• <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
    日本wwww免费看| 免费看光身美女| 国产白丝娇喘喷水9色精品| 日韩av在线免费看完整版不卡| 菩萨蛮人人尽说江南好唐韦庄| 9色porny在线观看| 国产亚洲精品久久久com| 精品99又大又爽又粗少妇毛片| 在线观看免费视频网站a站| 亚洲成色77777| 亚洲精品乱码久久久久久按摩| 各种免费的搞黄视频| 国产1区2区3区精品| 另类精品久久| 日韩在线高清观看一区二区三区| 亚洲精品日韩在线中文字幕| 欧美+日韩+精品| 久久久国产精品麻豆| 亚洲av综合色区一区| 中国美白少妇内射xxxbb| 91成人精品电影| 天天影视国产精品| 极品少妇高潮喷水抽搐| 精品99又大又爽又粗少妇毛片| 日日啪夜夜爽| 亚洲少妇的诱惑av| 久久久a久久爽久久v久久| 国产又爽黄色视频| 丝瓜视频免费看黄片| 国产日韩欧美在线精品| 亚洲国产看品久久| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产片特级美女逼逼视频| 国产日韩欧美亚洲二区| videosex国产| 精品一区二区免费观看| 精品久久久精品久久久| 午夜福利视频在线观看免费| 波野结衣二区三区在线| 桃花免费在线播放| www日本在线高清视频| 新久久久久国产一级毛片| 黄色一级大片看看| 日韩中字成人| 午夜福利视频精品| 午夜精品国产一区二区电影| 国产成人精品福利久久| 免费播放大片免费观看视频在线观看| 久久精品久久精品一区二区三区| 黄色 视频免费看| 亚洲国产精品999| 婷婷色麻豆天堂久久| 色哟哟·www| 亚洲精品av麻豆狂野| 最近中文字幕高清免费大全6| 中文天堂在线官网| 一区在线观看完整版| 免费在线观看完整版高清| 国产成人精品在线电影| 亚洲精品自拍成人| 国产精品一国产av| freevideosex欧美| 免费在线观看黄色视频的| 欧美精品国产亚洲| 校园人妻丝袜中文字幕| 女性被躁到高潮视频| 天堂俺去俺来也www色官网| 成年av动漫网址| 晚上一个人看的免费电影| 日本欧美国产在线视频| 内地一区二区视频在线| 久久av网站| 老司机影院毛片| 久久免费观看电影| 国产一区二区在线观看日韩| 成人18禁高潮啪啪吃奶动态图| 久久午夜福利片| 少妇 在线观看| 99久久人妻综合| 欧美97在线视频| 亚洲精品美女久久av网站| 久久人妻熟女aⅴ| 少妇人妻久久综合中文| 成人18禁高潮啪啪吃奶动态图| 一级a做视频免费观看| 天堂8中文在线网| av国产久精品久网站免费入址| 2021少妇久久久久久久久久久| 热re99久久精品国产66热6| 女的被弄到高潮叫床怎么办| 国产成人精品一,二区| 丝袜喷水一区| 80岁老熟妇乱子伦牲交| 欧美+日韩+精品| 亚洲第一区二区三区不卡| 久久99精品国语久久久| 国产麻豆69| 一级a做视频免费观看| 亚洲色图综合在线观看| 高清欧美精品videossex| 人妻少妇偷人精品九色| 亚洲国产欧美日韩在线播放| 亚洲av在线观看美女高潮| 日本欧美视频一区| 国产一区二区三区综合在线观看 | 国产精品国产三级国产av玫瑰| 亚洲国产欧美在线一区| 性高湖久久久久久久久免费观看| 九九在线视频观看精品| 免费av不卡在线播放| 色94色欧美一区二区| 少妇熟女欧美另类| 一级黄片播放器| 激情五月婷婷亚洲| 亚洲在久久综合| 成人亚洲精品一区在线观看| 美女脱内裤让男人舔精品视频| 