• <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 ?

    CNN與BiLSTM相結(jié)合的水稻病害識(shí)別新方法

    2023-12-02 07:33:54路陽劉婉婷林立媛張欣夢(mèng)管闖
    江蘇農(nóng)業(yè)科學(xué) 2023年20期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別深度學(xué)習(xí)

    路陽 劉婉婷 林立媛 張欣夢(mèng) 管闖

    摘要:針對(duì)水稻病害圖像識(shí)別中淺層特征無法記憶、深層特征提取不充分、序列特征魯棒性較弱等問題,提出一種將CNN與BiLSTM相結(jié)合的水稻病害識(shí)別新方法。首先,利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取水稻病害的淺層特征;然后,利用BiLSTM中各個(gè)循環(huán)單元之間的反饋鏈接可以充分挖掘和記憶水稻特征序列數(shù)據(jù)中的上下文相關(guān)信息和位置信息的優(yōu)勢(shì),將淺層特征與序列特征結(jié)合形成一個(gè)新的特征序列,解決了特征無法記憶、提取不足的問題;最后,使用全局平均池化層代替全連接層,以減少參數(shù)、防止過擬合。針對(duì)自建的水稻病害數(shù)據(jù)庫,試驗(yàn)結(jié)果顯示:所提出模型的水稻病害平均識(shí)別精確率達(dá)到了99.38%,與CNN和CNN-LSTM模型相比,所提出模型分別提高0.63、1.38百分點(diǎn)。同時(shí),在召回率和F1值上也顯現(xiàn)出了優(yōu)勢(shì),分別達(dá)到99.42%、99.39%。因此,所提出的方法提升了水稻病害識(shí)別精確率,可應(yīng)用于實(shí)際的水稻病害診斷中。

    關(guān)鍵詞:水稻病害;圖像識(shí)別;長短期記憶神經(jīng)網(wǎng)絡(luò);卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)

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

    文章編號(hào):1002-1302(2023)20-0211-07

    水稻是重要的糧食作物之一,我國有60%以上的人口以大米為主食[1]。在水稻生長過程中會(huì)發(fā)生許多病害,影響水稻的產(chǎn)量,因此對(duì)這些病害的正確識(shí)別,進(jìn)一步掌握其發(fā)生的規(guī)律和動(dòng)態(tài),才能達(dá)到精確的預(yù)測(cè)和防治。而傳統(tǒng)識(shí)別方式主要依靠專家的經(jīng)驗(yàn),或是肉眼觀察,或是在實(shí)驗(yàn)室進(jìn)行鑒別,費(fèi)時(shí)費(fèi)力,成本昂貴,無法普及。

    隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,許多學(xué)者利用人工智能的方法對(duì)水稻病害分類識(shí)別進(jìn)行研究,通過使用支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等方法檢測(cè)和分類病害,為水稻病害識(shí)別提供了技術(shù)基礎(chǔ)。陳宇等利用交換粒子群優(yōu)化算法優(yōu)化支持向量機(jī)徑向基函數(shù)的參數(shù)和懲罰因子,通過支持向量機(jī)模型對(duì)3種水稻葉部病害進(jìn)行識(shí)別,平均識(shí)別準(zhǔn)確率達(dá)到了93.2%[2]。陳悅寧等提出了一種基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別方法,對(duì)稻瘟病、白葉枯病以及細(xì)菌性條斑病3種水稻病害進(jìn)行識(shí)別,準(zhǔn)確率分別達(dá)到98.5%、96.0%、92.5%[3]。但機(jī)器學(xué)習(xí)在病害特征提取方面是需要人工提取的,人工提取耗時(shí)耗力,出現(xiàn)錯(cuò)誤的可能性也大。近年來,深度學(xué)習(xí)在圖像識(shí)別和分類的研究中取得了巨大的進(jìn)步,尤其是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,簡(jiǎn)稱CNN),由于其能夠從輸入的大量水稻病害圖像中自主學(xué)習(xí)、提取出病害特征,因此在水稻病害圖像識(shí)別的應(yīng)用中不斷深入。劉婷婷等采用AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)水稻紋枯病進(jìn)行識(shí)別,試驗(yàn)結(jié)果證明ALexNet模型達(dá)到了97%的識(shí)別率[4]。Saeed等提出了ResNet152的變體,用于檢測(cè)水稻和玉米等基本作物的疾病,對(duì)主要和次要疾病亞群的準(zhǔn)確率分別達(dá)到99.10%、82.20%[5]。雖然CNN在水稻病害圖像識(shí)別中取得了顯著的效果,但由于CNN內(nèi)部有循環(huán)單元,使CNN在學(xué)習(xí)提取特征時(shí),往往會(huì)丟掉在初始層學(xué)習(xí)到的淺層細(xì)粒度細(xì)節(jié),一些重要的細(xì)節(jié)沒有傳遞到網(wǎng)絡(luò)的深層。

    現(xiàn)階段一些研究人員將循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,簡(jiǎn)稱RNN)中的模塊結(jié)合CNN識(shí)別圖像,取得了不錯(cuò)的效果。David等提出了一種 CNN-RNN 混合深度學(xué)習(xí)模型,對(duì)番茄葉部病害進(jìn)行檢測(cè)分類,利用時(shí)間序列數(shù)據(jù)實(shí)現(xiàn)早期病害檢測(cè),檢測(cè)分類準(zhǔn)確率最高達(dá)到了98.25%[6]。Banzi等提出一種將長短期記憶網(wǎng)絡(luò)(long short-term memory,簡(jiǎn)稱LSTM)嵌入到CNN層中的組合結(jié)構(gòu)對(duì)100種不同類型的植物物種進(jìn)行分類識(shí)別,所提出的模型能夠以95%的準(zhǔn)確率對(duì)每幅圖像的特定類別進(jìn)行分類[7]。

    為深度挖掘水稻病害特征,提高水稻病害圖像的識(shí)別準(zhǔn)確率,提出一種結(jié)合了CNN與雙向LSTM的水稻病害識(shí)別新方法,即雙向長短期記憶網(wǎng)絡(luò)(bidirectional long and short-term memory,簡(jiǎn)稱BiLSTM),。該系統(tǒng)能夠檢測(cè)和識(shí)別5種水稻病害類別,其中包括3種常見的水稻病害類型紋枯病、稻瘟病、白葉枯病,以及與稻瘟病和白葉枯病分別有著高相似度的胡麻斑病和東格魯病。首先通過CNN提取淺層病害特征,再由BiLSTM模型進(jìn)行前后信息相關(guān)性的建立,同時(shí)篩選、存儲(chǔ)病害特征序列以及病害位置信息,挖掘各個(gè)病害區(qū)域間的上下文相關(guān)信息,從而進(jìn)一步加深對(duì)特征信息的提取。最后通過比較、分析模型的訓(xùn)練效果和評(píng)價(jià)性能指標(biāo),驗(yàn)證所提出模型的優(yōu)異性,為水稻病害識(shí)別提供新的、有效的方法。

