• <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 ?

    KMeans++與注意力機(jī)制融合的蘋果葉片病害識(shí)別方法

    2024-12-31 00:00:00黃貽望王國帥毛志劉聲
    江蘇農(nóng)業(yè)科學(xué) 2024年20期
    關(guān)鍵詞:錨框卷積病害

    doi:10.15889/j.issn.1002-1302.2024.20.023

    摘要:為解決復(fù)雜環(huán)境下小尺度蘋果葉片病害識(shí)別精度不高、魯棒性不強(qiáng)的問題,在YOLO v5s的基礎(chǔ)上提出一種新的改進(jìn)方法。該方法首先在模型訓(xùn)練之前使用KMeans++聚類算法生成更接近真實(shí)框的錨框;其次在骨干網(wǎng)絡(luò)中加入卷積塊注意幾模塊(convolutional block attention module,CBAM),來提升復(fù)雜環(huán)境下小目標(biāo)特征的提取能力;再次為了增強(qiáng)頸部網(wǎng)絡(luò)對(duì)不同大小病害多尺度特征的有效識(shí)別,選擇ConvNeXtBlock模塊替換C3(CSP bottleneck with 3 convolutions)模塊,并在頸部網(wǎng)絡(luò)中融入坐標(biāo)注意力模塊(coordinate attention,CA),來加強(qiáng)模型對(duì)關(guān)鍵空間位置的響應(yīng),使得不同尺度的特征都能被更有效地利用;最后使用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù),來提高模型的收斂速度和精度。與Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOLO v8目標(biāo)檢測(cè)模型相比,改進(jìn)后模型的平均精度均值(mean average precision,mAP0.5)值分別提升0.6、4.6、6.3、1.7、1.3百分點(diǎn),同時(shí)在強(qiáng)光照、模糊、暗光的復(fù)雜場景下具有較強(qiáng)的魯棒性。該模型可以為復(fù)雜環(huán)境下蘋果葉片病害的識(shí)別提供行之有效的方案。

    關(guān)鍵詞:蘋果;葉片病害;病害檢測(cè);注意力機(jī)制;ConvNeXtBlock;卷積塊注意力模塊(CBAM);CA

    中圖分類號(hào):S126;TP391.41" 文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1002-1302(2024)20-0190-09

    收稿日期:2024-07-12

    基金項(xiàng)目:國家自然科學(xué)基金(編號(hào):62066040);民族教育信息化教育部重點(diǎn)實(shí)驗(yàn)室開放課題(編號(hào):EIN2024B003);智能計(jì)算與信息處理教育部重點(diǎn)實(shí)驗(yàn)室開放課題(編號(hào):2023ICIP05);國家留學(xué)基金委西部地區(qū)人才培養(yǎng)特別項(xiàng)目(編號(hào):202108525007);銅仁市大數(shù)據(jù)智能計(jì)算與應(yīng)用重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(編號(hào):銅仁市科研[2022]5號(hào));貴州省科技基礎(chǔ)研究計(jì)劃(編號(hào):[2022]557)。

    作者簡介:黃貽望(1978—),男,湖南溆浦人,博士,教授,碩士生導(dǎo)師,主要從事人工智能、服務(wù)計(jì)算、軟件形式化方法等研究。E-mail:yjsyhyw@gztrc.edu.cn。

    中國蘋果產(chǎn)業(yè)協(xié)會(huì)發(fā)布的《2022年度中國蘋果產(chǎn)業(yè)報(bào)告》中顯示,中國蘋果產(chǎn)量仍然位居世界第一[1]。中國作為蘋果種植業(yè)大國,在蘋果產(chǎn)業(yè)發(fā)展中依舊存在一些問題。例如,在種植過程中,蘋果的葉片病害嚴(yán)重影響著蘋果的產(chǎn)量,包括對(duì)蘋果危害較為嚴(yán)重的腐爛病、褐斑病、斑點(diǎn)落葉病等。那么,如何快速精準(zhǔn)地檢測(cè)和識(shí)別蘋果葉部病害就是解決這一問題的關(guān)鍵,對(duì)于未來蘋果產(chǎn)業(yè)高質(zhì)量發(fā)展至關(guān)重要。

    隨著科技的進(jìn)步,越來越多的技術(shù)運(yùn)用到農(nóng)業(yè)生產(chǎn)領(lǐng)域,深度學(xué)習(xí)憑借其強(qiáng)大的模式識(shí)別和自適應(yīng)學(xué)習(xí)能力被廣泛應(yīng)用于番茄[2-4]、玉米[5-7]、小麥[8-9]以及茶葉[10]等農(nóng)作物病害的檢測(cè)識(shí)別任務(wù)中,在蘋果葉部病害檢測(cè)中也進(jìn)行了很多研究,例如,曾晏林等在YOLO v5中引入自注意力機(jī)制和Transformer模塊,對(duì)于蘋果葉部病害進(jìn)行有效識(shí)別[11];Mathew等使用YOLO v3算法來檢測(cè)蘋果葉部病害[12-13];Wang等通過改進(jìn)YOLO v5并輕量化網(wǎng)絡(luò),對(duì)多種蘋果葉部病害達(dá)到較高的檢測(cè)速度[14];趙嘉威等將YOLO v4網(wǎng)絡(luò)結(jié)合注意力機(jī)制模塊來檢測(cè)蘋果多種葉部病害[15];黃煒等基于VGG-16和Swin Transformer網(wǎng)絡(luò)提出了一種復(fù)雜特征的細(xì)粒度特征分離方法,有效提升了檢測(cè)精準(zhǔn)率[16];李鑫然等通過改進(jìn)Faster R_CNN模型來提高對(duì)于蘋果葉片病害的檢測(cè)精度[17];公徐路等使用ShuffleNet v2輕量化網(wǎng)絡(luò)對(duì)YOLO v5進(jìn)行改進(jìn),來達(dá)到對(duì)蘋果葉片病害檢測(cè)的高精度及輕量化的需求[18];王瑞鵬等利用EfficientNet-B0網(wǎng)絡(luò)和DenseNet121網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò),對(duì)5類蘋果葉部病害進(jìn)行檢測(cè)[19];孫長蘭等采用非極大值抑制算法將YOLO v5與EffcientDet模型進(jìn)行集成來提升蘋果葉部病害的檢測(cè)精度[20]。

    這些研究采用不同的方式改進(jìn)模型來提升檢測(cè)精度,但由于蘋果樹生長的環(huán)境復(fù)雜,樹葉繁茂,枝杈交錯(cuò),容易造成病害特征的混淆,所以大多數(shù)模型在病害檢測(cè)與識(shí)別任務(wù)中,魯棒性往往較差。除此之外,蘋果葉片病害中銹病、灰斑病、蛙眼葉斑病等病斑由于在整個(gè)葉片背景中尺寸較小,缺乏相應(yīng)的紋理、顏色、形狀等外觀信息[21],多次下采樣后,特征信息減少,導(dǎo)致檢測(cè)難度變大。

    因此,本研究在YOLO v5s模型的基礎(chǔ)上提出了一種新的改進(jìn)算法。該算法主要包括以下4點(diǎn)改進(jìn):(1) 使用KMeans++聚類算法生成新的錨框,使錨框更接近數(shù)據(jù)集標(biāo)注的大小,從而提高模型定位的準(zhǔn)確性;(2) 在骨干網(wǎng)絡(luò)引入卷積塊注意力模塊(convolutional block attention module,CBAM),增強(qiáng)骨干網(wǎng)絡(luò)對(duì)復(fù)雜環(huán)境下小尺度蘋果葉片病害特征的提取能力;(3) 在頸部網(wǎng)絡(luò)使用ConvNeXtBlock模塊替換原有的C3(CSP bottleneck with 3 convolutions)模塊,增強(qiáng)模型對(duì)特征的表達(dá)能力,并在頸部網(wǎng)絡(luò)中加入坐標(biāo)注意力(coordinate attention,CA)模塊,進(jìn)一步強(qiáng)化模型對(duì)于關(guān)鍵空間位置的響應(yīng)速度;(4) 為了使模型收斂速度更快,用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù)。通過以上改進(jìn)以滿足對(duì)于復(fù)雜環(huán)境下小尺度蘋果葉片病害識(shí)別任務(wù)的可用性。

