• <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(jìn)Retina-Net的草坪雜草目標(biāo)檢測(cè)*

    2022-12-02 06:03:54宋建熙李興科于哲李西兵
    關(guān)鍵詞:雜草卷積模塊

    宋建熙,李興科,于哲,李西兵

    (福建農(nóng)林大學(xué)機(jī)電工程學(xué)院,福州市,350002)

    0 引言

    伴隨著我國城市化進(jìn)程的加速,綠地草坪對(duì)景觀和生態(tài)環(huán)境的作用貢獻(xiàn),得到了廣大市民朋友的認(rèn)可,但是草坪雜草的肆意生長嚴(yán)重破壞草坪整齊美觀的外貌?,F(xiàn)階段除雜草方法主要為人工持械除草和化學(xué)除草。在人工除草中,人力成本日益攀升,除草支出逐漸加高,同時(shí)在搜尋雜草過程中,人為踐踏會(huì)對(duì)草坪造成二次損傷?;瘜W(xué)除草成本較低,但化學(xué)藥劑存在土壤污染,破壞生態(tài)環(huán)境的風(fēng)險(xiǎn)[1]。因此區(qū)分草坪雜草與觀賞草種,有助于定位雜草生長位置,指引除草工人快速到達(dá)雜草生長區(qū)域進(jìn)行除草,并根據(jù)不同雜草的生物學(xué)特性,噴灑對(duì)應(yīng)除草劑[2]。

    在計(jì)算機(jī)視覺的分支學(xué)科深度學(xué)習(xí)中,已有多種神經(jīng)網(wǎng)絡(luò)框架用于檢測(cè)田間雜草目標(biāo)。樊湘鵬等[3]將Faster R-CNN目標(biāo)檢測(cè)模型與VGG16特征提取結(jié)構(gòu)[4]、Dropout優(yōu)化算法相結(jié)合,針對(duì)單一雜草識(shí)別精度達(dá)86.67%。但美中不足的是,Dropout算法雖避免模型過擬合,但自身篩選機(jī)制易導(dǎo)致關(guān)鍵特征遺失,損失識(shí)別精確度。

    逯杉婷[5]在FasterR-CNN模型的池化層上增加GAN噪聲層。此舉優(yōu)化數(shù)據(jù)特征,增強(qiáng)網(wǎng)絡(luò)魯棒性。但其優(yōu)化模型存在部分小目標(biāo)雜草漏檢的局限性。

    權(quán)龍澤等[6]在Mask R-CNN模型中,用Soft-NMS算法替代非極大值抑制法,并將RoI Pooling替換為RoIAlign算法。使改進(jìn)后的模型擁有出色的魯棒性,完成雜草分割、識(shí)別葉齡等任務(wù)。但該模型較為復(fù)雜,易因過擬合造成雜草部分重要特征被忽略、權(quán)重配置為零等問題。

    Retina-Net模型作為一階目標(biāo)檢測(cè)算法,目標(biāo)檢測(cè)的精確度首次超越同時(shí)代的二階目標(biāo)檢測(cè)算法。在COCO數(shù)據(jù)集上的平均查準(zhǔn)率為39.1%,遠(yuǎn)高于同時(shí)期其他一階目標(biāo)檢測(cè)網(wǎng)絡(luò),小幅度領(lǐng)先二階目標(biāo)檢測(cè)網(wǎng)絡(luò)[7]。Retina-Net模型自提出后便應(yīng)用于眾多領(lǐng)域,網(wǎng)絡(luò)兼容性強(qiáng),并具備種類齊全的遷移學(xué)習(xí)數(shù)據(jù)庫,權(quán)重參數(shù)模型的可選擇性高?;谝陨咸匦?,此次研究選擇對(duì)Retina-Net模型進(jìn)行相應(yīng)改進(jìn),致力于提高特定草坪雜草目標(biāo)的檢測(cè)精度。

    本次研究擬解決兩個(gè)難點(diǎn),首先是雜草多與觀賞草種混合生長,部分觀賞草種會(huì)被模型誤認(rèn)為目標(biāo)雜草,最終影響網(wǎng)絡(luò)模型對(duì)目標(biāo)雜草的檢測(cè)精度。其次草坪雜草生長大小不一,部分雜草遮掩生長,傳統(tǒng)網(wǎng)絡(luò)模型存在小目標(biāo)雜草漏檢、遮掩雜草漏檢的問題將影響雜草種類識(shí)別的準(zhǔn)確性。

    為提高模型的雜草檢測(cè)精度,擬從兩方面著手改良:首先是對(duì)雜草圖像數(shù)據(jù)進(jìn)行預(yù)處理,因?yàn)殡s草與觀賞草種連結(jié)生長,因此采集的雜草圖像中存在大量觀賞草種,通過圖像預(yù)處理,濾除觀賞草種,保留目標(biāo)雜草。其次是改進(jìn)Retina-Net基線模型,通過堆疊和共享空洞卷積的方式,增設(shè)多尺度感受野,提升模型對(duì)不同尺度目標(biāo)的檢測(cè)能力;通過改進(jìn)池化層防止模型過擬合,在保留最大池化層優(yōu)點(diǎn)的基礎(chǔ)上,增設(shè)軟池化層,實(shí)現(xiàn)局部空間的不變性。

    1 試驗(yàn)數(shù)據(jù)

    1.1 數(shù)據(jù)集采集

    本次試驗(yàn)圖像采集時(shí)間為2021年4—6月。地點(diǎn)在福建農(nóng)林大學(xué)試驗(yàn)田,中華園以及春暉橋附近的觀賞草坪。收集了積雪草,酢漿草,犁頭草,阿拉伯婆婆納,含羞草,紫爵床草等六種常見雜草的原始圖像。部分圖像樣本如圖1所示。此次試驗(yàn)采集積雪草236幅,紫爵床草220幅,犁頭草218幅,阿拉伯婆婆納232幅,含羞草220幅,酢漿草200幅,總計(jì)1 326幅。

