• <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)行錨分類的快速葡萄葉片病害檢測(cè)算法

    2024-12-05 00:00:00王俏張彪劉鑫
    江蘇農(nóng)業(yè)科學(xué) 2024年23期
    關(guān)鍵詞:葡萄

    摘要:在葡萄生產(chǎn)過(guò)程中,葉片病害的及時(shí)檢測(cè)對(duì)于保障產(chǎn)量和品質(zhì)至關(guān)重要。然而,傳統(tǒng)的檢測(cè)方法不僅耗時(shí)且勞力密集,而且往往受限于人為因素,導(dǎo)致檢測(cè)準(zhǔn)確率不高且效率低下。針對(duì)現(xiàn)有葡萄葉片病害檢測(cè)模型準(zhǔn)確率低、花費(fèi)時(shí)間長(zhǎng)等問(wèn)題,本研究提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法,以減少現(xiàn)有方法的時(shí)間消耗和人為誤差,提高葡萄生產(chǎn)的整體質(zhì)量和效率。首先,設(shè)計(jì)了一個(gè)特征蒸餾網(wǎng)絡(luò),該網(wǎng)絡(luò)通過(guò)自注意力精煉機(jī)制有效提升了對(duì)葡萄葉片病害特征的提取能力。其次,采用行錨分類方法替代了傳統(tǒng)的錨框分類,更精確地識(shí)別葡萄葉片上的病害行。最后,引入非局部注意力機(jī)制,進(jìn)一步增強(qiáng)了對(duì)病害位置的預(yù)測(cè)能力。試驗(yàn)結(jié)果表明,本研究方法在葡萄葉片病害數(shù)據(jù)集上表現(xiàn)出較高的檢測(cè)精度和速度,達(dá)到了92.4%的檢測(cè)準(zhǔn)確率和36.8幀/s的檢測(cè)速度,充分證明了本研究算法的有效性和實(shí)用性。為葡萄生產(chǎn)中的病害檢測(cè)提供了一種高效、可靠的新技術(shù)方案,具有廣泛的應(yīng)用潛力和重要的經(jīng)濟(jì)價(jià)值。

    關(guān)鍵詞:葡萄;葉片病害;特征蒸餾;行錨;非局部注意力

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

    文章編號(hào):1002-1302(2024)23-0206-08

    王" 俏,張" 彪,劉" 鑫. 基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法[J]. 江蘇農(nóng)業(yè)科學(xué),2024,52(23):206-213.

    doi:10.15889/j.issn.1002-1302.2024.23.028

    收稿日期:2023-12-22

    基金項(xiàng)目:國(guó)家自然科學(xué)基金(編號(hào):62303204);山東省自然科學(xué)基金(編號(hào):ZR2021QF036)。

    作者簡(jiǎn)介:王" 俏(1983—),女,山東淄博人,碩士,副教授,研究方向?yàn)橛?jì)算機(jī)應(yīng)用技術(shù)、人工智能。E-mail:wangqiao198310@163.com。

    通信作者:張" 彪,博士,副教授,研究方向?yàn)槿斯ぶ悄?、智能?yōu)化調(diào)度。E-mail:zhangbiao@lcu-cs.com。

    葡萄是世界上最重要的果樹(shù)之一,具有很高的經(jīng)濟(jì)價(jià)值和社會(huì)效益。葡萄葉片病害是影響葡萄生長(zhǎng)和品質(zhì)的主要因素之一,嚴(yán)重危害葡萄產(chǎn)業(yè)的發(fā)展[1-3]。因此,及時(shí)準(zhǔn)確地檢測(cè)葡萄葉片病害對(duì)于提高葡萄的產(chǎn)量和質(zhì)量、降低農(nóng)藥的使用量和成本、保護(hù)生態(tài)環(huán)境和人類健康具有重要意義[4-6]。

    傳統(tǒng)的葡萄葉片病害檢測(cè)方法主要依賴于人工觀察和判斷,這種方法不僅耗時(shí)耗力,而且受到人為因素的影響較大,如專業(yè)知識(shí)、經(jīng)驗(yàn)、視力、疲勞程度等,導(dǎo)致檢測(cè)結(jié)果存在主觀性和不穩(wěn)定性[5-7]。隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的發(fā)展,利用圖像處理和機(jī)器學(xué)習(xí)的方法進(jìn)行葡萄葉片病害檢測(cè)成為了一種有效的替代方案[8]。這種方法可以利用大量的葡萄葉片圖像數(shù)據(jù),自動(dòng)提取葡萄葉片病害的特征,實(shí)現(xiàn)葡萄葉片病害的分類和定位,提高檢測(cè)的準(zhǔn)確率和效率[9-11]。

    目前,基于圖像處理和機(jī)器學(xué)習(xí)的葡萄葉片病害檢測(cè)方法主要分為2類:基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法[12]。基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法通常需要人工設(shè)計(jì)和選擇合適的特征,如顏色、紋理、形狀等,然后利用分類器(如支持向量機(jī)、隨機(jī)森林、K近鄰算法等)進(jìn)行葡萄葉片病害的分類[13-15]。這種方法的缺點(diǎn)是特征的設(shè)計(jì)和選擇依賴于人工經(jīng)驗(yàn)和先驗(yàn)知識(shí),難以適應(yīng)不同的葡萄葉片病害類型和圖像條件,且特征的表達(dá)能力有限,難以捕捉葡萄葉片病害的細(xì)微差異。

    基于深度學(xué)習(xí)的方法則利用神經(jīng)網(wǎng)絡(luò)[如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、注意力機(jī)制等],自動(dòng)地從葡萄葉片圖像中學(xué)習(xí)葡萄葉片病害的特征,實(shí)現(xiàn)葡萄葉片病害的分類和定位[16-18]。黃英來(lái)等提出了一種改進(jìn)輕量卷積網(wǎng)絡(luò)模型,用于提高葡萄葉片病害圖像分類的準(zhǔn)確率和效率[19]。賈璐等設(shè)計(jì)了一個(gè)新的網(wǎng)絡(luò)模型MANet,能夠準(zhǔn)確識(shí)別復(fù)雜環(huán)境下的葡萄病害,其平均識(shí)別準(zhǔn)確率為99.65%,優(yōu)于其他模型[20]。戴久竣等改進(jìn)殘差網(wǎng)絡(luò),用于葡萄葉片病害識(shí)別中,其識(shí)別準(zhǔn)確率達(dá)到98.20%,比原模型提高了3.18百分點(diǎn)[21]。上述方法的優(yōu)點(diǎn)是特征的提取和選擇無(wú)需人工干預(yù),能夠適應(yīng)不同的葡萄葉片病害類型和圖像條件,且特征的表達(dá)能力強(qiáng),能夠捕捉葡萄葉片病害的細(xì)節(jié)和變化。

