• <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 ?

    基于注意力膠囊網(wǎng)絡(luò)的作物病害識(shí)別方法

    2022-04-15 23:35:23張會(huì)敏謝澤奇張善文
    江蘇農(nóng)業(yè)科學(xué) 2022年6期
    關(guān)鍵詞:注意力機(jī)制

    張會(huì)敏 謝澤奇 張善文

    摘要:因病害葉片圖像的復(fù)雜多變性,較難準(zhǔn)確分割病斑圖像和提取到魯棒的病害分類特征?,F(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的作物病害識(shí)別方法通過擴(kuò)展訓(xùn)練樣本來增加大量不同角度、方向的訓(xùn)練樣本,從而增強(qiáng)模型的魯棒性和泛化能力,但需要較長的訓(xùn)練數(shù)據(jù)和較大的算力,并且對(duì)于一些少見的病斑不能準(zhǔn)確識(shí)別,因此提出一種基于注意力膠囊網(wǎng)絡(luò)(ACapsNet)的作物病害識(shí)別方法。ACapsNet中的注意力機(jī)制用于提高CapsNet的訓(xùn)練能力。ACapsNet中的膠囊由多個(gè)神經(jīng)元組成,每個(gè)神經(jīng)元表示圖像中特定病斑的各種屬性,這些屬性能夠表達(dá)不同類型病斑的形狀、顏色、紋理、位置、大小和方向等特征,在復(fù)雜黃瓜病害葉片圖像數(shù)據(jù)集上進(jìn)行交叉驗(yàn)證試驗(yàn)。結(jié)果表明,ACapsNet能夠有效表達(dá)不同病害葉片圖像的各種特征,加快網(wǎng)絡(luò)的訓(xùn)練速度,能夠應(yīng)用于田間復(fù)雜場景的作物病害識(shí)別系統(tǒng)。

    關(guān)鍵詞:作物病害識(shí)別;注意力機(jī)制;膠囊網(wǎng)絡(luò);注意力膠囊網(wǎng)絡(luò)

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

    文章編號(hào):1002-1302(2022)06-0101-06

    收稿日期:2021-06-05

    基金項(xiàng)目:國家自然科學(xué)基金(編號(hào):62072378);河南省教育廳高等學(xué)校重點(diǎn)科研項(xiàng)目(編號(hào):20A520045)。

    作者簡介:張會(huì)敏(1981—),女,河南漯河人,碩士,副教授,研究方向?yàn)槟J阶R(shí)別應(yīng)用。E-mail:zhm0413@163.com。

    通信作者:張善文,博士,教授,研究方向?yàn)槟J阶R(shí)別及應(yīng)用研究。E-mail:wjdw716@163.com。

    作物病害會(huì)嚴(yán)重影響作物的產(chǎn)量和質(zhì)量,因此作物病害的識(shí)別研究是作物病害防治工作中一個(gè)重要的研究方向[1-3]。目前,作物病害識(shí)別方法主要分為兩大類[4]:基于特征提取的識(shí)別方法[5-8]和基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的識(shí)別方法[9-11]。傳統(tǒng)方法需要對(duì)病害葉片圖像進(jìn)行分割,然后提取人為設(shè)計(jì)的病斑圖像的分類特征,最后利用訓(xùn)練集中樣本的分類特征向量訓(xùn)練分類器,利用測試集中樣本的分類特征向量進(jìn)行病害識(shí)別。事實(shí)上,由于病害葉片圖像及其背景的復(fù)雜性、多樣性(圖1)以及病斑分割、特征提取和分類器依賴于人為選擇和設(shè)計(jì),所以傳統(tǒng)方法實(shí)現(xiàn)流程較復(fù)雜,并且病斑圖像分割存在較大冗余性,分割的病斑圖像和提取的特征存在很大的主觀性,在病害識(shí)別的精度和泛化能力方面難以滿足大規(guī)模大田作物病害防治需求。

    多年來,CNN在圖像識(shí)別、分割、檢測和檢索等多種任務(wù)中取得了成功應(yīng)用,并得到了顯著的識(shí)別效果,其主要優(yōu)點(diǎn)是可直接從輸入圖像中學(xué)習(xí)“端到端”的分類特征,大大消除了主觀性或物理模型等技術(shù)的依賴[12-13]。CNN通過不斷卷積操作提取更深層次的特征,通過池化操作極大地加速了網(wǎng)絡(luò)模型的收斂,增加更深層次神經(jīng)元的感受野,允許它們檢測更深層次的特征。CNN卷積核的大小對(duì)病害識(shí)別結(jié)果有很大影響,若卷積核太小,包含的病害類別信息太少,不利于病害類型識(shí)別;若卷積核太大,則網(wǎng)絡(luò)模型的參數(shù)過大,對(duì)算力要求就很高,因此選擇合適的卷積核大小非常重要。為了克服CNN模型的不足,Sabour等提出了一種膠囊網(wǎng)絡(luò)(CapsNet)[14]。CapsNet中的信息以矢量形式進(jìn)行存儲(chǔ),主要封裝識(shí)別目標(biāo)特征狀態(tài)的所有關(guān)鍵信息,膠囊將目標(biāo)的檢測概率編碼為矢量長度,同時(shí)將檢測目標(biāo)特征的姿勢(shì)信息,包括目標(biāo)的形狀、顏色、紋理、位置、方向、旋轉(zhuǎn)角度等編碼為矢量方向[15-17]。注意力機(jī)制以高權(quán)重聚焦目標(biāo)的重要分類信息,以較低權(quán)重忽略與分類不相關(guān)的信息,并且不斷調(diào)整權(quán)重,從而在不同情況下均可以選取重要的分類信息,可見將注意力機(jī)制應(yīng)用于CNN,有望加速模型收斂,增強(qiáng)模型的可擴(kuò)展性和魯棒性[18]。針對(duì)大田作物病害葉片圖像的干擾信息較多,早期病害葉片存在病斑較小,病斑形狀、圖像像素及其分布復(fù)雜、無規(guī)律,顏色變化多端,且不同類病斑差異較小等問題,充分結(jié)合膠囊網(wǎng)絡(luò)與注意力機(jī)制的優(yōu)勢(shì),提出一種基于注意力膠囊網(wǎng)絡(luò)的作物病害識(shí)別方法,并進(jìn)行大量試驗(yàn),驗(yàn)證該模型的有效性。

    1 膠囊網(wǎng)絡(luò)(CapsNet)

