• <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 ?

    改進YOLOX檢測單位面積麥穗

    2022-11-13 07:03:42楊蜀秦王鵬飛寧紀鋒奚亞軍
    農(nóng)業(yè)工程學(xué)報 2022年15期
    關(guān)鍵詞:麥穗計數(shù)小麥

    楊蜀秦,王 帥,王鵬飛,寧紀鋒,奚亞軍

    改進YOLOX檢測單位面積麥穗

    楊蜀秦1,2,3,王 帥1,2,3,王鵬飛1,2,3,寧紀鋒3,4,奚亞軍5

    (1. 西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院,楊凌 712100;2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室,楊凌 712100;3. 陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室,楊凌 712100;4. 西北農(nóng)林科技大學(xué)信息工程學(xué)院,楊凌 712100;5. 西北農(nóng)林科技大學(xué)農(nóng)學(xué)院,楊凌 712100)

    單位面積麥穗數(shù)是估算小麥產(chǎn)量的重要指標,對于作物表型參數(shù)計算、產(chǎn)量預(yù)測和大田管理都具有重要的意義。目前的研究均未以單位面積麥穗圖像為研究對象,為準確獲取單位面積麥穗數(shù),該研究提出了基于改進YOLOX的單位面積麥穗檢測方法,利用采樣框直接實現(xiàn)單位面積麥穗計數(shù)。首先,設(shè)計了一種簡單的單位面積采樣框,通過訓(xùn)練角點檢測網(wǎng)絡(luò)識別采樣框,以提取單位面積小麥區(qū)域;其次,針對麥穗檢測中存在的目標密集和相互遮擋問題,在麥穗檢測網(wǎng)絡(luò)的特征融合層,采用上下文信息進行特征重組的上采樣方法(Content-Aware ReAssembly of Features,CARAFE)代替YOLOX-m模型中的上采樣算法,同時結(jié)合迭代注意力特征融合模塊(iterative Attentional Feature Fusion,iAFF),增加對麥穗空間信息和語義信息的提取。試驗結(jié)果表明,改進的YOLOX-m模型明顯改善了對密集麥穗和遮擋麥穗的檢測效果,其精確率、召回率、平均精確度和1值分別為96.83%、91.29%、92.29%和93.97%,與SSD、CenterNet和原YOLOX-m模型相比,平均精確度分別提升了10.26、8.2和1.14個百分點。該研究方法能夠直接對復(fù)雜大田場景下的單位面積麥穗進行準確檢測和計數(shù),為實際生產(chǎn)小麥產(chǎn)量預(yù)測中的麥穗智能化計數(shù)提供了一種方法參考。

    模型;目標檢測;深度學(xué)習(xí);單位面積;麥穗

    0 引 言

    小麥產(chǎn)量關(guān)系到國家的糧食安全[1-2]。產(chǎn)量預(yù)測為農(nóng)業(yè)生產(chǎn)管理決策提供參考[3-4],為政府在農(nóng)村土地政策、糧食價格等方面的宏觀調(diào)控提供支撐[5-6]。田間測產(chǎn)時,小麥產(chǎn)量主要與單位面積麥穗數(shù)、千粒質(zhì)量和穗粒數(shù)[7]有關(guān)。其中,單位面積麥穗數(shù)是最重要的指標,直接反映小麥的生長狀況和品質(zhì)好壞[8-9]。

    傳統(tǒng)的單位面積麥穗檢測計數(shù)主要依靠人工計數(shù)和傳統(tǒng)圖像處理的方法。人工計數(shù)方法繁瑣,對人力物力消耗較大且主觀性較強[10]。傳統(tǒng)圖像處理方法首先從RGB圖像中人工提取麥穗的形狀、紋理和顏色等特征,之后通過分類器進行模型構(gòu)建,實現(xiàn)對麥穗的自動識別計數(shù)[11]。李毅念等[12]將RGB轉(zhuǎn)換到HSI,提取色彩飽和度特征后,再利用基于凹點檢測匹配連線的方法實現(xiàn)粘連麥穗的分割,計算麥穗數(shù)量;Fernandez-Gallego等[13]利用濾波和尋找最大值的方法來檢測田間麥穗圖像中的麥穗數(shù),其識別精度達到90%。劉哲等[14]以顏色特征聚類為基礎(chǔ)改進k均值聚類算法,將聚類區(qū)域內(nèi)的子區(qū)域數(shù)作為麥穗數(shù)估計值,計數(shù)精度達到94.69%。以上方法由于人工提取特征需要依靠大量經(jīng)驗,對復(fù)雜大田場景下的光照、土壤等條件魯棒性表現(xiàn)不足[15-17],且均未以單位面積麥穗圖像為研究對象,故無法獲得泛化模型和直接實現(xiàn)單位面積麥穗計數(shù),檢測準確率仍有待提升。

    近年來,隨著作物表型組學(xué)研究的快速發(fā)展,通過結(jié)合深度學(xué)習(xí)對單位面積麥穗檢測計數(shù)的研究也有了較大的進展[18-20]。深度學(xué)習(xí)從數(shù)據(jù)集中自動學(xué)習(xí)特征代替了傳統(tǒng)的人工提取特征。Lu等[21]提出深度卷積神經(jīng)網(wǎng)絡(luò)TasselNet建立麥穗計數(shù)回歸模型。Hasan等[22]使用相同的R-CNN結(jié)構(gòu)在4個不同生長階段捕獲的不同數(shù)據(jù)集上生成4個不同的模型,研究不同生長階段的麥穗計數(shù)。鮑文霞等[23]采集數(shù)據(jù)時制作40 cm×50 cm的紙盒,用以固定0.2 m2范圍內(nèi)的小麥,同時引入CSRNet網(wǎng)絡(luò)構(gòu)建麥穗密度圖估計模型,實現(xiàn)對復(fù)雜擁擠場景下的麥穗計數(shù)。章權(quán)兵等[24]采集數(shù)據(jù)時使用長寬高分別為0.5、0.5、1.2 m的硬紙板圍成一個長方體框,將目標區(qū)域與外界小麥隔離開,并在Faster R-CNN[25]中引入注意力機制和加權(quán)區(qū)域建議網(wǎng)絡(luò)對麥穗進行檢測。文獻[23]和文獻[24]為便于圖像獲取,采集時使用硬紙板圍成一個小面積長方體框,將目標區(qū)域與外界小麥隔離開,但均未利用固定面積計算單位面積麥穗數(shù),不能直接實現(xiàn)麥穗的實際測產(chǎn)計數(shù)。文獻[1]針對單位面積育種小區(qū)實現(xiàn)麥穗計數(shù),但不適用于大面積農(nóng)田場景下的測產(chǎn)。

    綜上所述,前人針對大面積農(nóng)田場景下單位面積麥穗圖像的研究較少,且在復(fù)雜條件下,密集麥穗和遮擋麥穗仍存在識別精度低等問題。因此,本研究以智能手機拍攝含采樣框的小麥冠層圖像為研究對象,構(gòu)建一種基于改進YOLOX的單位面積麥穗檢測方法。采樣框角點特征明顯,因此利用模型深度和特征圖寬度較小的YOLOX-s訓(xùn)練采樣框角點檢測網(wǎng)絡(luò),獲取單位面積區(qū)域。改進深度和特征圖寬度進一步加深和加寬的YOLOX-m模型,在特征提取層采用上下文信息進行特征重組的上采樣方法(Content-Aware ReAssembly of Features,CARAFE)和迭代注意力特征融合模塊,有效減少了麥穗漏檢情況,提高密集麥穗和遮擋麥穗的檢測精度。最后,將其與SSD[26]、CenterNet[27]和原YOLOX-m模型進行對比,驗證了本文方法的有效性。

