• <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 ?

    基于改進輕量級卷積神經(jīng)網(wǎng)絡 MobileNetV3的番茄葉片病害識別

    2022-05-30 20:33:59周巧黎馬麗曹麗英于合龍
    關鍵詞:遷移學習卷積神經(jīng)網(wǎng)絡

    周巧黎 馬麗 曹麗英 于合龍

    摘要:番茄病害的及時檢測可有效提升番茄的質量和產(chǎn)量。為實現(xiàn)番茄病害的實時無損傷檢測,本研究提出了一種基于改進 MobileNetV3的番茄葉片病害分類識別方法。首先選擇輕量級卷積神經(jīng)網(wǎng)絡 Mobile? NetV3,在 Image Net 數(shù)據(jù)集上進行預訓練,將預訓練得到的共享參數(shù)遷移到對番茄葉片病害識別的模型上并做微調(diào)處理。采用相同的訓練方法對 VGG16、ResNet50和 Inception-V3三種深度卷積網(wǎng)絡模型也進行遷移學習并進行對比,結果顯示 MobileNetV3的總體學習效果最好,在Mixup混合增強和 focal loss 損失函數(shù)下對10類番茄病害的平均測試識別準確率達到94.68%。在遷移學習的基礎上繼續(xù)改進 MobileNetV3模型,在卷積層引入空洞卷積和感知機結構,采用 GLU (Gated Liner Unit)閘門機制激活函數(shù),訓練得到最佳的番茄病害識別模型,平均測試的識別準確率98.25%,模型的數(shù)據(jù)規(guī)模43.57 MB ,單張番茄病害圖像的檢測耗時僅0.27 s 。經(jīng)十折交叉驗證(10-Fold Cross-Validation),模型的魯棒性良好。本研究可為番茄葉片病害的實時檢測提供理論基礎和技術支持。

    關鍵詞:番茄病害識別;卷積神經(jīng)網(wǎng)絡;遷移學習;MobileNetV3;激活函數(shù);識別分類

    中圖分類號:TP391.41;TP183????????? 文獻標志碼:A????????????????? 文章編號:SA202202003

    引用格式:周巧黎, 馬麗, 曹麗英, 于合龍.基于改進輕量級卷積神經(jīng)網(wǎng)絡 MobileNetV3的番茄葉片病害識別[J].智慧農(nóng)業(yè)(中英文), 2022, 4(1):47-56.

    ZHOU Qiaoli, MA Li, CAO Liying, YU Helong. Identification of tomato leaf diseases based on improved light‐ weight convolutional neural networks MobileNetV3[J]. Smart Agriculture, 2022, 4(1):47-56.(in Chinese with Eng‐lish abstract)

    1 引言

    番茄在種植和果實產(chǎn)出過程中,容易受天氣、溫度和濕度等各種因素的影響,發(fā)生各種病害從而影響番茄的質量[1]。番茄的根部、莖部和果實都會發(fā)生多種常見的病害,在病害發(fā)生的不同階段會呈現(xiàn)出不同的損傷特征,葉部易發(fā)生的病害主要有細菌斑、葉霉病、早疫病、晚疫病、七星葉斑病、靶斑病、雙斑蜘蛛、花葉病毒,以及黃曲葉病等。番茄病害類別多且病害對葉片的影響程度較為復雜,需要及早地對病害種類和程度做出識別和判斷,噴灑對應的農(nóng)藥進行治療,否則會影響番茄的果實培育,最終影響番茄的質量和產(chǎn)量。

    計算機圖像處理技術和深度學習技術的逐漸成熟使植物葉片病害識別有了突破性進展。王建璽等[2]對蘋果葉部病斑進行分割,將病斑的顏色、紋理特征與支持向量機(Support Vector Ma‐ chine , SVM )結合實現(xiàn)病害的識別。秦豐等[3] 提取葉部病斑的顏色、形狀和紋理,利用樸素貝葉斯方法和線性判別分析建立了苜蓿葉部病害識別模型。夏永泉等[4]提取小麥病害紋理和顏色特征,采用 SVM 實現(xiàn)小麥病害識別。上述針對植物葉片病害的識別研究都是應用病害的顏色、紋理特征、形狀等信息對病害進行診斷,這些特征的提取都是依靠人工標定方式完成,病害類別的分類不夠準確,進而會影響葉片病害的識別度,該類方法普遍適應性不強。

    卷積神經(jīng)網(wǎng)絡可以實現(xiàn)作物病害特征的自動提取,GoogLeNet、AlexNet和ResNet等在作物病害識別方面都已經(jīng)取得非常好的效果。劉婷婷等[5] 采用AlexNet卷積神經(jīng)網(wǎng)絡對水稻紋枯病進行識別,達到了97%的精確度,但病害類別單一且數(shù)據(jù)量不夠豐富。Wu [6] 通過調(diào)整 VGG16和ResNet雙通道卷積神經(jīng)網(wǎng)絡的參數(shù),對玉米葉部病害識別準確率達到93.33%,但識別率較低且圖像分辨率較高,模型參數(shù)依然龐大,整體識別性能還有待提高。丁瑞和周平[7]參照AlexNet框架,構建卷積神經(jīng)網(wǎng)絡結合遷移學習訓練網(wǎng)絡,測試識別準確率96.18%,識別效果較好。陳桂芬等[8]通過數(shù)據(jù)增強和遷移學習的方式對改進 Inception-V3進行訓練,提取病害圖片特征,對農(nóng)田玉米病害的平均識別準確度達96.6%,分類效果良好。Waheed等[9]提出了一種用于玉米葉部病害識別和分類的優(yōu)化密集卷積神經(jīng)網(wǎng)絡結構,監(jiān)測作物健康狀況,模型的精度達到98.06%。綜上所述,將遷移學習與神經(jīng)網(wǎng)絡相結合,可以有效提高病害的識別精確度,但是所采用的卷積神經(jīng)網(wǎng)絡算法參數(shù)量大,圖像分辨率高,運行時間長,不利于在移動端實現(xiàn)對作物病害的快速實時檢測。

    本研究以番茄的病害葉片為主要研究對象,以輕量級卷積神經(jīng)網(wǎng)絡 MobileNetV3[10] 為主干網(wǎng)絡模型,在遷移學習基礎上對模型結構進行改進,并將其與 VGG16、ResNet50和Inception-V3模型進行了試驗對比。

    2 數(shù)據(jù)來源及預處理

    2.1 試驗數(shù)據(jù)集

    試驗研究對象為番茄葉部病害圖像,試驗數(shù)據(jù)集來自 Plant Village [11]公開數(shù)據(jù)集,該平臺包括不同作物的多種病害類別的植物葉片圖像,按照物種和疾病可分為38類。番茄試驗樣本主要包括10類常見的番茄病害葉片,其中早疫病1000幅、晚疫病1909幅、細菌病1320幅、葉霉病952幅、七星葉斑病1771幅、靶斑病1404幅、雙斑蜘蛛1676幅、花葉病毒373幅、黃曲葉病1250幅、健康葉片1591幅。本研究統(tǒng)一采用*.jpg格式,圖像統(tǒng)大小一調(diào)整到64×64像素。

