• <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)
    在现免费观看毛片| 国产黄片视频在线免费观看| 能在线免费看毛片的网站| 妹子高潮喷水视频| 99久久精品一区二区三区| 国产男女超爽视频在线观看| 精品一区二区免费观看| 亚洲高清免费不卡视频| 午夜精品国产一区二区电影| 十八禁高潮呻吟视频| 国产无遮挡羞羞视频在线观看| 欧美3d第一页| 在线观看免费视频网站a站| 18+在线观看网站| 欧美变态另类bdsm刘玥| 黄色欧美视频在线观看| 国产免费又黄又爽又色| 99久久精品一区二区三区| 国产精品99久久久久久久久| 大香蕉久久网| 伦理电影大哥的女人| 国产高清不卡午夜福利| 欧美日本中文国产一区发布| 久久久久国产网址| 99视频精品全部免费 在线| 男的添女的下面高潮视频| 亚洲精品日韩在线中文字幕| 国产极品粉嫩免费观看在线 | 亚洲四区av| 久久久久久久久久久丰满| 久久鲁丝午夜福利片| 日本与韩国留学比较| 五月玫瑰六月丁香| 国产精品无大码| 飞空精品影院首页| 欧美亚洲日本最大视频资源| 亚洲精品乱码久久久v下载方式| 日日啪夜夜爽| 精品一品国产午夜福利视频| 亚洲人成网站在线观看播放| 欧美精品亚洲一区二区| 欧美成人精品欧美一级黄| 一级爰片在线观看| 欧美人与善性xxx| 久久久久国产网址| 不卡视频在线观看欧美| 亚洲国产日韩一区二区| 国产高清不卡午夜福利| 成人毛片a级毛片在线播放| 美女大奶头黄色视频| 国产极品天堂在线| 国产极品粉嫩免费观看在线 | 国产男女内射视频| 91在线精品国自产拍蜜月| 亚洲国产最新在线播放| 日韩 亚洲 欧美在线| 国产爽快片一区二区三区| 少妇高潮的动态图| 国产精品无大码| 爱豆传媒免费全集在线观看| 亚洲精品国产色婷婷电影| 国产欧美另类精品又又久久亚洲欧美| 国产亚洲最大av| 国产视频首页在线观看| 一二三四中文在线观看免费高清| 在现免费观看毛片| 特大巨黑吊av在线直播| 亚洲国产毛片av蜜桃av| 国产精品人妻久久久久久| 老司机影院毛片| 亚洲精品亚洲一区二区| 亚洲美女视频黄频| 男女高潮啪啪啪动态图| 精品卡一卡二卡四卡免费| 91精品国产九色| 最近中文字幕高清免费大全6| 国产黄色视频一区二区在线观看| 国产精品99久久久久久久久| 国产精品成人在线| 成人国语在线视频| 亚洲情色 制服丝袜| 久久韩国三级中文字幕| 中文乱码字字幕精品一区二区三区| 免费看av在线观看网站| 极品少妇高潮喷水抽搐| 日韩在线高清观看一区二区三区| 国产高清不卡午夜福利| 大香蕉久久成人网| 亚洲国产欧美在线一区| 久久国产亚洲av麻豆专区| 午夜激情av网站| 九九爱精品视频在线观看| 国产不卡av网站在线观看| 国产精品久久久久久久电影| .国产精品久久| 欧美亚洲日本最大视频资源| 日韩电影二区| 亚洲中文av在线| 久久久午夜欧美精品| 大码成人一级视频| 大片免费播放器 马上看| 最近2019中文字幕mv第一页| 亚洲三级黄色毛片| 波野结衣二区三区在线| 3wmmmm亚洲av在线观看| 少妇的逼好多水| 日本av手机在线免费观看| 亚洲欧美清纯卡通| a级毛色黄片| 18禁动态无遮挡网站| 亚洲人成网站在线观看播放| 男女免费视频国产| 哪个播放器可以免费观看大片| 国产亚洲最大av| 欧美 亚洲 国产 日韩一| 中文字幕亚洲精品专区| 热99久久久久精品小说推荐| 国产免费福利视频在线观看| 免费播放大片免费观看视频在线观看| 久久午夜综合久久蜜桃| 