    然而,基于深度學(xué)習(xí)的葡萄葉片病害檢測(cè)方法也存在一些問(wèn)題,主要有以下幾個(gè)方面:(1)葡萄葉片病害的特征提取不充分。由于葡萄葉片病害的形態(tài)和顏色多樣,且受到光照、遮擋、噪聲等因素的干擾,導(dǎo)致葡萄葉片病害的特征提取難度較大,需要更深層次和更細(xì)粒度的特征表示。(2)葡萄葉片病害的分類和定位不精確。由于葡萄葉片病害的分布不均勻,且存在多種病害共存的情況,導(dǎo)致葡萄葉片病害的分類和定位難以準(zhǔn)確劃分,需要更靈活和更魯棒的分類和定位方法。(3)葡萄葉片病害檢測(cè)的速度慢。由于葡萄葉片病害檢測(cè)需要處理大量的葡萄葉片圖像數(shù)據(jù),且需要進(jìn)行多階段的特征提取、分類和定位,導(dǎo)致葡萄葉片病害檢測(cè)的速度較慢,需要更高效和更簡(jiǎn)潔的檢測(cè)算法。針對(duì)上述問(wèn)題,本研究提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法。該算法主要?jiǎng)?chuàng)新點(diǎn)包括以下3個(gè)方面:設(shè)計(jì)一種特征蒸餾網(wǎng)絡(luò)(FDN),利用多尺度特征融合和自注意力精煉機(jī)制,提高了特征提取的質(zhì)量和效率。通過(guò)構(gòu)造教師和學(xué)生網(wǎng)絡(luò),實(shí)現(xiàn)了特征之間的互相學(xué)習(xí)和優(yōu)化;利用行錨分類方法思想,在不同尺度上生成行錨,代替?zhèn)鹘y(tǒng)的錨框,實(shí)現(xiàn)了對(duì)葡萄葉片病害行的分類。通過(guò)對(duì)行錨進(jìn)行篩選和排序,減少了誤檢和漏檢的情況;設(shè)計(jì)非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊,引入非局部注意力機(jī)制,增強(qiáng)了對(duì)葡萄葉片病害位置的預(yù)測(cè)能力。通過(guò)對(duì)每個(gè)行錨內(nèi)的像素進(jìn)行分類,得到了更準(zhǔn)確的葡萄葉片病害位置。

    1" 基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)

    1.1" 整體框架

    本研究網(wǎng)絡(luò)架構(gòu)由殘差網(wǎng)絡(luò)骨干[22]、FDN以及葡萄葉片病害位置預(yù)測(cè)模塊構(gòu)成,如圖1所示。其中,殘差網(wǎng)絡(luò)負(fù)責(zé)特征編碼,F(xiàn)DN用于多尺度特征的融合,而葡萄葉片病害位置預(yù)測(cè)模塊則利用非局部注意力機(jī)制和全連接層進(jìn)行葡萄葉片病害位置的預(yù)測(cè)。

    具體操作過(guò)程中,殘差網(wǎng)絡(luò)先輸出各層深度下的特征圖F1,…,F(xiàn)4。接著,F(xiàn)DN通過(guò)標(biāo)準(zhǔn)卷積、下采樣和上采樣操作進(jìn)行特征融合。其中,標(biāo)準(zhǔn)卷積通過(guò)1×1的卷積核來(lái)降低特征圖F1,…,F(xiàn)4的通道數(shù),并通過(guò)分組卷積方法融合特征圖I1,…,I4,同時(shí)利用最大池化和雙線性插值方法實(shí)現(xiàn)降維和升維。這樣的設(shè)計(jì)使網(wǎng)絡(luò)可以在深層學(xué)習(xí)豐富的上下文信息,從而更準(zhǔn)確地識(shí)別出葡萄葉片病害特征。

    在特征解碼階段,運(yùn)用非局部注意力機(jī)制[23]對(duì)特征進(jìn)行處理,這種機(jī)制包含4個(gè)1×1的標(biāo)準(zhǔn)卷積層,旨在以少量的計(jì)算獲取葡萄葉片病害的全局信息。同時(shí),通過(guò)全連接層和相關(guān)操作進(jìn)行行錨分類,以預(yù)測(cè)葡萄葉片病害的具體位置。在這一步中,全連接層負(fù)責(zé)預(yù)測(cè)葡萄葉片病害的具體分類,而 reshape 函數(shù)則被用于改變張量的尺寸。

    本研究算法的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置見(jiàn)圖2。網(wǎng)絡(luò)由多個(gè)特征編碼階段組成,每個(gè)階段包含n個(gè)殘差模塊,殘差模塊的參數(shù)為卷積核k、步幅s、邊緣填充p和通道數(shù)c。

    1.2" 特征蒸餾網(wǎng)絡(luò)

    為了在目標(biāo)檢測(cè)中同時(shí)利用深層特征的語(yǔ)義信息和淺層特征的空間信息,提出了一種FDN架構(gòu),將不同層次的特征圖進(jìn)行有效的融合。具體來(lái)說(shuō),F(xiàn)DN首先將高層特征圖通過(guò)分組卷積操作上采樣到與低層特征圖相同的分辨率,然后將兩者進(jìn)行逐元素相加,得到一個(gè)融合后的特征圖。接著,F(xiàn)DN再將融合后的特征圖通過(guò)分組卷積操作下采樣到與高層特征圖相同的分辨率,再次進(jìn)行逐元素相加,得到另一個(gè)融合后的特征圖。這樣,F(xiàn)DN就實(shí)現(xiàn)了從低層到高層,再?gòu)母邔拥降蛯拥碾p向特征傳遞,使得每個(gè)尺度的特征圖都能夠獲得更豐富的信息。FDN的前向推理過(guò)程可以用以下公式表示:

    Ii=Conv(Fi);(1)

    Mi=GConvα×Ii+β×resize(Mi+1)α+β;(2)

    Oi=GConvα×Ii+β×Mi+λ×resize(Oi-1)α+β+λ。(3)

    式中:Conv表示卷積層;GConv表示分組卷積層;Fi、Mi+1、Oi-1分別表示第i層的特征圖、第i+1層的中間輸出和第i-1層的最終輸出;Ii、Mi、Oi分別表示第i層的卷積輸出、第i層的分組卷積輸出和第i層的最終輸出;α和β用于調(diào)節(jié)輸入之間權(quán)重的系數(shù);λ用于調(diào)節(jié)殘差連接的系數(shù);resize是用于調(diào)整張量尺寸的函數(shù)。此外,采用分組卷積層來(lái)實(shí)現(xiàn)多尺度的特征整合,這樣可以減少網(wǎng)絡(luò)前向傳播的計(jì)算

    量,提高檢測(cè)速度。分組卷積層的計(jì)算過(guò)程如圖3所示。

    1.3" 葡萄葉片病害位置預(yù)測(cè)模塊

    為提升檢測(cè)速度,使用行錨分類法[24]來(lái)檢測(cè)葡萄葉片病害。設(shè)圖像中最多有C個(gè)葡萄葉片病害,行錨數(shù)為h,每個(gè)行錨分成n個(gè)位置網(wǎng)格,如圖4所示。位置類別預(yù)測(cè)的公式如下:

    LOijk=fij(XO)。(4)

    式中:i∈[1,C],j∈[1,h],k∈[1,n+1];LOijk是n+1維向量;fij(·)是第j個(gè)行錨上每個(gè)網(wǎng)格屬于葡萄葉片病害i位置的分類器;XO是經(jīng)過(guò)非局部注意力機(jī)制處理的FDN的輸出特征O4;k∈[1,n+1]表示行錨的n個(gè)位置網(wǎng)格和1個(gè)背景網(wǎng)格。