    (a) 積雪草 (b) 犁頭草 (c) 阿拉伯婆婆納

    (d) 紫爵床草 (e) 含羞草 (f) 酢漿草

    1.2 數(shù)據(jù)集預(yù)處理

    由于此次研究對(duì)象是自然環(huán)境下的草坪雜草,因而雜草圖像易受光照強(qiáng)度和大氣濕度影響,同時(shí)考慮到雜草多與景觀草連結(jié)生長,景觀草與目標(biāo)雜草差異較小等因素,因此采用圖像預(yù)處理目的是分離雜草目標(biāo)。本次預(yù)處理軟件使用OpenCV。預(yù)處理流程圖如圖2所示。

    圖2 雜草圖像預(yù)處理流程圖

    第一步,將原始雜草樣本圖像按照9∶1的比例,隨機(jī)分為訓(xùn)練集圖像和測(cè)試集圖像。訓(xùn)練集用于算法迭代學(xué)習(xí),從而幫助算法確定雜草識(shí)別時(shí)的權(quán)重與偏置數(shù)值。測(cè)試集用于檢測(cè)算法的識(shí)別成功率。部分訓(xùn)練集圖像如圖3(a)所示。

    第二步,將彩色圖像轉(zhuǎn)換為灰度圖像。使用高斯濾波濾除相機(jī)長時(shí)間使用而產(chǎn)生的高斯噪聲[8]。運(yùn)用Canny()函數(shù)的雙閾值法檢測(cè)目標(biāo)圖像的輪廓邊界,不同的圖像根據(jù)自身特點(diǎn)設(shè)置不同閾值,劃分強(qiáng)弱邊緣[9]。成果如圖3(b)所示。

    第三步,對(duì)上一步獲得的邊緣二值圖像進(jìn)行形態(tài)學(xué)開運(yùn)算與閉運(yùn)算處理,消除背景中觀賞草種細(xì)小輪廓,消除目標(biāo)雜草葉片輪廓間的縫隙,讓野草輪廓更加簡潔明了。成果如圖3(c)所示。

    第四步,獲取圖像中不同連通域的位置與面積信息。保留雜草所在位置的連通域,同時(shí)消除景觀草中面積較小的連通域[10]。成果如圖3(d)所示。

    第五步,應(yīng)用圖像掩膜技術(shù)以及邏輯運(yùn)算和運(yùn)算,在RGB彩色圖像中,分割出目標(biāo)野草的圖像數(shù)據(jù)信息。成果如圖3(e)所示。

    第六步,對(duì)圖像進(jìn)行邊緣平整化處理,濾除多余背景信息,保留關(guān)鍵目標(biāo)信息。部分野草圖像處理結(jié)果如圖3(f)所示。

    出于避免因訓(xùn)練集數(shù)量不足而產(chǎn)生過擬合現(xiàn)象和提高圖像利用率的目的。此次研究對(duì)所收集的圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理。通過旋轉(zhuǎn)、翻轉(zhuǎn)、添加噪聲等方法,擴(kuò)充數(shù)據(jù)集數(shù)量,提高野草識(shí)別模型的穩(wěn)定性與準(zhǔn)確性,如圖4所示。

    (a) 原始野草圖像 (b) 邊緣檢測(cè)圖像 (c) 形態(tài)學(xué)處理后的圖像

    (d) 去除部分連通域后圖像 (e) 分割后的目標(biāo)圖像 (f) 最終目標(biāo)圖像

    (a) 原始圖像 (b) 順時(shí)針旋轉(zhuǎn)90°

    (c) 上下翻轉(zhuǎn) (d) 椒鹽噪聲

    2 基于Retina-Net模型的草坪雜草識(shí)別

    2.1 Retina-Net模型

    Retina-Net的結(jié)構(gòu)原理模型如圖5所示。其中A是以深度殘差網(wǎng)絡(luò)(Residual Network, Res-Net)為基礎(chǔ)構(gòu)建的殘差神經(jīng)模塊,目的是提取樣本圖像的低緯度特征;B為特征金字塔模塊(Feature Pyramid Network, FPN),將A中提取的低緯度特征進(jìn)行數(shù)據(jù)融合,便于更好的表達(dá)目標(biāo)圖像信息;C為卷積預(yù)測(cè)模塊,依照B中的目標(biāo)圖像信息,對(duì)待檢測(cè)的圖像進(jìn)行目標(biāo)定位和目標(biāo)分類。

    圖5 Retina-Net簡化模型原理圖

    2.2 改進(jìn)多尺度特征融合模塊

    伴隨著網(wǎng)絡(luò)層數(shù)的不斷加深,下采樣倍率的穩(wěn)步增長,以及網(wǎng)絡(luò)感受野范圍逐漸擴(kuò)大,網(wǎng)絡(luò)擁有更強(qiáng)大的語義表征能力,能更好地處理與保存大尺度目標(biāo)自身的語義信息。但是由于特征圖像分辨率的降低,導(dǎo)致小尺度目標(biāo)在下采樣倍率較高的特征圖中有效信息銳減,降低了網(wǎng)絡(luò)對(duì)小尺度目標(biāo)的檢測(cè)能力,產(chǎn)生了目標(biāo)檢測(cè)的多尺度問題。

    為解決此問題,在三叉戟網(wǎng)絡(luò)(Trident Net)[11]模型中,使用膨脹率分別為1,2,3空洞卷積(Dilated Convolution)[12],采用并行分支的網(wǎng)絡(luò)結(jié)構(gòu)組成了三叉戟塊(Trident Block),替換原有網(wǎng)絡(luò)中的常規(guī)卷積,同時(shí)生成多種可供選擇的感受野。本次試驗(yàn)在原有的三叉戟塊上加以改進(jìn),構(gòu)造四個(gè)并行的分支結(jié)構(gòu),卷積核使用膨脹率分別為1,2,4,6的3×3空洞卷積。并行網(wǎng)絡(luò)模塊結(jié)構(gòu)如圖6所示。

