• <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 ?

    基于深度學(xué)習(xí)分類模型的4種果樹物候期識(shí)別

    2023-12-11 22:31:20鐘丹李宗南王思黃平邱霞蔣怡
    關(guān)鍵詞:圖像分類物候期注意力機(jī)制

    鐘丹 李宗南 王思 黃平 邱霞 蔣怡

    摘要:為實(shí)現(xiàn)數(shù)字果園的機(jī)器視覺(jué)系統(tǒng)快速準(zhǔn)確識(shí)別果樹關(guān)鍵物候期,采集四川地區(qū)蘋果、杧果、石榴、柑橘4種果樹4個(gè)物候期的圖像15 000幅,按6∶2∶2的比例隨機(jī)劃分訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集,訓(xùn)練VGG16、ResNet50、MobileNetV2及Swin Transformer 4個(gè)深度學(xué)習(xí)圖像分類模型,評(píng)測(cè)不同模型的精度和性能。結(jié)果表明,各模型識(shí)別物候期精度分別為98.9%、99.3%、99.7%、99.8%,其中杧果成熟期的識(shí)別誤差較大,精度分別為96.7%、98.2%、99.0%、99.5%;模型識(shí)別測(cè)試集圖像的計(jì)算量(GFLOPs)分別為15.50、4.12、0.32、15.14,識(shí)別單張圖像耗時(shí)分別為3.00ms、2.33ms、3.00ms、4.67ms。該結(jié)果可為果園嵌入式設(shè)備、服務(wù)器端的機(jī)器視覺(jué)系統(tǒng)選擇模型提供參考。

    關(guān)鍵詞:果樹;物候期;深度學(xué)習(xí);圖像分類;注意力機(jī)制

    中圖分類號(hào):S66: TP391.41 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):20955553 (2023) 11014807

    Phenological phase identification of four fruit trees based on deep learning classification model

    Zhong Dan, Li Zongnan, Wang Si, Huang Ping, Qiu Xia, Jiang Yi

    (Institute of Remote Sensing and Digital Agriculture, Sichuan Academy of Agricultural Sciences

    (Chengdu Agricultural Remote Sensing Center), Chengdu, 610066, China)

    Abstract:In order to achieve rapid and accurate identification of key phenological periods of fruit trees using machine vision system in digital orchards, 15 000 images were collected from four phenological periods of four fruit trees such as apple, mango, pomegranate and citrus in Sichuan, and the training, validation and test data sets were randomly divided in a ratio of 6∶2∶2. Four deep learning classification models such as VGG16, ResNet50, MobileNetV2 and Swin Transformer were trained to evaluate the accuracy and performance of different models. The results showed that the accuracy of each model was 98.9%, 99.3%, 99.7%, 99.8%, respectively. The error of identifying phenology in maturation stage of mango was 96.7%, 98.2%, 99.0% and 99.5%, respectively. The computational complexity (GFLOPs) for model recognition on the test data were 15.50, 4.12, 0.32, and 15.14, respectively. The single image test was 3.00 ms, 2.33 ms and 3.00 ms, 4.67 ms, respectively. The results can provide reference for the selection model of machine vision system for orchard server-side and embedded edge devices.

    Keywords:fruit tree; phenological phase; deep learning; image classification; self-attention mechanism

    0引言

    果樹物候期信息是果樹生長(zhǎng)發(fā)育變化的重要指示器,是進(jìn)行果樹標(biāo)準(zhǔn)化栽培管理的重要參考信息之一,果農(nóng)據(jù)此及時(shí)開展果樹灌溉、施肥、整形及施藥等管理,以追求果樹最優(yōu)的水果產(chǎn)量和品質(zhì)。果樹物候期受丘陵山區(qū)地形、微氣候條件、果樹品種、栽培管理等因素影響而表現(xiàn)出提前或推遲[12],在數(shù)字化管理的果園中利用機(jī)器設(shè)備采集物候期信息比人工觀測(cè)法更為標(biāo)準(zhǔn)規(guī)范且便于接入果園數(shù)字管理系統(tǒng)?;诟兄O(shè)備采集的信息估測(cè)物候期的方法包括積溫法、遙感指數(shù)法和圖像識(shí)別法3種。積溫是反映植物生長(zhǎng)期間物候變化的重要指標(biāo)[34],其模型穩(wěn)定性受作物品種、下限基點(diǎn)溫度等影響[56]。遙感指數(shù)法是基于長(zhǎng)時(shí)序遙感指數(shù)與植物葉片生長(zhǎng)衰落、花開花謝的關(guān)系識(shí)別物候期,借助影像覆蓋面廣的優(yōu)勢(shì),該方法已成為獲取宏觀尺度物候期重要方法[710]。基于圖像識(shí)別提取物候信息主要包括長(zhǎng)時(shí)序的指數(shù)法[11]和深度學(xué)習(xí)識(shí)別法[1214],長(zhǎng)時(shí)序指數(shù)法通過(guò)固定點(diǎn)位的物候相機(jī)采集圖像,然后計(jì)算感興趣區(qū)的相對(duì)綠度指數(shù)、相對(duì)藍(lán)度指數(shù)、相對(duì)紅度指數(shù)、紅綠指數(shù)作為植被生長(zhǎng)曲線指標(biāo),根據(jù)曲線特征識(shí)別物候期,常用于生態(tài)群落尺度的物候期識(shí)別;深度學(xué)習(xí)識(shí)別法快速準(zhǔn)確地從圖像中提取關(guān)鍵特征,適用于更精細(xì)尺度的物候期識(shí)別[1516]。