    CapsNet利用膠囊取代神經(jīng)網(wǎng)絡(luò)的神經(jīng)元表示特征,以膠囊的輸出為特征向量,其模長用于預(yù)測待識(shí)別目標(biāo)是否存在,特征向量各維的參數(shù)用于表示目標(biāo)的空間位置關(guān)系。CapsNet由編碼器和解碼器組成,其中編碼器由卷積層、主膠囊層和數(shù)字膠囊層組成。主膠囊使用1個(gè)卷積操作提取輸入圖像的特征,然后封裝成膠囊,數(shù)字膠囊是類別膠囊層,它的作用是將特征膠囊層的特征膠囊映射到類別膠囊中去。在經(jīng)典的CapsNet模型中,卷積層包含256個(gè)大小為9×9且步長為2的卷積核,輸出20×20×256維的特征圖;主膠囊層包含32組卷積核,每組由8個(gè)大小為9×9且步長為2的卷積核組成,該層對(duì)卷積層的輸出進(jìn)行卷積操作,得到1 152個(gè)8維膠囊;再輸入到擠壓激活函數(shù),該函數(shù)將大范圍輸入擠壓到較小區(qū)間,通常采用Sigmoid函數(shù),可將較大范圍的輸入擠壓到(0,1)區(qū)間內(nèi);輸入到數(shù)字膠囊層,假設(shè)該層有10個(gè)數(shù)字膠囊,則表示10個(gè)類別。膠囊層對(duì)主膠囊層的輸出進(jìn)行路由操作,得到16×10維分類向量;解碼器由3個(gè)全連接層組成,接收數(shù)字膠囊層輸出10×16維分類向量,輸出為10個(gè)16維向量;然后計(jì)算這10個(gè)16維向量的長度,輸出10維向量,最后計(jì)算其與標(biāo)簽值的損失。編碼器和解碼器的結(jié)構(gòu)見圖2和圖3。膠囊與神經(jīng)元差異見表1。

    與CNN相比,CapsNet利用動(dòng)態(tài)路由算法代替池化層,對(duì)輸入特征進(jìn)行分類,等同于特征選擇過程。動(dòng)態(tài)路由算法通過獲取所有子膠囊預(yù)測結(jié)果來預(yù)測父膠囊的參數(shù),當(dāng)所有子膠囊預(yù)測結(jié)果一致時(shí),激活父膠囊并輸出特征向量,其計(jì)算流程如下。

    1.1 非線性函數(shù)對(duì)輸入向量進(jìn)行壓縮,輸出特征向量

    uj|i=wijui,sj=∑iciju^j|i,vj=‖sj‖21+‖sj‖2×sj‖sj‖。(1)

    式中:ui為第i個(gè)膠囊的輸出,與轉(zhuǎn)化矩陣wij相乘得向量 u^j|i;cij為子膠囊層中第i個(gè)膠囊到父膠囊層中第j個(gè)膠囊的路由參數(shù);sj為父膠囊層中第j個(gè)膠囊;vj為父膠囊層中第j個(gè)膠囊的輸出,與對(duì)應(yīng)的閾值先相減、再平方、最后取平均值,相當(dāng)于預(yù)測結(jié)果與閾值的歐式距離的誤差。

    1.2 路由參數(shù)cij用于實(shí)現(xiàn)膠囊層之間的動(dòng)態(tài)路由選擇

    cij=exp(bij)∑kexp(bik)。(2)

    式中:bij為子膠囊層中i膠囊連接到父膠囊層中j膠囊的概率。

    bij通過低層膠囊中與高層膠囊對(duì)應(yīng)位置的特征的匹配程度來更新,計(jì)算如下:

    bij+u^j|i·vj=bij。(3)

    為了估計(jì)參數(shù)更新后的膠囊向量代表的預(yù)測值與真實(shí)結(jié)果之間的誤差,以便在動(dòng)態(tài)路由算法中更好地對(duì)參數(shù)進(jìn)行更新,在最后1層的數(shù)字膠囊層中,vj的個(gè)數(shù)與模型輸出類別的個(gè)數(shù)一致,求出向量vj的模長,是分類目標(biāo)為第j類別的概率值。正確類別和錯(cuò)誤類別分別為1和0,若判斷正確,則使用前半部分來計(jì)算損失;若判斷不正確,則使用后半部分來計(jì)算損失。本研究對(duì)應(yīng)的閾值分為合格的上限閾值和不合格的下限閾值,使用間隔損失作為損失函數(shù):

    MLoss=∑k∈CNumTkmax(0,m+-‖vk‖2)+λ(1-Tk)max(0,‖vk‖-m-)2。(4)

    式中:m+和m-分別為類別預(yù)測閾值;默認(rèn)m+=09,m-=0.1;λ=0.5為平衡系數(shù);Tk為數(shù)據(jù)類別標(biāo)簽;CNum為數(shù)據(jù)集的類別數(shù);k為類別序號(hào)。MLoss越小,則輸出向量的預(yù)測值與輸入向量的真實(shí)值之差越小,即膠囊網(wǎng)絡(luò)分類的效果越好。

    2 注意力機(jī)制與膠囊網(wǎng)絡(luò)

    2.1 注意力機(jī)制

    CapsNet中的注意力機(jī)制旨在從眾多信息中通過運(yùn)算篩選出對(duì)識(shí)別目標(biāo)更關(guān)鍵的特征信息。其中,通道信息注意力網(wǎng)絡(luò)主要利用建模卷積特征通道之間的相互依賴關(guān)系來提高分類識(shí)別率。CapsNet通過學(xué)習(xí)全局信息來選擇性地強(qiáng)調(diào)特征信息實(shí)現(xiàn)特征通道的校準(zhǔn)。假設(shè)1個(gè)數(shù)據(jù)集a={a1,a2,…,aL},ai∈LD,其中:L是特征向量的數(shù)量;D是維度空間。使用注意力機(jī)制計(jì)算每個(gè)樣本ai在當(dāng)前時(shí)刻t的權(quán)重αt,i如下:

    αt,i=exp(eti)/∑Lk=1exp(etk)。(5)

    式中:eti=fatt(ai,ht-1)為多層感知器;fatt(L)為中間變量;ht-1為最后時(shí)刻的隱藏狀態(tài)。通過權(quán)值的測量,可以使網(wǎng)絡(luò)聚焦于最具分類性的區(qū)域和特征圖。

    2.2 注意力膠囊網(wǎng)絡(luò)(ACapsNet)

