• <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 ?

    基于實例置信度推斷的半監(jiān)督小樣本植物病害圖像識別

    2022-06-24 17:15:36孔江波朱賀張延文黃建平
    江蘇農(nóng)業(yè)科學(xué) 2022年12期
    關(guān)鍵詞:植物病害識別深度學(xué)習(xí)

    孔江波 朱賀 張延文 黃建平

    摘要:植物病害影響農(nóng)業(yè)生產(chǎn)的產(chǎn)量和質(zhì)量。針對現(xiàn)有小樣本植物病害識別方法大多數(shù)都是基于監(jiān)督式學(xué)習(xí)模型以及少數(shù)半監(jiān)督學(xué)習(xí)方法未判別偽標(biāo)注樣本的可信度的問題,提出一種基于實例置信度推斷的半監(jiān)督學(xué)習(xí)小樣本植物病害圖像識別方法。首先構(gòu)建ResNet-12網(wǎng)絡(luò)提取有標(biāo)注樣本和無標(biāo)注樣本的特征;其次利用極少數(shù)有標(biāo)簽的植物病害樣本訓(xùn)練SVM分類器,用分類器推斷無標(biāo)注樣本的類別并賦予偽標(biāo)簽;然后采用實例置信度推斷(ICI)算法獲取偽標(biāo)注樣本的置信度,迭代選擇可信的偽標(biāo)簽樣本加入訓(xùn)練拓展支持集;最后應(yīng)用訓(xùn)練后的網(wǎng)絡(luò)模型對植物病害圖像進(jìn)行識別。該方法能夠反映無標(biāo)注病害樣本的真實分布,迭代選擇最可信的偽標(biāo)注樣本進(jìn)行模型訓(xùn)練,從而提高模型的識別性能。試驗采用Plant Village公開數(shù)據(jù)集進(jìn)行10-way-5-shot試驗。結(jié)果顯示:在unlabel= 50的情況下識別準(zhǔn)確率為89.34%,病害的各項評價指標(biāo)均隨著無標(biāo)注樣本數(shù)量的增加而增加。結(jié)果表明本研究提出的方法從無標(biāo)注樣本中獲取到的信息是魯棒的,且識別準(zhǔn)確率優(yōu)于傳統(tǒng)遷移學(xué)習(xí),能有效提升小樣本條件下植物病害圖像的識別效果。

    關(guān)鍵詞:植物病害;半監(jiān)督學(xué)習(xí);識別;小樣本學(xué)習(xí);深度學(xué)習(xí);置信度推斷

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

    文章編號:1002-1302(2022)12-0229-09

    收稿日期:2021-11-16

    基金項目:中央高校基本科研業(yè)務(wù)費專項(編號:2572019CP19);黑龍江省自然科學(xué)基金(編號:TD2020C001)。

    作者簡介:孔江波(1997—),男,甘肅永靖人,碩士研究生,主要從事模式識別研究。E-mail:kjb1206612461@163.com。

    通信作者:黃建平,博士,副教授,博士生導(dǎo)師,主要從事目標(biāo)檢測、圖像處理相關(guān)研究。E-mail:jphuang@nefu.edu.cn。

    植物病害是影響農(nóng)業(yè)生產(chǎn)安全和生態(tài)環(huán)境安全的嚴(yán)重生物災(zāi)害,因此及時且準(zhǔn)確地發(fā)現(xiàn)并識別出病害的種類,針對各個病害的特點采取相應(yīng)措施便能夠有效地減少病害帶來的危害[1-3]。

    傳統(tǒng)的植物病害識別主要包括人工和儀器輔助的半自動識別方法,但在識別效率和識別準(zhǔn)確率方面難以滿足科學(xué)研究和實際生產(chǎn)中的大面積、快速檢測植物病蟲害的需要[4-5]。近年來,深度學(xué)習(xí)技術(shù)取得了長足進(jìn)步,深度學(xué)習(xí)技術(shù)在植物物種分類、林木圖像分割、植物病蟲害圖像識別等方面得到了廣泛的應(yīng)用[6-9]。Srdjan等將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于植物病害圖像的識別領(lǐng)域,對健康葉片圖像及13類病害葉片圖像的識別準(zhǔn)確率為96.3%[10];黃建平等提出一種能夠依據(jù)特定數(shù)據(jù)集自動搜索出合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的植物病害圖像識別方法[11]。

    訓(xùn)練深度學(xué)習(xí)模型需要大量的帶有標(biāo)簽的數(shù)據(jù)集來學(xué)習(xí)植物病害圖像的視覺特征以及不同植物間的視覺差異[12]。然而在現(xiàn)實中,標(biāo)注大規(guī)模植物病害樣本成本高昂,并且某些植物病害較為罕見,甚至很難采集到病害樣本。使用過少的標(biāo)注樣本訓(xùn)練深度學(xué)習(xí)模型很容易導(dǎo)致模型過擬合和泛化性能力差[13]。

    近年來,基于小樣本學(xué)習(xí)(few-shot learning,F(xiàn)SL)[14-15] 的圖像識別方法得到了廣泛的關(guān)注。基于小樣本學(xué)習(xí)的圖像識別方法[16-17]主要包括數(shù)據(jù)增強(如半監(jiān)督學(xué)習(xí)[18]、GAN[19])、遷移學(xué)習(xí)[20](如基于特征[21]、基于共享參數(shù)[22])、度量學(xué)習(xí)(如匹配網(wǎng)絡(luò)[14]、原型網(wǎng)絡(luò)[15])、元學(xué)習(xí)(如MAML[23]、Meta-SGD[24]、Reptile[25])等方式。Wang等[26]與Argüeso等[12]采用Siamese網(wǎng)絡(luò)框架解決小樣本植物病害圖像分類問題;Yu等提出一種特征分割子網(wǎng)絡(luò)和斑點感知子網(wǎng)絡(luò)相結(jié)合的注意力機制[27];Hu等利用C-DCGAN網(wǎng)絡(luò)對茶葉病害樣本進(jìn)行擴充[28];謝軍等提出了基于2次遷移深度學(xué)習(xí)模型的小樣本茶樹病害識別方法[29];Li等首次將半監(jiān)督學(xué)習(xí)模型應(yīng)用于小樣本植物病害識別問題,但僅僅通過fine-tuning來迭代選擇偽標(biāo)注樣本更新模型,并沒有對偽標(biāo)注的置信度進(jìn)行判別[13]?;谛颖緦W(xué)習(xí)的植物病害識別方法在模型的泛化能力和準(zhǔn)確率方面取得了較好的性能,但依然存在以下2個問題:一方面,現(xiàn)階段小樣本植物病害圖像識別的研究大多數(shù)都是基于監(jiān)督式學(xué)習(xí)模型,未充分挖掘無標(biāo)注樣本的有用信息。另一方面,少數(shù)方法僅通過Fine-tuning來迭代賦予無標(biāo)注病害樣本偽標(biāo)注,并未判別偽標(biāo)注植物病害樣本的可信度,錯誤的偽標(biāo)注樣本加入訓(xùn)練會導(dǎo)致模型性能降低。

    針對現(xiàn)有小樣本植物病害識別方法存在的問題,本研究提出一種基于實例置信度推斷的半監(jiān)督學(xué)習(xí)小樣本植物病害圖像識別方法。該方法利用實例置信度推斷(ICI)算法獲取偽標(biāo)注樣本的置信度,選擇可信的偽標(biāo)簽樣本加入訓(xùn)練拓展支持集,通過迭代選擇最可信的偽標(biāo)注樣本進(jìn)行模型訓(xùn)練,實現(xiàn)少量樣本下植物病害圖像的準(zhǔn)確識別。

