• <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 ?

    融合Focal Loss與典型卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)的水稻病害圖像分類

    2023-08-27 21:19:23楊非凡徐偉誠陳盛德蘭玉彬
    江蘇農(nóng)業(yè)科學 2023年14期
    關鍵詞:卷積神經(jīng)網(wǎng)絡

    楊非凡 徐偉誠 陳盛德 蘭玉彬

    摘要:快速高效地識別水稻病害的種類并及時采取有效的防治措施對避免水稻減產(chǎn)具有重要意義,為解決人工識別水稻病害效率低、識別精度不高、深度學習樣本不平衡導致識別準確率不高等問題,融合Focal Loss與4種典型卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)對7種水稻病害進行分類識別。利用TensorFlow的Keras深度學習框架搭建卷積神經(jīng)網(wǎng)絡的圖像識別分類系統(tǒng),使用Focal Loss損失函數(shù)解決數(shù)據(jù)集不平衡導致識別準確率低的問題,采用ResNet50、ResNet101、MobileNetV2、VGG16作為特征提取骨干,對7種水稻病害進行識別。通過imgaug庫增強數(shù)據(jù),將13 543張水稻病害圖像按照9 ∶1的比例劃分為訓練集和驗證集并參與訓練模型,將1 404張水稻病害圖像作為測試集來驗證模型的準確性。結(jié)果表明,所搭建的數(shù)據(jù)集中ResNet50、ResNet101、MobileNetV2、VGG16的識別準確率分別為98.06%、94.26%、92.47%、97.83%??梢?,在融合Focal Loss損失函數(shù)的情況下,ResNet50作為特征提取骨干訓練出的模型在水稻病害圖像分類中擁有最高的準確率,該成果可在實際生產(chǎn)中實現(xiàn)水稻病害的自動分類識別,有助于水稻病害的防治工作。

    關鍵詞:水稻病害識別;卷積神經(jīng)網(wǎng)絡;Focal Loss;ResNet;MobileNetV2;VGG16

    中圖分類號:TP391.41文獻標志碼:A

    文章編號:1002-1302(2023)14-0198-07

    水稻作為我國南方的主要糧食作物,占全國糧食種植面積的1/3[1]。在水稻生長期內(nèi)伴生的多種病害常導致水稻減產(chǎn),因此水稻病害的診斷與防治具有重要意義。傳統(tǒng)水稻病害識別方法主要為專家目視觀察水稻患病部位,根據(jù)患病部位的特征判斷患病種類。該方法具有效率低、工成本高、專業(yè)技能要求高等缺點,不利于及時對水稻病害進行精準防控[2]?;谏疃葘W習技術在圖像識別領域具有無損、高效的特點,已有部分研究人員將其應用到植物病害識別領域中。Bikash等將神經(jīng)網(wǎng)絡用于識別茶樹的5種疾病[3]。Astani等使用深度學習識別番茄病害種類,準確率為95.98%[4]。徐振南等將MobileNetV3用于識別馬鈴薯葉部病害,準確率為98%[5]。鄧小玲等采用基于無人機遙感的BP神經(jīng)網(wǎng)絡結(jié)合XgBoost算法對柑橘病害進行分類,準確率達95%[6]。Deng等提出一種基于高光譜反射率的機器學習算法,對田間柑橘黃龍病進行無損檢測[7]。Huang等基于卷積神經(jīng)網(wǎng)絡對小麥葉銹病進行分類,總體準確率和標準誤差分別為91.43%和0.83%[8]。謝軍等將ResNet模型經(jīng)過二次遷移后對稀疏樣本的茶樹病害進行識別,驗證樣本識別率為98%[9]。王利偉等利用數(shù)字圖像處理和支持向量機技術對葡萄的白粉病、黑腐病、霜霉病進行分類,識別正確率為95%[10]。還有學者針對深度學習在水稻病害識別領域開展研究,姜敏等將FasterR-CNN應用于水稻病蟲害檢測中,準確率在90%以上[11]。楊穎等提出基于方向梯度直方圖與局部二值模式混合特征結(jié)合支持向量機的水稻病蟲害識別方法,檢出率可達90.7%[12]。Rahman等提出一種兩階段小型卷積神經(jīng)網(wǎng)絡結(jié)構(gòu),收集1 426張圖片用于識別水稻病蟲害,精確度達93.3%[13]。Zhang等采用基于swin變換的水稻病害識別方法,準確率達93.4%[14]。Krishnamoorthy等提出一種InceptionResNetV2神經(jīng)網(wǎng)絡來預測水稻葉片疾病,準確率為95.67%[15]。另外,在深度學習領域,非平衡數(shù)據(jù)集對模型結(jié)果影響巨大,針對非平衡數(shù)據(jù)集識別準確率低的問題,Lin等于2020年提出Focal Loss損失函數(shù),用來解決一階段(one-stage)目標檢測任務中因正負樣本比例不平衡導致檢測準確率低的問題,該損失函數(shù)通過減少大量簡單負樣本在訓練中所占的權(quán)重來改善目標檢測效果[16]。上述學者針對植物病害識別的研究雖然取得了不錯的效果,但是針對水稻病害識別的研究仍然存在準確率不夠高,研究的水稻病害種類少,且未對主流神經(jīng)網(wǎng)絡在水稻病害識別上的效果進行對比。本研究融合Focal Loss損失函數(shù)與4種優(yōu)秀的卷積神經(jīng)網(wǎng)絡MobileNetV2、ResNet50、ResNet101、VGG16,在非平衡數(shù)據(jù)集上對7種常見水稻病害進行分類,對訓練出的4種水稻病害識別模型的收斂速度,識別效果進行對比[17-19],以探究一種可自動、準確識別水稻病害的方式,并為智慧農(nóng)業(yè)和精準農(nóng)業(yè)實踐提供參考。

