 精品久久久噜噜| 波多野结衣高清作品| 欧美+日韩+精品| 一个人观看的视频www高清免费观看| 亚洲电影在线观看av| 美女 人体艺术 gogo| 日本与韩国留学比较| 成人亚洲精品av一区二区| 亚洲一级一片aⅴ在线观看| 欧美最黄视频在线播放免费| or卡值多少钱| 日韩国内少妇激情av| 最后的刺客免费高清国语| 亚洲一区二区三区色噜噜| 97超级碰碰碰精品色视频在线观看| 五月伊人婷婷丁香| 国产色爽女视频免费观看| 九九热线精品视视频播放| 欧美+日韩+精品| 午夜福利视频1000在线观看| 日韩一本色道免费dvd| 女的被弄到高潮叫床怎么办 | 高清在线国产一区| 国产成年人精品一区二区| 欧美最黄视频在线播放免费| 日韩欧美免费精品| 九九在线视频观看精品| 狂野欧美白嫩少妇大欣赏| 少妇被粗大猛烈的视频| 99热这里只有是精品50| 国产精品自产拍在线观看55亚洲| 国产乱人伦免费视频| 久9热在线精品视频| 亚洲成人精品中文字幕电影| 亚洲天堂国产精品一区在线| 亚洲精品国产成人久久av| 欧美激情久久久久久爽电影| 一本久久中文字幕| 又粗又爽又猛毛片免费看| 成年女人毛片免费观看观看9| 日本精品一区二区三区蜜桃| 黄色配什么色好看| 国产成人av教育| 色综合亚洲欧美另类图片| 中文资源天堂在线| 精品欧美国产一区二区三| 男女下面进入的视频免费午夜| 少妇的逼水好多| 亚洲欧美清纯卡通| 3wmmmm亚洲av在线观看| 美女被艹到高潮喷水动态| 啪啪无遮挡十八禁网站| 嫩草影视91久久| 直男gayav资源| 欧美一区二区亚洲| 亚洲成人久久性| 免费黄网站久久成人精品| 亚洲精品国产成人久久av| 女同久久另类99精品国产91| 男人狂女人下面高潮的视频| 变态另类丝袜制服| 一级黄色大片毛片| 亚洲精品456在线播放app | 欧美不卡视频在线免费观看| 亚洲人成伊人成综合网2020| 亚洲精品色激情综合| 欧美不卡视频在线免费观看| 国产日本99.免费观看| 日本精品一区二区三区蜜桃| 午夜福利18| 国产欧美日韩精品一区二区| 一边摸一边抽搐一进一小说| 久久国产乱子免费精品| a级一级毛片免费在线观看| 国产成人影院久久av| 婷婷色综合大香蕉| 亚洲av中文字字幕乱码综合| 国产成人影院久久av| 黄片wwwwww| 久久久久久久久中文| 久久久久九九精品影院| 午夜福利欧美成人| 韩国av一区二区三区四区| 麻豆成人午夜福利视频| 日日撸夜夜添| 欧美激情久久久久久爽电影| 麻豆精品久久久久久蜜桃|