• <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
    亚洲欧洲精品一区二区精品久久久| 性少妇av在线| 亚洲av日韩精品久久久久久密| 国产欧美日韩精品亚洲av| 欧美黑人欧美精品刺激| 长腿黑丝高跟| 黄色视频不卡| 久久久久久大精品| 99精品欧美一区二区三区四区| 国产一区二区激情短视频| 视频区欧美日本亚洲| 大陆偷拍与自拍| 亚洲熟妇熟女久久| 嫩草影院精品99| 日韩欧美免费精品| 高清黄色对白视频在线免费看| 这个男人来自地球电影免费观看| 色精品久久人妻99蜜桃| 免费女性裸体啪啪无遮挡网站| 欧美在线一区亚洲| 在线观看午夜福利视频| 国产欧美日韩综合在线一区二区| 欧美中文日本在线观看视频| √禁漫天堂资源中文www| 国产片内射在线| 国产精品一区二区免费欧美| 亚洲国产日韩欧美精品在线观看 | 欧美黑人欧美精品刺激| 国产亚洲欧美在线一区二区| 亚洲av第一区精品v没综合| 亚洲五月婷婷丁香| 欧美日韩福利视频一区二区| 性欧美人与动物交配| 精品午夜福利视频在线观看一区| 欧洲精品卡2卡3卡4卡5卡区| 色尼玛亚洲综合影院| 国内久久婷婷六月综合欲色啪| 亚洲在线自拍视频| 国产成人精品久久二区二区免费| 脱女人内裤的视频| 中文字幕高清在线视频| 色婷婷久久久亚洲欧美| 一边摸一边做爽爽视频免费| 国产一级毛片七仙女欲春2 | 悠悠久久av| 久久人人精品亚洲av| 亚洲国产精品999在线| 久久人人精品亚洲av| 男女床上黄色一级片免费看| 久久久久久久午夜电影| 亚洲人成77777在线视频| 香蕉丝袜av| 黄频高清免费视频| 老鸭窝网址在线观看| 国产精华一区二区三区| 精品无人区乱码1区二区| 婷婷丁香在线五月| 91老司机精品| 啦啦啦韩国在线观看视频| 搡老熟女国产l中国老女人| 国产亚洲精品久久久久久毛片| 91字幕亚洲| 日本免费一区二区三区高清不卡 | 亚洲欧美精品综合久久99| 久久影院123| 可以在线观看的亚洲视频| 99久久综合精品五月天人人| 久久伊人香网站| 窝窝影院91人妻| 一本大道久久a久久精品| 在线观看免费视频日本深夜| 大型黄色视频在线免费观看| 波多野结衣高清无吗| 99re在线观看精品视频| 国产又爽黄色视频| 婷婷六月久久综合丁香| 夜夜夜夜夜久久久久| 亚洲七黄色美女视频| 日韩大码丰满熟妇| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久久亚洲精品国产蜜桃av| 亚洲欧洲精品一区二区精品久久久| 窝窝影院91人妻| 少妇熟女aⅴ在线视频| 亚洲熟女毛片儿| 999久久久国产精品视频| 欧美黑人精品巨大| 国产黄a三级三级三级人| 亚洲av熟女| 欧美色欧美亚洲另类二区 | 国产精品香港三级国产av潘金莲| 男女床上黄色一级片免费看| 亚洲欧美一区二区三区黑人| a在线观看视频网站| 18禁黄网站禁片午夜丰满| 免费久久久久久久精品成人欧美视频| 久久久久久久久免费视频了| 亚洲国产日韩欧美精品在线观看 | 成人国语在线视频| 欧美久久黑人一区二区| 亚洲av片天天在线观看| 9热在线视频观看99| 亚洲全国av大片| 亚洲激情在线av| 露出奶头的视频| 久久天躁狠狠躁夜夜2o2o| 好男人在线观看高清免费视频 | 久久精品国产99精品国产亚洲性色 | 少妇 在线观看| 日本免费一区二区三区高清不卡 | 成人国语在线视频| √禁漫天堂资源中文www| 一级毛片精品| av电影中文网址| 动漫黄色视频在线观看| 国产亚洲精品第一综合不卡| 免费在线观看完整版高清| 