    在果樹機(jī)器視覺(jué)領(lǐng)域,為滿足嵌入式設(shè)備實(shí)時(shí)檢測(cè)分析和云計(jì)算服務(wù)的需要已開展了輕量級(jí)模型和大參數(shù)量模型的研究。張鵬程等[17]改進(jìn)MobileNetV2算法并以邊緣計(jì)算的形式部署在手機(jī)上智能識(shí)別不同種類的柑橘蟲害。王卓等[18]為實(shí)現(xiàn)蘋果采摘機(jī)器人實(shí)時(shí)識(shí)別果實(shí)的需求,提出改進(jìn)輕量化算法YOLOv4-CA。Ji等[19]為實(shí)現(xiàn)揀選機(jī)器人快速識(shí)別果實(shí)等級(jí),測(cè)試基于YOLOX-Tiny的輕量級(jí)蘋果探測(cè)器算法并部署于Jetson Nano嵌入式平臺(tái)。安小松等[20]使用CNN-Transformer算法跟蹤預(yù)測(cè)柑橘運(yùn)輸路線可與機(jī)器手結(jié)合實(shí)現(xiàn)柑橘實(shí)時(shí)分類。張善文等[21]基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)對(duì)冬棗病害識(shí)別,能對(duì)物聯(lián)網(wǎng)采集的冬棗大規(guī)模視頻病害圖像進(jìn)行識(shí)別。孫文杰等[22]基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(BiLSTM)提出VGGNet-BiLSTM算法模型識(shí)別桃樹葉部病害,具有較高的識(shí)別準(zhǔn)確率。Zhang等[23]針對(duì)病害部位顏色和質(zhì)地變化對(duì)病害檢測(cè)影響大的問(wèn)題,提出基于深度多尺度的雙通道卷積神經(jīng)網(wǎng)絡(luò)(DMCNN)的蘋果病害檢測(cè)物聯(lián)網(wǎng)系統(tǒng),提高了蘋果病害檢測(cè)率。劉凱[24]基于YOLOv5模型結(jié)合注意力機(jī)制改進(jìn)得到SK-YOLOv5模型,設(shè)計(jì)“云-邊-端”技術(shù)模式的物聯(lián)網(wǎng)平臺(tái)網(wǎng)站為載體,對(duì)蘋果園進(jìn)行墑情監(jiān)測(cè)、病害識(shí)別和果實(shí)計(jì)數(shù)等高效管理。目前,在數(shù)字果園系統(tǒng)集成中基于深度學(xué)習(xí)圖像識(shí)別法主要集中在果樹的病蟲害檢測(cè)、果實(shí)采摘和分類管理等方面,在果樹物候期識(shí)別領(lǐng)域的研究應(yīng)用相對(duì)較少。深度學(xué)習(xí)圖像識(shí)別法可以高效處理圖像數(shù)據(jù),提取物候信息,在果樹物候期自動(dòng)識(shí)別領(lǐng)域具有較高的應(yīng)用潛力。

    針對(duì)數(shù)字果園系統(tǒng)中嵌入式設(shè)備和服務(wù)器快速準(zhǔn)確識(shí)別果樹物候期的需求,在四川多地采集蘋果、杧果、石榴、柑橘等果樹圖像,建立蘋果、杧果、石榴、柑橘4種果樹的4個(gè)物候期圖像數(shù)據(jù)集,選擇具有不同參數(shù)量的深度學(xué)習(xí)模型VGG16、ResNet50、MobileNetV2、Swin Transformer等進(jìn)行模型訓(xùn)練和性能、精度驗(yàn)證,并比較不同模型識(shí)別果樹物候期圖像的精度和效率,為嵌入式設(shè)備、服務(wù)器等選擇合適的果樹物候期識(shí)別模型提供參考。

    1數(shù)據(jù)與試驗(yàn)

    1.1數(shù)據(jù)采集與預(yù)處理

    該研究以蘋果、杧果、石榴、柑橘等果樹花期(P1)、幼果期(P2)、果實(shí)膨大期(P3)、果實(shí)成熟期(P4)等關(guān)鍵物候期分類為目標(biāo)。于2021年11月—2022年12月分別在四川省的越西縣和鹽源縣、米易縣和會(huì)東縣、會(huì)理市、蒲江市等多地(圖1)使用1 200萬(wàn)像素的數(shù)碼相機(jī)多角度采集蘋果、杧果、石榴、柑橘圖像共15 000張作為數(shù)據(jù)集。并將圖像數(shù)據(jù)按6∶2∶2的比例隨機(jī)分為訓(xùn)練集(9 000張)、驗(yàn)證集(3 000張)和測(cè)試數(shù)據(jù)集(3 000張),果樹不同時(shí)期圖像樣本如圖2所示。

    P3時(shí)期的蘋果和石榴圖像在顏色和形狀上有較多相似;P3和P4時(shí)期的杧果圖像均套袋且背景有相似雜草。為保證數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)能夠具有很好的魯棒性,訓(xùn)練集和驗(yàn)證集用于調(diào)整模型參數(shù),測(cè)試集評(píng)估模型在最佳參數(shù)下的性能。

    為簡(jiǎn)化數(shù)據(jù)量計(jì)算,加快網(wǎng)絡(luò)模型訓(xùn)練的速度,在滿足計(jì)算機(jī)提取圖像特征的前提下,將采集的圖像數(shù)據(jù)預(yù)處理為360像素×480像素的圖像。

    1.2試驗(yàn)設(shè)計(jì)

    該研究通過(guò)參數(shù)量分別為134.32M、25.56M、2.24M、86.76M的VGG16、ResNet50、MobileNet V2和Swin Transformer等神經(jīng)網(wǎng)絡(luò)模型對(duì)不同物候期圖像分類來(lái)實(shí)現(xiàn)果樹物候期識(shí)別。選擇常用的VGG16和ResNet50作為參考模型,輕量級(jí)的代表MobileNet V2和加入注意力機(jī)制的Swin Transformer作為試驗(yàn)?zāi)P蛯?duì)采集到的各期圖像進(jìn)行分類以實(shí)現(xiàn)物候期識(shí)別,以圖像分類評(píng)價(jià)指標(biāo)作為果樹物候期識(shí)別指標(biāo)。

    1.2.1模型運(yùn)行環(huán)境

    運(yùn)行環(huán)境的硬件配置主要包括R740服務(wù)器、64 GB內(nèi)存、Tesla V100GPU(顯存16GB、CUDA核5 120個(gè))。軟件配置主要為Ubuntu18.04操作系統(tǒng)、CUDA11.1、深度學(xué)習(xí)框架為Pytorch1.8。

    1.2.2訓(xùn)練參數(shù)設(shè)置

    設(shè)置圖像分類模型基本參數(shù),批處理大小bitch size為32、image size為224,模型訓(xùn)練步驟如下。

    1)? 構(gòu)建VGG16、ResNet50、MobileNetV2、Swin Transformer網(wǎng)絡(luò)框架,表1為模型基本參數(shù)設(shè)置。VGG16、ResNet50和MobileNetV2的學(xué)習(xí)率采用隨機(jī)梯度下降算法。Swin Transformer采用帶權(quán)重衰減機(jī)制的自適應(yīng)算法,對(duì)學(xué)習(xí)率先預(yù)熱再下降。

    2) 分別設(shè)置初始學(xué)習(xí)率為0.000 01、0.000 1、0.001、0.01,epoch為100,對(duì)預(yù)處理后訓(xùn)練集和驗(yàn)證集進(jìn)行迭代訓(xùn)練,以訓(xùn)練集損失函數(shù)收斂情況確定模型最佳學(xué)習(xí)率。Swin Transformer、MobileNetV2、ResNet50、VGG16模型在其他參數(shù)不變的情況下,采用不同學(xué)習(xí)率進(jìn)行反復(fù)訓(xùn)練,得到訓(xùn)練集損失值如圖3所示。