    2.2數(shù)據(jù)預處理

    2.2.1 普通數(shù)據(jù)增強

    為保證試驗數(shù)據(jù)的均衡性、樣本的多樣性和訓練卷積神經(jīng)網(wǎng)絡模型[12]所需樣本的充足性,對試驗數(shù)據(jù)進行了批歸一化和數(shù)據(jù)增強處理[13]。對病害圖像分別做了高斯噪聲添加、亮度增強、對比度變換、隨機裁剪和隨機旋轉操作,以此增強樣本的多樣性,達到盡可能模仿自然環(huán)境下對病害識別的效果。擴充后的病害圖像總數(shù)為18,521張。對數(shù)據(jù)集中10種病害進行相同的增強處理,提高番茄樣本的質量和數(shù)量以及訓練模型的泛化能力。以七星葉斑病為例,擴充示意圖如圖1所示。數(shù)據(jù)增強方法調(diào)整了原始圖像的角度、亮度、模糊度、放大了局部病斑的細節(jié)。

    2.2.2? Mixup混合增強

    Mixup增強方式[14]是將兩張原圖像按比例進行線性插值來生成新的混合圖像,經(jīng)插值混合后的樣本與真實樣本非常接近。本研究選擇對番茄樣本進行同類混合增強,既增加了樣本的多樣性,又增強了對重要特征的學習。使用Mixup合成新的圖像可以線性疊加兩張原始圖像的特征向量,提升了模型預測訓練樣本以外數(shù)據(jù)的適應性,使預測更具有平滑性。在進行Mixup增強時,隨機選擇同一類別病害中的兩張原始圖像樣本來合成新的番茄圖像。根據(jù)Mixup設置的比例不同,合成的圖像也不同,如圖2為混合系數(shù)λ[15]取值范圍0到1內(nèi)的合成圖像示例。根據(jù)不同比例的合成效果,試驗設置λ值分別為0.3、0.5和0.8對每一類別的病害原始圖像進行隨機抽取以合成新的圖像?;旌虾蟮挠柧殬颖竟灿?5,974張。

    在同樣達到數(shù)據(jù)擴充的目的下,數(shù)據(jù)增廣和Mixup混合增強各有其優(yōu)勢,但Mixup混合增強更能增加數(shù)據(jù)的多樣性。

    3 識別模型構建

    3.1 MobileNetV3模型

    MobileNetV3模型以MobileNetV1[16]模型和MobileNetV2[17]模型為基礎,結合了這兩個模型的優(yōu)勢,進一步提高了模型的精度,是效率更高的輕量級卷積神經(jīng)網(wǎng)絡。由于線性整流函數(shù)( Linear Rectification Function ,ReLU )在低維空間內(nèi)的工作效率低,不利于特征的提取,易丟失特征信息,因此本研究采用線性瓶頸結構,在通道數(shù)量少的卷積層后使用線性層來代替ReLU函數(shù),以此來保證提取到的特征信息更加充足。

    在 MobileNetV2網(wǎng)絡結構的基礎上,Mobile-NetV3將 SE (Squeeze-and-Excitation )注意力模塊[18]應用到瓶頸結構中,起到強化突出特征、抑制不明顯特征的作用。在網(wǎng)絡最后的位置,去掉了1×1卷積層,將平均池化層向前移動。采用 h-swish 激活函數(shù),計算量大大降低。網(wǎng)絡的框架結構屬于輕量級,對硬件的配置要求低,不僅可以實現(xiàn)較高的分類精度,還能夠在手機移動端實現(xiàn)。MobileNetV3主體部分由11個瓶頸結構組成,前3個結構中采用3×3的深度卷積,后面8個采用5×5的深度卷積,瓶頸結構中其他設置均相同。

    3.2遷移學習

    本研究以 VGG16、ResNet50、Inception-V3以及 MobileNetV3模型這四種算法進行遷移學習[19],并且對番茄病害圖像進行識別。這四種算法各有其自身的優(yōu)勢,在實際的病害識別應用中都可以起到良好的分類效果,有效節(jié)約檢測時間。

    首先,采用大型數(shù)據(jù)集 ImageNet [20]作為網(wǎng)絡預訓練的源域,將預訓練得到的模型權重等信息遷移到對番茄病害識別的模型上,通過已有的先驗知識可以對類似的識別任務做出高效的處理;然后在對番茄病害圖像訓練的過程中,對模型中的參數(shù)進行微調(diào)[21],得到最終的番茄病害識別模型。在遷移學習過程中,凍結所有卷積層并將最后的輸出層去掉,剩余的網(wǎng)絡可視為一個用來提取特征的容器,在番茄葉片數(shù)據(jù)集的訓練中,將提取到的特征輸入分類器,對病害類別做出預測。將網(wǎng)絡的輸出轉換為適合于番茄分類任務的10類輸出,實現(xiàn)對番茄病害任務的精準預測。各模型遷移訓練的識別算法流程如圖3所示。

    3.3 MobileNetV3模型的改進

    3.3.1 多層感知機

    多層感知機[22]?? (Multilayer? Perceptron, MLP )可以作為一個小型網(wǎng)絡嵌入到深度網(wǎng)絡中,相當于一個分類器,可實現(xiàn)不同類別的分類輸出。本研究將原模型中瓶頸結構(bottleneck 模塊)中的5×5卷積后加上1×1卷積層作為感知機的全連接層,并引入ReLU激活函數(shù),構成感知器嵌入到深層網(wǎng)絡中。感知器中的ReLU作為非線性激活函數(shù),可以使網(wǎng)絡的非線性表達能力得到提升,而感知機結構可以實現(xiàn)特征的重用,這樣可以提高卷積神經(jīng)網(wǎng)絡的局部感知能力,使擬合能力得到增強。MLP結構見圖4,圖中 MLP layer層即為在5×5卷積基礎上構建的感知機結構,能夠靈活地添加網(wǎng)絡層次且其全連接層是由1×1卷積組成,相比傳統(tǒng)的全連接,在實現(xiàn)分類作用的同時可以省去大量的參數(shù),節(jié)約了網(wǎng)絡的計算成本。

    3.3.2 空洞卷積

    空洞卷積[23]在傳統(tǒng)卷積計算中引入了膨脹系數(shù) r ,擴張卷積核的同時保持參數(shù)量不增加,可以使卷積核提取更多的特征信息,有利于對模型的學習訓練。番茄病害種類多樣,不同病害間具有一定的相似性,發(fā)病初期,病斑微小,難于對病斑的細節(jié)紋理信息進行提取。此外,病斑葉片顏色與健康葉片非常接近,且難以對病斑的邊緣、輪廓等特征作區(qū)分。

    在不同的瓶頸結構中設置不同尺寸的卷積核,有利于更深層次抽象特征的提取,使之與目標對象更加接近。因此,本研究在 MobileNetV3的最后兩個 bottleneck 模塊中引入了空洞卷積,r 分別為2和4。如圖5所示,三張圖對應的初始卷積核大小都為3×3, r 從左至右分別為1、2、4,感受野分別為3×3、5×5、9×9。可以看出 r 的增大使得感受野也明顯增大,且沒有增加運算消耗,卷積核計算參數(shù)依然同初始卷積核一樣。

