• <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 ?

    簡(jiǎn)單三維注意力機(jī)制水稻病害識(shí)別模型

    2023-12-02 03:51:31王忠培董偉朱靜波謝成軍
    江蘇農(nóng)業(yè)科學(xué) 2023年20期
    關(guān)鍵詞:注意力機(jī)制識(shí)別

    王忠培 董偉 朱靜波 謝成軍

    摘要:準(zhǔn)確、快速地識(shí)別水稻病害并及時(shí)采取防治措施,是減少水稻產(chǎn)量損失和提高水稻質(zhì)量的有效途徑之一。以生產(chǎn)上常見(jiàn)的6種水稻病害為研究對(duì)象,提出一種簡(jiǎn)單的三維注意力機(jī)制水稻識(shí)別模型。不同于通道注意力或空間注意力方法將研究對(duì)象特征分開(kāi)考慮而導(dǎo)致研究對(duì)象本身固有的三維特性丟失的現(xiàn)象,本研究借鑒人類觀察物體時(shí)將觀察主體作為三維整體考慮的特點(diǎn),提出算法。不同于SimAM算法將輸入圖像中的激活像素人為設(shè)置+1作為正樣本、不激活像素設(shè)置-1作為負(fù)樣本的假定,本研究不對(duì)輸入圖像的每個(gè)像素作人為硬性閾值的設(shè)定,而是保留其本身輸入特征大?。贿@種設(shè)定不會(huì)破壞研究對(duì)象本身的固有屬性,更符合研究主題自身的特性。研究結(jié)果表明,在自建水稻病害識(shí)別數(shù)據(jù)集達(dá)到的最高準(zhǔn)確率為98.6%,比SimAM算法提高0.84百分點(diǎn);相比經(jīng)典網(wǎng)絡(luò)模型ResNet50、MobileNetV2、EfficientNet_B0、DenseNet分別提高1.71、1.93、1.93、0.84百分點(diǎn);相比通道注意力機(jī)制模型 SENe、ECA模型分別提高1.20、1.28百分點(diǎn),表明本模型能夠?yàn)樽匀画h(huán)境下水稻病害的智能識(shí)別提供技術(shù)支持。

    關(guān)鍵詞:水稻病害;識(shí)別;三維注意力;注意力機(jī)制

    中圖分類號(hào):TP391.41文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1002-1302(2023)20-0186-07

    水稻是我國(guó)第二大糧食作物,種植面積約占我國(guó)耕地面積的1/4,水稻產(chǎn)量關(guān)系到國(guó)計(jì)民生。水稻病蟲害對(duì)水稻產(chǎn)量產(chǎn)生重要影響。據(jù)農(nóng)業(yè)技術(shù)推廣中心的預(yù)報(bào),2023年預(yù)計(jì)水稻病蟲害發(fā)生 7 733.3萬(wàn)次/hm2,同比增加25.1%;其中,“三蟲兩病”(稻飛虱、稻縱卷葉螟、二化螟、紋枯病、稻瘟?。┌l(fā)生6 720萬(wàn)次/hm2,同比增加29.0%[1]。因此,準(zhǔn)確識(shí)別病蟲害并及時(shí)進(jìn)行防治,有助于減少水稻產(chǎn)量的損失。

    近年來(lái),卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)技術(shù)由于其性能的優(yōu)越性,已經(jīng)在計(jì)算機(jī)視覺(jué)領(lǐng)域獲得大量的應(yīng)用,在農(nóng)業(yè)領(lǐng)域也得到學(xué)者的關(guān)注并取得良好的效果。趙立新等使用遷移學(xué)習(xí)方法,實(shí)現(xiàn)棉花病蟲害的智能識(shí)別[2]。樊湘鵬等將遷移學(xué)習(xí)的方法應(yīng)用到葡萄葉片病害識(shí)別[3]。劉斌等將深度可分離卷積和通道混洗ALS模塊引入輕量化模型ShuffleNetV2,提出輕量化識(shí)別模型ALS-Net,模型大小只有 1.64 MB,但識(shí)別精度達(dá)到99.43%,可實(shí)現(xiàn)移動(dòng)端蘋果葉病害的實(shí)時(shí)識(shí)別[4]。張善文等將可變形卷積神經(jīng)網(wǎng)絡(luò)引入VGG-16模型,解決識(shí)別對(duì)象大小、形態(tài)、姿態(tài)變化等問(wèn)題[5]。Espejo-Garcia等使用遷移學(xué)習(xí)的方法,基于EfficientNetB4模型在自建數(shù)據(jù)集上進(jìn)行微調(diào),可以實(shí)現(xiàn)作物營(yíng)養(yǎng)缺乏癥狀的診斷[6]。營(yíng)養(yǎng)缺乏癥可以實(shí)現(xiàn)作物早期診斷,避免重大性農(nóng)業(yè)損失。Peng等為解決稻田雜草和水稻的相似性問(wèn)題,提出基于RetinaNet的WeedDet模型,該模型的mAP值為94.1%,比基準(zhǔn)模型RetinaNet提高5.5%的準(zhǔn)確率[7]。由以上研究可知,深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)方面的應(yīng)用主要包括遷移學(xué)習(xí)方法、卷積神經(jīng)網(wǎng)絡(luò)技術(shù)及深度可分離卷積、可變形卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)。

    隨著研究的深入,一些學(xué)者針對(duì)卷積神經(jīng)網(wǎng)絡(luò)提出通道注意力機(jī)制。Hu等首先提出的SENet網(wǎng)絡(luò)模型取得2017年ILSVRC(imagenet large scale visual recognition challenge)競(jìng)賽圖像分類子任務(wù)中的第1名,并且top-5的錯(cuò)誤率相對(duì)于2016年的第1名提升了大約25%,證明通道注意力機(jī)制具備有效性[8]。Zhao等使用遷移學(xué)習(xí)結(jié)合注意力機(jī)制提出DTL-SE-ResNet50模型,該模型主要將SENet方法引入ResNet50模型[9]。Zhao等將改進(jìn)的塊注意力模塊(convolutional block attention module,CBAM)引入網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)玉米、土豆、西紅柿病害葉片的分類識(shí)別,3種作物的整體識(shí)別準(zhǔn)確率達(dá)到99.55%[10]。趙輝等將高效通道注意力機(jī)制(efficient channel attention,ECA)引入DenseNet-121網(wǎng)絡(luò)結(jié)構(gòu),并應(yīng)用到田間雜草識(shí)別任務(wù),改進(jìn)后模型的平均識(shí)別準(zhǔn)確率提高了2.09百分點(diǎn),為智能除草機(jī)器人的開(kāi)發(fā)奠定了技術(shù)基礎(chǔ)[11-12]。孫俊等將輕量型坐標(biāo)注意力機(jī)制引入MobileNet-V2模型,并將分組卷積引入模型,實(shí)現(xiàn)田間農(nóng)作物葉片病害的識(shí)別[13]。甘雨等將坐標(biāo)注意力機(jī)制(coordinate attention,CA)引入EfficientNet網(wǎng)絡(luò)結(jié)構(gòu),提出了一種改進(jìn)的輕量化作物害蟲識(shí)別模型 CA-EfficientNet[14-15]。宋懷波等將擠壓激發(fā)塊(Squeeze-and-Excitation block)和非局部塊(Non-Local block)這2種注意力方法引入YOLO v4網(wǎng)絡(luò)模型,提出一種改進(jìn)的YOLO v4-SENL模型,在蘋果幼果的檢測(cè)任務(wù)中可以達(dá)到96.9%的平均檢測(cè)精度[16-17]。