    圖6 并行網(wǎng)絡(luò)模塊結(jié)構(gòu)圖

    為簡化網(wǎng)絡(luò)模塊結(jié)構(gòu),減少網(wǎng)絡(luò)參數(shù)量,提升模塊的泛用能力。兩個(gè)膨脹率為2的3×3空洞卷積所生成的感受野,可以覆蓋一個(gè)膨脹率為4的3×3空洞卷積所生成的感受野;三個(gè)膨脹率為2的3×3空洞卷積所生成的感受野,可以覆蓋一個(gè)膨脹率為6的3×3空洞卷積所生成的感受野。此方法減少了模塊中卷積核的種類,使感受野中更多的像素值,參與到卷積計(jì)算中,增強(qiáng)了淺層網(wǎng)絡(luò)對(duì)幾何細(xì)節(jié)信息的表征能力,也提高了深層網(wǎng)絡(luò)的語義信息表征能力。改進(jìn)后的模塊結(jié)構(gòu)圖如圖7所示。

    圖7 改進(jìn)的并行網(wǎng)絡(luò)模塊結(jié)構(gòu)圖

    2.3 改進(jìn)池化層

    卷積神經(jīng)網(wǎng)絡(luò)通過架設(shè)池化層縮減特征圖尺寸。此步驟對(duì)于實(shí)現(xiàn)局部空間不變性意義重大,因此,池化操作應(yīng)在減輕計(jì)算量的同時(shí)保留主體特征,防止模型過擬合,降低特征的冗余度;保持變換不變形,保持旋轉(zhuǎn)、平移以及尺度不變性。

    Retina-Net使用最大池化層,即輸出特定區(qū)域中的最大激活值。最大池化計(jì)算量少,但舍棄非極大激活又造成圖像中多數(shù)信息的遺失,降低網(wǎng)絡(luò)整體性能。因此,為減少池化操作中的特征信息損失,在模型中引用軟池化(Soft Pooling)[13]操作。其相應(yīng)的計(jì)算公式

    (1)

    式中:R——池化區(qū)域;

    i,j——池化區(qū)域的激活個(gè)數(shù);

    ai——區(qū)域R內(nèi)的各個(gè)激活值。

    多次試驗(yàn)后發(fā)現(xiàn),由于軟池化需對(duì)區(qū)域R內(nèi)所有特征數(shù)值進(jìn)行自然對(duì)數(shù)計(jì)算,相較于最大池化僅保留最大特征數(shù)值的做法,計(jì)算量較大,較為耗時(shí);當(dāng)區(qū)域中存在某一激活明顯大于其他激活時(shí),軟池化所得結(jié)果與最大池化結(jié)果近乎一致。

    有鑒于此,對(duì)池化算法做出改進(jìn),在池化層中引入超參數(shù)m,當(dāng)區(qū)域R最大激活Pmax與區(qū)域內(nèi)第二大激活Psec_lar的差值超過m時(shí),選用最大池化層進(jìn)行池化;反之則使用軟池化層進(jìn)行池化。具體公式如式(2)所示。

    (2)

    在Retina-Net基線模型的基礎(chǔ)上,增加改進(jìn)的軟池化模塊和基于空洞卷積堆疊的多尺度感受野模塊,最終的模型原理圖如圖8所示。

    3 結(jié)果與分析

    3.1 試驗(yàn)評(píng)價(jià)指標(biāo)

    本次試驗(yàn)使用PASCAL VOC數(shù)據(jù)集對(duì)網(wǎng)絡(luò)檢測(cè)精度與泛用性進(jìn)行測(cè)試,PASCAL VOC數(shù)據(jù)集是世界級(jí)計(jì)算機(jī)視覺挑戰(zhàn)賽的專用數(shù)據(jù)集,該數(shù)據(jù)集常用于驗(yàn)證算法的目標(biāo)檢測(cè)能力。本次試驗(yàn)以平均精度均值(mean Average Precision,mAP)[14]為網(wǎng)絡(luò)精度的評(píng)估標(biāo)準(zhǔn),mAP是用于衡量神經(jīng)網(wǎng)絡(luò)模型檢測(cè)精度的公用指標(biāo)。

    3.2 基于PASCAL VOC的對(duì)比試驗(yàn)

    本次試驗(yàn)采用Nadam作為優(yōu)化器,Nadam近似于帶有Nesterov動(dòng)量項(xiàng)[15]的Adam[16],對(duì)學(xué)習(xí)率有更強(qiáng)的約束。輸入圖像的尺寸設(shè)置為600×600。先驗(yàn)框設(shè)置為[32, 64, 128, 256, 512]。

    訓(xùn)練過程分為凍結(jié)階段和解凍階段。在凍結(jié)階段,將模型主干ResNet50凍結(jié),對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào),特征提取網(wǎng)絡(luò)的參數(shù)不變。此階段占用顯存較小,因此單批次訓(xùn)練樣本數(shù)(batch_size)設(shè)置為8個(gè),迭代次數(shù)(epoch)為50次。由于訓(xùn)練參數(shù)較少,所以將學(xué)習(xí)率(learning rate)設(shè)置為0.000 1。在解凍階段,模型主干部分解凍參與訓(xùn)練,特征提取網(wǎng)絡(luò)發(fā)生變化。此階段占用顯存較大,因此將單批次訓(xùn)練樣本數(shù)定為4個(gè),迭代次數(shù)為50次。由于解凍階段所有參數(shù)均參與訓(xùn)練,所以將學(xué)習(xí)率調(diào)小,設(shè)置為0.000 01。