亚洲狠狠婷婷综合久久图片| 嫁个100分男人电影在线观看| 18禁黄网站禁片午夜丰满| 日韩欧美国产在线观看| 咕卡用的链子| 欧美日韩黄片免| 午夜福利18| 国产一卡二卡三卡精品| 久久久国产精品麻豆| 黄片大片在线免费观看| 久久久国产成人精品二区| 国产精品电影一区二区三区| 亚洲专区字幕在线| 夜夜看夜夜爽夜夜摸| 丁香欧美五月| 一二三四社区在线视频社区8| 亚洲黑人精品在线| 91国产中文字幕| 美女扒开内裤让男人捅视频| 日日夜夜操网爽| 一级黄色大片毛片| 国产精品久久久久久亚洲av鲁大| 国产高清激情床上av| 国产精品av久久久久免费| 国产av又大| 亚洲欧洲精品一区二区精品久久久| 亚洲中文日韩欧美视频| 亚洲成人免费电影在线观看| 男人舔女人下体高潮全视频| 99国产综合亚洲精品| 欧美成狂野欧美在线观看| 中文字幕色久视频| 国产成人免费无遮挡视频| 国产伦一二天堂av在线观看| 亚洲精品中文字幕在线视频| 美女免费视频网站| 成在线人永久免费视频| 久久九九热精品免费| 性欧美人与动物交配| 看片在线看免费视频| 国产亚洲av高清不卡| 一区二区日韩欧美中文字幕| 精品国产乱码久久久久久男人| 国产欧美日韩一区二区精品| 多毛熟女@视频| 咕卡用的链子| 女人被躁到高潮嗷嗷叫费观| 日本 av在线| 日韩欧美免费精品| 99久久国产精品久久久| 精品久久久久久久久久免费视频| 久久久久国产精品人妻aⅴ院| www.自偷自拍.com| 亚洲av美国av| 一级片免费观看大全| 欧美一级毛片孕妇| 色综合婷婷激情| 999精品在线视频| 精品一品国产午夜福利视频| 日韩av在线大香蕉| 97超级碰碰碰精品色视频在线观看| 国产高清videossex| 曰老女人黄片| 亚洲伊人色综图| 亚洲精品粉嫩美女一区| 制服丝袜大香蕉在线| 日韩视频一区二区在线观看| 真人一进一出gif抽搐免费| 国产精品一区二区免费欧美| 国产精品亚洲美女久久久| 日韩成人在线观看一区二区三区| 国产一区二区激情短视频| 久久久国产成人免费| 伦理电影免费视频| 变态另类成人亚洲欧美熟女 | 国产单亲对白刺激| 国产亚洲精品av在线| 午夜视频精品福利| 亚洲无线在线观看| 后天国语完整版免费观看| 国产精品一区二区在线不卡| 亚洲欧美精品综合一区二区三区| 亚洲成人精品中文字幕电影| 丝袜美腿诱惑在线| 免费在线观看亚洲国产| 免费在线观看日本一区| 久久精品亚洲熟妇少妇任你| 亚洲精品在线观看二区| 大陆偷拍与自拍| 午夜老司机福利片| 麻豆一二三区av精品| 国产一级毛片七仙女欲春2 | 亚洲精品粉嫩美女一区| 制服诱惑二区| 看免费av毛片| 亚洲全国av大片| 90打野战视频偷拍视频| 在线观看日韩欧美| 人妻丰满熟妇av一区二区三区| 女同久久另类99精品国产91| avwww免费| 亚洲国产欧美一区二区综合| 国产精品 欧美亚洲| 精品一区二区三区视频在线观看免费| 久久精品aⅴ一区二区三区四区| 最近最新中文字幕大全免费视频| 欧美中文日本在线观看视频| 在线观看舔阴道视频| 欧美av亚洲av综合av国产av| 午夜亚洲福利在线播放| 国产单亲对白刺激| 99国产精品一区二区三区| 啦啦啦免费观看视频1| 男女之事视频高清在线观看| 欧美中文日本在线观看视频| 国产亚洲精品一区二区www| av天堂在线播放| 黄色视频,在线免费观看| 后天国语完整版免费观看| 国内精品久久久久精免费| 免费在线观看影片大全网站| 亚洲成av片中文字幕在线观看| 久久久久九九精品影院| 色尼玛亚洲综合影院| 久久香蕉精品热| 天堂动漫精品| 