    1 數(shù)據(jù)獲取與處理

    1.1 研究區(qū)域

    本文試驗區(qū)域位于陜西省楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)(簡稱楊凌區(qū))曹新莊試驗基地,地理坐標介于東經(jīng)107°59′~108°08′,北緯34°14′~34°20′之間,如圖1所示,楊凌區(qū)平均海拔530 m,屬東亞暖溫帶半濕潤半干旱氣候區(qū)。試驗區(qū)域長約175 m,寬約98 m,面積約17 150 m2,種植的冬小麥為一年一熟制,試驗田為小麥育種區(qū),種植多種不同品種的小麥。

    圖1 試驗區(qū)域圖

    1.2 數(shù)據(jù)采集

    為了實現(xiàn)在自然環(huán)境下直接對單位面積麥穗進行檢測計數(shù),使用兩組數(shù)據(jù)集進行了訓(xùn)練和測試,一組是實地拍攝的不含采樣框的麥穗圖像,一組是含1 m×1 m采樣框的麥穗圖像。圖像數(shù)據(jù)是通過華為智能手機(honor V20)在小麥試驗田中收集,將智能手機固定在自拍桿上,藍牙控制手機后置攝像頭朝向下方采集圖像,試驗者手持自拍桿,保持在距離小麥冠層上方0.9~1.1 m處拍攝。數(shù)據(jù)采集時間為2021年5月21日-2022年6月3日,在晴、陰和多云3種天氣狀況下,分別對灌漿期和成熟期小麥圖像進行采集。共采集不含采樣框的麥穗圖像600張(圖像分辨率為4 000像素×3 000像素),原始圖像隨機裁剪為3 072張800像素×800像素的麥穗圖像。另外采用鏡像和旋轉(zhuǎn)對數(shù)據(jù)集進行增強,將訓(xùn)練集的圖像數(shù)據(jù)從3 072張擴增至9 216張。含采樣框的麥穗圖像共218張(圖像分辨率為4 000像素×3 000像素),2021年采集121張,2022年采集97張,采樣框內(nèi)包含350~520個目標小麥穗,如圖2所示。

    注:矩形框為單位面積采樣框。

    1.3 數(shù)據(jù)集標注

    結(jié)合地面調(diào)查,采用開源標注軟件LabelImg對采樣框內(nèi)角點和麥穗進行人工標注,標注數(shù)據(jù)集以PASCAL VOC[28]數(shù)據(jù)集的格式存儲,包括:圖像尺寸(長寬以及通道數(shù))、檢測物體類別、檢測框坐標(對應(yīng)圖像中、軸坐標值)等。

    采樣框角點的標注,以采樣框內(nèi)角點為中心點標注矩形框,用于訓(xùn)練采樣框角點檢測網(wǎng)絡(luò)。麥穗的標注分為含采樣框和不含采樣框的麥穗圖像標注,用矩形框標注不含采樣框的麥穗圖像中所有麥穗目標。對于含采樣框的麥穗圖像,只標注采樣框內(nèi)的麥穗,用于對單位面積麥穗檢測模型的評估。

    2 研究方法

    2.1 基于改進YOLOX的單位面積麥穗檢測方法

    YOLO[29-32]系列是目標檢測算法的代表性工作,其中的YOLO V3[32]在不同領(lǐng)域得到了廣泛的應(yīng)用。以YOLO V3-SPP作為基礎(chǔ),結(jié)合耦合檢測頭、Mosaic和MixUp數(shù)據(jù)增強策略、無錨框機制(Anchor-free)的YOLOX目標檢測模型,具有檢測精確度高和部署靈活的優(yōu)點[33]。

    單位面積麥穗的計數(shù),需同時考慮檢測單位面積采樣框和麥穗數(shù)量兩個問題,即算法只需統(tǒng)計在單位面積框內(nèi)的小麥麥穗數(shù)量。因此,本文提出一個基于改進YOLOX的單位面積麥穗檢測方法。YOLOX-s是YOLOX系列中模型深度和特征圖寬度較小的網(wǎng)絡(luò),YOLOX-m是在其基礎(chǔ)上進行了加深和加寬。由于采樣框角點特征明顯,因此利用YOLOX-s模型訓(xùn)練采樣框角點檢測網(wǎng)絡(luò),實現(xiàn)對采樣區(qū)域的準確提取。同時,利用改進的YOLOX-m模型訓(xùn)練麥穗檢測網(wǎng)絡(luò),實現(xiàn)對麥穗的精準檢測。最后,基于提取的采樣區(qū)域,統(tǒng)計位于單位面積框內(nèi)部的麥穗,實現(xiàn)對單位面積麥穗檢測的目的。

    2.1.1 基于YOLOX-s的采樣框角點檢測網(wǎng)絡(luò)

    為了獲取單位面積麥穗數(shù),需要對采樣框進行檢測。傳統(tǒng)的基于顏色閾值的分割方法和角點檢測方法魯棒性不足,光照條件、天氣和地塊等因素都會影響模型的檢測效果,不適應(yīng)于復(fù)雜大田場景下采樣框的檢測。因此,針對采樣框角點目標小、數(shù)量少且沒有明顯邊界等問題,本文利用YOLOX-s模型,訓(xùn)練單位面積采樣框角點檢測網(wǎng)絡(luò),利用檢測到的采樣框的4個內(nèi)角點,連接4個角點形成采樣框的內(nèi)部區(qū)域,僅裁取位于采樣框區(qū)域內(nèi)部的麥穗,以實現(xiàn)單位面積麥穗檢測計數(shù)的目的。

    2.1.2 基于改進YOLOX-m的麥穗檢測網(wǎng)絡(luò)

    YOLOX-m模型中的最鄰近插值上采樣難以利用麥穗特征圖的語義信息且感知域較小,特征融合模塊僅是對特征圖的簡單拼接。因此,本文通過對YOLOX-m模型的上采樣和特征融合模塊進行改進,以提高密集麥穗和遮擋麥穗檢測精度。改進的YOLOX-m模型的主干分為Input、Backbone、Neck和Prediction 4個部分,每個框表示一個部分。在特征融合網(wǎng)絡(luò)中,首先采用特征圖上采樣(CARAFE)方法代替模型原始的上采樣方法,利用特征重組模塊完成上采樣,以保留更多麥穗細節(jié);其次,添加迭代注意力特征融合模塊(iAFF),增強對麥穗語義信息的提取。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

    注:Focus為切片操作,CBS為CONV+BN+SiLU,CONV為卷積操作,BN為歸一化操作,SiLU為激活函數(shù),SPP為空間金字塔池化結(jié)構(gòu),CARAFE為特征圖上采樣操作,Concat為特征融合函數(shù),iAFF為迭代注意力特征融合模塊,slice為切片后的特征圖。

    1)CARAFE特征圖上采樣

    Wang等[34]在2019年提出了CARAFE上采樣算法,其主要分為上采樣預(yù)測模塊和特征重組模塊兩個模塊。在上采樣預(yù)測模塊中,先利用輸入的特征圖預(yù)測上采樣核,在特征重組模塊中基于上采樣核進行特征重組。與以前的上采樣方法相比,CARAFE可以在更大的感知鄰域內(nèi)聚合麥穗的上下文信息。每個位置都有相對應(yīng)的不同上采樣核,且僅帶來很小的參數(shù)量。本研究針對麥穗密集問題,在YOLOX-m算法網(wǎng)絡(luò)中的特征融合層使用CARAFE上采樣方式,更好地聚合了麥穗目標上下文信息,以有效提升對密集麥穗的檢測精度。

