• <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 ?

    基于多尺度特征融合和密集連接網(wǎng)絡(luò)的疏果期黃花梨植株圖像分割

    2021-09-17 00:19:47魏超宇韓文龐程劉輝軍
    江蘇農(nóng)業(yè)學(xué)報 2021年4期
    關(guān)鍵詞:圖像分割

    魏超宇 韓文 龐程 劉輝軍

    摘要: 由于自然環(huán)境下果蔬植株的果實、枝干和葉片等目標(biāo)尺度不一、邊緣不規(guī)則,因此造成其準(zhǔn)確分割較為困難。針對該問題,提出1種多尺度特征融合和密集連接網(wǎng)絡(luò)(Multi-scale feature fusion and dense connection networks,MDNet)以實現(xiàn)黃花梨疏果期植株圖像的準(zhǔn)確分割。在研究中借鑒了編碼-解碼網(wǎng)絡(luò),其中編碼網(wǎng)絡(luò)采用DenseNet對多層特征進(jìn)行復(fù)用和融合,以改善信息傳遞方式;解碼網(wǎng)絡(luò)使用轉(zhuǎn)置卷積進(jìn)行上采樣,結(jié)合跳層連接融合淺層細(xì)節(jié)信息與深層語義信息;在編碼、解碼之間加入空洞空間金字塔池化(Atrous spatial pyramid pooling,ASPP)用于提取不同感受野的特征圖以融合多尺度特征,聚合上下文信息。結(jié)果表明,ASPP有效提高了模型的分割精度,MDNet在測試集上的平均局域重合度(MIoU)為77.97%,分別較SegNet、Deeplabv2和DNet提高了8.10個、5.77個和2.17個百分點,果實、枝干和葉片的像素準(zhǔn)確率分別為93.57%、90.31%和95.43%,實現(xiàn)了黃花梨植株果實、枝干和葉片等目標(biāo)的準(zhǔn)確分割。在翠冠梨植株圖像的獨立測試中,MIoU為70.93%,表明該模型具有較強的泛化能力,對自然環(huán)境下果蔬植株圖像的分割有一定的參考價值。

    關(guān)鍵詞: 黃花梨植株;多尺度特征融合;密集連接網(wǎng)絡(luò);圖像分割;空洞空間金字塔池化(ASPP);感受野

    中圖分類號: TP391.4?? 文獻(xiàn)標(biāo)識碼: A?? 文章編號: 1000-4440(2021)04-0990-08

    Image segmentation of Huanghua pear plants at fruit-thinning stage based on multi-scale feature fusion and dense connection network

    WEI Chao-yu, HAN Wen, PANG Cheng, LIU Hui-jun

    (College of Metrological Technology and Engineering, China Jiliang University, Hangzhou 310018, China)

    Abstract: ?As the fruits, branches and leaves of fruit and vegetable plants vary in scales and margins under natural environment, it is difficult to segment them accurately. To solve the problem, a multi-scale feature fusion and dense connection network (MDNet) was proposed to achieve the accurate segmentation of Huanghua pear images at fruit-thinning stage. The coding-decoding network was adopted in this study and DenseNet was adopted to reuse and fuse multi-layer features in the coding network, so as to improve the transfer mode of information. The transposed convolution was used to carry out up-sampling in the decoding network, and the skip-layer connection was also employed to fuse shallow detail information and deep semantic information. The atrous spatial pyramid pooling (ASPP) was added between coding and decoding to extract future maps with different receptive fields so as to fuse multi-scale feature and aggregate context information. The results showed that ASPP improved the segmentation accuracy of the MDNet model effectively. The mean intersection over union (MIoU) of the MDNet on the test set was 77.97%, improved by 8.10, 5.77 and 2.17 percentage points respectively compared with SegNet, Deeplabv2 and DNet. The pixel accuracy for fruits, branches and leaves was 93.57%, 90.31% and 95.43%, respectively. Therefore, the accurate segmentation of fruits, branches and leaves of Huanghua pear plants was realized. The MIoU was 70.93% in the independent test of Cuiguan pear plants images, indicating that the model had strong generalization ability and was particularly valuable for the image segmentation of fruit and vegetable plants in natural environment.

    Key words: Huanghua pear plants;multi-scale feature fusion;dense connection network;image segmentation;atrous spatial pyramid pooling (ASPP);receptive field

    植株分割對于作物表型信息獲取、生長狀態(tài)監(jiān)測和自動采收等具有重要意義。目前,機器視覺技術(shù)已廣泛用于小麥[1]、水稻[2]和玉米[3]等大田作物的分割。果蔬多采用矮株密植,冠層結(jié)構(gòu)復(fù)雜,在自然環(huán)境下,存在果葉近色、光照度不均、枝葉遮擋和尺度不一等問題,使得對其果實、枝干和葉片等部位的準(zhǔn)確分割具有挑戰(zhàn)性。黃花梨是中國南方地區(qū)廣泛種植的優(yōu)質(zhì)水果,本研究選擇標(biāo)準(zhǔn)化商業(yè)果園的疏果期黃花梨植株作為研究對象,以期為研究大宗果蔬植株的分割提供參考。

    果蔬植株的分割是智能農(nóng)業(yè)領(lǐng)域的研究熱點之一。Cheng等[4]利用白色幕布簡化了蘋果植株的背景,在YCbCr顏色空間依次設(shè)定閾值分割出果實和葉片,并根據(jù)果實數(shù)量、面積及果葉比等參數(shù)建立了估產(chǎn)模型。趙德安等[5]通過白熾燈照明削弱了圖像中的陰影,將色差法分割結(jié)果與二次分割得到的果實高亮反光區(qū)域進(jìn)行融合,提出了一種適用于夜間的蘋果識別方法。Zhang等[6]將簡單線性迭代聚類(Simple linear iterative clustering,SLIC)與K-means聚類方法結(jié)合,提出了一種針對黃瓜植株的病害葉片分割方法,其中對炭疽病葉片的像素識別準(zhǔn)確率達(dá)到了92.15%。Zemmour等[7]提出了一種多顏色空間融合的自適應(yīng)閾值分割方法,在自然環(huán)境下對黃椒分割的F1值為99.31%,對綠葡萄分割的F1值為73.52%。此類基于特征工程的方法,在二元分類問題中可以取得較高的精度,但是對多類分割問題的研究較少,其特征設(shè)計過程復(fù)雜、費時,依賴于目標(biāo)的顏色、紋理和形態(tài)等特征,且多需要特定的環(huán)境條件約束,在非結(jié)構(gòu)化環(huán)境下,該方法難以保證魯棒性。

