• <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
    国产精品一国产av| 国产亚洲午夜精品一区二区久久| videossex国产| 18禁动态无遮挡网站| 97超碰精品成人国产| 亚洲欧美精品自产自拍| 亚洲av.av天堂| 一区二区三区四区激情视频| 午夜激情av网站| 国产亚洲av片在线观看秒播厂| 少妇高潮的动态图| 亚洲欧美成人综合另类久久久| 久久ye,这里只有精品| 国产精品久久久久成人av| 精品99又大又爽又粗少妇毛片| 国产伦理片在线播放av一区| 18在线观看网站| 欧美另类一区| 51国产日韩欧美| 精品视频人人做人人爽| a级毛片在线看网站| 啦啦啦在线观看免费高清www| 久久韩国三级中文字幕| 纯流量卡能插随身wifi吗| 尾随美女入室| 2022亚洲国产成人精品| 国产片内射在线| 亚洲欧美中文字幕日韩二区| 国产成人午夜福利电影在线观看| 街头女战士在线观看网站| 日韩av免费高清视频| 国产在视频线精品| 成人综合一区亚洲| 1024视频免费在线观看| 免费大片18禁| 久久精品久久久久久久性| 熟女av电影| 丝袜人妻中文字幕| 午夜免费鲁丝| 黑人巨大精品欧美一区二区蜜桃 | 亚洲欧美日韩卡通动漫| 亚洲图色成人| 中文字幕另类日韩欧美亚洲嫩草| 一边亲一边摸免费视频| 久久人人爽人人片av| 久久婷婷青草| 免费人妻精品一区二区三区视频| 黄片播放在线免费| 亚洲精品456在线播放app| 久久av网站| 久久99精品国语久久久| 成人18禁高潮啪啪吃奶动态图| 久久精品夜色国产| 亚洲,欧美,日韩| 久久99精品国语久久久| 91精品国产国语对白视频| 中文字幕制服av| 国产一区二区三区综合在线观看 | av黄色大香蕉| 夫妻性生交免费视频一级片| 精品午夜福利在线看| 我要看黄色一级片免费的| 精品亚洲乱码少妇综合久久| 熟女av电影| 黑人欧美特级aaaaaa片| 婷婷色综合大香蕉| 人人妻人人澡人人看| 亚洲国产av新网站| √禁漫天堂资源中文www| 热re99久久国产66热| 日韩一区二区三区影片| 丝袜喷水一区| 国产在线视频一区二区| 美女大奶头黄色视频| 国产永久视频网站| 国产国语露脸激情在线看| av一本久久久久| 最近手机中文字幕大全| 久久久久久人人人人人| 久热这里只有精品99| 一级毛片黄色毛片免费观看视频| 亚洲精品日韩在线中文字幕| 精品一区二区三区四区五区乱码 | 自拍欧美九色日韩亚洲蝌蚪91| 啦啦啦中文免费视频观看日本| 亚洲国产日韩一区二区| 国产又色又爽无遮挡免| 在线天堂中文资源库| 久久久亚洲精品成人影院| 一级毛片 在线播放| 天美传媒精品一区二区| 欧美精品亚洲一区二区| 久久久久久久大尺度免费视频| 成人综合一区亚洲| 中文字幕人妻丝袜制服| 26uuu在线亚洲综合色| 日本vs欧美在线观看视频| 国产麻豆69| 99久久中文字幕三级久久日本| 国产精品国产三级专区第一集| 最近最新中文字幕免费大全7| 国精品久久久久久国模美| 黑人欧美特级aaaaaa片| 视频中文字幕在线观看| 国产精品人妻久久久影院| 久久久久视频综合| 成人18禁高潮啪啪吃奶动态图| 9191精品国产免费久久| 久久久精品区二区三区| 男人添女人高潮全过程视频| 尾随美女入室| 精品福利永久在线观看| 国产一区二区在线观看av| 中文字幕最新亚洲高清| av电影中文网址| 丰满饥渴人妻一区二区三| 国产日韩欧美在线精品| 日韩熟女老妇一区二区性免费视频| 丝袜人妻中文字幕| 