    2)iAFF迭代注意力特征融合

    特征融合是來自不同層或分支的特征組合,一般通過求和或拼接來實現(xiàn),但是均不能對麥穗特征達到最佳的融合效果。Dai等[35]提出了注意力特征融合,為了更好地融合語義和尺度不一致的特征,提出了多尺度通道注意力模塊,闡明了特征圖的初始集成可能會成為瓶頸,并且可以通過添加迭代注意力特征融合來緩解此問題。

    注意力特征融合模塊(Attentional Feature Fusion,AFF)主要針對不同網(wǎng)絡(luò)結(jié)構(gòu)中,不同尺度特征融合時的注意力問題。iAFF針對初始特征集成對于注意力特征融合影響比較大的問題,使用額外一層AFF生成更好的初始特征。本研究針對麥穗相互遮擋的問題,在YOLOX-m算法網(wǎng)絡(luò)中下采樣后的特征融合層使用iAFF,使用了注意力進行特征融合以增加對麥穗空間信息和語義信息的提取,有效提升網(wǎng)絡(luò)對遮擋麥穗的檢測性能。

    2.2 模型訓(xùn)練

    試驗環(huán)境操作系統(tǒng)為Ubuntu 16.04,深度學(xué)習(xí)框架為Pytorch 1.4,顯卡為NVIDIA Tesla P100,顯存16GB?;诟倪MYOLOX的單位面積麥穗檢測模型訓(xùn)練分為兩部分。第一部分為訓(xùn)練采樣框角點檢測網(wǎng)絡(luò),將2021年采集的121張包含采樣框的麥穗圖像,按8∶1∶1隨機劃分訓(xùn)練集、驗證集和測試集,模型訓(xùn)練50個周期,采用Adam優(yōu)化器。第二部分為訓(xùn)練麥穗檢測網(wǎng)絡(luò),9 216張800像素×800像素的麥穗圖像,按9∶1隨機劃分訓(xùn)練集和驗證集,121張包含采樣框的麥穗圖像作為測試集,模型訓(xùn)練100個周期,采用Adam優(yōu)化器。前50個周期凍結(jié)骨干網(wǎng)絡(luò)參數(shù),只訓(xùn)練模型分類器參數(shù),初始學(xué)習(xí)率為1×10-3,批處理尺寸為8,權(quán)重衰減為5×10-4;后50個周期解凍骨干網(wǎng)絡(luò)參數(shù),初始學(xué)習(xí)率為1×10-4,批處理尺寸為8,權(quán)重衰減為5×10-4,共迭代850 500次。

    2.3 評價指標

    本研究采用精確率(Precision,)、召回率(Recall,)、平均精確度(Average Precision,AP)、1分數(shù)、交并比(Intersection over Union,IoU)和平均幀率(Frame per Second,F(xiàn)PS)來評估模型的性能。召回率被定義為所有正樣本被正確檢出的比例;精確率是預(yù)測結(jié)果中正確的比例;平均精確度和1分數(shù)綜合考慮精確率和召回率兩個指標;IoU用于測量真實框與檢測框之間的重疊度,重疊度越高該值越大,相關(guān)度越高;本研究對單位面積小麥麥穗進行檢測,選擇IoU大于50%作為判斷是否正確識別麥穗的閾值。在上述評價指標中,模型性能參數(shù)的重要性依次為平均精確度、召回率、精確率、1分數(shù)和平均幀率。

    為了評估模型的計數(shù)性能,采用決定系數(shù)(2)和均方根誤差(Root Mean Square Error,RMSE)評價指標。2表示趨勢線擬合程度,它的數(shù)值大小可以反映麥穗計數(shù)的估計值與對應(yīng)的實際人工計數(shù)之間的擬合程度,數(shù)值越接近1,擬合程度越高,趨勢線的可靠性就越高;RMSE為預(yù)測值與真實值的偏差,表示算法的準確性,RMSE越小,算法準確度越高。

    3 結(jié)果與分析

    3.1 采樣框角點檢測結(jié)果

    采用SSD、CenterNet和YOLOX-s模型進行采樣框內(nèi)角點的檢測,并對不同模型進行對比,檢測結(jié)果如表1所示,由于采樣框角點顏色特征明顯,YOLOX-s模型精確率、召回率、平均準確度和1分數(shù)都能達到100%,F(xiàn)PS為20幀/s,各項評價指標均高于SSD和CenterNet模型,能夠快速精確地對采樣框的內(nèi)角點進行檢測。

    表1 不同模型對采樣框內(nèi)角點檢測試驗結(jié)果

    注:為精確率;為召回率;AP為平均精確度;1為1分數(shù);FPS為平均幀率。下同。

    Note:isprecision;is recall;AP is average precision;1 is1score; FPS is frame per second. Same below.

    3.2 單位面積麥穗檢測結(jié)果

    用9 216張不含采樣框的麥穗圖像分別在SSD、CenterNet和原始YOLOX模型的m、l和x版本以及基于YOLOX-m的改進模型進行同批次的訓(xùn)練。結(jié)合YOLOX-s模型對采樣框內(nèi)角點的檢測,對比不同模型對單位面積麥穗檢測效果,檢測結(jié)果如表2所示。

    表2 不同模型對單位面積麥穗檢測試驗結(jié)果

    綜合對比不同模型性能,由表2可以看出,改進的YOLOX-m模型在單位面積麥穗檢測上的效果優(yōu)于其他模型。本文使用CARAFE上采樣方式和iAFF特征融合方式的YOLOX-m模型,相較于原始YOLOX-m模型,雖然精確率稍有下降,但AP值提升了1.14個百分點;與SSD和CenterNet模型相比,雖然檢測效率下降,但AP值分別提升了10.26個百分點和8.2個百分點。總的來說,在特征融合網(wǎng)絡(luò)中改變上采樣方式和特征融合方式能夠有效提升單位面積麥穗檢測的精確度,從而驗證了本文提出方法的有效性和可行性。

    圖4為檢測結(jié)果的部分細節(jié)展示圖。其中,CenterNet檢測結(jié)果最差,正確檢測40個,漏檢14個;SSD正確檢測42個,漏檢12個;YOLOX-m模型正確檢測50個,漏檢4個;改進后模型正確檢測53個,漏檢1個。

    注:綠色框和紅色框分別代表正確檢測和漏檢。

    3.3 改進YOLOX-m模型的消融試驗

    本文進行消融試驗以驗證模塊混合使用對于模型性能的影響。結(jié)合YOLOX-s模型對采樣框內(nèi)角點的檢測,以含單位面積采樣框的圖像為測試集,驗證不同改進模型的有效性。表3列出了改進的YOLOX-m模型中各個部分的試驗結(jié)果。

    表3 改進的YOLOX-m算法麥穗檢測消融試驗

    以原始YOLOX-m為基礎(chǔ),只在特征融合層中用CARAFE算法代替原上采樣,AP值提升了0.75個百分點;只在特征融合層引入iAFF在AP值上提升0.46個百分點;綜合各項評價指標,將這兩種改進結(jié)合起來的YOLOX-m模型,雖然檢測效率稍有下降,但AP值提升了1.14個百分點,1值提升了0.46個百分點,驗證了本文方案的可行性。

    3.4 驗證試驗

    將2022年采集的97張含采樣框的麥穗圖像進行單位面積麥穗檢測計數(shù),并與人工計數(shù)真實值進行比較,來驗證本文方法的泛化性能,結(jié)果如圖5所示。

