• <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 ?

    基于優(yōu)化Faster R-CNN的棉花苗期雜草識(shí)別與定位

    2021-06-09 09:48:26樊湘鵬周建平李開(kāi)敬溫德圣
    關(guān)鍵詞:特征提取雜草棉花

    樊湘鵬 周建平,2 許 燕,2 李開(kāi)敬 溫德圣

    (1.新疆大學(xué)機(jī)械工程學(xué)院,烏魯木齊 830047;2.新疆維吾爾自治區(qū)農(nóng)牧機(jī)器人及智能裝備工程研究中心,烏魯木齊 830047)

    0 引言

    我國(guó)棉花的生產(chǎn)量和消費(fèi)量均位居世界前列[1]。新疆作為中國(guó)最大的優(yōu)質(zhì)商品棉生產(chǎn)基地,其棉花產(chǎn)量占全國(guó)棉花產(chǎn)量的60%~70%[2],棉花已成為新疆地區(qū)國(guó)民經(jīng)濟(jì)的重要支柱。棉田中的雜草與棉花爭(zhēng)奪水分、養(yǎng)分和生長(zhǎng)空間,造成棉花產(chǎn)量和品質(zhì)下降[3],雜草也為病蟲(chóng)害滋生和蔓延提供了生存條件,導(dǎo)致作物病蟲(chóng)害頻發(fā)。傳統(tǒng)的人工除草方式成本高、效率低,大面積噴灑除草劑雖然可以控制雜草,但藥物殘留會(huì)造成土壤肥力下降和嚴(yán)重的環(huán)境污染[4],干擾生態(tài)平衡[5],降低棉花品質(zhì)[6]。采用智能裝備進(jìn)行精準(zhǔn)施藥或智能機(jī)械除草具有廣闊的應(yīng)用前景,利用機(jī)器視覺(jué)技術(shù)進(jìn)行雜草精準(zhǔn)快速識(shí)別和定位是田間雜草精準(zhǔn)防控管理的前提和核心技術(shù)之一[7-8]。

    傳統(tǒng)的目標(biāo)檢測(cè)主要從機(jī)器視覺(jué)獲取的圖像特征入手,借助作物與雜草乃至農(nóng)田背景等對(duì)象在顏色、形狀或紋理方面的差異性進(jìn)行圖像處理,通過(guò)手動(dòng)提取特征來(lái)實(shí)現(xiàn)雜草目標(biāo)的識(shí)別[9-10]。在自然條件下,由于雜草種類(lèi)多、生長(zhǎng)狀態(tài)多樣(如伴生等)和天氣條件多變等復(fù)雜的田間環(huán)境,傳統(tǒng)雜草檢測(cè)方法泛化能力有限,嚴(yán)重降低了檢測(cè)方法的實(shí)用性。深度學(xué)習(xí)方法與傳統(tǒng)圖像處理方法有著本質(zhì)的不同,它可以學(xué)習(xí)數(shù)據(jù)的深層次特征,實(shí)現(xiàn)密集型圖像計(jì)算任務(wù),解決復(fù)雜環(huán)境下的應(yīng)用問(wèn)題。在深度學(xué)習(xí)算法中,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)模型在作物表型信息解析和植物檢測(cè)分類(lèi)中取得了較好效果[11-16]。文獻(xiàn)[17-21]研究了基于卷積神經(jīng)網(wǎng)絡(luò)的雜草識(shí)別方法,雖然這些方法獲得了較高的準(zhǔn)確率,但識(shí)別對(duì)象多為背景簡(jiǎn)單、類(lèi)型單一的雜草。針對(duì)作物和多種雜草共存、目標(biāo)相似、雜草分布不均的雜草識(shí)別與定位問(wèn)題沒(méi)有得到很好的解決,導(dǎo)致深度學(xué)習(xí)方法在田間實(shí)際應(yīng)用中嚴(yán)重受限。自然條件下的棉田中具有雜草種類(lèi)多、目標(biāo)較小、生長(zhǎng)形態(tài)多樣(如伴生等)和天氣條件復(fù)雜等特點(diǎn),雜草與棉花幼苗具有某種程度的相似性。以區(qū)域特征為基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN模型識(shí)別錯(cuò)誤率和漏檢率低,能夠直接輸出識(shí)別與定位的檢測(cè)結(jié)果,且可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)[22-23],在農(nóng)田小目標(biāo)檢測(cè)中具有一定的優(yōu)勢(shì)[24-25]。

    為解決自然環(huán)境下的棉花苗期雜草識(shí)別問(wèn)題,推進(jìn)深度學(xué)習(xí)方法在農(nóng)田目標(biāo)檢測(cè)中的應(yīng)用,本文以新疆棉田實(shí)際環(huán)境多種天氣條件下棉花幼苗與多種伴生雜草為研究對(duì)象,對(duì)獲取的數(shù)據(jù)進(jìn)行增強(qiáng)處理,根據(jù)雜草特點(diǎn)設(shè)計(jì)最佳錨尺度,選取合適的特征提取網(wǎng)絡(luò),優(yōu)化訓(xùn)練策略,建立基于優(yōu)化Faster R-CNN的雜草檢測(cè)方法,以期實(shí)現(xiàn)復(fù)雜田間環(huán)境下的棉花幼苗與雜草的快速準(zhǔn)確識(shí)別與定位,為后期智能除草提供理論依據(jù)。

    1 試驗(yàn)數(shù)據(jù)

    1.1 圖像數(shù)據(jù)獲取

    試驗(yàn)所需數(shù)據(jù)在2019年5—7月在新疆五家渠市102團(tuán)農(nóng)場(chǎng)棉田,分12個(gè)階段(每階段相差5~8 d)使用索尼IMX386型相機(jī)垂直拍攝獲得,相機(jī)距離地面70 cm左右,圖像分辨率為1 079像素×1 157像素,格式為JPEG。為了研究不同天氣影響下的多種雜草圖像識(shí)別問(wèn)題,分別在晴天、多云和雨天進(jìn)行采集,選擇的雜草類(lèi)型有田旋花、灰綠藜、小薊、硬草、馬唐、馬齒莧、播娘篙7類(lèi),保證任意2種雜草之間的數(shù)量比例處于均衡狀態(tài)[20]。采集到的圖像中,雜草的生長(zhǎng)狀態(tài)包含:雜草單獨(dú)存在、棉花幼苗與雜草伴生、雜草分布密集、分布稀疏等多種情況。期間總共拍攝4 694幅有效圖像。新疆棉田的棉花幼苗和雜草生長(zhǎng)分布情況如圖1所示。卷積神經(jīng)網(wǎng)絡(luò)需要進(jìn)行有監(jiān)督的訓(xùn)練,因此利用Lableme工具對(duì)圖像中的目標(biāo)進(jìn)行標(biāo)注,并保存為Pascal VOC格式。

    1.2 數(shù)據(jù)增強(qiáng)