    1" 材料與方法

    1.1" 試驗(yàn)數(shù)據(jù)集與處理

    蘋果葉片病害試驗(yàn)數(shù)據(jù)集來自于公開數(shù)據(jù)集AppleLeaf9[22],此數(shù)據(jù)集包含PlantVillage、ATLDSD、PPCD2020、PPCD2021數(shù)據(jù)集中的8種蘋果葉部病害[23-26],本試驗(yàn)選擇對(duì)蘋果產(chǎn)量影響較為嚴(yán)重的鏈格孢葉斑病、蛙眼葉斑病、灰斑病及銹病4種病害圖片,共計(jì)1 514張。為提升模型的魯棒性和泛化性能,試驗(yàn)數(shù)據(jù)集選擇的病害圖片包括復(fù)雜場景以及小目標(biāo)病害圖片,4種病害圖片如圖1所示。

    試驗(yàn)使用Labelme標(biāo)注軟件對(duì)圖片上的每一處病害進(jìn)行標(biāo)注,標(biāo)注類別和標(biāo)注框的坐標(biāo)信息存儲(chǔ)在對(duì)應(yīng)的JSON文件中。試驗(yàn)將數(shù)據(jù)集按照8 ∶2的比例劃分訓(xùn)練集和驗(yàn)證集,具體劃分如表1。

    1.2" YOLO v5整體改進(jìn)

    首先,本改進(jìn)模型使用KMeans++聚類算法生成新的錨框,其目的在于使生成的錨框更接近數(shù)據(jù)集中目標(biāo)的真實(shí)大小。數(shù)據(jù)集標(biāo)注的大小是指數(shù)據(jù)集中所有標(biāo)注目標(biāo)框的寬度和高度的統(tǒng)計(jì)分布。通過聚類算法,可以有效地生成1組錨框,這些錨

    框的尺寸能夠更好地代表數(shù)據(jù)集中目標(biāo)的實(shí)際尺寸分布,從而在訓(xùn)練過程中使模型更容易學(xué)習(xí)到目標(biāo)的特征提高檢測(cè)精度。其次,在骨干網(wǎng)絡(luò)中引入卷積塊注意力模塊(convolutional block attention module,CBAM),CBAM通過卷積操作在特征圖上計(jì)算注意力權(quán)重,這些權(quán)重可以分為通道注意力和空間注意力。重要特征是指那些對(duì)目標(biāo)識(shí)別至關(guān)重要的特征,如病害斑點(diǎn)的紋理、形狀、顏色等。在通道注意力機(jī)制下,CBAM根據(jù)每個(gè)通道的重要性分配權(quán)重,強(qiáng)化對(duì)目標(biāo)識(shí)別有幫助的通道特征;在空間注意力機(jī)制下,CBAM根據(jù)每個(gè)空間位置的重要性分配權(quán)重,強(qiáng)化對(duì)目標(biāo)識(shí)別有幫助的空間特征,抑制背景噪聲和無關(guān)區(qū)域的特征。這種處理可以提高模型對(duì)重要特征的關(guān)注度,從而增強(qiáng)判別能力。在頸部網(wǎng)絡(luò)使用ConvNeXtBlock模塊替換原有的C3模塊,ConvNeXtBlock是一個(gè)改進(jìn)的卷積模塊,它通過更深的卷積操作和更廣的感受野來捕捉多尺度特征。ConvNeXtBlock采用一種新穎的網(wǎng)絡(luò)架構(gòu)設(shè)計(jì),包括更深層次的卷積、跳躍連接以及歸一化層,這些設(shè)計(jì)能夠更好地捕捉和融合不同尺度的特征信息。通過這種改進(jìn),模型在不同尺度下的特征表達(dá)能力得到了顯著提升,使其能夠更準(zhǔn)確地識(shí)別大小不同的目標(biāo),從而提高目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。模型還在頸部網(wǎng)絡(luò)中引入了CA模塊,該模塊是一種基于坐標(biāo)的注意力機(jī)制,它通過將注意力權(quán)重與坐標(biāo)信息結(jié)合,能夠更精準(zhǔn)地定位目標(biāo)區(qū)域并強(qiáng)化目標(biāo)特征。CA模塊的核心思想是利用坐標(biāo)信息引導(dǎo)注意力權(quán)重的計(jì)算,從而更好地捕捉目標(biāo)的空間布局和上下文關(guān)系。這樣模型不僅能夠關(guān)注到目標(biāo)本身,還能考慮目標(biāo)周圍的環(huán)境特征,提高目標(biāo)檢測(cè)的魯棒性。最后,為使模型收斂速度更快,使用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù)。本研究改進(jìn)的YOLO v5s模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    1.2.1" KMeans++聚類算法生成錨框" 在YOLO v5中,錨框是一種預(yù)設(shè)的矩形框,用在特征圖上預(yù)測(cè)目標(biāo)的位置和大小。本方法采用KMeans++聚類算法生成錨框,其目的是使生成的錨框更接近數(shù)據(jù)集中目標(biāo)的真實(shí)大小。YOLO v5s默認(rèn)使用3個(gè)不同的錨框,錨框的大小為[10,13,16,30,33,23]、[30,61,62,45,59,119]、[116,90,156,198,373,326]。其中[10,13,16,30,33,23]等這些數(shù)字表示錨框的寬度和高度。具體來說,[10,13]中的10表示錨框的寬度,13表示錨框的高度。其他錨框的數(shù)字組合也是如此,分別表示不同錨框的寬度和高度。這3個(gè)不同大小的錨框?qū)?yīng)80×80、40×40、20×20等3個(gè)不同尺度的特征圖。但給定的錨框是使用MSCOCO數(shù)據(jù)集聚類得出的結(jié)果[27],MSCOCO數(shù)據(jù)集有80多個(gè)類別,試驗(yàn)中病害類別并不包含在內(nèi)。雖然YOLO v5s引入了自適應(yīng)錨框算法,但算法依舊存在局限性。自適應(yīng)錨框算法在模型訓(xùn)練前需遍歷整個(gè)數(shù)據(jù)集的標(biāo)注信息,根據(jù)這些信息計(jì)算標(biāo)注框的尺寸分布。若計(jì)算得到的最優(yōu)召回率大于或等于0.98,則不進(jìn)行進(jìn)一步的更新;反之,若最優(yōu)召回率低于0.98,則觸發(fā)錨框尺寸的重新計(jì)算和更新流程。

    為使在訓(xùn)練之前得到更符合真實(shí)標(biāo)注框的錨框,本研究選擇使用KMeans++聚類算法生成新的錨框,從而優(yōu)化模型訓(xùn)練過程。KMeans++聚類生成錨框如算法1所示。

    算法1" KMeans++生成錨框:

    輸入:數(shù)據(jù)集D,聚類數(shù)量k;

    輸出:錨框的中心點(diǎn)集合C。

    (1)初始化中心點(diǎn)集合C為空集;

    (2)從數(shù)據(jù)集D中隨機(jī)選擇1個(gè)樣本作為初始聚類中心,并加入到C中;

    (3)while |C|lt;k do;

    (4)對(duì)D中每個(gè)樣本x計(jì)算最小距離平方d(x)2;

    (5)以d(x)2成正比概率選擇新聚類中心,并加入C;