    Swin Transformer 模型學(xué)習(xí)率為0.000 01和0.000 1時(shí)均迭代到15次后損失值穩(wěn)定在1.3左右,學(xué)習(xí)率為0.001和0. 01時(shí)不收斂。MobileNetV2模型學(xué)習(xí)率為0.000 01時(shí)不收斂;在0.000 1時(shí),迭代到40次后損失值穩(wěn)定在1.0以下;學(xué)習(xí)率為0.001和0.01時(shí),均迭代到20次后損失值保持在0.2以下。ResNet50模型均迭代到30次左右收斂,穩(wěn)定損失值與學(xué)習(xí)率成反比,學(xué)習(xí)率為0.01時(shí)迭代到30次后損失值保持在0.2左右。VGG16模型在學(xué)習(xí)率為0.000 01和0.000 1時(shí)不收斂;學(xué)習(xí)率為0.001,迭代到30次后損失值降至0.5左右;學(xué)習(xí)率為 0.01,迭代到30次時(shí)損失值穩(wěn)定在0.2左右。針對(duì)該試驗(yàn)數(shù)據(jù),VGG16、ResNet50、MobileNetV2、模型最佳學(xué)習(xí)率為0.01,Swin Transformer模型的較優(yōu)學(xué)習(xí)率為0.000 1。

    3) 不同模型分別設(shè)置最佳學(xué)習(xí)率對(duì)測(cè)試集進(jìn)行測(cè)試,評(píng)估4個(gè)模型對(duì)果樹物候期識(shí)別的效果。

    1.2.3試驗(yàn)結(jié)果評(píng)價(jià)

    采用圖像分類精度和分類效率評(píng)價(jià)果樹物候期識(shí)別效果。果樹物候期識(shí)別精度以平均精度(Average Precision,AP)表示,具體計(jì)算公式如式(1)所示。

    AP =2×TP/2×FP +FN +FP×100%(1)

    式中: TP ———模型分類出正確的物候期圖像數(shù);

    FP ———模型分類出錯(cuò)誤的物候期圖像數(shù);

    FN ———模型未分類出的物候期圖像數(shù)。

    圖像分類效率用浮點(diǎn)運(yùn)算數(shù)即計(jì)算量(Floatingpoint operations, FLOPs)和分類一張圖像所需時(shí)長(zhǎng)表示。FLOPs是浮點(diǎn)運(yùn)算次數(shù),可以用來(lái)衡量模型復(fù)雜度,常用每秒十億次的浮點(diǎn)運(yùn)算(GFLOPs)表示。

    2結(jié)果與分析

    2.1物候期圖像分類精度

    VGG16、ResNet50、MobileNetV2、Swin Transformer各模型均能較準(zhǔn)確地對(duì)4種果樹物候期圖像分類(表2),總體分類平均精度分別為 98.9%、99.3%、99.7%、99.8%。杧果P4期的圖像分類精度最差,各模型分別為96.7%、98.2%、99.0%、99.5%,可知MobileNetV2和Swin Transformer模型對(duì)較難識(shí)別的杧果P4期圖像有較好地分類效果。

    試驗(yàn)發(fā)現(xiàn),P3期的蘋果圖像易錯(cuò)分類為P3或者P4期的石榴圖像;杧果P3和P4期圖像出現(xiàn)互相錯(cuò)分類情況(圖4)。模型的分類混淆矩陣如圖5所示。由圖5可知,VGG16、ResNet50、MobileNetV2和Swin Transformer模型將P3期的蘋果圖像判別為P3或者P4期的石榴圖像數(shù)分別為5、0、0、1;P3期杧果判別為P4期杧果的圖像數(shù)為4、1、1、1;P4期杧果判別為P3期杧果的圖像數(shù)為5、2、1、1。與參考模型相比,MobileNetV2和Swin Transformer對(duì)4類果樹物候期圖像的錯(cuò)誤分類數(shù)更少。

    2.2物候期圖像分類效率

    不同模型測(cè)試參數(shù)如表3所示,VGG16、ResNet50、MobileNetV2模型隨著參數(shù)量減少,模型總計(jì)算量逐漸減少,其中MobileNetV2計(jì)算量出現(xiàn)大幅減少;VGG16、ResNet50、MobileNetV2模型單張圖像分類時(shí)間相近,分別為3ms、2.33ms、3.00ms。Swin Transformer加入自注意力機(jī)制增加了計(jì)算復(fù)雜度,用時(shí)相應(yīng)增加,單張圖像分類時(shí)間為4.67ms,但也能滿足實(shí)際生產(chǎn)中對(duì)物候期識(shí)別的實(shí)用性要求。

    綜上所述,MobileNetV2和Swin Transformer模型能夠有效提升柑橘、石榴、杧果、蘋果4種果樹物候期圖像的分類精度,在分類效率方面也能夠較好地滿足實(shí)際生產(chǎn)的需求。MobileNetV2在減小大量參數(shù)的同時(shí)能夠保持較高的精度,是4類果樹物候期識(shí)別效果較好的輕量型模型。Swin Transformer引入注意力機(jī)制可對(duì)有較多相似特征的圖像進(jìn)行細(xì)微差別區(qū)分,達(dá)到最高分類精度,但是其參數(shù)量較大,對(duì)設(shè)備內(nèi)存要求較高。

    3討論

    3.1應(yīng)用圖像識(shí)別果樹物候期的方法選擇

    基于深度學(xué)習(xí)圖像識(shí)別物候期的研究主要采用目標(biāo)檢測(cè)法、多模態(tài)特征法和圖像分類法。目標(biāo)檢測(cè)需要對(duì)圖像中局部細(xì)粒度特征標(biāo)注,通過(guò)檢測(cè)圖像數(shù)據(jù)中的芽、葉、花、果等器官來(lái)識(shí)別物候期。朱永寧等[25]采用卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)檢測(cè)枸杞花和果實(shí),識(shí)別枸杞花期和果期。許增等[15]使用改進(jìn)的Minor-YOLOv3-dense模型檢測(cè)識(shí)別幼果期、膨大期和成熟期的蘋果用以判斷蘋果物候期。多模態(tài)特征法主要就是通過(guò)圖像與文本特征結(jié)合識(shí)別物候期,以提高物候識(shí)別精度,陳果[26]設(shè)計(jì)MultiModalNet多模態(tài)網(wǎng)絡(luò)模型,融合從圖像數(shù)據(jù)和氣象數(shù)據(jù)得到的多模態(tài)特征,實(shí)現(xiàn)對(duì)白茶物候期的識(shí)別。圖像分類法不對(duì)圖像局部細(xì)粒度特征做標(biāo)簽,基于圖像整體特征進(jìn)行分類,崔曉暉等[27]基于 ResNet50殘差神經(jīng)網(wǎng)絡(luò)引入了注意力機(jī)制,識(shí)別林木關(guān)鍵物候期。綜合前人研究結(jié)果,利用圖像分類法識(shí)別特征差別大的果樹物候期可行性較高。該研究采用圖像分類法識(shí)別4種果樹的4個(gè)物候期,由于4個(gè)物候期的特征差別大且數(shù)據(jù)質(zhì)量穩(wěn)定,取得了較高的識(shí)別精度,能滿足果樹物候期識(shí)別要求。