老司机亚洲免费影院| 乱人伦中国视频| 国产成人freesex在线| 欧美精品一区二区大全| 亚洲av.av天堂| 久久久久人妻精品一区果冻| 欧美 亚洲 国产 日韩一| 免费黄网站久久成人精品| 欧美97在线视频| 日本黄色日本黄色录像| av网站免费在线观看视频| 亚洲欧洲国产日韩| 国产精品一区二区在线不卡| 老司机影院成人| 午夜精品国产一区二区电影| 亚洲精华国产精华液的使用体验| 国产精品一区二区在线观看99| 成人毛片60女人毛片免费| 搡女人真爽免费视频火全软件| 中文精品一卡2卡3卡4更新| 综合色丁香网| 亚洲欧美一区二区三区国产| 久久精品国产鲁丝片午夜精品| av视频免费观看在线观看| 插逼视频在线观看| 街头女战士在线观看网站| 日韩三级伦理在线观看| 色视频在线一区二区三区| 好男人视频免费观看在线| 秋霞在线观看毛片| 久久久国产欧美日韩av| 午夜免费男女啪啪视频观看| 国产成人精品在线电影| 男女啪啪激烈高潮av片| 国产精品无大码| 日韩三级伦理在线观看| 日本爱情动作片www.在线观看| 高清欧美精品videossex| 国产黄色视频一区二区在线观看| 三上悠亚av全集在线观看| 极品少妇高潮喷水抽搐| 赤兔流量卡办理| 国产熟女欧美一区二区| 亚洲精品久久久久久婷婷小说| xxx大片免费视频| 日日摸夜夜添夜夜爱| 久久久久精品性色| 亚洲精品456在线播放app| 国产乱人偷精品视频| 精品人妻在线不人妻| 国产精品.久久久| 日韩,欧美,国产一区二区三区| 国产有黄有色有爽视频| 午夜福利网站1000一区二区三区| 最新的欧美精品一区二区| 3wmmmm亚洲av在线观看| 午夜激情久久久久久久| 美女xxoo啪啪120秒动态图| 高清欧美精品videossex| 水蜜桃什么品种好| 国产精品久久久久久久久免| 飞空精品影院首页| 午夜福利视频在线观看免费| 精品视频人人做人人爽| 久热这里只有精品99| 不卡视频在线观看欧美| 99精国产麻豆久久婷婷| 亚洲av国产av综合av卡| 欧美bdsm另类| 国产男人的电影天堂91| 日韩制服骚丝袜av| 亚洲色图 男人天堂 中文字幕 | 精品一区二区三卡| 大陆偷拍与自拍| av免费观看日本| 久久综合国产亚洲精品| 日本欧美国产在线视频| 国产色婷婷99| 在线播放无遮挡| 国产高清不卡午夜福利| 91午夜精品亚洲一区二区三区| av免费在线看不卡| 成人影院久久| 婷婷色综合www| 国产亚洲一区二区精品| 久久婷婷青草| 免费高清在线观看日韩| 亚洲精品,欧美精品| 日韩av免费高清视频| 一区二区三区免费毛片| 国产精品国产三级国产专区5o| 老女人水多毛片| 99re6热这里在线精品视频| 美女大奶头黄色视频| 成人国语在线视频| 亚洲,一卡二卡三卡| 久久久久精品性色| 高清毛片免费看| 麻豆成人av视频| 全区人妻精品视频| 少妇人妻 视频| 久久人人爽av亚洲精品天堂| 欧美日韩av久久| 国产精品蜜桃在线观看| 国产免费又黄又爽又色| 老司机影院毛片| 亚洲熟女精品中文字幕| a级毛片免费高清观看在线播放| 一本一本综合久久| 涩涩av久久男人的天堂| 精品少妇黑人巨大在线播放| 91午夜精品亚洲一区二区三区| av免费在线看不卡| 久久人人爽av亚洲精品天堂| 亚洲精品成人av观看孕妇| 精品视频人人做人人爽| 在线天堂最新版资源| 国产国语露脸激情在线看| 久久久精品94久久精品| 日韩免费高清中文字幕av| av线在线观看网站| 久久精品国产亚洲av涩爱| 视频在线观看一区二区三区| 爱豆传媒免费全集在线观看| 