    ACapsNet由編碼模塊、重構(gòu)模塊、注意力模塊和分類模塊組成。其中,編碼模塊用于提取病害葉片圖像的分類特征;重構(gòu)模塊用于對(duì)編碼模塊的輸出特征進(jìn)行采樣,輸出重構(gòu)圖像;分類模塊用于病害類別識(shí)別。為了有效提取特征和降低噪聲對(duì)網(wǎng)絡(luò)的影響,在編碼模塊中引入自注意力機(jī)制,在膠囊層之間利用局部動(dòng)態(tài)路由算法,從而減少網(wǎng)絡(luò)的計(jì)算量和加快網(wǎng)絡(luò)訓(xùn)練;利用Swish激活函數(shù)來替代ReLU激活函數(shù),避免網(wǎng)絡(luò)退化問題。ACapsNet網(wǎng)絡(luò)的結(jié)構(gòu)見圖4。

    ACapsNet的編碼模塊由2個(gè)卷積層conv1和conv2、自注意力層、主膠囊層、次膠囊層構(gòu)成,主膠囊層對(duì)conv2的輸出特征用32個(gè)步長為2的5×5卷積核進(jìn)行8次卷積操作,實(shí)現(xiàn)卷積層與膠囊層的轉(zhuǎn)換,次膠囊層與自注意力層使用的卷積核步長均為1,其他層卷積核的步長均為2。重構(gòu)模塊由卷積層conv3、反卷積層(deconv)和卷積層conv4組成,conv3進(jìn)行膠囊層與卷積層的轉(zhuǎn)化,反卷積層用于對(duì)conv3的輸出進(jìn)行上采樣,再通過conv4下采樣

    得到重構(gòu)圖像。分類模塊由數(shù)字膠囊層組成,ACapsNet的參數(shù)見表2。

    ACapsNet采用基于梯度下降算法進(jìn)行優(yōu)化,梯度下降的權(quán)值更新為:

    Wnew=Wold-ηEWold。(6)

    式中:Wold和Wnew分別為更新前和更新后的權(quán)值;η為學(xué)習(xí)率;損失E為權(quán)值W的復(fù)合函數(shù)。

    Adam是典型的隨機(jī)梯度下降優(yōu)化算法,并廣泛用于學(xué)習(xí)率自適應(yīng)約束控制優(yōu)化,使得參數(shù)的更新比較穩(wěn)定,適用于求解帶有大規(guī)模數(shù)據(jù)或參數(shù)的優(yōu)化問題,表示為:

    Δw=-ut/(1-α)vt/(1-β)+ε·η。(7)

    式中:Δw為權(quán)值更新;η為學(xué)習(xí)率;α和β為超參數(shù);vt=βvt-1+(1-β)gt為有偏一階矩估計(jì);ut=αut-1+(1-α)gt為有偏二階矩估計(jì);gt為當(dāng)前時(shí)刻的梯度;ut-1、vt-1分別為上一時(shí)刻的有偏一階矩估計(jì)和有偏二階矩估計(jì)。

    學(xué)習(xí)率對(duì)網(wǎng)絡(luò)模型的優(yōu)化算法收斂起著決定作用,學(xué)習(xí)率設(shè)置過小則收斂速度慢;反之,設(shè)置過大則模型可能無法收斂到最優(yōu)解。通常在迭代訓(xùn)練開始時(shí)將學(xué)習(xí)率設(shè)置較大,隨著模型逐漸收斂而不斷變小,使得模型更好收斂。在ACapsNet迭代過程中,利用Adam算法進(jìn)行優(yōu)化,初始選擇一個(gè)較大的學(xué)習(xí)率,設(shè)置為0.9,隨著數(shù)據(jù)集訓(xùn)練完成的次數(shù),按照指數(shù)函數(shù)進(jìn)行衰減。

    基于ACapsNet的作物病害識(shí)別主要包括3個(gè)部分,數(shù)據(jù)集預(yù)處理、ACapsNet模型訓(xùn)練和利用訓(xùn)練好的ACapsNet進(jìn)行病害圖像分類,主要過程描述如下:

    (1)對(duì)每幅圖像進(jìn)行擴(kuò)展;

    (2)對(duì)擴(kuò)展后的每一幅圖像進(jìn)行歸一化,然后將所有圖像劃分為訓(xùn)練集和測試集;

    (3)利用訓(xùn)練集訓(xùn)練ACapsNet模型,在每次迭代過程中按照“公式(7)”計(jì)算權(quán)值更新,判斷Δw是否小于閾值,若小于閾值,迭代終止;否則繼續(xù)訓(xùn)練。閾值默認(rèn)設(shè)置為0.001;

    (4)利用測試數(shù)據(jù)集測試ACapsNet模型對(duì)作物病害葉片圖像樣本的平均識(shí)別率。

    3 試驗(yàn)環(huán)境與結(jié)果

    在黃瓜病害葉片圖像數(shù)據(jù)集上進(jìn)行試驗(yàn),并與2種深度學(xué)習(xí)方法和2種傳統(tǒng)方法進(jìn)行比較,說明基于ACapsNet的作物病害識(shí)別方法的有效性。2種深度學(xué)習(xí)方法為VGG16[12]和CapsNet[15],2種傳統(tǒng)方法為基于顯著區(qū)域和PHOG(SRPHOG)[8]、基于圖像處理技術(shù)和人工神經(jīng)網(wǎng)絡(luò)(IPANN)[19]。4種方法都是在原始圖像及其擴(kuò)展圖像上進(jìn)行訓(xùn)練和識(shí)別的,沒有對(duì)圖像進(jìn)行增強(qiáng)和病斑分割等預(yù)處理。

    3.1 試驗(yàn)環(huán)境及參數(shù)設(shè)置

    為了驗(yàn)證AcapsNet算法的有效性,試驗(yàn)于2021年5月在IBM服務(wù)器上運(yùn)行,網(wǎng)絡(luò)模型訓(xùn)練與測試的軟件環(huán)境為 Win10+CUDA+VS+Anaconda+keras配置GPU,開發(fā)環(huán)境為Pycharm、CUDA Toolkit10.0、CUDNN V7.6.5、Windows10 64 bit操作系統(tǒng)、Pytorch深度學(xué)習(xí)框架。網(wǎng)絡(luò)訓(xùn)練與測試硬件環(huán)境為Intel Xeon E5-2643v3 @3.40 GHz CPU;GTX2080TI 11 GB GPU;64 GB內(nèi)存。學(xué)習(xí)率過大可能導(dǎo)致AcapsNet易過擬合,采用指數(shù)函數(shù)衰減學(xué)習(xí)率進(jìn)行網(wǎng)絡(luò)訓(xùn)練,本試驗(yàn)過程中學(xué)習(xí)率初始化為0001,衰減率設(shè)置為0.9,并在訓(xùn)練和測試過程通過GPU加速。批次樣本數(shù)設(shè)置為32,最大迭代次數(shù)為3 000。