    3.2果樹物候期識(shí)別的后續(xù)工作

    該研究以蘋果、杧果、石榴、柑橘4種果樹物候期圖像為研究對(duì)象,收集15 000張圖片并構(gòu)建了4類果樹4個(gè)完整物候期圖像數(shù)據(jù)集,該數(shù)據(jù)具有質(zhì)量穩(wěn)定、圖像特征差異明顯等特點(diǎn)。在服務(wù)器上訓(xùn)練經(jīng)典圖像分類模型VGG16、ResNet50、MobileNetV2和Swin Transformer識(shí)別果樹物候期圖像,對(duì)比模型訓(xùn)練性能和精度,優(yōu)選Swin Transformer和MobileNetV2作為果園機(jī)器視覺(jué)系統(tǒng)集成模型。但是未在嵌入式端對(duì)優(yōu)選模型進(jìn)行測(cè)試,后續(xù)將測(cè)試其在移動(dòng)硬件平臺(tái)上的實(shí)際應(yīng)用效果。

    模型訓(xùn)練時(shí),使用穩(wěn)定的高質(zhì)量數(shù)據(jù)訓(xùn)練模型,模型可能會(huì)過(guò)度依賴訓(xùn)練數(shù)據(jù)導(dǎo)致實(shí)際應(yīng)用中表現(xiàn)不佳,后續(xù)將采集多樣性數(shù)據(jù)測(cè)試模型的抗干擾性和泛化能力。測(cè)試發(fā)現(xiàn)P3時(shí)期的蘋果和石榴易出現(xiàn)錯(cuò)誤分類,為避免具有相似特征的不同種類果樹的物候期誤判,后續(xù)考慮按不同種類果樹訓(xùn)練物候期識(shí)別模型。

    研究結(jié)果僅對(duì)蘋果、杧果、石榴、柑橘4類果樹的4個(gè)物候期識(shí)別試驗(yàn)得出,需進(jìn)一步在多種類果樹更小時(shí)間粒度的物候期識(shí)別上測(cè)試以得到實(shí)用性更強(qiáng)的結(jié)果。后續(xù)考慮定點(diǎn)安置延時(shí)相機(jī)采集更加規(guī)范統(tǒng)一的時(shí)序圖像,開展深度學(xué)習(xí)模型識(shí)別特征相似的果樹時(shí)序物候圖像的研究,并與物聯(lián)網(wǎng)氣象數(shù)據(jù)、專家文本信息等進(jìn)行多模態(tài)特征融合以提高更小時(shí)間粒度的果樹物候期識(shí)別精度。

    4結(jié)論

    該研究使用不同參數(shù)量模型VGG16、ResNet50、MobileNetV2和Swin Transformer對(duì)蘋果、杧果、石榴、柑橘4種果樹的4個(gè)物候期進(jìn)行自動(dòng)識(shí)別,評(píng)測(cè)不同模型的精度和性能,為果園嵌入式設(shè)備、服務(wù)器端的機(jī)器視覺(jué)系統(tǒng)選擇模型提供參考。

    1)? 通過(guò)數(shù)據(jù)集測(cè)試各模型均能較準(zhǔn)確地識(shí)別4種果樹的物候期,總體平均精度分別為 98.9%、99.3%、99.7%、99.8%;在錯(cuò)誤分類較多的杧果P4期,各模型分別為96.7%、98.2%、99.0%、99.5%,可知MobileNetV2和Swin Transformer模型對(duì)4類果樹物候期圖像有較高的分類精度,滿足果園機(jī)器視覺(jué)系統(tǒng)對(duì)集成模型精度的要求。

    2)? VGG16、ResNet50、MobileNetV2、Swin Transformer模型對(duì)測(cè)試集單張圖像測(cè)試時(shí)間分別為3ms、2.33ms、3.00ms、4.67ms,均能滿足果樹物候期識(shí)別的應(yīng)用要求。綜上,Swin Transformer分類精度最高,但是參數(shù)量較大,對(duì)設(shè)備內(nèi)存要求較高,可作為果園機(jī)器視覺(jué)系統(tǒng)服務(wù)器端模型;MobileNetV2作為輕量模型在減小大量參數(shù)的同時(shí)能夠保持較高的精度,可作為嵌入式設(shè)備端模型。

    參考文獻(xiàn)

    [1]Jiang L L, Wang S P, Meng F D, et al. Relatively stable response of fruiting stage to warming and cooling relative to other phenological events [J]. Ecology, 2016, 97(8): 1961-1969.

    [2]李婷婷, 郭增長(zhǎng), 馬超. 中國(guó)第二、三級(jí)階梯地形過(guò)渡帶山前植被物候時(shí)空變化探析[J]. 地理研究, 2022, 41(11): 3000-3020.Li Tingting, Guo Zengzhang, Ma Chao. Spatiotemporal changes of piedmont phenology in the transitional zone between the second and third steps, China [J]. Geographical Research, 2022, 41(11): 3000-3020.

    [3]周祎鳴, 張瑩, 田曉華, 等. 基于積溫的文冠果開花物候期預(yù)測(cè)模型的構(gòu)建[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2019, 41(6): 62-74.Zhou Yiming, Zhang Ying, TianXiaohua, et al. Establishment of the flowering phenological model of Xanthoceras sorbifolium based on accumulated temperature [J]. Journal of Beijing Forestry University, 2019, 41(6): 62-74.

    [4]胡園春, 安廣池, 張?jiān)剑?等. 基于積溫的棗莊地區(qū)石榴始花期預(yù)測(cè)模型初探[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào), 2021, 52(4): 567-570.Hu Yuanchun, An Guangchi, Zhang Yue, et al. Preliminary study on prediction model of pomegranate flowering date in Zaozhuang city based on accumulated temperature [J]. Journal of Shandong Agricultural University, 2021, 52(4): 567-570.

    [5]欒青, 郭建平, 馬雅麗, 等. 基于線性生長(zhǎng)假設(shè)的作物積溫模型穩(wěn)定性比較[J]. 中國(guó)農(nóng)業(yè)氣象, 2020, 41(11): 695-706.Luan Qing, Guo Jianping, Ma Yali, et al. Comparison of models stability about integrated temperature based on linear hypotheses [J]. Chinese Journal of Agrometeorology, 2020, 41(11): 695-706.

    [6]姜會(huì)飛, 郭勇, 張玉瑩, 等. 不同下限基點(diǎn)溫度對(duì)積溫模型模擬效果的影響[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2018, 23(5): 131-141.Jiang Huifei, Guo Yong, Zhang Yuying, et al. Impact of base temperature on the growing degree-day and simulation effect of GDD model [J]. Journal of China Agricultural University, 2018, 23(5): 131-141.

    [7]Wei J, Li Z, Peng Y, et al. MODIS Collection 6.1 aerosol optical depth products over land and ocean: Validation and comparison [J]. Atmospheric Environment, 2019, 201: 428-440.

    [8]Zhang X, Liu L, Liu Y, et al. Generation and evaluation of the VIIRS land surface phenology product [J]. Remote Sensing of Environment, 2018, 216: 212-229.