    卷積神經(jīng)網(wǎng)絡(luò)模型需要大量樣本圖像才能訓(xùn)練出好的識(shí)別效果[26]。利用幾何變換和顏色變換的方法對(duì)樣本圖像進(jìn)行數(shù)據(jù)增強(qiáng),每幅圖像的標(biāo)注文件也同步變換。在樣本圖像數(shù)量較少的情況下,通過(guò)基本變換可以增加樣本數(shù)量,而且還可以避免因?yàn)闃颖咎倩蛘叱叨忍〉葐?wèn)題造成識(shí)別過(guò)程中出現(xiàn)的失真或過(guò)擬合等問(wèn)題,改變樣本圖像的亮度和飽和度,可以消除一些圖像噪聲來(lái)改變圖像的視覺(jué)效果,以緩解模型的過(guò)擬合現(xiàn)象。數(shù)據(jù)增強(qiáng)后,樣本數(shù)量擴(kuò)大到原來(lái)的4倍,變?yōu)?8 776幅。以棉花幼苗與小薊交叉生長(zhǎng)的圖像為例,數(shù)據(jù)增強(qiáng)后得到的圖像效果如圖2所示。

    2 優(yōu)化Faster R-CNN雜草識(shí)別與定位模型

    2.1 Faster R-CNN目標(biāo)檢測(cè)算法

    Faster R-CNN誕生于2015年[22],是Two-stage檢測(cè)算法的典型代表,具有識(shí)別漏檢率低、準(zhǔn)確率高、實(shí)時(shí)性強(qiáng)的特點(diǎn)。One-stage算法的典型代表是YOLO(You only look once)系列和SSD(Single shot multibox detector)系列算法,One-stage算法是通過(guò)在一個(gè)步驟中完成目標(biāo)分類(lèi)和定位來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)。

    Faster R-CNN的提出是為了解決Select search方法找尋目標(biāo)區(qū)域速度太慢的問(wèn)題,即用區(qū)域建議網(wǎng)絡(luò)代替費(fèi)時(shí)的Select search。Faster R-CNN的基本結(jié)構(gòu)如圖3所示,該網(wǎng)絡(luò)主要包括共享卷積層單元、區(qū)域建議網(wǎng)絡(luò)和Fast R-CNN這3個(gè)模塊。共享卷積層單元是Faster R-CNN中的特征提取網(wǎng)絡(luò),用于提取圖像特征;區(qū)域建議網(wǎng)絡(luò)通過(guò)借助錨(Anchor),在單一尺度的特征圖上高效地生成多種尺度和多種長(zhǎng)寬比的感興趣區(qū)域;Fast R-CNN部分包含ROI Pooling單元、Softmax分類(lèi)單元和邊界框回歸單元(Bbox regression),ROI Pooling單元用于池化提取每個(gè)感興趣區(qū)域的特征,Softmax分類(lèi)器單元實(shí)現(xiàn)類(lèi)別預(yù)測(cè),邊界框回歸單元實(shí)現(xiàn)位置回歸。Faster R-CNN對(duì)輸入圖像中的雜草進(jìn)行檢測(cè)的流程可以分為3步:首先輸入圖像經(jīng)過(guò)預(yù)訓(xùn)練的特征提取網(wǎng)絡(luò)后提取圖像中的目標(biāo)特征;之后區(qū)域建議網(wǎng)絡(luò)利用提取到的特征找出一定數(shù)量的感興趣區(qū)域來(lái)估計(jì)可能包含雜草目標(biāo)的類(lèi)別和位置;圖像特征和感興趣區(qū)域輸入到Fast R-CNN中的ROI Pooling單元中提取特征,Softmax回歸對(duì)感興趣區(qū)域進(jìn)行分類(lèi),判斷雜草目標(biāo)的類(lèi)別,同時(shí)使用邊界框回歸對(duì)這些RoIs的位置進(jìn)行微調(diào)(fine-tune),最終獲得檢測(cè)框的最終精確位置,即對(duì)雜草進(jìn)行定位。

    2.2 Faster R-CNN算法優(yōu)化

    2.2.1特征提取網(wǎng)絡(luò)優(yōu)選

    在Faster R-CNN中最初使用的是ZFNet和VGG16這2種特征提取網(wǎng)絡(luò),但ZFNet的精度較低,VGG16特征提取器網(wǎng)絡(luò)成為卷積神經(jīng)網(wǎng)絡(luò)中性能優(yōu)秀的結(jié)構(gòu)類(lèi)型。VGG16中包含了16個(gè)權(quán)重層,分別為13個(gè)卷積層和3個(gè)全連接層,其最大的特點(diǎn)是使用了3×3的卷積核以及2×2的池化核,能夠提取出輸入域中更多細(xì)小的特征。經(jīng)過(guò)發(fā)展,雖然一些更深層次的特征提取網(wǎng)絡(luò)如VGG19、ResNet50和ResNet101等出現(xiàn),但隨著網(wǎng)絡(luò)結(jié)構(gòu)的增加,其深度和參數(shù)也不斷增多,會(huì)占用更多的存儲(chǔ)資源和計(jì)算單元,導(dǎo)致訓(xùn)練退化,降低模型的性能。在對(duì)棉花苗期的幼苗和雜草進(jìn)行檢測(cè)時(shí),需要設(shè)計(jì)能同時(shí)保證識(shí)別精度和識(shí)別速度的卷積網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)。本文的試驗(yàn)思路為:選取預(yù)訓(xùn)練的VGG16結(jié)構(gòu)作為Faster R-CNN模型的特征提取網(wǎng)絡(luò),提取雜草圖像的特征,同時(shí)分別選擇VGG19、ResNet50和ResNet101這3種結(jié)構(gòu)的特征提取網(wǎng)絡(luò)作為對(duì)比,驗(yàn)證不同特征提取網(wǎng)絡(luò)對(duì)模型識(shí)別性能的影響。

    2.2.2Dropout優(yōu)化算法

    VGG16、VGG19、ResNet50和ResNet101這4種特征提取網(wǎng)絡(luò)均是在ImageNet等大型數(shù)據(jù)集上進(jìn)行了充分的訓(xùn)練后才有較好的效果。在ImageNet中有上百萬(wàn)幅圖像[26],試驗(yàn)中獲取的雜草圖像數(shù)據(jù)規(guī)模相對(duì)較小,因此為避免模型產(chǎn)生過(guò)擬合現(xiàn)象,選擇Dropout優(yōu)化算法來(lái)提高模型的性能。Dropout算法的作用在于根據(jù)設(shè)定概率使網(wǎng)絡(luò)訓(xùn)練過(guò)程中的神經(jīng)元輸出值隨機(jī)丟棄,即使一部分神經(jīng)元“失活”,可以避免網(wǎng)絡(luò)訓(xùn)練過(guò)程中產(chǎn)生的過(guò)擬合現(xiàn)象。本文在特征提取網(wǎng)絡(luò)的后2個(gè)全連接層設(shè)定Dropout訓(xùn)練策略。

    2.2.3錨框的改進(jìn)設(shè)計(jì)