    行錨和網(wǎng)格數(shù)量一般遠(yuǎn)小于圖像尺寸,即hlt;lt;H、nlt;lt;W。圖像分割要計(jì)算(C+1)×W×H,而行錨分類只要計(jì)算C×(n+1)×h,所以行錨分類可以大幅降低網(wǎng)絡(luò)計(jì)算量,提升檢測(cè)速度。根據(jù)行錨分類預(yù)測(cè)的位置類別LOijk,用argmax 函數(shù)就能得到葡萄葉片病害位置:

    Pij=argmaxkLOijk,k∈[1,n+1]。(5)

    預(yù)測(cè)時(shí),可能有多個(gè)位置網(wǎng)格都是葡萄葉片病害位置的最大概率,這樣利用公式(5)就不能準(zhǔn)確找到葡萄葉片病害位置。為了解決這個(gè)問(wèn)題,本研究使用位置期望的方法來(lái)近似病害位置,得到更精確的葡萄葉片病害位置。首先用softmax 函數(shù)算出每個(gè)網(wǎng)格類別是葡萄葉片病害位置的概率,公式如下:

    pijk=exp(LOijk)∑nk=1exp(LOijk)。(6)

    其中,pijk是每個(gè)網(wǎng)格是葡萄葉片病害位置的概率;k∈[1,n]表示忽略背景網(wǎng)格,只計(jì)算位置期望。

    由公式(6)可得,葡萄葉片病害位置的期望公式如下:

    Pij=∑nk=1k·pijk。(7)

    在考慮到行錨分類需要全局信息來(lái)檢測(cè)葡萄葉片病害,以及大感受野CNN需要捕獲長(zhǎng)距離的葡萄葉片病害全局信息的限制,因此引入了非局部注意力機(jī)制來(lái)構(gòu)建特征和特征圖之間的關(guān)系,提高葡萄葉片病害位置預(yù)測(cè)的精度,而計(jì)算成本相對(duì)較低。非局部注意力機(jī)制的結(jié)構(gòu)圖如圖5所示,數(shù)學(xué)表達(dá)式如下:

    XO=Convexp(QT·K)∑i∈CQexp(QT·K)·VTT+O4。(8)

    式中:Q、K、V表示輸入特征圖O4經(jīng)過(guò)3個(gè)不同的 1×1 標(biāo)準(zhǔn)卷積層運(yùn)算后得到的對(duì)應(yīng)輸出特征圖。Q、K、V的維度分別為CO×H×W、CK×H×W、CV×H×W,其中CO=CK=CV=C/8,C是輸入特征圖O4的通道數(shù),H和W是輸入特征圖O4的高度和寬度;CQ表示在當(dāng)前查詢向量Q下,所有可能的病害位置。

    1.4" 網(wǎng)絡(luò)訓(xùn)練

    為了讓網(wǎng)絡(luò)能夠?qū)W習(xí)到更好的葡萄葉片病害特征,本研究在FDN 中引入了自注意力精煉的方法。具體來(lái)說(shuō),將FDN 的輸入特征Im視為學(xué)生網(wǎng)絡(luò)需要學(xué)習(xí)的知識(shí),將輸出特征Om視為教師網(wǎng)絡(luò)已經(jīng)掌握的知識(shí),然后使用均方誤差函數(shù)來(lái)衡量?jī)烧咧g的自注意力精煉損失,如下所示:

    ζsad=∑4m=1[softmax(∑Cmi=1Im,i)-softmax(∑Cmi=1Om,i)]2。(9)

    式中:Im,i表示通道維度中Im的第i個(gè)切片;Cm為特征圖的通道數(shù)。

    其次,采用了一種利用教師的預(yù)測(cè)值作為軟標(biāo)簽的方法,來(lái)進(jìn)一步提升學(xué)生網(wǎng)絡(luò)的特征學(xué)習(xí)能力。具體來(lái)說(shuō),使用KL 散度函數(shù)來(lái)度量教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)之間的自知識(shí)精煉損失,如下所示:

    ζskd=softmax(LIijk)·log2softmaxLIijkLOijk。(10)

    式中:LOijk和LIijk分別為教師和學(xué)生的葡萄葉片病害位置類別預(yù)測(cè)結(jié)果。

    為了使行錨的位置類別預(yù)測(cè)方法更準(zhǔn)確地檢測(cè)葡萄葉片病害的位置,使用交叉熵函數(shù)來(lái)計(jì)算預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽之間的多分類損失,如下所示:

    ζOcls=∑n+1k=1Tij·ln(LOijk)+(1-Tij)·ln(1-LOijk)。(11)

    式中:Tij為葡萄葉片病害位置類別標(biāo)簽?,F(xiàn)將葡萄葉片病害位置類別預(yù)測(cè)的偏移量定義為葡萄葉片病害結(jié)構(gòu),則結(jié)構(gòu)損失可使用L1范數(shù)函數(shù)定義為

    ζstr=∑Ci=1∑h-1j=1‖POij,1:n+1,POi,j+1,1:n+1‖1。(12)

    綜上所述,在訓(xùn)練過(guò)程中本研究算法的總損失計(jì)算如下:

    ζ=ζOcls+α(ζsad+ζskd)+β·ζstr。(13)

    式中:α和β是平衡各損失計(jì)算的權(quán)重系數(shù),均設(shè)置為0.1。

    2" 試驗(yàn)設(shè)計(jì)與結(jié)果分析

    2.1" 試驗(yàn)環(huán)境與數(shù)據(jù)集

    本研究在2023年12月于山東農(nóng)業(yè)大學(xué)作物生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室進(jìn)行。試驗(yàn)平臺(tái)使用了以下的軟硬件環(huán)境:操作系統(tǒng)是Window 10,處理器是Intel CoreTM i7-12700H 2.30 GHz,顯卡是GeForce RTX 2050,顯存大小是6 GB。軟件方面,使用了Anaconda、CUDA 11.4.0和Pytorch 1.9.1作為深度學(xué)習(xí)框架。

    本研究使用了無(wú)人機(jī)巡檢圖片作為原始數(shù)據(jù)集,其中包括3 000 張健康葡萄葉片圖片和800 張葡萄葉片病害圖片。使用labelImg工具對(duì)圖片進(jìn)行標(biāo)注,然后為了解決葡萄葉片病害圖片數(shù)量不足的問(wèn)題,對(duì)其進(jìn)行了鏡像和旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng),得到了 1 600 張葡萄葉片病害圖片。最后,將4 600 張圖片分為訓(xùn)練集和測(cè)試集,用于本研究算法的驗(yàn)證部分實(shí)例見(jiàn)圖6。

    2.2" 試驗(yàn)參數(shù)和流程設(shè)置

    本研究模型的超參數(shù)設(shè)置見(jiàn)表1,模型訓(xùn)練流程見(jiàn)圖7。

    2.3" 試驗(yàn)評(píng)價(jià)指標(biāo)