    以上研究表明,現(xiàn)階段注意力機(jī)制在農(nóng)業(yè)方面主要使用通道注意力的應(yīng)用方法,部分使用通道注意力結(jié)合空間注意力機(jī)制方法,鮮有應(yīng)用三維注意力機(jī)制。本研究提出一種簡(jiǎn)單的三維注意力實(shí)現(xiàn)方法,不改變輸入圖像特征的固有屬性,通過(guò)對(duì)輸入圖像的三維整體乘以激活函數(shù)獲得三維圖像每個(gè)像素的激活值,將獲得的激活值乘以輸入圖像以獲得輸入圖像的三維注意力。同時(shí)探討不同激活函數(shù)對(duì)算法性能的影響,結(jié)果表明Sigmoid激活函數(shù)可以獲得最好的性能,最終選取Sigmoid函數(shù)作為本研究激活函數(shù)。

    1 數(shù)據(jù)集

    本研究以常見(jiàn)6種對(duì)水稻產(chǎn)量影響較大的病害作為研究主體,分別是水稻胡麻斑病、水稻白葉枯病、水稻細(xì)菌性條紋病、稻曲病、稻瘟病。為了真實(shí)反應(yīng)自然場(chǎng)景,所有病害圖像均使用佳能單反相機(jī)在田間直接拍攝。

    6種主要水稻病害的部分示例如圖1所示。6種病害的樣本量如表1所示,共計(jì) 6 938 幅病害圖像。由表1可知,這些病害樣本量分布具有不平衡性,比如稻瘟病的樣本量是水稻紋枯病的近4倍。

    2 簡(jiǎn)單三維注意力機(jī)制

    2.1 三維注意力機(jī)制

    當(dāng)前注意力機(jī)制實(shí)現(xiàn)主要有2種方法:通道注意力、空間注意力。通道注意力只能激活通道相關(guān)特征,空間注意力只能激活物體二維空間特征,而人在觀察物體時(shí)是按照物體固有的三維特性作為觀察目標(biāo),因此三維注意力機(jī)制更符合人類觀察物體的特點(diǎn)。Yang等提出一種被稱為SimAM的三維注意力機(jī)制實(shí)現(xiàn)方式[18]。SimAM模型基于神經(jīng)學(xué)理論,將神經(jīng)學(xué)的空間抑制性轉(zhuǎn)化為二分類問(wèn)題,實(shí)現(xiàn)三維注意力機(jī)制[19]。該模型是一種無(wú)參模型,且二分類的優(yōu)化可以求出一個(gè)簡(jiǎn)單的閉式解,可以實(shí)現(xiàn)快速計(jì)算以及可解釋性。

    Webb等的研究結(jié)果證明,被激活的神經(jīng)元通常會(huì)抑制周圍的神經(jīng)元,這種特性被稱為空間抑制性[19]??臻g抑制性說(shuō)明被激活的神經(jīng)元應(yīng)該被賦予較高的權(quán)重,而在它周圍的神經(jīng)元被賦予較低的權(quán)重。為了實(shí)現(xiàn)該特性,需要將激活神經(jīng)元和非激活神經(jīng)元進(jìn)行區(qū)分,一種簡(jiǎn)單的方法是將其轉(zhuǎn)換為簡(jiǎn)單的分類任務(wù)。因此,定義如下?lián)p失函數(shù):

    (1)

    式中:et表示能量方程;y表示標(biāo)簽;yt表示目標(biāo)的真實(shí)標(biāo)簽;yo表示除了目標(biāo)之外的標(biāo)簽。 t^=wtt+bt中,t表示目標(biāo)神經(jīng)元;wt表示權(quán)重;bt表示偏置。x^i=wtxi+bt中,xi表示輸入特征的第i個(gè)神經(jīng)元,輸入特征表示為X∈RC×H×W,其中,X表示經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取的特征,C、H、W分別表示輸入特征的信道數(shù)、高度、寬度,R表示實(shí)數(shù)集合。M=H×W,表示神經(jīng)元的總數(shù)目,這里表示輸入圖像的像素總數(shù),i表示(H×W-1)個(gè)值的總和。

    為了簡(jiǎn)單起見(jiàn),將激活神經(jīng)元設(shè)置為+1,其周圍的神經(jīng)元設(shè)置為-1,即yt設(shè)置為+1,yo設(shè)置為-1。同時(shí)為提高泛化能力,添加正則項(xiàng),可得到最終的損失函數(shù):

    (2)

    公式(2)是一個(gè)凸函數(shù),因此有簡(jiǎn)單的閉式解:

    其中,μt表示除了激活神經(jīng)元之外的其他神經(jīng)元的平均值,σt表示除了激活神經(jīng)元之外的其他神經(jīng)元的方差值。

    最終可以求得公式(2)的最小值為:

    (3)

    公式(3)既是公式(2)的最小值,其中,μ^=1/M∑M/i=1xi,σ^2=1/M∑M/i=1(xi-μ^)2。e*t表示求得的最小能量值,值越小表明神經(jīng)元t與周圍神經(jīng)元的區(qū)別越大;當(dāng)輸入的是圖像時(shí),表示激活的像素值和周圍的像素值之間的區(qū)別越大。所以,每個(gè)神經(jīng)元的重要性可以通過(guò)1/e*得到,該值表示了每個(gè)像素的權(quán)重大小,然后經(jīng)過(guò)Sigmoid函數(shù)作一次非線性化處理再乘以輸入圖像,就能得到圖像每個(gè)像素的激活值大小,最終實(shí)現(xiàn)圖像的三維注意力機(jī)制。

    (4)

    式中:X表示輸入的圖像或者特征值 X~表示經(jīng)過(guò)Sigmoid激活以后的值,E表示對(duì)e*分別在空間維度和信道維度進(jìn)行計(jì)算后的值。

    2.2 簡(jiǎn)單三維注意力機(jī)制

    2.2.1 網(wǎng)絡(luò)整體結(jié)構(gòu)

    本研究提出的簡(jiǎn)單三維注意力機(jī)制模型是以ResNet50模型為基礎(chǔ),整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖 2-A所示。