    圖5 麥穗預(yù)測值與真實值的擬合結(jié)果

    從圖5可以看出,2為0.91, RMSE為29.61株/m2,線性擬合線可以有效反映預(yù)測值與真實值的關(guān)系,擬合程度較高,但是所有圖像預(yù)測麥穗數(shù)量小于真實數(shù)量,這是由于嚴重遮擋情況下依然存在漏檢情況導(dǎo)致的。因此,本文提出的基于改進YOLOX的單位面積麥穗檢測方法可以準確地對包含單位面積采樣框的圖像進行麥穗計數(shù),進而實現(xiàn)精準的小麥估產(chǎn)。

    4 結(jié) 論

    1)為準確預(yù)測小麥的單位面積麥穗數(shù),本文提出一種基于改進YOLOX的單位面積麥穗檢測方法。該方法同時檢測采樣框角點和小麥麥穗,可直接估計單位面積中的小麥麥穗數(shù)。在麥穗檢測網(wǎng)絡(luò)中,采用上下文信息進行特征重組的上采樣方法和迭代注意力特征融合模塊,增強對麥穗空間信息和語義信息的提取,有效地提升了對密集麥穗和遮擋麥穗的檢測性能。

    2)試驗結(jié)果表明,基于YOLOX的模型在相同的數(shù)據(jù)集條件下,在采樣框角點檢測方面和麥穗檢測方面均優(yōu)于SSD、CenterNet模型。麥穗檢測方面,改進的YOLOX-m模型平均精確度分別高于SSD、CenterNet模型10.26個百分點和8.2個百分點,平均精確度較原始YOLOX-m模型也提升了1.14個百分點,其精確率、召回率、平均精確度和1分別達96.83%、91.29%、92.29%、93.97%,改善了對密集麥穗和遮擋麥穗的檢測效果。本文方法比其他麥穗檢測計數(shù)方法準確率更高,能夠在自然環(huán)境下直接對單位面積麥穗進行檢測計數(shù),為實際生產(chǎn)小麥產(chǎn)量預(yù)測中的麥穗計數(shù)提供了一種有效的方法。

    3)改進的YOLOX-m模型對于輕微遮擋和密集情況下的麥穗檢測精度有所提高,但由于麥穗目標較小,對于嚴重遮擋情況下麥穗依然存在漏檢的情況而且精確率稍有下降。在麥穗計數(shù)中,在對單位面積采樣框內(nèi)小麥檢測應(yīng)用中,存在采樣框內(nèi)小麥越界到框外、框外小麥進入采樣框內(nèi)的情況,導(dǎo)致真實小麥麥穗數(shù)和預(yù)測小麥麥穗數(shù)有偏差。針對以上問題,擬在實際測產(chǎn)中根據(jù)種植密度不同進行微調(diào),更符合實際測產(chǎn)的需要。

    [1] 陳佳瑋,李慶,譚巧行,等. 結(jié)合輕量級麥穗檢測模型和離線Android軟件開發(fā)的田間小麥測產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報,2021,37(19):156-164.

    Chen Jiawei, Li Qing, Tan Qiaoxing, et al. Combining lightweight wheat spikes detecting model and offline Android software development for in-field wheat yield prediction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 156-164. (in Chinese with English abstract)

    [2] Liu H, Wang Z, Yu R, et al. Optimal nitrogen input for higher efficiency and lower environmental impacts of winter wheat production in China[J]. Agriculture Ecosystems & Environment, 2016, 224: 1-11.

    [3] Jin X, Liu S, Baret F, et al. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery[J]. Remote Sensing of Environment, 2017, 198: 105-114.

    [4] 鮑烈,王曼韜,劉江川,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的小麥產(chǎn)量預(yù)估方法[J]. 浙江農(nóng)業(yè)學(xué)報,2020,32(12):2244-2252.

    Bao Lie, Wang Mantao, Liu Jiangchuan, et al. Estimation method of wheat yield based on convolution neural network[J]. Acta Agriculturae Zhejiangensis, 2020, 32(12): 2244-2252. (in Chinese with English abstract)

    [5] 歐文浩,蘇偉,薛文振,等. 基于HJ-1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時相選擇[J]. 農(nóng)業(yè)工程學(xué)報,2010,26(11):176-182.

    Ou Wenhao, Su Wei, Xue Wenzhen, et al. Selection of optimum phase for yield estimation of three major crops based on HJ-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 176-182. (in Chinese with English abstract)

    [6] 郝王麗,尉培巖,韓猛,等. 基于YOLOv3網(wǎng)絡(luò)的小麥麥穗檢測及計數(shù)[J]. 湖北農(nóng)業(yè)科學(xué),2021,60(2):158-160.

    Hao Wangli, Wei Peiyan, Han Meng, et al. Detection and counting of wheat ears based on YOLOv3 network[J]. Hubei Agricultural Sciences, 2021, 60(2): 158-160. (in Chinese with English abstract)

    [7] Ghahremani M, Ghassemian H. Remote-sensing image fusion based on curvelets and ICA[J]. International Journal of Remote Sensing, 2015, 36(16): 4131-4143.

    [8] 謝元澄,何超,于增源,等. 復(fù)雜大田場景中麥穗檢測級聯(lián)網(wǎng)絡(luò)優(yōu)化方法[J]. 農(nóng)業(yè)機械學(xué)報,2020,51(12):212-219.

    Xie Yuancheng, He Chao, Yu Zengyuan, et al. Optimization method for cascade network of wheat ear detection in complex filed scene[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(12): 212-219. (in Chinese with English abstract)

    [9] 劉航,劉濤,李世娟,等. 基于深度殘差網(wǎng)絡(luò)的麥穗回歸計數(shù)方法[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報,2021,26(6):170-179.

    Liu Hang, Liu Tao, Li Shijuan, et al. Research on wheat ear regression counting based on deep residual network[J]. Journal of China Agricultural University, 2021, 26(6): 170-179. (in Chinese with English abstract)

    [10] Xiong H, Cao Z, Lu H, et al. TasselNetv2: In-field counting of wheat spikes with context-augmented local regression networks[J]. Plant Methods, 2019, 15(2): 150.

    [11] 趙鋒,王克儉,苑迎春. 基于顏色特征和AdaBoost算法的麥穗識別的研究[J]. 作物雜志,2014(1):141-144,161.

    Zhao Feng, Wang Kejian, Yuan Yingchun. Study on wheat spike identification based on color features and AdaBoost algorithm[J]. Crops, 2014(1): 141-144, 161. (in Chinese with English abstract)

    [12] 李毅念,杜世偉,姚敏,等. 基于小麥群體圖像的田間麥穗計數(shù)及產(chǎn)量預(yù)測方法[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(21):185-194.

    Li Yinian, Du Shiwei, Yao Min, et al. Method for wheatear counting and yield predicting based on image of wheatear population in field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 185-194. (in Chinese with English abstract)

    [13] Fernandez-Gallego J A, Kefauver S C, Gutiérrez N, et al. Wheat ear counting in-field conditions: High throughput and low-cost approach using RGB images[J]. Plant Methods, 2018, 14(1): 22.

    [14] 劉哲,黃文準,王利平. 基于改進K-means聚類算法的大田麥穗自動計數(shù)[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(3):174-181.

    Liu Zhe, Huang Wenzhun, Wang Liping. Field wheat ear counting automatically based on improved K-means clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 174-181. (in Chinese with English abstract)

    [15] 劉濤,孫成明,王力堅,等. 基于圖像處理技術(shù)的大田麥穗計數(shù)[J]. 農(nóng)業(yè)機械學(xué)報,2014,45(2):282-290.

    Liu Tao, Sun Chengming, Wang Lijian, et al. In-field wheatear counting based on image processing technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 282-290. (in Chinese with English abstract)

    [16] 劉東,曹光喬,李亦白,等. 基于顏色特征的小麥抽穗揚花期麥穗識別計數(shù)[J]. 中國農(nóng)機化學(xué)報,2021,42(11):97-102.

