• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)YOLOv4算法的番茄葉部病害識(shí)別方法

    2023-09-19 19:30:52儲(chǔ)鑫李祥羅斌王曉冬黃碩
    關(guān)鍵詞:注意力機(jī)制輕量化病害

    儲(chǔ)鑫 李祥 羅斌 王曉冬 黃碩

    摘要:為快速準(zhǔn)確識(shí)別自然環(huán)境下的番茄葉片病害,提出一種基于改進(jìn)YOLOv4算法的輕量化番茄葉部病害識(shí)別方法。該方法根據(jù)番茄病害特征采用K均值聚類算法調(diào)整先驗(yàn)框的維度,并使用寬度因子為0.25的MobileNetv1代替YOLOv4原有的主干網(wǎng)絡(luò)CSPDarknet53進(jìn)行特征提取,并在特征融合網(wǎng)絡(luò)PANet中引入深度可分離卷積代替原有的3×3標(biāo)準(zhǔn)卷積,同時(shí)在主干網(wǎng)絡(luò)的2個(gè)輸出特征層和空間金字塔池化輸出層分別嵌入卷積塊注意力模塊(CBAM),提高模型識(shí)別精度。試驗(yàn)結(jié)果表明,改進(jìn)后的模型對(duì)8類番茄葉片整體檢測精準(zhǔn)性(mAP)為98.76%,參數(shù)量為12.64 M,傳輸幀數(shù)為1 s 101.76幀,相較于原YOLOv4模型,模型參數(shù)量減少80%,每秒傳輸幀數(shù)比原始YOLOv4模型提高了130%。

    關(guān)鍵詞:YOLOv4;MobileNet;輕量化;注意力機(jī)制;病害

    中圖分類號(hào):S436.412文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1000-4440(2023)05-1199-10

    Identification method of tomato leaf diseases based on improved YOLOv4 algorithmCHU Xin LI Xiang LUO Bin WANG Xiao-dong HUANG Shuo

    (1.College of Information Engineering, East China University of Technology, Nanchang 330013, China;2.National Engineering Technology Research Center for Agricultural Informatization, Beijing 100097, China;3.Research Center of Intelligent Equipment Technology, Beijing Academy of Agriculture and Forestry, Beijing 100097, China)

    Abstract:In order to identify tomato leaf diseases in natural environment quickly and accurately, a lightweight tomato leaf disease identification method based on improved YOLOv4 algorithm was proposed. The method used K-means clustering algorithm to adjust the dimensions of the prior box according to the characteristics of tomato disease, and used MobileNetv1 with a width factor of 0.25 instead of the original backbone network CSPDarknet53 of YOLOv4 for feature extraction, and introduced deep separable convolution in place of the original 3×3 standard convolution in the feature fusion network PANet. At the same time, the convolutional block attention module (CBAM) was embedded in the two output feature layers and the spatial pyramid pooling output layer of the backbone network to improve the model recognition accuracy. The results showed that, the overall detection accuracy (mAP) of the improved model for eight types of tomato leaves was 98.76%, the parameter quantity was 12.64 M, and the transmission frame number was 101.76 f/s, which was 80% lower than that of the original YOLOv4 model, and the number of transmitted frames per second was 130% higher than that of the original YOLOv4 model.

    Key words:YOLOv4;MobileNet;light weight;attentional mechanism;diseases

    番茄是重要的經(jīng)濟(jì)作物之一,其營養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值非常高。隨著番茄植株的生長,大多數(shù)番茄葉部病害的發(fā)生也呈上升趨勢[1]。因此,及時(shí)防治番茄葉部病害是提高番茄質(zhì)量和產(chǎn)量的關(guān)鍵舉措,而精準(zhǔn)識(shí)別番茄葉部病害種類是番茄病蟲害精準(zhǔn)防控的前提?,F(xiàn)階段,中國大部分地區(qū)主要還是依賴人工排查番茄葉部病害,這不僅耗時(shí)耗力,而且僅僅通過肉眼分辨葉部病害種類,難免產(chǎn)生錯(cuò)誤,從而不利于病害的及時(shí)防治[2]。對(duì)此,需要研究高效率、低成本的病害圖像智能識(shí)別算法,為番茄葉部病害精準(zhǔn)識(shí)別提供技術(shù)支撐。

    隨著深度學(xué)習(xí)的不斷發(fā)展和其在農(nóng)業(yè)方面越來越多的應(yīng)用[3],有學(xué)者針對(duì)作物葉片病害檢測識(shí)別進(jìn)行了深入研究。劉文波等[4]將改進(jìn)后的SOLOv2算法應(yīng)用于番茄葉部病害檢測,平均精度達(dá)42.3%,與其他文獻(xiàn)的模型相比,精度不太理想。文斌等[5]在YOLOv3的基礎(chǔ)上采用注意力特征金字塔和雙瓶頸層構(gòu)建新的網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)三七葉片病害的識(shí)別,但檢測速度僅為23 fps。Hu等[6]提出將多卷積神經(jīng)網(wǎng)絡(luò)集成用于茶樹葉部病害的識(shí)別,結(jié)果顯示,該算法可以有效區(qū)分病葉與健康葉,但檢測類別較少。Qi 等[7]在YOLOv5模型中增加了1個(gè)擠壓-激發(fā)( SE )模塊,構(gòu)建新的模型,實(shí)現(xiàn)對(duì)番茄病害的識(shí)別,平均檢測精度為91.07%,但模型參數(shù)量較大,高達(dá)42.796 M。劉延鑫等[8]構(gòu)建5種煙草葉部病害數(shù)據(jù)集,選用YOLOv3模型對(duì)煙草葉部病害進(jìn)行識(shí)別檢測,采用K-means++聚類方法對(duì)錨框(Anchor box)的寬和高進(jìn)行計(jì)算,提高了模型檢測精度,得到整體檢測精準(zhǔn)性(mAP)為0.77,算法結(jié)果優(yōu)于SSD(單步多框目標(biāo)檢測)算法檢測的mAP值(0.69),但模型單樣本耗時(shí)比SSD算法多2 s。王超學(xué)等[9]分別以一張葡萄葉片和一串葡萄果實(shí)為單位做標(biāo)注,將YOLOv3算法中的主干網(wǎng)絡(luò)DarkNet-53替換為EfficientNet-B3作為模型的主干特征提取網(wǎng)絡(luò),對(duì)12種葡萄病害、健康葡萄葉片和健康葡萄果實(shí)進(jìn)行識(shí)別,識(shí)別精度為98.60%,B3網(wǎng)絡(luò)結(jié)構(gòu)模型與其他以EfficientNet作為主干特征提取網(wǎng)絡(luò)的模型訓(xùn)練時(shí)間和模型體積相近,且相對(duì)于YOLOv3網(wǎng)絡(luò)模型,參數(shù)量縮減50%,模型體積縮減2/3的同時(shí),模型平均識(shí)別精度提升3%,最終參數(shù)量仍然較大,約為29 M。周維等[10]利用GhostNet網(wǎng)絡(luò)代替YOLOv4中主干網(wǎng)絡(luò)CSPDarkNet-53,并以深度可分離卷積代替普通卷積的方式改進(jìn)路徑聚合網(wǎng)絡(luò)(PANet),對(duì)網(wǎng)上獲取的6種水稻病蟲害數(shù)據(jù)集進(jìn)行檢測識(shí)別,識(shí)別準(zhǔn)確率為79.36%。王權(quán)順等[11]利用PlantVillage中蘋果葉部黑星病圖片與網(wǎng)上另外3種蘋果葉部病害圖片構(gòu)建數(shù)據(jù)集,通過將YOLOv4中主干網(wǎng)絡(luò)CSPdarknet53替換為DenseNet121網(wǎng)絡(luò),在保證特征提取能力的同時(shí)減少計(jì)算量,針對(duì)YOLOv4的預(yù)設(shè)錨框不適合應(yīng)用于病斑檢測的情況,采用二分K均值聚類算法得到一組新的錨框優(yōu)化算法,相較于原YOLOv4算法mAP值提高0.89%,模型權(quán)重大小為62.71 MB,相較于其他文獻(xiàn)報(bào)道,該算法識(shí)別病害種類較少,僅有4種。