    近年來,深度卷積神經(jīng)網(wǎng)絡(luò)(Deep convolutional neural networks,DCNN)發(fā)展迅速,其可直接將原始圖像作為輸入,通過自學(xué)習(xí)提取特征,表現(xiàn)出了優(yōu)異的泛化性,在圖像分類、目標(biāo)檢測和語義分割等領(lǐng)域取得了巨大成就[8]。其中,R-FCN、YOLO和SSD等主流目標(biāo)檢測網(wǎng)絡(luò)已經(jīng)在果蔬領(lǐng)域得到了應(yīng)用,有效提高了遮擋、陰影和果葉近色等復(fù)雜條件下果實的檢測和定位精度[9-10]。然而,目標(biāo)檢測的框選方式不能反映果蔬植株中果、枝、葉目標(biāo)的輪廓與姿態(tài)等信息。語義分割是對圖像進(jìn)行像素級分類,融合了圖像分割和目標(biāo)檢測2個任務(wù)[11],適用于多類分割問題。典型的語義分割網(wǎng)絡(luò)多采用編碼-解碼結(jié)構(gòu),如FCN[12]、SegNet[13]和DeepLab[14]等。Lin等[15]利用FCN對綠色番石榴果實和枝干進(jìn)行分割,并根據(jù)分割結(jié)果估計果實的姿態(tài),指導(dǎo)機器人采摘。Majeed等[16]為了進(jìn)行落葉期蘋果植株的自動整枝,從點云數(shù)據(jù)中獲取植株的深度信息和紅綠藍(lán)(Red-green-blue,RGB)圖像,在利用深度信息去除背景中的植株后,使用SegNet對顏色近似的樹干、樹枝進(jìn)行語義分割,像素準(zhǔn)確率分別為92%、93%。Ambrozio等[17]提出了1種基于Deeplab的自然環(huán)境下蘋果花語義分割的方法,結(jié)果顯示,IoU(Intersection over union)為71.4%,在對梨花、桃花圖像的測試中也取得了優(yōu)異的效果,表明該模型具有較強的泛化能力。Kang等[18]設(shè)計了1種多功能網(wǎng)絡(luò)DASNet-V2,可在對果實進(jìn)行檢測的同時對枝干進(jìn)行語義分割,在不同時間段拍攝的圖像上的測試結(jié)果表明,模型對光照具有較強的魯棒性,最后通過對RGB-D圖像進(jìn)行點云可視化,實現(xiàn)了植株的三維重建??傮w看出,基于DCNN的語義分割有利于克服人工設(shè)計特征的不足,減少果葉近色和環(huán)境光照的影響,提高非結(jié)構(gòu)化環(huán)境下果蔬植株的分割精度。

    植株圖像分割過程中果、枝、葉等目標(biāo)的細(xì)節(jié)信息有助于農(nóng)業(yè)機器人更好地感知和理解復(fù)雜的植株環(huán)境,提高目標(biāo)的定位精度,并減少對植株的損傷。DCNN通過卷積與池化交替的方式進(jìn)行連續(xù)的下采樣,具有空間上的平移不變性,對位置信息不敏感,有利于圖像分類,但是對于語義分割是不利的,會丟失目標(biāo)的細(xì)節(jié)信息,使得目標(biāo)邊緣過于平滑。并且大多數(shù)語義分割網(wǎng)絡(luò)檢測尺度單一,存在大目標(biāo)過分割和小目標(biāo)丟失[19]的問題。此外,果蔬植株中果、枝、葉等目標(biāo)邊緣不規(guī)則、尺度不一,又由于相互間的遮擋,目標(biāo)形態(tài)往往變得更為復(fù)雜,使得果蔬植株的語義分割較為困難。

    DenseNet[20]采用密集連接實現(xiàn)了多層特征的復(fù)用和融合,有利于改善信息的傳遞方式。跳層連接可融合淺層細(xì)節(jié)信息與深層語義信息[12]??斩纯臻g金字塔池化(ASPP)[21]則通過多個并行的空洞卷積得到不同感受野的特征圖并將其融合,可提取多個尺度上的特征。因此,本研究利用ASPP提取并融合多尺度特征,結(jié)合DenseNet和跳層連接恢復(fù)細(xì)節(jié)信息,提出了1種基于編碼-解碼結(jié)構(gòu)的密集連接網(wǎng)絡(luò)(MDNet),并分別在疏果期黃花梨、翠冠梨植株數(shù)據(jù)集上進(jìn)行了測試。

    1 數(shù)據(jù)與方法

    1.1 圖像采集

    試驗果園位于杭州市錢塘江南岸(地理位置為120.30°E、30.26°N),為國家級蜜梨標(biāo)準(zhǔn)化示范基地。圖像采集時間為2018年6月上旬,此時黃花梨植株正值疏果期,并已完成初次疏果,其冠層枝葉遮擋嚴(yán)重,果、葉均呈近綠色,果徑約為40 mm,具有一定的代表性。圖像采集設(shè)備為FUJIFILM F47fd佳能數(shù)碼相機,圖像分辨率為3 488像素×2 616像素,圖像保存格式為JPEG。圖像采集時,為了模擬機器人作業(yè)環(huán)境,采用三腳架將相機固定于植株行間,相機至主枝干的水平距離約為1.2 m,高度隨植株冠層的分布而調(diào)整。同期采集了翠冠梨植株圖像,用于測試模型的泛化能力。

    1.2 數(shù)據(jù)集的制作

    共采集400幅黃花梨植株圖像,隨機選取250幅組成訓(xùn)練集,50幅組成驗證集,其余100幅組成測試集;共采集160幅翠冠梨植株圖像,全部作為獨立測試集。為了減少試驗的運行時間,將圖像分辨率縮小至872像素×654像素。圖1為數(shù)據(jù)集的制作過程,根據(jù)植株的特點,利用Labelme將圖像標(biāo)注為果實、枝干、葉片和背景(包括草地、天空和遠(yuǎn)景中的黃花梨植株等)等4個類別,并將不同類別的像素值映射為不同顏色,得到標(biāo)注圖像(圖1b)??梢钥闯?,果、枝、葉等目標(biāo)的邊緣不規(guī)則,目標(biāo)之間的尺度變化較大。

    針對果園中光照復(fù)雜多變和枝葉姿態(tài)不定的問題,分別采用亮度變換、圖像旋轉(zhuǎn)處理對訓(xùn)練集進(jìn)行數(shù)據(jù)增強。其中亮度變化處理將圖像亮度隨機調(diào)整為原始亮度的50%~150%,圖像旋轉(zhuǎn)處理則對圖像進(jìn)行 ± 30°的隨機旋轉(zhuǎn)。數(shù)據(jù)增強后,訓(xùn)練集圖像數(shù)量增加為原來的3倍,共750張。由于網(wǎng)絡(luò)的下采樣倍率為16,輸入的圖像高度、寬度須是16的倍數(shù),因此將圖像隨機裁剪為512像素×512像素。對于旋轉(zhuǎn)后的圖像,僅對其中心部分進(jìn)行裁剪,以避免引入黑色邊緣中的無關(guān)像素,詳見圖1c、圖1d和圖1e。

    1.3 基于MDNet的黃花梨植株分割網(wǎng)絡(luò)