欧美色视频一区免费| 啦啦啦韩国在线观看视频| 少妇粗大呻吟视频| 老汉色av国产亚洲站长工具| 欧美成狂野欧美在线观看| 欧美大码av| 国产乱人伦免费视频| 一区二区日韩欧美中文字幕| 中亚洲国语对白在线视频| 亚洲精品国产色婷婷电影| 在线观看66精品国产| 久久婷婷人人爽人人干人人爱 | 国产精品一区二区精品视频观看| 男人舔女人下体高潮全视频| 老鸭窝网址在线观看| 91大片在线观看| 黄色 视频免费看| 亚洲av成人av| 日本 欧美在线| 国内精品久久久久精免费| 一区二区三区高清视频在线| 99在线人妻在线中文字幕| 非洲黑人性xxxx精品又粗又长| 成人精品一区二区免费| 女人高潮潮喷娇喘18禁视频| 大型av网站在线播放| 在线播放国产精品三级| 国产精品99久久99久久久不卡| 在线永久观看黄色视频| 久久精品91无色码中文字幕| 黄色a级毛片大全视频| 成人国产一区最新在线观看| 久久中文字幕人妻熟女| e午夜精品久久久久久久| 久久精品亚洲熟妇少妇任你| 巨乳人妻的诱惑在线观看| 国产精品久久久久久人妻精品电影| 久久久国产成人精品二区| 国产精品国产高清国产av| 亚洲激情在线av| 18禁黄网站禁片午夜丰满| 不卡av一区二区三区| 一区二区日韩欧美中文字幕| 亚洲精品久久国产高清桃花| 成人18禁在线播放| 一级黄色大片毛片| АⅤ资源中文在线天堂| 精品一区二区三区四区五区乱码| 一本大道久久a久久精品| 国产精品久久久人人做人人爽| 久久久久九九精品影院| 亚洲色图综合在线观看| 波多野结衣高清无吗| 国产精品久久久久久人妻精品电影| 人人澡人人妻人| 精品电影一区二区在线| 国产高清有码在线观看视频 | 亚洲全国av大片| 91av网站免费观看| 国产成人欧美在线观看| 一边摸一边抽搐一进一出视频| 91麻豆精品激情在线观看国产| 十八禁人妻一区二区| 91老司机精品| 亚洲电影在线观看av| 日本欧美视频一区| 母亲3免费完整高清在线观看| 国产人伦9x9x在线观看| 91字幕亚洲| 51午夜福利影视在线观看| 国产精品久久电影中文字幕| 亚洲中文字幕日韩| 国产精品久久久人人做人人爽| 亚洲av美国av| 给我免费播放毛片高清在线观看| 热re99久久国产66热| 国产不卡一卡二| 亚洲人成电影观看| 国产成人免费无遮挡视频| 国产xxxxx性猛交| 两性夫妻黄色片| 又黄又粗又硬又大视频| 1024香蕉在线观看| 老司机午夜十八禁免费视频| 美女国产高潮福利片在线看| 亚洲激情在线av| av片东京热男人的天堂| 手机成人av网站| 久久天堂一区二区三区四区| 操出白浆在线播放| 超碰成人久久| 男女床上黄色一级片免费看| 免费不卡黄色视频| 岛国在线观看网站| 亚洲久久久国产精品| 99久久精品国产亚洲精品| 国产精品1区2区在线观看.| 国产成年人精品一区二区| 亚洲五月婷婷丁香| 国产成+人综合+亚洲专区| 深夜精品福利| 色综合欧美亚洲国产小说| 一进一出抽搐gif免费好疼| 国产高清有码在线观看视频 | 美女午夜性视频免费| 亚洲五月婷婷丁香| 午夜福利影视在线免费观看| 一进一出好大好爽视频| 亚洲人成伊人成综合网2020| 九色亚洲精品在线播放| 国产午夜精品久久久久久| 色综合欧美亚洲国产小说| 日本黄色视频三级网站网址| 亚洲av电影在线进入| 国产人伦9x9x在线观看| 亚洲少妇的诱惑av| a在线观看视频网站| 搞女人的毛片| 国产一区二区激情短视频| √禁漫天堂资源中文www| 黑人巨大精品欧美一区二区蜜桃| 中国美女看黄片| 波多野结衣巨乳人妻| av欧美777| 中文字幕人妻熟女乱码| 