    1 植物病害識別方法

    1.1 實例置信度推斷(ICI)算法

    半監(jiān)督學(xué)習(xí)(semi-supervised learning,SSL)[18,30]是一種常見的機器學(xué)習(xí)范式,能夠在有標(biāo)注數(shù)據(jù)昂貴或稀缺的情況下,自動地利用現(xiàn)成的無標(biāo)注數(shù)據(jù)來改進(jìn)監(jiān)督式學(xué)習(xí)任務(wù),從而提升學(xué)習(xí)性能,適用于含有少數(shù)的標(biāo)注數(shù)據(jù)及多數(shù)的未標(biāo)注數(shù)據(jù)的學(xué)習(xí)問題,半監(jiān)督學(xué)習(xí)過程示意圖如圖1所示。半監(jiān)督學(xué)習(xí)模型通常是用有標(biāo)注的訓(xùn)練樣本來訓(xùn)練分類器,然后由訓(xùn)練好的分類器預(yù)測無標(biāo)注樣本的類別標(biāo)簽,并選擇這些有偽標(biāo)簽的無標(biāo)注樣本加入訓(xùn)練來更新分類器,起到數(shù)據(jù)增強的作用。但是倘若分類器僅由極少數(shù)的標(biāo)注樣本來訓(xùn)練,此時分類器對于無標(biāo)注樣本類別的預(yù)測準(zhǔn)確率很低,若將預(yù)測錯誤的偽標(biāo)注樣本加入訓(xùn)練將會降低分類器的分類性能。因此研究分類器賦予每個無標(biāo)簽樣本的偽標(biāo)簽置信度將有助于提高最終分類器的預(yù)測效果。D498D58D-9934-4195-8966-D0B98489D122

    針對偽標(biāo)簽樣本置信度問題,Wang等提出了一種基于統(tǒng)計學(xué)的實例置信度推斷的方案(instance credibility inference,ICI)[31],該方案能夠反映無標(biāo)注樣本的真實分布,并且從無標(biāo)注樣本中獲得的信息是魯棒的。本研究使用該方法來推斷賦予無標(biāo)注植物病害圖像樣本偽標(biāo)簽的置信度。

    針對N個類、每類n個樣本構(gòu)建的線性回歸模型如下:

    yi=xTiβ+γi+i。(1)

    式中:β∈Ed×N,為回歸系數(shù)矩陣;γi為與樣本有關(guān)的偶發(fā)參數(shù);xi∈Rd× 為樣本i對應(yīng)的特征向量;yi為樣本i的類別標(biāo)簽。

    傳統(tǒng)方法對回歸系數(shù)β進(jìn)行優(yōu)化,以獲得最佳的線性回歸模型來預(yù)測樣本i的類別。受偶發(fā)參數(shù)問題相關(guān)研究[32]的啟發(fā),ICI算法假設(shè)當(dāng)對β的估計β^較弱時,γi的估計γi^可反映該樣本點的擬合程度,可將γi視為對線性回歸模型的修正,即‖γi‖越大,回歸模型對該樣本點的擬合程度越差,將樣本i歸屬為類別yi的可能性越低,若該樣本為偽標(biāo)注樣本時,能反映該偽標(biāo)注樣本的可信程度?;谏鲜鏊枷霕?gòu)建含偶發(fā)參數(shù)的標(biāo)簽樣本和偽標(biāo)簽樣本的線性回歸模型如下:

    (β^,γ^)=argminβ,γ‖Y-Xβ-γ‖2F+λR(γ)。(2)

    損失函數(shù)定義為:

    L(β,γ)=‖Y-Xβ-γ‖2F+λR(γ)。(3)

    式中:‖·‖2F為Frobenius范數(shù);γ=[γi]∈Rn×N,為偶發(fā)參數(shù);Y、X分別指標(biāo)簽和特征輸入;R(γ)=∑ni=1‖γi‖2 為懲罰項;λ為懲罰項系數(shù)。

    ICI算法不關(guān)注β^的解,求公式(3)對β的偏導(dǎo)并令其為0,即Lβ=0:

    β^=(XTX)+XT(Y-γ)。(4)

    式中:(·)+為廣義逆矩陣。

    利用γ來衡量每個偽標(biāo)簽樣本沿其正則化路徑的置信度,則可將問題重新定義為:

    argminγ‖Y-H(Y-γ)-γ‖2F+λR(γ)。(5)

    式中:H=X(XTX)+XT。進(jìn)一步定義X~=(1-H),Y~=X~Y,則公式(5)可化簡為:

    argminγ‖Y~-X~γ‖2F+λR(γ)。(6)

    由參考文獻(xiàn)[33]的理論值λmax=maxi‖X~TiY~‖2/n保證公式(6)的解全為0[33],得到列表λ∈[0,λmax]。正則化系數(shù)λ從0逐漸增大時,γ逐漸減小,當(dāng)某一項γi率先降為0,說明該樣本偽標(biāo)簽可信程度更高。因此可根據(jù)使γi變?yōu)?對應(yīng)的λ值對偽標(biāo)簽數(shù)據(jù)進(jìn)行排序,將低λ值下使γi變?yōu)?的樣本視為可信的偽標(biāo)簽樣本加入訓(xùn)練來更新分類器。

    1.2 病害識別模型

    本研究中將數(shù)據(jù)劃分為源域和目標(biāo)域,源域中包含大量有標(biāo)注植物病害樣本,目標(biāo)域包含大量無標(biāo)注植物病害樣本和少量有標(biāo)注植物病害樣本。模型訓(xùn)練過程共包含2個階段,分別是預(yù)訓(xùn)練階段和半監(jiān)督學(xué)習(xí)階段。利用半監(jiān)督學(xué)習(xí)階段最終更新后的分類器在小樣本植物病害目標(biāo)域的查詢集上測試分類效果。

    預(yù)訓(xùn)練階段在大量有標(biāo)注的植物病害源域上進(jìn)行,該階段目的是訓(xùn)練特征提取網(wǎng)絡(luò)ResNet-12,獲得最佳預(yù)訓(xùn)練模型,并將其遷移泛化到小樣本植物病害目標(biāo)域中。半監(jiān)督學(xué)習(xí)階段在少量有標(biāo)注及大量無標(biāo)注的植物病害目標(biāo)域上進(jìn)行,該階段采用ICI算法推斷偽標(biāo)簽樣本的置信度,選擇最可信的偽標(biāo)簽樣本加入訓(xùn)練拓展支持集,從而提升分類器的分類性能。半監(jiān)督學(xué)習(xí)階段方法結(jié)構(gòu)示意圖見圖2,模型在包含少量有標(biāo)注樣本的支持集上進(jìn)行學(xué)習(xí),并在查詢集上測試分類效果。按照小樣本學(xué)習(xí)策略采用標(biāo)準(zhǔn)的N-way-m-shot來表示單次識別任務(wù),即支持集共包含N類,每類含有m個標(biāo)注樣本。具體步驟如下:(1)采用ResNet-12主干網(wǎng)絡(luò)提取有標(biāo)注樣本和無標(biāo)注樣本的特征,并用PCA對特征向量進(jìn)行降維;(2)采用PCA降維之后的有標(biāo)注植物病害特征訓(xùn)練SVM分類器,用訓(xùn)練好的SVM分類器推斷無標(biāo)注樣本的類別并賦予偽標(biāo)注;(3)由“1.1”節(jié)所述ICI算法推斷偽標(biāo)注樣本的置信度,迭代選擇可信的偽標(biāo)注樣本加入訓(xùn)練拓展支持集,優(yōu)化SVM分類器的性能;(4)不可信的偽標(biāo)簽樣本被返回并由逐步更新后的分類器重新賦予新的偽標(biāo)注并繼續(xù)由ICI推斷置信度;(5)重復(fù)上述過程,直到所有無標(biāo)簽樣本都被選中,此時所有的無標(biāo)簽樣本的偽標(biāo)簽都已經(jīng)唯一確定;(6)由最終更新后的分類器對查詢集中的測試樣本進(jìn)行預(yù)測。