亚洲精品美女久久久久99蜜臀 | 精品国产露脸久久av麻豆| 午夜福利在线观看免费完整高清在| 亚洲av国产av综合av卡| 国产av精品麻豆| 母亲3免费完整高清在线观看 | 在线观看一区二区三区激情| 热99久久久久精品小说推荐| 欧美激情极品国产一区二区三区 | 亚洲欧美中文字幕日韩二区| 免费久久久久久久精品成人欧美视频 | 国产不卡av网站在线观看| 亚洲成色77777| 国产黄频视频在线观看| 我的女老师完整版在线观看| 91在线精品国自产拍蜜月| 中文乱码字字幕精品一区二区三区| 亚洲精品456在线播放app| 亚洲精品国产av蜜桃| 在线观看免费视频网站a站| 久久久久久久久久久免费av| 国产成人精品无人区| 美女主播在线视频| 久久久国产一区二区| 久久久久久久精品精品| 亚洲av免费高清在线观看| 中文乱码字字幕精品一区二区三区| 久久久精品区二区三区| 一级黄片播放器| 高清毛片免费看| 国产成人午夜福利电影在线观看| 亚洲成人av在线免费| 精品熟女少妇av免费看| 成人手机av| 大码成人一级视频| 久久99热这里只频精品6学生| av国产久精品久网站免费入址| 久久99热6这里只有精品| 考比视频在线观看| 精品熟女少妇av免费看| 纵有疾风起免费观看全集完整版| 日产精品乱码卡一卡2卡三| 亚洲色图 男人天堂 中文字幕 | 久久影院123| 下体分泌物呈黄色| 国产欧美日韩一区二区三区在线| 亚洲国产毛片av蜜桃av| 久久人人97超碰香蕉20202| 亚洲欧美成人精品一区二区| 精品熟女少妇av免费看| 国产国语露脸激情在线看| 多毛熟女@视频| 亚洲精品久久午夜乱码| 国产精品99久久99久久久不卡 | 亚洲欧美一区二区三区黑人 | 精品国产露脸久久av麻豆| 国产精品偷伦视频观看了| 国产一区二区在线观看日韩| 国产亚洲最大av| 国产在视频线精品| 亚洲国产色片| av在线app专区| 少妇高潮的动态图| 亚洲av中文av极速乱| av免费在线看不卡| 久久青草综合色| 在线免费观看不下载黄p国产| 中文字幕制服av| 人妻一区二区av| 精品国产一区二区三区久久久樱花| 日韩伦理黄色片| 免费久久久久久久精品成人欧美视频 | 啦啦啦在线观看免费高清www| 91精品国产国语对白视频| 天天躁夜夜躁狠狠躁躁| 99国产精品免费福利视频| 蜜臀久久99精品久久宅男| 少妇的逼好多水| 精品一区二区三区视频在线| 久久久久久久亚洲中文字幕| 亚洲久久久国产精品| 免费av不卡在线播放| 午夜日本视频在线| 亚洲国产精品专区欧美| 精品一区在线观看国产| 国产1区2区3区精品| 亚洲精品第二区| 涩涩av久久男人的天堂| 女人久久www免费人成看片| 亚洲av欧美aⅴ国产| 欧美日韩精品成人综合77777| 两个人看的免费小视频| 99久久精品国产国产毛片| 精品亚洲乱码少妇综合久久| 国产成人精品福利久久| 亚洲精品久久久久久婷婷小说| 国产视频首页在线观看| 九色亚洲精品在线播放| 精品人妻在线不人妻| 成人毛片60女人毛片免费| 国产精品国产三级国产av玫瑰| 欧美精品av麻豆av| 国产成人a∨麻豆精品| 啦啦啦啦在线视频资源| 日韩电影二区| 亚洲国产精品一区二区三区在线| 日韩大片免费观看网站| 一级毛片我不卡| 内地一区二区视频在线| 久久免费观看电影| 色吧在线观看| 亚洲综合精品二区| 亚洲av在线观看美女高潮| av在线app专区| 亚洲 欧美一区二区三区| 成人二区视频| 女人久久www免费人成看片| 国产国语露脸激情在线看| 在线观看美女被高潮喷水网站| 中文乱码字字幕精品一区二区三区| 