    MDNet由編碼網(wǎng)絡(luò)、ASPP和解碼網(wǎng)絡(luò)共3個部分組成,網(wǎng)絡(luò)結(jié)構(gòu)見圖2。首先,編碼網(wǎng)絡(luò)對輸入的植株圖像進(jìn)行特征提取。然后,ASPP通過提取不同感受野的特征圖進(jìn)一步融合多尺度特征。最后,解碼網(wǎng)絡(luò)對特征圖進(jìn)行上采樣,實現(xiàn)像素的分類,輸出分割結(jié)果。

    1.3.1 編碼網(wǎng)絡(luò) 目前,AlexNet、VGG等源于圖像分類任務(wù)的網(wǎng)絡(luò)已被用于語義分割,其通過卷積與池化進(jìn)行特征提取。池化層可以增加輸出神經(jīng)元的感受野大小,從而提取更為抽象的特征,但是過多的池化層也會使特征圖的分辨率銳減,導(dǎo)致細(xì)節(jié)信息丟失,這對語義分割而言是非常不利的。

    DenseNet借鑒殘差結(jié)構(gòu),在卷積層間增加了密集連接,具有特征復(fù)用和深層監(jiān)督的特點[20],優(yōu)化了信息傳遞方式,有利于果蔬植株細(xì)節(jié)信息的傳遞。DenseNet有5個池化層,為了減少細(xì)節(jié)信息的丟失以更適于果蔬植株的語義分割任務(wù),本研究刪去了其中最后1個池化層。

    DenseNet由密集塊(Dense block,DB)與下采樣(Transition down,TD)構(gòu)成。TD由1×1卷積層和2×2最大池化層組成,DB中第i層的輸出Xi可表示為如下公式:

    Xi=Hi([X0,X1,…,Xi-1])(1)

    式中,Hi為非線性變換,由BN層、ReLU激活函數(shù)和3×3的卷積層組成,[X0,X1,…,Xi-1]表示第0層到第i-1層輸出特征圖的疊加。經(jīng)Hi輸出的特征圖數(shù)量為k,稱為增長率(本研究中k為12)。令X0的特征圖數(shù)量為k0,則DB輸出的特征圖數(shù)量為k0+(i-1)×k。圖3是1個3層DB的結(jié)構(gòu)示意,其中“”表示特征圖的疊加。

    1.3.2 空洞空間金字塔池化(ASPP) ASPP的主要結(jié)構(gòu)為空洞卷積,空洞卷積可在不降低特征圖分辨率的前提下增大感受野,其一維公式如下:

    y[i]=Nn-1x[i+dn]·w[n](2)

    式中,y[i]為輸出;x[i]為輸入;N為卷積核大小;w[n]為卷積核中第n個參數(shù);d為空洞率,表示在卷積核的2個連續(xù)值之間插入d-1個空洞。

    大小為N、空洞率為d的卷積核獲得的感受野(R)[22]可表示為如下公式:

    R=(d-1)×(N-1)+N(3)

    如圖4a所示,當(dāng)d為1時(即標(biāo)準(zhǔn)卷積),輸出神經(jīng)元的感受野較小,更關(guān)注局部信息,上層信息被利用多次,冗余信息較多[22]。圖4b為d=2的空洞卷積,空洞卷積允許卷積核與間隔為d-1的輸入神經(jīng)元進(jìn)行運算,可以在不增加參數(shù)的情況下增大每個輸出神經(jīng)元的感受野,有利于利用全局信息、聚合上下文信息。

    經(jīng)空洞卷積輸出的特征圖具有固定的感受野,只能利用單一尺度上的特征[23]。ASPP采用多個不同的空洞卷積得到不同感受野的特征圖并將其融合,以提取多尺度特征。如圖2所示,ASPP結(jié)構(gòu)包含4個并行分支,每個分支中卷積的空洞率不同,相應(yīng)輸出特征圖的感受野也不同,可以提取不同尺度上的特征。各分支上特征圖的通道數(shù)均為256個,疊加后得到通道數(shù)為1 024個的特征圖,包含多個尺度的信息,最后采用1×1卷積進(jìn)行跨通道信息的融合和降維。

    果蔬植株上果、枝、葉等目標(biāo)尺度不一,經(jīng)ASPP輸出的特征圖的感受野變得更大,尺度范圍也更廣,可在多個尺度進(jìn)行特征提取,以聚合更多的上下文信息,實現(xiàn)果蔬植株的多尺度檢測。由于不同分割任務(wù)的目標(biāo)尺度范圍不同,因此空洞率的設(shè)置需要根據(jù)具體情況進(jìn)行討論。

    1.3.3 解碼網(wǎng)絡(luò) 解碼網(wǎng)絡(luò)采用DB與上采樣(Transition up,TU)結(jié)合的方式進(jìn)行,將特征圖分辨率恢復(fù)至原圖大小。TU為步長為2的3×3轉(zhuǎn)置卷積,卷積核數(shù)量設(shè)置為(i-1)×k,以避免上采樣過程中特征圖通道數(shù)的快速增長。為了更好地恢復(fù)細(xì)節(jié)信息,在解碼過程中加入了跳層連接,將編碼中的DB輸出與解碼中對應(yīng)的TU輸出疊加,以實現(xiàn)淺層細(xì)節(jié)信息與深層語義信息的融合,最后通過1×1卷積輸出分辨率為原圖大小、通道數(shù)為類別數(shù)(在本研究中類別數(shù)為4)的特征圖,之后對每個像素進(jìn)行分類,并將交叉熵作為損失函數(shù)。

    2 結(jié)果與分析

    本試驗在Windows 10系統(tǒng)下運行,基于NVIDIA GTX1080Ti GPU的硬件平臺搭建Tensorflow深度學(xué)習(xí)框架,Python版本為3.6。設(shè)置超參數(shù)批尺寸為2,學(xué)習(xí)率為0.001,每經(jīng)過1個epoch,乘以衰減系數(shù)0.995以更新學(xué)習(xí)率,epoch設(shè)置為150。梯度下降方式采用均方根傳遞(Root mean square prop,RMSP),以減小梯度下降時的振幅,加速訓(xùn)練。遷移學(xué)習(xí)是常用的學(xué)習(xí)方法,可有效提高模型的精度。由于MDNet模型的特征提取網(wǎng)絡(luò)是基于DenseNet改進(jìn)的,目前未有公開的預(yù)訓(xùn)練模型可供遷移學(xué)習(xí),因此其權(quán)重初始化采用常用的Xavier方式。

    2.1 評價指標(biāo)

    評價指標(biāo)[24]采用類別像素準(zhǔn)確率(wj)、統(tǒng)計像素準(zhǔn)確率(PA)和平均區(qū)域重合度(MIoU),各指標(biāo)的定義見下式:

    wj=pjjc-1j=0pjm(4)

    PA=c-1j=0pjjc-1j=0c-1m=0pjm(5)

