• <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)YOLOv5 模型的農(nóng)作物病斑圖像自動(dòng)標(biāo)注

    2024-04-01 05:27:30馬文寶田芳明譚峰
    關(guān)鍵詞:病斑準(zhǔn)確率水稻

    馬文寶,田芳明,譚峰

    (黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院,大慶 163319)

    人工智能正在改變著人類的生活,深度學(xué)習(xí)作為人工智能的一個(gè)應(yīng)用方向,成為過(guò)去十年該研究領(lǐng)域取得的關(guān)鍵性成就之一,其在計(jì)算機(jī)視覺(jué)、圖像處理、語(yǔ)音分析識(shí)別和自然語(yǔ)言處理等場(chǎng)景下都取得了極大的突破[1-2]。例如,馬曉丹[3]采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了大豆葉片病斑區(qū)域的識(shí)別,識(shí)別準(zhǔn)確率達(dá)到100%,證明了神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)作物病斑識(shí)別的可行性,同時(shí)為水稻、玉米等農(nóng)作物的葉片病斑識(shí)別提供理論依據(jù)。劉凱旋[4]設(shè)計(jì)了一種基于級(jí)聯(lián)R-CNN 的水稻害蟲(chóng)檢測(cè)算法,算法使用了2 855 張照片,使用labelImg 標(biāo)注水稻害蟲(chóng)類別和位置后形成訓(xùn)練集,然后進(jìn)行模型訓(xùn)練,最終多種害蟲(chóng)檢測(cè)準(zhǔn)確率平均值mAP 達(dá)到94.15%,檢測(cè)效果取得了較大提升。上述監(jiān)督學(xué)習(xí)模型需要利用幾萬(wàn)、甚至幾十萬(wàn)張標(biāo)注數(shù)據(jù)訓(xùn)練模型,如ImageNet 用于物體分類的數(shù)據(jù)集,分為2 萬(wàn)個(gè)類別,共1 400 萬(wàn)張圖像[5],Microsoft COCO用于物體分類的數(shù)據(jù)集共250 萬(wàn)張圖像。這些數(shù)據(jù)集數(shù)量十分龐大,并且大多數(shù)都是靠手工標(biāo)注的,如亞馬遜的眾包平臺(tái)亞馬遜土耳其機(jī)器人(AMT,Amazon mechanical turk)數(shù)據(jù)標(biāo)注[6]。這種方式雖然為社會(huì)提供了就業(yè)機(jī)會(huì),但是其標(biāo)注成本高且效率低,存在費(fèi)時(shí)耗力的問(wèn)題。因此,如何提升標(biāo)注效率,降低標(biāo)注成本,成為研究人員進(jìn)行深度學(xué)習(xí)研究所面臨的一個(gè)重要問(wèn)題。針對(duì)上述問(wèn)題,以農(nóng)業(yè)圖像研究方向中水稻莖葉病斑標(biāo)注為目標(biāo),提出基于YOLOv5 改進(jìn)的圖像自動(dòng)標(biāo)注方法。

    1 實(shí)驗(yàn)材料與設(shè)計(jì)

    1.1 實(shí)驗(yàn)材料

    在Kaggle 上下載600 張水稻莖葉病斑圖片組成了實(shí)驗(yàn)使用的數(shù)據(jù)集,圖片中包含許多小目標(biāo)病斑和數(shù)量密集的病斑,可以用來(lái)訓(xùn)練模型對(duì)小目標(biāo)和密集目標(biāo)的感知。圖片挑選后用LabelImg 軟件手工標(biāo)注,采用txt 格式的標(biāo)注文件進(jìn)行訓(xùn)練,標(biāo)注后的圖像如圖1 所示。研究將數(shù)據(jù)集中的600 張圖片以3∶1 的比例進(jìn)行劃分,其中450 張圖片作為訓(xùn)練集,150 張圖片作為驗(yàn)證集。

    圖1 標(biāo)注后的水稻莖葉病斑圖像Fig.1 Marked image of disease spots on rice stems and leaves

    1.2 實(shí)驗(yàn)環(huán)境

    實(shí)驗(yàn)的操作系統(tǒng)為Windows11,CPU 型號(hào)為Intel(R)Core(TM)i5-12400F CPU @ 2.5 GHz,運(yùn)行內(nèi)存為16 GB。GPU 型號(hào)為NVIDIA GeForce RTX 3060,顯存為12 GB,硬盤(pán)為500 GB。代碼測(cè)試環(huán)境使用的Pytorch 的版本為1.11,Python 的版本為3.7.11,使用CUDA11.3.1 和CUDNN8.2.1 對(duì)GPU 進(jìn)行加速。

    1.3 實(shí)驗(yàn)設(shè)計(jì)

    為了驗(yàn)證改進(jìn)模型的有效性,并且能夠?qū)崿F(xiàn)植物病斑圖像的快速標(biāo)注,搭建了Python 和Pytorch 的實(shí)驗(yàn)環(huán)境,通過(guò)Kaggle 平臺(tái)下載的水稻病斑圖像進(jìn)行手動(dòng)標(biāo)注,對(duì)YOLOv5 模型結(jié)構(gòu)進(jìn)行改進(jìn),為了驗(yàn)證改進(jìn)的有效性,在水稻莖葉病斑圖像上實(shí)驗(yàn),然后驗(yàn)證結(jié)論的有效性[7]。實(shí)驗(yàn)流程如圖2 所示。

    圖2 實(shí)驗(yàn)流程Fig.2 Experimental flow

    2 YOLOv5 結(jié)構(gòu)的改進(jìn)

    2.1 改進(jìn)YOLOv5 模型結(jié)構(gòu)

    YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)由Input、Backbone、Neck 和Prediction 四部分構(gòu)成[8],對(duì)YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn),其中,將FPN(Feature Pyramid Networks)改進(jìn)為加權(quán)雙向特征金字塔網(wǎng)絡(luò)BiFPN(Bidirectional Feature Pyramid Network),相比FPN 來(lái)說(shuō)BiFPN 增加了雙向交叉尺度連接和加權(quán)特征融合,可以更加方便、快速的進(jìn)行多尺度特征融合。由于Backbone 部分是由多層卷積層堆疊,導(dǎo)致特征提取并不充分和模型泛化能力差,將ViT(Vision Transformer)模型引入Backbone 部分,將C3 與ViT 結(jié)合形成C3TR 模塊,用來(lái)提升Backbone 部分的特征提取能力。同時(shí)將YOLOv5 中的IoU(Intersection of Union)函數(shù)替換為CIoU 損失函數(shù),使預(yù)測(cè)框更加符合真實(shí)框。嘗試將C3TR 模塊替換YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)中不同位置的C3模塊,主要分為兩種替換方式。其中第一種替換方式是將SPPF 之前的C3 模塊進(jìn)行替換,為了方便區(qū)分并命名為YOLOv5-TR-BiFPN。另外一種替換方式是除了替換SPPF 前的C3 模塊為C3TR 模塊,并將Neck 部分中的3 個(gè)用于特征提取的C3 模塊替換為C3TR 模塊,并命名為YOLOv5-TR-BiFPN-1。以上兩種結(jié)構(gòu)如圖3 所示。