    1 材料與方法

    1.1 材料

    本研究數(shù)據(jù)集來源為自采集結(jié)合網(wǎng)絡圖片,網(wǎng)絡圖片來源為中國科學院合肥智能機械研究所智能研究組公開的水稻數(shù)據(jù)集。自采集部分通過數(shù)碼相機與手機在不同時間、不同拍攝角度的自然光照下拍攝,以保證樣本多樣性,拍攝地點位于華南農(nóng)業(yè)大學增城教學科研基地和廣東省佛山市三水區(qū)三水農(nóng)場,根據(jù)不同病害產(chǎn)生的時間,拍攝時間分布于2021年6—10月,拍攝后的圖片經(jīng)過篩選裁剪后得到原始圖片集,收集的圖片通過縮放、鏡像、翻轉(zhuǎn)、旋轉(zhuǎn)、平移、改變色度、高斯模糊等方式隨機組合對圖像進行增強,增強效果見圖1。

    圖像增強主要用于圖片庫的擴增,防止因樣本量少而導致模型產(chǎn)生過擬合現(xiàn)象,增強模型的魯棒性,最終得到用于水稻病害識別的數(shù)據(jù)集,包括7種病害共14 947張圖片。其中,訓練集13 543張,測試集1 404張,7種水稻病害類型對應圖片見圖2,每種病害所包含的圖片數(shù)量見表1。

    1.2 方法

    1.2.1 遷移學習

    大規(guī)模的數(shù)據(jù)集是訓練出優(yōu)秀模型的重要條件。遷移學習是指運用已有(源領域)知識求解不同但相關領域(目標領域)問題的一種新的機器學習方法。運用遷移學習可以在少量水稻病害數(shù)據(jù)的條件下訓練出精準的水稻病害識別模型。遷移學習可分為3類:基于權(quán)重的遷移學習、基于特征選擇的遷移學習、基于特征映射的遷移學習[20]。

    1.2.2 損失函數(shù)優(yōu)化

    深度學習領域的傳統(tǒng)損失函數(shù)為交叉熵損失函數(shù),交叉熵損失函數(shù)計算公式為

    模型經(jīng)過1個batch訓練并激活后,結(jié)果通過softmax歸一化為概率值輸出, 代表圖像預測為每個類別的概率,在公式(1)中用p表示,p在0~1之間,取最大概率類別為預測類別。y=1表示該圖片的真實類別,由公式(1)可得出交叉熵損失函數(shù)對于正樣本(y=1)而言,p越大,表示正樣本越容易分類,其損失值越??;對于負樣本而言(其他),p越小表示負樣本越容易分類,其損失值越小,此時的損失函數(shù)在大量簡單樣本(易分類)的迭代過程中緩慢變化,難以達到最優(yōu);另外,在深度學習領域,樣本均勻性對模型結(jié)果影響巨大,當樣本分布失衡時,損失函數(shù)也會隨之傾斜,由于損失函數(shù)的傾斜,模型在訓練過程中會側(cè)重于樣本量多的類別,導致模型對樣本量少的類別識別效果變差。

    Focal Loss損失函數(shù)可解決上述2個問題,計算公式分別為

    驗證一:γ能夠有效降低易分類樣本的Loss值;僅考慮γ不考慮at,對于易分類正例樣本,假設為 p=0.98,γ=2。

    可以驗證γ能夠有效降低易分類樣本的Loss值,易分類樣本的概率越大效果越好。

    驗證二:at能增加稀疏樣本的損失權(quán)重。假設負樣本數(shù)為100 000,pt=0.94;正樣本數(shù)為10,pt=0.06,at=0.8,γ=2,結(jié)合交叉熵損失函數(shù)。

    負樣本:-lgpt×樣本數(shù)=0.026 9×100 000=2 690;

    正樣本:-lgpt×樣本數(shù)=1.221 8×10=12(保留整數(shù));

    總和Loss=2 690+12=2 702;

    正樣本占比=12/2 702=0.004 4。

    結(jié)合Focal Loss損失函數(shù)。

    負樣本:-at(1-pt)γ(lgpt)×樣本數(shù)=0.8×(1-0.94)2×0.026 9×100 000=7.747 2;

    正樣本:-at(1-p)γ(lgpt)×樣本數(shù)=0.8×(1-0.06)2×1.221 8×10=8.636 6;

    正負樣本損失總和Sum Loss=8.636 6+7.747 2=16.383 8;

    正樣本占比=8.636 6/16.383 8=0.527 1(相比0.004 4增加明顯)。

    可以驗證at能夠增加數(shù)量較少樣本的損失權(quán)重。

    1.2.3 ResNet

    對于傳統(tǒng)的深度神經(jīng)網(wǎng)絡,模型準確率會隨著網(wǎng)絡層數(shù)的持續(xù)加深,先不斷上升、達到飽再下降,這是因為傳統(tǒng)的卷積層和全連接層在信息傳遞時時常存在信息丟失的問題,ResNet可以解決該問題。ResNet網(wǎng)絡由大小不同的殘差塊構(gòu)成(圖3)。將原始輸入信息經(jīng)過旁路支線連接到后續(xù)層,即shortcut結(jié)構(gòu),使得后續(xù)層可以直接學習殘差,通過特征映射的方法緩解梯度消失的問題,其中第1層的1×1卷積對特征矩陣進行降維操作,將特征矩陣的深度由256降為64,第3層的1×1的卷積對特征矩陣進行升維操作,將特征矩陣的深度由64升維到256,使得輸入和輸出特征矩陣形狀相同以便相加。ResNet系列網(wǎng)絡結(jié)構(gòu)名稱后綴的數(shù)字表示卷積層和全連接層層數(shù),殘差網(wǎng)絡50(ResNet50)和殘差網(wǎng)絡101(ResNet101)的完整網(wǎng)絡層次見表2。