    圖8 改進(jìn)的Retina-Net模型原理圖

    表1展示了此次試驗(yàn)所提出的神經(jīng)網(wǎng)絡(luò)與其他主流神經(jīng)網(wǎng)絡(luò)的平均精度均值。Retina-Net基線模型在融合多尺度感受野以及增設(shè)軟池化層后,平均精度均值提升1.8%,相比SSD,DSSD,YOLOv3,F(xiàn)COS等主流神經(jīng)網(wǎng)絡(luò),分別高出6.4%,6.1%,4.5%,3.2%。

    圖9展示了Retina-Net改進(jìn)模型與Retina-Net基線模型在PASCAL VOC各個(gè)類別上的平均精確度(Average Precision,AP)[17]對(duì)比。改進(jìn)模型面對(duì)20個(gè)不同類別的目標(biāo)檢測(cè)任務(wù),在16個(gè)類別中提升了基線模型的平均精確度。因此改進(jìn)的Retina-Net模型具有較好的泛用性。

    表1 不同神經(jīng)網(wǎng)絡(luò)在PASCAL VOC中的檢測(cè)結(jié)果對(duì)比Tab. 1 Comparison of detection results of different neural networks in PASCAL VOC

    圖9 改進(jìn)的Retina-Net與Retina-Net基線模型在PASCAL VOC各個(gè)類別上的平均精確度對(duì)比

    3.3 基于PASCAL VOC的消融試驗(yàn)

    在Retina-Net的基線模型中分別單獨(dú)加入改進(jìn)的多尺度感受野融合模塊,改進(jìn)的軟池層模塊,對(duì)比PASCAL VOC數(shù)據(jù)集上目標(biāo)檢測(cè)的平均精度均值。結(jié)果如表2所示。

    表2 PASCAL VOC上的消融試驗(yàn)Tab. 2 Ablation experiments on PASCAL VOC

    在Retina-Net的基線模型中分別單獨(dú)加入改進(jìn)的多尺度感受野融合模塊,改進(jìn)的軟池層模塊后,平均精度均值較原有模型分別提高1.3%,0.9%。證明本試驗(yàn)所提出的兩項(xiàng)網(wǎng)絡(luò)改動(dòng)方案,均對(duì)網(wǎng)絡(luò)識(shí)別精度有增益作用。

    3.4 基于自制雜草數(shù)據(jù)集的對(duì)比試驗(yàn)

    本次試驗(yàn)為訓(xùn)練Retina-Net改進(jìn)模型對(duì)特定種類雜草的檢測(cè)能力,自制雜草數(shù)據(jù)集。共收集六類雜草原始圖像1 326幅。通過數(shù)據(jù)增強(qiáng)將數(shù)據(jù)集擴(kuò)容為7 956 幅圖像。將所有圖像依據(jù)訓(xùn)練集∶驗(yàn)證集∶測(cè)試集為8∶1∶1的比例進(jìn)行隨機(jī)劃分。最終生成6 366 幅訓(xùn)練集圖像,795幅測(cè)試集圖像,795幅驗(yàn)證集圖像。使用Labelimg軟件添加標(biāo)簽,Labelimg標(biāo)注雜草的工作界面如圖10所示。各類雜草標(biāo)注名稱分別為hanxiu(含羞草),zijuechuan(紫爵床草),litou(犁頭草),zuojian(酢漿草),popona(婆婆納),jixue(積雪草)。

    圖10 框選檢測(cè)目標(biāo)設(shè)置圖像標(biāo)簽

    將自制的雜草數(shù)據(jù)集投入Retina-Net改進(jìn)模型中訓(xùn)練,沿用PASCAL VOC對(duì)比試驗(yàn)時(shí)的模型訓(xùn)練參數(shù),但為增強(qiáng)小目標(biāo)雜草檢測(cè)能力,將模型淺層的先驗(yàn)框大小調(diào)整為[16, 32, 128, 256, 512]。雜草訓(xùn)練集與驗(yàn)證集的損失函數(shù)如圖11、圖12所示。

    圖11 改進(jìn)的Retina-Net模型中

    圖12 改進(jìn)的Retina-Net模型中六種雜草驗(yàn)證集的損失函數(shù)

    在圖11中,經(jīng)過約50次迭代訓(xùn)練后,雜草訓(xùn)練集損失函數(shù)趨于穩(wěn)定,因此改進(jìn)模型具有較好的魯棒性。在圖12中,經(jīng)過約80次迭代訓(xùn)練后,雜草數(shù)值平穩(wěn)收斂且數(shù)值接近訓(xùn)練集損失函數(shù),因此改進(jìn)模型較好地抑制了網(wǎng)絡(luò)模型的過擬合現(xiàn)象。

    使用五種常見的神經(jīng)網(wǎng)絡(luò)和本文改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型,一起訓(xùn)練雜草數(shù)據(jù)集,各個(gè)神經(jīng)網(wǎng)絡(luò)針對(duì)每一種雜草的準(zhǔn)確率(Precision),召回率(Recall),F(xiàn)1值[18]如表3所示。Retina-Net改進(jìn)模型對(duì)測(cè)試集數(shù)據(jù)中積雪草,犁頭草,婆婆納,紫爵床,含羞草,酢漿草的平均識(shí)別準(zhǔn)確率(mean Precision,mP)[19]分別為85.3%,84%,89.6%,86.7%,95.1%,91.5%。六類雜草的總平均識(shí)別率為88.7%.相較于Retina-Net基線模型,各種類識(shí)別率均有0.2%~3.6%提高;平均識(shí)別率相較其他主流神經(jīng)網(wǎng)絡(luò)模型高出2.2%~9.3%。

    在自然環(huán)境下,不同圖像中存在的雜草數(shù)量、種類、大小都大相徑庭,因此圖13展示了改進(jìn)Retina-Net自然環(huán)境下的雜草識(shí)別效果。圖13(a)是單種類雜草目標(biāo)檢測(cè);圖13(b)是多種類雜草目標(biāo)檢測(cè);圖13(c)是多種類高密度雜草目標(biāo)檢測(cè)。