    圖3 改進(jìn)的YOLOv5-TR-BiFPN 結(jié)構(gòu)Fig.3 Improved YOLOv5-TR-BiFPN structure

    2.2 Vision Transformer 模塊

    Transformer 是由谷歌在2017 年針對(duì)自然語(yǔ)言處理領(lǐng)域提出的模型。由于更早的RNN(Recurrent Neural Network)模型記憶長(zhǎng)度有限且無(wú)法并行化,Transformer 克服了RNN 的問(wèn)題,在自然語(yǔ)言處理領(lǐng)域引來(lái)極大的震動(dòng)。最近一些文章創(chuàng)新性地將Transformer 技術(shù)跨領(lǐng)域地引入到計(jì)算機(jī)視覺(jué)任務(wù)中,開(kāi)創(chuàng)了視覺(jué)領(lǐng)域的新時(shí)代。2020 年10 月谷歌的Dosovitskiy 等人提出了ViT(Vision Transformer)模型,主要由Embedding、Transformer Encoder、MLP Head三層構(gòu)成,是基于自注意力機(jī)制的圖像分類方案。

    ViT 模型為了將圖像轉(zhuǎn)化成Transformer 結(jié)構(gòu)可以處理的序列數(shù)據(jù),引入了圖像塊(patch)的概念。首先將二維圖像做分塊處理,每個(gè)圖像塊展平成一維向量,接著對(duì)每個(gè)向量進(jìn)行線性投影變換(Linear Projection of Flattened Patches),同時(shí)引入位置編碼[9](Position Embedding),加入序列的位置信息,在輸入的序列數(shù)據(jù)之前添加了一個(gè)分類標(biāo)志位(class),更好地表示全局信息[10],然后將這些信息輸入到Transformer Encoder 模塊中進(jìn)行編碼,在Transformer Encoder 模塊中引入了多頭注意力機(jī)制[11](Multi-Head Attention),多頭注意力機(jī)制能夠聯(lián)合來(lái)自不同head部分學(xué)習(xí)到的信息,因此可以學(xué)習(xí)到多種目標(biāo)的特征。通過(guò)Transformer Encoder 后輸出和輸入的形狀是保持不變的,由于ViT 模型是分類模型,所以要提取出分類標(biāo)志位(class)中生成的對(duì)應(yīng)的分類結(jié)果,將其傳遞給MLP Head,MLP Head 模塊由全連接層組成,通過(guò)MLP Head 可以得到最終的分類結(jié)果,ViT模型結(jié)構(gòu)如圖4 所示。

    圖4 ViT 和Transformer Encoder 結(jié)構(gòu)圖Fig.4 Structure diagram of ViT and transformer encoder

    將ViT 模型進(jìn)行修改與YOLOv5 中的C3 卷積模塊融合形成C3TR 卷積模塊,并嵌入到Y(jié)OLOv5 模型的Backbone 中,增強(qiáng)Backbone 的特征提取能力。曾嘗試將YOLOv5 中所有卷積模塊替換為C3TR 卷積模塊[12],但是運(yùn)算量太大,GPU 內(nèi)存被占滿,導(dǎo)致訓(xùn)練不能繼續(xù)。將YOLOv5 的Backbone 部分C3 模塊和Neck 部分C3 模塊分別替換為C3TR 卷積模塊時(shí)雖然能夠訓(xùn)練,但是模型運(yùn)算量依然很大,GPU 內(nèi)存最多只能運(yùn)行一個(gè)batch_size,訓(xùn)練結(jié)果也不夠理想。經(jīng)過(guò)測(cè)試與對(duì)比發(fā)現(xiàn)只將SPPF 模塊前的一個(gè)卷積模塊替換為C3TR 卷積模塊,可以達(dá)到一個(gè)良好的訓(xùn)練結(jié)果,所以,將改進(jìn)后的ViT 模型融合到Y(jié)OLOv5的Backbone 部分。

    2.3 加權(quán)雙向特征金字塔

    多尺度特征融合就是融合不同分辨率的特征圖,方法存在各個(gè)尺度的特征信息不一致的問(wèn)題,所以,Tan 等[13]提出了加權(quán)雙向特征金字塔(Bidirectional Feature Pyramid Network,BiFPN),BiFPN 采 用高效的雙向交叉尺度連接的方案,其結(jié)構(gòu)圖如圖5所示,因?yàn)橹挥幸粋€(gè)輸入邊界且沒(méi)有特征融合的節(jié)點(diǎn)信息量有限,對(duì)融合不同特征的特征網(wǎng)絡(luò)沒(méi)有太大貢獻(xiàn),所以,BiFPN 通過(guò)移除這些節(jié)點(diǎn)來(lái)簡(jiǎn)化雙向網(wǎng)絡(luò),同時(shí)也能減少計(jì)算量。另外就是加權(quán)特征圖融合,為了在不增加成本的情況下融合更多的特征,并增強(qiáng)特征的表示能力,在原始輸入到輸出節(jié)點(diǎn)處于同一水平的時(shí)候增加一條殘差邊,BiFPN 將每個(gè)雙向路徑當(dāng)作一個(gè)特征網(wǎng)絡(luò)層同時(shí)重復(fù)多次,從而實(shí)現(xiàn)更高層次的特征融合,由于不同輸入特征的不同分辨率對(duì)輸出特征的貢獻(xiàn)不同[14],所以針對(duì)融合的各個(gè)尺度特征增加一個(gè)權(quán)重,調(diào)節(jié)每個(gè)尺度特征的貢獻(xiàn)度,并讓模型學(xué)習(xí)每個(gè)不同權(quán)重的輸入特征[15]。BiFPN 采用Fast normalized fusion 加權(quán)融合方法,每個(gè)標(biāo)準(zhǔn)化權(quán)重的取值范圍為(0,1),但是由于沒(méi)有softmax 操作,因此效率更高,從而提高檢測(cè)速度。為了更好地平衡不同尺度的特征信息,更高效的進(jìn)行多尺度特征融合,將YOLOv5 結(jié)構(gòu)中的FPN 改進(jìn)為BiFPN。