    1 相關(guān)工作

    1.1 Inception v1模塊

    Inception v1模塊是GoogLeNet模型的一個(gè)重要的組成部分,其基本結(jié)構(gòu)如圖1所示[8]。原始的Inception結(jié)構(gòu)將卷積核尺度為1×1、3×3和5×5的卷積層以及最大池化層4個(gè)部分堆疊在一起,并通過ReLU激活函數(shù)增加網(wǎng)絡(luò)的非線性特征。由圖1可知,基于稀疏網(wǎng)絡(luò)結(jié)構(gòu)的Inception v1分別在卷積核尺度為3×3和5×5的卷積層之前以及最大池化層之后加入了尺度為1×1的卷積層,在多個(gè)尺度上同時(shí)進(jìn)行卷積,這使得其能夠在提取到更豐富特征的同時(shí)降低計(jì)算復(fù)雜度[9]。Inception v1中4個(gè)部分的卷積層可以獨(dú)立完成,每個(gè)部分的運(yùn)算之間沒有依賴,可以實(shí)現(xiàn)并行計(jì)算,極大地加快了模型的訓(xùn)練速度,最后將各個(gè)卷積運(yùn)算輸出結(jié)果連接為一個(gè)高維的特征圖,可以獲得更好的圖像表征。從而實(shí)現(xiàn)在有限的資源和內(nèi)存下得到更好的訓(xùn)練結(jié)果,是性能和資源利用率較好的選擇。

    1.2 長短期記憶神經(jīng)網(wǎng)絡(luò)

    RNN作為神經(jīng)網(wǎng)絡(luò)的一個(gè)重要分支,相較于CNN最大的特點(diǎn)是具有循環(huán)神經(jīng)單元,具有記憶功能,可以很好地利用輸入間隱含的依賴關(guān)系。而傳統(tǒng)的RNN存在梯度消失和梯度爆炸等問題,導(dǎo)致無法解決長時(shí)依賴的問題,為解決這些問題[10],Hochreiter和Schmidhuber(1997)提出了LSTM[11]。

    LSTM基本單元如圖2所示。LSTM由輸入門(input gate,簡(jiǎn)稱IG)、遺忘門(forget gate,簡(jiǎn)稱FG)和輸出門(output gate,簡(jiǎn)稱OG)組成[12],特別的是,隱藏狀態(tài)和單元狀態(tài)的使用使LSTM擁有短時(shí)間和長時(shí)間的記憶能力。簡(jiǎn)單來說LSTM的工作原理就是保留重要的信息,遺忘不重要的信息。LSTM解決了RNN在實(shí)際應(yīng)用中出現(xiàn)的梯度消失和梯度爆炸等問題,需要的參數(shù)少,學(xué)習(xí)速度快[11]。

    LSTM網(wǎng)絡(luò)結(jié)構(gòu)中包含遺忘門、輸入門和輸出門。遺忘門決定了來自上一個(gè)時(shí)間步的單元狀態(tài)中有多少信息被丟棄,有多少信息需要被繼承;輸入門決定了當(dāng)前處理的時(shí)間步中有多少輸入信息添加到當(dāng)前的單元狀態(tài)中;輸出門決定當(dāng)前單元狀態(tài)中將會(huì)有多少信息作為處理當(dāng)前時(shí)間步的輸出值,用于下一層網(wǎng)絡(luò)的更新中。計(jì)算公式如 (1)~(6)所示:

    yt=ht=tanh(ct)ot。(6)

    式中:xt、ft、it、ct′、ct、ot和yt分別為輸入量、遺忘門、輸入門、輸入節(jié)點(diǎn)、狀態(tài)單元、輸出門和中間輸入的狀態(tài);W為對(duì)應(yīng)門與輸入xt和中間輸出ht相乘的權(quán)重矩陣;b為對(duì)應(yīng)門的偏差;σ表示sigmoid函數(shù)變化。

    1.3 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)

    BiLSTM是LSTM的一種擴(kuò)展。LSTM解決了特征信息無法記憶的問題,但忽略了對(duì)病害區(qū)域間的上下文相關(guān)信息和位置信息。BiLSTM由正向LSTM層和反向LSTM層融合而成,它既能捕獲過去的信息,也能捕獲未來的信息。BiLSTM各循環(huán)單元之間具有反饋連接,具有記憶性和進(jìn)一步挖掘的能力[13],同時(shí)考慮到了序列過去的特征和未來的特征,進(jìn)而提高模型處理序列問題的性能。BiLSTM結(jié)構(gòu)如圖3所示。

    2 CNN-BiLSTM混合深度學(xué)習(xí)模型

    本研究設(shè)計(jì)了一種在卷積神經(jīng)網(wǎng)絡(luò)中融入雙向長短期記憶網(wǎng)絡(luò)的水稻病害識(shí)別模型。將CNN挖掘特征的能力與BiLSTM整合特征序列未來、過去相關(guān)信息的能力相結(jié)合。在設(shè)計(jì)的模型中,水稻病害的識(shí)別分為3個(gè)部分:第1部分是初級(jí)特征提取模塊,實(shí)現(xiàn)對(duì)水稻病害圖像中病害特征的初步提??;第2部分是深度特征提取模塊,通過該模塊實(shí)現(xiàn)對(duì)水稻病害特征的進(jìn)一步挖掘和處理;第3部分是降維識(shí)別模塊,實(shí)現(xiàn)對(duì)水稻病害的分類識(shí)別。 CNN-BiLSTM 網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖4所示,并且給出了每個(gè)模塊輸出的特征圖的寬度、高度和通道數(shù)目。

    2.1 初級(jí)特征提取模塊

    第1部分的淺層特征提取模塊是由卷積層+最大池化層+BN層的組合組成,對(duì)病害特征進(jìn)行局部特征提取。

    對(duì)于深度網(wǎng)絡(luò)的訓(xùn)練是一個(gè)復(fù)雜的過程,只要網(wǎng)絡(luò)的前面幾層發(fā)生微小的改變,那么后面幾層就會(huì)被累積放大下去。一旦網(wǎng)絡(luò)某一層輸入數(shù)據(jù)的分布發(fā)生改變,那么這一層網(wǎng)絡(luò)就需要去適應(yīng)學(xué)習(xí)這個(gè)新的數(shù)據(jù)分布,所以如果訓(xùn)練過程中,訓(xùn)練數(shù)據(jù)的分布一直在發(fā)生變化,將會(huì)影響網(wǎng)絡(luò)的訓(xùn)練速度。

    BN算法是一種旨在解決在訓(xùn)練過程中中間層數(shù)據(jù)分布發(fā)生改變的算法[14],在該模塊中使用BN層可以讓梯度變大,以此避免梯度消失問題的產(chǎn)生,提高模型穩(wěn)定性,提高學(xué)習(xí)收斂速度,加快訓(xùn)練速度。