    3.3.3 GLU 函數(shù)

    GLU ( Gated Liner Unit )、 GTU單元[24]是基于閘門機制( Gate Mechanism ) 的激活函數(shù), GLU 擁有線性通道在經(jīng)過激活的神經(jīng)元時不會出現(xiàn)梯度消失的問題,有利于建模過程中的反向傳播,加速網(wǎng)絡收斂,防止梯度彌散。

    GLU的表達式為:

    hl (x )=(x × W + b)?σ(x × V + c) (1)

    其中,x 表示第 l層的輸入; hl 表示該層的輸出信息; W和 V代表卷積核參數(shù); c代表偏置參數(shù)。在第 l 層,輸入值 x 經(jīng)過核參數(shù) W 與偏置 b 的卷積處理后,由參數(shù)為 V與 c的卷積處理并激活的輸出門來控制當前層的輸出結果。保留更重要的信息輸入到下一層,加強病害特征的學習和識別。MobileNetV3網(wǎng)絡結構改進后的示意圖如圖6。

    4結果與分析

    4.1試驗環(huán)境

    番茄葉片病害識別模型的訓練和測試均是基于深度學習框架Pytorch完成的。硬件環(huán)境采用Intel ( R ) Celeron ( R ) CPU N3150@1.60GHz1.60 GHz ,內(nèi)存4G ,GPU 采用 NVIDIA GeForce顯卡,4 GB 顯存。采用 Windows 7操作系統(tǒng),Pycharm編譯環(huán)境和Python3.7語言。每次試驗運行60輪(epochs),綜合考慮內(nèi)存原因和模型的泛化能力,將batch size 定為64。學習率依次選取了1×10-5、1 ×10-4、1×10-3和1×10-2,當leaning rate 數(shù)值為1×10-3時模型訓練的效果最好。采用 Adam優(yōu)化算法和ReLU激活函數(shù)。

    4.2遷移方法驗證

    為確定遷移學習方法的有效性,分別對VGG16、? Inception-V3、? ResNet50 和 Mobile‐NetV3網(wǎng)絡模型的識別性能和遷移學習的試驗結果作對比分析,如圖7所示。曲線的起點由原來的19%~35%提高到55%~74%,初始性能明顯提升。遷移訓練的 MobileNetV3曲線在訓練達到10輪時就可以收斂,相比原來的20輪有所提前。而 VGG16、 Inception-V3和 ResNet50在訓練25輪后也收斂,準確率相比之前有大幅提升。且基于遷移學習的曲線在訓練過程中更趨于穩(wěn)定。

    圖8為四種遷移學習算法對番茄葉片病害識別的效果對比??梢?,MobileNetV3遷移算法對番茄葉片病害的識別率更加精確,且在訓練10輪的時候曲線已經(jīng)收斂,與其他三種算法相比提前了15輪達到收斂狀態(tài);而且 MobileNetV3遷移算法在訓練過程中曲線震蕩幅度較小,更加穩(wěn)定,呈現(xiàn)出了更佳的訓練狀態(tài)。綜上所述,Mo ‐bileNetV3遷移算法更適合番茄葉片病害識別任務。

    4.3 MobileNetV3遷移模型在不同試驗方案下的識別結果

    經(jīng)遷移學習對番茄病害葉片的測試, Mo ‐bileNetV3模型取得了最優(yōu)的識別效果。為檢測損失函數(shù)和數(shù)據(jù)增強對模型性能的影響,針對番茄葉片的普通增強和Mixup混合增強兩種增強方式,分別選用 Focal loss 損失函數(shù)以及 Cross en‐tropy loss函數(shù)進行測試,形成四種不同的組合方案。準確率和損失變化如表1所示。

    由表1可知,四種試驗方案下模型的識別精度相差不大,但損失變化的差異相對較明顯,其中方案 F 和方案 FX 下的識別準確率比方案 C 和CX 下的準確率提升0.05%~0.11%;而方案 F 和方案 FX下的損失值也明顯比方案 C和 CX下的損失值降低5%左右。這說明與使用 Cross entropyloss函數(shù)相比,使用 Focal loss函數(shù)的模型總體識別性能更好。

    此外,方案 FX 和方案 F 相比,準確率提高0.37%、損失值下降1.47%;方案 CX和方案 C相比,準確率提高0.31%、損失值下降0.61%,這說明在同一損失函數(shù)下,采用Mixup混合增強方式比普通增強方式的分類效果更好,Mixup混合增強有助于提高深度網(wǎng)絡模型的識別性能。

    4.4基于遷移學習的 MobileNetV3改進前后結果對比

    4.4.1 模型識別性能的提升

    如圖9所示,MobileNetV3曲線代表4.3節(jié)的遷移模型的識別曲線,dilated標識的曲線代表遷移 MobileNetV3模型采用空洞卷積和感知機的識別變化; dilated and GLU 曲線代表遷移 Mobile‐ NetV3模型在 dilated曲線的基礎上,進一步采用 GLU 函數(shù)的模型識別變化。從圖9中可以看出,在訓練達到相同輪數(shù)的情況下,改進后的模型的識別精度有所提升。相比遷移學習的94.68%的識別率,在空洞卷積和感知機相結合的情況下識別率可提升2.62%,進一步采用 GLU函數(shù)可以使識別率再次上升0.85%。說明本研究方法提高了模型的識別精度,識別性能得到提升。

    從表2可以看到,VGG16模型的測試準確率僅有86.62%,ResNet50和 Inception-V3測試準確率分別為89.95%和90.26%;而 MobileNetV3模型測試準確率達94.68%,在對 MobileNetV3模型結構改進之后,準確率達到了98.25%,提升了3.57%,識別效果達到最優(yōu)。

    在識別過程中,ResNet50對單張圖片檢測時間為1.54 s 。VGG16與 Inception-V3的平均檢測時間分別是0.57 s和0.55 s ,MobileNetV3模型的識別檢測平均耗時為0.39 s 。GLU函數(shù)加速了網(wǎng)絡的收斂,單張圖像的識別時間縮減為0.27 s,縮短了0.12 s ,且數(shù)據(jù)規(guī)模最小,更適合番茄病害的檢測。

    4.4.2 各類別病害識別準確率的提高

    如圖10所示,為改進后模型對病害分類效果的混淆矩陣圖。其中0~9分別代表番茄細菌病、早疫病、晚疫病、葉霉病、七星葉斑病、靶斑病、雙斑蜘蛛、花葉病毒、黃曲葉病、健康葉片的類別??梢钥吹礁倪M后的模型對于病害類別分類錯誤的樣本數(shù)明顯減少。

    表3列舉了遷移 MobileNetV3模型改進前后各類別病害的識別率,其中番茄健康葉片、雙斑蜘蛛和葉霉病的識別率均提高6%~7%,其它類別平均提高3%左右。10個類別的番茄葉片病害的平均識別準確率為98.25%,與原來的94.68%相比提升了3.57%。試驗表明在遷移學習的基礎上對模型的改進方法是可行的,有助于番茄葉片病害的分類識別。