    MIoU=1cc-1j=0pjjc-1m=0pjm+c-1m=0pmj-pjj(6)

    式中,pjm為本屬于j類卻被預(yù)測為m類的像素點數(shù)量,c為類別數(shù);MIoU反映了分割結(jié)果的完整性和準(zhǔn)確性,常被用作最終的評價指標(biāo)。

    2.2 空洞空間金字塔池化參數(shù)對模型的影響

    為了考察ASPP的有效性并確定最佳空洞率,本研究對比了模型在不同空洞率參數(shù)下的訓(xùn)練損失曲線和分割結(jié)果,分別見圖5和表1,其中DNet模型無ASPP結(jié)構(gòu)。

    不同分割任務(wù)的目標(biāo)尺度范圍不同,因此需要尋找最佳空洞率??斩绰蔬^小,經(jīng)ASPP輸出的特征圖感受野尺度分布范圍也較小,對于較大目標(biāo)的分割效果可能較差??斩绰蔬^大,感受野尺度分布范圍也較大,但是不同感受野之間過于稀疏,不能充分提取特征,分割效果也會變差。

    從圖5、表1可以看出,ASPP的加入可使模型的訓(xùn)練損失達(dá)到更低的收斂值,有效提高了模型的分割精度,其中MDNet(ASPP-6)的MIoU最高,表明該空洞率較適合黃花梨植株分割任務(wù)。由公式(3)可知,ASPP-6空洞率對應(yīng)的4種感受野分別為1、13、25和37,經(jīng)ASPP-6輸出的特征圖感受野變得更大、尺度范圍更廣,可在多個尺度上提取特征。以下關(guān)于MDNet的討論均基于MDNet(ASPP-6)模型。

    DNet、MDNet的分割結(jié)果示例分別見圖6e、圖6f。在第1行場景中,兩者均準(zhǔn)確分割了較小的果實,效果較為接近。在第2行場景中,上方存在較大且表面有陰影的果實,其局部特征與枝干特征相似。DNet的感受野相對較小,僅關(guān)注目標(biāo)的局部信息,導(dǎo)致將該果實的一部分誤判為枝干。而MDNet通過ASPP融合多個尺度上的特征,聚合了上下文信息,利用目標(biāo)像素與周圍像素的聯(lián)系,實現(xiàn)了該果實的準(zhǔn)確分割。在第3行場景中,由于DNet更關(guān)注局部信息,因此難以區(qū)分遠(yuǎn)處植株葉片與當(dāng)前植株葉片。而MDNet的感受野更大、范圍更廣,能夠提取更抽象的特征,因而較好地區(qū)分了當(dāng)前植株與背景,減少了背景的干擾。

    2.3 不同模型的語義分割結(jié)果比較

    為了進(jìn)一步驗證MDNet模型對黃花梨植株分割的有效性,本研究將其與SegNet、Deeplabv2和DNet等模型在測試集上的分割結(jié)果進(jìn)行對比分析。

    從表2可以看出,MDNet模型的精度最高,其MIoU、PA分別為77.97%和93.31%,果實、枝干和葉片的像素準(zhǔn)確率分別為93.57%、90.31%和95.43%。MDNet模型的MIoU分別較SegNet、Deeplabv2和DNet模型提高了8.10個、5.77個、2.17個百分點。由于背景包含草地、天空和遠(yuǎn)景中的植株等,目標(biāo)多且差異大,不同模型的果實、枝干和葉片的像素準(zhǔn)確率均高于背景。

    從圖6可以看出,不同模型均克服了果葉近色的問題。圖6c為SegNet的分割結(jié)果,可見網(wǎng)絡(luò)有5個池化層,細(xì)節(jié)信息丟失嚴(yán)重,分割結(jié)果中果、枝、葉的邊緣較粗糙,第1行場景中未分割出上方較小的果實,第2行場景中的果實及第3行場景中的背景均被錯誤分割,不同類別像素的準(zhǔn)確率均為模型中最低的。

    Deeplabv2與MDNet均采用了ASPP融合多尺度特征,較準(zhǔn)確地分割了不同尺度的果、枝、葉目標(biāo),詳見圖6d、圖6f,但Deeplabv2采用雙線性插值進(jìn)行上采樣,不能較好地恢復(fù)目標(biāo)的細(xì)節(jié)信息[23],從分割結(jié)果可以看出,果實之間產(chǎn)生了粘連,果、枝、葉邊緣多被平滑處理,失去了原有細(xì)節(jié)。MDNet采用DenseNet作為特征提取網(wǎng)絡(luò),對多層特征進(jìn)行復(fù)用和融合,優(yōu)化了信息傳遞方式,并通過跳層連接融合淺層細(xì)節(jié)信息與深層語義信息,可有效地保留并恢復(fù)細(xì)節(jié)信息。MDNet的分割結(jié)果較Deeplabv2具有更好的細(xì)節(jié)性,目標(biāo)的邊緣均得到了準(zhǔn)確分割,如圖6中第2行場景中的樹干;此外,MDNet的MIoU也超過Deeplabv2。

    綜上,本研究提出的MDNet,通過ASPP提取不同感受野的特征圖以融合多尺度特征,增強多尺度目標(biāo)檢測能力,并結(jié)合DenseNet網(wǎng)絡(luò)和跳層連接恢復(fù)細(xì)節(jié)信息,優(yōu)化了邊緣分割,有效地提高了非結(jié)構(gòu)化環(huán)境下黃花梨植株的語義分割精度。

    2.4 對翠冠梨植株的語義分割

    為了進(jìn)一步考察MDNet模型的泛化能力,采用160幅同期翠冠梨植株圖像對模型進(jìn)行了獨立測試,MIoU達(dá)到了70.93%。圖7a為輸入的原圖,可見翠冠梨植株與黃花梨植株的冠層結(jié)構(gòu)較為相似,果實呈扁圓形,略小于同期的黃花梨果實,果、葉顏色更為相近。由圖7b、圖7c可以看出,在不同光照條件下,翠冠梨枝干與葉片均具有較好的細(xì)節(jié)。由于翠冠梨顏色、形態(tài)的差異,使得翠冠梨果實的邊緣信息不同程度地丟失,但多數(shù)果實得到了有效檢測。草地、天空和遠(yuǎn)景中的植株也較準(zhǔn)確地被分類為背景。由此可見,所建模型對疏果期翠冠梨植株也有較好的分割效果,具有較強的泛化能力。

    3 討論

    本研究采用ASPP提取并融合多尺度特征,結(jié)合DenseNet網(wǎng)絡(luò)與跳層連接,提出了1種基于MDNet的果蔬植株語義分割方法。在疏果期黃花梨植株數(shù)據(jù)集上的試驗結(jié)果表明,ASPP通過提取不同感受野的特征圖融合多尺度特征,聚合了上下文信息,提高了黃花梨植株的語義分割精度,當(dāng)空洞率為1、6、12和18時,MDNet模型的分割精度最高。所建模型MDNet有效克服了自然條件下果葉近色、光照度不均、枝葉遮擋及尺度不一等問題的影響,且較好地保留了植株的細(xì)節(jié)信息。在黃花梨植株測試集上,該模型的MIoU為77.97%,效果優(yōu)于SegNet、Deeplabv2和DNet等模型;在翠冠梨植株獨立測試集上,該模型的MIoU達(dá)到70.93%,表現(xiàn)出較強的泛化能力。本研究所提方法對自然環(huán)境下果蔬植株的分割有一定參考價值。后續(xù)將研究在該方法的基礎(chǔ)上結(jié)合點云信息來實現(xiàn)植株的三維重建,從而提高農(nóng)業(yè)機器人對復(fù)雜植株環(huán)境的感知和理解水平。

    參考文獻(xiàn):

    [1] GUO W, RAGE U K, NINOMIYA S. Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model[J]. Computers and Electronics in Agriculture, 2013, 96: 58-66.