    (6)根據(jù)C中k個(gè)中心點(diǎn)確定錨框?qū)捀撸?/p>

    (7)返回錨框中心點(diǎn)集合C。

    通過KMeans++聚類算法生成錨框的具體大小如表2。

    表2" KMeans++聚類算生成錨框尺寸

    尺寸錨框大小

    小15×22、19×32、24×40

    中32×34、34×46、41×59

    大66×68、59×96、105×121

    1.2.2" 引入注意力機(jī)制" 注意力機(jī)制融入到目標(biāo)識(shí)別領(lǐng)域[28],可以幫助模型更加專注于圖像中的關(guān)鍵部分,從而提高目標(biāo)檢測(cè)的準(zhǔn)確性。目前已有多種注意力機(jī)制如EMA(exponential moving average)[29]、SA(spatial attention)[30]、CA(coordinate attention)[31]、CBAM等被廣泛應(yīng)用于目標(biāo)檢測(cè)中[32]。具體到本研究,為使模型在特征提取階段增強(qiáng)對(duì)缺乏紋理顏色的小目標(biāo)病害的提取能力,使得不同尺度的病害特征都能被有效地利用。選擇在骨干網(wǎng)絡(luò)中加入CBAM模塊,在頸部網(wǎng)絡(luò)加入CA模塊,CBAM模塊由Woo等提出,結(jié)構(gòu)如圖3所示。

    CBAM模塊主要包括CAM與SAM兩個(gè)部分,模塊首先通過通道注意力機(jī)制(channel attention module,CAM)增強(qiáng)網(wǎng)絡(luò)對(duì)不同通道特征的表達(dá)能力,隨后通過空間注意力機(jī)制(spatial attention module,SAM)進(jìn)一步細(xì)化每個(gè)位置的特征響應(yīng)。其中通道注意力模塊(CAM)結(jié)構(gòu)如圖4所示。

    輸入特征圖F是前置卷積層的輸出,包含多個(gè)通道,每個(gè)通道編碼了不同的特征信息。CAM首先對(duì)特征圖F進(jìn)行全局最大池化和全局平均池化操作。全局最大池化操作捕獲特征圖中最為顯著的特征,而全局平均池化則提取特征圖中的平均信息。池化后的結(jié)果被送入共享的多層感知器(multilayer perceptron,MLP),MLP具有2層全連接層,并在這2層之間使用ReLU激活函數(shù)。共享的MLP對(duì)2種池化信息進(jìn)行進(jìn)一步的抽象和重構(gòu),生成具有描述性的特征通道權(quán)重。經(jīng)過MLP處理后的2組特征圖進(jìn)行逐元素相加,通過Sigmoid激活函數(shù)處理,生成通道注意力圖Mc。得到的通道注意力圖Mc為每個(gè)通道指定1個(gè)權(quán)重,通過這個(gè)權(quán)重對(duì)輸入特征圖F中每個(gè)通道的響應(yīng)進(jìn)行放大或縮減。通道注意力計(jì)算公式為式(1):

    Mc(F)=σ{MLP[Avg(F)]+MLP[MaxPool(F)]}=σ[W1(W0(Fcavg)]+W1[W0(Fcmax)]。(1)

    通道注意力這樣的機(jī)制使得網(wǎng)絡(luò)能夠強(qiáng)化對(duì)重要特征通道的關(guān)注,而抑制不重要的通道,進(jìn)而更有效地利用特征信息。SAM則關(guān)注于在空間維度上的重要區(qū)域,以強(qiáng)化局部的特征表達(dá)。SAM的結(jié)構(gòu)如圖5所示。

    在CAM模塊之后,SAM模塊首先對(duì)細(xì)化后的特征圖F′執(zhí)行最大池化和平均池化操作。池化操作后得到的2個(gè)特征圖在通道維度上進(jìn)行堆疊,形成1個(gè)兩通道的特征圖,堆疊后的特征圖通過1個(gè)7×7的卷積層進(jìn)行處理。通過卷積層后,使用Sigmoid函數(shù)激活得到空間注意力圖Ms。最后,空間注意力圖Ms被用來對(duì)輸入的通道細(xì)化特征圖F′進(jìn)行加權(quán)。空間注意力權(quán)重矩陣Ms計(jì)算公式為式(2)。

    Ms(F)=σ(f7×7{[AvgPool(F);MaxPool(F)]})=σ[f7×7([Fsavg;Fsmax])]。(2)

    除了在骨干網(wǎng)絡(luò)加入CBAM模塊之外,為進(jìn)一步強(qiáng)化模型對(duì)于關(guān)鍵空間位置的響應(yīng),使得不同尺度的特征都能被更有效地利用。本研究選擇在頸部網(wǎng)絡(luò)融入CA模塊,其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

    首先輸入的是具有1個(gè)C×H×W維度的特征圖,包含C個(gè)通道的特征圖分別在x軸和y軸上進(jìn)行平均池化操作。經(jīng)過池化操作的特征圖被拼接起來,并通過1個(gè)二維卷積(Conv2d)操作,拼接完的特征圖經(jīng)過批量歸一化和非線性函數(shù)處理。之后被拆分成兩部分,并分別通過另外的卷積層進(jìn)行處理,Sigmoid函數(shù)將卷積的結(jié)果映射到(0,1)區(qū)間,生成權(quán)重。再次使用Sigmoid函數(shù)對(duì)原始輸入特征圖進(jìn)行加權(quán),突出重要的通道特征。

    1.2.3" ConvNeXtBlock 結(jié)構(gòu)" 當(dāng)病害特征被骨干網(wǎng)絡(luò)提取后,在頸部網(wǎng)絡(luò)進(jìn)行特征融合,但在深層網(wǎng)絡(luò)中隨著卷積的增加,特征圖的分辨率逐步降低,這使小目標(biāo)信息丟失,尤其是在處理蘋果葉片病害識(shí)別這種細(xì)粒度的任務(wù)中,而且因不同階段不同大小的病害可能需要多尺度的特征來進(jìn)行有效識(shí)別,因此本研究選擇使用ConvNeXtBlock模塊替換頸部網(wǎng)絡(luò)中的C3模塊,ConvNeXt結(jié)構(gòu)由Liu等提出[33],它是基于Transformer架構(gòu)上的卷積神經(jīng)網(wǎng)絡(luò)模塊,ConvNeXt網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

    模塊首先通過1個(gè)7×7的深度可分離卷積處理輸入特征圖,緊接著通過層標(biāo)準(zhǔn)化進(jìn)行歸一化操作,這一步有助于加速整個(gè)訓(xùn)練過程并加快模型的收斂速度。之后使用1×1卷積來聚合深度可分離卷積后的特征,并進(jìn)行通道上的信息融合。這一步使通道數(shù)量變?yōu)樵瓉淼?倍,增強(qiáng)了網(wǎng)絡(luò)對(duì)于局部特征的捕捉能力,ReLU激活函數(shù)的加入給予了模型的非線性。接著再次使用1×1卷積來進(jìn)一步調(diào)整特征。最后輸入的特征圖與最后一次卷積的輸出進(jìn)行殘差連接輸出結(jié)果。

    1.2.4" 損失函數(shù)改進(jìn)" 損失函數(shù)的改進(jìn)可以進(jìn)一步提升模型的收斂速度和精度,YOLO v5s默認(rèn)將CIoU作為損失函數(shù)。CIoU的設(shè)計(jì)主要考慮的關(guān)鍵因素包括邊框的重疊面積、中心點(diǎn)距離以及長寬比。CIoU損失通過增加中心點(diǎn)距離,提供了當(dāng)IoU相同時(shí)更有區(qū)分度的梯度。CIoU的計(jì)算公式為:

    CIoU=IoU-p2(b,bgt)c2αν。(3)

    式中:α、ν分別作為權(quán)重函數(shù)和寬高比的度量值,其中α的計(jì)算公式為式(4),ν的計(jì)算公式為式(5)。

    α=ν(1-IoU)+ν;(4)

    ν=4πarctanωgthgt-arctanωh2。(5)

    式中:ω、h是真實(shí)框的寬和高;ωgt、hgt是預(yù)測(cè)框的寬和高。但α、ν反映的只是邊界框長、寬的差異,并沒有反映出寬、高對(duì)于置信度的差異,且當(dāng)ω=kωgt、h=khgt懲罰項(xiàng)將失去效果。EIoU在此基礎(chǔ)上將橫縱比的影響因子拆分,分別計(jì)算真實(shí)框和預(yù)測(cè)框的長、寬,EIoU損失函數(shù)主要包括重疊損失、中心距離損失、寬高損失3個(gè)部分[34]。EIoU_Loss的計(jì)算公式為:

    LossEIoU=LIoU+Ldis+lasp=1-IoU+p2(bgt,b)c2+p2(hgt,h)c2h+p2(ωgt,ω)c2ω。(6)

    本研究結(jié)合了2種損失函數(shù)的優(yōu)點(diǎn)選擇使用ECIoU作為損失函數(shù),在此前的研究中,已有研究者將此損失函數(shù)應(yīng)用到目標(biāo)識(shí)別領(lǐng)域,如曹超等在YOLO v8中使用ECIoU損失函數(shù)來加速模型收斂[35],ECIoU損失函數(shù)計(jì)算公式為:

    LossECIoU=1-IoU+αν+p2(bgt,b)c2+p2(hgt,h)c2h+p2(ωgt,ω)c2ω。(7)

    1.3" 算法流程和分析

    改進(jìn)后的算法具體包括:在訓(xùn)練前使用KMeans++聚類算法生成新錨框、在骨干網(wǎng)絡(luò)中加入CBAM模塊、在頸部網(wǎng)絡(luò)使用ConvNeXtBlock模塊替換C3模塊并引入CA模塊、使用ECIoU損失函數(shù)替換CIoU損失函數(shù)。改進(jìn)后算法的具體訓(xùn)練流程為算法2所示。

    算法2" 改進(jìn)后的算法流程:

    輸入:訓(xùn)練數(shù)據(jù)集、模型參數(shù);

    輸出:目標(biāo)檢測(cè)結(jié)果。

    (1)初始化改進(jìn)后的YOLO v5s模型;

    (2)New anchorKMeans++;/*使用KMeans++算法生成新錨框*/;

    (3)for i=0 to N-1;

    (4)trainNew anchor amp; ECIoU;/*使用改進(jìn)后的錨框和損失函數(shù)進(jìn)行訓(xùn)練*/;

    (5)通過正向傳播生成預(yù)測(cè)框,然后根據(jù)預(yù)測(cè)和真實(shí)標(biāo)簽計(jì)算損失,損失計(jì)算公式為式(7);

    (6)通過式(7)計(jì)算結(jié)果進(jìn)行反向傳播,優(yōu)化模型權(quán)重;

    (7)for end。

    首先初始化改進(jìn)后的模型實(shí)例,并加載模型參數(shù),包括加載預(yù)訓(xùn)練的權(quán)重、設(shè)置學(xué)習(xí)率、迭代次數(shù)以及批處理大小。隨后模型使用優(yōu)化后的錨框和改進(jìn)后的損失函數(shù),在數(shù)據(jù)集上進(jìn)行多次迭代訓(xùn)練。在訓(xùn)練中模型接收輸入圖像并執(zhí)行正向傳播來生成預(yù)測(cè)框,然后根據(jù)標(biāo)注框和預(yù)測(cè)結(jié)果之間的差異,計(jì)算損失函數(shù)。計(jì)算得出損失之后,使用反向傳播算法來計(jì)算梯度,最后使用這些梯度來更新模型權(quán)重。

    1.4" 試驗(yàn)環(huán)境

    為了驗(yàn)證本算法的有效性,于2024年2—4月在銅仁市大數(shù)據(jù)智能計(jì)算及應(yīng)用重點(diǎn)實(shí)驗(yàn)室銅仁學(xué)院人工智能服務(wù)器上進(jìn)行試驗(yàn)。試驗(yàn)系統(tǒng)為Ubuntu,試驗(yàn)硬件為浪潮高性能人工智能平臺(tái),配置為:IntelXeonPlatinum 8358 PCPU@2.60 GHz,A40GPU×2,512 GB內(nèi)存,單張加速卡顯存為 45 GB 共90 GB。代碼編譯環(huán)境為Python 3.8.10,加速卡CUDA版本為11.2,深度學(xué)習(xí)框架選擇Pytroch 2.2.1。

    1.5" 模型評(píng)價(jià)指標(biāo)

    在蘋果葉片病害的識(shí)別任務(wù)中,選擇使用的評(píng)價(jià)指標(biāo)有精準(zhǔn)率(precision,P)、召回率(recall,R)以及平均精準(zhǔn)率mAP值,精準(zhǔn)率計(jì)算公式為式(8),召回率計(jì)算公式為式(9)。平均精準(zhǔn)率mAP值是基于精準(zhǔn)率和召回率得出的,可以更全面地反映模型的性能。為進(jìn)一步測(cè)試模型全面的精度性能指標(biāo),在本試驗(yàn)中納入了mAP0.5 ∶0.9的計(jì)算,mAP0.5 ∶0.9不僅考慮到了模型在容易的情況(如交并比IoU=0.5)下的性能,還評(píng)估了在更困難的情況(如IoU=0.9)下的表現(xiàn)。

    P=TPTP+FP;(8)

    R=TPTP+FN。(9)

    其中:TP代表為真正例,指模型正確地將正類別的樣本識(shí)別為正類別;FP為假正例,是指模型錯(cuò)誤地將負(fù)類別的樣本識(shí)別為正類別;FN為假負(fù)例,是指模型錯(cuò)誤地將正類別的樣本識(shí)別為負(fù)類別。

    2" 結(jié)果與分析

    2.1" 損失函數(shù)對(duì)比

    通過對(duì)損失函數(shù)的改進(jìn),使用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù),ECIoU損失函數(shù)結(jié)合了EIoU和CIoU的優(yōu)點(diǎn),既保證了懲罰項(xiàng)的有效性,又加快了模型的收斂速度,訓(xùn)練結(jié)果如圖8所示,ECIoU損失函數(shù)在Bounding box的回歸速度上要優(yōu)于CIoU損失函數(shù)。

    2.2" 消融試驗(yàn)結(jié)果

    為保證研究算法的4點(diǎn)改進(jìn)是有效的,在其他參數(shù)不變的條件下進(jìn)行了4種改進(jìn)方式的消融試驗(yàn),結(jié)果表明每一種改進(jìn)對(duì)模型的精度都有所提升,詳細(xì)的試驗(yàn)結(jié)果如表3所示。

    “改進(jìn)1”是在原始的YOLO v5s模型基礎(chǔ)上使用KMeans++聚類算法生成預(yù)測(cè)錨框,改進(jìn)1使得模型的mAP0.5、mAP0.5 ∶0.9分別提升了0.4、0.5百分點(diǎn)?!案倪M(jìn)2”是在在原始的YOLO v5s模型的基礎(chǔ)上使用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù),改進(jìn)2使得模型的mAP0.5、mAP0.5 ∶0.9分別提升了0.7、1.4百分點(diǎn)。“改進(jìn)3”在YOLO v5s的骨干網(wǎng)絡(luò)SPPF層后加入CBAM模塊,在頸部網(wǎng)絡(luò)加入CA模塊。對(duì)比原始YOLO v5s網(wǎng)絡(luò),其準(zhǔn)確率、召回率分別提升0.1、1.7百分點(diǎn),mAP0.5、mAP0.5 ∶0.9分別提升0.8、1.6百分點(diǎn)。“改進(jìn)4”使用ConvNeXt模塊替換頸部網(wǎng)絡(luò)中的C3模塊,相比較于原始YOLO v5s模型,mAP0.5、mAP0.5 ∶0.9分別提升1.7、2.1百分點(diǎn)。最終改進(jìn)模型也就是本研究算法,試驗(yàn)結(jié)果對(duì)比原始YOLO v5s模型準(zhǔn)確率、召回率分別提升2.3、1.3百分點(diǎn),mAP0.5、mAP0.5 ∶0.9分別提升6.3、5.2百分點(diǎn),其各類指標(biāo)也優(yōu)于其他3種改進(jìn)方式。

    2.3" 對(duì)比試驗(yàn)