    圖5 BiFPN 結(jié)構(gòu)圖Fig.5 Structure diagram of BiFPN

    2.4 CIoU 損失函數(shù)

    YOLOv5 模型的Bounding Box 損失則采用了GIoU 損失函數(shù)計(jì)算損失,GIoU(Generalized Intersection over Union)解決了IoU(Intersection over Union)檢測(cè)框和真實(shí)框沒(méi)有重疊時(shí)Loss 等于0 問(wèn)題。但是當(dāng)檢測(cè)框和真實(shí)框出現(xiàn)包含的時(shí)候GIoU 退化成IoU,當(dāng)兩個(gè)框相交時(shí),在水平和垂直方向上收斂變慢[16]。DIoU 要比GIou 更加符合目標(biāo)框回歸的機(jī)制,將目標(biāo)與anchor 之間的距離,重疊率以及尺度都考慮進(jìn)去,使得目標(biāo)框回歸變得更加穩(wěn)定,不會(huì)像IoU和GIoU 一樣在訓(xùn)練過(guò)程中出現(xiàn)發(fā)散的問(wèn)題。CIoU(Complete-Intersection over Union)相比DIoU 充分考慮了預(yù)測(cè)框的長(zhǎng)寬比和目標(biāo)框之間的長(zhǎng)寬比的一致性[17],從而提升預(yù)測(cè)框接近真實(shí)框的概率,所以,將YOLOv5 中計(jì)算Bounding box 的損失函數(shù)由GIoU 改進(jìn)為CIoU,在使用預(yù)測(cè)框標(biāo)注圖像時(shí)可以使預(yù)測(cè)框更加接近真實(shí)框的位置。CIoU Loss的計(jì)算公式如式(1)所示。

    其中ρ2(b,bgt)分別代表了預(yù)測(cè)框和目標(biāo)框的中心點(diǎn)的歐氏距離,c 代表的是最小包圍兩個(gè)邊界框的閉包區(qū)域的對(duì)角線距離,v 代表目標(biāo)框和anchor 框之間的長(zhǎng)寬比相似度,α 是權(quán)重函數(shù)[18],α 和v 的公式如式(2)所示,其中分別代表目標(biāo)框和預(yù)測(cè)框的寬高比。

    2.5 CIOU-NMS

    非極大值抑制(Non Maximum Suppression,NMS),在計(jì)算機(jī)視覺(jué)任務(wù)中都有廣泛應(yīng)用,例如邊緣檢測(cè)、目標(biāo)檢測(cè)等,NMS 中需要計(jì)算當(dāng)前得分最高的檢測(cè)框和其他檢測(cè)框之間對(duì)應(yīng)的IoU 值,并將超過(guò)閾值的預(yù)測(cè)框全部過(guò)濾。由此可以知道在傳統(tǒng)的NMS 中IoU 值的作用是控制預(yù)測(cè)框是否被濾除。但是在IoU 值比較大時(shí),NMS 會(huì)出現(xiàn)濾除過(guò)多的現(xiàn)象,導(dǎo)致很多對(duì)象沒(méi)有目標(biāo)框產(chǎn)生漏檢,所以NMS 的IoU 設(shè)置要同時(shí)考慮到預(yù)測(cè)框與真實(shí)框的重疊面積、中心點(diǎn)距離、長(zhǎng)寬比等方面因素,這樣才能剩下位置更加準(zhǔn)確的目標(biāo)框[19]。但是IoU 只考慮到了預(yù)測(cè)框與真實(shí)框重疊區(qū)域,并沒(méi)有考慮到中心點(diǎn)距離、長(zhǎng)寬比。CIoU 克服了IoU 的缺點(diǎn),CIoU 同時(shí)兼顧了預(yù)測(cè)框與真實(shí)框的重疊面積、長(zhǎng)寬比、中心點(diǎn)距離[20],這樣過(guò)濾后剩下的預(yù)測(cè)框就會(huì)更加的符合現(xiàn)實(shí)場(chǎng)景的使用,因此,將YOLOv5 中的IoU-NMS 改進(jìn)為CIoUNMS,這樣就可以保證濾除掉多余預(yù)測(cè)框之后剩下的預(yù)測(cè)框與真實(shí)框位置最接近,保證圖像中的每一個(gè)目標(biāo)都被預(yù)測(cè)框選中。CIoU 的公式如式(3)所示,傳統(tǒng)NMS 計(jì)算公式(4)。

    其中si代表每個(gè)邊框的得分,M 為當(dāng)前得分最高的框,bi為剩余框的某一個(gè),Ni為設(shè)定的閾值,可以看到,當(dāng)IoU 大于Ni時(shí),邊框的得分直接置0,相當(dāng)于被舍棄掉了,這就會(huì)造成邊框被過(guò)濾導(dǎo)致目標(biāo)漏檢,而CIoU-NMS 考慮了中心點(diǎn)距離、長(zhǎng)寬比,認(rèn)為兩個(gè)中心點(diǎn)較遠(yuǎn)同時(shí)IoU 比較大的Box 可能位于不同的對(duì)象上,不會(huì)將其刪除,這樣就會(huì)降低目標(biāo)漏檢的概率。CIoU-NMS 的計(jì)算公式如式(5)所示:

    3 實(shí)驗(yàn)

    3.1 實(shí)驗(yàn)參數(shù)設(shè)置

    為了測(cè)試相同條件下不同模型的性能,在模型訓(xùn)練過(guò)程中均使用相同的數(shù)據(jù)集和參數(shù)設(shè)置,并對(duì)訓(xùn)練結(jié)果進(jìn)行對(duì)比,部分訓(xùn)練參數(shù)設(shè)置如表1 所示。

    表1 參數(shù)設(shè)置Table 1 Parameter settings

    3.2 模型訓(xùn)練算法

    模型輸入為水稻病斑圖像及標(biāo)注文件,模型的輸入初始化參數(shù)包括學(xué)習(xí)率、批量大小、動(dòng)量、IoU 閾值、yaml 配置文件、數(shù)據(jù)增強(qiáng)系數(shù)和訓(xùn)練輪數(shù),在準(zhǔn)備的數(shù)據(jù)集基礎(chǔ)上,分別加載訓(xùn)練集和測(cè)試集,對(duì)輸入圖像進(jìn)行預(yù)處理,包括調(diào)整圖像大小和數(shù)據(jù)增強(qiáng),其中,數(shù)據(jù)增強(qiáng)包括Mosaic、Mixup、Copy_paste 等,預(yù)處理后加載初始化參數(shù)、配置和數(shù)據(jù)集,然后,加載網(wǎng)絡(luò)模型并對(duì)輸入圖像進(jìn)行處理,隨著epoch 增加不斷更新學(xué)習(xí)率篩選出最佳模型,保存權(quán)重文件和AP、mAP 等指標(biāo)數(shù)據(jù)。