一级片'在线观看视频| av国产久精品久网站免费入址| 国产乱人偷精品视频| 欧美日韩一区二区视频在线观看视频在线| 国产亚洲欧美精品永久| 国产成人欧美| 国产熟女欧美一区二区| 国产视频首页在线观看| 晚上一个人看的免费电影| 五月开心婷婷网| 一本—道久久a久久精品蜜桃钙片| 热99国产精品久久久久久7| 久久这里有精品视频免费| 亚洲av国产av综合av卡| 嫩草影院入口| 精品一品国产午夜福利视频| 日本午夜av视频| 王馨瑶露胸无遮挡在线观看| 午夜免费观看性视频| 日产精品乱码卡一卡2卡三| 亚洲精品久久午夜乱码| 免费少妇av软件| a级毛片在线看网站| 观看美女的网站| 自线自在国产av| 香蕉丝袜av| 夫妻午夜视频| 男人舔女人的私密视频| 男女啪啪激烈高潮av片| 在线观看美女被高潮喷水网站| 狠狠精品人妻久久久久久综合| 肉色欧美久久久久久久蜜桃| 两个人看的免费小视频| 在线观看人妻少妇| 视频在线观看一区二区三区| 毛片一级片免费看久久久久| 成人综合一区亚洲| 国产熟女午夜一区二区三区| 亚洲国产色片| 亚洲中文av在线| 爱豆传媒免费全集在线观看| 亚洲五月色婷婷综合| 看免费成人av毛片| 自拍欧美九色日韩亚洲蝌蚪91| 免费黄色在线免费观看| 香蕉丝袜av| 欧美国产精品一级二级三级| 男女午夜视频在线观看 | a 毛片基地| 欧美人与善性xxx| 欧美日韩精品成人综合77777| 夜夜骑夜夜射夜夜干| 天天影视国产精品| 国产精品成人在线| 国产片特级美女逼逼视频| 欧美激情 高清一区二区三区| 国产国语露脸激情在线看| 2021少妇久久久久久久久久久| 成人午夜精彩视频在线观看| 精品一区二区免费观看| 欧美成人午夜精品| 成年美女黄网站色视频大全免费| 色视频在线一区二区三区| 高清在线视频一区二区三区| 一级,二级,三级黄色视频| 久久久久久久精品精品| 久久国产精品男人的天堂亚洲 | 三上悠亚av全集在线观看| 免费观看在线日韩| av在线播放精品| 国产日韩欧美亚洲二区| 国产精品无大码| 国语对白做爰xxxⅹ性视频网站| 两个人免费观看高清视频| 99热国产这里只有精品6| 国产精品熟女久久久久浪| 日韩成人伦理影院| 午夜激情久久久久久久| 18禁观看日本| 日产精品乱码卡一卡2卡三| 热re99久久国产66热| 一区二区日韩欧美中文字幕 | 曰老女人黄片| 亚洲av电影在线进入| 国产国拍精品亚洲av在线观看| 美女视频免费永久观看网站| 天天操日日干夜夜撸| 校园人妻丝袜中文字幕| 少妇精品久久久久久久| 少妇被粗大猛烈的视频| 成年人午夜在线观看视频| 欧美激情国产日韩精品一区| 免费久久久久久久精品成人欧美视频 | 性色av一级| 色网站视频免费| 国产片内射在线| 高清毛片免费看| 一级,二级,三级黄色视频| 久久国产亚洲av麻豆专区| 男人添女人高潮全过程视频| 日韩不卡一区二区三区视频在线| 九色亚洲精品在线播放| 全区人妻精品视频| 九色成人免费人妻av| 啦啦啦视频在线资源免费观看| 国产乱来视频区| 天天躁夜夜躁狠狠躁躁| 免费人成在线观看视频色| 夫妻性生交免费视频一级片| 亚洲精品自拍成人| 99热网站在线观看| 日本爱情动作片www.