    [9]王敏鈺, 羅毅, 張正陽(yáng), 等. 植被物候參數(shù)遙感提取與驗(yàn)證方法研究進(jìn)展[J]. 遙感學(xué)報(bào), 2022, 26(3): 431-455.Wang Minyu, Luo Yi, Zhang Zhengyang, et al. Recent advances in remote sensing of vegetation phenology: Retrieval algorithm and validation strategy [J]. National Remote Sensing Bulletin, 2022, 26(3): 431-455.

    [10]Ikasari I H, Ayumi V, Fanany M I, et al. Multiple regularizations deep learning for paddy growth stages classification from LANDSAT-8 [C]. 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS). IEEE, 2016: 512-517.

    [11]周玉科. 基于數(shù)碼照片的植被物候提取多方法比較研究[J]. 地理科學(xué)進(jìn)展, 2018, 37(8): 1031-1044.Zhou Yuke. Comparative study of vegetation phenology extraction methods based on digital images [J]. Progress in Geography, 2018, 37(8): 1031-1044.

    [12]Le Cun Y, Boser B, Denker J S, et al. Backpropagation applied to handwritten zip code recognition [J]. Neural computation, 1989, 1(4): 541-551.

    [13]Kamilaris A, Prenafeta-Boldú F X. Deep learning in agriculture: A survey [J]. Computers and Electronics in Agriculture, 2018, 147: 70-90.

    [14]Richardson A D, Hufkens K, Milliman T, et al. Tracking vegetation phenology across diverse North American biomes using PhenoCam imagery [J]. Scientific Data, 2018, 5(1): 1-24.

    [15]許增, 王志偉, 胡桃花, 等. 改進(jìn)的輕量級(jí)YOLO在蘋果物候期自動(dòng)觀測(cè)中的研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2021, 42(12): 3478-3484.Xu Zeng, Wang Zhiwei, Hu Taohua, et al. Improved lightweight YOLO in automatic observation of apple phenology [J]. Computer Engineering and Design, 2021, 42(12): 3478-3484.

    [16]Wang X A, Tang J, Whitty M. DeepPhenology: Estimation of apple flower phenology distributions based on deep learning [J]. Computers and Electronics in Agriculture, 2021, 185: 106123.

    [17]張鵬程, 余勇華, 陳傳武, 等. 基于改進(jìn)MobileNetV2的柑橘害蟲分類識(shí)別方法[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào), 2023(3): 161-168.Zhang Pengcheng, Yu Yonghua, Chen Chuanwu, et al. A classification and recognition method for citrus insect pests based on improved MobileNetV2 [J]. Journal of Huazhong Agricultural University, 2023(3): 161-168.

    [18]王卓, 王健, 王梟雄, 等. 基于改進(jìn)YOLO v4的自然環(huán)境蘋果輕量級(jí)檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(8): 294-302.Wang Zhuo, Wang Jian, Wang Xiaoxiong, et al. Lightweight real-time apple detection method based on improved YOLO v4 [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(8): 294-302.

    [19]Ji W, Pan Y, Xu B, et al. A real-time apple targets detection method for picking robot based on Shufflenetv2-YOLOX [J]. Agriculture, 2022, 12(6): 856.

    [20]安小松, 宋竹平, 梁千月, 等. 基于CNN-Transformer的視覺(jué)缺陷柑橘分選方法[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào), 2022, 41(4): 158-169.An Xiaosong, Song Zhuping, Liang Qianyue, et al. A CNN-Transformer based method for sorting citrus with visual defects [J]. Journal of Huazhong Agricultural University, 2022, 41(4): 158-169.

    [21]張善文, 黃文準(zhǔn), 尤著宏. 基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識(shí)別方法[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2017, 29(11): 1868-1874.Zhang Shanwen, Huang Wenzhun, You Zhuhong. Recognition method of winter jujube diseases based on Internet of Things and deep convolutional neural network [J]. Acta Agriculturae Zhejiangensis, 2017, 29(11): 1868-1874.

    [22]孫文杰, 牟少敏, 董萌萍, 等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的桃樹葉部病害圖像識(shí)別[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2020, 51(6): 998-1003.Sun Wenjie, Mu Shaomin, Dong Mengping, et al. Image recognition of peach leaf diseases based on convolutional recurrent neural network [J]. Journal of Shandong Agricultural University (Natural Science Edition), 2020, 51(6): 998-1003.

    [23]Zhang W, Zhou G, Chen A, et al. Deep multi-scale dual-channel convolutional neural network for Internet of Things apple disease detection [J]. Computers and Electronics in Agriculture, 2022, 194: 106749.

    [24]劉凱. 基于“云—邊—端”的果園信息監(jiān)測(cè)平臺(tái)研究[D]. 長(zhǎng)春: 吉林大學(xué), 2022.Liu Kai. Research on orchard information monitoring platform based on “cloud-side-end” [D]. Changchun: Jilin University, 2022.

    [25]朱永寧, 周望, 楊洋, 等. 基于Faster R-CNN的枸杞開花期與果實(shí)成熟期識(shí)別技術(shù)[J]. 中國(guó)農(nóng)業(yè)氣象, 2020, 41(10): 668-677.Zhu Yongning, Zhou Wang, Yang Yang, et al. Automatic identification technology of Lycium barbarum flowering period and fruit ripening period based on Faster R-CNN [J]. Chinese Journal of Agrometeorology, 2020, 41(10): 668-677.

    [26]陳果. 基于數(shù)據(jù)增強(qiáng)和多模態(tài)特征的茶樹物候期識(shí)別模型設(shè)計(jì)[D]. 重慶: 重慶大學(xué), 2020.Chen Guo. Design of tea plant phenology recognition model based on data augment and multi-modal feature [D]. Chongqing: Chongqing University, 2020.

    [27]崔曉暉, 陳民, 陳志泊, 等. 基于注意力機(jī)制的林木物候期識(shí)別方法[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2021, 41(7): 11-19.Cui Xiaohui, Chen Min, Chen Zhibo, et al. Forest phenology recognition method based on attention mechanism [J]. Journal of Central South University of Forestry & Technology, 2021, 41(7): 11-19.