    為了更進(jìn)一步證明本算法對(duì)其他模型的有效性,試驗(yàn)將本算法與一階段目標(biāo)檢測(cè)算法SDD、YOLO v7、YOLO v8、兩階段目標(biāo)檢測(cè)算法Faster R-CNN 進(jìn)行對(duì)比,結(jié)果如表4所示。本研究算法mAP0.5值要高于其他一階段目標(biāo)識(shí)別算法和兩階段算法。鏈格孢葉斑病、蛙眼葉斑病、銹病的識(shí)別準(zhǔn)確率要優(yōu)于其他模型;但在灰斑病的識(shí)別中兩階段目標(biāo)檢測(cè)算法Faster R-CNN盡管擁有微弱的優(yōu)勢(shì),但其龐大的參數(shù)量和計(jì)算代,價(jià)依舊沒有辦法使其與本研究算法相媲美。

    2.4" 對(duì)比分析

    為更加直接觀察模型在復(fù)雜環(huán)境下的識(shí)別效果,本試驗(yàn)還通過對(duì)比部分病害圖片的檢測(cè)結(jié)果來評(píng)估模型的有效性。在結(jié)果對(duì)比試驗(yàn)中,將本模型與原始的YOLO v5s模型進(jìn)行對(duì)比測(cè)試,結(jié)果如圖9所示。圖9-a為原始的YOLO v5s檢測(cè)結(jié)果,可以明顯看出原始YOLO v5s模型對(duì)于A種病斑的識(shí)別置信度較低,對(duì)于R種小尺寸病斑識(shí)別效果較差,存在漏檢的情況。而在圖9-b中可以看到,改進(jìn)后的YOLO v5s模型對(duì)于以上病斑識(shí)別的置信度遠(yuǎn)高

    于YOLO v5s模型,在小目標(biāo)病害識(shí)別的場景中沒有出現(xiàn)漏檢的情況。為驗(yàn)證本算法對(duì)復(fù)雜場景下的魯棒性,圖10展示了病害在強(qiáng)光照、模糊、暗光3種非正常環(huán)境下的檢測(cè)結(jié)果。結(jié)果表明,原始的YOLO v5s模型在強(qiáng)光照、模糊的場景下出現(xiàn)了多處漏檢情況,而改進(jìn)后的模型未出現(xiàn)漏檢,且檢測(cè)置信度要遠(yuǎn)高于YOLO v5s模型。圖9和圖10的2組試驗(yàn)結(jié)果證明了改進(jìn)后的算法對(duì)復(fù)雜場景和小目標(biāo)病斑識(shí)別的有效性。

    3" 結(jié)論與討論

    本研究針對(duì)復(fù)雜環(huán)境下小尺度蘋果葉片病害進(jìn)

    行識(shí)別,通過對(duì)原始的YOLO v5s模型的多個(gè)網(wǎng)絡(luò)部分進(jìn)行改進(jìn),改進(jìn)后的模型與對(duì)比Faster R-CNN、SSD、YOLO v7、YOLO v8和YOLO v5s目標(biāo)檢測(cè)模型,mAP0.5值分別提升0.6、4.6、1.7、1.3、6.3百分點(diǎn)。對(duì)于小尺寸病害銹病的檢測(cè)準(zhǔn)確率提升0.7、2.6、2、1.9、4.1百分點(diǎn),具有較高的識(shí)別精度。并通過在強(qiáng)光照、模糊、暗光3種非正常環(huán)境下與YOLO v5s模型進(jìn)行對(duì)比測(cè)試,改進(jìn)后的模型表現(xiàn)出顯著優(yōu)勢(shì),魯棒性較強(qiáng)??梢詰?yīng)用于復(fù)雜場景和小目標(biāo)病斑的識(shí)別場景。

    但檢測(cè)模型要達(dá)到實(shí)際的應(yīng)用水平,只針對(duì)這4種病害還遠(yuǎn)遠(yuǎn)不夠,對(duì)于精確識(shí)別生長在不同時(shí)間階段的蘋果葉片病害也是亟需解決的問題。所以,后續(xù)的試驗(yàn)將加入不同階段的多種病害和更復(fù)雜場景下的病害圖片進(jìn)行研究,繼續(xù)提高模型的識(shí)別精度。

    參考文獻(xiàn):

    [1]王" 壹. 中國蘋果產(chǎn)量穩(wěn)居世界第一[N]. 農(nóng)民日?qǐng)?bào),2023-11-18(7).

    [2]Zhang Y K,Huang S J,Zhou G X,et al. Identification of tomato leaf diseases based on multi-channel automatic orientation recurrent attention network[J]. Computers and Electronics in Agriculture,2023,205:107605.

    [3]Gadekallu T R,Rajput D S,Reddy M P K,et al. A novel PCA–whale optimization-based deep neural network model for classification of tomato plant diseases using GPU[J]. Journal of Real-Time Image Processing,2021,18(4):1383-1396.

    [4]Zhang D Y,Huang Y,Wu C,et al. Detecting tomato disease types and degrees using multi-branch and destruction learning[J]. Computers and Electronics in Agriculture,2023,213:108244.

    [5]鮑文霞,黃雪峰,胡根生,等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的玉米葉部病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(6):160-167.

    [6]Zeng W H,Li H D,Hu G S,et al. Lightweight dense-scale network (LDSNet) for corn leaf disease identification[J]. Computers and Electronics in Agriculture,2022,197:106943.

    [7]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.

    [8]毛" 銳,張宇晨,王澤璽,等. 利用改進(jìn)Faster-RCNN識(shí)別小麥條銹病和黃矮?。跩]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(17):176-185.

    [9]馬超偉,張" 浩,馬新明,等. 基于改進(jìn)YOLO v8的輕量化小麥病害檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2024,40(5):187-195.

    [10]李偉豪,詹" 煒,周" 婉,等. 輕量型Yolov7-TSA網(wǎng)絡(luò)在茶葉病害檢測(cè)識(shí)別中的研究與應(yīng)用[J]. 河南農(nóng)業(yè)科學(xué),2023,52(5):162-169.

    [11]曾晏林,賀壹婷,藺" 瑤,等. 基于BCE-YOLO v5的蘋果葉部病害檢測(cè)方法[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(15):155-163.

    [12]Mathew M P,Yamuna Mahesh T. Determining the region of apple leaf affected by disease using YOLO v3[C]//2021 International Conference on Communication,Control and Information Sciences. Idukki:IEEE,2021:1-4.

    [13]Liu B,Zhang Y,He D J,et al. Identification of apple leaf diseases based on deep convolutional neural networks[J]. Symmetry,2017,10(1):11.

    [14]Wang Y W,Wang Y J,Zhao J B. MGA-YOLO:a lightweight one-stage network for apple leaf disease detection[J]. Frontiers in Plant Science,2022,13:927424.

    [15]趙嘉威,田光兆,邱" 暢,等. 基于改進(jìn)YOLO v4算法的蘋果葉片病害檢測(cè)方法[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(9):193-199.

    [16]黃" 煒,王娟娟,殷學(xué)麗. 基于特征分離的小樣本蘋果病害葉片檢測(cè)[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(23):195-202.

    [17]李鑫然,李書琴,劉" 斌. 基于改進(jìn)Faster R_CNN的蘋果葉片病害檢測(cè)模型[J]. 計(jì)算機(jī)工程,2021,47(11):298-304.

    [18]公徐路,張淑娟. 基于改進(jìn)YOLO v5s的蘋果葉片小目標(biāo)病害輕量化檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2023,39(19):175-184.

    [19]孫長蘭,林海峰. 一種基于集成學(xué)習(xí)的蘋果葉片病害檢測(cè)方法[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(20):41-47.

    [20]王瑞鵬,陳鋒軍,朱學(xué)巖,等. 采用改進(jìn)的EfficientNet識(shí)別蘋果葉片病害[J]. 農(nóng)業(yè)工程學(xué)報(bào),2023,39(18):201-210.

    [21]李紅光,于若男,丁文銳. 基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)研究進(jìn)展[J]. 航空學(xué)報(bào),2021,42(7):100-118.

    [22]龍" 陽,肖小玲. 基于多注意力機(jī)制的蘋果葉部病害檢測(cè)方法[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(23):178-186.

    [23]Yang Q,Duan S K,Wang L D. Efficient identification of apple leaf diseases in the wild using convolutional neural networks[J]. Agronomy,2022,12(11):2784.