    區(qū)域建議網(wǎng)絡(luò)的作用在于提供候選區(qū)域即感興趣區(qū)域,每幅圖像可生成大約2 000個(gè)候選框。在生成區(qū)域建議之前需要確定圖像的最佳錨尺度。RPN以16像素的步幅評(píng)估圖像每個(gè)位置的不同邊界框,產(chǎn)生的不同邊界框形成的盒子稱(chēng)為錨,其特征是由它們的比例(盒子面積)和縱橫比決定。本研究中的雜草對(duì)象大小不一且種類(lèi)多,為了使模型能快速檢測(cè)到目標(biāo),本文測(cè)試了3種不同縱橫比的Anchor,確定了縱橫比為1∶2與1∶1的錨最佳尺度。輸入圖像的尺寸為500像素×375像素,但網(wǎng)絡(luò)會(huì)在最短的一側(cè)將輸入圖像的尺寸調(diào)整為400像素。因此,將最短邊設(shè)定為400像素,錨框的尺寸與圖像中目標(biāo)比較情況如圖4所示。

    2.3 雜草識(shí)別與定位方法

    本文研究的目的是建立適用于自然條件下棉田苗期雜草識(shí)別和定位的模型,并具備實(shí)時(shí)性檢測(cè)的能力。為了實(shí)現(xiàn)對(duì)雜草目標(biāo)的檢測(cè),需要準(zhǔn)確定位包含識(shí)別對(duì)象的Anchor位置,并對(duì)雜草的種類(lèi)進(jìn)行判別。采用Faster R-CNN架構(gòu)下的4種特征提取網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn),通過(guò)比較其精確率得到最適合于本研究的特征提取網(wǎng)絡(luò)。在所選最優(yōu)的特征提取網(wǎng)絡(luò)下,將Faster R-CNN模型算法與SSD和YOLO這2種主流目標(biāo)檢測(cè)算法進(jìn)行對(duì)比,驗(yàn)證所提方法在雜草識(shí)別與定位中的性能。

    3 模型訓(xùn)練

    3.1 試驗(yàn)平臺(tái)

    整個(gè)試驗(yàn)過(guò)程的運(yùn)行環(huán)境為:Windows 7(64位)操作系統(tǒng),Anaconda 3.5.0,CUDA 8.0和cuDNN 6.0庫(kù),搭載Intel(R)Xeon(R)CPU E5-2630 v4 @2.20 GHz處理器,使用開(kāi)源深度學(xué)習(xí)框架TensorFlow作為開(kāi)發(fā)環(huán)境,計(jì)算機(jī)內(nèi)存16 GB,所用Python版本為3.5.6。

    3.2 網(wǎng)絡(luò)模型訓(xùn)練

    以Faster R-CNN作為雜草檢測(cè)識(shí)別的基礎(chǔ)網(wǎng)絡(luò)框架,選擇ImageNet預(yù)訓(xùn)練的模型初始化權(quán)值,采用交替優(yōu)化訓(xùn)練方式,在VGG16、VGG19、ResNet50和ResNet101這4種特征提取網(wǎng)絡(luò)下進(jìn)行訓(xùn)練。為提升模型性能,減少過(guò)擬合,選擇帶動(dòng)量(Momentum)的隨機(jī)梯度下降法(Stochastic gradient descent,SGD)改善模型。動(dòng)量因子設(shè)置為0.9,最大迭代次數(shù)為 60 000,學(xué)習(xí)率最初設(shè)為0.01,迭代次數(shù)達(dá)到20 000,學(xué)習(xí)率降為0.001,當(dāng)?shù)螖?shù)達(dá)到40 000時(shí)學(xué)習(xí)率降為0.000 25,直到迭代次數(shù)達(dá)到最大值后停止訓(xùn)練。在本試驗(yàn)中采用在Dropout的訓(xùn)練策略,Dropout參數(shù)值設(shè)置為0.6。從18 776幅樣本圖像中隨機(jī)選擇其中的70%作為樣本訓(xùn)練集,剩余30%為測(cè)試集,測(cè)試集用于對(duì)模型驗(yàn)證并輸出識(shí)別結(jié)果。

    3.3 評(píng)價(jià)指標(biāo)

    采用平均精確率(Average precision,AP)作為目標(biāo)檢測(cè)性能的評(píng)價(jià)指標(biāo)。AP與精度P和召回率R有關(guān),AP是對(duì)精度-召回率曲線(P-R)的積分,AP反映模型識(shí)別雜草的效果,其值越接近100%,識(shí)別效果越好。

    4 結(jié)果與分析

    4.1 不同特征提取網(wǎng)絡(luò)對(duì)模型性能的影響

    在Faster R-CNN網(wǎng)絡(luò)的共享卷積層單元有多種預(yù)訓(xùn)練網(wǎng)絡(luò)可供選擇來(lái)提取圖像特征,在選擇網(wǎng)絡(luò)時(shí)必須考慮特征提取網(wǎng)絡(luò)的特點(diǎn),特征提取網(wǎng)絡(luò)的結(jié)構(gòu)尺寸、速度和特提取效果都是影響目標(biāo)識(shí)別性能的因素。VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)是常用的結(jié)構(gòu),VGG16和VGG19特征提取網(wǎng)絡(luò)的最后一個(gè)最大池化層是由ROI最大池化層替換,而ResNet50和ResNet101網(wǎng)絡(luò)是在特征提取層之后插入ROI池化層,且有更深層次的結(jié)構(gòu)。為選取更適合本文研究對(duì)象的特征提取網(wǎng)絡(luò),分別選取VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)進(jìn)行試驗(yàn)對(duì)比,繪制P-R曲線。召回率反映了分類(lèi)器對(duì)正樣本的覆蓋能力,精度反映了分類(lèi)器預(yù)測(cè)正樣本的精準(zhǔn)度,得到4種特征提取網(wǎng)絡(luò)的P-R曲線如圖5所示,模型性能對(duì)比結(jié)果如表1所示。