    1.2.4 MobileNetV2 MobileNetV2是一種輕量級深度神經(jīng)網(wǎng)絡,其主要特點是采用深度可分離卷積替換普通卷積,引入線性瓶頸和倒殘差來提高網(wǎng)絡的表征能力,倒殘差模塊(bottleneck)見圖4。先通過1×1的卷積將特征圖的通道擴張(升維),經(jīng)過 3×3的深度卷積提取特征,再經(jīng)過1×1的卷積將特征圖壓縮(降維),由于非線性激活函數(shù)ReLu6在負半軸為0(圖5),輸入特征若為負數(shù),該通道的特征會被清零,在降維階段特征已經(jīng)經(jīng)過壓縮,如果使用ReLu6激活函數(shù),則會進一步損失特征信息,故在降維階段引入線性激活函數(shù)(linear)代替ReLu6激活函數(shù)。由于從輸入到輸出會損失部分特征圖信息,故將輸入與輸出特征圖相加,整體形成“兩頭小,中間大”的結(jié)構(gòu),與Resnet殘差模塊“兩頭大,中間小”的結(jié)構(gòu)相反,呈倒置結(jié)構(gòu),故稱其為倒殘差。MobileNetV2的完整網(wǎng)絡結(jié)構(gòu)見表3,其中:t表示倒殘差結(jié)構(gòu)中1×1卷積相比輸入通道升維的倍率;c表示輸出特征矩陣的通道數(shù)channel;n表示倒殘差模塊的重復次數(shù);s表示第1個倒殘差模塊中DW卷積的步長;后續(xù)重復的倒殘差模塊步長均為1。

    1.2.5 VGG16 由圖6可知,該網(wǎng)絡的構(gòu)建方法為重復堆疊3×3的小型卷積核和2×2的最大池化層,該方法比單獨使用1個卷積層擁有更多的非線性變換,同時比單獨使用1個大的卷積核參數(shù)量更少。卷積層實現(xiàn)特征提取,池化層將特征圖長度和寬度壓縮為原來的1/2,全連接層將分布式特征映射到樣本標記空間,以減少特征位置對分類的影響,softmax層將分類結(jié)果歸一化為概率值。

    1.2.6 本研究采用的方法 本研究采用基于權(quán)重的遷移學習方法,分別采用ResNet50、ResNet101、MobileNetV2、VGG16作為特征提取骨干,將其在ImageNet數(shù)據(jù)集上訓練出的權(quán)重作為水稻病害識別的預訓練權(quán)重,進行遷移學習,采用的4種卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)均融合Focal Loss作為損失函數(shù),對比4種網(wǎng)絡結(jié)構(gòu)在水稻病害識別效果上的差異。

    2 結(jié)果與分析

    2.1 試驗環(huán)境

    本試驗基于Python和TensorFlow的Keras框架搭建模型,采用Windows10操作系統(tǒng),GPU為NVIDIA GRID T4-16Q,顯存15 G,CPU型號為Intel Xeon Gold 6130 CPU @ 2.10 GHZ,內(nèi)存64 G。設置模型迭代次數(shù)(epoch)為100,監(jiān)測測試集損失值(val_loss),如果連續(xù)迭代10次,測試集損失值仍不下降,說明模型已經(jīng)收斂,則設置早停;批次大小設置為16;ResNet50、ResNet101和MobileNetV2初始學習率設為0.001,VGG16初始學習率為0.000 1,并對學習率設置動態(tài)調(diào)整,通過監(jiān)測測試集損失值的變化自動調(diào)整學習率,具體規(guī)則設置為如果連續(xù)迭代3個世代,測試集損失值仍未下降,則自動將學習率以0.5倍的系數(shù)下降;使用TennsorBoard監(jiān)測訓練集精確度(acc)、損失值(loss)、學習率(lr)、驗證集精確度(val_acc)、驗證集損失值(val_loss)的變化情況。

    2.2 試驗設計

    為了對比4種模型訓練速度及識別效果的差異,4種模型的數(shù)據(jù)集均保持一致,輸入模型的數(shù)據(jù)尺寸統(tǒng)一為224像素×224像素,通道數(shù)為3,損失函數(shù)保持一致,在相同硬件條件下對不同模型進行對比試驗。將13 543張水稻病害圖片按照分層抽樣的規(guī)則以9 ∶1的比例劃分為訓練集和驗證集,訓練集和驗證集參與模型的訓練過程,1 404張水稻病害圖片作為測試集,測試集僅用于評價模型精度。

    2.3 試驗結(jié)果與分析

    2.3.1 模型在訓練過程中指標對比及分析 試驗使用TensorBoard監(jiān)測模型訓練過程中訓練集精確度、訓練集損失值、測試集精確度、測試集損失值的變化情況(圖7)。在模型訓練的開始階段,損失值和精確度波動幅度較大,隨著訓練的逐步進行,模型精確度和損失值漸趨穩(wěn)定,損失值隨著訓練的進行逐步下降,精確度隨著訓練的進行逐步上升,驗證集損失值和精確度波動大于訓練集,這是由于驗證集樣本數(shù)量少于訓練集樣本導致的。4種模型收斂速度對比顯示,MobileNetV2迭代45個epoch達到收斂狀態(tài),ResNet50迭代35個epoch達到收斂狀態(tài),ResNet101迭代53個epoch達到收斂狀態(tài),VGG16迭代38個epoch達到收斂狀態(tài),ResNet50收斂速度最快。