    [2] XIONG X, DUAN L F, LIU L B, et al. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization[J]. Plant Methods, 2017, 13(1): 104.

    [3] 蘇 偉,蔣坤萍,郭 浩,等. 地基激光雷達(dá)提取大田玉米植株表型信息[J].農(nóng)業(yè)工程學(xué)報,2019,35(10): 125-130.

    [4] CHENG H, DAMEROW L, BLANKE M, et al. ANN model for apple yield estimation based on feature of tree image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 14-19.

    [5] 趙德安,劉曉洋,陳 玉,等. 蘋果采摘機器人夜間識別方法[J].農(nóng)業(yè)機械學(xué)報,2015,46(3): 15-22.

    [6] ZHANG S W, WANG H X, HUANG W Z, et al. Plant diseased leaf segmentation and recognition by fusion of superpixel, K-means and PHOG[J]. Optik, 2017, 157: 866-872.

    [7] ZEMMOUR E, KURTSER P, EDAN Y. Automatic parameter tuning for adaptive thresholding in fruit detection[J]. Sensors, 2019, 19(9), 2130-2151.

    [8] 盧宏濤,張秦川. 深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理,2016,31(1): 1-17.

    [9] 王丹丹,何東健. 基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機器人疏果前蘋果目標(biāo)的識別[J].農(nóng)業(yè)工程學(xué)報,2019,35(3): 156-163.

    [10]薛月菊,黃 寧,涂淑琴,等. 未成熟芒果的改進(jìn)YOLOv2識別方法[J].農(nóng)業(yè)工程學(xué)報,2018,34(7): 173-179.

    [11]魏云超,趙? 耀. 基于DCNN的圖像語義分割綜述[J].北京交通大學(xué)學(xué)報(自然科學(xué)版),2016,40(4): 82-91.

    [12]LONG J, SHELHAMER, DARRELL T. Fully convolutional networks for semantic segmentation[C]//IEEE. IEEE conference on computer vision and pattern recognition. Seoul, Korea: IEEE, 2015: 3431-3440.

    [13]BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39: 2481-2495.

    [14]CHEN L C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848.

    [15]LIN G C, TANG Y C, ZOU X J, et al. Guava detection and pose estimation using a low-cost RGB-D sensor in the field[J]. Sensors, 2019, 19(2): 428-443.

    [16]MAJEED Y, ZHANG J, ZHANG X, et al. Apple tree trunk and branch segmentation for automatic trellis training using convolutional neural network based semantic segmentation[J]. International Federation of Automatic Control, 2018, 51(17): 75-80.

    [17]AMBROZIO D P, AMY T, HENRY M. Multi-species fruit flower detection using a refined semantic segmentation network[J]. IEEE Robotics and Automation Letters, 2018, 3(4): 3003-3010.

    [18]KANG H W, CHEN C. Fruit detection, segmentation and 3D visualisation of environments in apple orchards[J]. Computers and Electronics Agriculture, 2020, 171: 1016-1033.

    [19]NOH H, HONG, HAN B. Learning deconvolution network for semantic segmentation[C]//IEEE. IEEE international conference on computer vision. Los Alamitos, USA: IEEE Computer Society Press, 2015: 1520-1528.

    [20]HUANG G, LIU Z, WEINBERGER K Q, et al. Densely connected convolutional networks[C]//IEEE. IEEE conference on computer vision and pattern recognition. Honolulu, USA: IEEE, 2016: 4700-4708.

    [21]CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected crfs[J]. International Conference on Learning Representations, 2014(4):357-361.

    [22]徐子豪,黃偉泉,王 胤. 基于深度學(xué)習(xí)的監(jiān)控視頻中多類別車輛檢測[J].計算機應(yīng)用,2019,39(3):700-705.

    [23]YANG M K, YU K, ZHANG C, et al. DenseASPP for semantic segmentation in street scenes[C]//IEEE. IEEE computer society conference on computer vision and pattern recognition.? Piscataway, NJ: IEEE Press, 2018: 3684-3692.

    [24]李云伍,徐俊杰,劉得雄,等. 基于改進(jìn)空洞卷積神經(jīng)網(wǎng)絡(luò)的丘陵山區(qū)田間道路場景識別[J].農(nóng)業(yè)工程學(xué)報,2019,35(7): 150-159.

    (責(zé)任編輯:徐 艷)

    收稿日期:2020-10-13

    基金項目:國家自然科學(xué)基金項目(51606181);國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201910356009)

    作者簡介:魏超宇(1995-),男,浙江嘉興人,碩士研究生,研究方向為計算機視覺、深度學(xué)習(xí)等。(E-mail)P1802085258@cjlu.edu.cn