    從圖5可以看出,在Faster R-CNN框架下的4種特征提取網(wǎng)絡(luò)中,VGG16結(jié)構(gòu)的P-R曲線與坐標(biāo)軸所圍成的區(qū)域面積最大,在保持相同召回率的同時(shí)能夠保持較高的檢測(cè)精度。結(jié)合表1可以看出,VGG16結(jié)構(gòu)的平均識(shí)別時(shí)間雖不是最少,但平均識(shí)別精確率達(dá)到94.21%,均高于VGG19、ResNet50和ResNet101模型,表明VGG16特征提取網(wǎng)絡(luò)結(jié)構(gòu)在Faster R-CNN的配置優(yōu)于其他3種特征提取網(wǎng)絡(luò)。其原因在于,VGG16模型的卷積層采用3×3的濾波器,經(jīng)連續(xù)堆疊組成的卷積序列能夠模仿出更大的感受野效果,可有效提取細(xì)小特征并擬合更加復(fù)雜的特征,因此具有較高的精確率;VGG19采用19層卷積層,大部分參數(shù)集中在全連接層,負(fù)載增加,導(dǎo)致過(guò)擬合現(xiàn)象嚴(yán)重,精確率有所降低;ResNet50和ResNet101由于網(wǎng)絡(luò)層級(jí)更深,雖然能夠提取到更多深層次特征,但神經(jīng)網(wǎng)絡(luò)在反向傳播過(guò)程中梯度衰減,導(dǎo)致部分權(quán)重調(diào)整失效,精確率和檢測(cè)速度有所下降。ResNet101結(jié)構(gòu)的平均精確率高于ResNet50結(jié)構(gòu),但低于VGG16結(jié)構(gòu)。在本試驗(yàn)中,層數(shù)較淺的VGG16特征提取網(wǎng)絡(luò)比更深層次的特征提取網(wǎng)絡(luò)對(duì)雜草檢測(cè)性能更好?;跈z測(cè)速度、樣本數(shù)量及復(fù)雜特點(diǎn)和分類(lèi)精確率的綜合考量,VGG16特征提取網(wǎng)絡(luò)更適用于本研究項(xiàng)目的需求。本文后續(xù)試驗(yàn)均采用VGG16特征提取網(wǎng)絡(luò)構(gòu)建Faster R-CNN雜草識(shí)別模型。

    表1 不同特征提取器試驗(yàn)結(jié)果對(duì)比

    4.2 不同生長(zhǎng)狀況的雜草識(shí)別與定位效果

    新疆棉田多采用滴灌方式,棉花根部附近的水分較多,會(huì)出現(xiàn)不同密集程度的棉花與雜草交叉生長(zhǎng)現(xiàn)象,相互交叉混合生長(zhǎng)的雜草會(huì)使得雜草葉片有不同程度的遮擋,在雜草識(shí)別中容易帶來(lái)無(wú)法識(shí)別或者識(shí)別錯(cuò)誤等問(wèn)題,導(dǎo)致雜草識(shí)別精度下降。如圖6a僅針對(duì)雜草進(jìn)行識(shí)別與定位,圖6b對(duì)棉花幼苗和雜草同時(shí)識(shí)別與定位,將棉花幼苗作為檢測(cè)對(duì)象可以在識(shí)別定位過(guò)程中區(qū)別于雜草,避免錯(cuò)誤識(shí)別現(xiàn)象。因此,通過(guò)對(duì)棉花幼苗的識(shí)別和定位,可間接提高雜草的識(shí)別率。

    使用訓(xùn)練好的模型對(duì)不同分布密度的雜草檢測(cè)效果如圖7所示??梢园l(fā)現(xiàn),基于Faster R-CNN的識(shí)別模型針對(duì)各種分布情況的雜草都具有很好的識(shí)別效果,且能夠通過(guò)邊界框回歸對(duì)棉花幼苗和多個(gè)雜草目標(biāo)進(jìn)行準(zhǔn)確定位。不論是雜草分布稀疏還是密集的情況,區(qū)域建議網(wǎng)絡(luò)可以通過(guò)Anchor對(duì)目標(biāo)進(jìn)行單獨(dú)定位,在圖7a中,棉花幼苗與雜草伴生緊鄰的條件下,模型也能使棉花幼苗和雜草目標(biāo)分離開(kāi),并對(duì)其準(zhǔn)確定位。在檢測(cè)目標(biāo)較多時(shí),出現(xiàn)概率降低的現(xiàn)象。這種情況一是由于棉花幼苗生長(zhǎng)間距較小,造成形狀特征交叉擬合,降低了識(shí)別效果;二是由于部分棉花幼苗葉面存在斑點(diǎn),如圖7c左下角識(shí)別概率為0.162的棉花幼苗。上述問(wèn)題可通過(guò)增加棉花與雜草互生狀態(tài)下以及帶有斑點(diǎn)的棉花幼苗樣本圖像來(lái)提高識(shí)別效果。Faster R-CNN中的區(qū)域建議網(wǎng)絡(luò)可以借助Anchor 的形式在圖像的不同位置生成邊框,并提取相應(yīng)區(qū)域的特征,高效生成不同的感興趣區(qū)域,在Fast R-CNN結(jié)構(gòu)中邊界回歸框的微調(diào)作用下實(shí)現(xiàn)對(duì)雜草的精確定位??傮w而言,所提方法可以實(shí)現(xiàn)自然環(huán)境下幼苗與雜草伴生、多種雜草不同分布密度的目標(biāo)識(shí)別與定位。

    4.3 不同天氣條件雜草圖像對(duì)模型的影響

    為研究在雜草識(shí)別過(guò)程中天氣條件對(duì)識(shí)別率的影響,將晴天、多云和雨天條件下的相同雜草進(jìn)行同等數(shù)量劃分,晴天、陰天和雨天的不同雜草圖像各1 000幅。將這些圖像分別采用訓(xùn)練好的模型進(jìn)行識(shí)別,模型在3種天氣條件下的識(shí)別時(shí)間分別為260.1、345.2、359.8 s,平均識(shí)別精確率分別為97.02%、93.77%、90.34%。結(jié)果表明,在雨天環(huán)境獲取的圖像樣本的識(shí)別時(shí)間最長(zhǎng)且識(shí)別精度最低。因此,為提高模型在實(shí)際應(yīng)用中的效果,應(yīng)增加在極端天氣條件下的樣本數(shù)量。

    4.4 與其他模型算法對(duì)比

    為了顯示所提方法的優(yōu)越性,在保證相同的試驗(yàn)條件和圖像處理方法條件下,將所提Faster R-CNN算法與主流目標(biāo)檢測(cè)算法SSD和YOLO網(wǎng)絡(luò)模型進(jìn)行對(duì)比試驗(yàn)。為保證對(duì)比試驗(yàn)有效性,3種方法均基于TensorFlow環(huán)境,都采用VGG16結(jié)構(gòu)作為特征提取網(wǎng)絡(luò),訓(xùn)練方式均為SGD,學(xué)習(xí)率設(shè)置規(guī)則保持一致,Dropout值為0.6,最大迭代次數(shù)為60 000,使用相同的數(shù)據(jù)集訓(xùn)練模型并對(duì)棉花幼苗和雜草進(jìn)行識(shí)別測(cè)試。3種方法最終得到的損失值和精度如圖8所示。