    2.2 深度特征提取模塊

    第2部分的深層特征提取模塊是由Inception模塊+BiLSTM模塊的組合組成。通過Inception模塊的多特征融合特性實(shí)現(xiàn)對(duì)水稻病害的高維特征融合,通過BiLSTM模塊對(duì)特征序列信息的提取、整合過去、未來特征信息的能力實(shí)現(xiàn)對(duì)病害特征的深度提取。

    2.2.1 Inception模塊

    由于現(xiàn)有的水稻葉部病害圖像數(shù)據(jù)集中各類病害所包含的圖像數(shù)量較少,不利于葉部病害的特征提取,而Inception模塊正好可以解決資源有限的問題,同時(shí)防止由于訓(xùn)練集數(shù)據(jù)不足而產(chǎn)生的特征提取偏差。設(shè)計(jì)3個(gè)Inception模塊,這些模塊能夠增加網(wǎng)絡(luò)的寬度,也能降低feature map的厚度。為了保證Inception 模塊中3個(gè)尺寸的卷積操作和最大池化操作能夠進(jìn)行維度上的連接,將卷積操作的步長設(shè)為1、Padding方式設(shè)為same,池化操作的步長設(shè)為1,最后將這4個(gè)部分得到的特征圖通過Concatenate()拼接在一起,作為下一層的輸入。由于Inception v1自身的稀疏性,可以在很大程度上解決因?yàn)樵黾泳W(wǎng)絡(luò)的深度和寬度而導(dǎo)致的計(jì)算量劇增、參數(shù)量爆炸甚至過擬合等問題,從而提高深度網(wǎng)絡(luò)模型質(zhì)量[15]。為了可以更進(jìn)一步地挖掘水稻病害特征,在每個(gè)Inception 模塊之后加入BiLSTM模塊。

    2.2.2 BiLSTM模塊

    本研究設(shè)計(jì)的模型選擇使用BiLSTM作為特征學(xué)習(xí)存儲(chǔ)單元與Inception模塊相結(jié)合,是因?yàn)橄噍^于LSTM只能單向進(jìn)行特征學(xué)習(xí),BiLSTM可以實(shí)現(xiàn)雙向特征學(xué)習(xí),能夠更好地獲取水稻葉部病害特征信息之間的相關(guān)性,提供了處理序列數(shù)據(jù)的全新角度,能夠捕捉到可能被單向LSTM忽略的信息,挖掘并記憶特征序列上下文的相關(guān)信息以及病害區(qū)域的位置信息。

    在經(jīng)過TimeDistributed()處理后,將特征序列傳入BiLSTM中,首先將輸入數(shù)據(jù)輸入到一個(gè)LSTM層,然后通過另一個(gè)反向的LSTM層重復(fù)訓(xùn)練,從而進(jìn)行雙向特征學(xué)習(xí),提高模型的依賴性,提高模型的精度,使其實(shí)現(xiàn)更深層次特征信息的挖掘并且對(duì)特征序列中的有用信息進(jìn)行存儲(chǔ)。

    2.3 降維識(shí)別模塊

    第3部分的降維識(shí)別模塊是由Global Average Pooling(GAP)層+Softmax層的組合組成。

    使用GAP替代全連接層(fully connected,F(xiàn)C)基于2點(diǎn):一是GAP在特征圖與最終的分類間轉(zhuǎn)換更加簡(jiǎn)單自然;二是不像FC層需要大量訓(xùn)練調(diào)優(yōu)的參數(shù),降低了空間參數(shù)會(huì)使模型更加“健壯”[16],有效防止第2部分產(chǎn)生過擬合現(xiàn)象;三是GAP整合了全局空間信息,對(duì)于輸入圖像的spatial translation更加魯棒[17]。GAP圖解如圖5所示。

    2.4 模型參數(shù)

    創(chuàng)建的CNN-BiLSTM網(wǎng)絡(luò)模型每一層的內(nèi)核大小、參數(shù)個(gè)數(shù)及輸出尺寸如表1所示。

    3 基于CNN-BiLSTM的水稻病害診斷

    3.1 水稻病害圖像數(shù)據(jù)庫的建立

    在本研究中,一部分水稻病害圖像數(shù)據(jù)于2021年8月采集自黑龍江八一農(nóng)墾大學(xué)水稻試驗(yàn)田,在自然光照條件下使用1 600萬像素的OPPO N3手機(jī)拍攝獲取的水稻病害圖像。另一部分水稻病害圖像數(shù)據(jù)取自Kaggle公開數(shù)據(jù)集。將每張圖像按照病害類型命名,存儲(chǔ)到對(duì)應(yīng)病害名稱的文件夾中,共同組成水稻病害圖像數(shù)據(jù)集。

    數(shù)據(jù)集中包括紋枯病、稻瘟病、白葉枯病、胡麻斑病、東格魯病5類水稻病害圖像,其中既有真實(shí)田間環(huán)境下復(fù)雜背景的病害圖像數(shù)據(jù),也包含將含有病害的葉片單獨(dú)裁剪出的圖像數(shù)據(jù)。通過對(duì)圖像進(jìn)行圖像增強(qiáng)處理來擴(kuò)充數(shù)據(jù)集,由于樣本數(shù)量不足且不均衡,采用了水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機(jī)水平平移和隨機(jī)垂直平移等圖像增強(qiáng)技術(shù)對(duì)每種病害樣本進(jìn)行擴(kuò)充,擴(kuò)大數(shù)據(jù)集的數(shù)量。數(shù)據(jù)量被擴(kuò)充至2 550幅圖像,每種病害各含有510幅圖像,每幅圖像的大小統(tǒng)一調(diào)整至256×256。水稻病害示例圖像如圖6所示。

    3.2 數(shù)據(jù)預(yù)處理

    3.2.1 圖像歸一化

    在模型反向傳播時(shí),梯度值更新與學(xué)習(xí)率一樣,當(dāng)學(xué)習(xí)率較小時(shí),梯度值較小會(huì)導(dǎo)致更新緩慢,當(dāng)學(xué)習(xí)率較大時(shí),梯度值較大會(huì)導(dǎo)致模型不易收斂,因此為了使模型訓(xùn)練收斂平穩(wěn),對(duì)圖像進(jìn)行歸一化操作,把不同維度的特征值調(diào)整到相近的范圍內(nèi),這樣就可以采用統(tǒng)一的學(xué)習(xí)率加速模型訓(xùn)練。

    采用min-max標(biāo)準(zhǔn)化通過對(duì)原始圖像數(shù)據(jù)進(jìn)行線性變換,使其對(duì)應(yīng)的像素值均能縮放在[0,1]的范圍內(nèi),具有保留原始數(shù)據(jù)關(guān)系、消除量綱和數(shù)據(jù)取值范圍的影響等優(yōu)點(diǎn)[18]。min-max標(biāo)準(zhǔn)化的公式如式(7)所示。