    表3 六類雜草在不同模型中的檢測(cè)結(jié)果Tab. 3 Detection results of six kinds of weeds in different models %

    (a) 單種類雜草目標(biāo)檢測(cè)

    (b) 多種類雜草目標(biāo)檢測(cè)

    (c) 多種類高密度雜草目標(biāo)檢測(cè)

    4 結(jié)論

    面對(duì)草坪雜草中野生雜草與觀賞草種混合生長,不利于提取雜草特征信息的難點(diǎn),本文利用OpenCV軟件對(duì)訓(xùn)練集圖像進(jìn)行預(yù)處理,分離出目標(biāo)雜草,有助于改進(jìn)Retina-Net針對(duì)雜草特征,生成權(quán)重與偏置。

    面對(duì)雜草外觀不完整或體積較小而導(dǎo)致的漏檢問題,通過堆疊、共享相同膨脹倍率的空洞卷積,生成改進(jìn)的多尺度感受野融合模塊,提高網(wǎng)絡(luò)的小目標(biāo)檢測(cè)能力;在原有的最大池化層中增設(shè)軟池化層,提升各激活值之間的區(qū)域關(guān)聯(lián)性,提升了雜草的目標(biāo)檢測(cè)精度。

    經(jīng)過多次試驗(yàn)驗(yàn)證,本文提出的網(wǎng)絡(luò)模型對(duì)積雪草平均識(shí)別準(zhǔn)確率85.3%,犁頭草84%,阿拉伯婆婆納89.6%,紫爵床草86.7%,含羞草95.1%,酢漿草91.5%,高于當(dāng)前大多數(shù)目標(biāo)檢測(cè)模型。