    3.2 數(shù)據(jù)集

    白粉病、霜霉病、炭疽病、細(xì)菌性角斑病和斑點(diǎn)病是黃瓜上5種常見的葉部病害。數(shù)據(jù)集主要使用各種移動(dòng)設(shè)備,如iPhone7、華為P10、索尼wifi控制攝像頭和物聯(lián)網(wǎng),采集地點(diǎn)在在陜西省寶雞市農(nóng)業(yè)研究所作物試驗(yàn)基地,采集時(shí)間為2018年6—8月,采集的圖像分辨率約為4 928×3 264像素,構(gòu)建1個(gè)原始的圖像數(shù)據(jù)集,包含1 000幅在不同場景、不同自然光背景、不同傳感器類型、不同圖像分辨率下的多樣性圖像,每一種病害200幅葉片圖像。部分作物害蟲圖片見圖5。從圖5可以看出,同類病害葉片圖像的形狀、顏色、病斑大小、紋理變化多端。所以,采用傳統(tǒng)方法很難分割病斑、提取魯棒性的分類特征。為了更方便查看圖像集的處理結(jié)果,圖像名稱統(tǒng)一采用“類型+編號(hào)+(擴(kuò)展角度或剪切).jpg”。

    由于所收集的數(shù)據(jù)集較小,每類病害葉片只有200幅圖像,為了增強(qiáng)病害識(shí)別方法的泛化能力和避免深度學(xué)習(xí)模型的過擬合問題,利用旋轉(zhuǎn)、裁剪和縮放等操作,就每幅圖像擴(kuò)充10幅,得到10 000幅圖像。1幅圖像的10幅擴(kuò)展圖像見圖6。將擴(kuò)展后的圖像集制作成TFRecord格式的數(shù)據(jù)文件。

    3.3 結(jié)果與分析

    ACapsNet采用Adam算法進(jìn)行整個(gè)模型的參數(shù)優(yōu)化,使之可以在增加收斂速度的同時(shí)獲得最優(yōu)解,本研究通過梯度的一階矩和二階矩更新學(xué)習(xí)率,初始學(xué)習(xí)率為1×10-5。作物病害識(shí)別識(shí)別率是一次測試的樣本中正確的數(shù)量除以所有樣本的數(shù)量,平均識(shí)別率即所有類別識(shí)別率的平均值。主要是對(duì)作物的5種病害進(jìn)行識(shí)別,需要輸出的為5類分類結(jié)果,因此需要將數(shù)字膠囊層中的參數(shù)進(jìn)行替換,變?yōu)檩敵鰹?6×5的膠囊,實(shí)現(xiàn)膠囊對(duì)應(yīng)到5個(gè)類別,從而獲取分類結(jié)果。在試驗(yàn)前對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理,將每一幅圖像大小變換為224×224圖像,即根據(jù)最長的一邊縮小為224的比例做長寬等比例縮小,再剪切一個(gè)包含病斑的區(qū)域并旋轉(zhuǎn)角度以擴(kuò)充數(shù)據(jù)集,背景采用黑色填充。

    基于VGG16、CapsNet和ACapsNet等3種作物病害識(shí)別方法的訓(xùn)練效果對(duì)比見圖7。從圖7可以看出,與VGG16和CapsNet的訓(xùn)練效果比較,ACapsNet具有較好的魯棒性,訓(xùn)練經(jīng)過2 000次迭代后,其損失值降到約0.13,已基本趨于收斂。其原因是ACapsNet利用了注意力機(jī)制,有效提高了訓(xùn)練收斂速度。

    按7 ∶3比例將擴(kuò)展后的原始圖像及其擴(kuò)展圖像隨機(jī)劃分為訓(xùn)練集和測試集,訓(xùn)練集用于訓(xùn)練模型,測試集用于算法識(shí)別。重復(fù)進(jìn)行該試驗(yàn)50次,計(jì)算作物病害的平均識(shí)別率。從表3可以看出,2種傳統(tǒng)方法的識(shí)別率很低,主要是由于原始圖像很難提取到高魯棒性的分類特征;3種基于VGG16、CapsNet和ACapsNet等方法的識(shí)別率較高,CapsNet的識(shí)別率比VGG16高,因?yàn)槟z囊網(wǎng)絡(luò)可以通過保留圖像特征的位置信息達(dá)到提升病斑圖像和病害圖像識(shí)別率的效果;基于ACapsNet方法的識(shí)別率最高,因?yàn)锳CapsNet利用了膠囊網(wǎng)絡(luò)和注意力機(jī)制的優(yōu)勢(shì)。結(jié)果表明,ACapsNet能夠自動(dòng)提取更具區(qū)分性的特征,進(jìn)一步提高作物病害的識(shí)別率,進(jìn)而能夠有效解決人工選擇復(fù)雜病害葉片圖像的特征提取與選擇問題。

    4 結(jié)論

    針對(duì)傳統(tǒng)基于特征提取的作物病害葉片圖像分類方法的精度不高且過分依賴人工選擇特征的問題,以及現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜自然背景下作物病害識(shí)別率低等問題,提出一種用于作物病害識(shí)別的注意力膠囊網(wǎng)絡(luò)(ACapsNet)。ACapsNet以膠囊網(wǎng)絡(luò)為基礎(chǔ),通過引入動(dòng)態(tài)路由算法降低網(wǎng)絡(luò)計(jì)算量,以適應(yīng)深度特征提取網(wǎng)絡(luò)訓(xùn)練,引入自注意力機(jī)制提高網(wǎng)絡(luò)特征表達(dá)與特征提取能力,并降低噪聲對(duì)網(wǎng)絡(luò)識(shí)別性能的影響。在黃瓜病害葉片圖像集上的結(jié)果表明,ACapsNet能夠應(yīng)用于作物病害自動(dòng)識(shí)別系統(tǒng)。未來考慮在大規(guī)模數(shù)據(jù)上進(jìn)行試驗(yàn),嘗試ACapsNet的動(dòng)態(tài)路由算法進(jìn)行優(yōu)化,以進(jìn)一步完善ACapsNet的結(jié)構(gòu),使其能夠更加高效、準(zhǔn)確地進(jìn)行作物病害識(shí)別。

    參考文獻(xiàn):

    [1]李成陽. 黃瓜病蟲害檢測儀關(guān)鍵技術(shù)研究[D]. 銀川:寧夏大學(xué),2018.