综合色丁香网| 国产亚洲一区二区精品| 秋霞伦理黄片| 欧美三级亚洲精品| 久久久久精品久久久久真实原创| 黄色怎么调成土黄色| 一本大道久久a久久精品| 亚洲精品国产av蜜桃| 欧美老熟妇乱子伦牲交| 日韩一本色道免费dvd| 男女边吃奶边做爰视频| 国语对白做爰xxxⅹ性视频网站| 天堂俺去俺来也www色官网| 日韩欧美一区视频在线观看| 成人毛片60女人毛片免费| 五月伊人婷婷丁香| 男女高潮啪啪啪动态图| 美女cb高潮喷水在线观看| 久久精品国产a三级三级三级| 80岁老熟妇乱子伦牲交| 寂寞人妻少妇视频99o| 色婷婷av一区二区三区视频| 亚洲精品久久午夜乱码| 一边摸一边做爽爽视频免费| 男人添女人高潮全过程视频| 久久久久久久久久久免费av| 制服诱惑二区| a级毛片免费高清观看在线播放| 一级毛片我不卡| 丝袜在线中文字幕| 国产毛片在线视频| 欧美精品一区二区免费开放| 亚洲欧美日韩卡通动漫| 国产乱来视频区| 亚洲三级黄色毛片| 国产熟女欧美一区二区| 久久精品久久久久久噜噜老黄| 久久久久人妻精品一区果冻| 91久久精品国产一区二区成人| 久久99热6这里只有精品| h视频一区二区三区| 老司机影院毛片| 久久久久精品久久久久真实原创| 黄色怎么调成土黄色| 亚洲欧美日韩另类电影网站| 久久狼人影院| 纵有疾风起免费观看全集完整版| 免费不卡的大黄色大毛片视频在线观看| 大片免费播放器 马上看| 欧美成人午夜免费资源| 国产成人一区二区在线| 91久久精品电影网| 国产成人91sexporn| 亚洲高清免费不卡视频| 日韩 亚洲 欧美在线| 日韩一区二区三区影片| 一区二区日韩欧美中文字幕 | 丝袜美足系列| 香蕉精品网在线| 久久精品国产亚洲av天美| 亚洲,欧美,日韩| 春色校园在线视频观看| 91精品国产九色| 中国美白少妇内射xxxbb| 日韩av不卡免费在线播放| 少妇的逼好多水| 老司机影院成人| 大又大粗又爽又黄少妇毛片口| 久久久久久久久久人人人人人人| 精品国产一区二区久久| 欧美日韩视频高清一区二区三区二| 婷婷成人精品国产| 国产精品99久久久久久久久| 国产精品成人在线| 色视频在线一区二区三区| 韩国av在线不卡| 亚洲丝袜综合中文字幕| 日韩视频在线欧美| 黄色一级大片看看| 日韩不卡一区二区三区视频在线| 国产成人a∨麻豆精品| 99热这里只有精品一区| 欧美激情国产日韩精品一区| 国产成人91sexporn| 国模一区二区三区四区视频| 久久精品国产a三级三级三级| 久久久久国产精品人妻一区二区| 亚洲av在线观看美女高潮| 免费高清在线观看日韩| 18禁裸乳无遮挡动漫免费视频| 好男人视频免费观看在线| 99久久人妻综合| 免费av不卡在线播放| 国产国语露脸激情在线看| 一区二区三区免费毛片| 亚洲少妇的诱惑av| 精品国产一区二区三区久久久樱花| 99久久中文字幕三级久久日本| 国产成人a∨麻豆精品| 精品99又大又爽又粗少妇毛片| 亚洲国产日韩一区二区| 观看av在线不卡| 一级毛片电影观看| 亚洲欧美中文字幕日韩二区| 99热全是精品| 久久国产亚洲av麻豆专区| av免费在线看不卡| 精品酒店卫生间| 中文字幕免费在线视频6| 亚洲精品久久午夜乱码| 高清av免费在线| 免费观看的影片在线观看| 国产精品99久久久久久久久| 色哟哟·www| 青春草国产在线视频| 丰满饥渴人妻一区二区三| 久久人人爽人人爽人人片va| 熟女电影av网| 999精品在线视频| 十分钟在线观看高清视频www| 观看av在线不卡| 丰满乱子伦码专区| 精品人妻熟女av久视频| 