    猜你喜歡
    雜草卷積模塊
    28通道收發(fā)處理模塊設(shè)計(jì)
    拔雜草
    “選修3—3”模塊的復(fù)習(xí)備考
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    選修6 第三模塊 International Relationships
    水稻田幾種難防雜草的防治
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    雜草圖譜
    国产极品粉嫩免费观看在线| 自拍欧美九色日韩亚洲蝌蚪91| 90打野战视频偷拍视频| 欧美+亚洲+日韩+国产| 欧美性长视频在线观看| 色婷婷av一区二区三区视频| 免费在线观看完整版高清| 亚洲三区欧美一区| 欧美 亚洲 国产 日韩一| 黑人猛操日本美女一级片| 人成视频在线观看免费观看| 久久精品亚洲av国产电影网| 成人特级黄色片久久久久久久 | 18禁黄网站禁片午夜丰满| 美女高潮喷水抽搐中文字幕| 999精品在线视频| 窝窝影院91人妻| 99久久精品国产亚洲精品| 国产三级黄色录像| 欧美日韩亚洲高清精品| 色综合婷婷激情| 91麻豆av在线| 久久亚洲真实| 亚洲中文av在线| 啦啦啦免费观看视频1| 成年版毛片免费区| 老司机午夜福利在线观看视频 | 亚洲欧美一区二区三区黑人| 亚洲av美国av| 亚洲少妇的诱惑av| 777久久人妻少妇嫩草av网站| 最新美女视频免费是黄的| 国产成人av教育| 免费观看av网站的网址| 欧美午夜高清在线| 91字幕亚洲| 亚洲午夜理论影院| 国产成人啪精品午夜网站| 男人操女人黄网站| 色94色欧美一区二区| 日本五十路高清| 香蕉久久夜色| 中文字幕色久视频| 满18在线观看网站| a级片在线免费高清观看视频| 另类精品久久| netflix在线观看网站| 亚洲欧洲精品一区二区精品久久久| 亚洲色图 男人天堂 中文字幕| 在线天堂中文资源库| 免费少妇av软件| 精品一区二区三区视频在线观看免费 | 国产三级黄色录像| 一个人免费看片子| 每晚都被弄得嗷嗷叫到高潮| 国产亚洲av高清不卡| 一区二区三区国产精品乱码| 夜夜夜夜夜久久久久| 欧美成狂野欧美在线观看| 99国产综合亚洲精品| 国产不卡av网站在线观看| 涩涩av久久男人的天堂| 一区二区三区激情视频| 亚洲专区国产一区二区| 王馨瑶露胸无遮挡在线观看| 国产人伦9x9x在线观看| 久久久久久亚洲精品国产蜜桃av| 超色免费av| 免费女性裸体啪啪无遮挡网站| 美女高潮到喷水免费观看| 少妇被粗大的猛进出69影院| 色在线成人网| 999久久久国产精品视频| 午夜视频精品福利| 亚洲欧美日韩另类电影网站| 在线 av 中文字幕| 成年人午夜在线观看视频| 黑人操中国人逼视频| 在线观看免费高清a一片| 黑人欧美特级aaaaaa片| 99国产精品一区二区三区| 国产精品久久久久久人妻精品电影 | 久久久久精品人妻al黑| 免费少妇av软件| 日本欧美视频一区| 在线观看一区二区三区激情| 丝袜喷水一区| 女人高潮潮喷娇喘18禁视频| 国产精品影院久久| 欧美日韩黄片免| 精品一区二区三区视频在线观看免费 | 亚洲七黄色美女视频| 人妻一区二区av| 一本一本久久a久久精品综合妖精| 国产精品二区激情视频| 国产不卡av网站在线观看| 热99久久久久精品小说推荐| 国产欧美日韩一区二区三| 日韩欧美三级三区| 日韩欧美一区视频在线观看| av欧美777| 国产精品国产av在线观看| 国产91精品成人一区二区三区 | 制服诱惑二区| 亚洲五月婷婷丁香| 1024视频免费在线观看| 99国产精品一区二区蜜桃av | 国产在线免费精品| 国产午夜精品久久久久久| 黄色视频不卡| 国产亚洲欧美在线一区二区| 国产一区二区激情短视频| 成人亚洲精品一区在线观看| 亚洲av日韩精品久久久久久密| 国产欧美亚洲国产| 成年人免费黄色播放视频| 成在线人永久免费视频| 黄色视频不卡| 女人久久www免费人成看片| 女人久久www免费人成看片| 亚洲九九香蕉| 精品福利永久在线观看| 黄片大片在线免费观看| 青草久久国产| 国产国语露脸激情在线看| 亚洲成a人片在线一区二区| 欧美一级毛片孕妇| 亚洲avbb在线观看| 欧美大码av| 人人妻人人添人人爽欧美一区卜| 亚洲 欧美一区二区三区| 精品久久久精品久久久| 精品福利观看| 一区二区三区激情视频| 欧美亚洲日本最大视频资源| 大型黄色视频在线免费观看| 十八禁高潮呻吟视频| 久久精品aⅴ一区二区三区四区| 日韩欧美一区视频在线观看| 精品乱码久久久久久99久播| 国产精品九九99| 国产av精品麻豆| 欧美精品一区二区大全| 欧美黄色淫秽网站| 成人18禁在线播放| 国产高清国产精品国产三级| www.熟女人妻精品国产| 久久热在线av| 免费一级毛片在线播放高清视频 | 18禁裸乳无遮挡动漫免费视频| 精品一区二区三区四区五区乱码| 老司机午夜十八禁免费视频| 成人三级做爰电影| 人人澡人人妻人| 欧美大码av| 黑人猛操日本美女一级片| 人人妻人人添人人爽欧美一区卜| 精品国产乱子伦一区二区三区| 国产1区2区3区精品| 亚洲av成人一区二区三| 高清欧美精品videossex| a级毛片黄视频| 亚洲欧美精品综合一区二区三区| 曰老女人黄片| 亚洲三区欧美一区| av线在线观看网站| 日本欧美视频一区| 91麻豆精品激情在线观看国产 | 亚洲精品av麻豆狂野| 久久久久久久久免费视频了| 国产99久久九九免费精品| 精品少妇内射三级| 欧美人与性动交α欧美软件| 九色亚洲精品在线播放| 丝袜在线中文字幕| 免费黄频网站在线观看国产| 考比视频在线观看| 亚洲,欧美精品.