    (7)

    式中:X′是歸一化后的值;X是原始圖像像素值;Xmin表示原始圖像像素值中的最小值;Xmax表示原始圖像像素值中的最大值。

    3.2.2 獨(dú)熱編碼

    在分類機(jī)器學(xué)習(xí)任務(wù)中,特征之間距離或相似度的計(jì)算是非常重要的,并且常用的距離或相似度的計(jì)算都是基于歐氏空間的相似度計(jì)算。

    水稻病害特征的取值是[blast,blight,…]即病害對(duì)應(yīng)的名稱,其之間沒有大小的意義,但分類器往往默認(rèn)數(shù)據(jù)是連續(xù)的,并且是有序的[19],因此進(jìn)行獨(dú)熱編碼處理,將離散特征的取值擴(kuò)展到了歐氏空間,離散特征的某個(gè)取值就對(duì)應(yīng)歐氏空間的某個(gè)點(diǎn)。解決了分類器不好處理屬性數(shù)據(jù)的問題,并且在一定程度上起到了擴(kuò)充特征的作用。數(shù)據(jù)庫

    中含有5類水稻病害類別,使用5位狀態(tài)寄存器來對(duì)5個(gè)狀態(tài)進(jìn)行編碼,每個(gè)狀態(tài)都有它獨(dú)立的寄存器位,并且在任意時(shí)候其中只有1位有效。

    4 結(jié)果與分析

    在本研究中的試驗(yàn)環(huán)境為windows10、64位操作系統(tǒng),CPU型號(hào)為 Intel Xeon CPU E5-2678 v3 @ 2.50 GHz,GPU型號(hào)為NVIDIA GeForce RTX 2080 Ti,顯卡內(nèi)存為11 G。采用Python編程語言和Tensorflow深度學(xué)習(xí)框架。

    試驗(yàn)時(shí)按照8 ∶2的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測(cè)試集。將初始學(xué)習(xí)率lr設(shè)置為0.000 1,損失函數(shù)loss為多分類交叉熵?fù)p失函數(shù),迭代次數(shù)epoch為50。應(yīng)用構(gòu)造的水稻病害樣本集分別對(duì)CNN模型、CNN-LSTM模型、CNN-BiLSTM模型進(jìn)行訓(xùn)練,訓(xùn)練過程中3個(gè)模型隨著迭代次數(shù)的增加準(zhǔn)確率和損失率的收斂曲線如圖7、圖8所示。3種模型對(duì)水稻病害分類識(shí)別的結(jié)果如表2所示。

    4.1 模型評(píng)價(jià)指標(biāo)

    水稻病害分類可劃分為5種二分類情況,當(dāng)將稻瘟病作為正類時(shí),紋枯病、白葉枯病、胡麻斑病以及東格魯病4種病害作為負(fù)類。那么在訓(xùn)練過程中正確判定為正類的數(shù)量記為TP,實(shí)際為正類但判斷為負(fù)類的總數(shù)量記為FN,實(shí)際為負(fù)類但判定為正類的總數(shù)量記為FP。為了評(píng)估提出的水稻病害識(shí)別模型的準(zhǔn)確性和穩(wěn)定性,本研究使用精確率P(precision)、召回率R(recall)以及F1值(F1 score)3項(xiàng)指標(biāo)進(jìn)行模型的評(píng)價(jià)。

    精確率表示正確判定為正類的個(gè)數(shù)占模型分類為正類的個(gè)數(shù)的比例,計(jì)算公式如式(8)所示:

    (8)

    召回率表示模型判定正確的正類個(gè)數(shù)占實(shí)際中正類的個(gè)數(shù)的比例,計(jì)算公式如式(9)所示:

    (9)

    正常情況下,精確率和召回率是相互影響的,理想狀態(tài)下是期望2個(gè)指標(biāo)都高,但是實(shí)際兩者是相互制約的,精確率高召回率便低,反之,精確率低召回率便高。這就需要綜合考慮,最常見的便是引入F1值,表示準(zhǔn)確率和召回率的調(diào)和均值,用來權(quán)衡精確率和召回率,F(xiàn)1值越大說明模型的質(zhì)量越高。計(jì)算公式如式(10)所示:

    (10)

    3種模型的精確率、召回率以及F1值如表3所示。

    4.2 討論與分析

    由圖7中的訓(xùn)練曲線可以看出,CNN-BiLSTM模型的準(zhǔn)確率上升速度最快。由圖8中的收斂曲線可以看出,CNN-BiLSTM模型的損失率在經(jīng)過9次迭代之后開始趨于平穩(wěn),并沒有明細(xì)的波動(dòng),相較于CNN-LSTM模型在經(jīng)過22次迭代之后開始平穩(wěn),以及CNN模型直至訓(xùn)練結(jié)束也未平穩(wěn)、波動(dòng)較大,CNN-BiLSTM模型的損失率在這3種識(shí)別模型中下降最快、穩(wěn)定性最好。因此,CNN-BiLSTM模型的收斂效果更好。由表2可知,CNN-BiLSTM 模型的訓(xùn)練集損失率只有0.08%,是這3類模型中損失率最小的,CNN-BiLSTM模型訓(xùn)練集準(zhǔn)確率比CNN模型高1.27百分點(diǎn)。在測(cè)試集上,CNN-BiLSTM模型的測(cè)試準(zhǔn)確率比CNN-LSTM模型的測(cè)試準(zhǔn)確率高出0.62百分點(diǎn),比CNN模型的準(zhǔn)確率高1.43百分點(diǎn),相對(duì)的損失率比CNN-LSTM模型低出0.92百分點(diǎn),比CNN模型低出1.56百分點(diǎn)。所以無論是從準(zhǔn)確率、損失率還是從穩(wěn)定性來看,CNN-BiLSTM模型的訓(xùn)練結(jié)果都要比其他2種模型的效果好。 因此從訓(xùn)練結(jié)果來看,CNN-BiLSTM模型比其他2種模型更具優(yōu)勢(shì)。

    由表3可知,CNN-BiLSTM模型的精確率、召回率和F1值分別達(dá)到99.38%、99.42%、99.39%。精確率比CNN模型高出1.38百分點(diǎn),比CNN-LSTM模型高出0.63百分點(diǎn);召回率比CNN模型高出1.67百分點(diǎn),比CNN-LSTM模型高出0.63百分點(diǎn);F1值比CNN模型高出1.52百分點(diǎn),比 CNN-LSTM 模型高出0.63百分點(diǎn)。因此從模型的評(píng)價(jià)指標(biāo)來看CNN-BiLSTM模型比其他2種模型都要好。