    為了評(píng)估目標(biāo)檢測(cè)模型的性能,本研究使用了以下幾個(gè)指標(biāo):準(zhǔn)確率(P)、召回率(R)、平均精度均值(mAP)和檢測(cè)速度[每秒處理幀數(shù)(FPS)]。它們的計(jì)算公式如下:

    P=NTP/(NTP+NFP)×100%;(14)

    R=NTP/(NTP+NFP)×100%;(15)

    mAP=(∑oi=1Ai)/o,A=∫10P(R)dR;(16)

    FPS=1/tavg。(17)

    其中:NTP和NFP是正確識(shí)別和錯(cuò)誤識(shí)別的樣本數(shù);NFP是漏檢的樣本數(shù);P是檢測(cè)正確的樣本占檢測(cè)出的樣本的比例;R是檢測(cè)出的樣本占所有樣本的比例;o是模型設(shè)定的類別數(shù),這里取o=2,對(duì)應(yīng)葡萄葉片病害部位;tavg是檢測(cè)1張圖片所花費(fèi)的平均時(shí)間。

    2.4" 試驗(yàn)結(jié)果

    2.4.1" 算法性能對(duì)比與分析

    為了驗(yàn)證本研究方法的有效性,在相同的試驗(yàn)環(huán)境下,將本研究的改進(jìn)方法與SSD、Faster R-CNN、YOLO v5等常用的目標(biāo)檢測(cè)模型進(jìn)行對(duì)比試驗(yàn),并測(cè)試了葡萄葉片病害識(shí)別的精度和速度等評(píng)價(jià)指標(biāo)。試驗(yàn)結(jié)果見(jiàn)表2。可以看出,本研究方法在所有的指標(biāo)上都表現(xiàn)得最好,說(shuō)明它具有較高的檢測(cè)質(zhì)量和速度。在P指標(biāo)上比SSD高了10百分點(diǎn),比Faster R-CNN高了3.9百分點(diǎn),比YOLO v5高了1.8百分點(diǎn),說(shuō)明本研究方法可以更準(zhǔn)確地識(shí)別出葡萄葉片病害的缺陷位置,減小了誤檢的概率。在R指標(biāo)上比SSD高了

    11.0百分點(diǎn),比Faster R-CNN高了6.4百分點(diǎn),比YOLO v5高了3.6百分點(diǎn),這說(shuō)明本研究方法可以更全面地覆蓋所有的葡萄葉片病害樣本,減少了漏檢的情況。在mAP指標(biāo)上比SSD高了11.0百分點(diǎn),比Faster R-CNN高了6.4百分點(diǎn),比YOLO v5高了3.2百分點(diǎn),說(shuō)明本研究方法可以更穩(wěn)定地保持高水平的檢測(cè)性能,不受不同難度級(jí)別和場(chǎng)景變化的影響。在檢測(cè)速度指標(biāo)上比SSD快了12.3幀/s,比Faster R-CNN快了3.2幀/s,比YOLO v5快了15.1幀/s,說(shuō)明本研究方法可以更快地處理圖像數(shù)據(jù),提高了檢測(cè)的實(shí)時(shí)性和效率。

    不同模型在試驗(yàn)中的收斂性情況見(jiàn)圖8??梢钥闯霰狙芯糠椒ㄔ谑諗啃苑矫鎯?yōu)于SSD、Faster R-CNN和YOLO v5 3種常用的目標(biāo)檢測(cè)模型,說(shuō)明本研究方法具有較強(qiáng)的學(xué)習(xí)能力和適應(yīng)性。

    2.4.2" 消融試驗(yàn)

    為進(jìn)一步驗(yàn)證本研究模型的有效性,設(shè)置3組消融試驗(yàn),結(jié)果見(jiàn)表3。消融試驗(yàn)的步驟是:

    從本研究方法中移除特征蒸餾網(wǎng)絡(luò),只使用基礎(chǔ)網(wǎng)絡(luò)進(jìn)行特征提取,得到消融模型1。

    從本研究方法中移除行錨分類方法,使用傳統(tǒng)的錨框進(jìn)行目標(biāo)檢測(cè),得到消融模型2。

    從本研究方法中移除非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊,只使用簡(jiǎn)單的回歸層進(jìn)行位置預(yù)測(cè),得到消融模型3。

    在相同的試驗(yàn)環(huán)境和數(shù)據(jù)集下,分別測(cè)試本研究方法和3個(gè)消融模型在葡萄葉片病害檢測(cè)任務(wù)上的性能,使用P、R、mAP和檢測(cè)速度4個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。

    比較本研究方法和消融模型1,可以看出特征蒸餾網(wǎng)絡(luò)對(duì)葡萄葉片病害特征提取的質(zhì)量和效率有顯著的提升作用。特征蒸餾網(wǎng)絡(luò)可以利用多尺度特征融合和自注意力精煉機(jī)制,增強(qiáng)了特征之間的互補(bǔ)性和表達(dá)能力。通過(guò)構(gòu)造教師和學(xué)生網(wǎng)絡(luò),可以實(shí)現(xiàn)特征之間的互相學(xué)習(xí)和優(yōu)化。特征蒸餾網(wǎng)絡(luò)使本研究方法在P上提高了3.7百分點(diǎn),在R上提高了5.5百分點(diǎn),在mAP上提高了5.5百分點(diǎn),在檢測(cè)速度上提高了2.3幀/s。比較本研究方法和消融模型2,可以看出行錨分類方法對(duì)葡萄葉片病害行的分類有明顯的優(yōu)勢(shì)。行錨分類方法可以在不同尺度上生成行錨,代替?zhèn)鹘y(tǒng)的錨框,減少了誤檢和漏檢的情況。行錨分類方法使本研究方法在P上提高了3.0百分點(diǎn),在R上提高了4.1百分點(diǎn),在mAP上提高了4.1百分點(diǎn),檢測(cè)速度提高了4.0幀/s。比較本研究方法和消融模型3,可以看出非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊對(duì)葡萄葉片病害位置的預(yù)測(cè)能力有顯著的增強(qiáng)作用。非局部注意力機(jī)制可以捕捉圖像中不同區(qū)域之間的長(zhǎng)距離依賴關(guān)系,提高了位置預(yù)測(cè)的精度和魯棒性。非局部注意力機(jī)制使本研究方法在P上提高了1.6百分點(diǎn),在R上提高了2.4百分點(diǎn),在mAP上提高了2.4百分點(diǎn),在檢測(cè)速度上提高了1.6幀/s。綜上所述,本研究方法中的3個(gè)主要模塊都對(duì)葡萄葉片病害檢測(cè)性能有正向的影響,說(shuō)明本研究方法是有效的。