    Liu Dong, Cao Guangqiao, Li Yibai, et al. Recognition and counting of wheat ears at flowering stage of heading poplar based on color features[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(11): 97-102. (in Chinese with English abstract)

    [17] 孫俊,楊鍇鋒,羅元秋,等. 基于無人機圖像的多尺度感知麥穗計數(shù)方法[J]. 農(nóng)業(yè)工程學(xué)報,2021,37(23):136-144.

    Sun Jun, Yang Kaifeng, Luo Yuanqiu, et al. Method for the multiscale perceptual counting of wheat ears based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(23): 136-144. (in Chinese with English abstract)

    [18] 王宇歌,張涌,黃林雄,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的麥穗目標檢測算法研究[J]. 軟件工程,2021,24(8):6-10.

    Wang Yuge, Zhang Yong, Huang Linxiong, et al. Research of wheat ear target detection based on convolutional neural network[J]. Software Engineering, 2021, 24(8): 6-10. (in Chinese with English abstract)

    [19] 魏超宇,韓文,劉輝軍. 基于深度學(xué)習(xí)的溫室大棚小番茄果實計數(shù)方法[J]. 中國計量大學(xué)學(xué)報,2021,32(1): 93-100.

    Wei Chaoyu, Han Wen, Liu Huijun. Counting method of small tomato fruit in greenhouse based on deep learning[J]. Journal of China University of Metrology, 2021, 32(1): 93-100. (in Chinese with English abstract)

    [20] Mohanty S P, Hughes D P, Salathe M. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science, 2016, 7: 1419.

    [21] Lu H, Cao Z, Xiao Y, et al. TasselNet: Counting maize tassels in the wild via local counts regression network[J]. Plant Methods, 2017, 13(1): 1-17.

    [22] Hasan M M, Chopin J P, Laga H, et al. Detection and analysis of wheat spikes using convolutional neural networks[J]. Plant Methods, 2018, 14(1): 100.

    [23] 鮑文霞,張鑫,胡根生,等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的田間麥穗密度估計及計數(shù)[J]. 農(nóng)業(yè)工程學(xué)報,2020,36(21),186-193.

    Bao Wenxia, Zhang Xin, Hu Gensheng, et al. Estimation and counting of wheat ears density in field based on deep convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 186-193. (in Chinese with English abstract)

    [24] 章權(quán)兵,胡姍姍,舒文燦,等. 基于注意力機制金字塔網(wǎng)絡(luò)的麥穗檢測方法[J]. 農(nóng)業(yè)機械學(xué)報,2021,52(11):253-262.

    Zhang Quanbing, Hu Shanshan, Shu Wencan, et al. Wheat spikes detection method based on pyramidal network of attention mechanism[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(11): 253-262. (in Chinese with English abstract)

    [25] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

    [26] Liu W, Anguelov D, Erhan D, et al. SSD: Single shot multiBox detector[C]// European Conference on Computer Vision.Amsterdam, the Netherlands: Springer: 2016: 21-37.

    [27] Zhou X, Wang D, Krhenbühl P. Objects as points[EB/OL]. arXiv preprint arXiv: 1904.07850v2, 2019. (2022-03-10). https://arxiv.org/abs/1904.07850.

    [28] Everingham M, Eslami S, Gool L V, et al. The pascal visual object classes challenge: A retrospective[J]. International Journal of Computer Vision, 2015, 111: 98-136.

    [29] Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal speed and accuracy of object detection[EB/OL]. arXiv preprint arXiv: 2004.10934,2020. (2022-03-10). https://arxiv.org/abs/2004.10934.

    [30] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, USA: IEEE, 2016: 779-788.

    [31] Redmon J, Farhadi A. YOLO9000: Better, faster, stronger[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI, USA: IEEE, 2017: 6517-6525.

    [32] Redmon J, Farhadi A. Yolov3: An incremental improvement[EB/OL]. arXiv preprint arXiv: 1804.02767, 2018. (2022-03-10). https://arxiv.org/abs/1804.02767v1.

    [33] 陳民,吳觀茂. 基于改進YOLOX的交通標志檢測與識別[J]. 現(xiàn)代信息科技,2022,6(2):101-103,106.

    Chen Min, Wu Guanmao. Traffic sign detection and recognition based on improved YOLOX[J]. Modern Information Technology, 2022, 6(2): 101-103,106. (in Chinese with English abstract)

    [34] Wang J, Chen K, Xu R, et al. CARAFE: Content-Aware ReAssembly of Features[C]// International Conference on Computer Vision. Seoul, Korea (South): IEEE, 2019: 3007-3016.

    [35] Dai Y, Gieseke F, Oehmcke S, et al. Attentional feature fusion[EB/OL]. arXiv preprint arXiv: 2009.14082v2, 2020. (2022-03-10). https://arxiv.org/abs/2009.14082.

    Detecting wheat ears per unit area using an improved YOLOX

    Yang Shuqin1,2,3, Wang Shuai1,2,3, Wang Pengfei1,2,3, Ning Jifeng3,4, Xi Yajun5

    (1.712100,; 2.712100,; 3.712100,; 4.712100,;5.712100)

    Wheat production is closely related to the food security in world. The yield forecast of wheat can provide a strong reference for the agricultural production and management, particularly for the decision-making on the rural land policy and grain market. Among them, the number of wheat ears per unit area is one of the most important indicators to estimate the wheat yield, including the crop phenotypic parameters, yield prediction, and field management. However, the traditional image processing and manual counting of wheat ears cannot fully meet the large-scale production in recent years. Particularly, the manual counting is cumbersome, labor-intensive, and highly subjective. It is a high demand to improve the detection accuracy of the traditional image processing. A generalized model is also required for a lot of experience, the robustness to lighting, and sufficient soil conditions in complex scenes. Much effort has been made to combine the deep learning for the detection and counting of the wheat ears per unit area, particularly with the rapid development of crop phenotype research. It is still lacking on the recognition accuracy of dense and occluded wheat ears under complex conditions. Taking the image of wheat ears per unit area as the research object, this study aims to accurately obtain the number of wheat ears per unit area using the improved YOLOX. Firstly, a simple sampling frame was designed to directly realize the counting of wheat ears per unit area. The corner detection network was trained to identify the sampling frame, further to extract the unit area of wheat. The Content-Aware ReAssembly of Features (CARAFE) map was used in the feature fusion layer of the wheat ear detection network. Secondly, the sampling was replaced with the up-sampling in the YOLOX-m model. The iterative attention feature fusion module was also used to increase the extraction of spatial information and semantic information of wheat ears. Thirdly, the wheat canopy images captured by the smartphone were taken as the research object. The images were selected at the wheat grain filling and mature stages under three weather conditions of clear, overcast, and cloudy. A total of 600 images of wheat ears without the sampling frame (image resolution of 4 000 × 3 000 pixels) were collected, where the original images were randomly cropped into the 3 072 images of wheat ears of 800 × 800 pixels. Fourthly, the dataset was augmented after the mirroring and rotation operation, where the image data of the training set was expanded from 3 072 to 9 216 images. There were 218 wheat ears images with the sampling frame (image resolution was 4 000 × 3 000 pixels). Among them, the sampling frame was contained 350-520 target wheat ears. Finally, the performance of the model was evaluated using the precision, recall, Average Precision (AP),1 score, Frame per Second (FPS), determination coefficient(2) and Root Mean Square Error (RMSE). The experimental results show that the improved YOLOX-m model was significantly improved the detection performance of dense and occluded wheat ears. Specifically, the AP value was improved by 10.26, 8.2 and 1.14 percentage points, respectively, compared with the SSD, CenterNet, and original YOLOX-m model. Consequently, the wheat ears per unit area were accurately detected and counted in the natural environment. The finding can provide a strong reference for the intelligent counting of wheat ears in the actual production of wheat yield prediction.