    4.5模型識別性能評價

    本試驗采用交叉驗證方法[25]作為評價標準來衡量模型對番茄葉片病害的識別性能,采用十折交叉驗證( 10-Fold Cross-Validation )對模型進行評價。將番茄葉片病害圖像分為10份,依次選取其中的9份作為訓練集,另外1份作為測試集。取10次測試結果的均值,作為模型魯棒性的評價標準。1~10次試驗的識別準確率分別為96.78%、98.51%、97.31%、98.22%、98.17%、99.05%、 98.66%、 98.93%、 97.72%、 99.17%,平均測試準確率為98.25%。10次測試的精度相差無幾,表明改進的 MobileNetV3模型具有一定的穩(wěn)定性和可靠性。

    5 結論

    本研究在卷積神經(jīng)網(wǎng)絡 MobileNetV3遷移學習的基礎上,改進了激活函數(shù)和瓶頸層結構的卷積層,構建番茄病害識別模型,輸出10類番茄葉片病害的對應類別。對本研究提出的病害識別方法進行試驗和分析,得出以下結論。

    (1) 采用輕量級網(wǎng)絡在深度學習的識別任務中更具有優(yōu)勢。與 VGG16、ResNet50和Incep‐tion-V3深度遷移模型相比,輕量級網(wǎng)絡 Mobile ‐NetV3對番茄病害識別的效果更好,平均準確率98.25%、單張圖像識別時間0.27 s 、模型數(shù)據(jù)占用內(nèi)存43.57 MB ,更有利于在移動 APP 上實現(xiàn)對番茄葉片病害的實時檢測,提高檢測效率。

    (2) 采用遷移學習策略有助于提升網(wǎng)絡的識別性能,但是其作用依然有局限性,通過將遷移學習與Mixup混合增強結合,并采取更適合的損失函數(shù),可以將 MobileNetV3網(wǎng)絡的識別率由94.57%提升至98.25%,并且網(wǎng)絡訓練更穩(wěn)定。

    (3) 針對番茄不同病害間葉片及病斑顏色相近、形狀相似的不易區(qū)分的特點,對模型的卷積層進行改進,添加空洞卷積和感知機結構可以輔助病斑特征的提取,提高2.62%的識別精度;將激活函數(shù)改進為 GLU 門控機制函數(shù),識別時間縮短0.12 s ,可加速網(wǎng)絡的收斂。

    (4) 采用十折交叉驗證方法對模型的穩(wěn)定性和可靠性進行更準確的評價,平均測試準確率98.25%。

    研究結果表明在遷移學習的基礎上對 Mo ‐bileNetV3模型進行改進,有助于提高對番茄葉片病害識別的整體效果??紤]到實際病害識別中圖像背景往往較為復雜,后續(xù)將會收集一些自然環(huán)境中的多種作物病害圖像,對模型進行更加輕量化的改進,致力于開發(fā)出可應用于移動端的作物病害識別系統(tǒng)。

    參考文獻:

    [1] 張創(chuàng)創(chuàng), 袁帥坤, 霍克坤.影響番茄生產(chǎn)效益的因素[J].湖北農(nóng)機化, 2020(12):33-34.

    ZHANG C, YUAN S, HUO K. Factors affecting toma‐to production efficiency[J]. Hubei Agricultural Mecha‐nization, 2020(12):33-34.

    [2] 王建璽, 寧菲菲, 魯書喜.基于支持向量機的蘋果葉部病害識別方法研究[J].山東農(nóng)業(yè)科學, 2015, 47(7):122-125, 141.

    WANG J, NING F, LU S. Study on apple leaf disease identification? method? based? on? support? vector? ma‐ chine[J]. Shandong Agricultural? Science, 2015, 47(7):122-125, 141.

    [3] 秦豐, 劉東霞, 孫炳達, 等.基于圖像處理技術的四種苜蓿葉部病害的識別[J].中國農(nóng)業(yè)大學學報 , 2016, 21(10):65-75.

    QIN F, LIU D, SUN B, et al. Recognition of four dif‐ferent alfalfa leaf diseases based on image processing technology[J]. Journal of China Agricultural Universi‐ ty, 2016, 21(10):65-75.

    [4] 夏永泉, 李耀斌, 李晨.基于圖像處理技術的小麥葉部病害識別研究[J].科技通報, 2016, 32(4):92-95.

    XIA Y, LI Y, LI C. Recognition of wheat leaf disease based on image processing technology[J]. Science and Technology Bulletin, 2016, 32(4):92-95.

    [5] 劉婷婷, 王婷, 胡林.基于卷積神經(jīng)網(wǎng)絡的水稻紋枯病圖像識別[J].中國水稻科學, 2019, 33(1):90-94.

    LIU T, WANG T, HU L. RhizocotoniaSolanirecogni‐tion algorithm based on convolution neural network[J]. China Journal of Rice Science, 2019, 33(1):90-94.

    [6] WU Y. Identification of maize leaf diseases based onconvolutional ?neural? network[J]. Journal? of Physics: Conference Series, 2021, 1748(3): ID 032004.

    [7] 丁瑞, 周平.基于卷積神經(jīng)網(wǎng)絡的典型農(nóng)作物葉病害識別算法[J].包裝學報, 2018, 10(6):74-80.

    DING R, ZHOU P. Identification of typical crop leaf diseases? based? on? convolutional? neural? network[J]. Packaging Journal, 2018, 10(6):74-80.

    [8] 陳桂芬, 趙姍, 曹麗英, 等.基于遷移學習與卷積神經(jīng)網(wǎng)絡的玉米植株病害識別[J].智慧農(nóng)業(yè) , 2019, 1(2):34-44.

    CHEN G, ZHAO S, CAO L, et al. Corn plant disease recognition based on migration learning and convolu‐tional? neural? network[J]. Smart? Agriculture, 2019, 1(2):34-44.

    [9] WAHEED A, MUSKAN G, GUPTA D, et al. An opti‐mized? dense? convolutional neural network model? for disease? recognition? and? classification? in? corn? leaf[J]. Computers and Electronics in Agriculture, 2020, 175:ID 105456.

    [10]常江, 管聲啟, 師紅宇, 等.基于改進生成對抗網(wǎng)絡和MobileNetV3的帶鋼缺陷分類[J].激光與光電子學進展, 2021, 58(4):221-226.

    CHANG J, GUAN S, SHI H, et al. Strip defect classifi‐ cation based? on? improved? generative? adversarial net‐ works? and? MobileNetV3[J]. Laser & Optoelectronics Progress, 2021, 58(4):221-226.

    [11] FAYE M, CHEN B, KANE A S. Plant disease detec‐tion? with? deep? learning? and? feature? extraction? using plant village[J]. Journal of Computer and Communica‐tions, 2020, 8(6):10-22.

    [12] WANG X, ZHANG C, ZHANG S. Multiscale convolu‐tional neural networks with attention for plant speciesrecognition[J]. Computational Intelligence and Neuro‐science, 2021, 2021: ID 5529905.