    [24]Hughes D P,Salathe M. An open access repository of images on plant health to enable the development of mobile disease diagnostics throung machine learning and crowdsourcing[EB/OL]. (2016-04-12)[2023-06-10]. https://arxiv.org/abs/1511.08060.

    [25]Feng J Z,Chao X F. Apple tree leaf disease segmentation dataset[DS/OL]. (2022-03-31) [2023-06-10]. https://www.scidb.cn/en/detail?dataSetId=0e1f 57004db842f99668d82183afd578.

    [26]Thapa R,Zhang K,Snavely N,et al. The Plant Pathology Challenge 2020 data set to classify foliar disease of apples[J]. Applications in Plant Sciences,2020,8(9):e11390.

    [27]Chen X L,F(xiàn)ang H,Lin T Y,et al. Microsoft coco captions:data collection and evaluation server[J/OL]. [2024-03-15]. https://arxiv.org/abs/1504.00325.

    [28]Loureiro C,F(xiàn)ilipe V,Gonalves L. Attention mechanism for classification of melanomas[C]//International Conference on Optimization,Learning Algorithms and Applications,2022:65-77.

    [29]Li X,Zhong Z S,Wu J L,et al. Expectation-Maximization Attention Networks for Semantic Segmentation[C]//International Conference on Computer Vision,2019.

    [30]Guo M H,Liu,Z N,Mu T J,et al. Beyond self-attention:external attention using two linear layers for visual tasks[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021:5436-5447.

    [31]Hou Q,Zhou D,F(xiàn)eng J.Coordinate Attention for Efficient Mobile Network Design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021:13708-13717.

    [32]Woo S,Park J,Lee J Y,et al. CBAM:convolutional block attentionmodule[C]//European Conference on Computer Vision. Cham:Springer,2018:3-19.

    [33]Liu Z,Mao H Z,Wu C Y,et al. A ConvNet for the 2020s[C]//2022 IEEE/CVF Conference on Computer Vision and PatternRecognition. New Orleans,2022:11966-11976.

    [34]Zhang Y F,Zhang Z,Jia Z,et al. Focal and efficient IoU loss for accurate bounding box regression[J]. Neurocomputing,2022,506(28):146-157.

    [35]曹" 超,顧幸生. 基于改進(jìn)YOLO v8的行李追蹤技術(shù)[J]. 計(jì)算機(jī)工程與應(yīng)用,2024,60(9):151-158.