    輸入圖像首先經(jīng)過(guò)1個(gè)卷積層,該卷積層的卷積核大小設(shè)置為(7×7),padding大小設(shè)置為3,stride設(shè)置為2,然后經(jīng)過(guò)16個(gè)被稱為BottleNeck的單元。其中第1個(gè)BottleNeck的層數(shù)是3層,輸出大小設(shè)置為256;第2個(gè)BottleNeck的層數(shù)是4層,輸出大小設(shè)置為512;第3個(gè)BottleNeck的層數(shù)是6層,輸出大小設(shè)置為1 024;第4個(gè)BottleNeck的層數(shù)是3層,輸出大小設(shè)置為2 048。最后輸入1個(gè)全連接層,最終得出每個(gè)類別的概率值。

    2.2.2 BottleNeck結(jié)構(gòu)

    BottleNeck的結(jié)構(gòu)設(shè)置如圖 2-B所示。分別由(1×1)卷積、(3×3)卷積、簡(jiǎn)單三維注意力機(jī)制、(1×1)卷積相連接,并使用殘差的方式和初始輸入連接。

    2.2.3 簡(jiǎn)單三維注意力機(jī)制

    Yang等提出的SimAM算法對(duì)輸入圖像的三維結(jié)構(gòu)實(shí)現(xiàn)整體操作,同時(shí)借助神經(jīng)學(xué)理論,將每一個(gè)像素轉(zhuǎn)換為二分類問(wèn)題。受到SimAM算法的啟發(fā),本研究提出一種簡(jiǎn)單的三維注意力機(jī)制實(shí)現(xiàn)方法。SimAM算法為了實(shí)現(xiàn)每個(gè)像素的激活值,需要設(shè)置正負(fù)樣本并通過(guò)二分類算法求解,例如將正樣本設(shè)置為+1,負(fù)樣本設(shè)置為-1。本研究認(rèn)為這種假定是一種硬性閾值設(shè)置的方式,不符合每個(gè)像素的真實(shí)值大小。本研究不對(duì)每個(gè)像素的標(biāo)簽做硬性假定,而是保留每個(gè)像素的實(shí)際值,經(jīng)過(guò)一個(gè)激活函數(shù)就可以得到每個(gè)像素的權(quán)重大小,將得到的激活值乘以輸入圖像,如公式(5)所示。

    (5)

    公式(5)是對(duì)輸入圖像的整體操作,是一種三維注意力機(jī)制實(shí)現(xiàn)方式,保留了原始輸入圖像特征的固有屬性大小,沒(méi)有作人為預(yù)設(shè)假定,更能真實(shí)反映輸入圖像本身的固有屬性。

    3 試驗(yàn)設(shè)置

    3.1 試驗(yàn)環(huán)境

    本研究使用Pytorch軟件進(jìn)行仿真。電腦配置為:CPU,Intel i7-9700@3.00 GHz;GPU,英偉達(dá)GeForce RTX2060,顯存大小為6 GB。

    3.2 試驗(yàn)參數(shù)設(shè)置

    將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集,各占80%、20%;并將批處理大小設(shè)置為16,一共迭代訓(xùn)練100次。本研究使用SGD優(yōu)化器,優(yōu)化器學(xué)習(xí)率設(shè)置為0.001,動(dòng)量因子(momentum)設(shè)置為0.9,權(quán)重衰減系數(shù)(weight_decay)設(shè)置為0.005。

    3.3 數(shù)據(jù)預(yù)處理方法

    為了保證訓(xùn)練的穩(wěn)定性,需要對(duì)圖像做歸一化處理,即對(duì)圖像的R、G、B這3個(gè)通道分別減去均值并除以標(biāo)準(zhǔn)差。均值和標(biāo)準(zhǔn)差的值分別設(shè)置為(0.485、0.456、0.406)和(0.229、0.224、0.225),以上均值和標(biāo)準(zhǔn)差由ImageNet數(shù)據(jù)集中所有圖像計(jì)算所得。

    因?yàn)槟P陀?xùn)練要求輸入的圖像尺寸一致,先將圖像的短片大小調(diào)整為256像素,再?gòu)膱D像中心選?。?24×224)像素作為訓(xùn)練圖像的輸入尺寸。

    4 試驗(yàn)結(jié)果與分析

    為了公平性,對(duì)比分析的所有算法都以ResNet50作為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行仿真試驗(yàn)。

    4.1 本研究算法與SimAM模型對(duì)比試驗(yàn)

    因?yàn)镾imAM算法是三維注意力機(jī)制模型,而本研究算法是另一種三維注意力機(jī)制模型,所以需要對(duì)這2種模型進(jìn)行對(duì)比分析。2組試驗(yàn)所有參數(shù)設(shè)置一致,經(jīng)過(guò)100次迭代后,在驗(yàn)證集上的識(shí)別準(zhǔn)確率曲線如圖3所示。

    由圖3可知,經(jīng)過(guò)50次訓(xùn)練后,本研究所提算法的準(zhǔn)確率就開(kāi)始優(yōu)于SimAM,而且隨著訓(xùn)練的進(jìn)行,這種趨勢(shì)一直保持,證明了本研究算法的優(yōu)越性和穩(wěn)定性。

    2種算法的最高準(zhǔn)確率以及對(duì)應(yīng)出現(xiàn)的輪次如表2所示。本研究模型比SimAM模型的最高準(zhǔn)確率提高0.84百分點(diǎn)。證明雖然本研究算法簡(jiǎn)單,但因沒(méi)有破壞三維物體固有的屬性特點(diǎn),反而優(yōu)于較為復(fù)雜的SimAM算法。

    4.2 不同激活函數(shù)對(duì)比試驗(yàn)

    為了驗(yàn)證本研究算法的性能表現(xiàn),嘗試使用不同的激活函數(shù)進(jìn)行對(duì)比試驗(yàn)?,F(xiàn)階段已提出的激活函數(shù)包括:ReLU、ReLU6、PReLU、LeakyReLU、RReLU、ELU、SELU、CELU、GELU、SiLU、Mish、Softplus、Sigmoid、Tanh等。通過(guò)查看以上激活函數(shù)的圖形,可以將其分為三大類:將ReLU、ReLU6、PReLU、LeakyReLU、RReLU統(tǒng)一稱為ReLU系列;ELU、SELU、CELU、GELU、SiLU、Mish稱為ELU系列;而將Softplus、Sigmoid、Tanh劃分為其他系列,因?yàn)檫@3種激活函數(shù)既有相似特性又有不同特點(diǎn),比如Softplus、Sigmoid在0軸時(shí),其對(duì)應(yīng)的激活值不等于0,Sigmoid、Tanh將激活值限定在一個(gè)區(qū)間內(nèi),Sigmoid將激活值限定在[0,1]區(qū)間,Tanh將激活值限定在[-1,1]區(qū)間。本研究從以上激活函數(shù)類別中選取有各自特點(diǎn)的函數(shù)進(jìn)行仿真驗(yàn)證,經(jīng)過(guò)100輪訓(xùn)練后,識(shí)別率結(jié)果如圖4所示。