    [13] ZOHAIB? M,? SHUN? F,? QUOC? V. Spectral? imagesbased? environmental? sound? classification? using? CNNwith meaningful data augmentation[J]. Applied Acous‐tics, 2021, 172:ID 107581.

    [14]陸健強, 林佳翰, 黃仲強, 等.基于Mixup算法和卷積神經(jīng)網(wǎng)絡的柑橘黃龍病果實識別研究[J].華南農(nóng)業(yè)大學學報, 2021, 42(3):94-101.

    LU J, LIN J, HUANG Z, et al. Identification of citrusfruit infected with Huanglongbing based on Mixup al‐gorithm? and? convolutional neural network[J]. Journalof South? China Agricultural? University, 2021, 42(3):94-101.

    [15]葛麗君.混合 beta 分布的建模方法研究[J].南國博覽, 2019(4):166.

    [16]易強, 李成娟, 李寶清, 等.基于改進 MobileNetV1網(wǎng)絡的野外車輛識別[J].工業(yè)控制計算機, 2020, 33(7):104-107.

    YI Q, LI C, LI B, et al. Field vehicle recognition basedon improved MobileNetV1 network[J]. Industrial Con‐trol Computer, 2020, 33(7):104-107.

    [17]陳智超, 焦海寧, 楊杰, 等.基于改進 MobileNetV2的垃圾圖像分類算法[J].浙江大學學報(工學版), 2021,55(8):1490-1499.

    CHEN Z, JIAO H, YANG J, et al. Garbage image classi‐fication algorithm based on improved MobileNetV2[J].Journal of Zhejiang University (Engineering Edition),2021, 55(8):1490-1499.

    [18] LI X, SHEN X, ZHOU Y, et al. Classification of breastcancer? histopathological? images? using? interleavedDenseNet with? SENet (IDSNet)[J]. PLoS One, 2020,15(5): ID e0232127.

    [19]李淼 , 王敬賢 , 李華龍 , 等.基于 CNN 和遷移學習的農(nóng)作物病害識別方法研究[J].智慧農(nóng)業(yè) , 2019, 1(3):46-55.

    LI M, WANG J, LI H, et al. Method for crop diseaseidentification based? on? CNN? and transfer learning[J].Smart Agriculture, 2019, 1(3):46-55.

    [20] MOON J, HOSSAIN M B, CHON K H. AR and AR‐MA? model? order? selection? for? time-series? modelingwith? ImageNet? classification[J]. Signal? Processing,2021, 183(10): ID 108026.

    [21]姚燕, 胡立坤, 郭軍.基于深度遷移網(wǎng)絡 MobileNetV3的地形識別[J].廣西大學學報(自然科學版), 2021, 46(4):996-1007.

    YAO Y, HU L, GUO J. Terrain recognition based ondeep? migration? network? MobileNetV3[J]. Journal? ofGuangxi? University (Natural? Science? Edition), 2021, 46(4):996-1007.

    [22] AMAHAN P A, VILLARICA M V, VINLUAN A A.Technical analysis of Twitter data in preparation of pre‐ diction using multilayer perceptron algorithm[C]// Pro‐ceedings of 20214th International Conference on Data Science? and? Information? Technology (DSIT 2021). New York, USA: Association for Computing Machin‐ery, 2021:120-124.

    [23] KUMAR V, SINGH R, DUA Y. Morphologically dilat‐ed convolutional neural network for hyperspectral im‐ age? classification[J]. Signal? Processing: Image? Com ‐munication, 2022, 101: ID 116549.

    [24]耿海波.基于 U-Net模型的單聲道唱聲分離研究[D].烏魯木齊:新疆大學, 2020.

    GENG H. Research on mono singing sound separationbased on U-Net model[D]. Urumqi: Xinjiang Universi‐ty, 2020.

    [25] MABUNI D, BABU S A. High accurate and a variantof k-fold cross validation technique for predicting thedecision tree classifier accuracy[J]. International Jour‐nal of Innovative Technology and Exploring Engineer‐ing, 2021, 10(2):105-110.

    Identification of Tomato Leaf Diseases Based on Improved Lightweight Convolutional Neural Networks MobileNetV3

    ZHOU Qiaoli, MA Li* , CAO Liying, YU Helong*

    (College of Information Technology, Jilin Agricultural University, Changchun 130118, China )

    Abstract: Timely detection and treatment of tomato diseases can effectively improve the quality and yield of tomato. In order to realize the real-time and non-destructive detection of tomato diseases, a tomato leaf disease classification and recognition meth‐ od based on improved MobileNetV3 was proposed in this study. Firstly, the lightweight convolutional neural network Mobile‐ NetV3 was used for transfer learning on the image net data set. The network was initialized according to the weight of the pre training model, so as to realize the transfer and fine adjustment of large-scale shared parameters of the model. The training meth‐ od of transfer learning could effectively alleviate the problem of model over fitting caused by insufficient data, realized the accu‐ rate classification of tomato leaf diseases in a small number of samples, and saved the time cost of network training. Under the same experimental conditions, compared with the three standard deep convolution network models of VGG16, ResNet50 and In‐ ception-V3, the results showed that the overall performance of MobileNetV3 was the best. Next, the impact of the change of loss function and the change of data amplification mode on the identification of tomato leaf diseases were observed by using MobileNetV3 convolution network. For the test of loss value, focal loss and cross entropy function were used for comparison, and for the test of data enhancement, conventional data amplification and mixup hybrid enhancement were used for comparison. After testing, using Mixup enhancement method under focal loss function could improve the recognition accuracy of the model, and the average test recognition accuracy of 10 types of tomato diseases under Mixup hybrid enhancement and focal loss func‐tion was 94.68%. On the basis of transfer learning, continue to improve the performance of MobileNetV3 model, the dilated convolution convolution with expansion rate of 2 and 4 was introduced into convolution layer, 1×1 full connection layer after deep convolution of 5×5 was connected to form a perceptron structure in convolution layer, and GLU gating mechanism activa‐tion function was used to train the best tomato disease recognition model. The average test recognition accuracy was as high as 98.25%, the data scale of the model was 43.57 MB, and the average detection time of a single tomato disease image was only 0.27s, after ten fold cross validation, the recognition accuracy of the model was 98.25%, and the test results were stable and reli‐ able. The experiment showed that this study could significantly improve the detection efficiency of tomato diseases and reduce the time cost of disease image detection.