亚洲专区字幕在线| 99国产精品免费福利视频| 自拍欧美九色日韩亚洲蝌蚪91| 又紧又爽又黄一区二区| 亚洲av日韩精品久久久久久密| 日韩欧美国产在线观看| 国产成人系列免费观看| 中文字幕人妻熟女乱码| 欧美不卡视频在线免费观看 | 99精品在免费线老司机午夜| 男女下面进入的视频免费午夜 | 久久精品国产亚洲av高清一级| 级片在线观看| 人人妻,人人澡人人爽秒播| 国产色视频综合| 亚洲 欧美一区二区三区| 黄色女人牲交| 亚洲成a人片在线一区二区| 国产99白浆流出| 国产精品久久久久久人妻精品电影| 99久久99久久久精品蜜桃| 免费av毛片视频| 欧美色欧美亚洲另类二区 | 午夜福利视频1000在线观看 | 一夜夜www| 99精品在免费线老司机午夜| 精品国产一区二区三区四区第35| 亚洲人成电影免费在线| 九色亚洲精品在线播放| 亚洲性夜色夜夜综合| 九色国产91popny在线| 免费少妇av软件| 操出白浆在线播放| 侵犯人妻中文字幕一二三四区| 久久精品人人爽人人爽视色| 国产片内射在线| 久久国产乱子伦精品免费另类| 久久午夜亚洲精品久久| 成人国产综合亚洲| 亚洲人成77777在线视频| 亚洲在线自拍视频| 精品国产美女av久久久久小说| 久久精品国产99精品国产亚洲性色 | 亚洲国产日韩欧美精品在线观看 | 在线观看www视频免费| 中文字幕另类日韩欧美亚洲嫩草| 亚洲在线自拍视频| 波多野结衣av一区二区av| 禁无遮挡网站| 国产精品国产高清国产av| 美女高潮到喷水免费观看| 久久午夜综合久久蜜桃| 国产精品久久久av美女十八| 午夜精品久久久久久毛片777| 亚洲色图av天堂| 亚洲狠狠婷婷综合久久图片| 制服人妻中文乱码| 男女午夜视频在线观看| 1024视频免费在线观看| 99国产精品一区二区三区| 久久久国产精品麻豆| 国产精品一区二区免费欧美| 日韩 欧美 亚洲 中文字幕| 国产精品美女特级片免费视频播放器 | 午夜日韩欧美国产| 91精品三级在线观看| 中文字幕最新亚洲高清| 国产主播在线观看一区二区| 性欧美人与动物交配| 午夜福利高清视频| 国产亚洲av嫩草精品影院| 757午夜福利合集在线观看| 极品教师在线免费播放| 精品国内亚洲2022精品成人| av视频免费观看在线观看| av网站免费在线观看视频| 国产精品免费视频内射| 91字幕亚洲| 两性夫妻黄色片| 亚洲中文字幕日韩| av超薄肉色丝袜交足视频| 欧美精品啪啪一区二区三区| 极品教师在线免费播放| 丁香六月欧美| 男女床上黄色一级片免费看| 正在播放国产对白刺激| 国产一区在线观看成人免费| 国产成人av教育| 久久精品91蜜桃| 啪啪无遮挡十八禁网站| 色婷婷久久久亚洲欧美| 香蕉丝袜av| 精品高清国产在线一区| 国产精品一区二区三区四区久久 | 黄片大片在线免费观看| 国产精品一区二区精品视频观看| 亚洲av第一区精品v没综合| 在线观看舔阴道视频| 90打野战视频偷拍视频| 日日夜夜操网爽| 亚洲av美国av| 91大片在线观看| 国产私拍福利视频在线观看| 日本三级黄在线观看| 丁香欧美五月| 欧美中文日本在线观看视频| 97碰自拍视频| 国产成人av教育| 国产精品综合久久久久久久免费 | 怎么达到女性高潮| 99国产精品免费福利视频| 欧美大码av| 宅男免费午夜| 久久人妻av系列| 国产91精品成人一区二区三区| 级片在线观看| 国产免费av片在线观看野外av| 校园春色视频在线观看| 巨乳人妻的诱惑在线观看| www国产在线视频色| 涩涩av久久男人的天堂| 操美女的视频在线观看| 天天躁夜夜躁狠狠躁躁| 黄片大片在线免费观看| 