一级爰片在线观看| 亚洲成色77777| 国产极品粉嫩免费观看在线| 校园人妻丝袜中文字幕| 欧美日韩av久久| 久久久精品区二区三区| 亚洲人成网站在线观看播放| 欧美精品人与动牲交sv欧美| 少妇的丰满在线观看| 亚洲综合精品二区| 老女人水多毛片| 全区人妻精品视频| 成人国语在线视频| 咕卡用的链子| 一级爰片在线观看| 全区人妻精品视频| 亚洲高清免费不卡视频| 国产欧美亚洲国产| 在线观看美女被高潮喷水网站| 精品一区二区三卡| 18禁裸乳无遮挡动漫免费视频| 美女视频免费永久观看网站| 男女免费视频国产| 精品国产国语对白av| 亚洲,欧美精品.| 亚洲国产欧美在线一区| 新久久久久国产一级毛片| 制服诱惑二区| 青春草国产在线视频| 日本黄大片高清| av卡一久久| 18禁国产床啪视频网站| 亚洲国产欧美在线一区| 午夜福利视频在线观看免费| av福利片在线| 国产69精品久久久久777片| 亚洲精品aⅴ在线观看| 王馨瑶露胸无遮挡在线观看| 五月开心婷婷网| 久久影院123| 亚洲三级黄色毛片| 国产一区亚洲一区在线观看| 久久人人97超碰香蕉20202| 免费高清在线观看视频在线观看| 亚洲人与动物交配视频| av网站免费在线观看视频| 午夜老司机福利剧场| 亚洲国产日韩一区二区| 天美传媒精品一区二区| 人人妻人人爽人人添夜夜欢视频| 激情五月婷婷亚洲| 两个人免费观看高清视频| 各种免费的搞黄视频| 久久久久久人妻| 免费高清在线观看视频在线观看| 在线免费观看不下载黄p国产| 免费女性裸体啪啪无遮挡网站| 国精品久久久久久国模美| 少妇被粗大的猛进出69影院 | 下体分泌物呈黄色| 男女下面插进去视频免费观看 | 男女啪啪激烈高潮av片| 老司机影院成人| 90打野战视频偷拍视频| 一区二区三区四区激情视频| 高清视频免费观看一区二区| 中文字幕最新亚洲高清| 亚洲人成网站在线观看播放| 黑人猛操日本美女一级片| 国产高清三级在线| 18禁裸乳无遮挡动漫免费视频| 免费黄网站久久成人精品| 欧美日韩视频精品一区| 久久久精品区二区三区| 亚洲精品,欧美精品| 国产 精品1| 寂寞人妻少妇视频99o| 美女内射精品一级片tv| 成人免费观看视频高清| 日日摸夜夜添夜夜爱| 亚洲性久久影院| 国产激情久久老熟女| 又黄又爽又刺激的免费视频.| 亚洲美女视频黄频| 亚洲图色成人| 菩萨蛮人人尽说江南好唐韦庄| 欧美成人精品欧美一级黄| 免费高清在线观看视频在线观看| 一级黄片播放器| 久久久久久久久久久久大奶| 男人爽女人下面视频在线观看| 国产有黄有色有爽视频| 午夜老司机福利剧场| 国产免费现黄频在线看| 国产成人a∨麻豆精品| 欧美变态另类bdsm刘玥| 制服诱惑二区| 丁香六月天网| 亚洲精品自拍成人| 美女xxoo啪啪120秒动态图| 亚洲精品中文字幕在线视频| 亚洲在久久综合| 国产麻豆69| 国产成人aa在线观看| 久久久久精品人妻al黑| 国产麻豆69| 99久国产av精品国产电影| 少妇被粗大的猛进出69影院 | 日韩大片免费观看网站| 国产免费一区二区三区四区乱码| 9色porny在线观看| 午夜免费鲁丝| 欧美丝袜亚洲另类| 精品国产露脸久久av麻豆| 人人澡人人妻人| 亚洲国产毛片av蜜桃av| 香蕉国产在线看| av女优亚洲男人天堂| 看免费成人av毛片| 高清av免费在线| 丰满饥渴人妻一区二区三| 九草在线视频观看| 美女国产视频在线观看| 成年人午夜在线观看视频| 国产高清三级在线| 国产精品国产三级专区第一集| 久久97久久精品| 