    3.3 評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)使用平均精度均值mAP(mean Average Precision)、準(zhǔn)確率P(Precision)、平均準(zhǔn)確率AP(Average Precision)、召回率R(Recall)、F1 值(F1-score)等評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià),計(jì)算公式如式(6)所示,其中TP 為正類樣本被模型預(yù)測(cè)為正類的比例;TN 為負(fù)類樣本被模型預(yù)測(cè)為負(fù)類的比例;FP為負(fù)類樣本被模型預(yù)測(cè)為正類的比例;FN 為正類樣本被模型預(yù)測(cè)為負(fù)類的比例[21]。

    3.4 實(shí)驗(yàn)結(jié)果與分析

    基于YOLOv5s 改進(jìn)了模型結(jié)構(gòu),在訓(xùn)練時(shí)將改進(jìn)后的YOLOv5-TR-BiFPN 模型先在coco128 上進(jìn)行300 輪預(yù)訓(xùn)練獲得訓(xùn)練權(quán)重,然后使用預(yù)訓(xùn)練權(quán)重在手動(dòng)標(biāo)注的水稻莖葉病斑圖像數(shù)據(jù)集上進(jìn)行200輪訓(xùn)練,訓(xùn)練獲得mAP_0.5 達(dá)到73%,mAP_0.5∶0.95達(dá)到35%,準(zhǔn)確率Precision 達(dá)到86.3%,召回率Recall 達(dá)到86%,如圖6 所示。

    圖6 改進(jìn)后的YOLOv5-TR-BiFPN 模型訓(xùn)練結(jié)果Fig.6 Improved YOLOv5-TR-BiFPN model training results

    研究對(duì)YOLOv5 模型結(jié)構(gòu)進(jìn)行了改進(jìn)。由于ViT基于自注意力機(jī)制的圖像分類方案具有優(yōu)秀的分類表現(xiàn),因此,研究將ViT 和YOLOv5 結(jié)構(gòu)中的C3 模塊結(jié)合形成C3TR,并用C3TR 替換YOLOv5 結(jié)構(gòu)中原有的C3 模塊,用于提升YOLOv5 的模型準(zhǔn)確率。由于YOLOv5 中采用了很多C3 模塊,因此替換不同位置的C3 會(huì)得到不同的效果,研究只采用兩種替換方案分別命名為YOLOv5-TR-BiFPN 和YOLOv5-TR-BiFPN-1。另外,研究將BiFPN 融入到Y(jié)OLOv5結(jié)構(gòu)中,用于增強(qiáng)YOLOv5 的特征提取能力。為了能夠分析出每一項(xiàng)改進(jìn)對(duì)YOLOv5 的影響,分別訓(xùn)練YOLOv5s、YOLOv5-TR、YOLOv5-BiFPN、YOLOv5-TR-BiFPN 和YOLOv5-TR-BiFPN-1 五種結(jié)構(gòu)的模型,最終對(duì)比改進(jìn)模型獲得的效果。五種模型訓(xùn)練的準(zhǔn)確率對(duì)比如圖9 所示,mAP 值如圖7 所示。

    圖7 五種模型訓(xùn)練平均準(zhǔn)確率對(duì)比Fig.7 Comparison of mAP_0.5 of five models

    將五種模型訓(xùn)練后,通過(guò)準(zhǔn)確率對(duì)比圖、平均準(zhǔn)確率對(duì)比圖,可以看到Y(jié)OLOv5-TR-BiFPN 和YOLOv5-TR-BiFPN-1 兩個(gè)模型的收斂速度相對(duì)于另外三個(gè)模型來(lái)說(shuō)較快,并且YOLOv5-TR-BiFPN的平均準(zhǔn)確率最高。改進(jìn)后的YOLOv5-TR-BiFPN相比YOLOv5s 模型的平均準(zhǔn)確率(mAP)提升了3.8%,召回率(Recall)提升了3%,F(xiàn)1 值提升了3%,權(quán)重大小相差0.1 M,訓(xùn)練結(jié)果詳細(xì)對(duì)比如表2 所示。

    表2 模型訓(xùn)練結(jié)果對(duì)比Table 2 Comparison of model training results

    從表2 中可以看到Y(jié)OLOv5-TR-BiFPN 結(jié)構(gòu)模型的訓(xùn)練效果最好,所以,將改進(jìn)結(jié)構(gòu)訓(xùn)練獲得效果最好的權(quán)重文件進(jìn)行模型驗(yàn)證,采用訓(xùn)練過(guò)程所使用的一部分圖像對(duì)模型進(jìn)行驗(yàn)證。同一幅手動(dòng)標(biāo)注的圖像和驗(yàn)證模型標(biāo)注的圖像見(jiàn)圖8 和圖9。經(jīng)過(guò)對(duì)比可知,圖8 中一塊未標(biāo)注的病斑在圖9 模型驗(yàn)證過(guò)程中被成功標(biāo)注。因此,該模型可準(zhǔn)確標(biāo)注病斑,達(dá)到了預(yù)期效果。

    圖8 數(shù)據(jù)集中手動(dòng)標(biāo)注的圖像Fig.8 Manually labeled images in data set

    圖9 驗(yàn)證模型自動(dòng)標(biāo)注的圖像Fig.9 Image of automatic annotation of verification model

    3.5 小樣本條件下結(jié)果驗(yàn)證

    為了驗(yàn)證上述綜合表現(xiàn)較好的YOLOv5-TRBiFPN 模型在少量訓(xùn)練樣本情況下的適用性和不同種類植物病斑的適用性,研究將60 張標(biāo)注后的水稻莖葉病斑圖像劃分出30 張圖像做訓(xùn)練集,30 張圖像做驗(yàn)證集。并且將上述YOLOv5-TR-BiFPN 模型訓(xùn)練后的權(quán)重文件作為初始訓(xùn)練權(quán)重。對(duì)從Kaggle 網(wǎng)站下載的60 張水稻莖葉病斑圖像進(jìn)行手動(dòng)標(biāo)注,標(biāo)注后的水稻莖葉病斑圖像如圖10 所示。為了方便衡量模型的可用性,驗(yàn)證模型的訓(xùn)練初始化參數(shù)與表1中參數(shù)保持一致。