    本研究采用ReNet-12[3 34-35]作為特征提取網(wǎng)絡(luò),該網(wǎng)絡(luò)屬于ResNet[36]的輕量級版本,網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)包含4個殘差塊,每個殘差塊含有3個3×3的卷積層,每個卷積層后跟BatchNorm層并采用LeakRelu(0.1)激活函數(shù),每個殘差塊后都跟1個2×2的最大池化層減少模型參數(shù)和計算量。各個block中的過濾器數(shù)量分別為64、128、256和512,最后再經(jīng)過一個自適應(yīng)平均池化層產(chǎn)生輸入特征,經(jīng)全連接層輸出一個512維的特征向量,由PCA方法將512維特征向量縮減至5維,所有輸入圖像的尺寸大小均被調(diào)整為168×168×3。

    2 試驗結(jié)果與分析

    2.1 數(shù)據(jù)集劃分

    本研究利用植物病害研究常用的公共數(shù)據(jù)集PlantVillage中的24類共46 340張健康植物樣本圖像以及病害植物樣本圖像進(jìn)行試驗。其中,源域14類共35 186張植物病害樣本,分別為健康蘋果、健康藍(lán)莓、橘子黃龍病、桃細(xì)菌性斑點病、健康辣椒、健康大豆、南瓜白粉病、番茄細(xì)菌性斑點病、健康番茄、番茄晚疫病、番茄斑枯病、番茄二斑葉螨病、番茄輪斑病、番茄黃曲病;目標(biāo)域10類共11 154張植物病害樣本,分別為櫻桃白粉病、玉米銹病、健康玉米、葡萄黑腐病、葡萄黑痘病、葡萄葉枯病、馬鈴薯早疫病、馬鈴薯晚疫病、草莓葉焦病和番茄早疫病。圖4為目標(biāo)域每一類病害圖像示例。D498D58D-9934-4195-8966-D0B98489D122

    2.2 試驗參數(shù)設(shè)置

    本研究所有試驗均在ubuntu 14.04平臺下完成,采用python語言及pytorch深度學(xué)習(xí)框架,計算機內(nèi)存16 GB,搭載CPU為ES-2650 v4,2.20 Hz×13;GPU為NVIDIA TITAN Xp,12 GB顯存。

    預(yù)訓(xùn)練階段:本研究采用帶動量的SGD優(yōu)化器訓(xùn)練預(yù)訓(xùn)練模型,動量因子設(shè)置為0.9。采用交叉熵?fù)p失函數(shù),L2權(quán)重衰減設(shè)為1×10-4,初始學(xué)習(xí)率為0. 每30個epochs衰減10倍,總共120個epochs。隨機抽取源域中每類10%的樣本構(gòu)建驗證集,取驗證集驗證準(zhǔn)確率最高的epoch對應(yīng)的預(yù)訓(xùn)練模型作為最佳遷移學(xué)習(xí)模型并遷移至目標(biāo)域中。

    半監(jiān)督學(xué)習(xí)階段:固定全連接層前的所有卷積層并保留每一層的權(quán)重,僅由支持集訓(xùn)練分類器。所有試驗采用L2范數(shù)歸一化病害圖像特征并采用PCA降維和SVM分類器進(jìn)行分類。本研究通過隨機采樣多個小樣本環(huán)境驗證所提出的基于實例置信度推斷半監(jiān)督學(xué)習(xí)模型的小樣本植物病害圖像的識別效果。單個小樣本環(huán)境下的測試任務(wù)為1個episode,所有試驗均取500個episodes分類效果的平均值來評估模型的性能。在N-ways-m-shot-unlabel-k任務(wù)中,每個episode選取支持集中的10類植物病害,每類5個標(biāo)注樣本及k個未標(biāo)注樣本,并在查詢集中的每類15張樣本上進(jìn)行測試,即每個episode樣本共10×(5+k+15)張植物病害圖像。

    2.3 量化評價指標(biāo)

    為量化評估本研究提出模型的準(zhǔn)確性和有效性,本研究采用準(zhǔn)確率、查準(zhǔn)率、查全率及F1值4個評價指標(biāo)。評價指標(biāo)中的變量定義如表1所示。

    準(zhǔn)確率(accuracy,Acc)表示正確分類的樣本數(shù)量與總樣本數(shù)量的比值,定義如下:

    Acc=TP+TNTP+TN+FP+FN×100%。(7)

    查準(zhǔn)率(precision,P)表示預(yù)測為正樣本中預(yù)測正確的比值,定義如下:

    P=TPTP+FP×100%。(8)

    查全率(recall,R)表示正確分類的正樣本數(shù)量與總的正樣本數(shù)量的比值,定義如下:

    R=TPTP+FN×100%。(9)

    F1值表示查準(zhǔn)率和查全率的調(diào)和平均數(shù),定義如下:

    F1=2×R×PR+P。(10)

    本研究所有消融試驗和對比試驗采用準(zhǔn)確率作為評價指標(biāo),而對于每類植物病害的分類效果采用查準(zhǔn)率、查全率及F1值這3項評價指標(biāo)。

    2.4 試驗結(jié)果與分析

    本研究包含10類植物病害(10-way),采用每類僅有的5個有標(biāo)注樣本進(jìn)行試驗(5-shot任務(wù)),測試所提出模型對小樣本植物病害圖像的分類效果。所有試驗采用迭代的方式加入無標(biāo)注樣本,每次迭代為每類選擇5個無標(biāo)注樣本,每個測試任務(wù)無標(biāo)注樣本的數(shù)量分別為15、30、50時的分類結(jié)果如表2所示,其中查全率、查準(zhǔn)率及F1值的測試結(jié)果均為500個episodes測試結(jié)果的平均值。

    由表2對10-way-5-shot任務(wù)的分類結(jié)果可知,隨著無標(biāo)注樣本的增加,用于評價本研究模型對10類植物病害分類效果的3項指標(biāo)均取得了不同程度的提高,每類植物病害的無標(biāo)注樣本數(shù)量由15增加至50的過程中,查準(zhǔn)率、查全率及F1值的平均值分別提高了1.03%、1.09%、1.28%。證明本研究所采用的小樣本植物病害識別模型能夠獲得良好的識別效果,同時模型的性能隨著加入的無標(biāo)注樣本數(shù)量的增加而提高。

    基于ICI算法的分析,本研究不設(shè)置具體的閾值來劃分可信和不可信的偽標(biāo)簽樣本,而是根據(jù)使γi變?yōu)?對應(yīng)的λ值對偽標(biāo)簽樣本進(jìn)行排序,ICI算法會迭代地選擇在低λ值下使γi變?yōu)?的樣本,這樣能夠以更高的概率得到分類器判斷正確的偽標(biāo)注樣本,將更為可信的偽標(biāo)注樣本加入訓(xùn)練從而增強分類器的分類性能。為驗證這一算法的有效性,本研究通過Sklearn庫可視化γi的正則化路徑如圖5所示。其中,紅線為ICI算法預(yù)測正確的樣本,黑線為預(yù)測錯誤的樣本,可以看出大部分預(yù)測正確的植物病害樣本都集中在曲線下方且γi率先變?yōu)?,為保證以更高的概率將正確的偽標(biāo)注加入訓(xùn)練來拓展支持集,ICI算法會選擇黑線下方的偽標(biāo)注樣本。