| 精品人妻熟女毛片av久久网站| 亚洲精品国产精品久久久不卡| 久久中文字幕人妻熟女| 国产精品自产拍在线观看55亚洲 | 亚洲精品国产精品久久久不卡| 久久久久视频综合| 狂野欧美激情性xxxx| 精品欧美一区二区三区在线| 免费av中文字幕在线| 久久久久久久久免费视频了| 国产成人精品久久二区二区免费| 午夜91福利影院| 又黄又粗又硬又大视频| 亚洲午夜精品一区,二区,三区| 超碰97精品在线观看| 精品亚洲成国产av| 18禁国产床啪视频网站| 国产成人精品在线电影| 一边摸一边抽搐一进一小说 | 国产有黄有色有爽视频| 成年人免费黄色播放视频| 欧美精品啪啪一区二区三区| 精品免费久久久久久久清纯 | 精品国产一区二区三区四区第35| 大片免费播放器 马上看| 亚洲中文日韩欧美视频| 欧美日韩国产mv在线观看视频| 97人妻天天添夜夜摸| 亚洲专区中文字幕在线| 免费看a级黄色片| 精品人妻在线不人妻| 人人妻人人爽人人添夜夜欢视频| 成年动漫av网址| 宅男免费午夜| 一二三四社区在线视频社区8| 亚洲av第一区精品v没综合| 国产成人影院久久av| 免费不卡黄色视频| 久久ye,这里只有精品| 久久久久久久久免费视频了| netflix在线观看网站| 超碰成人久久| 18禁观看日本| 国产av一区二区精品久久| 91成年电影在线观看| 一边摸一边抽搐一进一小说 | 在线观看免费日韩欧美大片| 在线av久久热| 伦理电影免费视频| 一本综合久久免费| 亚洲精品在线美女| 精品国产一区二区三区四区第35| 国产欧美亚洲国产| 亚洲精华国产精华精| 首页视频小说图片口味搜索| 久久影院123| 搡老熟女国产l中国老女人| 亚洲熟女毛片儿| 极品少妇高潮喷水抽搐| 1024香蕉在线观看| 99国产精品免费福利视频| 久久久久久久精品吃奶| 国产成人一区二区三区免费视频网站| 国产精品久久电影中文字幕 | 国产成人精品久久二区二区91| a在线观看视频网站| 国产单亲对白刺激| 久久久久久久久免费视频了| 亚洲欧美一区二区三区久久| 国产一区二区三区视频了| 日韩成人在线观看一区二区三区| 他把我摸到了高潮在线观看 | 午夜久久久在线观看| 色播在线永久视频| 精品一区二区三区视频在线观看免费 | 啦啦啦在线免费观看视频4| 午夜久久久在线观看| 日本av手机在线免费观看| 在线观看66精品国产| 丝瓜视频免费看黄片| 1024香蕉在线观看| 免费观看人在逋| 99久久国产精品久久久| 成人18禁高潮啪啪吃奶动态图| 免费日韩欧美在线观看| 欧美亚洲日本最大视频资源| 成年动漫av网址| 国产精品av久久久久免费| 高清毛片免费观看视频网站 | 亚洲av片天天在线观看| 久久国产精品影院| 国产又色又爽无遮挡免费看| 中文字幕人妻丝袜制服| 精品国产一区二区久久| 黄片播放在线免费| 午夜两性在线视频| 精品一品国产午夜福利视频| 欧美日韩亚洲综合一区二区三区_| 国产黄频视频在线观看| 制服诱惑二区| √禁漫天堂资源中文www| 亚洲欧洲日产国产| 香蕉久久夜色| 在线亚洲精品国产二区图片欧美| 午夜福利乱码中文字幕| 90打野战视频偷拍视频| 一区在线观看完整版| 正在播放国产对白刺激| 国产精品久久久久久精品电影小说| www.自偷自拍.com| 国产高清激情床上av| 日韩视频一区二区在线观看| 男人操女人黄网站| 午夜成年电影在线免费观看| a级毛片黄视频| av天堂在线播放| 19禁男女啪啪无遮挡网站| 最新的欧美精品一区二区| www.精华液| 99国产精品一区二区三区| 嫩草影视91久久| 亚洲男人天堂网一区| 亚洲精华国产精华精| 精品午夜福利视频在线观看一区 | 久久久精品区二区三区| 80岁老熟妇乱子伦牲交| 亚洲av电影在线进入| 99精品久久久久人妻精品| 国产一区二区 视频在线| 亚洲欧美精品综合一区二区三区| 国产真人三级小视频在线观看| 国产精品av久久久久免费| 一进一出抽搐动态| 成人18禁高潮啪啪吃奶动态图| 久久国产精品影院| 一区二区日韩欧美中文字幕| 满18在线观看网站| 一级片'在线观看视频| 不卡av一区二区三区| 日本五十路高清| 国产欧美亚洲国产| 欧美日韩亚洲高清精品| 免费少妇av软件| 免费观看人在逋| 国产成人欧美在线观看 | 国产亚洲午夜精品一区二区久久| 下体分泌物呈黄色| 成年动漫av网址| 大型av网站在线播放| 无人区码免费观看不卡 | 日韩欧美一区二区三区在线观看 | 不卡一级毛片| 国产91精品成人一区二区三区 | 91九色精品人成在线观看| 欧美日韩亚洲高清精品| 高清视频免费观看一区二区| 久久精品成人免费网站| 亚洲欧洲精品一区二区精品久久久| 在线十欧美十亚洲十日本专区| videos熟女内射| 国产精品.久久久| 一区在线观看完整版| 伦理电影免费视频| 777久久人妻少妇嫩草av网站| 欧美老熟妇乱子伦牲交| 亚洲av国产av综合av卡| 色综合婷婷激情| av欧美777| 亚洲精华国产精华精| av网站在线播放免费| 国产亚洲精品一区二区www | 国产精品亚洲一级av第二区| 国产亚洲精品第一综合不卡| 国产午夜精品久久久久久| 日韩有码中文字幕| 色播在线永久视频| 亚洲美女黄片视频| 大型av网站在线播放| av一本久久久久| 国产精品98久久久久久宅男小说| 日韩欧美一区二区三区在线观看 | 亚洲少妇的诱惑av| 天天添夜夜摸| 久久久久视频综合| 亚洲欧美日韩另类电影网站| 亚洲第一青青草原| 99精品久久久久人妻精品| 国产av国产精品国产| 亚洲精品中文字幕在线视频| 国内毛片毛片毛片毛片毛片| 精品午夜福利视频在线观看一区 | 国产日韩欧美亚洲二区| 老司机影院毛片| 色综合欧美亚洲国产小说| 777久久人妻少妇嫩草av网站| 欧美午夜高清在线| 夜夜爽天天搞| 精品第一国产精品| 少妇粗大呻吟视频| 91av网站免费观看| 欧美中文综合在线视频| 九色亚洲精品在线播放| 99精品欧美一区二区三区四区| 国产成人一区二区三区免费视频网站| 男男h啪啪无遮挡| 亚洲成人免费av在线播放| 人成视频在线观看免费观看| 国产亚洲午夜精品一区二区久久| 国产亚洲一区二区精品| 亚洲精品国产精品久久久不卡| 三级毛片av免费| 国产在视频线精品| 欧美变态另类bdsm刘玥| 精品国产乱码久久久久久小说| 精品久久久精品久久久| 国产免费av片在线观看野外av| 久久午夜亚洲精品久久| 色综合婷婷激情| 99re在线观看精品视频| 又大又爽又粗| 99国产精品99久久久久| 日韩 欧美 亚洲 中文字幕| 两性夫妻黄色片| 国产成人精品无人区| 最新美女视频免费是黄的| 