    考慮到上述國內(nèi)外學(xué)者對(duì)作物葉片病害檢測識(shí)別的研究中存在的一些問題,例如,精確度低、檢測速度慢、模型參數(shù)大等,本研究針對(duì)番茄葉片多類病害病斑差別較小、病斑形狀復(fù)雜且無規(guī)律、檢測識(shí)別方法的檢測速率低和模型參數(shù)大等問題,提出一種改進(jìn)的YOLOv4輕量化番茄葉部病害識(shí)別方法,使用K均值聚類算法得到9個(gè)新的先驗(yàn)框,同時(shí)利用遷移學(xué)習(xí),將預(yù)訓(xùn)練YOLOv4算法得到的最優(yōu)參數(shù)與在COCO數(shù)據(jù)集訓(xùn)練得到的MobileNetv1權(quán)重進(jìn)行融合,并對(duì)主干網(wǎng)絡(luò)、路徑聚合網(wǎng)絡(luò)進(jìn)行改進(jìn),達(dá)到降低模型參數(shù)和減小計(jì)算量的目的。在主干網(wǎng)絡(luò)的2個(gè)輸出特征層和空間金字塔池化輸出層分別嵌入坐標(biāo)注意力機(jī)制CBAM(卷積塊注意力模塊),以此避免改進(jìn)網(wǎng)絡(luò)后減少模型參數(shù)帶來的精度損失。

    1YOLOv4模型改進(jìn)

    1.1YOLOv4模型

    YOLOv4[12-13]作為YOLO系列第4代單階段目標(biāo)檢測算法,相較于YOLOv3算法,其在檢測精度與檢測速度方面均有較大的提升。YOLOv4模型主要包括4個(gè)方面:輸入端、主干網(wǎng)絡(luò)(Backbone)、頸部網(wǎng)絡(luò)(Neck)以及頭部網(wǎng)絡(luò)(Head)。YOLOv4在輸入端采用Mosaic數(shù)據(jù)增強(qiáng)[14],豐富了數(shù)據(jù)的多樣性,提高了模型的泛化能力。主干網(wǎng)絡(luò)在DarkNet53的基礎(chǔ)上融合了跨階段局部網(wǎng)絡(luò)的思想,形成特征提取效果更強(qiáng)的CSPDarkNet53結(jié)構(gòu)。CSPDarkNet53主干網(wǎng)絡(luò)主要由5層殘差網(wǎng)絡(luò)Resblock_Body組成,同時(shí)通過下采樣輸出3個(gè)有效特征層,以此保證提取更完備的圖像語義信息。頸部網(wǎng)絡(luò)主要由空間金字塔池化(Space pyramid pool,SPP)[15]和PANet[16]組成,空間金字塔池化通過5個(gè)大小為5×5、9×9和13×13的最大池化層來融合尺度大小不同的特征圖,起到增加感受野的作用。路徑聚合網(wǎng)絡(luò)可以提高信息流在網(wǎng)絡(luò)中的傳遞效率[17],其對(duì)特征圖進(jìn)行上采樣與下采樣,借此融合網(wǎng)絡(luò)提取到的特征信息。最后YOLOv4生成3個(gè)檢測頭用于檢測目標(biāo)[18]。YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。為提高模型檢測效率,降低模型參數(shù)量,本研究提出一種改進(jìn)的YOLOv4算法的番茄葉部病害識(shí)別方法。

    1.2改進(jìn)YOLOv4模型

    1.2.1運(yùn)用遷移學(xué)習(xí)在原先的YOLOv4模型中,輸入圖片尺寸大小為416×416,凍結(jié)層與非凍結(jié)層批次大?。˙atch size)均為16,模型檢測番茄葉片的mAP為98.16%。由于本研究采用的番茄葉部病害數(shù)據(jù)集尺寸大小為256×256,因此,在模型輸入端將尺寸改為256×256,并將凍結(jié)層與非凍結(jié)層batch size均改為8,最終得到模型檢測番茄葉片的mAP為98.58%。因此,在下文其他模型訓(xùn)練時(shí)均采用上述參數(shù)進(jìn)行訓(xùn)練。由于COCO數(shù)據(jù)集包含的數(shù)據(jù)特征豐富,因此,本研究用到的所有模型的訓(xùn)練權(quán)重均為對(duì)應(yīng)模型在COCO數(shù)據(jù)集訓(xùn)練所得,利用這些訓(xùn)練權(quán)重有利于得到更高精度的結(jié)果。由此可見,運(yùn)用遷移學(xué)習(xí)有利于檢測精度的提升,遷移學(xué)習(xí)改進(jìn)后參數(shù)量由64.36 M降低為63.79 M,圖2為參數(shù)改進(jìn)前后mAP的對(duì)比。

    1.2.2使用MobileNetv1為主干網(wǎng)絡(luò)MobileNetv1是2017年由谷歌公司提出的一種輕量化深層神經(jīng)網(wǎng)絡(luò),與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型相比,該模型需要的計(jì)算工作量相對(duì)較少[19],主要是用于嵌入各類硬件和軟件設(shè)備,其最大優(yōu)勢是提出了深度可分離卷積(Depthwise separable convolution),并且MobileNetv1采用ReLU6代替ReLU作為激活函數(shù)。圖3為普通卷積和深度可分離卷積結(jié)構(gòu)的對(duì)比。采用多個(gè)ReLU6激活函數(shù),可以在減少計(jì)算量的同時(shí)避免帶來精度損失。

    為了使模型參數(shù)量更小,檢測速度更快,MobileNetv1在輸入通道上引入可以使每一層網(wǎng)絡(luò)均勻細(xì)化的寬度因子(a),其取值為0.25、0.50、0.75、1.00。當(dāng)a取1.00時(shí),代表原始的網(wǎng)絡(luò),只有當(dāng)a<1.00時(shí),才有細(xì)化網(wǎng)絡(luò)層的功能。本研究選取a為0.25的MobileNetv1網(wǎng)絡(luò)作為主干網(wǎng)絡(luò)對(duì)YOLOv4模型進(jìn)一步壓縮,在只給精度僅帶來0.01%的損失的同時(shí)減少了23.23 M參數(shù)量,因此,選取a為0.25的MobileNetv1網(wǎng)絡(luò)代替YOLOv4的主干網(wǎng)絡(luò)CSPDarkNet-53,大大地減少了模型參數(shù)量且?guī)缀醪粠碜R(shí)別精度的損失。