    猜你喜歡
    錨框卷積病害
    基于YOLOv3錨框優(yōu)化的側(cè)掃聲吶圖像目標(biāo)檢測(cè)
    錨框策略匹配的SSD飛機(jī)遙感圖像目標(biāo)檢測(cè)
    基于SSD算法的輕量化儀器表盤檢測(cè)算法*
    早春養(yǎng)羊需防六大病害
    基于GA-RoI Transformer的遙感圖像任意方向目標(biāo)檢測(cè)
    小麥常見三種病害咋防治
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    葡萄病害周年防治歷
    果樹休眠期咋防病害
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    18禁美女被吸乳视频| 久久久国产欧美日韩av| 午夜精品在线福利| 成人特级黄色片久久久久久久| 久久精品91无色码中文字幕| 国产亚洲精品综合一区在线观看| 女生性感内裤真人,穿戴方法视频| 精品国产乱子伦一区二区三区| 美女黄网站色视频| 久久热在线av| 国产精品一区二区三区四区久久| 免费人成视频x8x8入口观看| 午夜亚洲福利在线播放| 舔av片在线| 亚洲自偷自拍图片 自拍| 一个人免费在线观看电影 | 99国产极品粉嫩在线观看| 亚洲人成电影免费在线| 午夜福利高清视频| 嫁个100分男人电影在线观看| 国产乱人伦免费视频| 91久久精品国产一区二区成人 | 色播亚洲综合网| 老汉色∧v一级毛片| 国产一区二区三区视频了| 村上凉子中文字幕在线| 欧美日韩国产亚洲二区| 可以在线观看毛片的网站| 欧美黄色淫秽网站| 最近最新免费中文字幕在线| 国产爱豆传媒在线观看| aaaaa片日本免费| 午夜影院日韩av| 亚洲精品乱码久久久v下载方式 | 午夜视频精品福利| 亚洲人成伊人成综合网2020| 久久久国产欧美日韩av| 国产精品永久免费网站| 嫩草影院精品99| 日韩欧美免费精品| 国产蜜桃级精品一区二区三区| 日本免费一区二区三区高清不卡| 国产伦一二天堂av在线观看| 国产综合懂色| 一进一出抽搐动态| 麻豆国产av国片精品| 精华霜和精华液先用哪个| 99热这里只有是精品50| 90打野战视频偷拍视频| 国内精品一区二区在线观看| a在线观看视频网站| 999久久久国产精品视频| 久久久久国产一级毛片高清牌| 国产欧美日韩一区二区三| 日日摸夜夜添夜夜添小说| 91av网站免费观看| 黄色成人免费大全| 免费观看的影片在线观看| 国产三级中文精品| 一卡2卡三卡四卡精品乱码亚洲| 1024香蕉在线观看| 少妇的逼水好多| 亚洲欧美一区二区三区黑人| 日本黄色视频三级网站网址| 女警被强在线播放| 亚洲片人在线观看| 国产探花在线观看一区二区| 欧美性猛交╳xxx乱大交人| 国产黄片美女视频| 可以在线观看的亚洲视频| 亚洲欧美日韩无卡精品| 色尼玛亚洲综合影院| 琪琪午夜伦伦电影理论片6080| 天天一区二区日本电影三级| 美女cb高潮喷水在线观看 | 精品久久久久久久末码| 好男人电影高清在线观看| 亚洲avbb在线观看| 久久精品影院6| 免费在线观看视频国产中文字幕亚洲| 麻豆av在线久日| 神马国产精品三级电影在线观看| 一级黄色大片毛片| 欧美乱妇无乱码| 少妇人妻一区二区三区视频| 国产又黄又爽又无遮挡在线| 90打野战视频偷拍视频| 日本成人三级电影网站| 99热6这里只有精品| 他把我摸到了高潮在线观看| 色综合婷婷激情| 高清毛片免费观看视频网站| 婷婷精品国产亚洲av在线| 丰满人妻熟妇乱又伦精品不卡| 成年女人永久免费观看视频| 手机成人av网站| 女警被强在线播放| 香蕉av资源在线| 又黄又粗又硬又大视频| 后天国语完整版免费观看| 在线观看一区二区三区| 亚洲av成人一区二区三| 欧美成人一区二区免费高清观看 | 欧美在线一区亚洲| 日韩欧美国产一区二区入口| 日韩欧美国产在线观看| 亚洲欧美一区二区三区黑人| 日韩人妻高清精品专区| 亚洲天堂国产精品一区在线| 欧美日韩乱码在线| 999久久久国产精品视频| 黄色丝袜av网址大全| 日韩欧美免费精品| 18禁观看日本| 中文在线观看免费www的网站| 国产伦人伦偷精品视频| 久久久久久九九精品二区国产| 久久伊人香网站| 叶爱在线成人免费视频播放| 亚洲中文字幕一区二区三区有码在线看 | 一边摸一边抽搐一进一小说| 久9热在线精品视频| 亚洲欧美日韩高清专用| 俺也久久电影网| 免费搜索国产男女视频| 18禁美女被吸乳视频| 一个人免费在线观看电影 | 性色avwww在线观看| av欧美777| 日韩精品中文字幕看吧| 欧美丝袜亚洲另类 | 999精品在线视频| 成人18禁在线播放| av视频在线观看入口| 亚洲欧美日韩无卡精品| 国产一区二区在线观看日韩 | 99国产精品99久久久久| 高潮久久久久久久久久久不卡| av黄色大香蕉| 美女扒开内裤让男人捅视频| 亚洲在线观看片| 性欧美人与动物交配| 精品久久久久久久久久免费视频| 国语自产精品视频在线第100页| 久久午夜综合久久蜜桃| www.www免费av| 久久久成人免费电影| 国产黄片美女视频| 欧洲精品卡2卡3卡4卡5卡区| 一个人观看的视频www高清免费观看 | 看黄色毛片网站| 热99re8久久精品国产| 亚洲国产欧美人成| 又粗又爽又猛毛片免费看| 久久午夜亚洲精品久久| 他把我摸到了高潮在线观看| 国产精品98久久久久久宅男小说| 特大巨黑吊av在线直播| 午夜亚洲福利在线播放| 在线视频色国产色| 亚洲va日本ⅴa欧美va伊人久久| 色视频www国产| 免费大片18禁| 国产野战对白在线观看| 少妇的丰满在线观看| 精品国产美女av久久久久小说| 人人妻人人看人人澡| xxxwww97欧美| 听说在线观看完整版免费高清| 日本免费一区二区三区高清不卡| 美女被艹到高潮喷水动态| 国产麻豆成人av免费视频| 噜噜噜噜噜久久久久久91| 神马国产精品三级电影在线观看| 国产亚洲精品综合一区在线观看| 中文字幕精品亚洲无线码一区| 亚洲狠狠婷婷综合久久图片| 99国产极品粉嫩在线观看| 亚洲一区二区三区不卡视频| 97超级碰碰碰精品色视频在线观看| 俄罗斯特黄特色一大片| 97人妻精品一区二区三区麻豆| 国内精品一区二区在线观看| 蜜桃久久精品国产亚洲av| 欧美成人一区二区免费高清观看 | 很黄的视频免费| 免费看美女性在线毛片视频| 99re在线观看精品视频| 白带黄色成豆腐渣| 一本精品99久久精品77| 亚洲色图 男人天堂 中文字幕| 九九久久精品国产亚洲av麻豆 | 狂野欧美激情性xxxx| 观看美女的网站| 久久精品国产亚洲av香蕉五月| 黄色成人免费大全| 久久久精品大字幕| 男人和女人高潮做爰伦理| 哪里可以看免费的av片| av天堂在线播放| 国产精品亚洲美女久久久| 人妻久久中文字幕网| 又大又爽又粗| 免费高清视频大片| 一区二区三区高清视频在线| 亚洲中文日韩欧美视频| 18禁黄网站禁片午夜丰满| 免费大片18禁| 久久精品国产亚洲av香蕉五月| 不卡一级毛片| 日韩欧美在线乱码| 成人亚洲精品av一区二区| 男人的好看免费观看在线视频| 19禁男女啪啪无遮挡网站| av天堂在线播放| 国语自产精品视频在线第100页| 黑人欧美特级aaaaaa片| 真人一进一出gif抽搐免费| 亚洲性夜色夜夜综合| 中文字幕人成人乱码亚洲影| 熟女电影av网| 亚洲av成人一区二区三| 法律面前人人平等表现在哪些方面| 两性夫妻黄色片| 香蕉丝袜av| 色吧在线观看| 亚洲精品在线观看二区| 黄色日韩在线| 日日摸夜夜添夜夜添小说| 一卡2卡三卡四卡精品乱码亚洲| www日本在线高清视频| 少妇人妻一区二区三区视频| 久久99热这里只有精品18| АⅤ资源中文在线天堂| 久久久精品欧美日韩精品| cao死你这个sao货| 99热6这里只有精品| 久久久久久人人人人人| 757午夜福利合集在线观看| 国产探花在线观看一区二区| 精品午夜福利视频在线观看一区| 两性夫妻黄色片| 精品免费久久久久久久清纯| 波多野结衣高清作品| 18禁黄网站禁片免费观看直播| 不卡一级毛片| 国产精品一区二区三区四区免费观看 | 男人和女人高潮做爰伦理| 嫩草影院入口| 麻豆成人午夜福利视频| 亚洲精品456在线播放app | 99在线视频只有这里精品首页| 欧美在线一区亚洲| 黄色视频,在线免费观看| 亚洲av美国av| 久久精品夜夜夜夜夜久久蜜豆| 神马国产精品三级电影在线观看| 久久香蕉精品热| 亚洲专区字幕在线| 窝窝影院91人妻| netflix在线观看网站| 一级a爱片免费观看的视频| 老熟妇仑乱视频hdxx| 日本成人三级电影网站| 国产免费男女视频| 麻豆一二三区av精品| 久久午夜综合久久蜜桃| 亚洲欧美精品综合久久99| 成人性生交大片免费视频hd| 最近最新免费中文字幕在线| 久久中文字幕一级| 国产精品九九99| 国产精品,欧美在线| 国产真人三级小视频在线观看| 动漫黄色视频在线观看| 欧美不卡视频在线免费观看| 在线国产一区二区在线| 黑人欧美特级aaaaaa片| 法律面前人人平等表现在哪些方面| 国产日本99.