    models; target detection; deep learning; unit area; wheat ear

    10.11975/j.issn.1002-6819.2022.15.015

    TP391.41

    A

    1002-6819(2022)-15-0143-07

    楊蜀秦,王帥,王鵬飛,等. 改進YOLOX檢測單位面積麥穗[J]. 農(nóng)業(yè)工程學(xué)報,2022,38(15):143-149.doi:10.11975/j.issn.1002-6819.2022.15.015 http://www.tcsae.org

    Yang Shuqin, Wang Shuai, Wang Pengfei, et al. Detecting wheat ears per unit area using an improved YOLOX[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 143-149. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2022.15.015 http://www.tcsae.org

    2022-04-30

    2022-06-30

    陜西省自然科學(xué)基礎(chǔ)研究計劃項目(2022JM-128)

    楊蜀秦,博士,副教授,研究方向為計算機視覺在農(nóng)業(yè)信息領(lǐng)域中的應(yīng)用。Email:yangshuqin1978@163.com

    猜你喜歡
    麥穗計數(shù)小麥
    五月麥穗金燦燦
    輕音樂(2022年11期)2022-11-22 12:56:18
    主產(chǎn)區(qū)小麥收購進度過七成
    古人計數(shù)
    孔令讓的“小麥育種夢”
    金橋(2021年10期)2021-11-05 07:23:28
    葉面施肥實現(xiàn)小麥畝增產(chǎn)83.8千克
    彩虹色的雨
    遞歸計數(shù)的六種方式
    哭娃小麥
    古代的計數(shù)方法
    麥穗穗
    民族音樂(2018年5期)2018-11-17 08:20:00
    免费av不卡在线播放| 国产一区二区三区在线臀色熟女| 国产高清视频在线播放一区| 国产探花极品一区二区| 国产v大片淫在线免费观看| 在线观看午夜福利视频| 麻豆国产97在线/欧美| 国内揄拍国产精品人妻在线| 日本-黄色视频高清免费观看| 欧美日本视频| 亚洲av不卡在线观看| 99久久无色码亚洲精品果冻| 又黄又爽又刺激的免费视频.| 日韩欧美免费精品| 97人妻精品一区二区三区麻豆| 在线天堂最新版资源| 欧美+日韩+精品| 国产探花在线观看一区二区| 免费观看的影片在线观看| 午夜亚洲福利在线播放| 国产高清激情床上av| 亚洲电影在线观看av| 亚洲最大成人中文| 日日摸夜夜添夜夜添小说| 高清毛片免费看| 国产中年淑女户外野战色| 美女cb高潮喷水在线观看| 日本免费a在线| 国产av不卡久久| 日韩欧美精品v在线| 亚洲一区二区三区色噜噜| 国产精品不卡视频一区二区| 日本在线视频免费播放| 韩国av在线不卡| 成人无遮挡网站| 激情 狠狠 欧美| 热99在线观看视频| 自拍偷自拍亚洲精品老妇| 女同久久另类99精品国产91| 大又大粗又爽又黄少妇毛片口| 国产视频内射| 久99久视频精品免费| 国内精品宾馆在线| 禁无遮挡网站| 精品久久久久久久末码| av在线天堂中文字幕| 精品久久国产蜜桃| 久久精品久久久久久噜噜老黄 | 日本黄大片高清| 久久久欧美国产精品| 亚洲第一电影网av| 久久久国产成人精品二区| 日本黄色片子视频| 国产精品美女特级片免费视频播放器| 日韩欧美精品免费久久| 亚洲精品影视一区二区三区av| 中文字幕熟女人妻在线| 深爱激情五月婷婷| 九九热线精品视视频播放| 亚洲内射少妇av| 国产一区亚洲一区在线观看| 国产私拍福利视频在线观看| 99热只有精品国产| 亚洲综合色惰| 亚洲av美国av| 天堂√8在线中文| 麻豆国产97在线/欧美| 国产国拍精品亚洲av在线观看| 亚洲精品粉嫩美女一区| 99久久中文字幕三级久久日本| 99久久精品热视频| 97人妻精品一区二区三区麻豆| 五月伊人婷婷丁香| eeuss影院久久| 少妇被粗大猛烈的视频| 日韩欧美一区二区三区在线观看| 亚洲综合色惰| 国产精品一及| 亚洲自偷自拍三级| 天堂动漫精品| 99热只有精品国产| 欧美一区二区国产精品久久精品| 亚洲内射少妇av| 国产精品三级大全| 嫩草影院精品99| 中文字幕熟女人妻在线| 国产av不卡久久| a级毛片免费高清观看在线播放| 精品久久久久久久久av| 久久久久久国产a免费观看| 亚洲内射少妇av| 久久久久久久久大av| 久久久久久久久大av| 国产精品人妻久久久影院| 亚洲精品国产成人久久av| 欧美性猛交╳xxx乱大交人| 一个人免费在线观看电影| 91久久精品国产一区二区成人| 天天躁日日操中文字幕| 一个人观看的视频www高清免费观看| 天美传媒精品一区二区| 卡戴珊不雅视频在线播放| 一本久久中文字幕| 最近2019中文字幕mv第一页| 特大巨黑吊av在线直播| 亚洲一区高清亚洲精品| 亚洲国产精品成人久久小说 | 亚洲国产精品成人综合色| 欧美成人一区二区免费高清观看| 插阴视频在线观看视频| 欧美色视频一区免费| 男人狂女人下面高潮的视频| 国产 一区 欧美 日韩| 小蜜桃在线观看免费完整版高清| 成人永久免费在线观看视频| .国产精品久久| 亚洲av中文av极速乱| 日本 av在线| 亚洲内射少妇av| 搡老妇女老女人老熟妇| 嫩草影院入口| 成人性生交大片免费视频hd| 男人狂女人下面高潮的视频| 国产精品一区二区免费欧美| 亚洲欧美成人精品一区二区| 成年版毛片免费区| 天天躁夜夜躁狠狠久久av| 久久亚洲精品不卡| 亚洲av成人av| 亚洲七黄色美女视频| 人妻少妇偷人精品九色| 一卡2卡三卡四卡精品乱码亚洲| 久久人妻av系列| 亚洲性久久影院| 黄色日韩在线| 中文字幕av成人在线电影| 少妇被粗大猛烈的视频| 亚洲18禁久久av| 中国国产av一级| 春色校园在线视频观看| 久久人人爽人人片av| 老师上课跳d突然被开到最大视频| 国产av麻豆久久久久久久| 国产精品国产高清国产av| 国产免费一级a男人的天堂| 国产不卡一卡二| 久久精品综合一区二区三区| 99riav亚洲国产免费| 欧美3d第一页| 成人综合一区亚洲| 两性午夜刺激爽爽歪歪视频在线观看| 欧美日韩国产亚洲二区| 日本熟妇午夜| 亚洲中文字幕日韩| 精华霜和精华液先用哪个| 天堂√8在线中文| 午夜老司机福利剧场| 秋霞在线观看毛片| 国产高清三级在线| 不卡视频在线观看欧美| 1000部很黄的大片| 一级a爱片免费观看的视频| 国产男人的电影天堂91| 精品免费久久久久久久清纯| 日本一二三区视频观看| 久久久国产成人精品二区| 最近最新中文字幕大全电影3| 在线国产一区二区在线| 在线观看66精品国产| 国产男靠女视频免费网站| 黑人高潮一二区| 69av精品久久久久久| 国产日本99.