    猜你喜歡
    圖像分類物候期注意力機(jī)制
    基于深度學(xué)習(xí)的問(wèn)題回答技術(shù)研究
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    基于注意力機(jī)制的雙向LSTM模型在中文商品評(píng)論情感分類中的研究
    軟件工程(2017年11期)2018-01-05 08:06:09
    InsunKBQA:一個(gè)基于知識(shí)庫(kù)的問(wèn)答系統(tǒng)
    遼西地區(qū)無(wú)花果引種試驗(yàn)
    基于云計(jì)算的圖像分類算法
    梨樹物候期管理技術(shù)
    基于錨點(diǎn)建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用
    六個(gè)油豆角品種的物候期及其品種特征特性方面的比較研究
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    最后的刺客免费高清国语| 亚洲国产精品国产精品| 夜夜夜夜夜久久久久| a级毛色黄片| 亚洲中文字幕一区二区三区有码在线看| 最近最新中文字幕大全电影3| 禁无遮挡网站| 亚洲精品自拍成人| 1000部很黄的大片| 中国美白少妇内射xxxbb| 亚洲在久久综合| 国产极品精品免费视频能看的| 91aial.com中文字幕在线观看| 黄片无遮挡物在线观看| 欧美日韩在线观看h| 日韩欧美一区二区三区在线观看| av免费在线看不卡| 一级二级三级毛片免费看| 亚洲av熟女| 中文字幕熟女人妻在线| 欧美日韩乱码在线| 一边摸一边抽搐一进一小说| 春色校园在线视频观看| 草草在线视频免费看| 国产亚洲精品久久久com| 黄色视频,在线免费观看| 18禁在线播放成人免费| 校园人妻丝袜中文字幕| 岛国在线免费视频观看| 亚洲精品国产成人久久av| 久久久久久久久大av| 男人舔女人下体高潮全视频| 男女做爰动态图高潮gif福利片| 老熟妇乱子伦视频在线观看| 91在线精品国自产拍蜜月| 亚洲自偷自拍三级| 搡女人真爽免费视频火全软件| 欧美区成人在线视频| 精品熟女少妇av免费看| 伊人久久精品亚洲午夜| 国产精品99久久久久久久久| 国产成人一区二区在线| 欧美成人精品欧美一级黄| 久久久成人免费电影| ponron亚洲| 久久久久久九九精品二区国产| 三级国产精品欧美在线观看| 中文亚洲av片在线观看爽| 国产毛片a区久久久久| 看片在线看免费视频| 亚洲四区av| av女优亚洲男人天堂| 免费看av在线观看网站| 又爽又黄无遮挡网站| 日韩一区二区视频免费看| 波野结衣二区三区在线| 中文字幕av成人在线电影| 91麻豆精品激情在线观看国产| 嫩草影院精品99| 18禁在线无遮挡免费观看视频| 午夜激情欧美在线| 精品久久久噜噜| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲在久久综合| 国产极品精品免费视频能看的| 国产精品电影一区二区三区| 中文精品一卡2卡3卡4更新| 3wmmmm亚洲av在线观看| 边亲边吃奶的免费视频| 久久久午夜欧美精品| 久久人人精品亚洲av| 男女下面进入的视频免费午夜| 成人亚洲欧美一区二区av| 国产在线精品亚洲第一网站| 国产午夜精品久久久久久一区二区三区| 亚洲成人精品中文字幕电影| 亚洲精品日韩av片在线观看| 男女下面进入的视频免费午夜| 丰满的人妻完整版| 精品一区二区免费观看| 久久久久久伊人网av| 长腿黑丝高跟| 国产精品三级大全| 国产av不卡久久| 小说图片视频综合网站| kizo精华| 网址你懂的国产日韩在线| 欧美一区二区精品小视频在线| 黄片无遮挡物在线观看| 国产精品人妻久久久影院| 国产成人精品婷婷| 偷拍熟女少妇极品色| 久久国内精品自在自线图片| 十八禁国产超污无遮挡网站| 成人高潮视频无遮挡免费网站| ponron亚洲| 丰满人妻一区二区三区视频av| 亚洲av成人av| 欧美性猛交╳xxx乱大交人| 亚洲av第一区精品v没综合| 在线天堂最新版资源| 精品久久久噜噜| 国产伦理片在线播放av一区 | 亚洲最大成人中文| 色哟哟哟哟哟哟| 亚洲欧洲国产日韩| av在线天堂中文字幕| 国产麻豆成人av免费视频| 国产在视频线在精品| 麻豆成人av视频| 日本-黄色视频高清免费观看| 热99在线观看视频| 一个人免费在线观看电影| 久久精品夜色国产| 成年免费大片在线观看| 久久久久久久亚洲中文字幕| 赤兔流量卡办理| 欧美日韩一区二区视频在线观看视频在线 | 午夜免费激情av| 男女边吃奶边做爰视频| 女人十人毛片免费观看3o分钟| 午夜福利在线观看吧| 人妻久久中文字幕网| 中文资源天堂在线| 在线观看av片永久免费下载| 婷婷六月久久综合丁香| 91久久精品国产一区二区三区| 我要看日韩黄色一级片| 久久综合国产亚洲精品| 国产老妇伦熟女老妇高清| 久久精品国产99精品国产亚洲性色| 级片在线观看| 人妻制服诱惑在线中文字幕| 亚洲国产高清在线一区二区三| 18禁黄网站禁片免费观看直播| 亚洲欧洲日产国产| 日韩高清综合在线| 久久精品国产亚洲网站| 如何舔出高潮| 国产大屁股一区二区在线视频| 日韩成人伦理影院| 国产白丝娇喘喷水9色精品| 两性午夜刺激爽爽歪歪视频在线观看| 精品久久久久久久末码| 三级国产精品欧美在线观看| 亚洲乱码一区二区免费版| 免费av毛片视频| 有码 亚洲区| 69av精品久久久久久| 男插女下体视频免费在线播放| 婷婷色av中文字幕| 国内精品宾馆在线| www.