    2.4.3" 檢測(cè)算法可視化

    以白腐病為例,可視化不同模型的病害檢測(cè)效果,進(jìn)而直觀驗(yàn)證本研究模型的優(yōu)勢(shì)。由圖9可知,SSD和YOLO v5 的檢測(cè)結(jié)果較差,它們沒(méi)有檢測(cè)出白腐病的位置,只是將整個(gè)葉片作為1個(gè)目標(biāo)。這可能是因?yàn)榘赘〉拿娣e較小,而這2種算法對(duì)小目標(biāo)的檢測(cè)能力較弱。Faster R-CNN 的檢測(cè)結(jié)果較好,它檢測(cè)出了白腐病的位置,但是邊界框的大小和形狀不太準(zhǔn)確,有些過(guò)大或過(guò)小,有些不符合白腐病的形狀。這可能是因?yàn)?Faster R-CNN 使用的錨框是固定的尺寸和比例,不能很好地適應(yīng)不同的目標(biāo)。本研究方法的檢測(cè)結(jié)果最好,它檢測(cè)出了白腐病的位置,而且邊界框的大小和形狀都比較準(zhǔn)確,與白腐病的實(shí)際情況相符。這可能是因?yàn)楸狙芯糠椒ㄊ褂玫男绣^分類方法

    可以動(dòng)態(tài)地生成不同的錨框,而且利用了特征蒸餾網(wǎng)絡(luò)和自注意力精煉機(jī)制提高了特征提取的效果,還采用了非局部注意力機(jī)制增強(qiáng)了位置預(yù)測(cè)的能力。

    3" 結(jié)論

    本研究針對(duì)葡萄葉片病害的檢測(cè)精度低、速度慢等問(wèn)題,提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法。首先設(shè)計(jì)了FDN,并利用多尺度特征融合和自注意力精煉機(jī)制,有效提升了葡萄葉片病害特征提取的質(zhì)量和效率。同時(shí),通過(guò)教師和學(xué)生網(wǎng)絡(luò)的運(yùn)用,實(shí)現(xiàn)了特征之間的互相學(xué)習(xí)和優(yōu)化。進(jìn)一步利用行錨分類方法在不同尺度上生成行錨,以替代傳統(tǒng)的錨框,實(shí)現(xiàn)了對(duì)葡萄葉片病害行的分類。這一策略顯著減少了誤檢和漏檢的情況。然后,通過(guò)設(shè)計(jì)非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊,成功增強(qiáng)了對(duì)葡萄葉片病害位置的預(yù)測(cè)能力。通過(guò)在真實(shí)數(shù)據(jù)集上對(duì)算法性能的評(píng)估,以及與其他深度學(xué)習(xí)檢測(cè)算法的對(duì)比,證明了本研究提出的算法具有較高的檢測(cè)精度和速度。檢測(cè)準(zhǔn)確率達(dá)到了92.4%,而檢測(cè)速度達(dá)到了36.8幀/s,研究結(jié)果明顯優(yōu)于當(dāng)前多數(shù)先進(jìn)方法,并將為葡萄葉片病害檢測(cè)在實(shí)際應(yīng)用中提供有效的技術(shù)支持。

    參考文獻(xiàn):

    [1]張曉月,郭俊強(qiáng),王祎瑋,等. 避雨栽培對(duì)鮮食葡萄植株生長(zhǎng)及病害發(fā)生的影響[J]. 西北植物學(xué)報(bào),2023,43(2):255-264.

    [2]Lin J,Chen X,Pan R,et al. GrapeNet:a lightweight convolutional neural network model for identification of grape leaf diseases[J]. Agriculture,2022,12(6):887.

    [3]許文燕. 基于輕量化神經(jīng)網(wǎng)絡(luò)的葡萄葉部病害檢測(cè)裝置研制[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(19):181-189.

    [4]趙" 兵,馮" 全. 基于全卷積網(wǎng)絡(luò)的葡萄病害葉片分割[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào),2018,41(4):752-759.

    [5]Javidan S M,Banakar A,Vakilian K A,et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning[J]. Smart Agricultural Technology,2023,3:100081.

    [6]謝圣橋,宋" 健,湯修映,等. 基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的葡萄葉部病害識(shí)別[J]. 農(nóng)機(jī)化研究,2023,45(8):18-23,28.

    [7]Lu X Y,Yang R,Zhou J,et al. A hybrid model of ghost-convolution enlightened transformer for effective diagnosis of grape leaf disease and pest[J]. Journal of King Saud University-Computer and Information Sciences,2022,34(5):1755-1767.

    [8]劉闐宇,馮" 全,楊" 森. 基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測(cè)方法[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2018,49(3):73-83.

    [9]王書(shū)志,喬" 虹,馮" 全,等. 基于顯著性目標(biāo)檢測(cè)的葡萄葉片病害分割[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,47(1):101-107.

    [10]Yin X,Li W H,Li Z,et al. Recognition of grape leaf diseases using MobileNet v3 and deep transfer learning[J]. International Journal of Agricultural and Biological Engineering,2022,15(3):184-194.

    [11]喬" 虹,馮" 全,張" 芮,等. 基于時(shí)序圖像跟蹤的葡萄葉片病害動(dòng)態(tài)監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(17):167-175.

    [12]雷建云,葉" 莎,夏" 夢(mèng),等. 基于改進(jìn)YOLO v4的葡萄葉片病害檢測(cè)[J]. 中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,41(6):712-719.

    [13]Shantkumari M,Uma S V. Grape leaf image classification based on machine learning technique for accurate leaf disease detection[J]. Multimedia Tools and Applications,2023,82(1):1477-1487.

    [14]方" 逵,李" 成,何" 瀟,等. 基于三維重建的多角度葡萄葉病害識(shí)別方法研究[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào),2022,24(7):86-96.

    [15]王超學(xué),祁" 昕,馬" 罡,等. 基于YOLO v3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.

    [16]何" 欣,李書(shū)琴,劉" 斌. 基于多尺度殘差神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害識(shí)別[J]. 計(jì)算機(jī)工程,2021,47(5):285-291,300.

    [17]Suo J Y,Zhan J L,Zhou G X,et al. CASM-AMFMNet:a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases[J]. Frontiers in Plant Science,2022,13:846767.

    [18]戴久竣,馬肄恒,吳" 堅(jiān),等. 基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(5):208-215.

    [19]黃英來(lái),李" 寧,劉鎮(zhèn)波,等. 改進(jìn)輕量卷積網(wǎng)絡(luò)在葡萄病害葉片的分類方法[J]. 哈爾濱理工大學(xué)學(xué)報(bào),2023,28(3):1-9.

    [20]賈" 璐,葉中華. 基于注意力機(jī)制和特征融合的葡萄病害識(shí)別模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2023,54(7):223-233.

    [21]戴久竣,馬肄恒,吳" 堅(jiān),等. 基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(5):208-215.

    [22]朱" 帥,王金聰,任洪娥,等. 基于多特征融合的殘差網(wǎng)絡(luò)果樹(shù)葉片病害識(shí)別[J]. 森林工程,2022,38(1):108-114,123.

    [23]Qian X F,Zhang C Q,Chen L,et al. Deep learning-based identification of maize leaf diseases is improved by an attention mechanism:self-attention[J]. Frontiers in Plant Science,2022,13:864486.

    [24]Bari B S,Islam M N,Rashid M,et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework[J]. PeerJ Computer Science,2021,7:432.