    1.2.3改進(jìn)PANet深度可分離卷積的核心思想是將普通卷積運(yùn)算分為逐深度卷積(Depthwise convolution)與逐點(diǎn)1×1卷積(Pointwise convolution)2步進(jìn)行[20]。逐深度卷積不同于普通卷積的是1個(gè)通道由1個(gè)卷積核負(fù)責(zé),每個(gè)通道獨(dú)立進(jìn)行空間卷積運(yùn)算。不同深度卷積的輸出由逐點(diǎn)1×1卷積重新組合輸出,從而得到新的特征圖。圖 4A為普通卷積運(yùn)算,圖4B為逐深度卷積運(yùn)算,圖4C為逐點(diǎn)卷積運(yùn)算。

    1.2.4改進(jìn)Anchor boxYOLOv4是一種根據(jù)錨框?qū)δ繕?biāo)物體進(jìn)行預(yù)測回歸的算法,其原先Anchor box是根據(jù)COCO數(shù)據(jù)集訓(xùn)練得到的固定數(shù)值。而本研究的對(duì)象是COCO數(shù)據(jù)集中鮮少出現(xiàn)的番茄葉片病害,并且數(shù)據(jù)集中番茄葉片病害種類繁多,導(dǎo)致數(shù)據(jù)集標(biāo)注邊界框尺寸相差甚遠(yuǎn)。為了使Anchor box更接近數(shù)據(jù)集標(biāo)注尺寸,本研究采用K均值聚類算法對(duì)本研究數(shù)據(jù)集的Anchor box進(jìn)行聚類分析,得到合適的錨框尺寸。K均值聚類算法具有計(jì)算復(fù)雜度低、收斂速度快和可解釋性強(qiáng)等特點(diǎn)。根據(jù)K均值聚類算法隨機(jī)初始化得到9個(gè)中心點(diǎn),計(jì)算每個(gè)坐標(biāo)到中心點(diǎn)的歐式距離,將每個(gè)樣本分配給離它最近的中心點(diǎn),不斷重復(fù)此步驟直到9個(gè)中心點(diǎn)不再移動(dòng),從而得到9個(gè)新的Anchor box,分別為(132,198)、(162,222)、(182,200)、(186,234)、(203,224)、(226,212)、(209,240)、(223,237)、(237,242),將新的Anchor box運(yùn)用到算法中,并采用mAP值和GFLOPs值(每秒浮點(diǎn)運(yùn)算次數(shù))作為優(yōu)化前后的評(píng)價(jià)指標(biāo)。最終結(jié)果表明,優(yōu)化后的mAP值增長了0.02%,GFLOPs值也比優(yōu)化前高出1.36 G。圖5是K均值聚類分布。

    1.2.5添加CBAM注意力機(jī)制CBAM模塊是一種在通道和空間2個(gè)維度上對(duì)特征圖像進(jìn)行權(quán)重分配,從而提取到更有用的特征信息的模塊。特征圖像首先進(jìn)入通道注意力模塊,通過平均池化和最大池化得到各個(gè)通道的信息,并將得到的參數(shù)通過多層感知進(jìn)行疊加,再經(jīng)過激活函數(shù)處理,從而得到通道注意力特征圖[21]??臻g注意力模塊主要關(guān)注空間層面上特征圖的內(nèi)在聯(lián)系,將通道注意力模塊的輸出作為空間注意力模塊的輸入,經(jīng)過卷積和激活操作后獲得空間注意力模塊的特征圖[22]。

    為提取到番茄病害更豐富的有效特征信息,本研究在YOLOv4改進(jìn)后的主干特征提取網(wǎng)絡(luò)MobileNetv1的2個(gè)輸出特征層以及加強(qiáng)特征提取網(wǎng)絡(luò)SPP的輸出特征層上添加CBAM模塊,以CBAM模塊輸出的有效特征圖作為PANet的輸入,傳入PANet結(jié)構(gòu)中進(jìn)行卷積和上采樣,最終提取到包含更多關(guān)鍵信息的特征圖。改進(jìn)后YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

    2結(jié)果與分析

    為驗(yàn)證本研究算法在多類番茄病害識(shí)別與分類方面的性能,首先構(gòu)建數(shù)據(jù)集,然后分別對(duì)YOLOv4不同主干網(wǎng)絡(luò)和在主干網(wǎng)絡(luò)輸出層加入的不同注意力機(jī)制模塊進(jìn)行訓(xùn)練,并選取經(jīng)典的單階段目標(biāo)檢測算法與本研究改進(jìn)的YOLOv4算法進(jìn)行對(duì)比。試驗(yàn)的硬件配置為Intel CoreTMi7-10700K處理器和NVIDIA GeForce RTX 3060顯卡。操作系統(tǒng)是Ubuntu 20.04.2 LTS 64位系統(tǒng)。Python的版本為3.8.5,Pytorch的版本為1.8.1。在訓(xùn)練過程中,首先對(duì)輸入的圖片進(jìn)行Mosaic(馬賽克)數(shù)據(jù)增強(qiáng),并使用余弦退火算法對(duì)學(xué)習(xí)率進(jìn)行調(diào)整, 每輪共設(shè)置300次迭代,凍結(jié)層和非凍結(jié)層batch size設(shè)置為8。

    2.1數(shù)據(jù)集的構(gòu)建

    本研究所用數(shù)據(jù)集選自Plant Village公開數(shù)據(jù)集中的番茄葉片集,其中包括細(xì)菌性斑點(diǎn)病、葉霉病、晚疫病、葉斑病、二斑葉螨病、黃曲葉病、早疫病葉片以及健康葉片,共8個(gè)類別。由于樣本分布不均勻會(huì)影響模型訓(xùn)練結(jié)果,因此,每個(gè)類別的葉片選取相同的數(shù)量,均為1 250張。數(shù)據(jù)集中早疫病圖片僅有1 000張,通過編寫程序?qū)⑵渲?50張圖片旋轉(zhuǎn)270°后與原有圖像整合,使其與其他類別圖像達(dá)到相同數(shù)量,最終得到所有數(shù)據(jù)集10 000張,數(shù)據(jù)集如圖7所示。使用Make Sense工具對(duì)上述10 000張番茄葉片病害圖像進(jìn)行標(biāo)注,標(biāo)注時(shí)利用最小外接矩形框標(biāo)記出葉片位置并選擇對(duì)應(yīng)的類別標(biāo)簽。標(biāo)注完成后,每張圖片會(huì)產(chǎn)生1個(gè)對(duì)應(yīng)的包含病害類別標(biāo)簽和矩形框坐標(biāo)信息的txt文件,圖8為數(shù)據(jù)集標(biāo)注示例。通過編寫隨機(jī)抽樣的程序,從10 000張圖片中隨機(jī)選擇8 001張作為訓(xùn)練集,隨機(jī)選擇999張圖片作為驗(yàn)證集,隨機(jī)選擇1 000張圖片作為測試集。

    2.2評(píng)價(jià)指標(biāo)