狠狠精品人妻久久久久久综合| 欧美日本中文国产一区发布| 精品一区二区三区四区五区乱码 | 亚洲成国产人片在线观看| 九色亚洲精品在线播放| 熟女av电影| 国产精品成人在线| 又黄又粗又硬又大视频| 熟女av电影| 日日撸夜夜添| 一个人免费看片子| 又粗又硬又长又爽又黄的视频| 久久精品国产亚洲av涩爱| 国产亚洲欧美精品永久| 80岁老熟妇乱子伦牲交| 丰满迷人的少妇在线观看| 欧美老熟妇乱子伦牲交| 人人澡人人妻人| 欧美激情国产日韩精品一区| 亚洲精品av麻豆狂野| 五月开心婷婷网| 黄色怎么调成土黄色| 日韩一区二区视频免费看| 91午夜精品亚洲一区二区三区| 狠狠婷婷综合久久久久久88av| 色吧在线观看| 亚洲精品第二区| 在线天堂中文资源库| 爱豆传媒免费全集在线观看| 97精品久久久久久久久久精品| 日韩在线高清观看一区二区三区| 亚洲美女视频黄频| 国产 精品1| 黄色配什么色好看| 日韩av免费高清视频| 中文乱码字字幕精品一区二区三区| 亚洲精品一二三| av片东京热男人的天堂| 51国产日韩欧美| www.av在线官网国产| 少妇的逼好多水| 晚上一个人看的免费电影| 日本黄大片高清| 看免费av毛片| 国产日韩欧美亚洲二区| 只有这里有精品99| 国产精品一区www在线观看| 高清黄色对白视频在线免费看| 亚洲国产精品成人久久小说| 亚洲精品自拍成人| 美女视频免费永久观看网站| 国产麻豆69| 在线观看人妻少妇| 国产激情久久老熟女| 国产午夜精品一二区理论片| 久久综合国产亚洲精品| 九草在线视频观看| 国产免费一区二区三区四区乱码| 寂寞人妻少妇视频99o| 欧美日韩av久久| 这个男人来自地球电影免费观看 | 伦理电影免费视频| 18禁国产床啪视频网站| 啦啦啦视频在线资源免费观看| 成人亚洲精品一区在线观看| 2021少妇久久久久久久久久久| 美女脱内裤让男人舔精品视频| 中文字幕av电影在线播放| 极品少妇高潮喷水抽搐| 日韩一本色道免费dvd| 久久人人爽av亚洲精品天堂| 中文字幕免费在线视频6| 人成视频在线观看免费观看| 男男h啪啪无遮挡| 成人综合一区亚洲| 亚洲国产av影院在线观看| 亚洲av免费高清在线观看| 大香蕉久久网| 国产一区亚洲一区在线观看| 黄色 视频免费看| 国产成人精品久久久久久| 高清不卡的av网站| 亚洲国产看品久久| 精品国产乱码久久久久久小说| 亚洲人与动物交配视频| 国产免费一级a男人的天堂| 王馨瑶露胸无遮挡在线观看| 蜜桃在线观看..| 十分钟在线观看高清视频www| 国产精品99久久99久久久不卡 | 国产日韩欧美视频二区| 美国免费a级毛片| 国产在线视频一区二区| 国产精品一区二区在线不卡| 在线观看免费视频网站a站| 女人精品久久久久毛片| 成年av动漫网址| 一区二区三区精品91| 美女内射精品一级片tv| 伦精品一区二区三区| 久久久精品94久久精品| 国产色爽女视频免费观看| 婷婷色综合大香蕉| 在线免费观看不下载黄p国产| 日本免费在线观看一区| 在线观看免费高清a一片| 国产精品不卡视频一区二区| 国产男女内射视频| 国产一区有黄有色的免费视频| 亚洲伊人久久精品综合| 男人舔女人的私密视频| 欧美日韩视频精品一区| 国产亚洲一区二区精品| 丝袜人妻中文字幕| 日韩 亚洲 欧美在线| 男女下面插进去视频免费观看 | 久久婷婷青草| 日韩中文字幕视频在线看片| 男女午夜视频在线观看 | 18禁动态无遮挡网站| 日本av免费视频播放| 天堂俺去俺来也www色官网| 亚洲精品乱码久久久久久按摩| 国产老妇伦熟女老妇高清| 免费观看在线日韩| 