    Key words: tomato disease identification; convolutional neural networks; transfer learning; MobileNetV3; activation function; identification and classification

    猜你喜歡
    遷移學習卷積神經(jīng)網(wǎng)絡
    遷移學習研究綜述
    從認知角度探討大學英語網(wǎng)絡教學模式
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學習在電機故障診斷中的應用
    基于卷積神經(jīng)網(wǎng)絡溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡的物體識別算法
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡的樹葉識別的算法的研究
    一種基于遷移極速學習機的人體行為識別模型
    多毛熟女@视频| 欧美国产精品一级二级三级| 亚洲国产中文字幕在线视频| 757午夜福利合集在线观看| 久久精品国产a三级三级三级| 91精品三级在线观看| 老鸭窝网址在线观看| e午夜精品久久久久久久| 国产1区2区3区精品| 久热爱精品视频在线9| 国产一区有黄有色的免费视频| 国产免费现黄频在线看| 女警被强在线播放| 看黄色毛片网站| 免费在线观看影片大全网站| www.999成人在线观看| 在线观看午夜福利视频| 亚洲欧洲精品一区二区精品久久久| 久久精品亚洲熟妇少妇任你| 日本欧美视频一区| 18禁美女被吸乳视频| 夜夜夜夜夜久久久久| 少妇猛男粗大的猛烈进出视频| 不卡一级毛片| 99在线人妻在线中文字幕 | 午夜激情av网站| 亚洲国产精品sss在线观看 | 中文欧美无线码| 成人影院久久| 国产无遮挡羞羞视频在线观看| 国产高清激情床上av| 久久99一区二区三区| 国产区一区二久久| 欧美日韩瑟瑟在线播放| 另类亚洲欧美激情| 如日韩欧美国产精品一区二区三区| 欧美精品av麻豆av| 国产一区二区三区视频了| 1024香蕉在线观看| 久久久国产成人免费| 夜夜躁狠狠躁天天躁| 动漫黄色视频在线观看| av有码第一页| 欧美黄色淫秽网站| a级毛片黄视频| 色在线成人网| 日韩欧美三级三区| 久久性视频一级片| 一级片'在线观看视频| 精品国内亚洲2022精品成人 | 母亲3免费完整高清在线观看| 精品午夜福利视频在线观看一区| 少妇 在线观看| 欧美黑人精品巨大| 亚洲五月婷婷丁香| 99精品在免费线老司机午夜| 十八禁高潮呻吟视频| 免费高清在线观看日韩| 十分钟在线观看高清视频www| 香蕉久久夜色| 久久精品熟女亚洲av麻豆精品| 久久久久久久精品吃奶| 成人18禁在线播放| 999精品在线视频| 久久久久精品人妻al黑| x7x7x7水蜜桃| www日本在线高清视频| 免费少妇av软件| 亚洲av第一区精品v没综合| 久久久久视频综合| 又紧又爽又黄一区二区| 国产欧美日韩精品亚洲av| 成人黄色视频免费在线看| 人妻丰满熟妇av一区二区三区 | 免费看十八禁软件| 国精品久久久久久国模美| 国产欧美日韩一区二区三区在线| 国产精品九九99| 免费在线观看黄色视频的| 国产激情欧美一区二区| 欧美乱妇无乱码| 久久影院123| 建设人人有责人人尽责人人享有的| 99热只有精品国产| 黄色片一级片一级黄色片| 久久国产亚洲av麻豆专区| 亚洲全国av大片| 国产精品一区二区在线观看99| 极品人妻少妇av视频| 午夜91福利影院| 免费黄频网站在线观看国产| 免费看十八禁软件| 一区二区三区国产精品乱码| 精品亚洲成国产av| av超薄肉色丝袜交足视频| av一本久久久久| 一级黄色大片毛片| 成年人免费黄色播放视频| 免费在线观看黄色视频的| 亚洲av成人一区二区三| av在线播放免费不卡| 亚洲av成人av| 99热网站在线观看| 超碰成人久久| 日韩欧美三级三区| av片东京热男人的天堂| 麻豆成人av在线观看| 国产精品免费一区二区三区在线 | 午夜激情av网站| 亚洲成人国产一区在线观看| 日韩有码中文字幕| 在线十欧美十亚洲十日本专区| 欧美黑人精品巨大| 国产欧美日韩一区二区精品| 一本大道久久a久久精品| 啦啦啦免费观看视频1| 老鸭窝网址在线观看| 国产日韩一区二区三区精品不卡| 欧美+亚洲+日韩+国产| 国产av精品麻豆| 久久精品国产99精品国产亚洲性色 | 亚洲九九香蕉| 丰满人妻熟妇乱又伦精品不卡| 一边摸一边做爽爽视频免费| 老司机影院毛片| 亚洲成国产人片在线观看| 97人妻天天添夜夜摸| 亚洲视频免费观看视频| 精品一区二区三区四区五区乱码| 亚洲色图av天堂| 日韩欧美三级三区| 欧美黄色淫秽网站| 国产无遮挡羞羞视频在线观看| 国产亚洲欧美在线一区二区| 免费久久久久久久精品成人欧美视频| 老汉色∧v一级毛片| 成人亚洲精品一区在线观看| 亚洲国产中文字幕在线视频| 国产精品亚洲一级av第二区| 亚洲中文av在线| 日本vs欧美在线观看视频| 超碰成人久久| 精品国产美女av久久久久小说| 久久国产精品大桥未久av| 国内毛片毛片毛片毛片毛片| 999久久久精品免费观看国产| www.自偷自拍.com| 久久中文看片网| 国产精品久久久久久人妻精品电影| 国产成人一区二区三区免费视频网站| 18禁裸乳无遮挡动漫免费视频| 国内久久婷婷六月综合欲色啪| 久久久久久久久免费视频了| 两性午夜刺激爽爽歪歪视频在线观看 | 九色亚洲精品在线播放| 少妇粗大呻吟视频| 亚洲精品国产精品久久久不卡| 男女下面插进去视频免费观看| 在线观看免费日韩欧美大片| 亚洲免费av在线视频| 精品卡一卡二卡四卡免费| 女人被躁到高潮嗷嗷叫费观| 十八禁网站免费在线| 久久精品91无色码中文字幕| 男人操女人黄网站| 91精品国产国语对白视频| 久久国产精品影院| 国产真人三级小视频在线观看| 久久中文字幕一级| 欧美日韩福利视频一区二区| 老司机午夜福利在线观看视频| 香蕉久久夜色| av天堂在线播放| 成人免费观看视频高清| 桃红色精品国产亚洲av| 男女高潮啪啪啪动态图| 色老头精品视频在线观看| 人人妻,人人澡人人爽秒播| 黄色视频不卡| 精品国产一区二区久久| 精品久久久久久久久久免费视频 | 欧美成人免费av一区二区三区 | 人人妻,人人澡人人爽秒播| 国产精品一区二区在线观看99| av福利片在线| 在线播放国产精品三级| 亚洲色图av天堂| 一a级毛片在线观看| 人成视频在线观看免费观看| 精品午夜福利视频在线观看一区| 在线观看舔阴道视频| 999精品在线视频| 亚洲精品粉嫩美女一区| 99re在线观看精品视频| 亚洲国产精品一区二区三区在线| 母亲3免费完整高清在线观看| 婷婷丁香在线五月| 亚洲欧美一区二区三区久久| 精品少妇一区二区三区视频日本电影| 亚洲精品美女久久av网站| 久久午夜亚洲精品久久| 夫妻午夜视频| 欧美日韩瑟瑟在线播放| 久久人人97超碰香蕉20202| 热re99久久精品国产66热6| 久久狼人影院| 久久狼人影院| 欧美大码av| 欧美乱码精品一区二区三区| 纯流量卡能插随身wifi吗| 99热只有精品国产| 日韩大码丰满熟妇| 久久久国产成人精品二区 | 看免费av毛片| 999久久久精品免费观看国产| 欧美激情 高清一区二区三区| 欧美日韩成人在线一区二区| 伦理电影免费视频| 亚洲欧美日韩另类电影网站| 久久精品aⅴ一区二区三区四区| 免费女性裸体啪啪无遮挡网站| 首页视频小说图片口味搜索| 天天躁日日躁夜夜躁夜夜| 日韩成人在线观看一区二区三区| 99国产精品一区二区蜜桃av | av欧美777| 亚洲熟女精品中文字幕| 亚洲精品成人av观看孕妇| 国产免费现黄频在线看| 免费观看精品视频网站| 另类亚洲欧美激情| 校园春色视频在线观看| 国产日韩欧美亚洲二区| 久久九九热精品免费| 欧美精品啪啪一区二区三区| 亚洲av电影在线进入| 亚洲欧洲精品一区二区精品久久久| 精品人妻1区二区| 亚洲人成电影观看| 亚洲色图av天堂| 午夜福利在线免费观看网站| 精品少妇久久久久久888优播| 精品一区二区三卡| 亚洲成国产人片在线观看| 飞空精品影院首页| 亚洲五月婷婷丁香| 国产精品免费视频内射| 香蕉丝袜av| 黄色怎么调成土黄色| 午夜福利欧美成人| 国产区一区二久久| 乱人伦中国视频| 午夜精品在线福利| 亚洲精品成人av观看孕妇| 91av网站免费观看| 亚洲中文日韩欧美视频| 捣出白浆h1v1| 免费av中文字幕在线| 十八禁高潮呻吟视频| 成人黄色视频免费在线看| 精品福利观看| 狠狠婷婷综合久久久久久88av| 夜夜躁狠狠躁天天躁| 午夜福利乱码中文字幕| 中出人妻视频一区二区| 极品少妇高潮喷水抽搐| 黄色片一级片一级黄色片| 天堂俺去俺来也www色官网| 亚洲欧美一区二区三区黑人| 国产1区2区3区精品| 亚洲第一青青草原| 伦理电影免费视频| av欧美777| e午夜精品久久久久久久| 美女视频免费永久观看网站| 高清黄色对白视频在线免费看| 王馨瑶露胸无遮挡在线观看| 女人久久www免费人成看片| av天堂久久9| 亚洲欧美色中文字幕在线| 无人区码免费观看不卡| 亚洲全国av大片| 超色免费av| 欧美亚洲日本最大视频资源| 一区二区三区精品91| 岛国在线观看网站| 亚洲欧美一区二区三区黑人| 亚洲自偷自拍图片 自拍| 久久久国产精品麻豆| 淫妇啪啪啪对白视频| 国产主播在线观看一区二区| 老司机午夜十八禁免费视频| 男人舔女人的私密视频| 亚洲一卡2卡3卡4卡5卡精品中文| 天堂俺去俺来也www色官网| 亚洲av日韩在线播放| 9191精品国产免费久久| 国产精品.久久久| 人人澡人人妻人| 久久久精品免费免费高清| 久久久久久亚洲精品国产蜜桃av| 日本五十路高清| 别揉我奶头~嗯~啊~动态视频| 国产精品亚洲一级av第二区| 又大又爽又粗| 欧美成人午夜精品| 免费看十八禁软件| 一边摸一边做爽爽视频免费| 18禁裸乳无遮挡免费网站照片 | 亚洲人成77777在线视频| 我的亚洲天堂| 亚洲成人国产一区在线观看| 99国产精品99久久久久| 国产av一区二区精品久久| 中出人妻视频一区二区| 天天躁狠狠躁夜夜躁狠狠躁| 久久久久久亚洲精品国产蜜桃av| 极品少妇高潮喷水抽搐| 国产亚洲欧美98| 国产高清视频在线播放一区| 麻豆国产av国片精品| 亚洲欧美激情在线| 亚洲精品自拍成人| 国产亚洲精品久久久久久毛片 | 午夜精品久久久久久毛片777| 黄网站色视频无遮挡免费观看| 亚洲黑人精品在线| av免费在线观看网站| 久久99一区二区三区| 天天躁日日躁夜夜躁夜夜| 国产免费现黄频在线看| 中文字幕高清在线视频| 国产一区二区三区综合在线观看| 精品久久久久久久久久免费视频 | videosex国产| 中文字幕高清在线视频| 90打野战视频偷拍视频| 在线观看免费高清a一片| 一二三四社区在线视频社区8| 日韩欧美在线二视频 | 欧美日韩福利视频一区二区| 色综合婷婷激情| 精品久久久久久久久久免费视频 | 99热网站在线观看| 黑人操中国人逼视频| 巨乳人妻的诱惑在线观看| 18在线观看网站| 日日摸夜夜添夜夜添小说| 在线观看一区二区三区激情| 国产成人影院久久av| 色综合婷婷激情| 亚洲精品久久成人aⅴ小说| 波多野结衣一区麻豆| 岛国在线观看网站| 国产欧美日韩精品亚洲av| 欧美一级毛片孕妇| 不卡一级毛片| 满18在线观看网站| 黄片播放在线免费| 村上凉子中文字幕在线| 国产成人影院久久av| 丝袜美足系列| 国产欧美日韩一区二区三| 国产单亲对白刺激| 丁香欧美五月| 法律面前人人平等表现在哪些方面| 巨乳人妻的诱惑在线观看| 大码成人一级视频| 国产又爽黄色视频| 欧美国产精品一级二级三级| 热99久久久久精品小说推荐| 久久人人爽av亚洲精品天堂| 国产欧美亚洲国产| 亚洲中文日韩欧美视频| 欧美激情高清一区二区三区| 久久精品亚洲熟妇少妇任你| 老鸭窝网址在线观看| 九色亚洲精品在线播放| 最新的欧美精品一区二区| 麻豆乱淫一区二区| 亚洲五月婷婷丁香| 纯流量卡能插随身wifi吗| 欧美日韩一级在线毛片| 国产在线一区二区三区精| 精品一区二区三区四区五区乱码| 免费黄频网站在线观看国产| 婷婷丁香在线五月| 丰满的人妻完整版| 久久国产精品人妻蜜桃| 99精品欧美一区二区三区四区| 欧美久久黑人一区二区| 天堂√8在线中文| 一级毛片精品| 国产免费现黄频在线看| 国产精品久久久久成人av| 欧美日韩乱码在线| 欧美精品亚洲一区二区| 亚洲五月天丁香| 国产精品99久久99久久久不卡| 1024视频免费在线观看| 精品国产亚洲在线| 免费在线观看黄色视频的| 