    結(jié)合圖8和表2可以看出,3種方法損失值均隨著迭代次數(shù)的增加而遞減,一開(kāi)始損失值下降較快,這是因?yàn)槌跏紝W(xué)習(xí)率設(shè)置較大的原因,隨著迭代次數(shù)的增加,學(xué)習(xí)率逐漸變小,曲線變化趨于平緩直到收斂。YOLO算法在整個(gè)試驗(yàn)過(guò)程中損失值一直高于SSD方法和Faster R-CNN方法,平均檢測(cè)耗時(shí)為0.314 s,最終獲得的平均精確率在3種方法中最低,為84.97%。其原因在于YOLO算法在回歸過(guò)程中網(wǎng)格回歸單一,使得對(duì)雜草的定位不夠精準(zhǔn),單網(wǎng)格空間約束限制了模型在雜草分布密集、相鄰較近的預(yù)測(cè),漏檢率較高,導(dǎo)致其檢測(cè)精度較低。在迭代次數(shù)10 000之前,SSD方法的損失值與Faster R-CNN方法損失值相差不大,但隨著迭代次數(shù)的不斷增加直到收斂,F(xiàn)aster R-CNN方法的損失值一直低于SSD方法,在檢測(cè)精度上SSD方法最終達(dá)到的平均精確率為87.23%,F(xiàn)aster R-CNN平均精確率為94.21%,在3種方法中最高。在識(shí)別速度上,SSD相對(duì)于YOLO有所提升,處理單幅圖像時(shí)間為0.297 s,高于Faster R-CNN方法。SSD算法結(jié)合了YOLO中的回歸思想和Faster R-CNN中的Anchor機(jī)制,使用全圖各個(gè)位置的多尺度區(qū)域特征進(jìn)行回歸,因此速度和精確率有所提升。但SSD方法對(duì)于目標(biāo)較小、雜草特征和分布復(fù)雜的較小目標(biāo)識(shí)別時(shí),由于Anchor對(duì)特征圖中的覆蓋范圍大,導(dǎo)致對(duì)小目標(biāo)的訓(xùn)練不充分,因而對(duì)雜草目標(biāo)較小時(shí)的檢測(cè)精度降低。Faster R-CNN算法由于采用了區(qū)域建議網(wǎng)絡(luò)RPN代替原來(lái)的比較費(fèi)時(shí)的Select search算法,從而將候選區(qū)域提取的時(shí)間代價(jià)降為0.2 s左右,同時(shí)由于Anchor的存在,在訓(xùn)練樣本的過(guò)程中,通過(guò)將真實(shí)的邊框位置相對(duì)于預(yù)設(shè)邊框的偏移來(lái)構(gòu)建訓(xùn)練樣本,RPN生成的2 000多個(gè)框能夠快速準(zhǔn)確地找到雜草圖像中的感興趣區(qū)域ROI,大大提高了目標(biāo)檢測(cè)的精度。這說(shuō)明,在自然條件下小目標(biāo)檢測(cè)中,F(xiàn)aster R-CNN比YOLO算法和SSD算法更具有優(yōu)勢(shì),其檢測(cè)精度更高,實(shí)時(shí)性更好,尤其是在棉花苗期,當(dāng)棉花幼苗與雜草同時(shí)存在較小目標(biāo)的情況下,應(yīng)當(dāng)首選Faster R-CNN算法。

    表2 3種方法試驗(yàn)結(jié)果對(duì)比

    4.5 大田環(huán)境下的應(yīng)用驗(yàn)證

    為了驗(yàn)證本文方法在實(shí)際場(chǎng)景下的可行性,在新疆石河子133團(tuán)農(nóng)場(chǎng)棉田,采用馳龍植保拖拉機(jī)搭載攝像頭作為圖像拍攝平臺(tái)和計(jì)算機(jī)平臺(tái),對(duì)所提方法進(jìn)行實(shí)際環(huán)境驗(yàn)證,如圖9所示。試驗(yàn)過(guò)程中,計(jì)算機(jī)運(yùn)行環(huán)境為T(mén)ensorFlow-GPU,所搭載相機(jī)為順華利SHL-200W/N型工業(yè)USB數(shù)碼相機(jī),最高分辨率1 600像素×1 200像素,幀速率為6 f/s。將相機(jī)調(diào)整到離地面120 cm的高度,垂直向下拍攝,拍攝好的圖像通過(guò)USB數(shù)據(jù)線傳輸?shù)接?jì)算機(jī)指定的文件夾中,調(diào)用模型對(duì)圖像進(jìn)行檢測(cè),輸出識(shí)別結(jié)果。識(shí)別過(guò)程對(duì)采集到的150幅有效圖像進(jìn)行驗(yàn)證,將棉花誤識(shí)別為雜草和將雜草誤識(shí)別為棉花的圖像有17幅,實(shí)現(xiàn)了88.67%的平均識(shí)別精確率,單幅圖像平均耗時(shí)0.385 s。實(shí)際應(yīng)用中只輸出識(shí)別結(jié)果是不夠的,為更好將識(shí)別結(jié)果應(yīng)用于智能除草裝備或植保機(jī)械,使得在實(shí)際作業(yè)中能夠區(qū)分作物和雜草并進(jìn)行定位,可將作物和雜草分別標(biāo)以紅色和黃色,如圖10所示。在大田環(huán)境下的試驗(yàn)表明了所提方法在田間自然條件下的雜草識(shí)別與定位具有一定的可行性和實(shí)用性。

    5 結(jié)論

    (1)采用數(shù)據(jù)增強(qiáng)方法增加雜草樣本的多樣性和數(shù)量,設(shè)計(jì)了符合雜草特點(diǎn)的Faster R-CNN模型錨框,并加入Dropout策略訓(xùn)練模型,利用本文方法能夠?qū)崿F(xiàn)自然條件下與棉花幼苗伴生的7種雜草定位、識(shí)別和分類(lèi),平均精確率為94.21%。

    (2)通過(guò)對(duì)VGG16、VGG19、ResNet50和ResNet101 4種特征提取網(wǎng)絡(luò)的對(duì)比試驗(yàn),確定了VGG16結(jié)構(gòu)為最佳特征提取網(wǎng)絡(luò)。對(duì)比了不同天氣條件下的雜草識(shí)別效果,雨天環(huán)境對(duì)雜草識(shí)別率的影響最大。通過(guò)調(diào)整樣本數(shù)量訓(xùn)練出識(shí)別精度較高、魯棒性較好的Faster R-CNN網(wǎng)絡(luò)模型,該模型可實(shí)現(xiàn)多種伴生狀態(tài)、不同分布密度特點(diǎn)的雜草檢測(cè)。

    (3)將Faster R-CNN與YOLO、SSD進(jìn)行比較,F(xiàn)aster R-CNN平均識(shí)別時(shí)間為0.261 s,平均識(shí)別精確率比YOLO算法高9.24個(gè)百分點(diǎn),比SSD算法高6.98個(gè)百分點(diǎn),針對(duì)雜草這類(lèi)較小目標(biāo)的檢測(cè),優(yōu)化后的Faster R-CNN算法綜合性能優(yōu)于YOLO和SSD方法。通過(guò)大田試驗(yàn)驗(yàn)證,實(shí)現(xiàn)了自然條件下88.67%的平均識(shí)別精確率,平均耗時(shí)為0.385 s,說(shuō)明本文方法具有一定的實(shí)用性和可推廣性,可為后期采用智能裝備除草或精準(zhǔn)噴施提供依據(jù)。