    猜你喜歡
    葡萄
    分葡萄
    葡萄冬季還能掛樹(shù)上
    初夏葡萄咋管好
    葡萄還有多少顆
    品葡萄
    葡萄熟了
    常吃葡萄好處多
    當(dāng)葡萄成熟時(shí)
    女報(bào)(2020年10期)2020-11-23 01:42:42
    請(qǐng)你吃葡萄
    幽默大師(2020年6期)2020-06-22 08:24:42
    葡萄
    淫秽高清视频在线观看| 老熟妇仑乱视频hdxx| 好看av亚洲va欧美ⅴa在| 国内精品久久久久久久电影| 成年免费大片在线观看| 成人性生交大片免费视频hd| 亚洲最大成人手机在线| 99在线视频只有这里精品首页| 国内毛片毛片毛片毛片毛片| 琪琪午夜伦伦电影理论片6080| 亚州av有码| 亚洲美女视频黄频| 欧美bdsm另类| 国产免费av片在线观看野外av| 久久亚洲精品不卡| 一二三四社区在线视频社区8| 全区人妻精品视频| 午夜视频国产福利| 直男gayav资源| 久久伊人香网站| 国产亚洲精品av在线| 如何舔出高潮| 国产精品永久免费网站| 日本一本二区三区精品| 精品一区二区三区av网在线观看| 欧美最黄视频在线播放免费| 两性午夜刺激爽爽歪歪视频在线观看| 激情在线观看视频在线高清| 国产极品精品免费视频能看的| 日韩精品中文字幕看吧| 三级男女做爰猛烈吃奶摸视频| 精品国产亚洲在线| 成人国产一区最新在线观看| 2021天堂中文幕一二区在线观| www日本黄色视频网| 在线免费观看的www视频| 国产一区二区在线av高清观看| 亚洲内射少妇av| 男女床上黄色一级片免费看| 亚洲,欧美精品.| 九九热线精品视视频播放| av在线天堂中文字幕| av视频在线观看入口| 亚洲黑人精品在线| 在现免费观看毛片| 美女 人体艺术 gogo| 久久久久性生活片| 欧美黄色淫秽网站| 欧美激情久久久久久爽电影| 精品一区二区免费观看| 成年人黄色毛片网站| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 2021天堂中文幕一二区在线观| 国产一区二区三区在线臀色熟女| 午夜激情欧美在线| 亚洲欧美日韩东京热| 亚洲国产精品999在线| 免费大片18禁| 亚洲精品乱码久久久v下载方式| 又黄又爽又免费观看的视频| avwww免费| 男女视频在线观看网站免费| 校园春色视频在线观看| 网址你懂的国产日韩在线| 国产一区二区在线观看日韩| 中文字幕免费在线视频6| 18禁在线播放成人免费| 麻豆av噜噜一区二区三区| 搡老熟女国产l中国老女人| 人人妻人人澡欧美一区二区| 岛国在线免费视频观看| 国产成人啪精品午夜网站| 波野结衣二区三区在线| 丰满人妻一区二区三区视频av| 成人无遮挡网站| 午夜久久久久精精品| 精品国产亚洲在线| 国产一区二区三区在线臀色熟女| 欧美日韩亚洲国产一区二区在线观看| 九九在线视频观看精品| 国产亚洲欧美在线一区二区| 亚洲精品456在线播放app | 精品人妻1区二区| 亚洲性夜色夜夜综合| 99久久精品国产亚洲精品| 欧美日韩国产亚洲二区| 久久精品国产自在天天线| 欧美激情在线99| 蜜桃久久精品国产亚洲av| 亚洲色图av天堂| 国产蜜桃级精品一区二区三区| 99riav亚洲国产免费| av在线老鸭窝| 亚洲精品一区av在线观看| 观看美女的网站| 老司机午夜福利在线观看视频| 亚洲国产精品合色在线| 亚洲美女黄片视频| 亚洲美女视频黄频| 精品午夜福利在线看| 国产一区二区亚洲精品在线观看| 91在线精品国自产拍蜜月| 久99久视频精品免费| 可以在线观看毛片的网站| 亚洲精品亚洲一区二区| 欧美激情在线99| 精品久久久久久久久久久久久| 夜夜看夜夜爽夜夜摸| 亚洲熟妇中文字幕五十中出| 色视频www国产| 日韩国内少妇激情av| 搡女人真爽免费视频火全软件 | 色综合亚洲欧美另类图片| a在线观看视频网站| 国产又黄又爽又无遮挡在线| 此物有八面人人有两片| 亚洲五月天丁香| 尤物成人国产欧美一区二区三区| 亚洲 国产 在线| 免费看美女性在线毛片视频| 亚洲天堂国产精品一区在线| 国产精品久久久久久亚洲av鲁大| 性插视频无遮挡在线免费观看| 乱码一卡2卡4卡精品| 国产高清视频在线播放一区| 欧美日韩乱码在线| 九色国产91popny在线| ponron亚洲| 久久久久久久午夜电影| 中文字幕免费在线视频6| 国产视频一区二区在线看| 亚洲自偷自拍三级| 男人狂女人下面高潮的视频| 午夜福利在线观看免费完整高清在 | 午夜激情福利司机影院| h日本视频在线播放| 久久中文看片网| 欧美日韩福利视频一区二区| 欧美激情久久久久久爽电影| 精品久久久久久久久av| 国内精品美女久久久久久| 免费高清视频大片| 中出人妻视频一区二区| 我的老师免费观看完整版| 综合色av麻豆| 最近最新中文字幕大全电影3| 1000部很黄的大片| 在线观看av片永久免费下载| 欧美乱色亚洲激情| 国产精品久久久久久精品电影| 久久九九热精品免费| 亚洲中文日韩欧美视频| 久久精品国产自在天天线| 国产成人影院久久av| 窝窝影院91人妻| 久久人人精品亚洲av| 啪啪无遮挡十八禁网站| 午夜免费男女啪啪视频观看 | 好男人电影高清在线观看| 欧美一区二区亚洲| 精品一区二区三区av网在线观看| 婷婷色综合大香蕉| 最近在线观看免费完整版| 国产亚洲精品综合一区在线观看| 亚洲综合色惰| 两人在一起打扑克的视频| 激情在线观看视频在线高清| 欧美一区二区国产精品久久精品| 中文字幕免费在线视频6| 永久网站在线| 成人午夜高清在线视频| 亚洲在线自拍视频| 色噜噜av男人的天堂激情| 嫁个100分男人电影在线观看| 可以在线观看毛片的网站| 美女免费视频网站| 一级作爱视频免费观看| .