    [2]阮 超. 冬小麥赤霉病和白粉病多尺度遙感監(jiān)測[D]. 合肥:安徽大學(xué),2019.

    [3]丁 蓮. 溫室黃瓜病害圖像識(shí)別方法研究及應(yīng)用[D]. 成都:電子科技大學(xué),2020.

    [4]Barbedo J G A.A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering,2016,144:52-60.

    [5]Patil J K,Kumar R.Analysis of content based image retrieval for plant leaf diseases using color,shape and texture features[J]. Engineering in Agriculture,Environment and Food,2017,10(2):69-78.

    [6]Singh V,Misra A K.Detection of plant leaf diseases using image segmentation and soft computing techniques[J]. Information Processing in Agriculture,2017,4(1):41-49.

    [7]馬慧琴. 基于多源數(shù)據(jù)的小麥白粉病遙感監(jiān)測與預(yù)測模型研究[D]. 南京:南京信息工程大學(xué),2017.

    [8]張?jiān)讫?,張?huì)敏,謝澤奇,等. 基于顯著區(qū)域和PHOG的黃瓜病害識(shí)別方法研究[J]. 江蘇農(nóng)業(yè)科學(xué),2018,46(22):246-250.

    [9]姚群力,胡 顯,雷 宏. 基于多尺度融合特征卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)檢測[J]. 測繪學(xué)報(bào),2019,48(10):1266-1274.

    [10]黃守志. 基于多特征多尺度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究[D]. 北京:北京郵電大學(xué),2019.

    [11]呂昊宇,方 睿. 基于多尺度融合的卷積神經(jīng)網(wǎng)絡(luò)的雜草幼苗識(shí)別[J]. 計(jì)算機(jī)科學(xué)與應(yīng)用,2020(12):2406-2418.

    [12]馬浚誠,杜克明,鄭飛翔,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(12):186-192.

    [13]孫 俊,譚文軍,毛罕平,等. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(19):209-215.

    [14]Sabour S,F(xiàn)rosst N,Hinton G E. Dynamic routing between capsules[J/OL]. Neural Information Processing Systems,2017:121-130.(2017-11-07)[2021-03-20].https://proceedings.neurips.cc/paper/2017/file/2cad8fa47bbef282badbb8de5374b894-Paper.pdf#:~:text=Dynamic%20routing%20can%20be%20viewed%20as%20a%20parallel,make%20higher-level%20segmentation%20decisions%20inthe%20domain%20of%20pixels.

    [15]Gritsevskiy A,Korablyov M. Capsule networks for low-data transfer learning[J/OL]. Computer Science·ArXiv, 2018. (2018-04-26)[2021-03-20].https://math.mit.edu/research/highschool/primes/materials/2018/Gritsevskiy.pdf.

    [16]Tobing E,Murtaza A,Han K,et al. EP-CapsNet:extending capsule network with inception module for electrophoresis binary classification[C]//18th International Conference on Bioinformatics and Bioengineering.Taichung,2018:327-333.

    [17]Xiang C Q,Zhang L,Tang Y,et al. MS-CapsNet:a novel multi-scale capsule network[J]. IEEE Signal Processing Letters,2018,25(12):1850-1854.

    [18]侯金秀,李 然,鄧紅霞,等. 融合通道信息注意力網(wǎng)絡(luò)的葉片病害識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用,2020,56(23):124-129.

    [19]劉 娜,趙 慧,包思圓,等. 基于圖像處理的黃瓜葉子病害識(shí)別系統(tǒng)的研究[J]. 山東工業(yè)技術(shù),2018(5):138.