    為了評(píng)估算法的性能優(yōu)劣,本研究以對(duì)所有類別的番茄葉片整體檢測精準(zhǔn)性(mAP)、 每秒所執(zhí)行的浮點(diǎn)運(yùn)算次數(shù)、每秒幀數(shù)(FPS)、平均每張圖片檢測時(shí)間以及模型參數(shù)量作為評(píng)價(jià)模型大小、檢測速度和精度的指標(biāo)。mAP由所有類別的平均精度(AP)取平均值得到,AP是精確度(P)和召回率(R)組成的曲線的面積。P、R的計(jì)算方法分別見公式(5)、公式(6),mAP的計(jì)算公式如公式(7)所示。GFLOPs用于衡量模型的計(jì)算量,其值越大,表明模型計(jì)算速度越高。FPS用于衡量模型的實(shí)時(shí)性能,其值越大,表明模型實(shí)時(shí)檢測的性能越好。

    2.3不同主干網(wǎng)絡(luò)的性能比較

    針對(duì)YOLOv4參數(shù)量多和網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜等問題,分別選取不同的輕量化主干網(wǎng)絡(luò)代替原來的CSPDarknet網(wǎng)絡(luò),對(duì)8 001張訓(xùn)練集進(jìn)行訓(xùn)練后,得到相應(yīng)權(quán)重再分別檢測驗(yàn)證集和測試集。為驗(yàn)證MobileNetv1輕量化網(wǎng)絡(luò)檢測番茄病害的優(yōu)越性,選取的網(wǎng)絡(luò)分別是MobileNetv2、MobileNetv3以及CSPDarknet,預(yù)測結(jié)果如表1所示。

    由表1可以看出,MobileNetv2和MobileNetv3雖然檢測時(shí)間優(yōu)于原YOLOv4模型,但識(shí)別精度(整體檢測精準(zhǔn)性)卻低于原YOLOv4模型。MobileNetv1不僅比其他輕量化網(wǎng)絡(luò)識(shí)別模型的整體檢測精準(zhǔn)性高,檢測速度也具有較大的優(yōu)勢,檢測每張圖片平均僅需9 ms,比原YOLOv4模型快了13 ms,滿足實(shí)時(shí)檢測的條件。

    2.4不同注意力機(jī)制的比較

    為驗(yàn)證本研究在主干網(wǎng)絡(luò)2個(gè)輸出層和SPP結(jié)構(gòu)的輸出層添加CBAM模塊的有效性,本研究設(shè)計(jì)了在同等條件下添加不同注意力模塊的對(duì)比試驗(yàn),結(jié)果如表2所示。由表2可以看出,在設(shè)定參數(shù)以及其他改進(jìn)均相同的情況下,添加CBAM模塊比添加CA模塊和ECA模塊的平均檢測精度都具有優(yōu)勢,并且沒有帶來檢測速度方面的損失。原因可能是CBAM模塊屬于輕量級(jí)模塊,其插入網(wǎng)絡(luò)層后并不會(huì)給網(wǎng)絡(luò)帶來運(yùn)行負(fù)擔(dān),并且相較于ECA模塊與CA模塊只關(guān)注通道注意力,CBAM模塊可以在關(guān)注通道注意力的同時(shí)又關(guān)注空間注意力,而空間注意力對(duì)圖像中的有效語義信息更為敏感,因此,添加CBAM模塊使得空間注意力與通道注意力相輔相成,從而有效地提高網(wǎng)絡(luò)的特征提取能力。

    2.5消融試驗(yàn)

    為驗(yàn)證本研究提出的每個(gè)改進(jìn)對(duì)試驗(yàn)結(jié)果的積極影響,本研究設(shè)計(jì)了消融對(duì)比試驗(yàn),試驗(yàn)內(nèi)容包括運(yùn)用遷移學(xué)習(xí),以MobileNetv1為主干網(wǎng)絡(luò),改進(jìn)PANet,采用K均值聚類Anchor box和添加CBAM模塊,試驗(yàn)結(jié)果如表3所示。由表3可知,采用參數(shù)遷移學(xué)習(xí)后,番茄病害平均檢測精度有所提高,而在采用MobileNetv1替換主干網(wǎng)絡(luò)后,模型參數(shù)量減少了23.23 M,在此基礎(chǔ)上,進(jìn)一步對(duì)PANet進(jìn)行改進(jìn),使得模型參數(shù)量大幅度減少了28.26 M。由此可以看出,對(duì)YOLOv4算法主干網(wǎng)絡(luò)和路徑聚合網(wǎng)絡(luò)的改進(jìn),有效地減少了模型參數(shù)量。并且在網(wǎng)絡(luò)中添加CBAM模塊后,使得mAP有所提升的同時(shí)參數(shù)量僅有微小提升。因此,改進(jìn)后的YOLOv4算法在保障精度有所提升的前提下,大大提高了模型檢測病害的速度。

    2.6與其他單階段目標(biāo)檢測算法比較

    當(dāng)前的目標(biāo)檢測算法分為2類,一類是以Faster R-CNN[23]為代表的Two-stage檢測算法,Two-stage檢測算法識(shí)別精度較高,但對(duì)檢測速度有所限制,顯然不適用于實(shí)時(shí)檢測場景。另一類是One-stage檢測算法,這類算法直接使用網(wǎng)絡(luò)檢測目標(biāo)邊界框和類概率分?jǐn)?shù),檢測速度高,識(shí)別準(zhǔn)確率較高,適用于農(nóng)業(yè)病害實(shí)時(shí)檢測場景。因此,本研究選擇對(duì)以SSD[24]和YOLO為代表的One-stage目標(biāo)檢測算法與改進(jìn)的YOLOv4輕量化算法進(jìn)行對(duì)比,表4為不同單階段算法對(duì)比。由表4可以看出,本研究提出的算法平均每張圖片檢測速度分別比SSD和RetinaNet算法快6 ms和5 ms,mAP比SSD和RetinaNet算法高。本研究提出的算法模型參數(shù)量更是遠(yuǎn)遠(yuǎn)小于SSD、RetinaNet以及原YOLOv4模型,分別比SSD、RetinaNet以及原YOLOv4模型小9.64 M、9.77 M和51.33 M。因此,本研究提出的算法在不影響識(shí)別精度的前提下大大減少了模型大小,更適合在嵌入式系統(tǒng)上部署。

    為驗(yàn)證改進(jìn)后的YOLOv4算法是否可以較好地應(yīng)用于自然場景,選擇現(xiàn)實(shí)場景里番茄相對(duì)感染較多的4種病害,分別是早疫病、晚疫病、細(xì)菌性斑點(diǎn)病和黃曲葉病,使用改進(jìn)后的YOLOv4算法對(duì)4種病害進(jìn)行檢測識(shí)別。圖9為使用改進(jìn)后的YOLOv4算法對(duì)病害識(shí)別的結(jié)果,可以看出該算法可以準(zhǔn)確識(shí)別自然環(huán)境下的番茄葉部病害。