日韩电影二区| 成年美女黄网站色视频大全免费 | 亚洲欧美中文字幕日韩二区| 黄色欧美视频在线观看| av网站免费在线观看视频| 国产精品免费大片| 欧美精品亚洲一区二区| 另类亚洲欧美激情| 91午夜精品亚洲一区二区三区| 欧美国产精品一级二级三级| 丝袜脚勾引网站| 在线观看一区二区三区激情| 满18在线观看网站| 色哟哟·www| 99热6这里只有精品| kizo精华| 交换朋友夫妻互换小说| 亚洲国产欧美在线一区| 五月天丁香电影| av视频免费观看在线观看| 一区二区av电影网| 少妇熟女欧美另类| 国产精品一区二区在线观看99| 少妇人妻久久综合中文| 国精品久久久久久国模美| 亚洲国产成人一精品久久久| 黄色一级大片看看| 免费播放大片免费观看视频在线观看| 高清不卡的av网站| 亚洲av在线观看美女高潮| 亚洲成人av在线免费| 国产亚洲欧美精品永久| 最近的中文字幕免费完整| 尾随美女入室| 欧美人与性动交α欧美精品济南到 | 高清午夜精品一区二区三区| 国产国拍精品亚洲av在线观看| 在线免费观看不下载黄p国产| 亚洲欧美成人精品一区二区| av免费观看日本| 亚洲婷婷狠狠爱综合网| 日韩视频在线欧美| 亚洲精品自拍成人| 国产综合精华液| 亚洲av不卡在线观看| 欧美日韩综合久久久久久| 高清av免费在线| 一边摸一边做爽爽视频免费| 久久鲁丝午夜福利片| www.色视频.com| 国产老妇伦熟女老妇高清| 80岁老熟妇乱子伦牲交| 日韩一区二区视频免费看| 满18在线观看网站| 中文精品一卡2卡3卡4更新| 热99国产精品久久久久久7| 80岁老熟妇乱子伦牲交| 亚洲色图 男人天堂 中文字幕 | 日产精品乱码卡一卡2卡三| 人人妻人人添人人爽欧美一区卜| 亚洲国产欧美日韩在线播放| 国产熟女欧美一区二区| 搡老乐熟女国产| 久久精品国产a三级三级三级| 两个人的视频大全免费| 亚洲av电影在线观看一区二区三区| 亚洲美女搞黄在线观看| 男女免费视频国产| 欧美性感艳星| 国产在线一区二区三区精| 在线看a的网站| 国产精品一区二区在线不卡| 18禁观看日本| 天天操日日干夜夜撸| 免费观看性生交大片5| 久久久a久久爽久久v久久| 日韩人妻高清精品专区| av卡一久久| 精品一品国产午夜福利视频| 亚洲精品日韩av片在线观看| 热re99久久国产66热| 人妻 亚洲 视频| 国产一区二区在线观看日韩| 国产精品嫩草影院av在线观看| 免费看av在线观看网站| 亚洲精品久久成人aⅴ小说 | 亚洲欧洲精品一区二区精品久久久 | 18在线观看网站| 美女福利国产在线| 男女无遮挡免费网站观看| 一区在线观看完整版| 中文乱码字字幕精品一区二区三区| 亚洲精品美女久久av网站| 久久久久视频综合| 久久久精品区二区三区| 成人亚洲精品一区在线观看| 成人漫画全彩无遮挡| 久久精品国产a三级三级三级| 美女大奶头黄色视频| 日日爽夜夜爽网站| 午夜影院在线不卡| 亚洲av中文av极速乱| 王馨瑶露胸无遮挡在线观看| 久久久欧美国产精品| 久久久久久伊人网av| 一级黄片播放器| 免费高清在线观看日韩| 97在线视频观看| 亚洲图色成人| 亚洲av中文av极速乱| 精品卡一卡二卡四卡免费| 狠狠精品人妻久久久久久综合| 中国美白少妇内射xxxbb| 国产精品一国产av| 国产日韩一区二区三区精品不卡 | 欧美老熟妇乱子伦牲交| av免费在线看不卡| 啦啦啦啦在线视频资源| 成年美女黄网站色视频大全免费 | 久久久欧美国产精品| 久久久久久久久大av| 国产亚洲一区二区精品| 亚洲av日韩在线播放| 亚洲,一卡二卡三卡| 