    2.5 消融試驗

    2.5.1 主干網(wǎng)絡(luò)對比

    本研究對比了主干網(wǎng)絡(luò)ResNet-12、ConvNet、MobileNet、ResNet-18和DenseNet-121在unlabel=15、30條件下小樣本植物病害的分類準(zhǔn)確率。準(zhǔn)確率和每一個episode的平均測試時間結(jié)果如表3所示。從表3可以看出,對于所有特征提取網(wǎng)絡(luò),隨著為每類隨機選取的無標(biāo)注樣本數(shù)量的增加,模型的分類性能也得到提升。采用DenseNet-121特征提取網(wǎng)絡(luò)獲得了最好的識別效果,但其推斷時間也較長。因此,本研究采用兼顧網(wǎng)絡(luò)結(jié)構(gòu)簡單且分類準(zhǔn)確率較高的ResNet-12作為特征提取網(wǎng)絡(luò)。

    2.5.2 episodes數(shù)確定

    本研究隨機采樣多個不重復(fù)的episode,每個episode都能輸出1個分類準(zhǔn)確率,取所有episode準(zhǔn)確率的平均值來評估模型的性能。在10-way-5-shot,無標(biāo)注樣本數(shù)分別為15、30、50時每一個episode下的平均準(zhǔn)確率如圖6所示。在500個episode左右時模型的平均準(zhǔn)確率均收斂于一個很小的區(qū)間之內(nèi),此時平均準(zhǔn)確率的值能夠反映模型整體分類性能,因此所有試驗設(shè)置episode數(shù)為500。同時該圖還能直觀地反映出當(dāng)為每類加入的無標(biāo)注樣本數(shù)量增加時,模型每一個episode對植物病害圖像的分類準(zhǔn)確率也在增加。

    2.5.3 降維影響

    降維后的維數(shù)(dimension,d)在10-way-5-shot-15-unlabel情況下對植物病害測試準(zhǔn)確率的影響結(jié)果如表4所示。表4中顯示了降維到2、5、10、15、30、50、100、200及不降維(d=512)的分類準(zhǔn)確率和每一個episode的平均測試時間。由表4中數(shù)據(jù)可以看出,168×168×3大小的病害樣本經(jīng)主干網(wǎng)絡(luò)提取特征并輸出512維的特征向量中所包含的特征參數(shù)是冗余的,當(dāng)d=100時本研究模型對植物病害樣本分類的準(zhǔn)確率最高,為89.32%。但是隨著維數(shù)的增加,每一個episode測試時間也增加,當(dāng)d=100時每一個episode的平均測試時間為92.43 s,時間成本過高,因此為兼顧每一個episode平均測試時間短且分類準(zhǔn)確率高的特征維數(shù)進(jìn)行試驗,模型中采用d=5。當(dāng)d=5時準(zhǔn)確率為88.25%,每一個episode的測試時間最短,為20.69 s。D498D58D-9934-4195-8966-D0B98489D122

    2.5.4 優(yōu)化器影響

    本研究對比了深度學(xué)習(xí)中常用的3種優(yōu)化器訓(xùn)練特征提取網(wǎng)絡(luò)分析其對識別結(jié)果的影響,訓(xùn)練樣本為14類植物病害共35 186張。圖7給出了Adam、Amsgrad、帶動量因子的SGD的訓(xùn)練損失以及驗證精度在訓(xùn)練過程中的對比,動量因子設(shè)置為0.9。從圖7中可以看出,帶動量的SGD優(yōu)化器無論是收斂速度還是驗證集的準(zhǔn)確率都表現(xiàn)出了更為優(yōu)秀的性能。因此,本研究選擇了帶動量因子的SGD優(yōu)化器訓(xùn)練遷移學(xué)習(xí)模型。

    2.5.5 遷移學(xué)習(xí)對比

    本研究方法迭代地選擇可信的偽標(biāo)注樣本來擴充支持集,每次迭代為每類選擇5個無標(biāo)注樣本。當(dāng)加入的無標(biāo)簽樣本數(shù)量分別為15、30、50時迭代次數(shù)與每次迭代的分類準(zhǔn)確率如圖8所示。3條折線的起點準(zhǔn)確率均為86.68%,此時對應(yīng)遷移學(xué)習(xí)的準(zhǔn)確率。無標(biāo)注樣本數(shù)為15時,共經(jīng)歷3次迭代達(dá)到最高分類準(zhǔn)確率88.25%;無標(biāo)注樣本數(shù)為30時經(jīng)歷6次迭代達(dá)到最高分類準(zhǔn)確率88.58%;而無標(biāo)注樣本數(shù)為50時共經(jīng)歷10次迭代達(dá)到最高分類準(zhǔn)確率89.34%。當(dāng)無標(biāo)注樣本數(shù)為50時,隨著迭代次數(shù)增加,本研究模型對植物病害圖像識別準(zhǔn)確率的提升會減慢,這符合邊際效應(yīng)遞減的規(guī)律。

    本研究方法與單純采用遷移學(xué)習(xí)方式(transfer learning,TL)的小樣本植物病害圖像的分類準(zhǔn)確率的對比結(jié)果如表5所示。當(dāng)每類植物病害僅有5個有標(biāo)簽樣本參與訓(xùn)練時,單純的采用遷移學(xué)習(xí)方法只能達(dá)到86.68%的分類準(zhǔn)確率,而本研究模型在每類加入無標(biāo)注樣本數(shù)量為15、30和50時,分類準(zhǔn)確率分別提高了1.57%、1.9%、2.66%。本研究提出的基于實例置信度推斷的半監(jiān)督學(xué)習(xí)的小樣本植物病害圖像識別方法優(yōu)于傳統(tǒng)的遷移學(xué)習(xí)方法。

    2.5.6 數(shù)據(jù)增強方法對比

    本研究方法采用ICI算法選擇可信的偽標(biāo)注病害樣本加入訓(xùn)練,起到數(shù)據(jù)增強的作用。在機器學(xué)習(xí)領(lǐng)域轉(zhuǎn)導(dǎo)推理(transductive inference,TI)[37-38]方法假設(shè)未標(biāo)注樣本就是測試樣本,也可達(dá)到數(shù)據(jù)增強的目的。轉(zhuǎn)導(dǎo)推理即預(yù)先觀察了所有樣本,包括支持集中的樣本(帶標(biāo)簽)以及查詢集中的樣本(不帶標(biāo)簽),從觀察到的樣本中進(jìn)行學(xué)習(xí)后對查詢集樣本進(jìn)行預(yù)測。盡管訓(xùn)練時不知道測試樣本的真實類別,但可以從特征分布中學(xué)習(xí)到知識,取得最佳泛化能力,為模型帶來增益。本研究對比半監(jiān)督學(xué)習(xí)方法與轉(zhuǎn)導(dǎo)學(xué)習(xí)的小樣本植物病害分類準(zhǔn)確率,對比試驗滿足數(shù)據(jù)增強的樣本數(shù)一致,即半監(jiān)督設(shè)置unlabel=15,同時測試樣本為每類15個,將每類的15個測試樣本用于轉(zhuǎn)導(dǎo)學(xué)習(xí)獲取知識,試驗結(jié)果如表6所示。

    從表6可以看出,轉(zhuǎn)導(dǎo)學(xué)習(xí)與本研究所采用的半監(jiān)督學(xué)習(xí)方法在小樣本的植物病害圖像識別方面都表現(xiàn)出了較為優(yōu)秀的識別準(zhǔn)確率。由于轉(zhuǎn)導(dǎo)推理直接將測試樣本作為無標(biāo)注樣本幫助訓(xùn)練,效果比相同數(shù)量無標(biāo)注樣本下的半監(jiān)督學(xué)習(xí)模型準(zhǔn)確率高是符合預(yù)期的,但所提出的基于實例置信度推斷的半監(jiān)督學(xué)習(xí)模型用于小樣本植物病害識別性能僅僅略低于轉(zhuǎn)導(dǎo)學(xué)習(xí),這表明模型從無標(biāo)注病害樣本中獲取到的信息是魯棒的。