    3結(jié)論

    針對(duì)不同種類番茄葉片病害誤檢率高、實(shí)時(shí)檢測速度低等問題[25-26],本研究提出一種改進(jìn)的YOLOv4輕量化檢測算法,應(yīng)用于8種番茄病害識(shí)別,改進(jìn)后的模型在平均識(shí)別精確度、檢測速度以及參數(shù)內(nèi)存大小方面均取得了良好的效果。將YOLOv4的主干網(wǎng)絡(luò)CSPDarkNet替換成輕量化的MobileNetv1網(wǎng)絡(luò),并采用深度可分離卷積取代PANet加強(qiáng)特征提取網(wǎng)絡(luò)中的3×3普通卷積,使得模型的計(jì)算量得到進(jìn)一步壓縮。通過有效調(diào)整YOLOv4原始模型參數(shù),結(jié)合遷移學(xué)習(xí)策略,將MobileNetv1在COCO數(shù)據(jù)集上訓(xùn)練的權(quán)重運(yùn)用到改進(jìn)的YOLOv4模型,并在主干網(wǎng)絡(luò)的2個(gè)輸出特征層和空間金字塔池化輸出層分別嵌入坐標(biāo)注意力機(jī)制,以此避免減小模型參數(shù)帶來精度損失。應(yīng)用K均值聚類算法對(duì)Anchor box進(jìn)行重新優(yōu)化,得到新的Anchor box值,取代原始YOLOv4的盲目搜索方法,從而提升了模型檢測能力。本研究提出的模型傳輸幀數(shù)為101.76 f/s,比原始YOLOv4模型提高了130%,而模型參數(shù)量僅為12.64 M,比原YOLOv4模型參數(shù)量減少了80%,在1 000張測試集圖片上整體檢測精準(zhǔn)性為98.76%,比原始YOLOv4模型提高了0.6個(gè)百分點(diǎn),平均每張病害圖片檢測時(shí)間為9 ms。因此,改進(jìn)后的輕量化YOLOv4模型實(shí)時(shí)檢測性能更好,精確度更高并且更適合在硬件上部署。下一步的研究重點(diǎn)是將本研究算法應(yīng)用到各種復(fù)雜的自然場景,將深度學(xué)習(xí)應(yīng)用到更廣泛的農(nóng)業(yè)工程中。

    參考文獻(xiàn):

    [1]WANG X W,LIU J, ZHU X N. Early real-time detection algorithm of tomato diseases and pests in the natural environment[J]. Plant Methods,2021,17(1):1-17.

    [2]XU C,DING J Q,QIAO Y,et al. Tomato disease and pest diagnosis method based on the Stacking of prescription data[J]. Computers and Electronics in Agriculture,2022,197:106997.

    [3]呂盛坪,李燈輝,冼榮亨. 深度學(xué)習(xí)在我國農(nóng)業(yè)中的應(yīng)用研究現(xiàn)狀[J].計(jì)算機(jī)工程與應(yīng)用,2019,55(20):24-33,51.

    [4]劉文波,葉濤,李頎. 基于改進(jìn)SOLO v2的番茄葉部病害檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(8):213-220.

    [5]文斌,曹仁軒,楊啟良,等. 改進(jìn)YOLOv3算法檢測三七葉片病害[J].農(nóng)業(yè)工程學(xué)報(bào),2022,38(3):164-172.

    [6]HU G S,YANG X W,ZHANG Y,et al. Identification of tea leaf diseases by using an improved deep convolutional neural network[J]. Sustainable Computing: Informatics and Systems,2019,24: 100353.

    [7]QI J T,LIU X N,LIU K,et al. An improved YOLOv5 model based on visual attention mechanism: application to recognition of tomato virus disease[J]. Computers and Electronics in Agriculture,2022,194:106780.

    [8]劉延鑫,王俊峰,杜傳印,等. 基于YOLOv3的多類煙草葉部病害檢測研究[J].中國煙草科學(xué),2022,43(2):94-100.

    [9]王超學(xué),祁昕,馬罡,等. 基于YOLOv3的葡萄病害人工智能識(shí)別系統(tǒng)[J].植物保護(hù),2022,48(6):278-288.

    [10]周維,牛永真,王亞煒,等. 基于改進(jìn)的YOLOv4-GhostNet水稻病蟲害識(shí)別方法[J].江蘇農(nóng)業(yè)學(xué)報(bào),2022,38(3):685-695.

    [11]王權(quán)順,呂蕾,黃德豐,等. 基于改進(jìn)YOLOv4算法的蘋果葉部病害缺陷檢測研究[J].中國農(nóng)機(jī)化學(xué)報(bào),2022,43(11):182-187.

    [12]REDMON J,DIVVALA S,GIRSHICK R,et al. You only look once:unified,real-time object detection[C].LasVegas:IEEE Computer Society,2016.

    [13]BOCHKOVSKIY A,WANG C Y ,LIAO H Y. YOLOv4:optimal speed and accuracy of object detection[J/OL].arXiv,2020.

    [14]胡文駿,楊莉瓊,肖宇峰,等.識(shí)別安全帽佩戴的輕量化網(wǎng)絡(luò)模型[J/OL].計(jì)算機(jī)工程與應(yīng)用:1-9.[2023-03-15].http://kns.cnki.net/kcms/detail/11.2127.TP.20220524.1106.011.html.

    [15]HE K ,ZHANG X , REN S ,et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2015, 37(9):1904-1916.

    [16]LIU S, QI L, QIN H F, et al. Path aggregation network for instance segmentation[C]. Salt Lake City,UT,USA:IEEE Press, 2018: 8759-8768.

    [17]陳道懷,汪杭軍. 基于改進(jìn)YOLOv4的林業(yè)害蟲檢測[J].浙江農(nóng)業(yè)學(xué)報(bào),2022,34(6):1306-1315.

    [18]裴瑞景,王碩,王華英. 基于改進(jìn)YOLOv4算法的水果識(shí)別檢測研究[J/OL].激光技術(shù):1-11[2023-03-15].http://kns.cnki.net/kcms/detail/51.1125.TN.20220518.1135.004.html.

    [19]SRINIVASU P N,SIVASAI J G,IJAZ M F,et al. Classification of skin disease using deep learning neural networks with MobileNet V2 and LSTM[J]. Sensors,2021,21(8):2852.

    [20]WANG H T,LU F Y,TONG X,et al. A model for detecting safety hazards in key electrical sites based on hybrid attention mechanisms and lightweight Mobilenet[J]. Energy Reports,2021,7(S7):716-724.

    [21]郝帥,張旭,馬旭,等. 基于CBAM-YOLOv5的煤礦輸送帶異物檢測[J].煤炭學(xué)報(bào),2022,47(11):4149-4158.

    [22]姚齊水,別帥帥,余江鴻. 一種結(jié)合改進(jìn)Inception V2模塊和CBAM的軸承故障診斷方法[J].振動(dòng)工程學(xué)報(bào),2022,35(4):949-957.

    [23]REN S Q,HE K M,GIRSHICK R, et al. FasterR-CNN: towards real - time object detection with region proposal networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149.

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

    [25]胡政,張艷,尚靜,等. 高光譜圖像在農(nóng)作物病害檢測識(shí)別中的研究進(jìn)展[J].江蘇農(nóng)業(yè)科學(xué),2022,50(8):49-55.

    [26]牛學(xué)德,高丙朋,南新元,等. 基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測[J].江蘇農(nóng)業(yè)學(xué)報(bào),2022,38(1):129-134.