    圖10 手動(dòng)標(biāo)注的水稻莖葉病斑圖像Fig.10 Manually labeled image of rice stem and leaf disease spot

    在水稻莖葉病斑圖像數(shù)據(jù)集下,經(jīng)過(guò)200 輪訓(xùn)練之后獲得的訓(xùn)練平均準(zhǔn)確率mAP 達(dá)到了89.3%,準(zhǔn)確率Precision 達(dá)到84.1%,召回率Recall 到達(dá)88.5%,F(xiàn)1 值達(dá)到86%,模型測(cè)試結(jié)果匯總?cè)绫? 所示,整體上該模型表現(xiàn)優(yōu)秀,表明YOLOv5-TRBiFPN 在小樣本條件下可以準(zhǔn)確標(biāo)注病斑圖像。由于訓(xùn)練采用了之前水稻數(shù)據(jù)集訓(xùn)練后的權(quán)重文件作為初始權(quán)重,所以在訓(xùn)練開(kāi)始階段具有了比較優(yōu)秀的表現(xiàn),訓(xùn)練曲線在經(jīng)歷一定起伏之后不斷上升,最終模型快速達(dá)到收斂狀態(tài),mAP 訓(xùn)練曲線在200 輪時(shí)整體趨于穩(wěn)定,并最終穩(wěn)定在89.3%,mAP 曲線如圖11 所示。

    表3 水稻莖葉病斑數(shù)據(jù)集下YOLOv5-TR-BiFPN 模型測(cè)試結(jié)果Table 3 Test Results of YOOv5-TR-BiFPN model under rice stem and leaf disease spot data set

    圖11 模型在水稻莖葉病斑圖像數(shù)據(jù)集中訓(xùn)練過(guò)程的mAP 曲線Fig.11 mAP curve of the training process of the model in rice stem and leaf disease spot image data set

    使用上述訓(xùn)練過(guò)程中產(chǎn)生的權(quán)重文件進(jìn)行水稻莖葉病斑圖像自動(dòng)標(biāo)注的驗(yàn)證,驗(yàn)證結(jié)果如圖12 所示,從圖中可以看到模型將水稻莖葉上所有病斑都進(jìn)行標(biāo)注,并且預(yù)測(cè)概率大部分都在0.9 左右,由此可以得知經(jīng)過(guò)改進(jìn)的YOLOv5-TR-BiFPN 模型能夠在少量訓(xùn)練樣本的情況下快速收斂,可以準(zhǔn)確的定位圖像中病斑位置且進(jìn)行標(biāo)注,同時(shí)對(duì)圖像中較小的病斑也能夠準(zhǔn)確標(biāo)注。

    圖12 驗(yàn)證模型的標(biāo)注結(jié)果圖像Fig.12 Annotation result image of verification model

    4 結(jié)論

    將YOLOv5 模型結(jié)構(gòu)改進(jìn)為YOLOv5-TRBiFPN 模型結(jié)構(gòu),把BiFPN 和ViT 融入到Y(jié)OLOv5-TR-BiFPN 結(jié)構(gòu)中,增強(qiáng)了YOLOv5-TR-BiFPN 模型的感受野和對(duì)目標(biāo)的精確定位能力,從而提高了模型的標(biāo)注精度,并且采用CIoU 計(jì)算Loss 和NMS 提高目標(biāo)框的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明,YOLOv5-TRBiFPN 模型平均準(zhǔn)確率達(dá)到了73%,相比YOLOv5s提高了3%,能夠?qū)λ厩o葉上的小病斑和密集病斑獲得良好的標(biāo)注效果。在少量水稻莖葉病斑圖像數(shù)據(jù)下測(cè)試,YOLOv5-TR-BiFPN 模型的mAP_0.5 達(dá)到89.3%,且快速收斂,證明YOLOv5-TR-BiFPN 模型可以在少量樣本的情況下能夠?qū)Σ“邎D像進(jìn)行快速標(biāo)注。這為農(nóng)作物病斑圖像自動(dòng)標(biāo)注提供了可能,同時(shí)為各專業(yè)研究領(lǐng)域標(biāo)注專用圖像數(shù)據(jù)集提供了一種快速標(biāo)注方法,具有較高的應(yīng)用價(jià)值。