色视频.com| a级毛片免费高清观看在线播放| 18禁裸乳无遮挡免费网站照片| 亚洲成人久久爱视频| 国产综合懂色| 国产午夜精品论理片| ponron亚洲| 精品国产三级普通话版| а√天堂www在线а√下载| 中文字幕精品亚洲无线码一区| 又爽又黄a免费视频| 在线播放无遮挡| 日韩 亚洲 欧美在线| 午夜激情福利司机影院| 国内久久婷婷六月综合欲色啪| 欧美日韩国产亚洲二区| 欧美一区二区精品小视频在线| 婷婷六月久久综合丁香| 激情 狠狠 欧美| 久久6这里有精品| 久久久久九九精品影院| 极品教师在线视频| 伦精品一区二区三区| 欧美三级亚洲精品| av天堂在线播放| 夫妻性生交免费视频一级片| 亚洲第一电影网av| 看黄色毛片网站| 小说图片视频综合网站| 自拍偷自拍亚洲精品老妇| 中国国产av一级| 亚洲国产色片| 又爽又黄a免费视频| 国产亚洲精品av在线| 高清午夜精品一区二区三区 | 午夜福利在线观看吧| 国产av麻豆久久久久久久| 婷婷色综合大香蕉| 国产成人aa在线观看| 国产精品乱码一区二三区的特点| 黑人高潮一二区| 一级黄片播放器| 小蜜桃在线观看免费完整版高清| 在线天堂最新版资源| 国产高清激情床上av| 我要看日韩黄色一级片| 18禁裸乳无遮挡免费网站照片| 又爽又黄无遮挡网站| 午夜激情欧美在线| 免费人成视频x8x8入口观看| 99国产精品一区二区蜜桃av| 国产蜜桃级精品一区二区三区| 亚洲最大成人av| 99久久无色码亚洲精品果冻| 亚洲天堂国产精品一区在线| 亚洲国产精品成人久久小说 | 欧美日韩综合久久久久久| 国产高清激情床上av| 日本欧美国产在线视频| 中文字幕人妻熟人妻熟丝袜美| 婷婷精品国产亚洲av| av免费观看日本| 亚洲七黄色美女视频| 蜜桃久久精品国产亚洲av| 国产精品一区二区在线观看99 | 最近2019中文字幕mv第一页| 国产色爽女视频免费观看| 婷婷亚洲欧美| 在线观看一区二区三区| 国产老妇伦熟女老妇高清| 久久鲁丝午夜福利片| av又黄又爽大尺度在线免费看 | 久久久久久久久久久丰满| 午夜福利高清视频| 高清毛片免费观看视频网站| 国产午夜精品论理片| 亚州av有码| 国产69精品久久久久777片| 欧美区成人在线视频| 免费看美女性在线毛片视频| 成人一区二区视频在线观看| 日日撸夜夜添| 麻豆精品久久久久久蜜桃| 亚洲人成网站在线播放欧美日韩| а√天堂www在线а√下载| 免费人成在线观看视频色| 日韩中字成人| av女优亚洲男人天堂| 老熟妇乱子伦视频在线观看| 日韩成人av中文字幕在线观看| 黄色欧美视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 三级毛片av免费| 插逼视频在线观看| 狠狠狠狠99中文字幕| 99热精品在线国产| 亚州av有码| 人妻久久中文字幕网| 亚洲激情五月婷婷啪啪| 久久国内精品自在自线图片| 国产高清不卡午夜福利| av在线天堂中文字幕| 欧美一级a爱片免费观看看| 色噜噜av男人的天堂激情| 久99久视频精品免费| h日本视频在线播放| 国产视频首页在线观看| av在线老鸭窝| 少妇被粗大猛烈的视频| 亚洲成人久久爱视频| 日本成人三级电影网站| 嫩草影院新地址| 免费人成在线观看视频色| 九九久久精品国产亚洲av麻豆| 日本黄色片子视频| 欧美区成人在线视频| 国产精品人妻久久久影院| 免费观看的影片在线观看| 国产一级毛片在线| 99热这里只有精品一区| 欧美成人一区二区免费高清观看| 久久精品国产99精品国产亚洲性色| 久久亚洲国产成人精品v| 亚洲激情五月婷婷啪啪| 亚洲国产欧美人成| 一级毛片我不卡| 午夜精品国产一区二区电影 | 成人美女网站在线观看视频| 菩萨蛮人人尽说江南好唐韦庄 | 级片在线观看| 婷婷色综合大香蕉| 麻豆av噜噜一区二区三区| 成人毛片a级毛片在线播放| 亚洲精品影视一区二区三区av| 91狼人影院| 国产男人的电影天堂91| 级片在线观看| 3wmmmm亚洲av在线观看| 中出人妻视频一区二区| 深夜a级毛片| 亚洲成人久久爱视频| 久久精品91蜜桃| av卡一久久| 91狼人影院| 国产成人福利小说| 国产成人a区在线观看| 久久精品国产自在天天线| 非洲黑人性xxxx精品又粗又长| 三级国产精品欧美在线观看| 国内精品宾馆在线| 高清午夜精品一区二区三区 | 边亲边吃奶的免费视频| 99在线视频只有这里精品首页| .国产精品久久| av在线播放精品| 18+在线观看网站| 美女黄网站色视频| 国产乱人偷精品视频| 91av网一区二区| 午夜激情欧美在线| 国产三级中文精品| 一进一出抽搐动态| 又粗又爽又猛毛片免费看| 一边摸一边抽搐一进一小说| 亚洲av二区三区四区| av视频在线观看入口| 麻豆一二三区av精品| 国产精品国产三级国产av玫瑰| 亚洲国产精品久久男人天堂| 草草在线视频免费看| 成人一区二区视频在线观看| 午夜福利在线观看免费完整高清在 | 国产黄色小视频在线观看| 又黄又爽又刺激的免费视频.| 国产av在哪里看| 狂野欧美白嫩少妇大欣赏| 两个人的视频大全免费| 国产真实乱freesex| 熟女电影av网| 毛片一级片免费看久久久久| 国产精品1区2区在线观看.| 99国产精品一区二区蜜桃av| 老熟妇乱子伦视频在线观看| 嫩草影院入口| 亚洲成av人片在线播放无| 国产精品一及| 国产亚洲欧美98| videossex国产| 亚洲在线自拍视频| 欧美bdsm另类| 成人特级av手机在线观看| 级片在线观看| 村上凉子中文字幕在线| 麻豆国产av国片精品| 熟妇人妻久久中文字幕3abv| 国产三级中文精品| 久久午夜福利片| 亚洲性久久影院| 久久这里只有精品中国| 成人av在线播放网站| 色5月婷婷丁香| 亚洲综合色惰| 女人被狂操c到高潮| 婷婷精品国产亚洲av| 国国产精品蜜臀av免费| 亚洲一区高清亚洲精品| 婷婷精品国产亚洲av| 色综合站精品国产| 精品久久久久久成人av| 午夜福利高清视频| 亚洲五月天丁香| 联通29元200g的流量卡| 在线观看一区二区三区| 亚洲欧美日韩高清专用| 黄色配什么色好看| 深夜精品福利| 欧美丝袜亚洲另类| 天天一区二区日本电影三级| 色综合亚洲欧美另类图片| 少妇人妻精品综合一区二区 | 三级国产精品欧美在线观看| 一夜夜www| 亚洲在线自拍视频| 国产午夜精品久久久久久一区二区三区| 最后的刺客免费高清国语| 看黄色毛片网站| 99久久精品热视频| 一级黄片播放器| 美女脱内裤让男人舔精品视频 | 热99re8久久精品国产| 大香蕉久久网| 亚洲精品粉嫩美女一区| 性欧美人与动物交配| 成人特级黄色片久久久久久久| 成人特级av手机在线观看| 直男gayav资源| 欧美一区二区精品小视频在线| 一区二区三区免费毛片| 97超碰精品成人国产| 高清日韩中文字幕在线| 久久99热6这里只有精品| 天堂中文最新版在线下载 | a级毛片免费高清观看在线播放| 直男gayav资源| 久久99精品国语久久久| 最后的刺客免费高清国语| 亚洲国产日韩欧美精品在线观看| 