国产精品亚洲一级av第二区| cao死你这个sao货| 欧美日韩精品网址| 久久久久久久精品吃奶| 国产精品乱码一区二三区的特点 | 久久精品亚洲精品国产色婷小说| 大陆偷拍与自拍| 91在线观看av| 丝袜美腿诱惑在线| 欧美日本视频| 久久久精品欧美日韩精品| 免费一级毛片在线播放高清视频 | 一区二区三区国产精品乱码| 女性生殖器流出的白浆| 一级毛片高清免费大全| 亚洲av日韩精品久久久久久密| netflix在线观看网站| 叶爱在线成人免费视频播放| 热re99久久国产66热| 亚洲狠狠婷婷综合久久图片| 搡老熟女国产l中国老女人| 亚洲性夜色夜夜综合| 亚洲国产日韩欧美精品在线观看 | 他把我摸到了高潮在线观看| 亚洲av电影不卡..在线观看| 午夜a级毛片| 精品久久久久久成人av| 男女下面进入的视频免费午夜 | 久9热在线精品视频| 身体一侧抽搐| 99在线视频只有这里精品首页| 国产一区二区三区视频了| 午夜精品久久久久久毛片777| 国产高清视频在线播放一区| 欧美日韩一级在线毛片| 欧美一区二区精品小视频在线| 久99久视频精品免费| 乱人伦中国视频| 国产麻豆69| 美女免费视频网站| 91麻豆av在线| 美女免费视频网站| 非洲黑人性xxxx精品又粗又长| 侵犯人妻中文字幕一二三四区| 久久精品人人爽人人爽视色| 欧美丝袜亚洲另类 | 国产成人免费无遮挡视频| 人人妻人人澡欧美一区二区 | 一区二区三区激情视频| 国产成人影院久久av| 成人特级黄色片久久久久久久| 十八禁人妻一区二区| 亚洲精品在线美女| 欧美色视频一区免费| 欧美一区二区精品小视频在线| 国产国语露脸激情在线看| 国产精品久久久久久亚洲av鲁大| 最新在线观看一区二区三区| 女人高潮潮喷娇喘18禁视频| 亚洲欧美激情综合另类| 精品人妻1区二区| 最新在线观看一区二区三区| 涩涩av久久男人的天堂| 女人精品久久久久毛片| 成人三级黄色视频| 久久久久国产一级毛片高清牌| 男女下面进入的视频免费午夜 | 国产成人影院久久av| 久久久久久免费高清国产稀缺| 国产色视频综合| ponron亚洲| 黄色片一级片一级黄色片| 久久久久亚洲av毛片大全| 成年女人毛片免费观看观看9| av在线播放免费不卡| 午夜久久久在线观看| 国产又爽黄色视频| 亚洲国产精品久久男人天堂| 亚洲第一青青草原| 国产1区2区3区精品| 精品福利观看| 他把我摸到了高潮在线观看| 亚洲天堂国产精品一区在线| 久久久国产精品麻豆| 757午夜福利合集在线观看| 桃红色精品国产亚洲av| 成人国产一区最新在线观看| 久久精品国产99精品国产亚洲性色 | 亚洲性夜色夜夜综合| 国产亚洲精品av在线| 久久人妻福利社区极品人妻图片| 女性被躁到高潮视频| 一边摸一边抽搐一进一小说| 身体一侧抽搐| 99久久精品国产亚洲精品| 美女午夜性视频免费| 性少妇av在线| 97人妻精品一区二区三区麻豆 | 在线观看午夜福利视频| or卡值多少钱| 日韩国内少妇激情av| 久久精品91无色码中文字幕| 成人特级黄色片久久久久久久| 国产欧美日韩综合在线一区二区| 亚洲精品一区av在线观看| 色综合欧美亚洲国产小说| 免费av毛片视频| 成人欧美大片| 性色av乱码一区二区三区2| 9热在线视频观看99| 禁无遮挡网站| 亚洲伊人色综图| 自拍欧美九色日韩亚洲蝌蚪91| 少妇被粗大的猛进出69影院| 亚洲在线自拍视频| 午夜福利免费观看在线| 欧美 亚洲 国产 日韩一| 日韩高清综合在线| 一区二区三区高清视频在线| www国产在线视频色| 久久精品国产清高在天天线| 国产1区2区3区精品| 欧美日韩乱码在线|