    猜你喜歡
    病斑準(zhǔn)確率水稻
    什么是海水稻
    水稻種植60天就能收獲啦
    軍事文摘(2021年22期)2021-11-26 00:43:51
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    一季水稻
    文苑(2020年6期)2020-06-22 08:41:52
    水稻花
    文苑(2019年22期)2019-12-07 05:29:00
    改進(jìn)自適應(yīng)分水嶺方法分割棉花葉部粘連病斑
    一種桑輪紋病病葉發(fā)病程度的評(píng)價(jià)指數(shù)
    9種藥劑防治山核桃干腐病試驗(yàn)研究
    久久伊人香网站| 男女做爰动态图高潮gif福利片 | 老汉色av国产亚洲站长工具| 1024视频免费在线观看| 伦理电影免费视频| 亚洲成人免费电影在线观看| 国产精品久久久av美女十八| 一夜夜www| 美女 人体艺术 gogo| 国产aⅴ精品一区二区三区波| 又黄又爽又免费观看的视频| 亚洲片人在线观看| 久久精品成人免费网站| www.精华液| 久久精品亚洲熟妇少妇任你| 亚洲成人精品中文字幕电影 | 亚洲avbb在线观看| 亚洲国产精品合色在线| 精品人妻在线不人妻| 大型av网站在线播放| 在线天堂中文资源库| 欧美成狂野欧美在线观看| 亚洲欧洲精品一区二区精品久久久| 美女国产高潮福利片在线看| 国产精品久久久人人做人人爽| 国产成人精品无人区| www国产在线视频色| 国产熟女xx| 神马国产精品三级电影在线观看 | 好看av亚洲va欧美ⅴa在| 欧美+亚洲+日韩+国产| 亚洲精品美女久久久久99蜜臀| 久久精品91无色码中文字幕| 国产人伦9x9x在线观看| 精品国产超薄肉色丝袜足j| 国产精品久久久人人做人人爽| 欧美在线一区亚洲| 欧美黄色淫秽网站| 曰老女人黄片| avwww免费| 久久99一区二区三区| 精品久久蜜臀av无| 9热在线视频观看99| 99re在线观看精品视频| 老鸭窝网址在线观看| 亚洲avbb在线观看| 水蜜桃什么品种好| 一进一出好大好爽视频| 久9热在线精品视频| 精品久久久久久久久久免费视频 | 99国产精品一区二区蜜桃av| 久久久久国产一级毛片高清牌| 亚洲自偷自拍图片 自拍| 久久国产乱子伦精品免费另类| av在线天堂中文字幕 | 黄色 视频免费看| www.999成人在线观看| tocl精华| 午夜91福利影院| 精品人妻1区二区| 久久久精品欧美日韩精品| 极品人妻少妇av视频| 99国产精品99久久久久| av中文乱码字幕在线| 国产有黄有色有爽视频| 午夜久久久在线观看| 午夜激情av网站| 男女下面进入的视频免费午夜 | 啦啦啦免费观看视频1| 欧美成人性av电影在线观看| 丰满人妻熟妇乱又伦精品不卡| 一二三四在线观看免费中文在| 国产蜜桃级精品一区二区三区| 麻豆av在线久日| 国产精品一区二区在线不卡| 亚洲全国av大片| 亚洲中文av在线| 女警被强在线播放| 色综合婷婷激情| 国产男靠女视频免费网站| 成在线人永久免费视频| 欧美一级毛片孕妇| 女同久久另类99精品国产91| 老汉色av国产亚洲站长工具| 欧美黄色淫秽网站| 亚洲精品成人av观看孕妇| 久久天堂一区二区三区四区| 午夜精品久久久久久毛片777| 国产激情欧美一区二区| 成人三级黄色视频| 亚洲五月天丁香| 成人影院久久| www.自偷自拍.com| 精品福利永久在线观看| 丰满迷人的少妇在线观看| 亚洲一区二区三区色噜噜 | 国产精品永久免费网站| 12—13女人毛片做爰片一| av有码第一页| 校园春色视频在线观看| 在线观看66精品国产| 国产精品免费一区二区三区在线| 欧美人与性动交α欧美精品济南到| 久久 成人 亚洲| 亚洲伊人色综图| 中文字幕人妻丝袜制服| 级片在线观看| 悠悠久久av| 露出奶头的视频| 女人被狂操c到高潮| 一边摸一边抽搐一进一出视频| 在线观看免费视频网站a站| 1024视频免费在线观看| 在线观看免费高清a一片| 亚洲av成人不卡在线观看播放网| 亚洲一码二码三码区别大吗| 两个人看的免费小视频| 国产精品综合久久久久久久免费 | 亚洲精品中文字幕一二三四区| 欧美日韩亚洲国产一区二区在线观看| 少妇 在线观看| 亚洲成av片中文字幕在线观看| 丝袜人妻中文字幕| 一级毛片高清免费大全| 日韩成人在线观看一区二区三区| 精品免费久久久久久久清纯| 国产片内射在线| 精品少妇一区二区三区视频日本电影| 久久香蕉国产精品| 国产激情久久老熟女| 久热爱精品视频在线9| 中文字幕人妻丝袜一区二区| 中文字幕色久视频| 热re99久久精品国产66热6| 国产三级黄色录像| 女人精品久久久久毛片| 侵犯人妻中文字幕一二三四区| 另类亚洲欧美激情| 久久久精品国产亚洲av高清涩受| 97人妻天天添夜夜摸| 黄片小视频在线播放| 欧美日韩一级在线毛片| 日韩精品中文字幕看吧| 黄色视频不卡| 午夜久久久在线观看| 亚洲 欧美 日韩 在线 免费| 香蕉丝袜av| 久久伊人香网站| 亚洲一区二区三区色噜噜 | 精品第一国产精品| 男人舔女人的私密视频| a级毛片在线看网站| 日日干狠狠操夜夜爽| 国产人伦9x9x在线观看| 国产亚洲精品第一综合不卡| 久久性视频一级片| 香蕉久久夜色| 深夜精品福利| 女人精品久久久久毛片| 亚洲精品在线美女| 国产精品自产拍在线观看55亚洲| 中文字幕最新亚洲高清| av天堂在线播放| 高清黄色对白视频在线免费看| 亚洲欧洲精品一区二区精品久久久| 欧美亚洲日本最大视频资源| 国产成人精品无人区| 久久人人爽av亚洲精品天堂| av天堂在线播放| 日韩欧美免费精品| 午夜成年电影在线免费观看| 伊人久久大香线蕉亚洲五| 欧美成人性av电影在线观看| 欧美最黄视频在线播放免费 | 国产av又大| 香蕉久久夜色| 久久天堂一区二区三区四区| 国产成人欧美在线观看| 动漫黄色视频在线观看| 大型av网站在线播放| 人人妻人人添人人爽欧美一区卜| 久久狼人影院| 美女 人体艺术 gogo| 手机成人av网站| 国产成年人精品一区二区 | 黄色女人牲交| 在线av久久热| 