    2.5.7 分類器對比

    本研究基于10-way-5-shot-15-unlabel條件下對比了SVM、KNN、隨機森林、邏輯回歸4種常用的分類器對小樣本植物病害圖像的分類準(zhǔn)確率,結(jié)果如表7所示。由表7可得,SVM分類器對小樣本植物病害圖像得識別準(zhǔn)確率最高,因此本研究選擇SVM分類器進(jìn)行試驗。

    3 結(jié)論

    本研究針對病害標(biāo)注樣本數(shù)量極少的情況下分類準(zhǔn)確率過低及現(xiàn)有研究存在的問題,提出一種基于實例置信度推斷的半監(jiān)督學(xué)習(xí)小樣本植物病害圖像識別方法,該方法能夠充分利用未標(biāo)注樣本為模型帶來增益,采用Plant Village數(shù)據(jù)集構(gòu)建10類小樣本植物病害目標(biāo)域進(jìn)行了試驗,主要結(jié)論如下:

    (1)本研究方法能夠?qū)崿F(xiàn)小樣本植物病害較為精確的識別,在無標(biāo)注植物病害樣本數(shù)分別為15、30和50情況下每類植物病害的各項評價指標(biāo)都隨無標(biāo)注樣本數(shù)量的增加而增加。

    (2)本研究對半監(jiān)督學(xué)習(xí)模型進(jìn)行了優(yōu)化,通過對比試驗證明該模型優(yōu)于傳統(tǒng)的遷移學(xué)習(xí)方法。且基于實例置信度推斷的半監(jiān)督學(xué)習(xí)模型能夠反映無標(biāo)注植物病害樣本的真實分布,從無標(biāo)注病害樣本中獲取到的信息是魯棒的,因此本研究方法能夠滿足在現(xiàn)實條件下的小樣本植物病害識別需要。

    (3)本研究所提出的小樣本植物病害方法對于任何特征提取網(wǎng)絡(luò)均能體現(xiàn)出模型的有效性。

    本研究方法為實現(xiàn)小樣本數(shù)據(jù)下植物病害圖像實時、準(zhǔn)確識別提供了技術(shù)手段。后續(xù)研究可進(jìn)一步擴充遷移學(xué)習(xí)的訓(xùn)練樣本數(shù)量及類別,提高特征提取能力;同時將細(xì)粒度網(wǎng)絡(luò)與半監(jiān)督學(xué)習(xí)模型相結(jié)合,提高植物病害細(xì)粒度圖像的識別效果。

    參考文獻(xiàn):

    [1]Kaur S,Pandey S,Goel S. Plants disease identification and classification through leaf images:a survey[J]. Archives of Computational Methods in Engineering,2019,26(2):507-530.

    [2]翟肇裕,曹益飛,徐煥良,等. 農(nóng)作物病蟲害識別關(guān)鍵技術(shù)研究綜述[J]. 農(nóng)業(yè)機械學(xué)報,202 52(7):1-18.

    [3]Strange R N,Scott P R. Plant disease:a threat to global food security[J]. Annual Review of Phytopathology,2005,43:83-116.

    [4]Iqbal Z,Khan M A,Sharif M,et al. An automated detection and classification of citrus plant diseases using image processing techniques:a review[J]. Computers and Electronics in Agriculture,2018,153:12-32.D498D58D-9934-4195-8966-D0B98489D122

    [5]Mahlein A K. Plant disease detection by imaging sensors-parallels and specific demands for precision agriculture and plant phenotyping[J]. Plant Disease,2016,100(2):241-251.

    [6]Liu J,Wang X W. Plant diseases and pests detection based on deep learning:a review[J]. Plant Methods,202 17(1):22.

    [7]孫 紅,李 松,李民贊,等. 農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機械學(xué)報,2020,51(5):1-17.

    [8]Abade A,F(xiàn)erreira P A,de Barros V F. Plant diseases recognition on images using convolutional neural networks:a systematic review[J]. Computers and Electronics in Agriculture,202 185:106125.

    [9]Lu J Z,Tan L J,Jiang H Y. Review on convolutional neural network (CNN) applied to plant leaf disease classification[J]. Agriculture,202 11(8):707.

    [10]Sladojevic S,Arsenovic M,Anderla A,et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience,2016,2016:3289801.

    [11]黃建平,陳鏡旭,李克新,等. 基于神經(jīng)結(jié)構(gòu)搜索的多種植物葉片病害識別[J]. 農(nóng)業(yè)工程學(xué)報,2020,36(16):166-173.

    [12]Argüeso D,Picon A,Irusta U,et al. Few-shot learning approach for plant disease classification using images taken in the field[J]. Computers and Electronics in Agriculture,2020,175:105542.

    [13]Li Y,Chao X W. Semi-supervised few-shot learning approach for plant diseases recognition[J]. Plant Methods,202 17(1):68.

    [14]Vinyals O,Blundell C,Lillicrap T P,et al. Matching networks for one shot learning[C]//NeurIPS16:Proceedings of the 30th International Conference on Neural Information Processing Systems. Barcelona,Spain:ACM,2016:3630-3638.

    [15]Snell J,Swersky K,Zemel R S. Prototypical networks for few-shot learning[C]//NeurIPS17:Proceedings of the 31st International Conference on Neural Information Processing Systems(NeurIPS). Long Beach:ACM,2017:4077-4087.

    [16]劉 穎,雷研博,范九倫,等. 基于小樣本學(xué)習(xí)的圖像分類技術(shù)綜述[J]. 自動化學(xué)報,202 47(2):297-315.

    [17]趙凱琳,靳小龍,王元卓. 小樣本學(xué)習(xí)研究綜述[J]. 軟件學(xué)報,202 32(2):349-369.

    [18]Zhu X J,Goldberg A B. Introduction to semi-supervised learning[J]. Synthesis Lectures on Artificial Intelligence and Machine Learning,2009,3(1):1-130.

    [19]Goodfellow I,Pouget-Abadie J,Mirza M,et al. Generative adversarial networks[J]. Communications of the ACM,2020,63(11):139-144.

    [20]Pan S J,Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering,2010,22(10):1345-1359.

    [21]Hariharan B,Girshick R. Low-shot visual recognition by shrinking and hallucinating features[C]//2017 IEEE International Conference on Computer Vision(ICCV).Venice:IEEE,2017:3037-3046.D498D58D-9934-4195-8966-D0B98489D122

    [22]Qi H,Brown M,Lowe D G. Low-shot learning with imprinted weights[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City:IEEE,2018:5822-5830.

    [23]Finn C,Abbeel P,Levine S. Model-agnostic meta-learning for fast adaptation of deep networks[C]//ICML17:Proceedings of the 34th International Conference on Machine Learning-Volume 70.2017:1126-1135.

    [24]Li Z G,Zhou F W,Chen F,et al. Meta-SGD:learning to learn quickly for few-shot learning[EB/OL]. [2021-04-07]. https://arxiv.org/abs/1707.09835.

    [25]Nichol A,Achiam J,Schulman J. On first-order meta-learning algorithms[EB/OL]. [2021-04-07]. https://arxiv.org/abs/1803.02999.

    [26]Wang B,Wang D. Plant leaves classification:a few-shot learning method based on Siamese network[J]. IEEE Access,2019,7:151754-151763.

    [27]Yu H J,Son C H. Leaf spot attention network for apple leaf disease identification[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Seattle:IEEE,2020:229-237.

    [28]Hu G S,Wu H Y,Zhang Y,et al. A low shot learning method for tea leafs disease identification[J]. Computers and Electronics in Agriculture,2019,163:104852.