    通訊作者:劉輝軍,(E-mail)liuhj@cjlu.edu.cn

    猜你喜歡
    圖像分割
    基于圖像分割和LSSVM的高光譜圖像分類
    計算機定量金相分析系統(tǒng)的軟件開發(fā)與圖像處理方法
    基于自動智能分類器的圖書館亂架圖書檢測
    基于灰色系統(tǒng)理論的數(shù)字圖像處理算法
    一種改進(jìn)的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    基于魯棒性的廣義FCM圖像分割算法
    一種改進(jìn)的遺傳算法在圖像分割中的應(yīng)用
    科技視界(2016年13期)2016-06-13 20:55:38
    基于QPSO聚類算法的圖像分割方法
    科技視界(2016年12期)2016-05-25 11:54:25
    男女做爰动态图高潮gif福利片| 中文亚洲av片在线观看爽| 亚洲无线观看免费| 国产69精品久久久久777片 | 中文在线观看免费www的网站| 午夜成年电影在线免费观看| 国内精品久久久久久久电影| 国产成人av教育| 日本黄色片子视频| 午夜激情福利司机影院| 精品一区二区三区视频在线 | 最近最新免费中文字幕在线| 国模一区二区三区四区视频 | 国产精品亚洲一级av第二区| 天天一区二区日本电影三级| 国产精品1区2区在线观看.| 亚洲一区二区三区不卡视频| 女人被狂操c到高潮| 免费看日本二区| 成人18禁在线播放| 最近最新免费中文字幕在线| 一本久久中文字幕| 狂野欧美白嫩少妇大欣赏| aaaaa片日本免费| 97超级碰碰碰精品色视频在线观看| 国产精品久久电影中文字幕| 日本一本二区三区精品| 久久久精品大字幕| 高潮久久久久久久久久久不卡| 国产成人欧美在线观看| 欧美xxxx黑人xx丫x性爽| 午夜免费激情av| 青草久久国产| 国产欧美日韩一区二区精品| 国产真实乱freesex| 国产91精品成人一区二区三区| 国产av在哪里看| 亚洲国产看品久久| 国产免费av片在线观看野外av| 国产一区二区激情短视频| 国产伦人伦偷精品视频| 国产蜜桃级精品一区二区三区| 欧美三级亚洲精品| 午夜福利成人在线免费观看| 最近在线观看免费完整版| 欧美极品一区二区三区四区| 少妇的丰满在线观看| 亚洲五月天丁香| 这个男人来自地球电影免费观看| 欧美乱妇无乱码| 97超级碰碰碰精品色视频在线观看| 国产激情久久老熟女| 免费在线观看日本一区| 国产精品99久久久久久久久| 亚洲人成网站在线播放欧美日韩| 亚洲av成人不卡在线观看播放网| 少妇丰满av| 哪里可以看免费的av片| 日韩av在线大香蕉| 精品一区二区三区视频在线 | 亚洲第一电影网av| 欧美三级亚洲精品| 99精品欧美一区二区三区四区| 日本一二三区视频观看| 中文字幕高清在线视频| 日韩成人在线观看一区二区三区| 亚洲欧美一区二区三区黑人| 久久精品国产99精品国产亚洲性色| 无限看片的www在线观看| 日本与韩国留学比较| 黄色视频,在线免费观看| 精品无人区乱码1区二区| 亚洲国产欧美网| 此物有八面人人有两片| 偷拍熟女少妇极品色| 美女高潮的动态| 国产熟女xx| 国产av在哪里看| 国内毛片毛片毛片毛片毛片| 欧美中文日本在线观看视频| 亚洲欧美精品综合一区二区三区| 亚洲av成人av| 99在线视频只有这里精品首页| 天堂网av新在线| 身体一侧抽搐| 一个人免费在线观看的高清视频| 国产成人欧美在线观看| 免费av不卡在线播放| 午夜免费观看网址| 成人性生交大片免费视频hd| 国产伦在线观看视频一区| 国产精品久久久av美女十八| 久久久久国内视频| 窝窝影院91人妻| 国产乱人视频| 搡老妇女老女人老熟妇| 国产精品 欧美亚洲| 亚洲熟女毛片儿| 亚洲精品色激情综合| 成年人黄色毛片网站| 国产探花在线观看一区二区| 日本与韩国留学比较| 精品免费久久久久久久清纯| 高清在线国产一区| 老熟妇仑乱视频hdxx| 欧美性猛交黑人性爽| 国内精品久久久久久久电影| 国产精品一区二区精品视频观看| 日韩三级视频一区二区三区| 国产单亲对白刺激| 中文亚洲av片在线观看爽| 男女床上黄色一级片免费看| 成年免费大片在线观看| 一二三四在线观看免费中文在| 欧美午夜高清在线| 精品无人区乱码1区二区| 一本综合久久免费| 1024香蕉在线观看| 亚洲色图 男人天堂 中文字幕| 日日夜夜操网爽| 久久欧美精品欧美久久欧美| 亚洲黑人精品在线| 天堂网av新在线| 国产三级中文精品| 夜夜爽天天搞| 99热精品在线国产| 国产成人系列免费观看| 免费看十八禁软件| 欧美日本视频| 91av网一区二区| 久久天躁狠狠躁夜夜2o2o| 最近最新中文字幕大全电影3| 国产一级毛片七仙女欲春2| 变态另类丝袜制服| 成人亚洲精品av一区二区| 一级黄色大片毛片| 欧美一区二区国产精品久久精品| 久久伊人香网站| 夜夜看夜夜爽夜夜摸| 午夜免费激情av| 九色国产91popny在线| 亚洲一区二区三区色噜噜| 久久精品综合一区二区三区| 熟女少妇亚洲综合色aaa.| 日本成人三级电影网站| 一个人免费在线观看的高清视频| 99久久成人亚洲精品观看| 三级国产精品欧美在线观看 | 曰老女人黄片| 亚洲精品美女久久久久99蜜臀| 操出白浆在线播放| 老司机在亚洲福利影院| 国产精品九九99| 夜夜夜夜夜久久久久| 欧美激情久久久久久爽电影| 97超视频在线观看视频| 午夜激情福利司机影院| 国产精品亚洲一级av第二区| 免费看美女性在线毛片视频| 国产高清三级在线| 亚洲国产精品999在线| 欧美黑人巨大hd| 国产成人av激情在线播放| 国内少妇人妻偷人精品xxx网站 | 欧美日韩中文字幕国产精品一区二区三区| 91麻豆av在线| 一区二区三区高清视频在线| 亚洲欧美一区二区三区黑人| 国产精品野战在线观看| 国产伦精品一区二区三区视频9 | 99久国产av精品| 熟女电影av网| 免费看美女性在线毛片视频| 一级毛片女人18水好多| 国产一区二区在线观看日韩 | 成年免费大片在线观看| 国产一区二区三区视频了| 久久中文字幕人妻熟女| svipshipincom国产片| 国内精品美女久久久久久| av在线天堂中文字幕| 国产精品 欧美亚洲| 久久久久久九九精品二区国产| 