免费观看| 亚洲成av人片免费观看| 中亚洲国语对白在线视频| 在线观看美女被高潮喷水网站 | 免费高清视频大片| 精品国产美女av久久久久小说| 18禁黄网站禁片免费观看直播| 亚洲av成人不卡在线观看播放网| 久久精品91蜜桃| 麻豆成人av在线观看| 老熟妇乱子伦视频在线观看| 一本综合久久免费| 成人精品一区二区免费| 高潮久久久久久久久久久不卡| av黄色大香蕉| 国产精品 欧美亚洲| 老司机福利观看| 久久久国产成人精品二区| 18禁黄网站禁片午夜丰满| 好男人在线观看高清免费视频| 男人的好看免费观看在线视频| 亚洲国产欧美一区二区综合| 亚洲七黄色美女视频| 国产精品女同一区二区软件 | 色哟哟哟哟哟哟| 在线a可以看的网站| 天天一区二区日本电影三级| 国产亚洲精品一区二区www| 可以在线观看毛片的网站| 人妻丰满熟妇av一区二区三区| 真实男女啪啪啪动态图| 天堂影院成人在线观看| 亚洲第一电影网av| 亚洲avbb在线观看| 精品99又大又爽又粗少妇毛片 | 久久久精品欧美日韩精品| or卡值多少钱| 国产成人福利小说| 床上黄色一级片| 哪里可以看免费的av片| 九色成人免费人妻av| 国产黄a三级三级三级人| 床上黄色一级片| 看黄色毛片网站| 一级毛片高清免费大全| 国产1区2区3区精品| 丁香六月欧美| 亚洲中文日韩欧美视频| 少妇的逼水好多| 日韩欧美在线乱码| 9191精品国产免费久久| 久久久久久久久中文| 一级毛片高清免费大全| 欧美高清成人免费视频www| 91在线观看av| 国产精品99久久久久久久久| 成年女人毛片免费观看观看9| 欧美日韩一级在线毛片| 观看美女的网站| 欧美在线一区亚洲| 中亚洲国语对白在线视频| 99riav亚洲国产免费| 香蕉国产在线看| 国产美女午夜福利| 在线观看免费午夜福利视频| 久久久色成人| 在线观看日韩欧美| 久久久久性生活片| 成年女人毛片免费观看观看9| 亚洲avbb在线观看| 级片在线观看| 99热精品在线国产| 人人妻人人看人人澡| 国产精品影院久久| 99久久无色码亚洲精品果冻| 亚洲人成电影免费在线| 中文在线观看免费www的网站| 一个人看的www免费观看视频| www日本黄色视频网| 欧美日韩乱码在线| 色尼玛亚洲综合影院| 精品国产乱子伦一区二区三区| netflix在线观看网站| 老熟妇乱子伦视频在线观看| 国产极品精品免费视频能看的| 波多野结衣高清无吗| 啦啦啦免费观看视频1| 黄片小视频在线播放| 国产成人福利小说| 日本免费a在线| 黄片大片在线免费观看| 国产成人一区二区三区免费视频网站| 99久久综合精品五月天人人| 99久久成人亚洲精品观看| 欧美一级a爱片免费观看看| 一二三四在线观看免费中文在| 99在线人妻在线中文字幕| 桃色一区二区三区在线观看| 好看av亚洲va欧美ⅴa在| 久久人人精品亚洲av| 久久久精品欧美日韩精品| aaaaa片日本免费| 香蕉久久夜色| 亚洲真实伦在线观看| 一夜夜www| 国产精品美女特级片免费视频播放器 | 久久久久国产一级毛片高清牌| 久久人妻av系列| 亚洲一区二区三区不卡视频| 国产视频一区二区在线看| 国产三级中文精品| 国产伦精品一区二区三区视频9 | 日韩欧美在线乱码| 黄色成人免费大全| 97碰自拍视频| 精品国产美女av久久久久小说| 亚洲中文av在线| 亚洲黑人精品在线| 操出白浆在线播放| 欧美中文综合在线视频| 精品久久久久久久人妻蜜臀av| 曰老女人黄片| 嫩草影视91久久| 国产精品久久久久久精品电影| 露出奶头的视频| 18禁裸乳无遮挡免费网站照片| 欧美色欧美亚洲另类二区| 久久午夜综合久久蜜桃| 久久久久免费精品人妻一区二区| 欧美日韩综合久久久久久 | 国产淫片久久久久久久久 | 成人三级做爰电影| 99久久精品一区二区三区| 亚洲色图av天堂| 日韩免费av在线播放| 国产精品香港三级国产av潘金莲| 成年女人永久免费观看视频| 欧美xxxx黑人xx丫x性爽| 老司机午夜十八禁免费视频| xxx96com| 手机成人av网站| 99国产极品粉嫩在线观看| 美女高潮喷水抽搐中文字幕| 最近最新中文字幕大全免费视频| 最近在线观看免费完整版| svipshipincom国产片| 久久久久免费精品人妻一区二区| 亚洲精品在线美女| 最新中文字幕久久久久 | www日本在线高清视频| 大型黄色视频在线免费观看| 精品国产美女av久久久久小说| 精品国产乱码久久久久久男人| 国产精华一区二区三区| 国产一区二区三区在线臀色熟女| 18美女黄网站色大片免费观看| 国产69精品久久久久777片 | 午夜福利18| 成年女人永久免费观看视频| 99riav亚洲国产免费| 成人亚洲精品av一区二区| 亚洲午夜理论影院| 色哟哟哟哟哟哟| 亚洲激情在线av| 99久久无色码亚洲精品果冻| 最新在线观看一区二区三区| 国产精品野战在线观看| 日本黄色视频三级网站网址| 久久精品aⅴ一区二区三区四区| 日韩欧美免费精品| 久久这里只有精品19| 成人一区二区视频在线观看| 国产精品久久久久久久电影 | 国产视频一区二区在线看| av欧美777| 国产高清有码在线观看视频| 久久这里只有精品19| 99精品在免费线老司机午夜| 在线观看66精品国产| 男人舔女人下体高潮全视频| 黄频高清免费视频| 日本黄色片子视频| 99久久99久久久精品蜜桃| 日本免费一区二区三区高清不卡| 88av欧美| 亚洲五月婷婷丁香| 最新美女视频免费是黄的| 亚洲欧美精品综合一区二区三区| 巨乳人妻的诱惑在线观看| 在线观看美女被高潮喷水网站 | 日韩有码中文字幕| 人妻丰满熟妇av一区二区三区| 日本黄色视频三级网站网址| 国产精品一及| 黄片大片在线免费观看| 最新美女视频免费是黄的| 黑人巨大精品欧美一区二区mp4| 久久精品国产亚洲av香蕉五月| 69av精品久久久久久| 欧美极品一区二区三区四区| 欧美日韩瑟瑟在线播放| 精华霜和精华液先用哪个| а√天堂www在线а√下载| 首页视频小说图片口味搜索| 欧美日本视频| 亚洲成人精品中文字幕电影| 在线观看美女被高潮喷水网站 | 国产精品亚洲av一区麻豆| 老司机深夜福利视频在线观看| 九色成人免费人妻av| 亚洲 欧美一区二区三区| 国产私拍福利视频在线观看| 桃色一区二区三区在线观看| 亚洲成人免费电影在线观看| 免费看美女性在线毛片视频| 亚洲人成网站高清观看| 成人三级黄色视频| 国产淫片久久久久久久久 | 精品福利观看| 丰满的人妻完整版| 国产欧美日韩一区二区精品| 国产欧美日韩精品一区二区| 婷婷精品国产亚洲av在线| 少妇裸体淫交视频免费看高清| e午夜精品久久久久久久| 搞女人的毛片| 国产伦精品一区二区三区视频9 | av在线蜜桃| 90打野战视频偷拍视频| 国产精品亚洲av一区麻豆| 曰老女人黄片| 97超视频在线观看视频| 国产真实乱freesex| 久久国产精品影院| 99riav亚洲国产免费| 老司机在亚洲福利影院| 两个人视频免费观看高清| 日韩国内少妇激情av| 国产黄色小视频在线观看| 少妇的逼水好多| 国产成年人精品一区二区| 亚洲第一欧美日韩一区二区三区| 一区二区三区高清视频在线| 午夜福利在线观看吧| 搞女人的毛片| 久久久久久大精品| 亚洲av成人精品一区久久| 久久亚洲精品不卡| 国产久久久一区二区三区| 91字幕亚洲| cao死你这个sao货| 国内精品久久久久精免费| 久久人人精品亚洲av| 18美女黄网站色大片免费观看| 精品国内亚洲2022精品成人| 久久久国产欧美日韩av| 国模一区二区三区四区视频 | 日韩 欧美 亚洲 中文字幕| 一边摸一边抽搐一进一小说| 一级毛片精品| 啦啦啦免费观看视频1| 毛片女人毛片| 国产亚洲欧美98| 黑人巨大精品欧美一区二区mp4| 国产精品九九99| 成熟少妇高潮喷水视频| 999精品在线视频| 国产黄色小视频在线观看| 国产 一区 欧美 日韩| 亚洲精品在线观看二区| 中国美女看黄片| 少妇的逼水好多| 久久精品国产亚洲av香蕉五月| 成人av在线播放网站| 日韩精品中文字幕看吧| 麻豆国产97在线/欧美| 欧美极品一区二区三区四区| 12—13女人毛片做爰片一| 岛国在线免费视频观看| 久久久精品大字幕| 亚洲成人中文字幕在线播放| 欧美乱妇无乱码| 少妇熟女aⅴ在线视频| 久久精品影院6| 校园春色视频在线观看| 久久久久久人人人人人| 99久久无色码亚洲精品果冻| 天堂av国产一区二区熟女人妻| 国产主播在线观看一区二区| 18禁黄网站禁片午夜丰满| 黄色成人免费大全| 极品教师在线免费播放| 最新美女视频免费是黄的| 亚洲欧美日韩无卡精品| 久久久色成人| 亚洲色图av天堂| or卡值多少钱| 国产成人av激情在线播放| 日韩 欧美 亚洲 中文字幕| 女警被强在线播放| av天堂中文字幕网| 制服丝袜大香蕉在线| 日日夜夜操网爽| 久久亚洲精品不卡| 夜夜夜夜夜久久久久| 老汉色∧v一级毛片| 老鸭窝网址在线观看| 国产熟女xx| 国产精品一区二区三区四区久久| 欧美日韩亚洲国产一区二区在线观看| 亚洲专区中文字幕在线| 黄片大片在线免费观看| 国产精品国产高清国产av| 一个人免费在线观看的高清视频| 九色国产91popny在线| 一a级毛片在线观看| e午夜精品久久久久久久| 麻豆久久精品国产亚洲av| 欧美黑人巨大hd| 超碰成人久久| or卡值多少钱| 精品国内亚洲2022精品成人| 91麻豆精品激情在线观看国产| 精品午夜福利视频在线观看一区| 日韩欧美国产一区二区入口| 后天国语完整版免费观看| 三级男女做爰猛烈吃奶摸视频| 亚洲欧美一区二区三区黑人| 在线国产一区二区在线| 变态另类丝袜制服| 精品一区二区三区av网在线观看| 日韩欧美一区二区三区在线观看| 国产精品亚洲av一区麻豆| 日韩欧美国产一区二区入口| 99精品久久久久人妻精品| 欧美三级亚洲精品|