    由圖4可知,使用Sigmoid激活函數(shù)取得了最好的結(jié)果,而且一直保持優(yōu)于其他激活函數(shù)。使用Tanh激活函數(shù)取得了第3位的效果。相反,ReLU系列以及ELU系列的效果是最差的,說(shuō)明以上2個(gè)系列的激活函數(shù)不適應(yīng)于本研究模型。

    為了做進(jìn)一步分析,對(duì)不同激活函數(shù)在驗(yàn)證集上的最高識(shí)別準(zhǔn)確率以及對(duì)應(yīng)的輪次進(jìn)行比較(表3),結(jié)果表明,Sigmoid激活函數(shù)最適用于本研究算法。

    4.3 不同網(wǎng)絡(luò)模型性能對(duì)比試驗(yàn)

    為了驗(yàn)證本研究算法的性能優(yōu)勢(shì),與三維注意力機(jī)制SimAM模型和通道注意力機(jī)制模型SENet、ECA模型[12]做對(duì)比;并同時(shí)與經(jīng)典網(wǎng)絡(luò)模型ResNet模型[20]、MobileNetV2模型[21]、DenseNet模型[22]、EfficientNet模型[23]做對(duì)比試驗(yàn)。為保證對(duì)比的公平性,所有試驗(yàn)參數(shù)設(shè)置一致。各模型經(jīng)過(guò)100次訓(xùn)練后,識(shí)別準(zhǔn)確率如圖5所示。

    試驗(yàn)結(jié)果表明,本研究提出的模型性能是最好的,而表現(xiàn)最差的是EfficientNet_b0模型。同時(shí),本研究模型優(yōu)于2個(gè)通道注意力機(jī)制模型SENet、ECA模型,證明了三維注意力機(jī)制模型優(yōu)于單純的通道注意力機(jī)制方法。

    為了進(jìn)一步分析各模型的準(zhǔn)確率,分別統(tǒng)計(jì)了各模型的最高準(zhǔn)確率以及對(duì)應(yīng)的輪次。

    從表4可以看出,8種模型的最高準(zhǔn)確率都在96%以上,本研究提出的模型取得了98.60%的最高準(zhǔn)確率,比ResNet50、MobileNetV2、EfficientNet_b0、DenseNet模型分別提高1.71、1.93、1.93、0.84百分點(diǎn),比通道注意力機(jī)制模型SENet、ECA模型分別提高1.20、1.28百分點(diǎn)。本研究的模型優(yōu)于一些經(jīng)典網(wǎng)絡(luò)模型和通道注意力機(jī)制模型,證明三維注意力機(jī)制具有優(yōu)越性。

    4.4 水稻病害識(shí)別結(jié)果定性分析

    混淆矩陣常用來(lái)對(duì)模型性能做可視化分析,展示每類水稻病害的識(shí)別準(zhǔn)確率情況。圖6為6種常見(jiàn)水稻病害的分類混淆矩陣。

    圖6中,橫坐標(biāo)編號(hào)代表每種水稻病害的ID:10000表示水稻胡麻斑?。?0017表示水稻白葉枯?。?10018表示水稻紋枯??; 10021表示水稻細(xì)菌性條斑??;10046表示稻曲?。?0047表示稻瘟病。對(duì)角線上的數(shù)字表示預(yù)測(cè)正確的個(gè)數(shù),非對(duì)角線上的數(shù)字表示預(yù)測(cè)為其他類別的數(shù)目。比如,水稻細(xì)菌性條斑病在測(cè)試集上一共有298幅圖像,被正確預(yù)測(cè)的有293幅,5幅水稻細(xì)菌性條斑病被預(yù)測(cè)為其他病害,其中有2幅被預(yù)測(cè)為水稻胡麻斑病,剩余的3幅分別被預(yù)測(cè)為水稻白葉枯病、水稻紋枯病、稻瘟病。

    4.5 水稻病害識(shí)別結(jié)果定量分析

    為了對(duì)每種水稻病害做定量分析,本研究選用以下評(píng)價(jià)指標(biāo):精度、召回率、特異度、F1得分、平均準(zhǔn)確率。

    精度P(Precision)公式定義為:

    (6)

    精度表示正樣本的數(shù)量有多少被正確預(yù)測(cè)。公式(6)中:TP(true positive)稱為真正類,表示樣本的真實(shí)值為正且預(yù)測(cè)值也為正的數(shù)量;FP(false positive)稱為假正類,表示樣本的真實(shí)值為負(fù)卻被預(yù)測(cè)為正樣本的數(shù)量。

    特異度S(Specificity)公式為:

    (7)

    特異度表示真實(shí)標(biāo)簽是負(fù)樣本同時(shí)也被預(yù)測(cè)為負(fù)樣本的數(shù)量與真實(shí)負(fù)樣本標(biāo)簽的數(shù)量比例。公式(7)中TN(true negative)稱為真負(fù)類,表示樣本的真實(shí)標(biāo)簽為負(fù)且預(yù)測(cè)值也為負(fù)類的數(shù)量。

    召回率R(Recall)公式為:

    (8)

    召回率也稱之為查全率,表示預(yù)測(cè)正確的正樣本占所有真實(shí)正樣本標(biāo)簽的比例,值越大表示模型的預(yù)測(cè)能力越好。公式(8)中FN(false negative)稱為假負(fù)類,表示樣本的真實(shí)標(biāo)簽是正類卻被預(yù)測(cè)為負(fù)類。

    F1得分的公式為:

    (9)

    精度和召回率是一對(duì)矛盾的指標(biāo),當(dāng)精度高時(shí)召回率往往偏低,而精度低時(shí)召回率往往偏高。F1得分綜合考慮了精度和召回率,其核心思想是提高精度和召回率的同時(shí),也希望兩者之間的差異盡可能小。

    準(zhǔn)確率Acc(Accuracy)的公式為:

    (10)

    表示預(yù)測(cè)正確的樣本數(shù)占總樣本數(shù)的比例。但是當(dāng)正、負(fù)樣本不均衡時(shí),該指標(biāo)有一定的缺陷。

    根據(jù)以上定義,分別計(jì)算出每種水稻病害的精度、召回率、特異度、F1得分、平均準(zhǔn)確率,結(jié)果如表5所示。

    表5結(jié)果表明,精度最低的是水稻白葉枯?。?6.9%),召回率最低的是水稻紋枯?。?8.1%),特異度各病害差別不大,F(xiàn)1得分最低的是水稻紋枯?。?6.7%),其次是水稻白葉枯?。?6.9%)。該模型對(duì)水稻白葉枯病和水稻紋枯病的識(shí)別效果不太好。