    (責(zé)任編輯:陳海霞)

    猜你喜歡
    注意力機(jī)制輕量化病害
    早春養(yǎng)羊需防六大病害
    汽車輕量化集成制造專題主編
    小麥常見三種病害咋防治
    葡萄病害周年防治歷
    果樹休眠期咋防病害
    基于深度學(xué)習(xí)的問題回答技術(shù)研究
    一種輕量化自卸半掛車結(jié)構(gòu)設(shè)計(jì)
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    基于注意力機(jī)制的雙向LSTM模型在中文商品評(píng)論情感分類中的研究
    軟件工程(2017年11期)2018-01-05 08:06:09
    InsunKBQA:一個(gè)基于知識(shí)庫的問答系統(tǒng)
    国产精品一及| 免费看日本二区| 免费观看在线日韩| 一级毛片我不卡| 欧美日韩综合久久久久久| 六月丁香七月| 成人特级黄色片久久久久久久| 高清毛片免费观看视频网站| 亚洲精品国产成人久久av| 国产成年人精品一区二区| 色哟哟哟哟哟哟| 欧美激情国产日韩精品一区| 精品久久久久久成人av| 午夜免费激情av| 久久久久久大精品| 国产伦精品一区二区三区视频9| 国内少妇人妻偷人精品xxx网站| 人人妻人人看人人澡| 久久精品国产99精品国产亚洲性色| 最近手机中文字幕大全| 青春草亚洲视频在线观看| 丰满人妻一区二区三区视频av| 国产熟女欧美一区二区| 日韩欧美在线乱码| 国内久久婷婷六月综合欲色啪| 人妻系列 视频| 国产成人影院久久av| 日韩强制内射视频| 久久精品国产自在天天线| 亚洲精品乱码久久久久久按摩| 成人亚洲欧美一区二区av| 国产成人精品一,二区 | 丝袜美腿在线中文| 欧美高清性xxxxhd video| 国产精品电影一区二区三区| 在线国产一区二区在线| av免费观看日本| 欧美最黄视频在线播放免费| 中文字幕制服av| 午夜爱爱视频在线播放| 久久韩国三级中文字幕| 青春草亚洲视频在线观看| av免费在线看不卡| 午夜a级毛片| 国产 一区精品| 12—13女人毛片做爰片一| 小说图片视频综合网站| 欧美人与善性xxx| 日韩一区二区视频免费看| 国产综合懂色| 免费看av在线观看网站| 能在线免费观看的黄片| 给我免费播放毛片高清在线观看| 一个人观看的视频www高清免费观看| 国产一区二区在线av高清观看| 午夜a级毛片| 村上凉子中文字幕在线| 日韩av不卡免费在线播放| 身体一侧抽搐| h日本视频在线播放| 亚洲国产精品合色在线| 一级毛片aaaaaa免费看小| 国产亚洲欧美98| 五月玫瑰六月丁香| 天堂中文最新版在线下载 | 人妻久久中文字幕网| a级毛片免费高清观看在线播放| 成人亚洲欧美一区二区av| 久久精品国产鲁丝片午夜精品| 国产高清有码在线观看视频| 国产爱豆传媒在线观看| 中文字幕人妻熟人妻熟丝袜美| 免费人成视频x8x8入口观看| 久久精品综合一区二区三区| 精品久久国产蜜桃| 久久精品影院6| 五月玫瑰六月丁香| 男女下面进入的视频免费午夜| 18禁黄网站禁片免费观看直播| 久久热精品热| 身体一侧抽搐| 亚洲第一区二区三区不卡| 国产精品.久久久| 中文在线观看免费www的网站| 亚洲精品456在线播放app| 国产中年淑女户外野战色| 国产精华一区二区三区| 六月丁香七月| 天天躁日日操中文字幕| 观看美女的网站| 国产精品一及| 午夜a级毛片| 国产一区二区在线观看日韩| 97人妻精品一区二区三区麻豆| 亚洲精品久久久久久婷婷小说 | 国产成人a∨麻豆精品| av在线播放精品| 亚洲最大成人av| 青青草视频在线视频观看| 免费大片18禁| 18禁在线播放成人免费| 欧美性猛交黑人性爽| 欧美日韩乱码在线| 天美传媒精品一区二区| 久久6这里有精品| 99国产精品一区二区蜜桃av| 欧美日韩乱码在线| 一级二级三级毛片免费看| 亚洲精品粉嫩美女一区| av又黄又爽大尺度在线免费看 | 内射极品少妇av片p| 亚洲欧美成人精品一区二区| 久久久久久久久久成人| 一个人看的www免费观看视频| 免费观看在线日韩| 精品一区二区三区人妻视频| 波多野结衣高清无吗| 日韩av不卡免费在线播放| 亚洲欧美日韩高清专用| 人妻少妇偷人精品九色| 日本撒尿小便嘘嘘汇集6| 久久精品久久久久久久性| 久久精品夜色国产| a级毛色黄片| 桃色一区二区三区在线观看| a级毛色黄片| 国产精品伦人一区二区| 日本黄色片子视频| 欧美丝袜亚洲另类| 国产麻豆成人av免费视频| 麻豆av噜噜一区二区三区| 国产亚洲欧美98| 久久久国产成人精品二区| 成人亚洲精品av一区二区| 国内久久婷婷六月综合欲色啪| 男女那种视频在线观看| 观看免费一级毛片| 国内久久婷婷六月综合欲色啪| 在线播放国产精品三级| 天堂网av新在线| 赤兔流量卡办理| 免费一级毛片在线播放高清视频| 久久久久久久亚洲中文字幕| 亚洲在线观看片| 中文字幕久久专区| 国产日韩欧美在线精品| 精品国内亚洲2022精品成人| 黄色欧美视频在线观看| 中文字幕久久专区| 一级毛片aaaaaa免费看小| 日本一本二区三区精品| 国产精品野战在线观看| 国产午夜精品一二区理论片| 麻豆成人av视频| h日本视频在线播放| 在线观看66精品国产| 天堂中文最新版在线下载 | 午夜精品国产一区二区电影 | 狠狠狠狠99中文字幕| 精品久久久久久久末码| 99久国产av精品国产电影| 久久精品久久久久久久性| 亚洲不卡免费看| 午夜视频国产福利| 黄色一级大片看看| 成人特级黄色片久久久久久久| 此物有八面人人有两片| 成人国产麻豆网| 国产成人精品婷婷| 免费观看人在逋| 老司机影院成人| 国产69精品久久久久777片| 国内久久婷婷六月综合欲色啪| 欧美最黄视频在线播放免费| 日韩国内少妇激情av| 国产高清不卡午夜福利| 男女啪啪激烈高潮av片| 3wmmmm亚洲av在线观看| 久久久久久伊人网av| 偷拍熟女少妇极品色| 精品久久久久久久末码| 欧美xxxx性猛交bbbb| 欧美成人免费av一区二区三区| 国产日韩欧美在线精品| 麻豆成人av视频| 精品一区二区三区人妻视频| 亚洲欧洲国产日韩| 免费电影在线观看免费观看| 日韩欧美三级三区| 一级二级三级毛片免费看| 亚洲精品国产av成人精品| 久久人人爽人人片av| 99久久人妻综合| 欧美潮喷喷水| 亚洲成人av在线免费| 亚洲激情五月婷婷啪啪| 亚洲成人中文字幕在线播放| 美女黄网站色视频| 国产高清有码在线观看视频| 熟女人妻精品中文字幕| 国产乱人偷精品视频| 欧美日韩国产亚洲二区| av.