久久久精品免费免费高清| 国产成人免费观看mmmm| 欧美成人精品欧美一级黄| 精品人妻偷拍中文字幕| 好男人视频免费观看在线| 91精品一卡2卡3卡4卡| 成人国语在线视频| 国产精品蜜桃在线观看| 亚洲精品乱码久久久久久按摩| 一级毛片我不卡| 一个人看视频在线观看www免费| 一级片'在线观看视频| 99热这里只有精品一区| 蜜臀久久99精品久久宅男| 国产精品久久久久成人av| 少妇高潮的动态图| 最近中文字幕高清免费大全6| 久久毛片免费看一区二区三区| 久久久久久久久大av| 特大巨黑吊av在线直播| 亚洲精品日韩在线中文字幕| 日韩免费高清中文字幕av| 五月开心婷婷网| 久久人人爽av亚洲精品天堂| 一级毛片aaaaaa免费看小| 日本vs欧美在线观看视频| 晚上一个人看的免费电影| 日韩av在线免费看完整版不卡| 春色校园在线视频观看| 日韩熟女老妇一区二区性免费视频| 国产片内射在线| 久久国产精品男人的天堂亚洲 | 亚洲熟女精品中文字幕| 欧美另类一区| 91精品国产国语对白视频| 在线播放无遮挡| 亚洲内射少妇av| 又黄又爽又刺激的免费视频.| 国产欧美日韩综合在线一区二区| 国产乱来视频区| 22中文网久久字幕| 国产精品熟女久久久久浪| 99精国产麻豆久久婷婷| 亚洲精品av麻豆狂野| 久久婷婷青草| av又黄又爽大尺度在线免费看| 亚洲av在线观看美女高潮| 亚洲美女黄色视频免费看| 最近的中文字幕免费完整| 九九在线视频观看精品| 一边亲一边摸免费视频| 性色av一级| 亚洲第一av免费看| 日韩欧美一区视频在线观看| 亚洲精品日韩av片在线观看| 精品卡一卡二卡四卡免费| 欧美97在线视频| 国产精品偷伦视频观看了| 久久 成人 亚洲| 丁香六月天网| 男的添女的下面高潮视频| 18禁在线播放成人免费| 亚洲人成网站在线播| 狠狠婷婷综合久久久久久88av| 国产精品三级大全| 欧美丝袜亚洲另类| 波野结衣二区三区在线| 夫妻午夜视频| 三上悠亚av全集在线观看| 亚洲精品aⅴ在线观看| 国产成人av激情在线播放 | 51国产日韩欧美| 免费看光身美女| 黑人高潮一二区| 秋霞在线观看毛片| 性高湖久久久久久久久免费观看| 日韩大片免费观看网站| 久久久久国产精品人妻一区二区| 人妻制服诱惑在线中文字幕| 亚洲精品乱久久久久久| 欧美3d第一页| 国产男女超爽视频在线观看| 一级毛片电影观看| 高清在线视频一区二区三区| 亚洲怡红院男人天堂| 丝瓜视频免费看黄片| 亚洲美女视频黄频| 亚洲精品国产av蜜桃| 精品久久久久久久久亚洲| 91精品国产九色| 日韩中字成人| 特大巨黑吊av在线直播| 精品国产乱码久久久久久小说| 在线观看www视频免费| 91aial.com中文字幕在线观看| 久久99热6这里只有精品| 大香蕉久久成人网| 成人二区视频| 3wmmmm亚洲av在线观看| 亚洲av不卡在线观看| 又大又黄又爽视频免费| 香蕉精品网在线| 亚洲天堂av无毛| 欧美成人精品欧美一级黄| 精品久久久久久久久亚洲| 亚洲精品国产av蜜桃| 亚洲美女视频黄频| 久久精品国产亚洲av天美| 精品一区二区免费观看| 亚洲少妇的诱惑av| 97超视频在线观看视频| 国产成人精品一,二区| 久久久国产一区二区| 精品一品国产午夜福利视频| 亚洲欧洲精品一区二区精品久久久 | 国产一区二区在线观看日韩| 国产一级毛片在线| 婷婷色综合大香蕉| 亚洲精品乱码久久久v下载方式| 亚洲怡红院男人天堂| 国产爽快片一区二区三区| 日韩不卡一区二区三区视频在线| 亚洲精品一区蜜桃| 97超视频在线观看视频|