大型黄色视频在线免费观看| 国产成人免费观看mmmm| 啦啦啦免费观看视频1| 国产精品免费大片| 人妻一区二区av| 久久久久久久久免费视频了| 久久久久久久午夜电影 | 好男人电影高清在线观看| 美女 人体艺术 gogo| 婷婷精品国产亚洲av在线 | 久久精品国产亚洲av香蕉五月 | 亚洲精品国产精品久久久不卡| 久久 成人 亚洲| 亚洲av日韩精品久久久久久密| 色综合婷婷激情| 中文字幕另类日韩欧美亚洲嫩草| 亚洲一区中文字幕在线| 大香蕉久久成人网| 悠悠久久av| 国产精品秋霞免费鲁丝片| 免费看a级黄色片| 国产成人欧美在线观看 | 搡老乐熟女国产| 国产一卡二卡三卡精品| 国精品久久久久久国模美| 亚洲av日韩精品久久久久久密| 在线观看舔阴道视频| 久久精品国产亚洲av高清一级| 757午夜福利合集在线观看| 国产精品久久视频播放| 激情视频va一区二区三区| 久99久视频精品免费| 韩国精品一区二区三区| 91麻豆av在线| 久久久精品免费免费高清| 国产精品一区二区免费欧美| 色94色欧美一区二区| 午夜福利影视在线免费观看| 最近最新免费中文字幕在线| 在线观看www视频免费| 女警被强在线播放| 波多野结衣av一区二区av| 欧美日韩亚洲国产一区二区在线观看 | 99国产综合亚洲精品| av不卡在线播放| av网站免费在线观看视频| 国产亚洲av高清不卡| 成人黄色视频免费在线看| 日韩 欧美 亚洲 中文字幕| 国产区一区二久久| 午夜福利乱码中文字幕| 一级毛片女人18水好多| 老司机影院毛片| 亚洲一区中文字幕在线| 两性夫妻黄色片| 91字幕亚洲| 久久久国产成人精品二区 | 麻豆av在线久日| 不卡一级毛片| 十分钟在线观看高清视频www| 午夜福利欧美成人| 夜夜躁狠狠躁天天躁| 国产免费现黄频在线看| 美女国产高潮福利片在线看| 制服诱惑二区| 免费看a级黄色片| www.精华液| 欧美黄色片欧美黄色片| 欧美日韩国产mv在线观看视频| 亚洲av日韩在线播放| 亚洲精品成人av观看孕妇| 在线观看免费午夜福利视频| 国产野战对白在线观看| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品美女久久av网站| 欧美日韩国产mv在线观看视频| 交换朋友夫妻互换小说| 成人特级黄色片久久久久久久| bbb黄色大片| 国产精品久久久av美女十八| 成人影院久久| 91成年电影在线观看| 热99国产精品久久久久久7| 超色免费av| 国产深夜福利视频在线观看| 大片电影免费在线观看免费| 久久久久精品人妻al黑| 在线观看舔阴道视频| 中亚洲国语对白在线视频| 久久久久久人人人人人| 亚洲第一欧美日韩一区二区三区| 亚洲精品一二三| 看片在线看免费视频| 国产成人精品久久二区二区91| 建设人人有责人人尽责人人享有的| bbb黄色大片| 国产又色又爽无遮挡免费看| 黄色a级毛片大全视频| 国产av精品麻豆| 变态另类成人亚洲欧美熟女 | 久久精品aⅴ一区二区三区四区| 欧美久久黑人一区二区| 日韩欧美免费精品| 国产精品亚洲一级av第二区| 日韩一卡2卡3卡4卡2021年| 日韩精品免费视频一区二区三区| 亚洲在线自拍视频| 丝袜美腿诱惑在线| 国产视频一区二区在线看| 一进一出抽搐动态| av欧美777| 怎么达到女性高潮| 亚洲七黄色美女视频| 一区二区三区激情视频| 美女 人体艺术 gogo| 久久精品aⅴ一区二区三区四区| 一级毛片女人18水好多| 在线看a的网站| 久久久精品区二区三区| 国产成人欧美在线观看 | 热re99久久国产66热| 亚洲aⅴ乱码一区二区在线播放 | 国产午夜精品久久久久久| 在线观看免费高清a一片| av网站免费在线观看视频| 飞空精品影院首页| 18禁裸乳无遮挡动漫免费视频| 午夜福利,免费看| 91在线观看av| 高清毛片免费观看视频网站 | 日韩精品免费视频一区二区三区| 高潮久久久久久久久久久不卡| 中文字幕另类日韩欧美亚洲嫩草| 欧美精品啪啪一区二区三区| 男人操女人黄网站| 美女午夜性视频免费| 黄片播放在线免费| 性色av乱码一区二区三区2| 欧美成人午夜精品| 18禁裸乳无遮挡动漫免费视频| 18禁国产床啪视频网站| 欧美乱码精品一区二区三区| 一区二区三区精品91| 男女午夜视频在线观看| 久久人人爽av亚洲精品天堂| 久久中文字幕人妻熟女| 热re99久久精品国产66热6| 亚洲成a人片在线一区二区| 黄片小视频在线播放| 9191精品国产免费久久| 日韩大码丰满熟妇| 精品亚洲成国产av| 人人澡人人妻人| 亚洲av第一区精品v没综合| 精品国产亚洲在线| 777米奇影视久久| 99热只有精品国产| 亚洲自偷自拍图片 自拍| 波多野结衣一区麻豆| 久久国产精品男人的天堂亚洲| 国产精品电影一区二区三区 | 国产无遮挡羞羞视频在线观看| 十分钟在线观看高清视频www| 中文字幕人妻丝袜一区二区| 欧美 亚洲 国产 日韩一| 亚洲色图 男人天堂 中文字幕| 99re在线观看精品视频| 亚洲 欧美一区二区三区| 欧美精品人与动牲交sv欧美| 飞空精品影院首页| 国产精品 欧美亚洲| 女性生殖器流出的白浆| 欧美成人午夜精品| 最新在线观看一区二区三区| 中文字幕人妻丝袜一区二区| 欧美精品啪啪一区二区三区| av福利片在线| 国产欧美日韩一区二区三| 搡老熟女国产l中国老女人| 国产精品偷伦视频观看了| 午夜影院日韩av| 免费在线观看日本一区| cao死你这个sao货| 婷婷精品国产亚洲av在线 | 国产精品一区二区在线观看99| 麻豆成人av在线观看| 夜夜夜夜夜久久久久| 捣出白浆h1v1| 欧美日韩精品网址| 99热网站在线观看| 人人妻人人爽人人添夜夜欢视频| 欧美日韩瑟瑟在线播放| 欧美亚洲 丝袜 人妻 在线| 每晚都被弄得嗷嗷叫到高潮| 亚洲精品中文字幕一二三四区| 69精品国产乱码久久久| 久久久久久免费高清国产稀缺| 精品福利永久在线观看| www日本在线高清视频| 国产精品 国内视频| 婷婷成人精品国产| 18禁黄网站禁片午夜丰满| 欧美 日韩 精品 国产| 在线观看免费午夜福利视频| 村上凉子中文字幕在线| 黑人猛操日本美女一级片| 在线免费观看的www视频| 精品一区二区三区av网在线观看| 高清视频免费观看一区二区| 国产激情欧美一区二区| 亚洲av电影在线进入| 热99国产精品久久久久久7| 免费人成视频x8x8入口观看|