    綜合試驗(yàn)結(jié)果表明,無論是從訓(xùn)練結(jié)果還是評(píng)估指標(biāo)上看,CNN-BiLSTM都明顯優(yōu)于CNN-LSTM模型和CNN模型。CNN-BiLSTM模型加快了模型的收斂速度、訓(xùn)練速度,提高了識(shí)別準(zhǔn)確率,減少了過擬合的風(fēng)險(xiǎn),使模型更具有魯棒性,訓(xùn)練效果更好,是這3種模型中最具優(yōu)勢(shì)的。

    5 結(jié)束語

    根據(jù)BiLSTM可以聯(lián)系病害區(qū)域間的上下文相關(guān)信息和位置信息,提出一種CNN與BiLSTM相結(jié)合的水稻病害識(shí)別新方法。應(yīng)用CNN模型、CNN-LSTM模型和CNN-BiLSTM模型,分別對(duì)水稻病害圖像數(shù)據(jù)集進(jìn)行訓(xùn)練、測(cè)試。結(jié)果表明,所設(shè)計(jì)的CNN-BiLSTM模型水稻病害圖像識(shí)別率最高,平均識(shí)別率達(dá)到了99.38%。結(jié)果證明,在CNN模型中加入BiLSTM對(duì)于水稻病害識(shí)別診斷的準(zhǔn)確性具有一定的提高作用,同時(shí)也增加了模型的穩(wěn)定性并且加快了模型的收斂速度,因此本研究提出的將CNN與BiLSTM結(jié)合的這種新方法對(duì)于水稻病害診斷方面具有一定的可行性。

    參考文獻(xiàn):

    [1]胡培松,圣忠華. 水稻種植業(yè)的昨天、今天和明天[EB/OL]. (2021-04-22)[2022-10-20]. http:www.zys.moa.gov.cn/mhsh/202104/t20210422_6366373.htm.

    [2]陳 宇,路 陽,蔡 娣,等. 基于SPSO+SVM的水稻葉部病害識(shí)別方法研究[J]. 上海農(nóng)業(yè)學(xué)報(bào),2021,37(6):136-142.

    [3]陳悅寧,郭士增,張佳巖,等. 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別算法研究[J]. 電子技術(shù)應(yīng)用,2020,46(9):85-87,93.

    [4]劉婷婷,王 婷,胡 林. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識(shí)別[J]. 中國水稻科學(xué),2019,33(1):90-94.

    [5]Saeed Z,Raza A,Qureshi A H,et al. A multi-crop disease detection and classification approach using CNN[C]//2021 International Conference on Robotics and Automation in Industry (ICRAI).October 26-27,2021,Rawalpindi,Pakistan.IEEE,2021:1-6.

    [6]David H E,Ramalakshmi K,Gunasekaran H,et al. Literature review of disease detection in tomato leaf using deep learning techniques[C]//2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS).March 19-20,2021,Coimbatore,India.IEEE,2021:274-278.

    [7]Banzi J,Abayo T. Plant species identification from leaf images using deep learning models (CNN-LSTM architecture)[J]. Tanzania Journal of Forestry and Nature Conservation,2021,90(3):93-103.

    [8]Szegedy C,Liu W,Jia Y Q,et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).June 7-12,2015,Boston,MA,USA.IEEE,2015:1-9.

    [9]薛文龍,于 炯,郭志琦,等. 基于特征融合卷積神經(jīng)網(wǎng)絡(luò)的端到端加密流量分類[J]. 計(jì)算機(jī)工程與應(yīng)用,2021,57(18):114-121.

    [10]Hua Y S,Mou L C,Zhu X X.Recurrently exploring class-wise attention in a hybrid convolutional and bidirectional LSTM network for multi-label aerial image classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2019,149(3):188-199.

    [11]Hochreiter S,Schmidhuber J. Long short-term memory[J]. Neural Computation,1997,9(8):1735-1780.

    [12]李豐君,王 磊,趙 健,等. 基于天氣融合和LSTM網(wǎng)絡(luò)的分布式光伏短期功率預(yù)測(cè)方法[J]. 中國電力,2022,55(11):149-154.

    [13]Cui Z,Ke R,Pu Z,et al. Deep bidirectional and unidirectional LSTM recurrent neural network for network-wide traffic speed prediction[EB/OL]. (2018-01-07)[2022-10-26]. https://arxiv.53yu.com/abs/1801.02143.

    [14]Ioffe S,Szegedy C. Batch normalization:accelerating deep network training by reducing internal covariate shift[EB/OL]. (2015-02-11)[2022-10-26]. https://arxiv.org/abs/1502.03167.

    [15]黃雙萍,孫 超,齊 龍,等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(20):169-176.

    [16]陳綺丹. 基于卷積神經(jīng)網(wǎng)絡(luò)的電驅(qū)動(dòng)總成故障數(shù)據(jù)分類識(shí)別研究[D]. 重慶:重慶理工大學(xué),2020.

    [17]Lin M,Chen Q,Yan S C. Network in Network[EB/OL]. (2013-12-16)[2022-10-28]. https://arxiv.org/abs/1312.4400.

    [18]梅 瑩,尹藝璐,石稱華,等. 基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的葉菜霜霉病智能識(shí)別算法研究[J]. 上海蔬菜,2021(6):76-84.

    [19]梁 杰,陳嘉豪,張雪芹,等. 基于獨(dú)熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,59(7):523-529.

    收稿日期:2023-01-27

    基金項(xiàng)目:國家自然科學(xué)基金(編號(hào):U21A2019、61873058、61933007);黑龍江省自然科學(xué)基金聯(lián)合引導(dǎo)資助項(xiàng)目(編號(hào):LH2022C061);黑龍江省博士后科研啟動(dòng)基金(編號(hào):LBH-Q17134);海南省科技專項(xiàng)(編號(hào):ZDYF2022SHFZ105);黑龍江省省屬高等學(xué)?;究蒲谢穑ň幪?hào):ZRCPY202020)。

    作者簡(jiǎn)介:路 陽(1976—),男,黑龍江雙城人,博士,教授,博士生導(dǎo)師,從事復(fù)雜系統(tǒng)智能故障診斷及模式識(shí)別技術(shù)研究。E-mail:luyanga@sina.com。