    5 結(jié)論

    為了快速準(zhǔn)確地識(shí)別水稻病害,本研究針對(duì)6種常見(jiàn)水稻病害提出一種簡(jiǎn)單的三維注意力機(jī)制識(shí)別模型。首先自建水稻病害數(shù)據(jù)集,然后針對(duì)通道注意力機(jī)制以及空間注意力機(jī)制的不足,提出三維注意力機(jī)制識(shí)別模型。不同于SimAM方法將輸入圖像的每個(gè)像素按照硬性閾值來(lái)劃分正負(fù)樣本的做法,本研究不對(duì)每個(gè)像素做人為劃分而是保留圖像本身的固有屬性,這種方法更符合圖像本身的特性。通過(guò)對(duì)比分析,本研究算法的最高準(zhǔn)確率可以達(dá)到98.6%,相對(duì)于SimAM算法提高了0.84百分點(diǎn)。同時(shí),相對(duì)于通道注意力模型SENet、ECA模型,本研究算法分別提高1.20、1.28百分點(diǎn),證明三維注意力機(jī)制具備相對(duì)優(yōu)越性,表明本研究模型可以有效解決大田復(fù)雜環(huán)境下水稻病害的識(shí)別問(wèn)題。

    參考文獻(xiàn):

    [1]劉 杰,曾 娟,楊清坡,等. 2023年全國(guó)農(nóng)作物重大病蟲害發(fā)生趨勢(shì)預(yù)報(bào)[J]. 中國(guó)植保導(dǎo)刊,2023,43(1):32-35.

    [2]趙立新,侯發(fā)東,呂正超,等. 基于遷移學(xué)習(xí)的棉花葉部病蟲害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(7):184-191.

    [3]樊湘鵬,許 燕,周建平,等. 基于遷移學(xué)習(xí)和改進(jìn)CNN的葡萄葉部病害檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(6):151-159.

    [4]劉 斌,賈潤(rùn)昌,朱先語(yǔ),等. 面向移動(dòng)端的蘋果葉部病蟲害輕量級(jí)識(shí)別模型[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(6):130-139.

    [5]張善文,許新華,齊國(guó)紅,等. 基于可形變VGG-16模型的田間作物害蟲檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(18):188-194.

    [6]Espejo-Garcia B,Malounas I,Mylonas N,et al. Using EfficientNet and transfer learning for image-based diagnosis of nutrient deficiencies[J]. Computers and Electronics in Agriculture,2022,196:106868.

    [7]Peng H X,Li Z H,Zhou Z Y,et al. Weed detection in paddy field using an improved RetinaNet network[J]. Computers and Electronics in Agriculture,2022,199:107179.

    [8]Hu J,Shen L,Sun G.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23,2018,Salt Lake City,UT,USA.IEEE,2018:7132-7141.

    [9]Zhao X ,Li K Y,Li Y X,et al. Identification method of vegetable diseases based on transfer learning and attention mechanism[J]. Computers and Electronics in Agriculture,2022,193:106703.

    [10]Zhao Y,Sun C D,Xu X,et al. RIC-Net:a plant disease classification model based on the fusion of Inception and residual structure and embedded attention mechanism[J]. Computers and Electronics in Agriculture,2022,193:106644.

    [11]趙 輝,曹宇航,岳有軍,等. 基于改進(jìn)DenseNet的田間雜草識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(18):136-142.

    [12]Wang Q L,Wu B G,Zhu P F,et al. ECA-net:efficient channel attention for deep convolutional neural networks[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).June 13-19,2020.Seattle,WA,USA.IEEE,2020:11531-11539.

    [13]孫 俊,朱偉棟,羅元秋,等. 基于改進(jìn)MobileNet-V2的田間農(nóng)作物葉片病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(22):161-169.

    [14]甘 雨,郭慶文,王春桃,等. 基于改進(jìn)EfficientNet模型的作物害蟲識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(1):203-211.

    [15]Hou[KG*2]Q[KG*2]B,Zhou[KG*2]D[KG*2]Q,F(xiàn)eng[KG*2]J[KG*2]S.[KG*2]Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).June 20-25,2021.Nashville,TN,USA.IEEE,2021:13713-13722.

    [16]宋懷波,江 梅,王云飛,等. 融合卷積神經(jīng)網(wǎng)絡(luò)與視覺(jué)注意機(jī)制的蘋果幼果高效檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(9):297-303.

    [17]Wang X L,Girshick R,Gupta A,et al. Non-local neural networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23,2018.Salt Lake City,UT,USA.IEEE,2018:7794-7803.

    [18]Yang L,Zhang R Y,Li L,et al. Simam:a simple,parameter-free attention module for convolutional neural networks[C]//International conference on machine learning. PMLR,2021:11863-11874.

    [19]Webb B S,Dhruv N T,Solomon S G,et al. Early and late mechanisms of surround suppression in striate cortex of macaque[J]. The Journal of Neuroscience,2005,25(50):11666-11675.

    [20]He K M,Zhang X Y,Ren S Q,et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).June 27-30,2016.Las Vegas,NV,USA.IEEE,2016:770-778.

    [21]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.June 18-23,2018.Salt Lake City,UT.IEEE,2018:4510-4520.

    [22]Huang G,Liu Z A,van Der Maaten L,et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).July 21-26,2017.Honolulu,HI.IEEE,2017:4700-4708.

    [23]Tan M,Le Q. Efficientnet:rethinking model scaling for convolutional neural networks[C]//International conference on machine learning. PMLR,2019:6105-6114.

    收稿日期:2023-01-31

    基金項(xiàng)目:國(guó)家自然科學(xué)基金(編號(hào):32171888)。

    作者簡(jiǎn)介:王忠培(1981—),男,安徽金寨人,博士,助理研究員,研究方向?yàn)橹悄苻r(nóng)業(yè)技術(shù)。E-mail:wangzhongpei@aaas.org.cn。