在线观看| 久久99热6这里只有精品| 丁香六月天网| 精品视频人人做人人爽| 国产精品国产av在线观看| 亚洲久久久国产精品| 伦理电影大哥的女人| 大话2 男鬼变身卡| 婷婷色综合大香蕉| 亚洲色图综合在线观看| 久热久热在线精品观看| 国产探花极品一区二区| 午夜av观看不卡| 国产成人免费无遮挡视频| 久久久久精品性色| 丝袜喷水一区| 亚洲欧美精品自产自拍| 亚洲精品色激情综合| 美国免费a级毛片| 亚洲欧美色中文字幕在线| 欧美xxⅹ黑人| 777米奇影视久久| 精品一区二区三区视频在线| 美女中出高潮动态图| 交换朋友夫妻互换小说| 国产高清国产精品国产三级| 一边摸一边做爽爽视频免费| kizo精华| 欧美日韩视频精品一区| 久久韩国三级中文字幕| 久久久国产欧美日韩av| 国产免费一级a男人的天堂| www.熟女人妻精品国产 | 制服丝袜香蕉在线| 99九九在线精品视频| 国产毛片在线视频| 97在线视频观看| 97在线人人人人妻| 欧美精品一区二区大全| 9色porny在线观看| 亚洲av福利一区| 26uuu在线亚洲综合色| 国产av国产精品国产| 18禁动态无遮挡网站| 人人妻人人澡人人爽人人夜夜| 亚洲美女黄色视频免费看| 精品一区在线观看国产| 曰老女人黄片| 国产色婷婷99| 国产永久视频网站| 成人毛片a级毛片在线播放| 亚洲精品乱久久久久久| 高清欧美精品videossex| 久久久国产欧美日韩av| 国产有黄有色有爽视频| 亚洲内射少妇av| 建设人人有责人人尽责人人享有的| 国产免费又黄又爽又色| 中文字幕另类日韩欧美亚洲嫩草| 国产免费又黄又爽又色| 黄色配什么色好看| 波多野结衣一区麻豆| 日本猛色少妇xxxxx猛交久久| 黄色毛片三级朝国网站| 国产亚洲精品第一综合不卡 | 一区二区三区四区激情视频| 黑人巨大精品欧美一区二区蜜桃 | 亚洲国产精品成人久久小说| 国产精品不卡视频一区二区| 人人妻人人澡人人看| 国内精品宾馆在线| 尾随美女入室| av在线观看视频网站免费| 校园人妻丝袜中文字幕| 婷婷成人精品国产| 国产精品人妻久久久久久| 亚洲av国产av综合av卡| 综合色丁香网| 自线自在国产av| 国产成人精品久久久久久| 中文字幕最新亚洲高清| 18禁观看日本| 国产熟女欧美一区二区| 欧美另类一区| 亚洲国产欧美日韩在线播放| 亚洲成人av在线免费| 国产亚洲欧美精品永久| 性色av一级| 国产高清不卡午夜福利| 啦啦啦在线观看免费高清www| 亚洲精品第二区| 成人免费观看视频高清| 久久久国产一区二区| 999精品在线视频| 你懂的网址亚洲精品在线观看| av一本久久久久| 午夜福利视频在线观看免费| av免费在线看不卡| 日本91视频免费播放| 亚洲欧洲国产日韩| 久久人人97超碰香蕉20202| 国产一区二区三区av在线| 黄网站色视频无遮挡免费观看| 天天操日日干夜夜撸| 热99国产精品久久久久久7| 精品国产一区二区三区久久久樱花| 啦啦啦视频在线资源免费观看| 精品少妇黑人巨大在线播放| 观看美女的网站| 久久av网站| 亚洲欧洲精品一区二区精品久久久 | 少妇人妻 视频| 久久精品夜色国产| 好男人视频免费观看在线| 麻豆精品久久久久久蜜桃| 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 | 久久人人97超碰香蕉20202| 日本黄大片高清| 亚洲av电影在线观看一区二区三区| 亚洲精品国产av蜜桃| 天天操日日干夜夜撸| 校园人妻丝袜中文字幕| 少妇精品久久久久久久| 国产一区二区三区av在线| 亚洲精品国产av成人精品| 欧美xxⅹ黑人| 国产精品三级大全| 18禁动态无遮挡网站| 久久99一区二区三区| 高清不卡的av网站| 夜夜爽夜夜爽视频| 午夜av观看不卡| 成年人午夜在线观看视频| 久久精品国产亚洲av涩爱| 免费不卡的大黄色大毛片视频在线观看| a级毛色黄片| 日本-黄色视频高清免费观看| 