    [29]謝 軍,江朝暉,李 博,等. 基于二次遷移模型的小樣本茶樹病害識別[J]. 江蘇農(nóng)業(yè)科學(xué),202 49(6):176-182.

    [30]周志華. 機器學(xué)習(xí) [M]. 北京:清華大學(xué)出版社,2016.

    [31]Wang Y K,Xu C M,Liu C,et al. Instance credibility inference for few-shot learning[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle:IEEE,2020:12833-12842.

    [32]Fan J Q,Tang R L,Shi X F.Partial consistency with sparse incidental parameters[J]. Statistica Sinica,2018,28:2633-2655.

    [33]Simon N,F(xiàn)riedman J,Hastie T. A blockwise descent algorithm for group-penalized multiresponse and multinomial regression[EB/OL]. [2021-04-07]. https://arxiv.org/abs/1311.6529.

    [34]Oreshkin B N,Rodriguez P,Lacoste A. Tadam:Task dependent adaptive metric for improved few-shot learning[C]//NeurIPS 18:Proceedings of the 32st International Conference on Neural Information Processing Systems. Montréal:ACM,2018:719-729.

    [35]Mishra N,Rohaninejad M,Chen X,et al. A simple neural attentive meta-learner[C]//ICLR 018. Vancouver,2018.

    [36]He K M,Zhang X Y,Ren S Q,et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas:IEEE,2016:770-778.

    [37]Joachims T. Transductive inference for text classification using support vector machines[C]//ICML 1999:Proceedings of the 16th International Conference on Machine Learning. Bled,1999:200-209.

    [38]Vapnik V. Transductive inference and semi-supervised learning [J]. Semi-Supervised Learning. Cambridge:MIT Press,2006:453-472.D498D58D-9934-4195-8966-D0B98489D122