    通信作者:董 偉,碩士,副研究員,研究方向?yàn)橹参锉Wo(hù)信息化技術(shù)。E-mail:dongwei@ aaas.org.cn。

    猜你喜歡
    注意力機(jī)制識(shí)別
    面向短文本的網(wǎng)絡(luò)輿情話題
    基于自注意力與動(dòng)態(tài)路由的文本建模方法
    基于深度學(xué)習(xí)的問(wèn)題回答技術(shù)研究
    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(kù)的問(wèn)答系統(tǒng)
    法學(xué)意義上的弱者識(shí)別問(wèn)題研究
    淺談哈密瓜病蟲害的防治措施
    蘋果樹(shù)常見(jiàn)病蟲害防治技術(shù)
    青島市中山公園園林樹(shù)木易混淆品種識(shí)別
    美女高潮到喷水免费观看| 国产熟女午夜一区二区三区| 日韩大码丰满熟妇| 好男人在线观看高清免费视频 | 白带黄色成豆腐渣| 国产野战对白在线观看| 午夜福利免费观看在线| 中文字幕人妻熟女乱码| 亚洲av中文字字幕乱码综合 | 99在线视频只有这里精品首页| 国产av一区在线观看免费| 亚洲最大成人中文| 村上凉子中文字幕在线| 免费高清在线观看日韩| 免费在线观看成人毛片| 看免费av毛片| 亚洲全国av大片| 99精品欧美一区二区三区四区| 最近最新中文字幕大全免费视频| 精品久久久久久成人av| 亚洲欧美精品综合一区二区三区| 久久天堂一区二区三区四区| 一区二区三区精品91| 校园春色视频在线观看| 超碰成人久久| 亚洲第一av免费看| 99国产精品一区二区蜜桃av| √禁漫天堂资源中文www| 欧美精品啪啪一区二区三区| 日韩精品免费视频一区二区三区| 麻豆av在线久日| 午夜久久久在线观看| 亚洲国产精品合色在线| 久久狼人影院| 这个男人来自地球电影免费观看| 一本精品99久久精品77| 999久久久精品免费观看国产| 91麻豆精品激情在线观看国产| av超薄肉色丝袜交足视频| 欧美一级毛片孕妇| 在线观看66精品国产| 日本 av在线| 69av精品久久久久久| 亚洲欧美精品综合久久99| 欧美 亚洲 国产 日韩一| 免费看a级黄色片| 亚洲狠狠婷婷综合久久图片| 97超级碰碰碰精品色视频在线观看| 日韩大尺度精品在线看网址| 人人妻,人人澡人人爽秒播| 亚洲av日韩精品久久久久久密| 别揉我奶头~嗯~啊~动态视频| 高潮久久久久久久久久久不卡| 欧美三级亚洲精品| 亚洲欧美日韩无卡精品| 亚洲,欧美精品.| 日韩欧美免费精品| 欧美成狂野欧美在线观看| 国产成人av教育| 50天的宝宝边吃奶边哭怎么回事| 曰老女人黄片| 国产一级毛片七仙女欲春2 | 免费人成视频x8x8入口观看| 国产精品久久久久久人妻精品电影| 亚洲aⅴ乱码一区二区在线播放 | 国产精品 国内视频| 成人手机av| 日本一区二区免费在线视频| 首页视频小说图片口味搜索| 日韩欧美国产在线观看| 国产精品亚洲美女久久久| 国产亚洲欧美在线一区二区| 99久久国产精品久久久| av电影中文网址| 久久国产乱子伦精品免费另类| 亚洲人成77777在线视频| 日韩一卡2卡3卡4卡2021年| 9191精品国产免费久久| 欧美在线黄色| 桃红色精品国产亚洲av| 看片在线看免费视频| 国内少妇人妻偷人精品xxx网站 | 19禁男女啪啪无遮挡网站| 最近在线观看免费完整版| 脱女人内裤的视频| 亚洲真实伦在线观看| 俄罗斯特黄特色一大片| 国产精品久久电影中文字幕| 国产精品亚洲一级av第二区| 欧美日韩中文字幕国产精品一区二区三区| 色综合欧美亚洲国产小说| 亚洲午夜精品一区,二区,三区| 草草在线视频免费看| 这个男人来自地球电影免费观看| 男男h啪啪无遮挡| 日本五十路高清| 午夜亚洲福利在线播放| 国产人伦9x9x在线观看| 91字幕亚洲| 亚洲人成77777在线视频| 久久久久久亚洲精品国产蜜桃av| 欧美日韩精品网址| 美女高潮喷水抽搐中文字幕| 女警被强在线播放| 亚洲国产精品合色在线| 日本精品一区二区三区蜜桃| 亚洲成a人片在线一区二区| 一本大道久久a久久精品| 啦啦啦免费观看视频1| 久久亚洲真实| 黄色a级毛片大全视频| 麻豆久久精品国产亚洲av| 波多野结衣高清作品| av福利片在线| 亚洲自偷自拍图片 自拍| 国产又色又爽无遮挡免费看| 国产av又大| 日日夜夜操网爽| 97碰自拍视频| 亚洲黑人精品在线| 亚洲欧美日韩高清在线视频| 久久人人精品亚洲av| 一夜夜www| 亚洲第一电影网av| 不卡一级毛片| 黄频高清免费视频| 黄片播放在线免费| 999久久久国产精品视频| 精品久久久久久久毛片微露脸| 亚洲成国产人片在线观看| 午夜激情av网站| 88av欧美| 欧美中文日本在线观看视频| 一区二区三区激情视频| 欧美日韩中文字幕国产精品一区二区三区| 色综合欧美亚洲国产小说| 国产精品一区二区精品视频观看| 19禁男女啪啪无遮挡网站| 国产日本99.免费观看| 国产免费男女视频| 欧美午夜高清在线| 精品一区二区三区四区五区乱码| 婷婷精品国产亚洲av| 欧美黑人欧美精品刺激| 亚洲欧美激情综合另类| 在线观看免费视频日本深夜| 90打野战视频偷拍视频| 久久午夜综合久久蜜桃| 国产亚洲精品第一综合不卡| 国产色视频综合| 久久久久久久久中文| 久久国产精品男人的天堂亚洲| 久久精品91无色码中文字幕| 精品国内亚洲2022精品成人| 国产不卡一卡二| 禁无遮挡网站| 色婷婷久久久亚洲欧美| 99在线人妻在线中文字幕| 在线av久久热| 精品一区二区三区视频在线观看免费| 视频区欧美日本亚洲| 99久久综合精品五月天人人| 每晚都被弄得嗷嗷叫到高潮| 亚洲av熟女| 50天的宝宝边吃奶边哭怎么回事| 日韩 欧美 亚洲 中文字幕| a在线观看视频网站| 免费一级毛片在线播放高清视频| 日韩欧美一区视频在线观看| 热99re8久久精品国产| 色婷婷久久久亚洲欧美| 亚洲中文av在线| 99久久综合精品五月天人人| 日韩免费av在线播放| 日本免费a在线| 天堂影院成人在线观看| 久久国产乱子伦精品免费另类| 免费看十八禁软件| 国产精品亚洲美女久久久| 久久精品国产清高在天天线| 最新在线观看一区二区三区| 国产成人欧美| 午夜福利在线观看吧| 一级毛片精品| avwww免费| 