    猜你喜歡
    特征提取雜草棉花
    拔雜草
    棉花是花嗎?
    棉花
    小讀者(2020年4期)2020-06-16 03:33:54
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    水稻田幾種難防雜草的防治
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    心中的“棉花糖”
    第三講 棉花肥害診斷及其防治
    雜草圖譜
    成人国语在线视频| 亚洲欧美一区二区三区黑人 | 纯流量卡能插随身wifi吗| 一本色道久久久久久精品综合| 大香蕉久久网| 99热这里只有是精品在线观看| 综合色丁香网| 在线观看免费日韩欧美大片 | 黑人高潮一二区| 亚洲,欧美,日韩| 亚洲欧美清纯卡通| 久久久午夜欧美精品| 亚洲国产最新在线播放| 最近最新中文字幕免费大全7| 精品熟女少妇av免费看| av在线老鸭窝| 午夜91福利影院| 91久久精品国产一区二区三区| 日本与韩国留学比较| 日韩在线高清观看一区二区三区| 性色avwww在线观看| av天堂久久9| 超色免费av| 精品少妇黑人巨大在线播放| 我要看黄色一级片免费的| 一本色道久久久久久精品综合| 天堂中文最新版在线下载| 日韩一区二区视频免费看| 女性被躁到高潮视频| 多毛熟女@视频| 亚洲天堂av无毛| 国产男女超爽视频在线观看| 国产精品麻豆人妻色哟哟久久| 老司机亚洲免费影院| 国产片内射在线| 又大又黄又爽视频免费| 女人久久www免费人成看片| 伊人久久国产一区二区| 免费观看的影片在线观看| 精品一区在线观看国产| 亚洲av中文av极速乱| 亚洲精品美女久久av网站| 国产精品蜜桃在线观看| 99九九在线精品视频| 日日爽夜夜爽网站| 国产男女内射视频| 久久99蜜桃精品久久| 国产精品.久久久| 亚洲国产精品国产精品| av女优亚洲男人天堂| 青春草亚洲视频在线观看| 国产一区二区三区av在线| 波野结衣二区三区在线| 国产色婷婷99| 简卡轻食公司| 99九九线精品视频在线观看视频| 日韩av不卡免费在线播放| 精品一品国产午夜福利视频| 午夜福利影视在线免费观看| 大片电影免费在线观看免费| 国产精品成人在线| 黄色配什么色好看| 国产精品一二三区在线看| 欧美少妇被猛烈插入视频| av播播在线观看一区| 大香蕉久久网| 国产在线一区二区三区精| 亚洲国产色片| 少妇猛男粗大的猛烈进出视频| 欧美少妇被猛烈插入视频| 日本午夜av视频| 在线看a的网站| 久久精品国产亚洲av涩爱| 精品一区二区三区视频在线| 久久久久视频综合| 亚洲美女黄色视频免费看| 国产淫语在线视频| 国产亚洲精品久久久com| 免费日韩欧美在线观看| 亚洲欧美一区二区三区国产| 亚洲精品久久午夜乱码| 国产一区亚洲一区在线观看| 69精品国产乱码久久久| 国产男女超爽视频在线观看| 黄色欧美视频在线观看| 乱人伦中国视频| 婷婷成人精品国产| 日本欧美国产在线视频| 成人18禁高潮啪啪吃奶动态图 | 亚洲精品日韩在线中文字幕| 看十八女毛片水多多多| 伊人久久精品亚洲午夜| 极品少妇高潮喷水抽搐| 国产亚洲一区二区精品| 亚洲婷婷狠狠爱综合网| 99久久精品一区二区三区| 亚洲av在线观看美女高潮| 久热久热在线精品观看| 国产精品99久久99久久久不卡 | 十分钟在线观看高清视频www| 亚洲精品亚洲一区二区| 永久网站在线| 男女免费视频国产| 久久国产精品大桥未久av| 久久久久久久久久成人| 日韩欧美一区视频在线观看| 精品亚洲成a人片在线观看| 亚洲精品一区蜜桃| 黑人巨大精品欧美一区二区蜜桃 | 一本久久精品| 亚洲,一卡二卡三卡| 国产高清有码在线观看视频| 国产综合精华液| 人人妻人人添人人爽欧美一区卜| 精品午夜福利在线看| 欧美bdsm另类| 日本色播在线视频| 观看av在线不卡| 亚洲熟女精品中文字幕| 午夜av观看不卡| 日韩av在线免费看完整版不卡| 精品国产露脸久久av麻豆| 九草在线视频观看| 亚洲精品一二三| 大又大粗又爽又黄少妇毛片口| 一边摸一边做爽爽视频免费| 午夜福利影视在线免费观看| 午夜福利视频精品| av天堂久久9| 精品一区在线观看国产| 在线观看国产h片| 制服人妻中文乱码| 婷婷色综合大香蕉| 男人操女人黄网站| 又大又黄又爽视频免费| 午夜av观看不卡| av免费观看日本| 欧美精品一区二区免费开放| 22中文网久久字幕| 交换朋友夫妻互换小说| 波野结衣二区三区在线| 高清视频免费观看一区二区| 精品一品国产午夜福利视频| 国产69精品久久久久777片| 97精品久久久久久久久久精品| 午夜激情福利司机影院| 九色亚洲精品在线播放| 日韩 亚洲 欧美在线| 97精品久久久久久久久久精品| 精品人妻熟女av久视频| 亚洲精品日本国产第一区| 日本欧美国产在线视频| 最近的中文字幕免费完整| 狂野欧美激情性bbbbbb| 下体分泌物呈黄色| 亚洲国产精品成人久久小说| 五月天丁香电影| 久久久久国产精品人妻一区二区| 久久精品夜色国产| 狂野欧美激情性bbbbbb| 少妇 在线观看| 亚洲欧美清纯卡通| 美女福利国产在线| 大片电影免费在线观看免费| 国国产精品蜜臀av免费| 国产男女内射视频| 97在线视频观看| a级毛片免费高清观看在线播放| 午夜激情久久久久久久| 午夜福利视频精品| 成年人午夜在线观看视频| 亚洲av免费高清在线观看| 插阴视频在线观看视频| av不卡在线播放| 国语对白做爰xxxⅹ性视频网站| 欧美日韩国产mv在线观看视频| 五月天丁香电影| 黄色视频在线播放观看不卡| 亚洲精品成人av观看孕妇| 美女视频免费永久观看网站| 亚洲美女搞黄在线观看| 久久精品国产亚洲av天美| 欧美成人午夜免费资源| 久久精品国产亚洲av天美| 精品人妻一区二区三区麻豆| 黄色欧美视频在线观看| 免费少妇av软件| 国产亚洲精品第一综合不卡 | 综合色丁香网| 国产精品国产三级国产av玫瑰| 日韩中文字幕视频在线看片| 亚洲欧洲日产国产| 亚洲情色 制服丝袜| 黄色毛片三级朝国网站| 