国产私拍福利视频在线观看| 一本一本综合久久| 日韩,欧美,国产一区二区三区 | 青春草亚洲视频在线观看| 十八禁国产超污无遮挡网站| 欧美日韩在线观看h| 亚洲精品久久国产高清桃花| 小蜜桃在线观看免费完整版高清| 少妇被粗大猛烈的视频| 99在线视频只有这里精品首页| 少妇熟女aⅴ在线视频| 九色成人免费人妻av| 亚洲久久久久久中文字幕| 12—13女人毛片做爰片一| 久久午夜福利片| 精品少妇黑人巨大在线播放 | 免费大片18禁| 99精品在免费线老司机午夜| av免费在线看不卡| 麻豆精品久久久久久蜜桃| 99久久久亚洲精品蜜臀av| 国模一区二区三区四区视频| 亚洲国产日韩欧美精品在线观看| 国产成人福利小说| 国产日韩欧美在线精品| 亚洲乱码一区二区免费版| 国产成人aa在线观看| 日本-黄色视频高清免费观看| 女人十人毛片免费观看3o分钟| 日韩欧美在线乱码| 久久久久久伊人网av| 99久国产av精品| 亚洲一区二区三区色噜噜| eeuss影院久久| 亚洲五月天丁香| 亚洲成av人片在线播放无| 中文精品一卡2卡3卡4更新| 亚洲国产精品久久男人天堂| 波多野结衣高清无吗| 男人的好看免费观看在线视频| 人妻制服诱惑在线中文字幕| 亚洲精品粉嫩美女一区| 丝袜喷水一区| 国产一区二区三区av在线 | 亚洲中文字幕一区二区三区有码在线看| 搡老妇女老女人老熟妇| 成人午夜精彩视频在线观看| 亚洲av免费在线观看| 老司机福利观看| 国产午夜精品久久久久久一区二区三区| 舔av片在线| 一级毛片aaaaaa免费看小| 精品一区二区免费观看| 晚上一个人看的免费电影| 国产精品久久久久久亚洲av鲁大| 插阴视频在线观看视频| www.av在线官网国产| 中文字幕av在线有码专区| 不卡视频在线观看欧美| 五月玫瑰六月丁香| 欧美另类亚洲清纯唯美| 亚洲精品久久久久久婷婷小说 | 97在线视频观看| 高清毛片免费看| av在线观看视频网站免费| 麻豆成人午夜福利视频| 黄色日韩在线| 久久久精品欧美日韩精品| 精品99又大又爽又粗少妇毛片| 久久国产乱子免费精品| 国产亚洲欧美98| 日韩一本色道免费dvd| 在现免费观看毛片| av福利片在线观看| 天美传媒精品一区二区| 国产在线男女| 精品午夜福利在线看| 精品99又大又爽又粗少妇毛片| 欧美+亚洲+日韩+国产| 午夜老司机福利剧场| 欧美+日韩+精品| 99九九线精品视频在线观看视频| 免费av观看视频| 天堂√8在线中文| 亚洲国产精品久久男人天堂| 亚洲欧美精品专区久久| 精品欧美国产一区二区三| 一个人看视频在线观看www免费| 亚洲内射少妇av| 亚洲不卡免费看| 亚洲av中文av极速乱| 男插女下体视频免费在线播放| 内射极品少妇av片p| 爱豆传媒免费全集在线观看| 中出人妻视频一区二区| 一区二区三区高清视频在线| 色播亚洲综合网| 色5月婷婷丁香| 久久久精品欧美日韩精品| 国产在线精品亚洲第一网站| www日本黄色视频网| 久久久国产成人免费| 久久精品国产亚洲av涩爱 | 国产美女午夜福利| 国产白丝娇喘喷水9色精品| 欧美一区二区国产精品久久精品| 国内久久婷婷六月综合欲色啪| 少妇人妻一区二区三区视频| 精品欧美国产一区二区三| 国产黄片美女视频| 国国产精品蜜臀av免费| 天堂影院成人在线观看| 日韩人妻高清精品专区| 国产亚洲精品久久久com| 网址你懂的国产日韩在线| 中国国产av一级| 成人一区二区视频在线观看| 国产伦精品一区二区三区视频9| 欧美色欧美亚洲另类二区| 三级国产精品欧美在线观看| av卡一久久| 欧美激情国产日韩精品一区| 国产一区二区亚洲精品在线观看| 99久久成人亚洲精品观看| 成人三级黄色视频| 国产黄色视频一区二区在线观看 | 国产 一区 欧美 日韩| 哪个播放器可以免费观看大片| 午夜免费激情av| 成年版毛片免费区| 深爱激情五月婷婷| 天堂av国产一区二区熟女人妻| www.色视频.com| 啦啦啦啦在线视频资源| 欧美又色又爽又黄视频| 18禁裸乳无遮挡免费网站照片| 成年版毛片免费区| 国产一区二区三区在线臀色熟女| 看片在线看免费视频| 国产精品三级大全| 真实男女啪啪啪动态图| 丰满人妻一区二区三区视频av| 久久精品久久久久久久性| 日本免费一区二区三区高清不卡| 美女cb高潮喷水在线观看| 人人妻人人澡人人爽人人夜夜 | 亚洲七黄色美女视频| 国产精品不卡视频一区二区| av又黄又爽大尺度在线免费看 | 免费看a级黄色片| 国产69精品久久久久777片| 亚洲一区二区三区色噜噜| 最近手机中文字幕大全| 免费观看在线日韩| 最后的刺客免费高清国语| 日韩,欧美,国产一区二区三区 | 久久精品久久久久久噜噜老黄 | 欧美日韩精品成人综合77777| 麻豆乱淫一区二区| 男人舔奶头视频| av女优亚洲男人天堂| 国产一级毛片七仙女欲春2| 日韩欧美精品免费久久| 欧美不卡视频在线免费观看| 综合色丁香网| 国产精品国产高清国产av| 91aial.com中文字幕在线观看| 亚洲欧美日韩卡通动漫| 亚洲,欧美,日韩| 国产精品爽爽va在线观看网站| 国产高清三级在线| 有码 亚洲区| 国产成人精品一,二区 | 午夜福利视频1000在线观看| 黄色日韩在线| 禁无遮挡网站| 一进一出抽搐gif免费好疼| 午夜激情福利司机影院| av在线观看视频网站免费| 久久人人爽人人片av| 只有这里有精品99| 99热全是精品| 18禁黄网站禁片免费观看直播| 国产91av在线免费观看| 国产精品国产三级国产av玫瑰| 人人妻人人看人人澡| 色播亚洲综合网| 欧美精品一区二区大全| 婷婷色av中文字幕| 久久久久久伊人网av| 麻豆一二三区av精品| 亚洲国产精品成人综合色| 12—13女人毛片做爰片一| 免费看av在线观看网站| 久久中文看片网| 国产精品不卡视频一区二区| 好男人视频免费观看在线| 欧美+亚洲+日韩+国产| 蜜桃久久精品国产亚洲av| 床上黄色一级片| 国产探花极品一区二区| 嫩草影院入口| 亚洲激情五月婷婷啪啪| 欧美成人精品欧美一级黄| 亚洲综合色惰| 99热精品在线国产| 日本免费a在线| 精品熟女少妇av免费看| 少妇人妻精品综合一区二区 | 久久综合国产亚洲精品| a级一级毛片免费在线观看| 插逼视频在线观看| 精品欧美国产一区二区三| 22中文网久久字幕| 久久精品国产99精品国产亚洲性色| 精华霜和精华液先用哪个|