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別深度學(xué)習(xí)
    基于Resnet-50的貓狗圖像識(shí)別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識(shí)別技術(shù)應(yīng)用探討
    圖像識(shí)別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識(shí)別在水質(zhì)檢測(cè)中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
    亚洲av中文字字幕乱码综合| 在线观看美女被高潮喷水网站 | 国产三级在线视频| 精品一区二区三区视频在线观看免费| 九九在线视频观看精品| 久久精品91蜜桃| 人妻夜夜爽99麻豆av| 欧美日韩综合久久久久久 | 麻豆av在线久日| 在线看三级毛片| 窝窝影院91人妻| 亚洲中文字幕日韩| 午夜福利高清视频| 午夜福利免费观看在线| 十八禁人妻一区二区| 成熟少妇高潮喷水视频| 国产高清三级在线| 全区人妻精品视频| 一进一出好大好爽视频| 丝袜人妻中文字幕| 精品一区二区三区四区五区乱码| 国产精品电影一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 97超视频在线观看视频| 青草久久国产| 国产精品一区二区免费欧美| 12—13女人毛片做爰片一| 日韩欧美一区二区三区在线观看| 十八禁人妻一区二区| svipshipincom国产片| 日本熟妇午夜| 亚洲片人在线观看| a级毛片在线看网站| 色av中文字幕| 亚洲一区二区三区不卡视频| 国产一区二区在线观看日韩 | 免费人成视频x8x8入口观看| av黄色大香蕉| 熟女电影av网| 床上黄色一级片| 成年人黄色毛片网站| 欧美大码av| 久久国产精品影院| 日本精品一区二区三区蜜桃| 午夜精品在线福利| 成人一区二区视频在线观看| 大型黄色视频在线免费观看| 国产精品av久久久久免费| 在线观看日韩欧美| 亚洲欧洲精品一区二区精品久久久| 日韩精品中文字幕看吧| 欧美午夜高清在线| 午夜精品在线福利| 在线国产一区二区在线| 巨乳人妻的诱惑在线观看| 免费观看人在逋| 欧美丝袜亚洲另类 | 国产成人精品久久二区二区91| 日本黄色片子视频| 亚洲va日本ⅴa欧美va伊人久久| 村上凉子中文字幕在线| 最近视频中文字幕2019在线8| 99热6这里只有精品| 9191精品国产免费久久| 精华霜和精华液先用哪个| 中文字幕熟女人妻在线| 禁无遮挡网站| 午夜精品一区二区三区免费看| 欧美三级亚洲精品| 国产精品爽爽va在线观看网站| 国产麻豆成人av免费视频| 99久久精品一区二区三区| 久久久久久九九精品二区国产| 久久精品影院6| 在线观看日韩欧美| 中文资源天堂在线| 欧美日本亚洲视频在线播放| 亚洲七黄色美女视频| 国产v大片淫在线免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 丁香欧美五月| 久久天躁狠狠躁夜夜2o2o| 99久久成人亚洲精品观看| av福利片在线观看| 久久精品影院6| 亚洲人与动物交配视频| 亚洲va日本ⅴa欧美va伊人久久| 亚洲国产看品久久| 亚洲五月天丁香| 欧美大码av| 亚洲电影在线观看av| 男女午夜视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 午夜成年电影在线免费观看| 麻豆久久精品国产亚洲av| 亚洲熟妇熟女久久| 很黄的视频免费| 9191精品国产免费久久| 亚洲国产精品sss在线观看| 岛国在线免费视频观看| 丰满人妻熟妇乱又伦精品不卡| 变态另类成人亚洲欧美熟女| 亚洲熟妇熟女久久| 99久久综合精品五月天人人| 国语自产精品视频在线第100页| 国产蜜桃级精品一区二区三区| 免费观看的影片在线观看| 午夜久久久久精精品| 不卡av一区二区三区| 黄色成人免费大全| xxxwww97欧美| 亚洲中文日韩欧美视频| 国产免费男女视频| 久久久久久人人人人人| 一进一出好大好爽视频| 国产亚洲欧美在线一区二区| 亚洲精品久久国产高清桃花| 很黄的视频免费| 精品一区二区三区av网在线观看| 国产乱人伦免费视频| 亚洲 欧美 日韩 在线 免费| 精品久久久久久,| 欧美一区二区国产精品久久精品| 悠悠久久av| www.自偷自拍.com| 亚洲18禁久久av| 欧美成人一区二区免费高清观看 | 国产激情偷乱视频一区二区| 成年版毛片免费区| 久久久国产欧美日韩av| 波多野结衣高清作品| 91av网站免费观看| 最近在线观看免费完整版| 色av中文字幕| 久久久久免费精品人妻一区二区| 国内精品美女久久久久久| 热99在线观看视频| 日本免费a在线| 亚洲人成电影免费在线| av黄色大香蕉| 老司机在亚洲福利影院| 亚洲国产精品999在线| 噜噜噜噜噜久久久久久91| 国产成人aa在线观看| 亚洲在线自拍视频| 精品一区二区三区视频在线观看免费| 午夜a级毛片| 18禁美女被吸乳视频| svipshipincom国产片| 999精品在线视频| 听说在线观看完整版免费高清| 精品99又大又爽又粗少妇毛片 | 91在线精品国自产拍蜜月 | 欧美日韩精品网址| 亚洲国产欧洲综合997久久,| 成熟少妇高潮喷水视频| 亚洲中文字幕一区二区三区有码在线看 | 亚洲av电影在线进入| 欧美一级毛片孕妇| 99久久久亚洲精品蜜臀av| 亚洲性夜色夜夜综合| 国产精品久久电影中文字幕| 午夜视频精品福利| 亚洲九九香蕉| 午夜精品一区二区三区免费看| av中文乱码字幕在线| 国产一区二区三区在线臀色熟女| 最近最新中文字幕大全电影3| 嫩草影视91久久| 亚洲av熟女| 黑人欧美特级aaaaaa片| 亚洲精品在线观看二区| 高清毛片免费观看视频网站| 国产伦在线观看视频一区| 国产伦精品一区二区三区视频9 | 国产av一区在线观看免费| 12—13女人毛片做爰片一| 制服丝袜大香蕉在线| 国产高清videossex| 一进一出抽搐gif免费好疼| 国产伦人伦偷精品视频| 99久久精品一区二区三区| 午夜福利欧美成人| 国产淫片久久久久久久久 | 