免费观看| 男女那种视频在线观看| 伊人久久精品亚洲午夜| 国产爱豆传媒在线观看| 日韩制服骚丝袜av| 成人漫画全彩无遮挡| 日本a在线网址| 午夜精品在线福利| 美女 人体艺术 gogo| 亚洲精品乱码久久久v下载方式| 国产色婷婷99| .国产精品久久| 深夜a级毛片| 欧美性猛交黑人性爽| 插阴视频在线观看视频| 亚洲av电影不卡..在线观看| 人妻丰满熟妇av一区二区三区| 人妻制服诱惑在线中文字幕| 精品人妻偷拍中文字幕| 五月玫瑰六月丁香| 毛片一级片免费看久久久久| 美女 人体艺术 gogo| 级片在线观看| 国内精品一区二区在线观看| 日韩欧美 国产精品| 美女黄网站色视频| 日本a在线网址| 午夜激情福利司机影院| 又黄又爽又刺激的免费视频.| 欧美不卡视频在线免费观看| 2021天堂中文幕一二区在线观| 亚洲18禁久久av| 午夜福利在线观看吧| 干丝袜人妻中文字幕| 中文字幕久久专区| 女同久久另类99精品国产91| 欧美日韩精品成人综合77777| 亚洲精品国产成人久久av| 亚洲av免费高清在线观看| 尤物成人国产欧美一区二区三区| 亚洲欧美日韩东京热| av在线观看视频网站免费| 露出奶头的视频| 日韩亚洲欧美综合| 国产色爽女视频免费观看| 美女被艹到高潮喷水动态| 精品日产1卡2卡| 久久亚洲国产成人精品v| 亚洲av中文av极速乱| 欧美zozozo另类| 中文字幕人妻熟人妻熟丝袜美| 国产又黄又爽又无遮挡在线| 欧美最黄视频在线播放免费| 国产老妇女一区| 国产真实伦视频高清在线观看| 淫秽高清视频在线观看| 日韩欧美精品免费久久| 九九爱精品视频在线观看| 99久久精品一区二区三区| h日本视频在线播放| 在线观看一区二区三区| 最近中文字幕高清免费大全6| 97超级碰碰碰精品色视频在线观看| 精品久久久噜噜| 亚洲专区国产一区二区| 色噜噜av男人的天堂激情| 一个人免费在线观看电影| 国产69精品久久久久777片| 亚洲丝袜综合中文字幕| 国产精品久久久久久久电影| 久久久成人免费电影| 欧美zozozo另类| 欧美极品一区二区三区四区| 亚洲欧美日韩东京热| 亚洲精品日韩av片在线观看| 黄色视频,在线免费观看| 99在线视频只有这里精品首页| 亚洲人成网站高清观看| 日韩,欧美,国产一区二区三区 | 亚洲国产色片| 天堂影院成人在线观看| 亚洲经典国产精华液单| 国产三级在线视频| 亚洲性夜色夜夜综合| 国产中年淑女户外野战色| 国产成人a区在线观看| 国产午夜福利久久久久久| 亚州av有码| 免费观看的影片在线观看| 精品久久久久久久久久免费视频| 你懂的网址亚洲精品在线观看 | 成人美女网站在线观看视频| 久久久久免费精品人妻一区二区| 嫩草影视91久久| 亚洲精品国产成人久久av| 日韩 亚洲 欧美在线| 日本一本二区三区精品| 国产午夜福利久久久久久| 亚洲18禁久久av| 99久久精品国产国产毛片| 国内久久婷婷六月综合欲色啪| 国产精品乱码一区二三区的特点| 成人三级黄色视频| 国产黄色小视频在线观看| 一级黄片播放器| 97超碰精品成人国产| 神马国产精品三级电影在线观看| 欧美性猛交黑人性爽| 欧美丝袜亚洲另类| 级片在线观看| 小说图片视频综合网站| 99久久中文字幕三级久久日本| 91久久精品国产一区二区成人| 啦啦啦啦在线视频资源| 搡老熟女国产l中国老女人| 国产三级中文精品| 99热只有精品国产| 男人的好看免费观看在线视频| 观看免费一级毛片| 国产探花极品一区二区| 国产真实伦视频高清在线观看| 日日干狠狠操夜夜爽| 内地一区二区视频在线| 日本成人三级电影网站| 少妇的逼好多水| 韩国av在线不卡| 黄色一级大片看看| 97超视频在线观看视频| 深爱激情五月婷婷| 晚上一个人看的免费电影| 看免费成人av毛片| 日本色播在线视频| 欧美激情在线99| 国产91av在线免费观看| 日韩精品中文字幕看吧| 丰满的人妻完整版| 欧美xxxx黑人xx丫x性爽| 老师上课跳d突然被开到最大视频| av福利片在线观看| 我的女老师完整版在线观看| 午夜免费激情av| 免费观看精品视频网站| 国内少妇人妻偷人精品xxx网站| 欧美一区二区国产精品久久精品| 免费在线观看成人毛片| 色5月婷婷丁香| 欧美日韩在线观看h| av在线播放精品| 亚洲不卡免费看| 中文亚洲av片在线观看爽| 天堂动漫精品| 国产成人aa在线观看| 亚洲性久久影院| 婷婷色综合大香蕉| 中国美女看黄片| 精品一区二区三区av网在线观看| 麻豆久久精品国产亚洲av| 综合色av麻豆| 啦啦啦啦在线视频资源| 久久鲁丝午夜福利片| 久久久成人免费电影| 麻豆成人午夜福利视频| 午夜免费男女啪啪视频观看 | 国产精华一区二区三区| 免费一级毛片在线播放高清视频| 久久精品人妻少妇| 一个人免费在线观看电影| 国产91av在线免费观看| h日本视频在线播放| 99热只有精品国产| 久久午夜亚洲精品久久| 99精品在免费线老司机午夜| 97碰自拍视频| 搡老妇女老女人老熟妇| 亚洲不卡免费看| 亚洲电影在线观看av| 露出奶头的视频| 精品久久久久久成人av| 人人妻人人澡人人爽人人夜夜 | 老熟妇仑乱视频hdxx| 激情 狠狠 欧美| 久久久国产成人精品二区| 99久久九九国产精品国产免费| 色吧在线观看| 在线看三级毛片| 国产老妇女一区| 露出奶头的视频| 亚洲国产精品久久男人天堂| 亚洲中文字幕日韩| 国产精品一区二区三区四区久久| 97超级碰碰碰精品色视频在线观看| 国产精品一区二区三区四区免费观看 | 日韩,欧美,国产一区二区三区 | 免费看光身美女| 亚洲熟妇中文字幕五十中出| 干丝袜人妻中文字幕| 夜夜看夜夜爽夜夜摸| 久久久久久久午夜电影| 亚洲人成网站在线播| 日韩欧美 国产精品| 欧美zozozo另类| 联通29元200g的流量卡| 欧美bdsm另类| 午夜精品在线福利| 久久精品国产亚洲av涩爱 | 深夜精品福利| 成人二区视频| 亚洲一区二区三区色噜噜| 亚洲av一区综合| 国产色爽女视频免费观看| 久久人人精品亚洲av| 日本一二三区视频观看| 国产伦一二天堂av在线观看| 国产精品免费一区二区三区在线| 99热这里只有是精品在线观看| 