黄片播放在线免费| 乱码一卡2卡4卡精品| 丝袜人妻中文字幕| 男男h啪啪无遮挡| 国产精品久久久av美女十八| 亚洲精品视频女| 美女福利国产在线| 日韩精品免费视频一区二区三区 | av国产精品久久久久影院| 国产色爽女视频免费观看| 香蕉国产在线看| 一级毛片我不卡| 亚洲国产精品999| 日韩三级伦理在线观看| 黄网站色视频无遮挡免费观看| 亚洲人成77777在线视频| av天堂久久9| 久久久a久久爽久久v久久| 欧美日韩视频精品一区| 亚洲成人一二三区av| 日本午夜av视频| 亚洲国产欧美日韩在线播放| 国产麻豆69| 亚洲国产精品国产精品| 精品午夜福利在线看| 亚洲第一av免费看| 一级毛片电影观看| 中国美白少妇内射xxxbb| 国产综合精华液| 伦精品一区二区三区| 最近中文字幕高清免费大全6| 国产一区二区三区综合在线观看 | 亚洲精品aⅴ在线观看| 在现免费观看毛片| 久久久亚洲精品成人影院| 麻豆乱淫一区二区| 午夜av观看不卡| 狠狠精品人妻久久久久久综合| 亚洲精品,欧美精品| 国产亚洲精品久久久com| 看免费成人av毛片| 黑人高潮一二区| 久热久热在线精品观看| 免费女性裸体啪啪无遮挡网站| 搡老乐熟女国产| 一个人免费看片子| 国产精品偷伦视频观看了| 亚洲国产最新在线播放| 97超碰精品成人国产| 中文精品一卡2卡3卡4更新| 18禁观看日本| 国产黄色免费在线视频| 国产精品熟女久久久久浪| 免费大片黄手机在线观看| 夫妻午夜视频| 亚洲国产毛片av蜜桃av| 免费观看a级毛片全部| 熟女人妻精品中文字幕| 肉色欧美久久久久久久蜜桃| av国产精品久久久久影院| 国产av一区二区精品久久| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品456在线播放app| 久久免费观看电影| 亚洲精品日本国产第一区| 亚洲精品乱码久久久久久按摩| 欧美成人午夜精品| 免费在线观看黄色视频的| 久久精品国产a三级三级三级| 18禁裸乳无遮挡动漫免费视频| 成人综合一区亚洲| 激情五月婷婷亚洲| 亚洲精品美女久久av网站| 久久韩国三级中文字幕| 中文字幕人妻丝袜制服| a 毛片基地| 国产精品成人在线| 欧美成人午夜免费资源| 一级片'在线观看视频| av视频免费观看在线观看| 亚洲国产精品一区三区| 五月开心婷婷网| 国语对白做爰xxxⅹ性视频网站| 天天操日日干夜夜撸| 亚洲五月色婷婷综合| 国产熟女午夜一区二区三区| 国产乱人偷精品视频| 2018国产大陆天天弄谢| 免费在线观看完整版高清| 久久 成人 亚洲| 欧美最新免费一区二区三区| 女性被躁到高潮视频| 国产免费一级a男人的天堂| 一区二区三区乱码不卡18| 亚洲欧美精品自产自拍| 黄网站色视频无遮挡免费观看| av免费观看日本| 男女午夜视频在线观看 | 宅男免费午夜| 国产1区2区3区精品| 你懂的网址亚洲精品在线观看| a级毛片黄视频| 免费人妻精品一区二区三区视频| 久久久久久人妻| 精品午夜福利在线看| 国产精品国产av在线观看| 久久97久久精品| 免费av不卡在线播放| 在现免费观看毛片| 在线观看免费日韩欧美大片| 国产乱人偷精品视频| 国产国拍精品亚洲av在线观看| 亚洲性久久影院| 国产精品久久久久久av不卡| 永久免费av网站大全| 亚洲五月色婷婷综合| 精品国产乱码久久久久久小说| 精品亚洲成国产av| 亚洲欧洲精品一区二区精品久久久 | 午夜福利视频精品| 最近最新中文字幕大全免费视频 | 草草在线视频免费看| 欧美精品高潮呻吟av久久| 