99精品久久久久人妻精品| 国产免费男女视频| 国产精品九九99| 特大巨黑吊av在线直播 | 两人在一起打扑克的视频| 欧美精品亚洲一区二区| 99国产综合亚洲精品| 国产av一区在线观看免费| 精品不卡国产一区二区三区| 久久天堂一区二区三区四区| 大型黄色视频在线免费观看| 亚洲一区二区三区色噜噜| 久久精品国产亚洲av香蕉五月| 性色av乱码一区二区三区2| 久久久久国产一级毛片高清牌| 亚洲一区中文字幕在线| 91麻豆精品激情在线观看国产| 十八禁人妻一区二区| 精品国内亚洲2022精品成人| 伊人久久大香线蕉亚洲五| 久久久久久大精品| e午夜精品久久久久久久| 中文资源天堂在线| 久久久久亚洲av毛片大全| 国产黄a三级三级三级人| 视频在线观看一区二区三区| 日本一本二区三区精品| 国产高清视频在线播放一区| 在线天堂中文资源库| 母亲3免费完整高清在线观看| www国产在线视频色| 国产伦在线观看视频一区| 国产一区在线观看成人免费| 亚洲七黄色美女视频| 亚洲国产精品久久男人天堂| 国产精品亚洲一级av第二区| 草草在线视频免费看| 男女视频在线观看网站免费 | 哪里可以看免费的av片| 淫秽高清视频在线观看| 亚洲人成伊人成综合网2020| av电影中文网址| 99re在线观看精品视频| 1024视频免费在线观看| 午夜福利视频1000在线观看| 精品国产美女av久久久久小说| 夜夜爽天天搞| 亚洲avbb在线观看| 国产伦在线观看视频一区| ponron亚洲| 久久人妻福利社区极品人妻图片| 狂野欧美激情性xxxx| 高潮久久久久久久久久久不卡| 妹子高潮喷水视频| 国产成年人精品一区二区| 最近在线观看免费完整版| 在线播放国产精品三级| 久久香蕉精品热| 在线观看一区二区三区| 69av精品久久久久久| 老司机午夜福利在线观看视频| 搞女人的毛片| avwww免费| 国产高清有码在线观看视频 | 亚洲无线在线观看| 久久这里只有精品19| 免费一级毛片在线播放高清视频| 亚洲一区二区三区色噜噜| www.999成人在线观看| 制服诱惑二区| 人妻丰满熟妇av一区二区三区| 亚洲真实伦在线观看| 香蕉国产在线看| 亚洲av五月六月丁香网| 丝袜美腿诱惑在线| 天堂影院成人在线观看| ponron亚洲| 制服丝袜大香蕉在线| 国产成人av激情在线播放| 无遮挡黄片免费观看| 日韩大码丰满熟妇| 啦啦啦观看免费观看视频高清| 久久久久亚洲av毛片大全| 老鸭窝网址在线观看| √禁漫天堂资源中文www| 大型黄色视频在线免费观看| 欧美成狂野欧美在线观看| 亚洲午夜精品一区,二区,三区| 久久久国产精品麻豆| 男女那种视频在线观看| 两个人免费观看高清视频| 欧美丝袜亚洲另类 | 欧美精品啪啪一区二区三区| 叶爱在线成人免费视频播放| 亚洲午夜理论影院| 女性生殖器流出的白浆| 中文字幕久久专区| 日韩欧美三级三区| 国产aⅴ精品一区二区三区波| 亚洲国产毛片av蜜桃av| 三级毛片av免费| 夜夜看夜夜爽夜夜摸| 国产高清有码在线观看视频 | 亚洲精品一卡2卡三卡4卡5卡| 黑丝袜美女国产一区| 我的亚洲天堂| 在线免费观看的www视频| 午夜福利成人在线免费观看| 一级a爱片免费观看的视频| 三级毛片av免费| 欧美亚洲日本最大视频资源| 在线观看免费日韩欧美大片| 一级黄色大片毛片| 成人午夜高清在线视频 | 国产精品久久视频播放| 老司机在亚洲福利影院| 免费人成视频x8x8入口观看| 美女国产高潮福利片在线看| 久久精品国产亚洲av高清一级| 9191精品国产免费久久| or卡值多少钱| 99久久99久久久精品蜜桃| 天堂√8在线中文| 亚洲天堂国产精品一区在线| 久久婷婷人人爽人人干人人爱| 国产区一区二久久| 久久久久亚洲av毛片大全| 国产真实乱freesex| 亚洲成人免费电影在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲专区字幕在线| 色综合亚洲欧美另类图片| 欧美色视频一区免费| 亚洲av中文字字幕乱码综合 | 18禁黄网站禁片午夜丰满| 日韩精品中文字幕看吧| www.999成人在线观看| 伦理电影免费视频| avwww免费| 精品久久蜜臀av无| 巨乳人妻的诱惑在线观看| 欧美色欧美亚洲另类二区| 麻豆久久精品国产亚洲av| 在线观看免费日韩欧美大片| 精品国产超薄肉色丝袜足j| 一边摸一边抽搐一进一小说| 亚洲专区国产一区二区| 1024视频免费在线观看| 在线观看免费视频日本深夜| 丝袜人妻中文字幕| 亚洲国产高清在线一区二区三 | 无限看片的www在线观看| 亚洲av电影在线进入| 久久国产亚洲av麻豆专区| 美女高潮喷水抽搐中文字幕| 久久久久久久久免费视频了| 男女床上黄色一级片免费看| 日韩大尺度精品在线看网址| 亚洲精品粉嫩美女一区| 亚洲 欧美一区二区三区| 99精品欧美一区二区三区四区| 午夜久久久久精精品| 婷婷六月久久综合丁香| 国产成人啪精品午夜网站| 午夜福利欧美成人| 午夜成年电影在线免费观看| 他把我摸到了高潮在线观看| 国产高清videossex| 国内揄拍国产精品人妻在线 | 2021天堂中文幕一二区在线观 | 午夜福利一区二区在线看| 色av中文字幕| 成人三级黄色视频| 久久草成人影院| 在线视频色国产色| 久久精品91蜜桃| 又大又爽又粗| 成人特级黄色片久久久久久久| 在线观看午夜福利视频| 在线观看免费视频日本深夜| 久久性视频一级片| 色哟哟哟哟哟哟| 欧美乱妇无乱码| 亚洲熟女毛片儿| 嫁个100分男人电影在线观看| 午夜两性在线视频| 久久午夜亚洲精品久久| 一进一出抽搐gif免费好疼| 青草久久国产| 色哟哟哟哟哟哟| 麻豆成人午夜福利视频| 久久久久久人人人人人| 久久香蕉激情| 99国产极品粉嫩在线观看| 99热6这里只有精品| 久久欧美精品欧美久久欧美| 97超级碰碰碰精品色视频在线观看| 国产av在哪里看| 女警被强在线播放| 韩国精品一区二区三区| av片东京热男人的天堂| 欧美av亚洲av综合av国产av| 亚洲av电影不卡..