在线观看免费视频日本深夜| 中文字幕熟女人妻在线| 尤物成人国产欧美一区二区三区| 男女啪啪激烈高潮av片| 毛片一级片免费看久久久久| 午夜视频国产福利| 国产成人91sexporn| 桃色一区二区三区在线观看| 黄色日韩在线| 久久精品综合一区二区三区| 精品久久久久久成人av| 亚洲中文字幕一区二区三区有码在线看| 在线观看美女被高潮喷水网站| 成人综合一区亚洲| 国产精品福利在线免费观看| 亚洲精品影视一区二区三区av| 久久久欧美国产精品| av免费在线看不卡| 色视频www国产| 日本黄色视频三级网站网址| 深爱激情五月婷婷| 黄色欧美视频在线观看| 日本色播在线视频| 男人的好看免费观看在线视频| 不卡视频在线观看欧美| 久久久久久国产a免费观看| 亚洲第一电影网av| 亚洲精品一区av在线观看| 高清毛片免费观看视频网站| 国产伦在线观看视频一区| 日韩三级伦理在线观看| 晚上一个人看的免费电影| 国产高清视频在线播放一区| 日日摸夜夜添夜夜爱| 少妇的逼水好多| 97超视频在线观看视频| 免费看av在线观看网站| 不卡一级毛片| 亚洲五月天丁香| 搞女人的毛片| 天堂√8在线中文| 色尼玛亚洲综合影院| 人人妻,人人澡人人爽秒播| 精品欧美国产一区二区三| 色综合色国产| 亚洲性夜色夜夜综合| 天堂网av新在线| 国产伦精品一区二区三区视频9| 麻豆av噜噜一区二区三区| 欧美一区二区精品小视频在线| 免费人成视频x8x8入口观看| 亚洲人成网站在线观看播放| 在线免费观看的www视频| 中出人妻视频一区二区| 天天躁夜夜躁狠狠久久av| 一区二区三区免费毛片| 亚洲中文日韩欧美视频| 亚洲一级一片aⅴ在线观看| 成人二区视频| 国内少妇人妻偷人精品xxx网站| 成人午夜高清在线视频| 久久久久久久久中文| 久久中文看片网| 亚洲欧美精品综合久久99| 日韩av不卡免费在线播放| 岛国在线免费视频观看| 晚上一个人看的免费电影| 日本免费一区二区三区高清不卡| 国产精品久久久久久av不卡| 国产亚洲精品综合一区在线观看| 99久久中文字幕三级久久日本| 久久久国产成人精品二区| 国产精品综合久久久久久久免费| 一区二区三区免费毛片| 伊人久久精品亚洲午夜| 色综合站精品国产| 真实男女啪啪啪动态图| 久久精品夜夜夜夜夜久久蜜豆| 欧美丝袜亚洲另类| 国产精品1区2区在线观看.| 国产黄色小视频在线观看| 精品久久久久久久人妻蜜臀av| 国产精品免费一区二区三区在线| 极品教师在线视频| 精品人妻偷拍中文字幕| 最近手机中文字幕大全| 亚洲最大成人中文| 欧美性猛交黑人性爽| 啦啦啦观看免费观看视频高清| 亚洲av.av天堂| 精品日产1卡2卡| 人人妻人人澡欧美一区二区| 1024手机看黄色片| av天堂中文字幕网| 成人午夜高清在线视频| 日本-黄色视频高清免费观看| 亚州av有码| 久久精品国产鲁丝片午夜精品| 少妇人妻一区二区三区视频| 久久精品国产亚洲网站| 一区二区三区高清视频在线| 日韩欧美精品免费久久| 一个人看的www免费观看视频| 深爱激情五月婷婷| 麻豆一二三区av精品| 亚洲18禁久久av| 在线播放国产精品三级| 成人三级黄色视频| 亚洲成a人片在线一区二区| 久久久久久九九精品二区国产| 插阴视频在线观看视频| 国产精品不卡视频一区二区| 国产一区二区在线av高清观看| 国产综合懂色| 99热网站在线观看| 亚洲精品乱码久久久v下载方式| 日韩中字成人| 成人鲁丝片一二三区免费| av在线观看视频网站免费| 非洲黑人性xxxx精品又粗又长| 国产爱豆传媒在线观看| 男插女下体视频免费在线播放| 黄色一级大片看看| 在线观看美女被高潮喷水网站| 国产精品不卡视频一区二区| 女生性感内裤真人,穿戴方法视频| 精品久久久噜噜| 国产精品人妻久久久影院| 日本一本二区三区精品| 国产精品国产三级国产av玫瑰| 国产av一区在线观看免费| 精品国产三级普通话版| 久久精品国产99精品国产亚洲性色| 蜜臀久久99精品久久宅男| 亚洲人与动物交配视频| 在线观看av片永久免费下载| 国产精品嫩草影院av在线观看| 成人特级黄色片久久久久久久| 久久久久国内视频| 看十八女毛片水多多多| 校园人妻丝袜中文字幕| 亚洲国产日韩欧美精品在线观看| 狂野欧美激情性xxxx在线观看| 日日摸夜夜添夜夜添小说| 天堂动漫精品| 国产色婷婷99| 免费高清视频大片| 淫妇啪啪啪对白视频| 在线免费观看的www视频| 十八禁国产超污无遮挡网站| 国内揄拍国产精品人妻在线| 亚洲久久久久久中文字幕| 国产不卡一卡二| 99热这里只有精品一区| www.色视频.com| 尤物成人国产欧美一区二区三区| 九九久久精品国产亚洲av麻豆| 欧美高清性xxxxhd video| 搡女人真爽免费视频火全软件 | 内射极品少妇av片p| 午夜亚洲福利在线播放| 不卡视频在线观看欧美| 91在线精品国自产拍蜜月| 一个人看视频在线观看www免费| 在线观看美女被高潮喷水网站| 亚洲成av人片在线播放无| 淫秽高清视频在线观看| 亚洲性久久影院| 男女之事视频高清在线观看| 日本熟妇午夜| 男女视频在线观看网站免费| 成人亚洲欧美一区二区av| 久久天躁狠狠躁夜夜2o2o| 伊人久久精品亚洲午夜| 两个人视频免费观看高清| 99久久九九国产精品国产免费| 99国产精品一区二区蜜桃av| h日本视频在线播放| 日韩高清综合在线| 亚洲第一区二区三区不卡| av女优亚洲男人天堂| 大型黄色视频在线免费观看| 可以在线观看的亚洲视频| av天堂在线播放| 成年女人毛片免费观看观看9| 男人舔女人下体高潮全视频| 亚洲不卡免费看| 免费电影在线观看免费观看| 国产大屁股一区二区在线视频| 日日撸夜夜添| 99热这里只有是精品50| 女生性感内裤真人,穿戴方法视频| 久久久欧美国产精品| 少妇裸体淫交视频免费看高清| 精品少妇黑人巨大在线播放 | 成人特级黄色片久久久久久久| 一本一本综合久久| 欧美一区二区精品小视频在线| 欧美色欧美亚洲另类二区| 午夜福利18| 人妻久久中文字幕网| 久久婷婷人人爽人人干人人爱| 中文在线观看免费www的网站| 深夜精品福利| 国产在线男女| 免费观看人在逋| 三级经典国产精品| 亚洲四区av| 男人舔奶头视频| 91精品国产九色| 久久久成人免费电影| 亚洲在线观看片| 欧美性猛交黑人性爽| 久久精品国产亚洲av涩爱 | 最近手机中文字幕大全| 91久久精品电影网| 欧美中文日本在线观看视频| 国产蜜桃级精品一区二区三区| 欧美一级a爱片免费观看看| 综合色av麻豆| 特级一级黄色大片| 美女内射精品一级片tv| 国内精品美女久久久久久| 中文字幕精品亚洲无线码一区| 亚洲美女黄片视频| 欧洲精品卡2卡3卡4卡5卡区| 日本精品一区二区三区蜜桃| 在线国产一区二区在线|