免费av中文字幕在线| 亚洲国产日韩一区二区| 婷婷色综合www| 国产极品天堂在线| 婷婷色av中文字幕| 最近最新中文字幕免费大全7| 日韩欧美一区视频在线观看| 校园人妻丝袜中文字幕| 熟女电影av网| 建设人人有责人人尽责人人享有的| 最新中文字幕久久久久| 亚洲丝袜综合中文字幕| 视频中文字幕在线观看| 天堂中文最新版在线下载| 丰满饥渴人妻一区二区三| 日本av免费视频播放| 纯流量卡能插随身wifi吗| 亚洲天堂av无毛| 女人被躁到高潮嗷嗷叫费观| 成人手机av| 久久久久精品性色| 最近最新中文字幕大全免费视频 | 两性夫妻黄色片 | 在线观看一区二区三区激情| 国产一区二区在线观看日韩| 妹子高潮喷水视频| 国产一区二区三区av在线| 欧美丝袜亚洲另类| av播播在线观看一区| 天堂俺去俺来也www色官网| 欧美日韩视频精品一区| 性色av一级| 中文欧美无线码| 曰老女人黄片| 一级片免费观看大全| 日韩 亚洲 欧美在线| 国产精品 国内视频| 欧美成人午夜精品| 免费高清在线观看视频在线观看| 久久精品夜色国产| 国产精品国产三级专区第一集| 久久精品夜色国产| 日韩人妻精品一区2区三区| 狂野欧美激情性bbbbbb| 美女主播在线视频| 久久精品熟女亚洲av麻豆精品| 久久久久久久精品精品| 男女下面插进去视频免费观看 | 亚洲精品乱久久久久久| 国产成人一区二区在线| 在现免费观看毛片| 免费观看a级毛片全部| 男人添女人高潮全过程视频| 久久精品久久精品一区二区三区| 午夜福利网站1000一区二区三区| 国产精品蜜桃在线观看| 国产激情久久老熟女| 在线天堂中文资源库| 亚洲国产精品成人久久小说| 欧美bdsm另类| 少妇被粗大的猛进出69影院 | 午夜福利,免费看| 午夜福利影视在线免费观看| 午夜av观看不卡| 免费少妇av软件| 国产av国产精品国产| 午夜福利网站1000一区二区三区| 中文字幕免费在线视频6| 日本猛色少妇xxxxx猛交久久| 性高湖久久久久久久久免费观看| 人妻少妇偷人精品九色| 亚洲国产av新网站| 亚洲国产精品999| 春色校园在线视频观看| 中文欧美无线码| 亚洲欧美色中文字幕在线| av在线播放精品| 成人毛片a级毛片在线播放| 高清毛片免费看| av一本久久久久| 香蕉丝袜av| 国产一级毛片在线| 久久久国产一区二区| 成人亚洲精品一区在线观看| 亚洲欧美日韩另类电影网站| 一本色道久久久久久精品综合| 亚洲成av片中文字幕在线观看 | 免费黄色在线免费观看| 久久久久久伊人网av| 在线精品无人区一区二区三| 大香蕉97超碰在线| 看非洲黑人一级黄片| 人妻 亚洲 视频| 成人无遮挡网站| av在线观看视频网站免费| 亚洲第一av免费看| 美女福利国产在线| 最新的欧美精品一区二区| 久久久久久久亚洲中文字幕| 亚洲精品久久午夜乱码| 男女啪啪激烈高潮av片| 国产日韩欧美亚洲二区| 最近中文字幕高清免费大全6| 久久免费观看电影| 新久久久久国产一级毛片| 精品少妇久久久久久888优播| 人成视频在线观看免费观看| 亚洲少妇的诱惑av| 视频中文字幕在线观看| 一级片免费观看大全| 精品亚洲成国产av| xxxhd国产人妻xxx| a级毛片在线看网站| 新久久久久国产一级毛片| 最近中文字幕高清免费大全6| av网站免费在线观看视频| videos熟女内射| 看免费av毛片| 1024视频免费在线观看| 一级爰片在线观看| 国产成人免费无遮挡视频| 免费人妻精品一区二区三区视频| 日本欧美视频一区| 精品卡一卡二卡四卡免费| 国产黄频视频在线观看|