欧美成人性av电影在线观看| 精品国产乱子伦一区二区三区| 久久久久亚洲av毛片大全| 国产成人精品久久二区二区91| 黑人欧美特级aaaaaa片| 国产男靠女视频免费网站| 免费搜索国产男女视频| 国产在线精品亚洲第一网站| 亚洲最大成人中文| 日韩有码中文字幕| 欧美色视频一区免费| 亚洲国产中文字幕在线视频| 国产精品乱码一区二三区的特点| 欧美又色又爽又黄视频| 国产一区二区在线av高清观看| 国产欧美日韩一区二区精品| 男女那种视频在线观看| 亚洲国产高清在线一区二区三| 他把我摸到了高潮在线观看| 亚洲精品久久国产高清桃花| 法律面前人人平等表现在哪些方面| 激情在线观看视频在线高清| 一a级毛片在线观看| 久久久久久久精品吃奶| 国产激情久久老熟女| 亚洲欧美精品综合一区二区三区| 色综合亚洲欧美另类图片| 在线观看午夜福利视频| 高清在线国产一区| 女同久久另类99精品国产91| 在线永久观看黄色视频| 欧美成人性av电影在线观看| 91麻豆av在线| 色老头精品视频在线观看| 日本黄色视频三级网站网址| av中文乱码字幕在线| 欧美黑人欧美精品刺激| 欧美激情在线99| 99久久综合精品五月天人人| 国产午夜精品论理片| 最好的美女福利视频网| 黄色视频,在线免费观看| 久久久久性生活片| 免费在线观看视频国产中文字幕亚洲| 最好的美女福利视频网| 黄频高清免费视频| 成人三级做爰电影| 免费看光身美女| 中文字幕人成人乱码亚洲影| 狠狠狠狠99中文字幕| 精品午夜福利视频在线观看一区| 欧美绝顶高潮抽搐喷水| 国产一区在线观看成人免费| 午夜激情欧美在线| 色哟哟哟哟哟哟| 亚洲性夜色夜夜综合| 亚洲欧洲精品一区二区精品久久久| 精品人妻1区二区| 日本一二三区视频观看| 国语自产精品视频在线第100页| 视频区欧美日本亚洲| 欧美国产日韩亚洲一区| 少妇人妻一区二区三区视频| 老司机午夜十八禁免费视频| 欧美一区二区精品小视频在线| 国产精品久久久久久人妻精品电影| 真人做人爱边吃奶动态| 日韩欧美一区二区三区在线观看| 狂野欧美激情性xxxx| 1000部很黄的大片| 久久亚洲真实| 日本熟妇午夜| 国产精品av久久久久免费| 精品久久久久久久久久免费视频| 久久久成人免费电影| 亚洲欧美激情综合另类| 大型黄色视频在线免费观看| 麻豆国产av国片精品| 国产毛片a区久久久久| 成年女人永久免费观看视频| 国产人伦9x9x在线观看| 一区福利在线观看| 91麻豆av在线| 欧美av亚洲av综合av国产av| 免费在线观看亚洲国产| 18禁观看日本| 别揉我奶头~嗯~啊~动态视频| 激情在线观看视频在线高清| 亚洲欧美一区二区三区黑人| 久久精品亚洲精品国产色婷小说| 天天添夜夜摸| 在线国产一区二区在线| 国产一区二区激情短视频| 欧美大码av| 18禁黄网站禁片免费观看直播| 国产成人av教育| 日本黄色视频三级网站网址| 国产成人影院久久av| 欧美精品啪啪一区二区三区| 黄频高清免费视频| 无限看片的www在线观看| 琪琪午夜伦伦电影理论片6080| 国产综合懂色| 九九久久精品国产亚洲av麻豆 | 亚洲最大成人中文| 亚洲狠狠婷婷综合久久图片| 国产1区2区3区精品| 色综合亚洲欧美另类图片| 亚洲第一欧美日韩一区二区三区| 午夜影院日韩av| 国产淫片久久久久久久久 | 精品久久久久久久久久久久久| 日韩欧美精品v在线| 国产美女午夜福利| 日韩欧美 国产精品| 91久久精品国产一区二区成人 | 久久国产精品影院| a级毛片在线看网站| 欧美乱色亚洲激情| 叶爱在线成人免费视频播放| 韩国av一区二区三区四区| 国产午夜精品久久久久久| 日本一本二区三区精品| 丰满人妻一区二区三区视频av | 欧美一级a爱片免费观看看| 午夜a级毛片| 狂野欧美激情性xxxx| 99国产极品粉嫩在线观看| 真人一进一出gif抽搐免费| 亚洲人成网站在线播放欧美日韩| 综合色av麻豆| 亚洲av中文字字幕乱码综合| 亚洲精品美女久久av网站| 最近最新中文字幕大全电影3| 日本 av在线| 亚洲精品456在线播放app | 成熟少妇高潮喷水视频| 亚洲欧美日韩无卡精品| 亚洲精品456在线播放app | www.精华液| 国产三级在线视频| 国内精品久久久久久久电影| 日本五十路高清| 日韩有码中文字幕| 亚洲 国产 在线| 久久九九热精品免费| 欧美不卡视频在线免费观看| 欧美激情在线99| 免费在线观看视频国产中文字幕亚洲| 精品免费久久久久久久清纯| 亚洲最大成人中文| 久久久久久久精品吃奶| 国产精品99久久99久久久不卡| а√天堂www在线а√下载| 9191精品国产免费久久| 嫩草影院精品99| 一区二区三区国产精品乱码| 久久久精品欧美日韩精品| 一级毛片高清免费大全| 久久久久久大精品| 欧美高清成人免费视频www| 久久久久久久午夜电影| 在线国产一区二区在线| 俄罗斯特黄特色一大片| 老司机深夜福利视频在线观看| 亚洲av电影在线进入| 真人做人爱边吃奶动态| 噜噜噜噜噜久久久久久91| 一区二区三区国产精品乱码| 舔av片在线| 亚洲中文日韩欧美视频| 听说在线观看完整版免费高清| 国产1区2区3区精品| 久久久水蜜桃国产精品网| 久久精品熟女亚洲av麻豆精品 | 国产精品精品国产色婷婷| 欧美变态另类bdsm刘玥| 99九九线精品视频在线观看视频| 伦精品一区二区三区| 在线观看美女被高潮喷水网站| kizo精华| 偷拍熟女少妇极品色| 色5月婷婷丁香| 最近视频中文字幕2019在线8| 日韩一区二区视频免费看| 国产av不卡久久| 99热精品在线国产| 欧美性猛交黑人性爽| 看黄色毛片网站| 一级毛片电影观看 | 国产欧美另类精品又又久久亚洲欧美| 欧美一级a爱片免费观看看| 国产高清视频在线观看网站| 可以在线观看毛片的网站| 国产av不卡久久| 99热精品在线国产| 噜噜噜噜噜久久久久久91| 97超碰精品成人国产| 国产精品爽爽va在线观看网站| kizo精华| 最近中文字幕高清免费大全6| 国产成人freesex在线| 精品免费久久久久久久清纯| 亚洲色图av天堂| 日日干狠狠操夜夜爽| 国内精品一区二区在线观看| 嫩草影院入口| 亚洲中文字幕日韩| 简卡轻食公司| 自拍偷自拍亚洲精品老妇| 成人鲁丝片一二三区免费| 国产精品无大码| 国产一级毛片在线| 搡女人真爽免费视频火全软件| 