色av中文字幕| 国产三级中文精品| 桃红色精品国产亚洲av| 中文字幕av在线有码专区| 午夜a级毛片| 一级作爱视频免费观看| 国产精品98久久久久久宅男小说| 黄色视频,在线免费观看| 级片在线观看| 国产精品久久久av美女十八| 午夜免费激情av| 欧美高清成人免费视频www| 精品国产三级普通话版| 日本撒尿小便嘘嘘汇集6| 一二三四在线观看免费中文在| 亚洲精品粉嫩美女一区| 欧美极品一区二区三区四区| 97碰自拍视频| 亚洲欧美日韩高清专用| 国产精品99久久99久久久不卡| 成年女人永久免费观看视频| 真实男女啪啪啪动态图| 亚洲国产精品sss在线观看| 香蕉国产在线看| 在线十欧美十亚洲十日本专区| 中文字幕人妻丝袜一区二区| www国产在线视频色| 女同久久另类99精品国产91| 男女之事视频高清在线观看| 国产精品野战在线观看| 国产91精品成人一区二区三区| 免费在线观看成人毛片| 国产一级毛片七仙女欲春2| 18禁美女被吸乳视频| 国内精品久久久久精免费| 在线视频色国产色| 无人区码免费观看不卡| 中文亚洲av片在线观看爽| 99国产综合亚洲精品| 久久人妻av系列| 日本与韩国留学比较| 俺也久久电影网| 亚洲一区二区三区不卡视频| 哪里可以看免费的av片| 国产av一区在线观看免费| 午夜影院日韩av| 一本一本综合久久| 又紧又爽又黄一区二区| а√天堂www在线а√下载| 欧美一级a爱片免费观看看| 日韩 欧美 亚洲 中文字幕| av女优亚洲男人天堂 | 青草久久国产| 在线a可以看的网站| 听说在线观看完整版免费高清| 久久国产精品人妻蜜桃| 国产成人系列免费观看| 成人av在线播放网站| 国产精品98久久久久久宅男小说| 91在线精品国自产拍蜜月 | 国产精品久久久久久亚洲av鲁大| 久久午夜亚洲精品久久| av福利片在线观看| 欧美在线一区亚洲| 欧美日本视频| 成年女人永久免费观看视频| 级片在线观看| 国产高清激情床上av| 精品无人区乱码1区二区| 国产视频一区二区在线看| 叶爱在线成人免费视频播放| 看黄色毛片网站| 国产欧美日韩一区二区三| 成年免费大片在线观看| 午夜福利在线在线| 最近在线观看免费完整版| 国产精品一区二区精品视频观看| 少妇裸体淫交视频免费看高清| 一级毛片女人18水好多| 黄色女人牲交| 成人亚洲精品av一区二区| 久久久久亚洲av毛片大全| 亚洲av电影在线进入| 在线播放国产精品三级| 亚洲国产精品999在线| 日韩有码中文字幕| 熟女电影av网| 欧美成人一区二区免费高清观看 | 一本久久中文字幕| 麻豆成人av在线观看| 午夜亚洲福利在线播放| 国产午夜精品论理片| 老汉色av国产亚洲站长工具| 淫妇啪啪啪对白视频| 草草在线视频免费看| 欧美3d第一页| 精品人妻1区二区| 亚洲欧美日韩高清专用| 国产一级毛片七仙女欲春2| 国产精品 国内视频| 亚洲专区字幕在线| 国产精品精品国产色婷婷| 高潮久久久久久久久久久不卡| 亚洲片人在线观看| 美女扒开内裤让男人捅视频| 一级a爱片免费观看的视频| 中文字幕精品亚洲无线码一区| 欧美日韩黄片免| 国产成人精品久久二区二区91| 中文资源天堂在线| 国产精品精品国产色婷婷| 国产欧美日韩精品一区二区| 亚洲av免费在线观看| 日本三级黄在线观看| 久久久国产欧美日韩av| 欧美丝袜亚洲另类 | 欧美一级毛片孕妇| 成人三级黄色视频| 国产精品亚洲av一区麻豆| 久久久久久人人人人人| 成人性生交大片免费视频hd| 亚洲精品在线美女| 综合色av麻豆| 成年免费大片在线观看| 不卡av一区二区三区| 国产蜜桃级精品一区二区三区| 免费观看的影片在线观看| 国产成人av激情在线播放| 亚洲午夜精品一区,二区,三区| 国产免费av片在线观看野外av| 男插女下体视频免费在线播放| 国产激情偷乱视频一区二区| 免费看a级黄色片| 一个人观看的视频www高清免费观看 | 午夜激情欧美在线| 搡老熟女国产l中国老女人| 色噜噜av男人的天堂激情| 久久午夜亚洲精品久久| 好看av亚洲va欧美ⅴa在| 婷婷六月久久综合丁香| av女优亚洲男人天堂 | 18禁美女被吸乳视频| 国产综合懂色| 人人妻,人人澡人人爽秒播| 最近最新中文字幕大全免费视频| 国产 一区 欧美 日韩| 精品人妻1区二区| 精品久久久久久久末码| 亚洲av中文字字幕乱码综合| 午夜福利欧美成人| 国产美女午夜福利| 免费无遮挡裸体视频| 亚洲国产欧美人成| 99久久成人亚洲精品观看| 久久精品人妻少妇| 国产美女午夜福利| 久久久久亚洲av毛片大全| 18禁黄网站禁片午夜丰满| 人妻夜夜爽99麻豆av| 欧美成狂野欧美在线观看| 亚洲电影在线观看av| www.www免费av| 三级男女做爰猛烈吃奶摸视频| 夜夜爽天天搞| 欧美日韩综合久久久久久 | 又黄又粗又硬又大视频| 少妇裸体淫交视频免费看高清| 国产亚洲精品av在线| 成人特级av手机在线观看| 天堂av国产一区二区熟女人妻| 国产成人福利小说| 麻豆一二三区av精品| 亚洲熟妇熟女久久| 少妇的逼水好多| 欧美一区二区国产精品久久精品| 欧美高清成人免费视频www| 90打野战视频偷拍视频| 香蕉久久夜色| 性色av乱码一区二区三区2| 亚洲一区二区三区不卡视频| 亚洲精品中文字幕一二三四区| 日韩国内少妇激情av| 少妇裸体淫交视频免费看高清| 国产伦一二天堂av在线观看| 两个人视频免费观看高清| 国内精品一区二区在线观看| 免费人成视频x8x8入口观看| 一二三四在线观看免费中文在| 欧美成人一区二区免费高清观看 | 午夜激情欧美在线| 亚洲乱码一区二区免费版| 国产97色在线日韩免费| 成人三级黄色视频| 蜜桃久久精品国产亚洲av| 热99在线观看视频| 制服人妻中文乱码| 国产av不卡久久| 国产欧美日韩精品一区二区| 亚洲狠狠婷婷综合久久图片| 又黄又粗又硬又大视频| 国产精品久久久久久人妻精品电影| 国产精品一区二区三区四区免费观看 | 亚洲五月天丁香| 免费av不卡在线播放| 亚洲精华国产精华精| 在线a可以看的网站| 国产成人影院久久av| 精品一区二区三区视频在线观看免费| 亚洲国产色片| 国产av在哪里看| 国产精品亚洲av一区麻豆| 丁香欧美五月| 国产精品永久免费网站| 国产精品免费一区二区三区在线| 高潮久久久久久久久久久不卡| 哪里可以看免费的av片| 人人妻人人看人人澡| 岛国视频午夜一区免费看| 亚洲男人的天堂狠狠| 国产日本99.