    猜你喜歡
    注意力機(jī)制
    基于注意力機(jī)制的行人軌跡預(yù)測生成模型
    基于注意力機(jī)制和BGRU網(wǎng)絡(luò)的文本情感分析方法研究
    多特征融合的中文實(shí)體關(guān)系抽取研究
    基于序列到序列模型的文本到信息框生成的研究
    基于深度學(xué)習(xí)的手分割算法研究
    從餐館評(píng)論中提取方面術(shù)語
    面向短文本的網(wǎng)絡(luò)輿情話題
    基于自注意力與動(dòng)態(tài)路由的文本建模方法
    基于深度學(xué)習(xí)的問題回答技術(shù)研究
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    俺也久久电影网| 伊人久久精品亚洲午夜| 国产高清三级在线| 精品久久久久久久久久久久久| 日本在线视频免费播放| 婷婷六月久久综合丁香| 中文字幕人妻熟人妻熟丝袜美 | 亚洲国产欧洲综合997久久,| 老司机午夜福利在线观看视频| 老汉色av国产亚洲站长工具| 精华霜和精华液先用哪个| 亚洲欧美日韩高清在线视频| 桃色一区二区三区在线观看| 国产亚洲精品久久久com| 九九久久精品国产亚洲av麻豆| 国产精品亚洲美女久久久| 一级黄片播放器| 久久久久久久午夜电影| 欧美黑人欧美精品刺激| 免费av毛片视频| 最好的美女福利视频网| 我的老师免费观看完整版| 18+在线观看网站| 国产亚洲欧美98| 国产精品久久久久久人妻精品电影| av国产免费在线观看| 亚洲av五月六月丁香网| 一本精品99久久精品77| 亚洲成人久久爱视频| 露出奶头的视频| 免费av毛片视频| 一级a爱片免费观看的视频| 一进一出抽搐gif免费好疼| 看片在线看免费视频| 精品午夜福利视频在线观看一区| 一区二区三区免费毛片| 噜噜噜噜噜久久久久久91| 3wmmmm亚洲av在线观看| 99久久精品一区二区三区| 国产精品日韩av在线免费观看| 天堂√8在线中文| 高清日韩中文字幕在线| 国产91精品成人一区二区三区| 日韩欧美 国产精品| 欧美区成人在线视频| 亚洲精品成人久久久久久| 国产精品一区二区三区四区免费观看 | 热99re8久久精品国产| 欧美av亚洲av综合av国产av| 欧美区成人在线视频| 一个人看视频在线观看www免费 | 九色国产91popny在线| 久久久国产成人免费| 男女视频在线观看网站免费| 18禁在线播放成人免费| ponron亚洲| 757午夜福利合集在线观看| 亚洲va日本ⅴa欧美va伊人久久| 亚洲国产精品久久男人天堂| 热99re8久久精品国产| 国产成人影院久久av| 亚洲狠狠婷婷综合久久图片| 天天一区二区日本电影三级| 国产69精品久久久久777片| 久久精品国产清高在天天线| 欧美日韩国产亚洲二区| tocl精华| 天堂√8在线中文| 欧美区成人在线视频| 亚洲第一欧美日韩一区二区三区| 色精品久久人妻99蜜桃| 女生性感内裤真人,穿戴方法视频| 91字幕亚洲| 欧美一区二区精品小视频在线| ponron亚洲| 神马国产精品三级电影在线观看| 成人av一区二区三区在线看| 国产一级毛片七仙女欲春2| 亚洲电影在线观看av| 精品国产亚洲在线| 国内精品美女久久久久久| 1000部很黄的大片| 麻豆久久精品国产亚洲av| 亚洲电影在线观看av| 久久久久精品国产欧美久久久| 日本a在线网址| 国产成人aa在线观看| 日韩亚洲欧美综合| 天美传媒精品一区二区| 三级国产精品欧美在线观看| 中文字幕久久专区| 两人在一起打扑克的视频| 亚洲精华国产精华精| 欧美一区二区国产精品久久精品| eeuss影院久久| 老熟妇仑乱视频hdxx| 精品福利观看| 日韩欧美在线乱码| 精品久久久久久久久久久久久| 日韩欧美精品免费久久 | 日本熟妇午夜| 欧美极品一区二区三区四区| 国产成人影院久久av| 老汉色av国产亚洲站长工具| 国产av不卡久久| 97超视频在线观看视频| 国产精品一及| 最新中文字幕久久久久| 日本 av在线| 村上凉子中文字幕在线| 亚洲精品乱码久久久v下载方式 | 亚洲在线自拍视频| 久久草成人影院| 亚洲一区高清亚洲精品| 18禁美女被吸乳视频| 亚洲av日韩精品久久久久久密| 我要搜黄色片| 欧美成人a在线观看| 中国美女看黄片| 欧美成狂野欧美在线观看| 一级作爱视频免费观看| 亚洲成人久久爱视频| 欧美黑人欧美精品刺激| 午夜影院日韩av| 亚洲片人在线观看| 国产精品免费一区二区三区在线| 精品久久久久久久毛片微露脸| 噜噜噜噜噜久久久久久91| 亚洲欧美一区二区三区黑人| tocl精华| 男人舔女人下体高潮全视频| 亚洲 国产 在线| 窝窝影院91人妻| 内地一区二区视频在线| 天天躁日日操中文字幕| www.色视频.com| 男女下面进入的视频免费午夜| 国产精品乱码一区二三区的特点| 日本三级黄在线观看| 国产成人啪精品午夜网站| 久久亚洲真实| 欧美一区二区国产精品久久精品| 婷婷精品国产亚洲av在线| 欧美区成人在线视频| 国产午夜福利久久久久久| 99国产极品粉嫩在线观看| 午夜福利在线在线| 啦啦啦免费观看视频1| 亚洲成人中文字幕在线播放| 一区福利在线观看| 免费高清视频大片| 我要搜黄色片| a在线观看视频网站| 99在线视频只有这里精品首页| 三级毛片av免费| 一本一本综合久久| 69人妻影院| 精品久久久久久久毛片微露脸| 好看av亚洲va欧美ⅴa在| 亚洲av中文字字幕乱码综合| 亚洲精品久久国产高清桃花| 国产精品一区二区三区四区久久| avwww免费| 少妇人妻一区二区三区视频| 亚洲av成人不卡在线观看播放网| 老熟妇仑乱视频hdxx| 精品一区二区三区人妻视频| 人妻夜夜爽99麻豆av| 悠悠久久av| 精品国产亚洲在线| 岛国在线观看网站| 国产毛片a区久久久久| 国产亚洲精品av在线| 亚洲欧美日韩高清在线视频| 久久人妻av系列| 久久久久免费精品人妻一区二区| 老司机深夜福利视频在线观看| 我的老师免费观看完整版| 啦啦啦免费观看视频1| 女生性感内裤真人,穿戴方法视频| а√天堂www在线а√下载| 最近在线观看免费完整版| 成人鲁丝片一二三区免费| 国产成人a区在线观看| 日本撒尿小便嘘嘘汇集6| 我要搜黄色片| 