    2.3.2 模型測試結(jié)果對比 采用精確率(P)、召回率(R)、F1得分、top-1準確率4個指標來評價4種水稻病害識別模型在測試集的識別效果,其中top-1準確率是指識別出的概率最大的分類結(jié)果為正確結(jié)果的圖片數(shù)與該類別圖片總數(shù)的比率。精確率(P)、召回率(R)、F1得分計算公式分別為

    式中:TP是指模型將正樣本正確預測為正例的樣本數(shù)量;TN是指模型將負樣本正確預測為負例的樣本數(shù)量;FP是指模型將負樣本錯誤預測為正例的樣本數(shù)量;FN是指模型將正樣本錯誤預測為負例的樣本數(shù)量。

    由表4可知,ResNet50和VGG16的精確率、召回率和F1得分整體高于MobilenetV2和ResNet101,在7種水稻病害的識別任務中,紋枯病的識別精確率、召回率、F1得分整體高于其他6種病害,識別效果最好。測得各模型的top-1準確率見表5,其中ResNet50的top-1準確率最高。

    3 討論與結(jié)論

    在本研究搭建的數(shù)據(jù)集中,ResNet50、ResNet101、MobileNetV2和VGG16作為特征提取骨干訓練出的模型top-1的準確率分別為98.06%、94.26%、92.47%、97.83%,模型達到收斂所需訓練世代數(shù)分別為35、53、45、38。綜合精確率、召回率、F1得分與收斂速度,ResNet50模型性能整體優(yōu)于ResNet101、MobileNetV2和VGG16。本研究可以解決現(xiàn)有針對水稻病害研究種類少、準確率不高、傳統(tǒng)水稻病害分類方法效率低、人工成本高等問題,使用本研究訓練出的模型,無需水稻病害專業(yè)知識即可實現(xiàn)田間水稻病害的自動識別,不僅可以提高智慧農(nóng)業(yè)水平,且在實際生產(chǎn)中有助于農(nóng)業(yè)人員及時采取針對性的防治措施避免水稻減產(chǎn),實現(xiàn)精準農(nóng)業(yè)。未來的研究方向為水稻蟲害分類任務,以豐富水稻病蟲害分類數(shù)據(jù)集,解決因蟲害防治不及時導致的水稻減產(chǎn)問題。

    參考文獻:

    [1]呂 明,李鷹航,冉小琴,等. 推進南方水稻機械化種植工作思考和建議[J]. 農(nóng)業(yè)機械,2022(5):59-62,65.

    [2]袁 媛,陳 雷,吳 娜,等. 水稻紋枯病圖像識別處理方法研究[J]. 農(nóng)機化研究,2016,38(6):84-87,92.

    [3]Bikash C,Mohammad S U,Md K S,et al. Tea leaf diseases recognition using neural network ensemble[J]. International Journal of Computer Applications,2015,114(17):27-30.

    [4]Astani M,Hasheminejad M,Vaghefi M. A diverse ensemble classifier for tomato disease recognition[J]. Computers and Electronics in Agriculture,2022,198:107054.

    [5]徐振南,王建坤,胡益嘉,等. 基于MobileNetV3的馬鈴薯病害識別[J]. 江蘇農(nóng)業(yè)科學,2022,50(10):176-182.

    [6]鄧小玲,曾國亮,朱梓豪,等. 基于無人機高光譜遙感的柑橘患病植株分類與特征波段提取[J]. 華南農(nóng)業(yè)大學學報,2020,41(6):100-108.

    [7]Deng X L,Huang Z X,Zheng Z,et al. Field detection and classification of citrus Huanglongbing based on hyperspectral reflectance[J]. Computers and Electronics in Agriculture,2019,167:1-7.

    [8]Huang H S,Deng J Z,Lan Y B,et al. Detection of helminthosporium leaf blotch disease based on UAV imagery[J]. Applied Sciences,2019,9(3):558.

    [9]謝 軍,江朝暉,李 博,等. 基于二次遷移模型的小樣本茶樹病害識別[J]. 江蘇農(nóng)業(yè)科學,2021,49(6):176-182.

    [10]王利偉,徐曉輝,蘇彥莽,等. 基于計算機視覺的葡萄葉部病害識別研究[J]. 江蘇農(nóng)業(yè)科學,2017,45(23):222-225.[HJ2mm]

    [11]姜 敏,沈一鳴,張敬堯,等. 基于深度學習的水稻病蟲害診斷方法研究[J]. 洛陽理工學院學報(自然科學版),2019,29(4):78-83.

    [12]楊 穎,文小玲,章秀華. 基于方向梯度直方圖和局部二值模式混合特征的水稻病蟲害識別方法研究[J]. 河南農(nóng)業(yè)大學學報,2021,55(6):1089-1096.

    [13]Rahman C R,Arko P S,Ali M E,et al. Identification and recognition of rice diseases and pests using convolutional neural networks[J]. Biosystems Engineering,2020,194:112-120.

    [14]Zhang Z H,Gong Z J,Hong Q Q,et al. Swin-transformer based classification for rice diseases recognition[C]//2021 International Conference on Computer Information Science and Artificial Intelligence.Kunming,2021:153-156.

    [15]Krishnamoorthy N,Prasad L,Kumar C,et al. Rice leaf diseases prediction using deep neural networks with transfer learning[J]. Environmental Research,2021,198:111275.

    [16]Lin T Y,Goyal P,Girshick R,et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2020,42(2):318-327.

    [17]Sandler M,Howard A,Zhu M L,et al. MobileNetV2:inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake,2018:4510-4520.

    [18]Shafiq M,Gu Z Q. Deep residual learning for image recognition:a survey[J/OL]. Applied Sciences,2022,12(18).(2022-08-09)[2023-01-20]. https://www.mdpi.com/2076-3417/12/18/8972.