在线天堂| www日本黄色视频网| 国产黄a三级三级三级人| 深爱激情五月婷婷| 久久国内精品自在自线图片| 婷婷色av中文字幕| 亚洲在线观看片| 婷婷亚洲欧美| av天堂在线播放| 日韩三级伦理在线观看| 日日干狠狠操夜夜爽| 久久人人爽人人片av| 国产精品永久免费网站| av在线亚洲专区| 亚洲成人久久性| 亚洲精品日韩av片在线观看| 国产成人精品婷婷| 亚洲五月天丁香| 久久人人爽人人片av| 男女那种视频在线观看| 国产爱豆传媒在线观看| 99久久中文字幕三级久久日本| 91在线精品国自产拍蜜月| 午夜激情福利司机影院| av在线老鸭窝| 国产探花极品一区二区| 亚洲激情五月婷婷啪啪| av免费在线看不卡| 最近中文字幕高清免费大全6| 99热全是精品| 国产又黄又爽又无遮挡在线| 在线播放无遮挡| 不卡一级毛片| 少妇丰满av| 成人漫画全彩无遮挡| 麻豆国产av国片精品| 中出人妻视频一区二区| 国产精品电影一区二区三区| 欧美最新免费一区二区三区| 精品人妻视频免费看| 99在线人妻在线中文字幕| 久久韩国三级中文字幕| 一级黄片播放器| 又黄又爽又刺激的免费视频.| 欧美激情久久久久久爽电影| 国产三级中文精品| 亚洲熟妇中文字幕五十中出| 天天躁日日操中文字幕| 欧美色欧美亚洲另类二区| 亚洲丝袜综合中文字幕| av天堂中文字幕网| 色噜噜av男人的天堂激情| 听说在线观看完整版免费高清| 欧美色视频一区免费| 精品久久久久久久久久久久久| 天天一区二区日本电影三级| 男人舔奶头视频| 91麻豆精品激情在线观看国产| 69av精品久久久久久| 中出人妻视频一区二区| 97超碰精品成人国产| 日本黄大片高清| 免费不卡的大黄色大毛片视频在线观看 | 日韩人妻高清精品专区| av免费在线看不卡| 卡戴珊不雅视频在线播放| 亚洲一区高清亚洲精品| 美女被艹到高潮喷水动态| 国产极品精品免费视频能看的| 久久这里只有精品中国| 毛片一级片免费看久久久久| 99热全是精品| 亚洲国产日韩欧美精品在线观看| 国产熟女欧美一区二区| 成人国产麻豆网| 岛国在线免费视频观看| 亚洲国产精品成人久久小说 | 男的添女的下面高潮视频| 变态另类丝袜制服| 插阴视频在线观看视频| 欧美高清性xxxxhd video| 精品少妇黑人巨大在线播放 | 亚洲精品自拍成人| 国产亚洲91精品色在线| 最后的刺客免费高清国语| 成熟少妇高潮喷水视频| 伊人久久精品亚洲午夜| 日本与韩国留学比较| 听说在线观看完整版免费高清| 夜夜夜夜夜久久久久| 国产激情偷乱视频一区二区| 日本免费一区二区三区高清不卡| 国产一区亚洲一区在线观看| 最近中文字幕高清免费大全6| 国产精品久久久久久久久免| 看黄色毛片网站| 亚洲第一区二区三区不卡| av免费在线看不卡| 春色校园在线视频观看| 国产亚洲av片在线观看秒播厂 | 国产午夜福利久久久久久| 欧美bdsm另类| 嫩草影院新地址| 久久精品久久久久久久性| av在线亚洲专区| 此物有八面人人有两片| 国产精品精品国产色婷婷| 啦啦啦啦在线视频资源| 日日摸夜夜添夜夜添av毛片| 午夜福利在线在线| 有码 亚洲区| 免费在线观看成人毛片| 国产精品不卡视频一区二区| 少妇人妻一区二区三区视频| 一夜夜www| 婷婷色av中文字幕| 日韩,欧美,国产一区二区三区 | 国产一级毛片七仙女欲春2| 99在线人妻在线中文字幕| 乱系列少妇在线播放| 一个人看视频在线观看www免费| 99国产极品粉嫩在线观看| 99九九线精品视频在线观看视频| 日本撒尿小便嘘嘘汇集6| 看片在线看免费视频| 人体艺术视频欧美日本| 99热只有精品国产| 麻豆成人午夜福利视频| 真实男女啪啪啪动态图| 寂寞人妻少妇视频99o| 精品久久国产蜜桃| 热99re8久久精品国产| 午夜视频国产福利| 自拍偷自拍亚洲精品老妇| 久久综合国产亚洲精品| 午夜福利成人在线免费观看| 变态另类成人亚洲欧美熟女| 亚洲国产精品国产精品| 国产老妇女一区| 国产成年人精品一区二区| 国产精品一区www在线观看| 成人永久免费在线观看视频| 国产成人91sexporn| 1024手机看黄色片| 国产在线男女| 久久欧美精品欧美久久欧美| 亚洲av一区综合| 99久久成人亚洲精品观看| 精品熟女少妇av免费看| 波多野结衣高清作品| 人妻系列 视频| 成人高潮视频无遮挡免费网站| 国产高清激情床上av| 男人的好看免费观看在线视频| 国产成人精品一,二区 | 插阴视频在线观看视频| 国产av麻豆久久久久久久| 日韩欧美精品v在线| 天天躁日日操中文字幕| 亚洲av成人精品一区久久| 在线观看av片永久免费下载| 最近中文字幕高清免费大全6| 又爽又黄a免费视频| 两个人的视频大全免费| 舔av片在线| 高清在线视频一区二区三区 | 免费看av在线观看网站| 国语自产精品视频在线第100页| 免费不卡的大黄色大毛片视频在线观看 | 欧美成人免费av一区二区三区| 你懂的网址亚洲精品在线观看 | 黄片无遮挡物在线观看| 日日干狠狠操夜夜爽| 天堂影院成人在线观看| 日韩av不卡免费在线播放| 狠狠狠狠99中文字幕| 真实男女啪啪啪动态图| 亚洲精品亚洲一区二区| 亚洲aⅴ乱码一区二区在线播放| 精品人妻一区二区三区麻豆| 久久热精品热| 两个人视频免费观看高清| 亚洲欧美日韩高清在线视频| 深夜a级毛片| 亚洲欧美清纯卡通| 国产在线男女| 成人国产麻豆网| 99在线视频只有这里精品首页| 中文资源天堂在线| 久久久成人免费电影| 给我免费播放毛片高清在线观看| 成人综合一区亚洲| 成人三级黄色视频| 国产精品久久久久久av不卡| 免费观看精品视频网站| 国产午夜精品久久久久久一区二区三区| 日韩欧美精品免费久久| 精品久久久久久久久久免费视频| 国产三级中文精品| 亚洲高清免费不卡视频| 天堂av国产一区二区熟女人妻| 97人妻精品一区二区三区麻豆| 日韩av在线大香蕉| 欧美3d第一页| 国产精品1区2区在线观看.