国产精品久久| АⅤ资源中文在线天堂| 国产成人啪精品午夜网站| 91久久精品电影网| 啪啪无遮挡十八禁网站| 中文字幕高清在线视频| 丰满的人妻完整版| 久久99热6这里只有精品| 婷婷精品国产亚洲av| 国产三级黄色录像| 午夜久久久久精精品| 日韩精品青青久久久久久| 丝袜美腿在线中文| 亚洲国产日韩欧美精品在线观看| 天堂动漫精品| 亚洲精品乱码久久久v下载方式| 成人毛片a级毛片在线播放| 午夜亚洲福利在线播放| 国产色婷婷99| 久久久成人免费电影| 狂野欧美白嫩少妇大欣赏| 国产精品国产高清国产av| 五月玫瑰六月丁香| 亚洲美女搞黄在线观看 | 精品不卡国产一区二区三区| 免费观看人在逋| 中文在线观看免费www的网站| 国产精品久久久久久亚洲av鲁大| 毛片女人毛片| 亚洲国产精品合色在线| 久久久精品欧美日韩精品| 国产在视频线在精品| av天堂在线播放| a在线观看视频网站| 亚洲无线观看免费| 天堂√8在线中文| 欧美黄色淫秽网站| 午夜福利在线观看免费完整高清在 | 免费人成在线观看视频色| 搡老岳熟女国产| 99在线视频只有这里精品首页| 日本熟妇午夜| 一个人免费在线观看的高清视频| 性欧美人与动物交配| 最近最新免费中文字幕在线| 精品99又大又爽又粗少妇毛片 | 国产精品98久久久久久宅男小说| 一区福利在线观看| 国产欧美日韩一区二区三| av欧美777| 毛片一级片免费看久久久久 | 一a级毛片在线观看| 搡女人真爽免费视频火全软件 | 国产av麻豆久久久久久久| 一进一出抽搐gif免费好疼| 俄罗斯特黄特色一大片| 精品欧美国产一区二区三| 国产 一区 欧美 日韩| 亚洲精品亚洲一区二区| 国产高清有码在线观看视频| 三级毛片av免费| 中文字幕av在线有码专区| 亚洲成人中文字幕在线播放| 亚洲性夜色夜夜综合| 亚洲成av人片免费观看| 成人美女网站在线观看视频| 夜夜看夜夜爽夜夜摸| 亚洲自拍偷在线| а√天堂www在线а√下载| 直男gayav资源| 中文亚洲av片在线观看爽| 我的女老师完整版在线观看| 亚洲成人久久爱视频| 伊人久久精品亚洲午夜| avwww免费| 日本 欧美在线| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 成人国产一区最新在线观看| 90打野战视频偷拍视频| 日本 欧美在线| 亚洲av电影在线进入| 99精品久久久久人妻精品| 亚洲av成人精品一区久久| 熟女电影av网| 哪里可以看免费的av片| 国产美女午夜福利| 在线十欧美十亚洲十日本专区| av国产免费在线观看| 99久久无色码亚洲精品果冻| 亚洲不卡免费看| 欧美日韩黄片免| 黄色视频,在线免费观看| 亚洲人成网站在线播| 在线天堂最新版资源| 99久久精品国产亚洲精品| 欧美日韩国产亚洲二区| 他把我摸到了高潮在线观看| 欧美色视频一区免费| 亚洲男人的天堂狠狠| 国产美女午夜福利| 观看免费一级毛片| 国产午夜福利久久久久久| 麻豆国产97在线/欧美| 成人av在线播放网站| 免费一级毛片在线播放高清视频| 久久国产乱子伦精品免费另类| 久久久久久久精品吃奶| 日韩欧美在线二视频| 亚洲人成网站在线播放欧美日韩| 亚洲精品色激情综合| 99精品久久久久人妻精品| 免费黄网站久久成人精品 | 亚洲,欧美精品.| 成人性生交大片免费视频hd| 午夜福利在线观看免费完整高清在 | 日韩大尺度精品在线看网址| 91麻豆精品激情在线观看国产| 久久精品国产99精品国产亚洲性色| 日韩人妻高清精品专区| 日韩有码中文字幕| 成人毛片a级毛片在线播放| 俺也久久电影网| 国产白丝娇喘喷水9色精品| 深爱激情五月婷婷| 国产亚洲精品av在线| 国产成人福利小说| 丁香六月欧美| 床上黄色一级片| 亚洲人成网站高清观看| 深夜精品福利| 又黄又爽又刺激的免费视频.| 午夜a级毛片| 又爽又黄无遮挡网站| 91午夜精品亚洲一区二区三区 | 怎么达到女性高潮| 宅男免费午夜| 国产高清三级在线| 美女高潮喷水抽搐中文字幕| 男女那种视频在线观看| 精品乱码久久久久久99久播| 中文字幕人妻熟人妻熟丝袜美| 国产不卡一卡二| 一级av片app| 人人妻人人澡欧美一区二区| 国产69精品久久久久777片| 久久精品人妻少妇| 亚洲人成伊人成综合网2020| 国产精品久久久久久亚洲av鲁大| 亚洲人成伊人成综合网2020| 国产男靠女视频免费网站| 日韩有码中文字幕| 亚洲精品亚洲一区二区| bbb黄色大片| 免费在线观看影片大全网站| 成人性生交大片免费视频hd| 中文字幕av成人在线电影| 欧美成狂野欧美在线观看| 国产老妇女一区| 性插视频无遮挡在线免费观看| 久久久久国产精品人妻aⅴ院| 免费观看人在逋| 搡老熟女国产l中国老女人| 亚洲av电影在线进入| 中文字幕高清在线视频| 乱人视频在线观看| 久久久久久久久久成人| 国产高清有码在线观看视频| 白带黄色成豆腐渣| 亚洲精品影视一区二区三区av| 99久久九九国产精品国产免费| 日日干狠狠操夜夜爽| 搞女人的毛片| 日韩av在线大香蕉| 国语自产精品视频在线第100页| 亚洲av熟女| 757午夜福利合集在线观看| 嫩草影院新地址| 国产伦一二天堂av在线观看| 国产黄色小视频在线观看| 欧美+日韩+精品| 美女xxoo啪啪120秒动态图 | 国产亚洲精品久久久com| 国产亚洲精品久久久久久毛片| 亚洲精品影视一区二区三区av| 国语自产精品视频在线第100页| 91久久精品国产一区二区成人| 日本熟妇午夜| 性插视频无遮挡在线免费观看| 国产乱人伦免费视频| 观看美女的网站| 日韩大尺度精品在线看网址| 国产主播在线观看一区二区| 国产成人aa在线观看| 99久久九九国产精品国产免费| 国产av麻豆久久久久久久| 日韩欧美在线二视频| 国产高清视频在线播放一区| 国内毛片毛片毛片毛片毛片| 国产高清三级在线| 午夜福利18| 一本久久中文字幕| 国产伦在线观看视频一区| 亚洲精品色激情综合| 婷婷色综合大香蕉| 性插视频无遮挡在线免费观看| 国产伦精品一区二区三区四那| 亚洲国产精品999在线| 久久午夜亚洲精品久久| 18+在线观看网站| 草草在线视频免费看| 能在线免费观看的黄片| 成年版毛片免费区| 90打野战视频偷拍视频| 国产精品亚洲美女久久久| 欧美日韩乱码在线| 国产白丝娇喘喷水9色精品| 久久天躁狠狠躁夜夜2o2o| 免费av不卡在线播放| 在线观看午夜福利视频| 国产免费一级a男人的天堂| 国产真实乱freesex| 嫩草影视91久久| 99热6这里只有精品| 日本与韩国留学比较| 男人狂女人下面高潮的视频| 国产高清激情床上av| 