好男人电影高清在线观看| 亚洲av日韩在线播放| 久久热在线av| 韩国精品一区二区三区| 亚洲精品中文字幕一二三四区 | 日本欧美视频一区| 十八禁人妻一区二区| 亚洲精品av麻豆狂野| 丝袜喷水一区| 日韩大码丰满熟妇| 亚洲 欧美一区二区三区| 啦啦啦免费观看视频1| 亚洲熟女精品中文字幕| 精品国产国语对白av| h视频一区二区三区| 欧美日韩一级在线毛片| 欧美精品啪啪一区二区三区| 18禁国产床啪视频网站| 热99re8久久精品国产| 岛国在线观看网站| 91精品三级在线观看| 狂野欧美激情性xxxx| 精品少妇一区二区三区视频日本电影| 女性生殖器流出的白浆| 欧美另类亚洲清纯唯美| 成人av一区二区三区在线看| 狠狠狠狠99中文字幕| 黑人欧美特级aaaaaa片| 亚洲av成人不卡在线观看播放网| 国产精品 国内视频| 中文字幕av电影在线播放| 波多野结衣av一区二区av| 汤姆久久久久久久影院中文字幕| 一区二区三区国产精品乱码| 国产真人三级小视频在线观看| tocl精华| 不卡av一区二区三区| 欧美激情 高清一区二区三区| 国产精品美女特级片免费视频播放器 | 妹子高潮喷水视频| 国产精品麻豆人妻色哟哟久久| 视频在线观看一区二区三区| av国产精品久久久久影院| 亚洲国产看品久久| 久久香蕉激情| 欧美日韩精品网址| 性高湖久久久久久久久免费观看| 高清在线国产一区| 亚洲 国产 在线| 久久精品91无色码中文字幕| 亚洲成人手机| 午夜福利,免费看| 国产成人欧美在线观看 | 丁香六月天网| 午夜福利在线观看吧| 欧美日韩国产mv在线观看视频| 国产欧美日韩一区二区三| 日韩一卡2卡3卡4卡2021年| 水蜜桃什么品种好| 国产亚洲精品久久久久5区| 免费一级毛片在线播放高清视频 | avwww免费| 操出白浆在线播放| 午夜激情av网站| 国产亚洲欧美在线一区二区| 多毛熟女@视频| 人人妻,人人澡人人爽秒播| 男女边摸边吃奶| 午夜福利影视在线免费观看| 亚洲久久久国产精品| 国产亚洲欧美精品永久| 久久人人97超碰香蕉20202| 国产成人影院久久av| 老司机亚洲免费影院| 久久精品人人爽人人爽视色| 制服人妻中文乱码| tube8黄色片| 无人区码免费观看不卡 | a级毛片在线看网站| 亚洲成人手机| 日本精品一区二区三区蜜桃| 一本—道久久a久久精品蜜桃钙片| 999久久久精品免费观看国产| 狠狠狠狠99中文字幕| 午夜日韩欧美国产| 日韩三级视频一区二区三区| 高清av免费在线| 亚洲精品在线观看二区| 69精品国产乱码久久久| 国产日韩欧美视频二区| 18禁美女被吸乳视频| 国产1区2区3区精品| 精品乱码久久久久久99久播| 色综合欧美亚洲国产小说| 亚洲伊人色综图| 成年人黄色毛片网站| 国产精品98久久久久久宅男小说| 国内毛片毛片毛片毛片毛片| 啦啦啦中文免费视频观看日本| 另类亚洲欧美激情| 久久久久视频综合| 狠狠精品人妻久久久久久综合| 高清毛片免费观看视频网站 | 一进一出好大好爽视频| 亚洲免费av在线视频| 欧美 日韩 精品 国产| 亚洲av第一区精品v没综合| 午夜日韩欧美国产| 男女床上黄色一级片免费看| svipshipincom国产片| 日本欧美视频一区| 亚洲伊人久久精品综合| 欧美亚洲日本最大视频资源| 啪啪无遮挡十八禁网站| 美国免费a级毛片| 国产成人精品在线电影| 黄色怎么调成土黄色| 考比视频在线观看| 亚洲精品乱久久久久久| 成人国产一区最新在线观看| 一区二区三区精品91| 9热在线视频观看99| 91av网站免费观看| 色综合婷婷激情| 亚洲精品国产精品久久久不卡| 黄色丝袜av网址大全| 久热这里只有精品99| 久久久久视频综合| 午夜福利视频在线观看免费| 精品国产乱码久久久久久小说| 国产一区有黄有色的免费视频| 国产欧美日韩综合在线一区二区| 蜜桃国产av成人99| a在线观看视频网站| 国产精品98久久久久久宅男小说| 久久精品国产亚洲av高清一级| 欧美人与性动交α欧美软件| 老司机影院毛片| 中文字幕高清在线视频| 啦啦啦 在线观看视频| 制服人妻中文乱码| 久久久欧美国产精品| 色尼玛亚洲综合影院| 国产不卡一卡二| av又黄又爽大尺度在线免费看| 女人高潮潮喷娇喘18禁视频| 欧美日韩福利视频一区二区| 另类精品久久| 汤姆久久久久久久影院中文字幕| 亚洲五月色婷婷综合| 久久免费观看电影| 国产精品1区2区在线观看. | 国产主播在线观看一区二区| 日韩中文字幕视频在线看片| 国产一区有黄有色的免费视频| 日韩大片免费观看网站| 日本五十路高清| 日本vs欧美在线观看视频| 午夜免费成人在线视频| 99久久国产精品久久久| 日韩欧美国产一区二区入口| 亚洲熟女精品中文字幕| 在线观看免费视频日本深夜| 91av网站免费观看| 午夜福利视频精品| 欧美黑人欧美精品刺激| 2018国产大陆天天弄谢| 国产深夜福利视频在线观看| 欧美亚洲 丝袜 人妻 在线| 中文字幕精品免费在线观看视频| 99国产精品免费福利视频| 精品午夜福利视频在线观看一区 | 久久久欧美国产精品| 国产精品久久电影中文字幕 | 亚洲中文日韩欧美视频| 一个人免费在线观看的高清视频| 丝袜美足系列| 黑丝袜美女国产一区| 91九色精品人成在线观看| 老司机影院毛片| 精品卡一卡二卡四卡免费| 俄罗斯特黄特色一大片| 欧美人与性动交α欧美软件| 亚洲七黄色美女视频| 五月天丁香电影| 亚洲国产欧美一区二区综合| 精品少妇一区二区三区视频日本电影| 十八禁人妻一区二区| 另类精品久久| 制服诱惑二区| 三上悠亚av全集在线观看| 日本撒尿小便嘘嘘汇集6| 精品亚洲成国产av| 成年女人毛片免费观看观看9 | 夜夜骑夜夜射夜夜干| 一夜夜www| 午夜激情av网站| 亚洲av国产av综合av卡| 妹子高潮喷水视频| 午夜精品久久久久久毛片777| 91字幕亚洲| 色婷婷av一区二区三区视频| 天天躁狠狠躁夜夜躁狠狠躁| 成人三级做爰电影| 久热这里只有精品99| 久久热在线av| 国产午夜精品久久久久久| 色综合婷婷激情| 国产亚洲精品久久久久5区| 9热在线视频观看99| 十八禁人妻一区二区| 黄色 视频免费看|