    [19]Simonyan K,Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. International Conference on Learning Representations,2015,1409(1):1-14.

    [20]莊福振,羅 平,何 清,等. 遷移學習研究進展[J]. 軟件學報,2015,26(1):26-39.

    收稿日期:2022-09-09

    基金項目:華南農(nóng)業(yè)大學-碧桂園校地校企合作項目;廣東省引進領軍人才項目(編號:2016LJ06G689);廣東省重點領域研發(fā)計劃(編號:2019B020214003);高等學校學科創(chuàng)新引智計劃(編號:D18019);嶺南現(xiàn)代農(nóng)業(yè)實驗室科研項目(編號:NT2021009)。

    作者簡介:楊非凡(1994—),女,陜西咸陽人,碩士研究生,主要從事計算機視覺與無人機遙感研究。E-mail:1653669244@qq.com。

    通信作者:蘭玉彬,博士,教授,博士生導師,主要從事精準農(nóng)業(yè)航空與遙感技術研究。E-mail:ylan@scau.edu.cn。

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡
    基于深度神經(jīng)網(wǎng)絡的微表情識別
    卷積神經(jīng)網(wǎng)絡中減少訓練樣本時間方法研究
    卷積神經(jīng)網(wǎng)絡語言模型研究
    基于卷積神經(jīng)網(wǎng)絡的車輛檢索方法研究
    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
    深度學習技術下的中文微博情感的分析與研究
    軟件(2016年5期)2016-08-30 06:27:49
    基于卷積神經(jīng)網(wǎng)絡的樹葉識別的算法的研究
    av.在线天堂| 久久久久久伊人网av| 成年美女黄网站色视频大全免费 | 日韩欧美一区视频在线观看 | 99热这里只有是精品在线观看| 2021少妇久久久久久久久久久| 综合色丁香网| 久久久久视频综合| 亚洲国产av新网站| 成人毛片60女人毛片免费| 久久久久久久久久成人| 一区二区三区乱码不卡18| 五月玫瑰六月丁香| 亚洲综合色惰| 99热国产这里只有精品6| av播播在线观看一区| 男女边摸边吃奶| 天天躁夜夜躁狠狠久久av| 大陆偷拍与自拍| 人人妻人人爽人人添夜夜欢视频 | 国产av一区二区精品久久| 国产日韩一区二区三区精品不卡 | 欧美变态另类bdsm刘玥| 在线观看www视频免费| 在线观看美女被高潮喷水网站| www.色视频.com| av在线观看视频网站免费| 亚洲久久久国产精品| 国产亚洲av片在线观看秒播厂| 五月天丁香电影| 中文字幕av电影在线播放| 免费久久久久久久精品成人欧美视频 | 亚洲av电影在线观看一区二区三区| 色吧在线观看| 在线观看免费日韩欧美大片 | 亚洲欧美中文字幕日韩二区| 大码成人一级视频| 午夜日本视频在线| 久久人妻熟女aⅴ| 少妇被粗大的猛进出69影院 | 一级爰片在线观看| 建设人人有责人人尽责人人享有的| 国产乱来视频区| 99久国产av精品国产电影| 久久午夜综合久久蜜桃| 欧美少妇被猛烈插入视频| 日本猛色少妇xxxxx猛交久久| 国产极品粉嫩免费观看在线 | 免费黄频网站在线观看国产| 亚洲av在线观看美女高潮| 久久精品国产亚洲网站| av不卡在线播放| 天美传媒精品一区二区| 亚洲av电影在线观看一区二区三区| 免费观看a级毛片全部| 国产成人精品无人区| 久久精品熟女亚洲av麻豆精品| 欧美丝袜亚洲另类| 欧美老熟妇乱子伦牲交| 一本一本综合久久| 观看美女的网站| 久久ye,这里只有精品| 亚洲伊人久久精品综合| 最新的欧美精品一区二区| av黄色大香蕉| 亚洲不卡免费看| 日日摸夜夜添夜夜爱| av国产精品久久久久影院| 一二三四中文在线观看免费高清| 久久久久人妻精品一区果冻| 亚洲怡红院男人天堂| 天天躁夜夜躁狠狠久久av| 成年美女黄网站色视频大全免费 | 麻豆精品久久久久久蜜桃| av天堂久久9| 国产精品欧美亚洲77777| av又黄又爽大尺度在线免费看| 一区二区三区精品91| 我的老师免费观看完整版| 91精品一卡2卡3卡4卡| 蜜桃久久精品国产亚洲av| 久久国产精品男人的天堂亚洲 | 国产乱来视频区| 女性被躁到高潮视频| 2021少妇久久久久久久久久久| 欧美少妇被猛烈插入视频| 一级,二级,三级黄色视频| 久久国产精品大桥未久av | 久久热精品热| av福利片在线观看| www.av在线官网国产| a级一级毛片免费在线观看| 中文字幕人妻熟人妻熟丝袜美| 免费黄频网站在线观看国产| 国产欧美日韩一区二区三区在线 | 国产午夜精品久久久久久一区二区三区| 