一进一出抽搐gif免费好疼 | 亚洲全国av大片| 大型av网站在线播放| 黄色怎么调成土黄色| 国产野战对白在线观看| 欧美人与性动交α欧美精品济南到| 欧美乱色亚洲激情| 老汉色av国产亚洲站长工具| 免费av中文字幕在线| 亚洲全国av大片| 国产精品久久久久久人妻精品电影| 国产在线精品亚洲第一网站| 国产xxxxx性猛交| 欧美日韩视频精品一区| 亚洲午夜精品一区,二区,三区| 天堂√8在线中文| 久久久久国产一级毛片高清牌| 亚洲熟女毛片儿| 一个人免费在线观看的高清视频| 一级片'在线观看视频| 999久久久精品免费观看国产| 欧美激情极品国产一区二区三区| 色尼玛亚洲综合影院| 日韩免费av在线播放| 欧美在线一区亚洲| 搡老熟女国产l中国老女人| 91麻豆精品激情在线观看国产 | 男人舔女人下体高潮全视频| 老司机午夜十八禁免费视频| 免费在线观看影片大全网站| 日韩高清综合在线| 美国免费a级毛片| 久久中文看片网| 精品一区二区三区四区五区乱码| 欧美成人午夜精品| 在线看a的网站| 50天的宝宝边吃奶边哭怎么回事| 精品人妻在线不人妻| 精品国产一区二区久久| 天堂俺去俺来也www色官网| 国产av精品麻豆| 伦理电影免费视频| 国产不卡一卡二| 制服诱惑二区| 美女国产高潮福利片在线看| 日韩欧美免费精品| 久久影院123| 亚洲国产精品999在线| 如日韩欧美国产精品一区二区三区| 欧美 亚洲 国产 日韩一| 欧美黄色片欧美黄色片| 国产成人啪精品午夜网站| 日韩精品青青久久久久久| 国产黄色免费在线视频| 日韩免费高清中文字幕av| 男女床上黄色一级片免费看| 色综合欧美亚洲国产小说| 老司机靠b影院| 啪啪无遮挡十八禁网站| 免费在线观看视频国产中文字幕亚洲| 午夜福利,免费看| 久久久久国产一级毛片高清牌| 欧美日韩亚洲高清精品| 亚洲人成电影观看| 黄色成人免费大全| 丝袜美腿诱惑在线| 黄片播放在线免费| 丰满的人妻完整版| 精品久久久久久成人av| 天天影视国产精品| 女人精品久久久久毛片| www.自偷自拍.com| 99香蕉大伊视频| 又紧又爽又黄一区二区| 精品福利永久在线观看| 国产亚洲精品综合一区在线观看 | 亚洲精品国产色婷婷电影| 色在线成人网| 日韩一卡2卡3卡4卡2021年| 精品国产亚洲在线| 久久久久国内视频| 九色亚洲精品在线播放| 久久久久久久精品吃奶| 黑人欧美特级aaaaaa片| 国产高清视频在线播放一区| 亚洲成av片中文字幕在线观看| 视频在线观看一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 一边摸一边抽搐一进一出视频| 色综合站精品国产| 国产精品电影一区二区三区| 中文字幕人妻丝袜一区二区| 丰满迷人的少妇在线观看| 日韩 欧美 亚洲 中文字幕| 午夜老司机福利片| 纯流量卡能插随身wifi吗| 18禁裸乳无遮挡免费网站照片 | 国产97色在线日韩免费| 乱人伦中国视频| 中文欧美无线码| 女性被躁到高潮视频| 淫秽高清视频在线观看| 一级毛片高清免费大全| 国产一区二区激情短视频| 最近最新中文字幕大全电影3 | 欧美日韩瑟瑟在线播放| 免费观看人在逋| 精品高清国产在线一区| 国产亚洲欧美在线一区二区| 精品一区二区三区av网在线观看| 亚洲视频免费观看视频| 亚洲欧洲精品一区二区精品久久久| 日本欧美视频一区| 欧美一级毛片孕妇| 免费少妇av软件| 国产精品秋霞免费鲁丝片| 日本黄色视频三级网站网址| a在线观看视频网站| 9热在线视频观看99| 日韩欧美免费精品| 亚洲专区字幕在线| 免费女性裸体啪啪无遮挡网站| 99国产精品99久久久久| 亚洲第一青青草原| 一边摸一边做爽爽视频免费| 满18在线观看网站| 欧美 亚洲 国产 日韩一| 国产一区二区三区在线臀色熟女 | 久久精品影院6| 久久午夜综合久久蜜桃| 少妇被粗大的猛进出69影院| 国内久久婷婷六月综合欲色啪| 国产一区在线观看成人免费| 色综合欧美亚洲国产小说| 国产三级在线视频| 99精品久久久久人妻精品| 动漫黄色视频在线观看| 两性夫妻黄色片| 超碰成人久久| 俄罗斯特黄特色一大片| 精品国内亚洲2022精品成人| 中文字幕人妻丝袜一区二区| 9色porny在线观看| 日本精品一区二区三区蜜桃| 亚洲欧美日韩高清在线视频| 深夜精品福利| 免费观看精品视频网站| 亚洲熟妇中文字幕五十中出 | www.999成人在线观看| 成人18禁在线播放| 午夜福利一区二区在线看| 亚洲avbb在线观看| 婷婷六月久久综合丁香| 夫妻午夜视频| 他把我摸到了高潮在线观看| 夫妻午夜视频| 欧美午夜高清在线| 久久人妻av系列| 亚洲激情在线av| 丰满人妻熟妇乱又伦精品不卡| 在线观看一区二区三区| 亚洲国产中文字幕在线视频| 少妇被粗大的猛进出69影院| av天堂久久9| 在线永久观看黄色视频| 最新美女视频免费是黄的| 日韩欧美一区二区三区在线观看| 成人影院久久| 欧美黑人欧美精品刺激| 人人妻人人添人人爽欧美一区卜| 在线天堂中文资源库| 一级毛片女人18水好多| 国产一区二区激情短视频| 精品国内亚洲2022精品成人| 久久久久久久午夜电影 | 日日干狠狠操夜夜爽| 欧美人与性动交α欧美软件| 满18在线观看网站| 欧美精品亚洲一区二区| 国产成人影院久久av| 亚洲欧美日韩另类电影网站| 国产精品偷伦视频观看了| 精品少妇一区二区三区视频日本电影| 国产精品偷伦视频观看了| 国产精品亚洲一级av第二区| 成年人黄色毛片网站| 少妇 在线观看| 亚洲一区二区三区欧美精品| 精品国产亚洲在线| 欧美日韩一级在线毛片| 国产精品影院久久| 国产成人欧美在线观看| 男女下面进入的视频免费午夜 | 交换朋友夫妻互换小说| 一级a爱视频在线免费观看| 国产精品久久视频播放| 精品福利观看| 十八禁人妻一区二区| 一区二区三区激情视频| 别揉我奶头~嗯~啊~动态视频| 国产高清视频在线播放一区| 精品一区二区三区四区五区乱码| av中文乱码字幕在线| 国产亚洲欧美98| 在线视频色国产色| 国产精品久久电影中文字幕| 国产精品国产av在线观看| 欧美日韩亚洲国产一区二区在线观看| av欧美777| 国内久久婷婷六月综合欲色啪| 