露出奶头的视频| 亚洲av电影在线进入| 我要搜黄色片| 亚洲精品久久国产高清桃花| 午夜免费激情av| 噜噜噜噜噜久久久久久91| 听说在线观看完整版免费高清| 免费看美女性在线毛片视频| 久久亚洲真实| 国模一区二区三区四区视频| 给我免费播放毛片高清在线观看| 欧美日韩福利视频一区二区| 国产69精品久久久久777片| 亚洲第一电影网av| 美女被艹到高潮喷水动态| 欧美不卡视频在线免费观看| 精品一区二区三区人妻视频| 村上凉子中文字幕在线| 国产亚洲精品av在线| 国产av一区在线观看免费| 首页视频小说图片口味搜索| 色精品久久人妻99蜜桃| 国产精品精品国产色婷婷| 在线免费观看的www视频| 久久人人精品亚洲av| 日本黄大片高清| 三级男女做爰猛烈吃奶摸视频| 又紧又爽又黄一区二区| 国产亚洲精品一区二区www| 精品一区二区三区av网在线观看| 欧美乱码精品一区二区三区| 欧美区成人在线视频| 亚洲av成人不卡在线观看播放网| 精华霜和精华液先用哪个| 男人舔女人下体高潮全视频| 午夜免费观看网址| 久久久精品欧美日韩精品| 99国产精品一区二区蜜桃av| 在线观看日韩欧美| 日韩欧美在线二视频| 9191精品国产免费久久| 黄色成人免费大全| 在线天堂最新版资源| 久久欧美精品欧美久久欧美| 两个人的视频大全免费| 日韩欧美国产一区二区入口| 黄色成人免费大全| 国内精品美女久久久久久| 手机成人av网站| 又黄又爽又免费观看的视频| av天堂中文字幕网| 国产视频一区二区在线看| av在线蜜桃| 日韩成人在线观看一区二区三区| 国产精品香港三级国产av潘金莲| 香蕉av资源在线| 国产精品三级大全| 一个人免费在线观看电影| 色精品久久人妻99蜜桃| 一本一本综合久久| 国产日本99.免费观看| 国产单亲对白刺激| 精品人妻一区二区三区麻豆 | 成人国产综合亚洲| 日本成人三级电影网站| 国产三级在线视频| 亚洲狠狠婷婷综合久久图片| 三级毛片av免费| av专区在线播放| 国产老妇女一区| 人人妻人人澡欧美一区二区| 国产高潮美女av| 亚洲精品日韩av片在线观看 | 国产精品久久视频播放| 性欧美人与动物交配| 怎么达到女性高潮| 夜夜看夜夜爽夜夜摸| 国产精品一及| 国产精品嫩草影院av在线观看 | 啦啦啦韩国在线观看视频| 午夜两性在线视频| 97超视频在线观看视频| 美女cb高潮喷水在线观看| av黄色大香蕉| 网址你懂的国产日韩在线| 不卡一级毛片| 2021天堂中文幕一二区在线观| 男女做爰动态图高潮gif福利片| 亚洲精品美女久久久久99蜜臀| 最近视频中文字幕2019在线8| 成人无遮挡网站| 成人性生交大片免费视频hd| e午夜精品久久久久久久| 亚洲天堂国产精品一区在线| 午夜日韩欧美国产| 中文亚洲av片在线观看爽| 国产三级中文精品| 波多野结衣高清无吗| 在线观看一区二区三区| 国产精品一区二区三区四区久久| 国产精品女同一区二区软件 | 亚洲国产精品久久男人天堂| 午夜精品一区二区三区免费看| 久久精品亚洲精品国产色婷小说| 亚洲国产高清在线一区二区三| 此物有八面人人有两片| 久久婷婷人人爽人人干人人爱| 亚洲精品国产精品久久久不卡| 亚洲欧美一区二区三区黑人| 热99re8久久精品国产| 精品人妻一区二区三区麻豆 | 成年人黄色毛片网站| 成人鲁丝片一二三区免费| 午夜视频国产福利| 国产黄片美女视频| 国产乱人视频| 亚洲激情在线av| 叶爱在线成人免费视频播放| 国产精品 国内视频| 亚洲av不卡在线观看| 99热精品在线国产| 亚洲av五月六月丁香网| 国产乱人视频| 精品乱码久久久久久99久播| 观看美女的网站| 国产淫片久久久久久久久 | 长腿黑丝高跟| 一个人观看的视频www高清免费观看| 一级作爱视频免费观看| 级片在线观看| 搞女人的毛片| av在线蜜桃| 色吧在线观看| 一夜夜www| 天堂动漫精品| 真人做人爱边吃奶动态| 久久久国产成人精品二区| 99久久99久久久精品蜜桃| 又黄又爽又免费观看的视频| 国产精品香港三级国产av潘金莲| 国产三级黄色录像| 久久久久性生活片| 亚洲成人久久爱视频| 国产伦在线观看视频一区| 热99在线观看视频| 日韩亚洲欧美综合| 国产亚洲精品av在线| 一级a爱片免费观看的视频| 18美女黄网站色大片免费观看| 免费观看精品视频网站| 欧美高清成人免费视频www| 99久久精品一区二区三区| 此物有八面人人有两片| 黄色视频,在线免费观看| 亚洲欧美日韩高清专用| 一级毛片女人18水好多| 1000部很黄的大片| av国产免费在线观看| 久久久久亚洲av毛片大全| 欧美日韩中文字幕国产精品一区二区三区| 三级毛片av免费| 国产精品99久久久久久久久| 一进一出好大好爽视频| 欧美色视频一区免费| 欧美绝顶高潮抽搐喷水| 草草在线视频免费看| 久久性视频一级片| 午夜免费男女啪啪视频观看 | 免费观看的影片在线观看| 国产精品三级大全| 国产中年淑女户外野战色| 成人永久免费在线观看视频| 亚洲片人在线观看| 麻豆成人午夜福利视频| 亚洲成av人片在线播放无| 男女下面进入的视频免费午夜| 99在线视频只有这里精品首页| 亚洲最大成人中文| 欧美午夜高清在线| 欧美黄色淫秽网站| 亚洲av二区三区四区| 久久久精品欧美日韩精品| 欧洲精品卡2卡3卡4卡5卡区| 三级国产精品欧美在线观看| 两个人视频免费观看高清| 啦啦啦观看免费观看视频高清| 丁香欧美五月| 久久久色成人| 国产精品亚洲美女久久久| 99精品欧美一区二区三区四区| 欧美黄色淫秽网站| 国产午夜福利久久久久久| 亚洲aⅴ乱码一区二区在线播放| 中文字幕久久专区| 午夜福利18| 国产精品久久视频播放| 国产亚洲精品综合一区在线观看| 99久久精品热视频| 久久久国产成人免费| 免费无遮挡裸体视频| 国产国拍精品亚洲av在线观看 | 成人性生交大片免费视频hd| 国产激情偷乱视频一区二区| avwww免费| 热99re8久久精品国产| 又紧又爽又黄一区二区| 亚洲av电影在线进入| 国产又黄又爽又无遮挡在线| 国产精品久久久久久亚洲av鲁大| 久久久久久久精品吃奶| 成人欧美大片| 久久精品综合一区二区三区| 午夜福利成人在线免费观看| 亚洲 欧美 日韩 在线 免费| 一夜夜www| a级一级毛片免费在线观看| 99久久精品热视频| 夜夜夜夜夜久久久久| 