| 亚洲精品色激情综合| 国产黄片视频在线免费观看| 十八禁国产超污无遮挡网站| 日日啪夜夜撸| 中国美女看黄片| 日韩欧美在线乱码| 99久久精品热视频| 午夜激情欧美在线| 亚洲最大成人中文| 国产av不卡久久| 亚洲精品456在线播放app| 成年女人看的毛片在线观看| 最近视频中文字幕2019在线8| 亚洲人成网站在线播| 日韩人妻高清精品专区| 男女视频在线观看网站免费| 99热这里只有是精品50| 美女大奶头视频| 男人和女人高潮做爰伦理| 97超碰精品成人国产| 丰满人妻一区二区三区视频av| 亚洲成a人片在线一区二区| 久久精品91蜜桃| 免费看美女性在线毛片视频| 又黄又爽又刺激的免费视频.| 2022亚洲国产成人精品| 国产成人影院久久av| 日韩成人伦理影院| 久久精品国产清高在天天线| 少妇熟女欧美另类| 青春草视频在线免费观看| 日本色播在线视频| 亚洲国产色片| 国产精品一区二区在线观看99 | 男人的好看免费观看在线视频| 久久久久免费精品人妻一区二区| 爱豆传媒免费全集在线观看| 欧美3d第一页| 男的添女的下面高潮视频| 免费人成视频x8x8入口观看| 日韩欧美在线乱码| 日韩欧美三级三区| 成熟少妇高潮喷水视频| 欧美+亚洲+日韩+国产| 欧美xxxx黑人xx丫x性爽| 一个人看视频在线观看www免费| 国产成人精品婷婷| 国产久久久一区二区三区| 偷拍熟女少妇极品色| 免费av毛片视频| 人妻系列 视频| 亚洲电影在线观看av| av在线播放精品| 欧美日韩一区二区视频在线观看视频在线 | 嫩草影院精品99| 亚洲精品国产成人久久av| 国产黄片视频在线免费观看| 国产色爽女视频免费观看| 自拍偷自拍亚洲精品老妇| 男人的好看免费观看在线视频| 在线播放无遮挡| 黑人高潮一二区| 午夜福利成人在线免费观看| 悠悠久久av| 亚洲高清免费不卡视频| 日韩在线高清观看一区二区三区| 亚洲欧美成人综合另类久久久 | 久久午夜福利片| 欧美激情国产日韩精品一区| 日韩三级伦理在线观看| 精品日产1卡2卡| 久久久久久九九精品二区国产| 插阴视频在线观看视频| 日韩国内少妇激情av| 色综合站精品国产| 日本在线视频免费播放| 亚洲精品自拍成人| 99久国产av精品国产电影| 亚洲av二区三区四区| 国产精品爽爽va在线观看网站| 国产综合懂色| 久久国产乱子免费精品| 久久久色成人| 黄色一级大片看看| 成人漫画全彩无遮挡| 99久久精品一区二区三区| 搡女人真爽免费视频火全软件| 久久精品国产99精品国产亚洲性色| 国产成人精品久久久久久| 毛片一级片免费看久久久久| 国产伦在线观看视频一区| 天堂√8在线中文| 天堂影院成人在线观看| 亚洲乱码一区二区免费版| 老司机影院成人| 三级男女做爰猛烈吃奶摸视频| 青青草视频在线视频观看| 成人一区二区视频在线观看| 色综合亚洲欧美另类图片| 久久久国产成人精品二区| 成人毛片a级毛片在线播放| 中国美女看黄片| www.av在线官网国产| 成人漫画全彩无遮挡| 美女被艹到高潮喷水动态| 中文精品一卡2卡3卡4更新| 老女人水多毛片| 一区福利在线观看| 久久精品国产99精品国产亚洲性色| 一区二区三区高清视频在线| 成人无遮挡网站| 麻豆成人av视频| 亚洲最大成人av| 青春草视频在线免费观看| 免费电影在线观看免费观看| 人妻久久中文字幕网| 亚洲乱码一区二区免费版| 久久精品国产亚洲网站| 亚洲第一区二区三区不卡| 日韩av在线大香蕉| 伦精品一区二区三区| 日韩强制内射视频| 欧美最黄视频在线播放免费| 99热只有精品国产| 国产av一区在线观看免费| 久久国产乱子免费精品| 中文字幕精品亚洲无线码一区| 精品一区二区三区人妻视频| 高清毛片免费观看视频网站| .国产精品久久| 日日摸夜夜添夜夜爱| 中文资源天堂在线| 国产一区二区亚洲精品在线观看| 欧美最黄视频在线播放免费| 久久精品国产清高在天天线| 欧美高清性xxxxhd video| 成人三级黄色视频| 麻豆av噜噜一区二区三区| 久久久午夜欧美精品| 午夜激情欧美在线| 久久精品人妻少妇| 国产精品一区www在线观看| 91久久精品电影网| 国产人妻一区二区三区在| 亚洲第一区二区三区不卡| 亚洲最大成人手机在线| 成年女人看的毛片在线观看| 禁无遮挡网站| 永久网站在线| 久久九九热精品免费| 天堂中文最新版在线下载 | 亚洲欧洲国产日韩| 精品久久久久久成人av| 亚洲欧美日韩无卡精品| 国产精品一二三区在线看| 免费看a级黄色片| 亚洲一区高清亚洲精品| 日本五十路高清| 秋霞在线观看毛片| 只有这里有精品99| 久久精品久久久久久久性| 国产三级在线视频| 国产精品一区www在线观看| 全区人妻精品视频| 午夜免费激情av| 熟女电影av网| 国产成人影院久久av| 亚洲欧美精品自产自拍| av女优亚洲男人天堂| 中文字幕av成人在线电影| 中文字幕精品亚洲无线码一区| 波多野结衣高清无吗| 国产中年淑女户外野战色| 亚洲成人久久性| 一进一出抽搐动态| 日本五十路高清| 国产精品一二三区在线看| 国产真实伦视频高清在线观看| 国产亚洲欧美98| 亚洲精品成人久久久久久| 欧洲精品卡2卡3卡4卡5卡区| 日韩制服骚丝袜av| 成人美女网站在线观看视频| 99在线人妻在线中文字幕| 欧美潮喷喷水| 欧美一区二区国产精品久久精品| 国产伦精品一区二区三区四那| 国国产精品蜜臀av免费| 国产激情偷乱视频一区二区| 青春草亚洲视频在线观看| 亚洲,欧美,日韩| 日日摸夜夜添夜夜爱| 国产精品一区二区在线观看99 | 国产大屁股一区二区在线视频| 国产精品人妻久久久影院| 日韩一区二区视频免费看| 久久久久久国产a免费观看| 欧美日本视频| 天美传媒精品一区二区| 看十八女毛片水多多多| 一本久久精品| 国产精品综合久久久久久久免费| 久久精品夜色国产| 日本与韩国留学比较| 国产v大片淫在线免费观看| 黄片无遮挡物在线观看| 色尼玛亚洲综合影院| 亚洲国产欧洲综合997久久,|