99久久中文字幕三级久久日本| 国产精品久久久久久久久免| 日韩视频在线欧美| 人妻制服诱惑在线中文字幕| 亚洲精品av麻豆狂野| 我的女老师完整版在线观看| 男女边吃奶边做爰视频| 日韩强制内射视频| 黄色毛片三级朝国网站| 午夜老司机福利剧场| 国产精品一区www在线观看| 蜜桃国产av成人99| 久久精品国产鲁丝片午夜精品| 少妇精品久久久久久久| 亚洲三级黄色毛片| 99re6热这里在线精品视频| 夫妻性生交免费视频一级片| 伦理电影大哥的女人| 大陆偷拍与自拍| 满18在线观看网站| 2022亚洲国产成人精品| 亚洲熟女精品中文字幕| 97超视频在线观看视频| 99久久中文字幕三级久久日本| 五月玫瑰六月丁香| 成人漫画全彩无遮挡| 啦啦啦视频在线资源免费观看| 一区二区三区免费毛片| 人妻少妇偷人精品九色| 国产精品久久久久久精品古装| 晚上一个人看的免费电影| 亚洲国产毛片av蜜桃av| 久久毛片免费看一区二区三区| 国产午夜精品一二区理论片| 免费大片黄手机在线观看| 黑丝袜美女国产一区| 亚洲av欧美aⅴ国产| 日韩中字成人| 午夜久久久在线观看| 久久久久久久精品精品| 中文乱码字字幕精品一区二区三区| 中文字幕制服av| 热99久久久久精品小说推荐| 全区人妻精品视频| 国产精品偷伦视频观看了| 色吧在线观看| 在线观看国产h片| 女性被躁到高潮视频| 狠狠精品人妻久久久久久综合| 精品久久久噜噜| 人妻制服诱惑在线中文字幕| 精品人妻偷拍中文字幕| 国产成人91sexporn| 国产成人av激情在线播放 | 中文字幕制服av| 精品一品国产午夜福利视频| 亚洲人成77777在线视频| 蜜臀久久99精品久久宅男| 国产精品国产三级国产av玫瑰| 日韩成人av中文字幕在线观看| 一二三四中文在线观看免费高清| 国产精品99久久99久久久不卡 | 内地一区二区视频在线| 成年女人在线观看亚洲视频| 亚洲精品美女久久av网站| 亚洲av欧美aⅴ国产| 成人国产麻豆网| 九色成人免费人妻av| 亚洲,一卡二卡三卡| 国产成人aa在线观看| 中文字幕人妻熟人妻熟丝袜美| 国产av一区二区精品久久| 国产精品.久久久| 久久免费观看电影| 亚洲国产av影院在线观看| 国产亚洲最大av| 少妇 在线观看| 亚洲国产日韩一区二区| 久久久亚洲精品成人影院| 少妇被粗大猛烈的视频| 高清av免费在线| 在线观看免费高清a一片| 国产精品国产三级国产专区5o| 中文字幕人妻熟人妻熟丝袜美| 中国美白少妇内射xxxbb| 大话2 男鬼变身卡| 亚洲欧洲国产日韩| 18禁在线播放成人免费| 五月天丁香电影| 丝瓜视频免费看黄片| a级片在线免费高清观看视频| 免费观看在线日韩| 亚洲欧美成人综合另类久久久| 天堂8中文在线网| 精品一区二区三区视频在线| 国产深夜福利视频在线观看| 在线播放无遮挡| 国产女主播在线喷水免费视频网站| 亚洲国产av影院在线观看| 日本av手机在线免费观看| 国产成人精品福利久久| 国产精品 国内视频| 国产一区亚洲一区在线观看| 美女福利国产在线| 人妻系列 视频| 一级爰片在线观看| 成人免费观看视频高清| 日韩av在线免费看完整版不卡| 精品国产一区二区久久| 黑人欧美特级aaaaaa片| 下体分泌物呈黄色| 国产高清三级在线| 亚洲av二区三区四区| 制服诱惑二区| 97在线视频观看| 最后的刺客免费高清国语| 性色av一级| 秋霞伦理黄片| 日本免费在线观看一区| 欧美bdsm另类| 天堂8中文在线网| 99热6这里只有精品| 亚洲图色成人| 国产一区二区三区综合在线观看 | 不卡视频在线观看欧美| 亚洲av日韩在线播放| 一本—道久久a久久精品蜜桃钙片| 卡戴珊不雅视频在线播放| 最近2019中文字幕mv第一页| 日韩视频在线欧美| 天堂中文最新版在线下载| 亚洲国产av影院在线观看| 精品少妇内射三级| 高清在线视频一区二区三区| 十八禁网站网址无遮挡| 一级,二级,三级黄色视频| 欧美精品国产亚洲| 亚洲精品国产av成人精品| 涩涩av久久男人的天堂| 久久久久久久久久人人人人人人| av福利片在线| 91在线精品国自产拍蜜月| 99久国产av精品国产电影| av黄色大香蕉| 99国产综合亚洲精品| 日本wwww免费看| 久久午夜福利片| 亚洲精品乱码久久久v下载方式| 看免费成人av毛片| 制服诱惑二区| 久久青草综合色| 香蕉精品网在线| 成人亚洲精品一区在线观看| 最新中文字幕久久久久| 免费观看性生交大片5| 亚洲精品中文字幕在线视频| 日韩成人伦理影院| 国产精品国产三级专区第一集| 久久ye,这里只有精品| 欧美xxxx性猛交bbbb| 另类亚洲欧美激情| 汤姆久久久久久久影院中文字幕| 免费av中文字幕在线| 亚洲欧美一区二区三区国产| av专区在线播放| 日韩av在线免费看完整版不卡| 精品久久久久久久久av| 久久久久网色| 一区二区日韩欧美中文字幕 | 亚洲精品中文字幕在线视频| 国产av一区二区精品久久| 天天操日日干夜夜撸| 丰满乱子伦码专区| 国产精品久久久久久av不卡| 国产一级毛片在线| 91精品三级在线观看| 如日韩欧美国产精品一区二区三区 | 香蕉精品网在线| 一个人看视频在线观看www免费| 婷婷色综合大香蕉| xxxhd国产人妻xxx| 国产精品久久久久久久久免| 国产伦理片在线播放av一区| 视频在线观看一区二区三区| 欧美另类一区| 国产日韩欧美视频二区| 亚洲无线观看免费| 亚洲熟女精品中文字幕| 青青草视频在线视频观看| 美女视频免费永久观看网站| 久久久久久久久久久免费av| 26uuu在线亚洲综合色| 一二三四中文在线观看免费高清| 三上悠亚av全集在线观看| 亚洲国产日韩一区二区| 国产极品粉嫩免费观看在线 | 亚洲精品日本国产第一区| 国产精品人妻久久久久久| 国产欧美日韩综合在线一区二区| 日韩亚洲欧美综合| 蜜桃在线观看..