久久人妻熟女aⅴ| 你懂的网址亚洲精品在线观看| 国产成人一区二区在线| 亚洲欧美成人精品一区二区| 少妇被粗大的猛进出69影院 | 久久精品久久久久久久性| 国产亚洲欧美精品永久| 亚洲综合色惰| 99久久中文字幕三级久久日本| 国产永久视频网站| 久久久久久久久久成人| 日韩精品免费视频一区二区三区 | 精品一区二区三区视频在线| 91精品伊人久久大香线蕉| 成人漫画全彩无遮挡| av又黄又爽大尺度在线免费看| 日韩强制内射视频| 亚洲成人手机| 久久久久人妻精品一区果冻| 黄色怎么调成土黄色| 亚洲精品久久午夜乱码| 一级毛片久久久久久久久女| 亚洲精品国产成人久久av| 我的女老师完整版在线观看| 街头女战士在线观看网站| 中国美白少妇内射xxxbb| 又黄又爽又刺激的免费视频.| videos熟女内射| 久久婷婷青草| 天堂俺去俺来也www色官网| 搡老乐熟女国产| xxx大片免费视频| 伊人亚洲综合成人网| 成人毛片60女人毛片免费| 国产成人精品久久久久久| 国产成人精品无人区| 亚洲国产精品999| 国产一区有黄有色的免费视频| 久热这里只有精品99| 欧美97在线视频| 久久婷婷青草| 青春草视频在线免费观看| 中文字幕亚洲精品专区| a级毛色黄片| 好男人视频免费观看在线| 欧美日韩av久久| 麻豆成人午夜福利视频| 曰老女人黄片| 99热6这里只有精品| 日本黄色片子视频| 在现免费观看毛片| 亚洲欧美一区二区三区国产| 麻豆乱淫一区二区| 日本91视频免费播放| 成人美女网站在线观看视频| 少妇被粗大的猛进出69影院 | 在线免费观看不下载黄p国产| 99久国产av精品国产电影| 日韩 亚洲 欧美在线| 国产淫片久久久久久久久| 综合色丁香网| xxx大片免费视频| 精品久久国产蜜桃| 精品久久久久久久久亚洲| 国产黄色免费在线视频| 婷婷色麻豆天堂久久| 日韩一本色道免费dvd| 国产精品一区二区三区四区免费观看| 黄色配什么色好看| 久久久国产精品麻豆| a级一级毛片免费在线观看| xxx大片免费视频| 久久久国产一区二区| 国产熟女午夜一区二区三区 | av在线app专区| 在线亚洲精品国产二区图片欧美 | 韩国高清视频一区二区三区| 午夜91福利影院| 午夜福利影视在线免费观看| 国产亚洲精品久久久com| 一级黄片播放器| 色视频www国产| 丝袜脚勾引网站| 亚洲精品第二区| 91在线精品国自产拍蜜月| 亚洲国产欧美在线一区| 国产精品欧美亚洲77777| 91久久精品国产一区二区三区| 国产精品一区二区在线不卡| 18禁在线播放成人免费| 91久久精品国产一区二区三区| 午夜免费鲁丝| 好男人视频免费观看在线| 亚洲精品成人av观看孕妇| 麻豆乱淫一区二区| 韩国高清视频一区二区三区| 亚洲精品一区蜜桃| a级片在线免费高清观看视频| 亚洲欧美成人精品一区二区| av天堂中文字幕网| 男人舔奶头视频| 亚洲精品乱码久久久久久按摩| 欧美日韩视频精品一区| 国产欧美日韩综合在线一区二区 | 国产成人一区二区在线| 在线播放无遮挡| 国产一区二区三区综合在线观看 | 在线天堂最新版资源| 国产精品一区二区三区四区免费观看| 午夜福利在线观看免费完整高清在| 只有这里有精品99| 国产欧美日韩综合在线一区二区 | 男人添女人高潮全过程视频| 乱人伦中国视频| 新久久久久国产一级毛片| 欧美高清成人免费视频www| 男女无遮挡免费网站观看| 中国美白少妇内射xxxbb| 亚洲中文av在线| 久久久久久久久久久免费av| 80岁老熟妇乱子伦牲交| 久久久国产欧美日韩av| 国产成人午夜福利电影在线观看| 伦理电影大哥的女人| 欧美xxⅹ黑人| 亚洲精品aⅴ在线观看| 国产真实伦视频高清在线观看| 日日啪夜夜撸| 自拍偷自拍亚洲精品老妇| 久久99蜜桃精品久久| 又大又黄又爽视频免费| 精品午夜福利在线看| 有码 亚洲区| 日本猛色少妇xxxxx猛交久久| 亚洲精品国产成人久久av| 国产高清有码在线观看视频| 男男h啪啪无遮挡| 国语对白做爰xxxⅹ性视频网站| 美女内射精品一级片tv| 18禁动态无遮挡网站| 免费看光身美女| 欧美日韩精品成人综合77777| av在线播放精品| 能在线免费看毛片的网站| 一级黄片播放器| 亚洲国产精品999| 国产一区二区三区av在线| 国产免费视频播放在线视频| 97在线人人人人妻| 日韩在线高清观看一区二区三区| 在线观看免费日韩欧美大片 | 亚洲天堂av无毛| 久久青草综合色| 美女cb高潮喷水在线观看| 九九爱精品视频在线观看| 女性生殖器流出的白浆| 搡女人真爽免费视频火全软件| 午夜91福利影院| 97在线人人人人妻| 美女大奶头黄色视频| 精品久久久久久久久av| 国内精品宾馆在线| 自线自在国产av| 国产精品人妻久久久久久| 免费高清在线观看视频在线观看| 91久久精品国产一区二区三区| 99久久精品国产国产毛片| 两个人免费观看高清视频 | 在线观看国产h片| 久久精品久久久久久久性| 国产探花极品一区二区| 国产精品三级大全| 