午夜福利影视在线免费观看| 国产高清不卡午夜福利| 毛片一级片免费看久久久久| 亚洲精品美女久久av网站| 黄片播放在线免费| 国产精品不卡视频一区二区| 一级毛片电影观看| 亚洲精品久久成人aⅴ小说| 亚洲综合色网址| av在线app专区| 国产成人91sexporn| 中文字幕免费在线视频6| 哪个播放器可以免费观看大片| 国产乱来视频区| 91午夜精品亚洲一区二区三区| a级毛片黄视频| 国产女主播在线喷水免费视频网站| 大香蕉97超碰在线| 精品熟女少妇av免费看| 欧美人与性动交α欧美软件 | 丝袜美足系列| 老司机影院毛片| 丰满少妇做爰视频| 久久精品人人爽人人爽视色| 久久国产亚洲av麻豆专区| 久久久久精品人妻al黑| 午夜免费鲁丝| 十八禁网站网址无遮挡| 人人妻人人添人人爽欧美一区卜| 18禁国产床啪视频网站| 久久午夜综合久久蜜桃| 尾随美女入室| 天堂8中文在线网| 女性生殖器流出的白浆| 美女国产高潮福利片在线看| 最黄视频免费看| 精品一区二区三卡| 久久97久久精品| 亚洲一码二码三码区别大吗| 晚上一个人看的免费电影| 在线观看三级黄色| 亚洲国产精品国产精品| 免费av中文字幕在线| 成年人免费黄色播放视频| 老司机亚洲免费影院| 在线观看免费日韩欧美大片| 久久久国产欧美日韩av| 欧美性感艳星| 天堂中文最新版在线下载| 曰老女人黄片| 最新的欧美精品一区二区| 免费日韩欧美在线观看| 午夜精品国产一区二区电影| 大香蕉久久成人网| 国产亚洲一区二区精品| 久久久亚洲精品成人影院| 97人妻天天添夜夜摸| 2022亚洲国产成人精品| 熟女人妻精品中文字幕| 永久免费av网站大全| 五月天丁香电影| 欧美精品人与动牲交sv欧美| 久久久久国产精品人妻一区二区| freevideosex欧美| 性色av一级| 99香蕉大伊视频| 免费黄网站久久成人精品| 亚洲国产精品专区欧美| 一个人免费看片子| 亚洲国产欧美在线一区| 熟女av电影| 欧美人与性动交α欧美软件 | 久久久久国产精品人妻一区二区| 日韩制服骚丝袜av| a级片在线免费高清观看视频| 最后的刺客免费高清国语| 一区二区三区精品91| 国产精品久久久av美女十八| 天美传媒精品一区二区| 边亲边吃奶的免费视频| 久久精品国产亚洲av天美| 搡老乐熟女国产| 狠狠婷婷综合久久久久久88av| 亚洲精品456在线播放app| 2018国产大陆天天弄谢| 亚洲中文av在线| 侵犯人妻中文字幕一二三四区| 国产成人免费观看mmmm| 欧美激情国产日韩精品一区| a级毛片黄视频| 搡女人真爽免费视频火全软件| 亚洲精华国产精华液的使用体验| 一区二区三区乱码不卡18| 制服诱惑二区| 日韩一区二区视频免费看| 国产免费一区二区三区四区乱码| 大香蕉久久成人网| 久久国产精品男人的天堂亚洲 | 午夜福利网站1000一区二区三区| 熟妇人妻不卡中文字幕| 在线观看国产h片| 永久网站在线| 成年av动漫网址| 在线观看国产h片| 大话2 男鬼变身卡| 高清毛片免费看| 亚洲情色 制服丝袜| 午夜福利网站1000一区二区三区| 高清毛片免费看| 久久人人爽av亚洲精品天堂| 国产成人精品无人区| 老熟女久久久| 人人澡人人妻人| av网站免费在线观看视频| 日日啪夜夜爽| 看免费av毛片| 精品人妻偷拍中文字幕| 日日啪夜夜爽| 久久精品久久精品一区二区三区| 91午夜精品亚洲一区二区三区| 丝袜喷水一区| 久久国产亚洲av麻豆专区| 欧美日韩成人在线一区二区| 精品一区二区三卡| 99九九在线精品视频| 日本色播在线视频|