国产视频一区二区在线看| 国产一区二区激情短视频| 亚洲精品456在线播放app | 听说在线观看完整版免费高清| 亚洲一区高清亚洲精品| 亚洲中文字幕一区二区三区有码在线看| 免费大片18禁| 国产成人av教育| 中文资源天堂在线| 五月伊人婷婷丁香| 亚洲精品久久国产高清桃花| 制服人妻中文乱码| 亚洲真实伦在线观看| 久久久久九九精品影院| 欧美乱色亚洲激情| 久久婷婷人人爽人人干人人爱| 久久午夜亚洲精品久久| 成年女人毛片免费观看观看9| 国产aⅴ精品一区二区三区波| 国产三级中文精品| 午夜老司机福利剧场| 国产激情偷乱视频一区二区| 99久久精品热视频| av片东京热男人的天堂| 99视频精品全部免费 在线| 免费大片18禁| 窝窝影院91人妻| 久久久成人免费电影| 亚洲人与动物交配视频| 九九在线视频观看精品| 叶爱在线成人免费视频播放| 亚洲在线自拍视频| av国产免费在线观看| 国产成人aa在线观看| 网址你懂的国产日韩在线| 最近视频中文字幕2019在线8| 国内精品久久久久精免费| 一区福利在线观看| 欧美色欧美亚洲另类二区| 1000部很黄的大片| 亚洲精华国产精华精| 在线播放无遮挡| 国产欧美日韩精品亚洲av| 日本在线视频免费播放| 91av网一区二区| 很黄的视频免费| 国内精品美女久久久久久| 欧美在线一区亚洲| 中文资源天堂在线| 亚洲内射少妇av| 久久久久精品国产欧美久久久| 午夜福利18| 午夜激情欧美在线| 身体一侧抽搐| 精品久久久久久久末码| 国产精品乱码一区二三区的特点| 国产国拍精品亚洲av在线观看 | 国产又黄又爽又无遮挡在线| 国产一区二区在线观看日韩 | 搞女人的毛片| 精品久久久久久久毛片微露脸| 国产色婷婷99| 91麻豆精品激情在线观看国产| 成人亚洲精品av一区二区| av天堂在线播放| 99精品久久久久人妻精品| 女同久久另类99精品国产91| 91在线精品国自产拍蜜月 | 亚洲av电影在线进入| 成人一区二区视频在线观看| 国产91精品成人一区二区三区| 校园春色视频在线观看| 亚洲真实伦在线观看| 热99re8久久精品国产| 身体一侧抽搐| 性色avwww在线观看| 少妇高潮的动态图| 午夜亚洲福利在线播放| 免费av观看视频| 女生性感内裤真人,穿戴方法视频| 黑人欧美特级aaaaaa片| 婷婷六月久久综合丁香| 亚洲第一欧美日韩一区二区三区| 欧美又色又爽又黄视频| bbb黄色大片| 99久久久亚洲精品蜜臀av| 亚洲成av人片免费观看| 女同久久另类99精品国产91| 嫩草影院入口| 国语自产精品视频在线第100页| 亚洲av第一区精品v没综合| 久久精品亚洲精品国产色婷小说| a级毛片a级免费在线| 国产色婷婷99| 中文字幕人妻丝袜一区二区| 欧美大码av| 亚洲激情在线av| 久久伊人香网站| 久久精品国产自在天天线| www国产在线视频色| 女人高潮潮喷娇喘18禁视频| 很黄的视频免费| 欧美又色又爽又黄视频| 99热6这里只有精品| 国产精品综合久久久久久久免费| 午夜精品在线福利| 亚洲 欧美 日韩 在线 免费| 嫁个100分男人电影在线观看| 国产视频一区二区在线看| 成人无遮挡网站| 三级男女做爰猛烈吃奶摸视频| 亚洲精品影视一区二区三区av| 少妇高潮的动态图| 91久久精品国产一区二区成人 | 亚洲美女视频黄频| 国产精品久久电影中文字幕| 五月伊人婷婷丁香| 亚洲av电影不卡..在线观看| 搡老岳熟女国产| 老司机午夜福利在线观看视频| 久久国产乱子伦精品免费另类| 国产亚洲欧美98| 亚洲成人精品中文字幕电影| xxxwww97欧美| 国产野战对白在线观看| 欧美黄色淫秽网站| 日韩成人在线观看一区二区三区| 欧美丝袜亚洲另类 | 成人特级黄色片久久久久久久| 国产高清有码在线观看视频| 成人永久免费在线观看视频| 91在线精品国自产拍蜜月 | 欧美性猛交黑人性爽| 夜夜爽天天搞| 日韩精品中文字幕看吧| 免费高清视频大片| 欧美黑人巨大hd| 日韩精品中文字幕看吧| 欧美xxxx黑人xx丫x性爽| 在线观看66精品国产| 亚洲最大成人手机在线| 搞女人的毛片| 啪啪无遮挡十八禁网站| 国产精品1区2区在线观看.| 一边摸一边抽搐一进一小说| 变态另类成人亚洲欧美熟女| 一个人观看的视频www高清免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品自产拍在线观看55亚洲| 黄色视频,在线免费观看| 夜夜躁狠狠躁天天躁| 夜夜看夜夜爽夜夜摸| www.色视频.com| 中文在线观看免费www的网站| 久久久成人免费电影| 成人18禁在线播放| 国产精品久久久久久亚洲av鲁大| 亚洲精华国产精华精| 国产精品98久久久久久宅男小说| 欧美激情在线99| 国产精品乱码一区二三区的特点| 亚洲国产精品成人综合色| 久久精品国产亚洲av涩爱 | 婷婷六月久久综合丁香| 国产高清videossex| 日韩欧美一区二区三区在线观看| 首页视频小说图片口味搜索| 亚洲真实伦在线观看| 国产精品亚洲av一区麻豆| www日本黄色视频网| 成年女人毛片免费观看观看9| 欧美bdsm另类| 国产久久久一区二区三区| eeuss影院久久| 国产97色在线日韩免费| 日本五十路高清| av片东京热男人的天堂| 亚洲成人精品中文字幕电影| 精品午夜福利视频在线观看一区| 一a级毛片在线观看| 亚洲avbb在线观看| 男女下面进入的视频免费午夜| 一卡2卡三卡四卡精品乱码亚洲| 18禁黄网站禁片免费观看直播| 欧美中文综合在线视频| 丰满人妻一区二区三区视频av | 小说图片视频综合网站| 禁无遮挡网站| 日本黄大片高清| 成人性生交大片免费视频hd| 精品电影一区二区在线| 在线免费观看不下载黄p国产 | 久久精品国产99精品国产亚洲性色| 亚洲国产精品999在线| www国产在线视频色| 久久精品夜夜夜夜夜久久蜜豆| 国产久久久一区二区三区| 亚洲精品日韩av片在线观看 | 国产探花极品一区二区| 俄罗斯特黄特色一大片| 午夜免费男女啪啪视频观看 | 午夜亚洲福利在线播放| 搞女人的毛片| 亚洲aⅴ乱码一区二区在线播放| 婷婷精品国产亚洲av| 18禁裸乳无遮挡免费网站照片| 身体一侧抽搐| 在线看三级毛片| 亚洲成人精品中文字幕电影| 精品日产1卡2卡| 免费电影在线观看免费观看|