久久99热6这里只有精品| 精品酒店卫生间| 亚洲国产av新网站| 欧美xxxx性猛交bbbb| 99视频精品全部免费 在线| 久久午夜综合久久蜜桃| 春色校园在线视频观看| 97超碰精品成人国产| 精品国产乱码久久久久久小说| 亚洲婷婷狠狠爱综合网| 极品少妇高潮喷水抽搐| 观看av在线不卡| 久久6这里有精品| 妹子高潮喷水视频| 人体艺术视频欧美日本| 噜噜噜噜噜久久久久久91| 久久99热6这里只有精品| 国产有黄有色有爽视频| 啦啦啦在线观看免费高清www| 久久99热6这里只有精品| 一个人看视频在线观看www免费| 国产精品偷伦视频观看了| 黄色怎么调成土黄色| 乱人伦中国视频| 免费av不卡在线播放| 亚洲内射少妇av| 亚洲精品成人av观看孕妇| 精品人妻熟女毛片av久久网站| 丰满人妻一区二区三区视频av| av不卡在线播放| 日日摸夜夜添夜夜添av毛片| 精品国产一区二区久久| 亚洲国产精品成人久久小说| 免费av中文字幕在线| 亚洲精品中文字幕在线视频 | 国产成人免费观看mmmm| 久久久久精品性色| 欧美三级亚洲精品| 777米奇影视久久| 国产乱人偷精品视频| 日韩人妻高清精品专区| av在线播放精品| 欧美成人精品欧美一级黄| 男女啪啪激烈高潮av片| 国精品久久久久久国模美| 国产免费又黄又爽又色| 看十八女毛片水多多多| 我要看日韩黄色一级片| 新久久久久国产一级毛片| 国产黄片美女视频| 国产一区亚洲一区在线观看| 日韩 亚洲 欧美在线| 国产精品99久久久久久久久| 久久久久久伊人网av| 人妻少妇偷人精品九色| 人妻制服诱惑在线中文字幕| 丰满人妻一区二区三区视频av| 国产精品蜜桃在线观看| 天堂中文最新版在线下载| av天堂久久9| 亚洲图色成人| 亚洲av中文av极速乱| 啦啦啦视频在线资源免费观看| 久久久a久久爽久久v久久| 少妇丰满av| 黄色视频在线播放观看不卡| 女人久久www免费人成看片| 黑人高潮一二区| 国内精品宾馆在线| av黄色大香蕉| 日日撸夜夜添| 建设人人有责人人尽责人人享有的| 老司机影院毛片| 精品一区在线观看国产| 蜜桃久久精品国产亚洲av| 成人亚洲欧美一区二区av| 丰满人妻一区二区三区视频av| 亚洲精品国产av成人精品| 欧美日韩亚洲高清精品| 多毛熟女@视频| 亚洲欧美清纯卡通| 超碰97精品在线观看| 熟女av电影| av在线观看视频网站免费| 午夜久久久在线观看| 春色校园在线视频观看| 乱码一卡2卡4卡精品| 久久女婷五月综合色啪小说| 3wmmmm亚洲av在线观看| 黑人高潮一二区| 国产精品久久久久久精品古装| 最近中文字幕2019免费版| 一级毛片电影观看| 久久久久久人妻| 欧美精品人与动牲交sv欧美| 国产精品国产三级国产av玫瑰| 国产综合精华液| 又爽又黄a免费视频| 一区二区三区精品91| 一本久久精品| 少妇被粗大的猛进出69影院 | 在线观看美女被高潮喷水网站| 亚洲av在线观看美女高潮| 亚洲精品日韩av片在线观看| 国产在视频线精品| 极品教师在线视频| 人人妻人人爽人人添夜夜欢视频 | 欧美变态另类bdsm刘玥| 乱人伦中国视频| 纯流量卡能插随身wifi吗| 亚洲欧美日韩东京热| 久久免费观看电影| 日韩中文字幕视频在线看片| 99久久综合免费| 国产淫片久久久久久久久| 欧美+日韩+精品| 亚洲经典国产精华液单| 精品久久久久久久久亚洲| 一本色道久久久久久精品综合| 一边亲一边摸免费视频| 观看美女的网站| 久久99热6这里只有精品| 99久久精品一区二区三区| 岛国毛片在线播放| 中国三级夫妇交换| 亚洲高清免费不卡视频| 欧美成人午夜免费资源| 日韩制服骚丝袜av| 中国三级夫妇交换| 亚洲国产最新在线播放| 少妇精品久久久久久久| 欧美区成人在线视频| 国产精品福利在线免费观看| 一级毛片电影观看| 久久99热6这里只有精品| 波野结衣二区三区在线| 汤姆久久久久久久影院中文字幕| 久久99热这里只频精品6学生| 久久国产精品男人的天堂亚洲 | 国产亚洲av片在线观看秒播厂| 日产精品乱码卡一卡2卡三| 亚洲av成人精品一二三区| 亚洲成色77777| 久久 成人 亚洲| 亚洲第一av免费看| 免费久久久久久久精品成人欧美视频 | 天堂俺去俺来也www色官网| 久久人妻熟女aⅴ| 久久 成人 亚洲| 伦精品一区二区三区| 欧美日韩视频高清一区二区三区二| 亚洲精品一二三| 日韩强制内射视频| 成人午夜精彩视频在线观看| 久久人人爽人人爽人人片va| 99久久人妻综合| 女人精品久久久久毛片| 黑人巨大精品欧美一区二区蜜桃 | 久久久精品免费免费高清| 一本色道久久久久久精品综合| 久久精品国产亚洲av天美| 街头女战士在线观看网站| 中文字幕亚洲精品专区| 日韩中字成人| 如何舔出高潮| 一区在线观看完整版| 亚洲欧美日韩另类电影网站| 国产成人精品久久久久久| 美女cb高潮喷水在线观看| 国产女主播在线喷水免费视频网站| 2021少妇久久久久久久久久久| 久久久久久久久久人人人人人人| 亚洲,一卡二卡三卡| 