国产精品永久免费网站| 天堂动漫精品| 18+在线观看网站| 免费大片18禁| 亚洲av二区三区四区| 最后的刺客免费高清国语| 久久香蕉精品热| 日韩亚洲欧美综合| 午夜免费成人在线视频| 成熟少妇高潮喷水视频| 我的女老师完整版在线观看| 丁香六月欧美| 免费大片18禁| 欧美激情久久久久久爽电影| 十八禁人妻一区二区| 三级国产精品欧美在线观看| 美女 人体艺术 gogo| 村上凉子中文字幕在线| 日本三级黄在线观看| 宅男免费午夜| 麻豆一二三区av精品| 偷拍熟女少妇极品色| 日韩精品中文字幕看吧| 午夜福利视频1000在线观看| 日韩人妻高清精品专区| 男人狂女人下面高潮的视频| 国产精品久久久久久精品电影| 精品久久久久久久久久免费视频| 午夜福利免费观看在线| 免费看光身美女| 国产精品久久视频播放| 成人av一区二区三区在线看| 国产69精品久久久久777片| 少妇丰满av| 国产综合懂色| a级毛片免费高清观看在线播放| 成人永久免费在线观看视频| 亚洲精品影视一区二区三区av| 欧美三级亚洲精品| 51国产日韩欧美| 欧美乱色亚洲激情| 免费搜索国产男女视频| 国产午夜福利久久久久久| 国产麻豆成人av免费视频| 国产高潮美女av| 亚洲成av人片免费观看| 99国产精品一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 欧美xxxx黑人xx丫x性爽| 成年女人看的毛片在线观看| 日韩 亚洲 欧美在线| 亚洲乱码一区二区免费版| 蜜桃亚洲精品一区二区三区| 国产精品久久久久久精品电影| 国产成人a区在线观看| 女生性感内裤真人,穿戴方法视频| 国产乱人视频| 变态另类丝袜制服| 亚洲无线观看免费| 国产精品久久视频播放| 欧美一区二区精品小视频在线| 久久99热6这里只有精品| 一区福利在线观看| 国产色婷婷99| 我要搜黄色片| 久久香蕉精品热| 亚洲成人久久爱视频| 亚洲国产精品sss在线观看| 黄色丝袜av网址大全| 亚洲精品粉嫩美女一区| 99国产精品一区二区三区| 亚洲精品久久国产高清桃花| 日本免费一区二区三区高清不卡| 一级av片app| 国产私拍福利视频在线观看| 波多野结衣巨乳人妻| 最近中文字幕高清免费大全6 | 免费一级毛片在线播放高清视频| 男女之事视频高清在线观看| 午夜两性在线视频| 热99re8久久精品国产| 国产一区二区在线观看日韩| 久久久久久久亚洲中文字幕 | 亚洲专区国产一区二区| 熟女人妻精品中文字幕| 少妇丰满av| 怎么达到女性高潮| 精品免费久久久久久久清纯| 动漫黄色视频在线观看| 欧美黄色淫秽网站| 精品乱码久久久久久99久播| 国产熟女xx| 一边摸一边抽搐一进一小说| 嫩草影视91久久| 亚洲男人的天堂狠狠| 国产av不卡久久| 熟妇人妻久久中文字幕3abv| 免费观看的影片在线观看| 亚洲精品一区av在线观看| 国产av一区在线观看免费| 国产亚洲欧美在线一区二区| 亚洲av五月六月丁香网| 日韩有码中文字幕| avwww免费| 日日夜夜操网爽| 岛国在线免费视频观看| 99久久久亚洲精品蜜臀av| 亚洲第一欧美日韩一区二区三区| 欧美黑人欧美精品刺激| 国产探花极品一区二区| 国产精品嫩草影院av在线观看 | 97超视频在线观看视频| 国产伦在线观看视频一区| 日韩高清综合在线| 午夜福利在线在线| 国内久久婷婷六月综合欲色啪| 有码 亚洲区| 少妇高潮的动态图| 熟女人妻精品中文字幕| 热99在线观看视频| 午夜精品一区二区三区免费看| 午夜亚洲福利在线播放| 国产一区二区三区视频了| 色视频www国产| 免费电影在线观看免费观看| 国产伦一二天堂av在线观看| 亚洲成av人片免费观看| 丁香欧美五月| 啦啦啦韩国在线观看视频| 成人午夜高清在线视频| 老熟妇仑乱视频hdxx| 亚洲男人的天堂狠狠| 琪琪午夜伦伦电影理论片6080| 白带黄色成豆腐渣| 热99re8久久精品国产| 九九久久精品国产亚洲av麻豆| 麻豆一二三区av精品| 中亚洲国语对白在线视频| 亚洲精品亚洲一区二区| 99久久成人亚洲精品观看| 中文字幕熟女人妻在线| 国产精品久久久久久久电影| 欧美黄色淫秽网站| 亚洲熟妇中文字幕五十中出| 欧美激情久久久久久爽电影| 国产美女午夜福利| 色综合亚洲欧美另类图片| 亚洲国产日韩欧美精品在线观看| 男插女下体视频免费在线播放| 国产午夜精品久久久久久一区二区三区 | 床上黄色一级片| 成年版毛片免费区| 精品无人区乱码1区二区| 一进一出好大好爽视频| 欧美日韩国产亚洲二区| 精品欧美国产一区二区三| 国产不卡一卡二| 波多野结衣巨乳人妻| 在线观看午夜福利视频| 久久国产乱子伦精品免费另类| 亚洲欧美日韩高清在线视频| 丝袜美腿在线中文| 国产精品久久久久久亚洲av鲁大| 国产 一区 欧美 日韩| 天美传媒精品一区二区| 欧美一区二区精品小视频在线| 亚洲不卡免费看| 国产一区二区三区在线臀色熟女| 一区二区三区激情视频| 久久草成人影院| 色哟哟·www| 国产精品国产高清国产av| www.www免费av| 一区二区三区高清视频在线| 亚洲无线在线观看| 精品99又大又爽又粗少妇毛片 | 99久久精品一区二区三区| 麻豆国产97在线/欧美| 韩国av一区二区三区四区| 51午夜福利影视在线观看| 一个人看的www免费观看视频| 嫁个100分男人电影在线观看| 日韩精品青青久久久久久| 男人狂女人下面高潮的视频| 国产主播在线观看一区二区| 人人妻人人看人人澡| 禁无遮挡网站| avwww免费| 91九色精品人成在线观看| 久久午夜亚洲精品久久| 日本 av在线| 搡老熟女国产l中国老女人| 精品欧美国产一区二区三| 搡女人真爽免费视频火全软件 | 老司机午夜福利在线观看视频| 国产一区二区在线av高清观看| 变态另类成人亚洲欧美熟女| 国产单亲对白刺激| 女生性感内裤真人,穿戴方法视频| 在线观看免费视频日本深夜| 亚洲欧美精品综合久久99| a级毛片a级免费在线| 精品国产亚洲在线| 蜜桃久久精品国产亚洲av| 欧美一区二区亚洲| 成人毛片a级毛片在线播放| 尤物成人国产欧美一区二区三区| 性色av乱码一区二区三区2| 91字幕亚洲| 国产成人a区在线观看| 亚洲五月天丁香| 丁香欧美五月|