另类亚洲欧美激情| 午夜免费鲁丝| 久久久久久大精品| 高清欧美精品videossex| 国产亚洲精品久久久久5区| 国产精品乱码一区二三区的特点 | 中出人妻视频一区二区| 男女做爰动态图高潮gif福利片 | 一级毛片高清免费大全| 欧美日韩亚洲综合一区二区三区_| 欧美日韩国产mv在线观看视频| 精品国产乱码久久久久久男人| 日韩国内少妇激情av| 国产成人精品无人区| 97人妻天天添夜夜摸| 免费看十八禁软件| 黄色 视频免费看| bbb黄色大片| 国产男靠女视频免费网站| 久久久国产成人精品二区 | 人人澡人人妻人| 亚洲熟妇熟女久久| 咕卡用的链子| 亚洲黑人精品在线| 精品国产亚洲在线| 午夜老司机福利片| 国产又爽黄色视频| av天堂久久9| 亚洲av成人av| 在线观看舔阴道视频| 黄频高清免费视频| 一级黄色大片毛片| 久久久国产成人免费| 日韩精品青青久久久久久| 欧美黄色淫秽网站| 国产av一区二区精品久久| 久久热在线av| 国产精品九九99| 国产成人精品久久二区二区免费| 18禁美女被吸乳视频| 97人妻天天添夜夜摸| 桃红色精品国产亚洲av| 大型黄色视频在线免费观看| 少妇的丰满在线观看| 国产高清激情床上av| 国产日韩一区二区三区精品不卡| 久久精品影院6| 亚洲av成人一区二区三| 99国产精品一区二区蜜桃av| 激情视频va一区二区三区| 欧美成狂野欧美在线观看| 精品电影一区二区在线| 少妇的丰满在线观看| 欧美黑人精品巨大| 亚洲情色 制服丝袜| av有码第一页| 老司机亚洲免费影院| 视频在线观看一区二区三区| 国产高清视频在线播放一区| 成人国语在线视频| 国产精品国产av在线观看| 50天的宝宝边吃奶边哭怎么回事| 嫩草影院精品99| 欧美激情久久久久久爽电影 | 欧美大码av| 日韩三级视频一区二区三区| 一本大道久久a久久精品| a级毛片在线看网站| 999久久久精品免费观看国产| 热99re8久久精品国产| 在线观看一区二区三区激情| 制服人妻中文乱码| 久久香蕉国产精品| 久久精品亚洲熟妇少妇任你| 亚洲一码二码三码区别大吗| www日本在线高清视频| 亚洲国产精品一区二区三区在线| 欧美成人午夜精品| 中文欧美无线码| 中文亚洲av片在线观看爽| 又大又爽又粗| 自线自在国产av| 色综合欧美亚洲国产小说| a级片在线免费高清观看视频| 窝窝影院91人妻| 国产亚洲精品久久久久5区| 久久国产精品影院| 欧美日韩一级在线毛片| 久久国产精品男人的天堂亚洲| 欧美大码av| 久久精品人人爽人人爽视色| 手机成人av网站| 久久九九热精品免费| 婷婷精品国产亚洲av在线| 法律面前人人平等表现在哪些方面| 亚洲精品美女久久久久99蜜臀| 精品久久久精品久久久| 久久久久国内视频| 神马国产精品三级电影在线观看 | 免费在线观看完整版高清| 一区二区三区国产精品乱码| 最近最新中文字幕大全免费视频| 欧美日韩黄片免| 国产97色在线日韩免费| 亚洲视频免费观看视频| 精品卡一卡二卡四卡免费| 夜夜爽天天搞| 999久久久国产精品视频| 91老司机精品| 99精国产麻豆久久婷婷| 麻豆成人av在线观看| 一进一出抽搐动态| 精品久久久久久,| 亚洲精品国产色婷婷电影| 女性生殖器流出的白浆| 9热在线视频观看99| 欧美色视频一区免费| 亚洲欧美日韩无卡精品| 两个人看的免费小视频| 俄罗斯特黄特色一大片| 亚洲欧美激情在线| e午夜精品久久久久久久| 另类亚洲欧美激情| 国产成人精品久久二区二区免费| 亚洲国产欧美一区二区综合| 午夜视频精品福利| 亚洲avbb在线观看| 女生性感内裤真人,穿戴方法视频| 热re99久久国产66热| 夜夜爽天天搞| 久久人人97超碰香蕉20202| 国产精品久久电影中文字幕| 黄色视频不卡| 亚洲色图av天堂| 国产欧美日韩综合在线一区二区| 久久狼人影院| 久久 成人 亚洲| 精品福利永久在线观看| 999久久久国产精品视频| 亚洲男人的天堂狠狠| 国产三级黄色录像| 九色亚洲精品在线播放| 日本wwww免费看| 另类亚洲欧美激情| 在线观看舔阴道视频| 亚洲人成电影观看| 亚洲自拍偷在线| 最新美女视频免费是黄的| 丝袜美腿诱惑在线| 国产99白浆流出| 狂野欧美激情性xxxx| 国产精品一区二区三区四区久久 | 欧美黄色淫秽网站| 99精品欧美一区二区三区四区| 亚洲专区字幕在线| 后天国语完整版免费观看| 久久国产精品男人的天堂亚洲| 国产99久久九九免费精品| 亚洲aⅴ乱码一区二区在线播放 | 久久精品国产99精品国产亚洲性色 | 一边摸一边做爽爽视频免费| 99久久精品国产亚洲精品| 午夜免费观看网址| 国产成+人综合+亚洲专区| 成年人黄色毛片网站| 久久国产精品男人的天堂亚洲| 99精品在免费线老司机午夜| 久久亚洲真实| 伊人久久大香线蕉亚洲五| 国产片内射在线| 亚洲九九香蕉| 色哟哟哟哟哟哟| 美女扒开内裤让男人捅视频| av有码第一页| 精品少妇一区二区三区视频日本电影| 亚洲成a人片在线一区二区| 人人妻人人爽人人添夜夜欢视频| 老司机亚洲免费影院| av福利片在线| 日韩欧美一区二区三区在线观看| 搡老熟女国产l中国老女人| 国产色视频综合| 99re在线观看精品视频| 美女福利国产在线| 麻豆av在线久日| 色在线成人网| 精品国内亚洲2022精品成人| av超薄肉色丝袜交足视频| 国产av在哪里看| 国产精品一区二区免费欧美| 满18在线观看网站| 嫩草影视91久久| 久久国产精品人妻蜜桃| 满18在线观看网站| 伊人久久大香线蕉亚洲五| 制服人妻中文乱码| 久久精品国产亚洲av高清一级| 老熟妇仑乱视频hdxx| 黄色丝袜av网址大全| 中文字幕另类日韩欧美亚洲嫩草| 99久久久亚洲精品蜜臀av| 黑人猛操日本美女一级片| 国内毛片毛片毛片毛片毛片| 免费在线观看影片大全网站| svipshipincom国产片| 俄罗斯特黄特色一大片| 老司机靠b影院| 在线播放国产精品三级| 国产亚洲精品久久久久5区| 日韩免费av在线播放| 国产高清国产精品国产三级| 18禁美女被吸乳视频| 欧美+亚洲+日韩+国产| 欧美久久黑人一区二区| 亚洲欧美一区二区三区黑人| 自线自在国产av| 国产在线精品亚洲第一网站| 亚洲黑人精品在线|