免费观看| 亚洲一区二区三区不卡视频| 亚洲激情在线av| 欧美色欧美亚洲另类二区| 成年版毛片免费区| 国产精品爽爽va在线观看网站| 国产综合懂色| 男女下面进入的视频免费午夜| 很黄的视频免费| 人妻夜夜爽99麻豆av| a级毛片在线看网站| 亚洲国产日韩欧美精品在线观看 | 一进一出好大好爽视频| 免费看日本二区| 999久久久国产精品视频| 午夜免费激情av| 亚洲午夜精品一区,二区,三区| 国产精品精品国产色婷婷| 免费在线观看日本一区| 草草在线视频免费看| 久久精品国产99精品国产亚洲性色| 91字幕亚洲| 久久九九热精品免费| 又紧又爽又黄一区二区| 日韩av在线大香蕉| 国产精品一区二区三区四区免费观看 | 国产精品一区二区三区四区免费观看 | 欧美成狂野欧美在线观看| 亚洲成人久久性| 亚洲人与动物交配视频| 在线视频色国产色| 丰满人妻熟妇乱又伦精品不卡| 亚洲,欧美精品.| 亚洲 欧美一区二区三区| 亚洲无线在线观看| 国产免费男女视频| 久久精品91无色码中文字幕| 999久久久精品免费观看国产| 成人性生交大片免费视频hd| 久久人人精品亚洲av| 老司机福利观看| 国产免费av片在线观看野外av| 国产精品亚洲美女久久久| 99国产综合亚洲精品| 国内精品一区二区在线观看| 桃红色精品国产亚洲av| 亚洲av成人不卡在线观看播放网| 久久草成人影院| 丰满的人妻完整版| 国产激情偷乱视频一区二区| 搡老妇女老女人老熟妇| 一级黄色大片毛片| 亚洲成人久久爱视频| 女人高潮潮喷娇喘18禁视频| 国产久久久一区二区三区| 久久精品国产清高在天天线| 国产在线精品亚洲第一网站| 天天添夜夜摸| 国产精品1区2区在线观看.| 国产精华一区二区三区| 伊人久久大香线蕉亚洲五| 亚洲第一欧美日韩一区二区三区| 国产精品久久久久久精品电影| 国产精品久久电影中文字幕| 男女下面进入的视频免费午夜| 国产久久久一区二区三区| 国产高清视频在线观看网站| 国产在线精品亚洲第一网站| 亚洲av美国av| 国产精品野战在线观看| 岛国在线免费视频观看| 国产一级毛片七仙女欲春2| 女警被强在线播放| 一a级毛片在线观看| 国产综合懂色| 亚洲性夜色夜夜综合| 国产黄片美女视频| 国产欧美日韩一区二区精品| 少妇人妻一区二区三区视频| 国产综合懂色| 亚洲性夜色夜夜综合| 婷婷精品国产亚洲av| 99精品久久久久人妻精品| 在线视频色国产色| 黑人欧美特级aaaaaa片| 叶爱在线成人免费视频播放| 女同久久另类99精品国产91| 国产成人一区二区三区免费视频网站| av欧美777| 免费在线观看日本一区| 亚洲无线在线观看| 国产精品国产高清国产av| 两性夫妻黄色片| 男女午夜视频在线观看| 一本精品99久久精品77| 久久久精品欧美日韩精品| 国产乱人伦免费视频| 午夜精品久久久久久毛片777| 天天躁狠狠躁夜夜躁狠狠躁| 久久国产精品人妻蜜桃| 99国产综合亚洲精品| 三级男女做爰猛烈吃奶摸视频| 在线观看免费午夜福利视频| 天天躁狠狠躁夜夜躁狠狠躁| 99热这里只有是精品50| 99国产综合亚洲精品| 女同久久另类99精品国产91| 久久久久性生活片| 日韩 欧美 亚洲 中文字幕| 亚洲欧美日韩高清在线视频| 51午夜福利影视在线观看| 亚洲精品在线美女| www国产在线视频色| 99热只有精品国产| 无限看片的www在线观看| 男人的好看免费观看在线视频| 亚洲真实伦在线观看| 亚洲欧洲精品一区二区精品久久久| 成人特级av手机在线观看| h日本视频在线播放| 女警被强在线播放| 久久婷婷人人爽人人干人人爱| 国产1区2区3区精品| 啪啪无遮挡十八禁网站| 亚洲 国产 在线| 亚洲精品乱码久久久v下载方式 | av女优亚洲男人天堂 | 免费观看精品视频网站| 国产高清有码在线观看视频| 12—13女人毛片做爰片一| 成熟少妇高潮喷水视频| 国产精品九九99| 成年版毛片免费区| 国产成人一区二区三区免费视频网站| 九九久久精品国产亚洲av麻豆 | 久久久久久久久久黄片| 国产亚洲精品一区二区www| 午夜福利视频1000在线观看| 成人三级黄色视频| 欧洲精品卡2卡3卡4卡5卡区| 久久精品国产清高在天天线| 真实男女啪啪啪动态图| 久久久水蜜桃国产精品网| 人人妻人人看人人澡| 99在线人妻在线中文字幕| 欧美乱码精品一区二区三区| 免费看美女性在线毛片视频| 久久精品国产综合久久久| 在线观看美女被高潮喷水网站 | 国产黄色小视频在线观看| www日本在线高清视频| cao死你这个sao货| 九九在线视频观看精品| 久9热在线精品视频| 嫩草影视91久久| 国产成人欧美在线观看| 午夜福利欧美成人| 级片在线观看| 哪里可以看免费的av片| 欧美高清成人免费视频www| 黄频高清免费视频| 一个人看的www免费观看视频| 亚洲五月婷婷丁香| 每晚都被弄得嗷嗷叫到高潮| aaaaa片日本免费| 五月伊人婷婷丁香| 制服人妻中文乱码| 亚洲av免费在线观看| www.精华液| 日韩欧美三级三区| 窝窝影院91人妻| 成在线人永久免费视频| 免费在线观看视频国产中文字幕亚洲| 国产高清有码在线观看视频| 免费无遮挡裸体视频| 国产亚洲精品久久久com| 日韩人妻高清精品专区| 首页视频小说图片口味搜索| 最新中文字幕久久久久 | 成人av一区二区三区在线看| 国内精品久久久久久久电影| 91av网一区二区| 成人18禁在线播放| АⅤ资源中文在线天堂| 欧美日韩国产亚洲二区| 一个人观看的视频www高清免费观看 | 国产午夜福利久久久久久| 精品熟女少妇八av免费久了| 久久国产乱子伦精品免费另类| 99久久成人亚洲精品观看| 长腿黑丝高跟| 中文资源天堂在线| cao死你这个sao货| 在线观看免费视频日本深夜| 嫁个100分男人电影在线观看| 1000部很黄的大片| 夜夜夜夜夜久久久久| 久久亚洲精品不卡| 亚洲人成网站高清观看| 舔av片在线| 婷婷精品国产亚洲av| 国产淫片久久久久久久久 | 美女 人体艺术 gogo| 国产真人三级小视频在线观看| 伦理电影免费视频| 成年女人永久免费观看视频| 亚洲va日本ⅴa欧美va伊人久久| 在线观看午夜福利视频| 悠悠久久av| 精品久久蜜臀av无| 美女黄网站色视频| 国产亚洲精品av在线|