色94色欧美一区二区| 久久韩国三级中文字幕| 大香蕉久久网| 国产成人免费无遮挡视频| 日本黄色日本黄色录像| 久久青草综合色| 国产成人freesex在线| 在线观看国产h片| 免费看不卡的av| 久久久精品94久久精品| 少妇被粗大的猛进出69影院 | 免费看日本二区| 免费高清在线观看视频在线观看| 97精品久久久久久久久久精品| 久久久久久久久久久久大奶| 精品国产露脸久久av麻豆| 一边亲一边摸免费视频| 精品亚洲成a人片在线观看| 极品人妻少妇av视频| 精品99又大又爽又粗少妇毛片| 深夜a级毛片| 伦理电影免费视频| 久久婷婷青草| 亚洲av国产av综合av卡| 在线 av 中文字幕| 国产探花极品一区二区| 久久久久久久久大av| 韩国av在线不卡| 男女啪啪激烈高潮av片| 国产精品国产三级国产专区5o| 男女啪啪激烈高潮av片| 97精品久久久久久久久久精品| 肉色欧美久久久久久久蜜桃| 六月丁香七月| 国产白丝娇喘喷水9色精品| 黄色怎么调成土黄色| 久久av网站| 男女国产视频网站| 久久狼人影院| 丰满人妻一区二区三区视频av| 久久久国产欧美日韩av| 边亲边吃奶的免费视频| 成人二区视频| 91aial.com中文字幕在线观看| 伊人久久国产一区二区| 一区二区av电影网| 国产在线一区二区三区精| 久久久亚洲精品成人影院| 日韩一区二区三区影片| 少妇人妻精品综合一区二区| 插逼视频在线观看| 日韩欧美精品免费久久| 国产高清不卡午夜福利| 毛片一级片免费看久久久久| 久久国产精品男人的天堂亚洲 | 久久6这里有精品| 免费少妇av软件| 一本—道久久a久久精品蜜桃钙片| av线在线观看网站| 色婷婷av一区二区三区视频| 亚洲av综合色区一区| 日产精品乱码卡一卡2卡三| 99热全是精品| 亚洲av欧美aⅴ国产| 国产日韩欧美视频二区| 91aial.com中文字幕在线观看| 亚洲av在线观看美女高潮| 亚洲怡红院男人天堂| 国产伦精品一区二区三区四那| 夫妻午夜视频| 女性生殖器流出的白浆| 精品久久久精品久久久| 国产精品国产三级专区第一集| 亚洲精品第二区| 草草在线视频免费看| 乱码一卡2卡4卡精品| av天堂久久9| 久久久久久久久久成人| av不卡在线播放| 中文天堂在线官网| 亚洲精品国产av蜜桃| 深夜a级毛片| 亚洲精品456在线播放app| 一本色道久久久久久精品综合| 国产免费又黄又爽又色| 日本爱情动作片www.在线观看| 欧美日本中文国产一区发布| 久久6这里有精品| 国产成人精品久久久久久| 亚洲av免费高清在线观看| 免费高清在线观看视频在线观看| 丝袜在线中文字幕| 18禁裸乳无遮挡动漫免费视频| 亚洲国产毛片av蜜桃av| 亚洲av电影在线观看一区二区三区| 日日摸夜夜添夜夜添av毛片| 亚洲欧美清纯卡通| 在线看a的网站| 国产精品久久久久久久久免| 亚洲怡红院男人天堂| 国产又色又爽无遮挡免| 国产综合精华液| 国产成人freesex在线| 亚洲精品日本国产第一区| 欧美精品人与动牲交sv欧美| 亚洲不卡免费看| 亚洲av男天堂| 熟女av电影| 国国产精品蜜臀av免费| av天堂中文字幕网| 青春草国产在线视频| 久久国产乱子免费精品| 中文字幕久久专区| 狂野欧美激情性xxxx在线观看| 亚洲经典国产精华液单| 婷婷色综合www| 午夜av观看不卡| 狠狠精品人妻久久久久久综合| 国产亚洲午夜精品一区二区久久| 18+在线观看网站| 国产在视频线精品| 你懂的网址亚洲精品在线观看| 亚洲av综合色区一区| 国产极品粉嫩免费观看在线 | a 毛片基地| 成人亚洲欧美一区二区av| 天堂俺去俺来也www色官网| 最新的欧美精品一区二区| 观看免费一级毛片| 又粗又硬又长又爽又黄的视频| 伊人久久精品亚洲午夜| 大片免费播放器 马上看| av在线观看视频网站免费| 中文字幕人妻熟人妻熟丝袜美| 国产国拍精品亚洲av在线观看| www.av在线官网国产| 日韩免费高清中文字幕av| 国产午夜精品久久久久久一区二区三区| 免费少妇av软件| 亚洲自偷自拍三级| 五月开心婷婷网| 一级黄片播放器| 亚洲精品色激情综合| 黄色配什么色好看| 亚洲av免费高清在线观看| 99热国产这里只有精品6| 赤兔流量卡办理| 久久97久久精品| 久久久亚洲精品成人影院| 精品亚洲成a人片在线观看| 国产精品三级大全| 人体艺术视频欧美日本| 嘟嘟电影网在线观看| 一级毛片 在线播放| 免费看光身美女| 熟女人妻精品中文字幕| 最黄视频免费看| 欧美高清成人免费视频www| 久久99热这里只频精品6学生| 天天操日日干夜夜撸| 伊人久久国产一区二区| 又粗又硬又长又爽又黄的视频| 亚洲经典国产精华液单| 国产69精品久久久久777片| 亚洲美女视频黄频| 麻豆成人av视频| 亚洲国产精品成人久久小说| 国产午夜精品久久久久久一区二区三区| 男女无遮挡免费网站观看| 国模一区二区三区四区视频| 久久热精品热| av在线老鸭窝| 美女福利国产在线| 亚洲国产精品一区二区三区在线|