| 欧美日韩精品成人综合77777| 热re99久久国产66热| av黄色大香蕉| 久久热精品热| 人人澡人人妻人| 纯流量卡能插随身wifi吗| 亚洲成人av在线免费| 国产伦精品一区二区三区视频9| 精品久久久精品久久久| 精品视频人人做人人爽| 久久热精品热| 9色porny在线观看| 狠狠精品人妻久久久久久综合| 成人免费观看视频高清| 亚洲精品乱久久久久久| 人妻少妇偷人精品九色| 国产探花极品一区二区| 26uuu在线亚洲综合色| 国产精品久久久久成人av| 久久狼人影院| av播播在线观看一区| 日本av手机在线免费观看| 亚洲国产精品国产精品| 三级国产精品欧美在线观看| 国产高清国产精品国产三级| 狠狠精品人妻久久久久久综合| 男女免费视频国产| 99九九线精品视频在线观看视频| 免费黄网站久久成人精品| 欧美最新免费一区二区三区| 久久精品久久久久久噜噜老黄| 一本久久精品| 国产精品人妻久久久久久| 久久久久精品久久久久真实原创| 亚洲精品日本国产第一区| 色5月婷婷丁香| 亚洲怡红院男人天堂| 精品人妻熟女av久视频| 久久久久国产网址| 中文精品一卡2卡3卡4更新| 超碰97精品在线观看| 国产av码专区亚洲av| 欧美另类一区| 久久久久久人妻| 在线看a的网站| 国产片内射在线| 特大巨黑吊av在线直播| 大陆偷拍与自拍| 国产精品三级大全| 婷婷色av中文字幕| 99视频精品全部免费 在线| 黑人猛操日本美女一级片| 热re99久久精品国产66热6| 99精国产麻豆久久婷婷| 少妇的逼好多水| 亚洲av综合色区一区| 成人亚洲精品一区在线观看| 日韩一区二区视频免费看| 中文字幕免费在线视频6| 在线看a的网站| 啦啦啦中文免费视频观看日本| 国产日韩欧美亚洲二区| 亚洲精品乱码久久久久久按摩| 国产免费视频播放在线视频| 久久精品熟女亚洲av麻豆精品| 69精品国产乱码久久久| av电影中文网址| 人妻一区二区av| 十分钟在线观看高清视频www| 国产日韩欧美视频二区| 久久精品人人爽人人爽视色| 少妇的逼好多水| 丰满饥渴人妻一区二区三| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲av不卡在线观看| 秋霞伦理黄片| 久久人妻熟女aⅴ| 在线观看美女被高潮喷水网站| 午夜精品国产一区二区电影| 免费观看在线日韩| 大片电影免费在线观看免费| 啦啦啦啦在线视频资源| 肉色欧美久久久久久久蜜桃| 综合色丁香网| 亚洲三级黄色毛片| 日韩一本色道免费dvd| 热re99久久国产66热| 久久久精品免费免费高清| 精品国产乱码久久久久久小说| 精品人妻熟女av久视频| 国产免费现黄频在线看| 夫妻午夜视频| 日日啪夜夜爽| 国产精品无大码| 精品人妻熟女av久视频| 99国产综合亚洲精品| 伦理电影免费视频| 亚洲国产精品国产精品| 欧美日韩在线观看h| 黄色视频在线播放观看不卡| 伦理电影大哥的女人| 国产亚洲最大av| 青春草视频在线免费观看| 日韩不卡一区二区三区视频在线| 免费黄色在线免费观看| 精品国产露脸久久av麻豆| 国产精品女同一区二区软件| 午夜影院在线不卡| 亚洲欧美成人综合另类久久久| 日韩一区二区三区影片| 日本-黄色视频高清免费观看| 中文字幕av电影在线播放| 日韩在线高清观看一区二区三区| 亚洲av福利一区| 黑人巨大精品欧美一区二区蜜桃 | 日本-黄色视频高清免费观看| 日本爱情动作片www.在线观看| 精品久久久噜噜| 欧美亚洲 丝袜 人妻 在线| 黄色怎么调成土黄色| 日韩电影二区| 国产精品秋霞免费鲁丝片| 啦啦啦啦在线视频资源| 国产熟女欧美一区二区| 亚洲精品乱久久久久久| 蜜桃国产av成人99| 边亲边吃奶的免费视频| 在线观看国产h片| 国产淫语在线视频| 色吧在线观看| 成人二区视频| 天天躁夜夜躁狠狠久久av| 丝袜美足系列| 国产精品人妻久久久久久| 五月玫瑰六月丁香| 久久久久久人妻| av在线观看视频网站免费| a级毛片黄视频| 精品国产露脸久久av麻豆| xxxhd国产人妻xxx| 80岁老熟妇乱子伦牲交| 黑人高潮一二区| 亚洲国产精品国产精品| 成人黄色视频免费在线看| 最近的中文字幕免费完整| 日本黄大片高清| 啦啦啦中文免费视频观看日本| 亚洲欧美成人精品一区二区| 97超视频在线观看视频| 高清毛片免费看| 91aial.com中文字幕在线观看| 在线免费观看不下载黄p国产| 我的老师免费观看完整版| 夜夜骑夜夜射夜夜干| 久久女婷五月综合色啪小说| 免费观看性生交大片5| 色5月婷婷丁香| 搡老乐熟女国产| 久久毛片免费看一区二区三区| 免费不卡的大黄色大毛片视频在线观看| 丝瓜视频免费看黄片| 婷婷色av中文字幕| 亚洲精品自拍成人| 成年人午夜在线观看视频| 肉色欧美久久久久久久蜜桃| 在线观看免费高清a一片| 久久鲁丝午夜福利片| 成人漫画全彩无遮挡| 日韩欧美一区视频在线观看| 国产男人的电影天堂91| 国产一区有黄有色的免费视频| 国产成人免费观看mmmm| 香蕉精品网在线| 在线观看免费日韩欧美大片 | 国产高清不卡午夜福利| 日日摸夜夜添夜夜爱| 成年人免费黄色播放视频| 人人澡人人妻人| 欧美老熟妇乱子伦牲交| 丰满乱子伦码专区| 欧美变态另类bdsm刘玥| 国产精品人妻久久久影院| 极品少妇高潮喷水抽搐| 国产成人91sexporn| 晚上一个人看的免费电影| 亚洲熟女精品中文字幕| 久久久精品区二区三区| 蜜臀久久99精品久久宅男| 久久精品国产亚洲网站| 亚洲精品自拍成人| 日韩 亚洲 欧美在线| 国产永久视频网站| 亚洲欧美中文字幕日韩二区| 成人毛片60女人毛片免费| 亚洲精品日本国产第一区| 满18在线观看网站| 简卡轻食公司| 国产精品 国内视频| 亚洲欧美一区二区三区国产| 日韩人妻高清精品专区| 曰老女人黄片| 边亲边吃奶的免费视频| av女优亚洲男人天堂| 亚洲av欧美aⅴ国产| 欧美精品亚洲一区二区| 男女啪啪激烈高潮av片| 99热全是精品| 超色免费av| 青春草国产在线视频| 国产精品无大码| 女的被弄到高潮叫床怎么办| 3wmmmm亚洲av在线观看| 狠狠精品人妻久久久久久综合| 少妇丰满av| 国产乱人偷精品视频| 一本色道久久久久久精品综合| 精品亚洲成a人片在线观看| 日韩三级伦理在线观看| 国产亚洲精品第一综合不卡 | 九九久久精品国产亚洲av麻豆|