    猜你喜歡
    植物病害識別深度學(xué)習(xí)
    植物內(nèi)生菌在植物病害中的生物防治
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    淺談哈密瓜病蟲害的防治措施
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    蘋果樹常見病蟲害防治技術(shù)
    青島市中山公園園林樹木易混淆品種識別
    論犯罪危險人格的識別
    植物病害生物防治
    亚洲人成77777在线视频| 色哟哟哟哟哟哟| 中国美女看黄片| 亚洲狠狠婷婷综合久久图片| 久久国产精品影院| 精品久久久久久久久久免费视频| 高清毛片免费观看视频网站| 日韩三级视频一区二区三区| 丝袜在线中文字幕| 91在线观看av| 麻豆av在线久日| 精品国产一区二区三区四区第35| 老熟妇乱子伦视频在线观看| 婷婷丁香在线五月| 在线观看午夜福利视频| 亚洲第一av免费看| 一级黄色大片毛片| 丁香六月欧美| 久久午夜亚洲精品久久| 十八禁网站免费在线| 不卡一级毛片| 日韩欧美国产在线观看| 两性夫妻黄色片| 一级,二级,三级黄色视频| 午夜福利一区二区在线看| 一级a爱视频在线免费观看| 曰老女人黄片| 欧美久久黑人一区二区| 国产成人欧美在线观看| 欧美色视频一区免费| 18禁裸乳无遮挡免费网站照片 | 日韩高清综合在线| 亚洲狠狠婷婷综合久久图片| 日韩精品免费视频一区二区三区| 亚洲五月色婷婷综合| 黄片播放在线免费| 非洲黑人性xxxx精品又粗又长| 国产精品久久久久久人妻精品电影| 午夜福利,免费看| 人人妻人人澡欧美一区二区 | 麻豆av在线久日| 日韩视频一区二区在线观看| 国产精品一区二区三区四区久久 | 啦啦啦韩国在线观看视频| 性少妇av在线| a在线观看视频网站| 一个人免费在线观看的高清视频| 91麻豆精品激情在线观看国产| 99国产极品粉嫩在线观看| 成人特级黄色片久久久久久久| 久久精品亚洲精品国产色婷小说| 欧美日韩亚洲国产一区二区在线观看| 国产欧美日韩一区二区精品| 99国产精品一区二区蜜桃av| 长腿黑丝高跟| 亚洲精品久久成人aⅴ小说| 亚洲精品国产区一区二| 国产成人免费无遮挡视频| 一进一出抽搐动态| 成人亚洲精品一区在线观看| 999精品在线视频| 午夜福利成人在线免费观看| 久久精品成人免费网站| 国产私拍福利视频在线观看| 亚洲欧美日韩无卡精品| 久久国产精品影院| 亚洲成av人片免费观看| 一二三四社区在线视频社区8| 男女下面进入的视频免费午夜 | 亚洲七黄色美女视频| 国产一卡二卡三卡精品| 亚洲电影在线观看av| 老司机福利观看| 青草久久国产| 丁香欧美五月| 亚洲一区中文字幕在线| 中文字幕久久专区| 午夜老司机福利片| 国产精品九九99| 国产三级在线视频| 夜夜看夜夜爽夜夜摸| 亚洲精品av麻豆狂野| 性欧美人与动物交配| 亚洲精品粉嫩美女一区| 成人国产一区最新在线观看| 国产午夜福利久久久久久| 日日爽夜夜爽网站| 精品第一国产精品| 在线观看免费午夜福利视频| 久久中文字幕一级| 天堂动漫精品| 成人国产一区最新在线观看| 午夜激情av网站| 真人做人爱边吃奶动态| 精品国产一区二区久久| 色综合站精品国产| 嫩草影视91久久| 黄网站色视频无遮挡免费观看| 老司机在亚洲福利影院| 又黄又粗又硬又大视频| 久久国产亚洲av麻豆专区| 黑人欧美特级aaaaaa片| 精品欧美一区二区三区在线| 国产av又大| 18禁美女被吸乳视频| 国产一区二区在线av高清观看| 搡老岳熟女国产| 妹子高潮喷水视频| 天天一区二区日本电影三级 | 亚洲va日本ⅴa欧美va伊人久久| svipshipincom国产片| 99香蕉大伊视频| 丝袜美腿诱惑在线| 啦啦啦 在线观看视频| 男女下面进入的视频免费午夜 | 午夜福利在线观看吧| 变态另类丝袜制服| 人人妻,人人澡人人爽秒播| 91九色精品人成在线观看| 国产麻豆69| 操出白浆在线播放| 在线观看午夜福利视频| 欧美日韩亚洲综合一区二区三区_| 亚洲片人在线观看| 久久人人97超碰香蕉20202| 国产亚洲精品综合一区在线观看 | 日韩大尺度精品在线看网址 | 一本综合久久免费| 午夜免费鲁丝| 亚洲第一欧美日韩一区二区三区| 如日韩欧美国产精品一区二区三区| 国内毛片毛片毛片毛片毛片| 国产私拍福利视频在线观看| 色在线成人网| 国产成人欧美| 九色亚洲精品在线播放| 真人做人爱边吃奶动态| 国产人伦9x9x在线观看| aaaaa片日本免费| 色精品久久人妻99蜜桃| 国产精品九九99| 欧美黑人精品巨大| 91成人精品电影| 亚洲av成人不卡在线观看播放网| 亚洲欧美激情在线| 亚洲色图av天堂| 久久午夜综合久久蜜桃| 中出人妻视频一区二区| 人人妻人人澡人人看| 久久中文字幕人妻熟女| 天堂√8在线中文| 精品一品国产午夜福利视频| av中文乱码字幕在线| 精品不卡国产一区二区三区| 精品久久久精品久久久| 亚洲在线自拍视频| 中国美女看黄片| 午夜福利,免费看| 91字幕亚洲| 侵犯人妻中文字幕一二三四区| netflix在线观看网站| 精品久久久久久久久久免费视频| 国产精品永久免费网站| 一卡2卡三卡四卡精品乱码亚洲| 青草久久国产| 丝袜美腿诱惑在线| 90打野战视频偷拍视频| 国产激情久久老熟女| 99久久国产精品久久久| 99精品久久久久人妻精品| 日韩高清综合在线| 一本久久中文字幕| 99riav亚洲国产免费| 18禁美女被吸乳视频| 91av网站免费观看| 女性生殖器流出的白浆| 亚洲第一青青草原| 一进一出好大好爽视频| 一a级毛片在线观看| 亚洲国产精品999在线| 人人妻人人澡欧美一区二区 | 亚洲熟妇熟女久久| 99精品欧美一区二区三区四区| 午夜免费观看网址| 无遮挡黄片免费观看| 女同久久另类99精品国产91| 国产伦一二天堂av在线观看| 成人精品一区二区免费| 黑人欧美特级aaaaaa片| 成人18禁高潮啪啪吃奶动态图| 国内久久婷婷六月综合欲色啪| 成人亚洲精品av一区二区| 99久久精品国产亚洲精品| 麻豆av在线久日| 色播亚洲综合网| 桃红色精品国产亚洲av| 久久午夜亚洲精品久久| 午夜免费激情av| 丝袜人妻中文字幕| 国产亚洲精品久久久久5区| 亚洲,欧美精品.| av中文乱码字幕在线| 亚洲专区中文字幕在线| 亚洲国产高清在线一区二区三 | 国产午夜精品久久久久久| 91精品三级在线观看| 99热只有精品国产| 国产私拍福利视频在线观看| 长腿黑丝高跟| АⅤ资源中文在线天堂| 99国产精品免费福利视频| 免费高清视频大片| 一进一出好大好爽视频| 亚洲精品久久成人aⅴ小说| 97人妻精品一区二区三区麻豆 | 热99re8久久精品国产| 国产成人精品久久二区二区91| 99国产综合亚洲精品| 国产高清激情床上av| 午夜福利一区二区在线看| 亚洲视频免费观看视频| 亚洲精品国产精品久久久不卡| 美女高潮到喷水免费观看| 久久久水蜜桃国产精品网| 国产成年人精品一区二区| 久久精品国产清高在天天线| 久久精品aⅴ一区二区三区四区| 国产成人系列免费观看| 国产成人系列免费观看| 亚洲国产看品久久| 国产真人三级小视频在线观看| 神马国产精品三级电影在线观看 | 91麻豆av在线| 欧美中文综合在线视频| 性欧美人与动物交配| 波多野结衣一区麻豆| 国产伦人伦偷精品视频| 黄色视频,在线免费观看| 欧美老熟妇乱子伦牲交| 在线永久观看黄色视频| 欧美黑人精品巨大| 少妇被粗大的猛进出69影院| 亚洲精品久久成人aⅴ小说| 久久久国产精品麻豆| 日本精品一区二区三区蜜桃| 婷婷精品国产亚洲av在线| 国产精品免费视频内射| 日日爽夜夜爽网站| 国产成人av教育| 一区二区三区精品91| 又大又爽又粗| 国产色视频综合| 久久这里只有精品19| aaaaa片日本免费| 老司机午夜福利在线观看视频| svipshipincom国产片| 成人欧美大片| 我的亚洲天堂| 亚洲在线自拍视频| 黄色毛片三级朝国网站| 欧美精品亚洲一区二区| 精品国产超薄肉色丝袜足j| 大型黄色视频在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 他把我摸到了高潮在线观看| 国产精品免费一区二区三区在线| 99热只有精品国产| 美女高潮到喷水免费观看| 欧美激情极品国产一区二区三区| 少妇裸体淫交视频免费看高清 | 在线永久观看黄色视频| 国产成人系列免费观看| 丁香欧美五月| 1024香蕉在线观看| 一区福利在线观看| 一二三四社区在线视频社区8| 欧美日本中文国产一区发布| 久久精品影院6| 人人妻人人爽人人添夜夜欢视频| 日韩欧美三级三区| 变态另类丝袜制服| 国产一区二区在线av高清观看| 嫩草影院精品99| or卡值多少钱| 国产精品自产拍在线观看55亚洲| 久久久精品欧美日韩精品| 免费女性裸体啪啪无遮挡网站| 久久亚洲真实| 别揉我奶头~嗯~啊~动态视频| 99久久精品国产亚洲精品| 美女扒开内裤让男人捅视频| 国产成人免费无遮挡视频| 成年版毛片免费区| 一区二区三区高清视频在线| 精品久久久久久,| 国产欧美日韩一区二区三| 亚洲性夜色夜夜综合| 精品免费久久久久久久清纯| 