在线观看| 午夜福利一区二区在线看| 欧美国产日韩亚洲一区| 1024香蕉在线观看| 免费观看精品视频网站| a级毛片a级免费在线| 亚洲av成人一区二区三| 一夜夜www| 欧美激情久久久久久爽电影| 精品久久久久久久末码| 国产视频一区二区在线看| 日韩大码丰满熟妇| 黄色 视频免费看| 国产真实乱freesex| 大型黄色视频在线免费观看| 欧美丝袜亚洲另类 | 亚洲专区中文字幕在线| 亚洲成a人片在线一区二区| 亚洲自拍偷在线| 国产成人欧美在线观看| 婷婷六月久久综合丁香| 精品一区二区三区四区五区乱码| 国产亚洲精品av在线| 午夜福利成人在线免费观看| 国产精品98久久久久久宅男小说| 成人免费观看视频高清| 男女视频在线观看网站免费 | 18禁裸乳无遮挡免费网站照片 | 午夜福利欧美成人| 美女 人体艺术 gogo| 亚洲 欧美 日韩 在线 免费| 两个人视频免费观看高清| 女人爽到高潮嗷嗷叫在线视频| 国产一区二区在线av高清观看| 中文资源天堂在线| 中文字幕人妻丝袜一区二区| 99热这里只有精品一区 | 热99re8久久精品国产| 在线观看www视频免费| 日韩av在线大香蕉| 在线观看舔阴道视频| 19禁男女啪啪无遮挡网站| 两个人看的免费小视频| av在线播放免费不卡| 亚洲国产精品久久男人天堂| 男女床上黄色一级片免费看| 国产亚洲精品综合一区在线观看 | 色av中文字幕| 亚洲,欧美精品.| 国产激情欧美一区二区| 亚洲九九香蕉| 国产精品免费视频内射| 亚洲一卡2卡3卡4卡5卡精品中文| 国产野战对白在线观看| 成人18禁在线播放| www.999成人在线观看| 亚洲中文日韩欧美视频| 搡老妇女老女人老熟妇| 国产视频一区二区在线看| 在线观看免费视频日本深夜| 成年人黄色毛片网站| 嫩草影视91久久| 精品久久蜜臀av无| 宅男免费午夜| 国产成人精品久久二区二区免费| 露出奶头的视频| 久久国产精品人妻蜜桃| 日韩 欧美 亚洲 中文字幕| 国产v大片淫在线免费观看| 亚洲自拍偷在线| 久久久国产成人精品二区| 日韩成人在线观看一区二区三区| 97超级碰碰碰精品色视频在线观看| 日本五十路高清| 成人国语在线视频| 亚洲欧美日韩无卡精品| 成年女人毛片免费观看观看9| 一级a爱片免费观看的视频| 国产成人欧美在线观看| 国产在线观看jvid| 亚洲欧美精品综合久久99| 美女免费视频网站| 国产视频内射| 天天躁夜夜躁狠狠躁躁| 国产国语露脸激情在线看| 人人妻,人人澡人人爽秒播| 91国产中文字幕| 久热爱精品视频在线9| 黄频高清免费视频| 99精品在免费线老司机午夜| www.999成人在线观看| 久久久久久久久免费视频了| 久久天堂一区二区三区四区| 伦理电影免费视频| 丰满的人妻完整版| 亚洲男人的天堂狠狠| 一区福利在线观看| svipshipincom国产片| 丰满的人妻完整版| 日本一本二区三区精品| 在线天堂中文资源库| 麻豆一二三区av精品| 久久香蕉国产精品| 在线国产一区二区在线| 琪琪午夜伦伦电影理论片6080| 亚洲精品国产一区二区精华液| 亚洲第一av免费看| 97超级碰碰碰精品色视频在线观看| 亚洲精品在线观看二区| e午夜精品久久久久久久| 亚洲精品一区av在线观看| 国产精品美女特级片免费视频播放器 | 欧美不卡视频在线免费观看 | 国产精品久久视频播放| 成人国产综合亚洲| 99久久无色码亚洲精品果冻| 成人国产综合亚洲| 欧美成人一区二区免费高清观看 | 午夜福利成人在线免费观看| 一区二区日韩欧美中文字幕| 在线播放国产精品三级| 国产免费av片在线观看野外av| 九色国产91popny在线| 老汉色av国产亚洲站长工具| 国产1区2区3区精品| 成在线人永久免费视频| 国产亚洲精品一区二区www| 精品国产乱码久久久久久男人| 欧美 亚洲 国产 日韩一| 久久久久久久精品吃奶| 麻豆成人av在线观看| 18禁裸乳无遮挡免费网站照片 | 精品不卡国产一区二区三区| 亚洲国产欧美一区二区综合| 欧美精品亚洲一区二区| 1024视频免费在线观看| 精品少妇一区二区三区视频日本电影| 一本久久中文字幕| 亚洲 欧美 日韩 在线 免费| 欧美成狂野欧美在线观看| 色哟哟哟哟哟哟| 99精品久久久久人妻精品| 999久久久国产精品视频| 热99re8久久精品国产| 午夜福利在线在线| 十分钟在线观看高清视频www| 在线视频色国产色| 老司机福利观看| 婷婷六月久久综合丁香| 精品第一国产精品| АⅤ资源中文在线天堂| 日日爽夜夜爽网站| 露出奶头的视频| 又黄又粗又硬又大视频| 亚洲一码二码三码区别大吗| 午夜激情av网站| 嫁个100分男人电影在线观看| 色哟哟哟哟哟哟| 国产成人av教育| 国产野战对白在线观看| 首页视频小说图片口味搜索| 精品国产美女av久久久久小说| 色播在线永久视频| 国产成人影院久久av| 国产亚洲精品第一综合不卡| 亚洲在线自拍视频| 男女之事视频高清在线观看| 黄色 视频免费看| 成人亚洲精品av一区二区| 女生性感内裤真人,穿戴方法视频| 午夜激情av网站| 非洲黑人性xxxx精品又粗又长| 一区二区日韩欧美中文字幕| netflix在线观看网站| www.www免费av| 亚洲自拍偷在线| 中文字幕久久专区| 99久久无色码亚洲精品果冻| 午夜福利在线在线| 两个人看的免费小视频| 日本a在线网址| 一进一出抽搐gif免费好疼| 欧洲精品卡2卡3卡4卡5卡区| 日韩视频一区二区在线观看| 国产亚洲精品久久久久久毛片| 久久久国产成人精品二区| 国产欧美日韩精品亚洲av| 色婷婷久久久亚洲欧美| 18禁黄网站禁片午夜丰满| 一进一出好大好爽视频| 无限看片的www在线观看| 国产熟女午夜一区二区三区| 久久精品aⅴ一区二区三区四区| 99久久99久久久精品蜜桃| 国产精华一区二区三区| 人人妻,人人澡人人爽秒播| 一卡2卡三卡四卡精品乱码亚洲| 久久中文看片网| 国产亚洲精品一区二区www| 久久狼人影院| 亚洲欧洲精品一区二区精品久久久| 18禁国产床啪视频网站| 国内精品久久久久精免费| a级毛片a级免费在线| 色婷婷久久久亚洲欧美| 日韩大码丰满熟妇| 悠悠久久av| 97超级碰碰碰精品色视频在线观看| 在线观看一区二区三区| 人人澡人人妻人| 露出奶头的视频| 又黄又爽又免费观看的视频| 午夜免费激情av| 欧美+亚洲+日韩+国产| 婷婷丁香在线五月| 久久中文看片网| 男男h啪啪无遮挡| 欧美zozozo另类| 在线观看www视频免费| 97超级碰碰碰精品色视频在线观看| 国产主播在线观看一区二区| 成人18禁高潮啪啪吃奶动态图| 成人亚洲精品一区在线观看| 国产精品98久久久久久宅男小说| 后天国语完整版免费观看| 欧美+亚洲+日韩+国产| 91大片在线观看| 99国产精品一区二区蜜桃av|