国产在线一区二区三区精 | 韩国高清视频一区二区三区| www日本黄色视频网| 女的被弄到高潮叫床怎么办| 久久亚洲精品不卡| av在线老鸭窝| 国产精品日韩av在线免费观看| 国产成人午夜福利电影在线观看| 国产黄色小视频在线观看| 伊人久久精品亚洲午夜| 久久午夜福利片| 美女脱内裤让男人舔精品视频| 99久久精品国产国产毛片| 日本黄大片高清| 人妻少妇偷人精品九色| 汤姆久久久久久久影院中文字幕 | 美女内射精品一级片tv| 大又大粗又爽又黄少妇毛片口| 永久免费av网站大全| 噜噜噜噜噜久久久久久91| 女人久久www免费人成看片 | 国产老妇伦熟女老妇高清| 国产午夜精品一二区理论片| 高清日韩中文字幕在线| 国产精品一二三区在线看| 夜夜看夜夜爽夜夜摸| 偷拍熟女少妇极品色| 成人美女网站在线观看视频| 免费看a级黄色片| 99久国产av精品国产电影| 看十八女毛片水多多多| 偷拍熟女少妇极品色| a级一级毛片免费在线观看| 亚洲精品乱久久久久久| 特大巨黑吊av在线直播| 久久久午夜欧美精品| 国产精华一区二区三区| 岛国毛片在线播放| 国产精品精品国产色婷婷| 啦啦啦韩国在线观看视频| 亚洲av男天堂| 一卡2卡三卡四卡精品乱码亚洲| 2021天堂中文幕一二区在线观| 中文乱码字字幕精品一区二区三区 | 亚洲人与动物交配视频| 亚洲中文字幕日韩| 久久久精品94久久精品| 国产黄a三级三级三级人| 国产亚洲一区二区精品| ponron亚洲| 国产老妇伦熟女老妇高清| 亚洲电影在线观看av| 欧美性感艳星| av在线老鸭窝| 久久精品久久久久久噜噜老黄 | 精品酒店卫生间| 最近视频中文字幕2019在线8| 免费人成在线观看视频色| 七月丁香在线播放| 色尼玛亚洲综合影院| 欧美日韩精品成人综合77777| 建设人人有责人人尽责人人享有的 | 亚洲丝袜综合中文字幕| 国产精品国产三级国产av玫瑰| 99久久人妻综合| 国产一区二区在线观看日韩| 久久久国产成人精品二区| 日日啪夜夜撸| 久99久视频精品免费| 欧美日韩综合久久久久久| 午夜福利在线观看吧| 两个人的视频大全免费| 欧美丝袜亚洲另类| 在线观看一区二区三区| 亚洲在线自拍视频| 人人妻人人看人人澡| 日韩制服骚丝袜av| 1024手机看黄色片| 99热这里只有精品一区| 一个人看视频在线观看www免费| 久久久久久大精品| 老司机福利观看| 色噜噜av男人的天堂激情| 如何舔出高潮| 91av网一区二区| 中文字幕免费在线视频6| 午夜a级毛片| 99久久人妻综合| 永久网站在线| 中文乱码字字幕精品一区二区三区 | 亚洲国产成人一精品久久久| 亚洲国产精品sss在线观看| 秋霞在线观看毛片| 亚洲精品日韩在线中文字幕| 非洲黑人性xxxx精品又粗又长| 久久99蜜桃精品久久| 99热全是精品| 2021天堂中文幕一二区在线观| 99久国产av精品| 国产精品av视频在线免费观看| 午夜久久久久精精品| 精品午夜福利在线看| 免费一级毛片在线播放高清视频| 高清日韩中文字幕在线| 中文字幕制服av| 婷婷色综合大香蕉| 特大巨黑吊av在线直播| 免费播放大片免费观看视频在线观看 | 一级黄片播放器| 久久久亚洲精品成人影院| 久99久视频精品免费| 精华霜和精华液先用哪个| 国产成人a区在线观看| 一级毛片电影观看 | 床上黄色一级片| 一个人看视频在线观看www免费| 男插女下体视频免费在线播放| 亚洲av中文av极速乱| 九九爱精品视频在线观看| 有码 亚洲区| 高清视频免费观看一区二区 | 久久久久久久亚洲中文字幕| 美女xxoo啪啪120秒动态图| 欧美日韩综合久久久久久| 午夜激情福利司机影院| www.色视频.com| 久久久欧美国产精品| 国产精品久久久久久av不卡| 国内精品美女久久久久久| 又爽又黄无遮挡网站| 日韩三级伦理在线观看| 熟妇人妻久久中文字幕3abv| 毛片女人毛片| 中文欧美无线码| 中文字幕人妻熟人妻熟丝袜美| 国产高清国产精品国产三级 | 国产麻豆成人av免费视频| 成人国产麻豆网| 国产伦精品一区二区三区四那| 欧美一区二区亚洲| 午夜福利在线观看免费完整高清在| 欧美3d第一页| 亚洲熟妇中文字幕五十中出| 人妻制服诱惑在线中文字幕| 99在线视频只有这里精品首页| 日韩中字成人| 亚洲人成网站高清观看| 精品免费久久久久久久清纯| 两个人的视频大全免费| 精品99又大又爽又粗少妇毛片| 有码 亚洲区| h日本视频在线播放| 国产美女午夜福利| 国产成人91sexporn| 中国美白少妇内射xxxbb| 最近手机中文字幕大全| 国产 一区精品| 免费观看精品视频网站| 91久久精品国产一区二区成人| 日韩人妻高清精品专区| 久久久久久久久久久丰满| 久久久久久久午夜电影| 在线a可以看的网站| 久久99热6这里只有精品| 黑人高潮一二区| 久久鲁丝午夜福利片| 人妻少妇偷人精品九色| 99久久精品热视频| 国产伦理片在线播放av一区| 日本一二三区视频观看| 亚洲精品成人久久久久久| 青春草视频在线免费观看| 卡戴珊不雅视频在线播放| 亚洲精品乱码久久久久久按摩| 99久久人妻综合| 18禁在线播放成人免费| 国内精品美女久久久久久| 午夜精品国产一区二区电影 | 亚洲精品久久久久久婷婷小说 | 久久婷婷人人爽人人干人人爱| 国产亚洲精品av在线| 最近手机中文字幕大全| 亚洲精品成人久久久久久| a级一级毛片免费在线观看| 一边摸一边抽搐一进一小说| 欧美日韩在线观看h| 亚洲三级黄色毛片| 亚洲精品影视一区二区三区av| 一区二区三区高清视频在线| 国产亚洲一区二区精品| 亚洲欧洲国产日韩| 九九热线精品视视频播放| 国产色婷婷99| 亚洲精品国产成人久久av| 人人妻人人看人人澡| 免费观看人在逋| 欧美不卡视频在线免费观看| 午夜福利视频1000在线观看| 22中文网久久字幕| 成人二区视频| 亚洲怡红院男人天堂| 欧美潮喷喷水| 校园人妻丝袜中文字幕| 中文亚洲av片在线观看爽| 少妇熟女欧美另类| 日本wwww免费看| 99热精品在线国产| 日日干狠狠操夜夜爽| 亚洲欧美精品自产自拍| 成年免费大片在线观看| 亚洲av男天堂| 国产精品电影一区二区三区| 久久精品久久精品一区二区三区| 成年版毛片免费区| 午夜爱爱视频在线播放| 男人舔女人下体高潮全视频| 日本三级黄在线观看| 日韩中字成人|