大香蕉久久成人网| 国内久久婷婷六月综合欲色啪| 91九色精品人成在线观看| 国产一区二区三区视频了| 午夜福利,免费看| 国产成人精品久久二区二区91| 亚洲欧美一区二区三区黑人| 91av网站免费观看| 高清毛片免费观看视频网站| 成人国语在线视频| 看免费av毛片| 男男h啪啪无遮挡| 色哟哟哟哟哟哟| 国产真人三级小视频在线观看| 99在线人妻在线中文字幕| 18美女黄网站色大片免费观看| 中出人妻视频一区二区| 热re99久久国产66热| 亚洲 欧美 日韩 在线 免费| 精品乱码久久久久久99久播| a在线观看视频网站| 色综合欧美亚洲国产小说| 国产成人免费无遮挡视频| 黑人巨大精品欧美一区二区mp4| 男人舔女人的私密视频| av在线播放免费不卡| 亚洲精品美女久久av网站| 国产成人精品在线电影| 日韩高清综合在线| 两人在一起打扑克的视频| 免费久久久久久久精品成人欧美视频| 免费观看精品视频网站| 97人妻天天添夜夜摸| 人人妻,人人澡人人爽秒播| 男女做爰动态图高潮gif福利片 | 久久欧美精品欧美久久欧美| 日本欧美视频一区| 国产精品一区二区三区四区久久 | 国产亚洲欧美精品永久| 国产片内射在线| 精品久久久久久久人妻蜜臀av | 在线国产一区二区在线| 超碰成人久久| av免费在线观看网站| 精品国产亚洲在线| 国产成人系列免费观看| 欧美日本中文国产一区发布| 男女下面插进去视频免费观看| 一级作爱视频免费观看| 校园春色视频在线观看| 可以在线观看毛片的网站| 亚洲av五月六月丁香网| 韩国精品一区二区三区| 国产精品久久久久久精品电影 | 老熟妇乱子伦视频在线观看| 国产午夜福利久久久久久| 12—13女人毛片做爰片一| 亚洲国产毛片av蜜桃av| 午夜福利一区二区在线看| 黑丝袜美女国产一区| 男女午夜视频在线观看| 男人舔女人下体高潮全视频| 99精品欧美一区二区三区四区| 18禁美女被吸乳视频| 亚洲人成电影免费在线| 欧美大码av| 色婷婷久久久亚洲欧美| 欧美+亚洲+日韩+国产| 露出奶头的视频| 久99久视频精品免费| 色尼玛亚洲综合影院| 91在线观看av| 亚洲精品在线美女| 无遮挡黄片免费观看| 久久久水蜜桃国产精品网| 国产精品久久视频播放| 人妻久久中文字幕网| av电影中文网址| 日韩欧美国产一区二区入口| 美女高潮喷水抽搐中文字幕| 电影成人av| 91麻豆av在线| 国产亚洲精品一区二区www| 少妇 在线观看| 亚洲国产看品久久| 18禁国产床啪视频网站| av网站免费在线观看视频| e午夜精品久久久久久久| 国内精品久久久久精免费| 亚洲国产欧美网| 国产午夜福利久久久久久| 久久狼人影院| 黄色视频,在线免费观看| 亚洲成av人片免费观看| 国产片内射在线| 国产精品乱码一区二三区的特点 | 国产精品久久久久久精品电影 | 黄色a级毛片大全视频| 亚洲av五月六月丁香网| 免费看a级黄色片| 亚洲精品久久成人aⅴ小说| 宅男免费午夜| 最近最新中文字幕大全免费视频| 女警被强在线播放| 中文字幕最新亚洲高清| 一边摸一边抽搐一进一出视频| 男女午夜视频在线观看| 久久久久久大精品| 又大又爽又粗| 国产精品 欧美亚洲| 天天一区二区日本电影三级 | 国产一卡二卡三卡精品| 大陆偷拍与自拍| 亚洲人成电影免费在线| 成人亚洲精品av一区二区| 亚洲国产欧美网| 每晚都被弄得嗷嗷叫到高潮| 深夜精品福利| 大香蕉久久成人网| 黑人欧美特级aaaaaa片| 亚洲人成网站在线播放欧美日韩| 美女免费视频网站| 一夜夜www| 久9热在线精品视频| 可以在线观看的亚洲视频| 久久人人爽av亚洲精品天堂| 丁香六月欧美| 在线观看www视频免费| 亚洲成人国产一区在线观看| 亚洲五月天丁香| svipshipincom国产片| 免费无遮挡裸体视频| 精品人妻在线不人妻| 一边摸一边抽搐一进一小说| 国产片内射在线| 又紧又爽又黄一区二区| 国产高清激情床上av| 日本a在线网址| 午夜精品久久久久久毛片777| 亚洲欧美日韩高清在线视频| 在线观看www视频免费| 欧美黑人精品巨大| 18美女黄网站色大片免费观看| 欧美大码av| 久久人人97超碰香蕉20202| 欧美激情高清一区二区三区| 成人av一区二区三区在线看| 精品人妻在线不人妻| 18美女黄网站色大片免费观看| 日本在线视频免费播放| 女同久久另类99精品国产91| 一区福利在线观看| 色综合站精品国产| 很黄的视频免费| 欧美久久黑人一区二区| 丝袜在线中文字幕| 日韩精品免费视频一区二区三区| 啪啪无遮挡十八禁网站| 亚洲精品国产色婷婷电影| 亚洲 欧美 日韩 在线 免费| 国产一区二区三区综合在线观看| 美女 人体艺术 gogo| 好看av亚洲va欧美ⅴa在| 涩涩av久久男人的天堂| 搡老妇女老女人老熟妇| 国产国语露脸激情在线看| 国产熟女xx| 美女午夜性视频免费| 电影成人av| 国产日韩一区二区三区精品不卡| 日本vs欧美在线观看视频| 精品久久久久久久久久免费视频| 熟妇人妻久久中文字幕3abv| ponron亚洲| 叶爱在线成人免费视频播放| 国产区一区二久久| 亚洲国产日韩欧美精品在线观看 | 两性夫妻黄色片| 免费观看精品视频网站| 男女午夜视频在线观看| 亚洲黑人精品在线| 制服人妻中文乱码| 12—13女人毛片做爰片一| 成人亚洲精品一区在线观看| 最新在线观看一区二区三区| 欧美日韩瑟瑟在线播放| 久久精品国产清高在天天线| 99精品久久久久人妻精品| 亚洲国产欧美网| 日本五十路高清| 啪啪无遮挡十八禁网站| 黄片播放在线免费| ponron亚洲| 欧美日韩乱码在线| www.熟女人妻精品国产| 免费在线观看影片大全网站| 国产精品爽爽va在线观看网站 | 咕卡用的链子| 在线永久观看黄色视频| 18禁裸乳无遮挡免费网站照片 | 国产高清视频在线播放一区| 欧美激情高清一区二区三区| svipshipincom国产片| 少妇熟女aⅴ在线视频| 国产精品久久久久久精品电影 | 午夜福利18| cao死你这个sao货| 国产aⅴ精品一区二区三区波| 午夜精品国产一区二区电影| 中文字幕另类日韩欧美亚洲嫩草| www.熟女人妻精品国产| 午夜视频精品福利| 男女之事视频高清在线观看| 精品久久久久久成人av| 动漫黄色视频在线观看| 久久久久久久午夜电影| 狂野欧美激情性xxxx| 久久国产精品影院| 黄色视频不卡| 久久久久国产一级毛片高清牌| 久久国产精品影院| 欧美日本中文国产一区发布| 欧美丝袜亚洲另类 | 亚洲avbb在线观看| 激情在线观看视频在线高清| 亚洲激情在线av| 无人区码免费观看不卡| av电影中文网址| 久久亚洲精品不卡| 两个人视频免费观看高清| 久久国产精品人妻蜜桃| 国产三级在线视频| 亚洲国产欧美一区二区综合| 99精品在免费线老司机午夜| 国产在线观看jvid| 给我免费播放毛片高清在线观看| 久久久久久久久中文| 18禁国产床啪视频网站| 操美女的视频在线观看| 欧美成人午夜精品| 免费高清在线观看日韩| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲 欧美 日韩 在线 免费| 亚洲九九香蕉| 久久午夜综合久久蜜桃| 人人妻人人澡欧美一区二区 | 亚洲av电影不卡..在线观看| 色哟哟哟哟哟哟| 男女下面插进去视频免费观看| 我的亚洲天堂| 午夜福利欧美成人| 久99久视频精品免费| 亚洲色图av天堂| 亚洲av日韩精品久久久久久密| 自拍欧美九色日韩亚洲蝌蚪91| 每晚都被弄得嗷嗷叫到高潮| av视频在线观看入口| 夜夜躁狠狠躁天天躁| 美女大奶头视频| 免费看十八禁软件| 欧美日本视频| 精品国产美女av久久久久小说| 性少妇av在线| 亚洲国产高清在线一区二区三 | 国产精品电影一区二区三区| 国产精品,欧美在线| 欧美色欧美亚洲另类二区 | 99国产精品免费福利视频| 制服人妻中文乱码| 久热这里只有精品99| 亚洲avbb在线观看| 啦啦啦免费观看视频1| 十分钟在线观看高清视频www| 嫩草影视91久久| 欧美日韩一级在线毛片| 每晚都被弄得嗷嗷叫到高潮| 好男人在线观看高清免费视频 | 国语自产精品视频在线第100页| 精品免费久久久久久久清纯| 亚洲一区二区三区不卡视频| or卡值多少钱| 色综合婷婷激情| 久久久国产精品麻豆| 黄色毛片三级朝国网站| 日韩三级视频一区二区三区| 啦啦啦观看免费观看视频高清 | 亚洲男人的天堂狠狠| 中文字幕人成人乱码亚洲影| 91麻豆av在线| 美女免费视频网站| 欧美一级毛片孕妇| 日本欧美视频一区| 精品久久蜜臀av无| 免费少妇av软件| 精品日产1卡2卡| 啦啦啦免费观看视频1| 亚洲欧美精品综合久久99| 好看av亚洲va欧美ⅴa在| 亚洲av熟女| 身体一侧抽搐| 在线av久久热| 91麻豆精品激情在线观看国产| 成人欧美大片| 国产亚洲精品久久久久5区| 九色亚洲精品在线播放| 国产欧美日韩一区二区精品| 久久久久久人人人人人| bbb黄色大片| 精品人妻1区二区| 夜夜夜夜夜久久久久| 午夜影院日韩av| 一卡2卡三卡四卡精品乱码亚洲| 精品国产美女av久久久久小说| 精品一区二区三区av网在线观看| 99在线人妻在线中文字幕| 日日摸夜夜添夜夜添小说| 嫩草影院精品99|