• <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YOLOX的小麥穗旋轉(zhuǎn)目標(biāo)檢測

    2024-12-31 00:00:00張世豪董巒趙昀杰
    江蘇農(nóng)業(yè)科學(xué) 2024年20期
    關(guān)鍵詞:目標(biāo)檢測

    doi:10.15889/j.issn.1002-1302.2024.20.019

    摘要:小麥穗檢測對于農(nóng)業(yè)估產(chǎn)和育種研究具有重要意義,但由于小麥穗角度和姿態(tài)多變且存在遮擋和尺度變化等因素,給目標(biāo)檢測帶來較大困難,提出一種針對小麥穗旋轉(zhuǎn)目標(biāo)檢測的改進方法YOLOX-RoC,該方法在YOLOX基礎(chǔ)上使用旋轉(zhuǎn)矩形框代替水平矩形框,更好地擬合小麥穗的輪廓和方向,減少背景干擾和重疊區(qū)域,使模型更具靈活性,更準(zhǔn)確地捕捉小麥穗的特征;添加坐標(biāo)注意力模塊并采用KL散度損失函數(shù)代替交叉熵損失函數(shù),提高對旋轉(zhuǎn)目標(biāo)的感知能力并解決旋轉(zhuǎn)敏感度的誤差度量問題,優(yōu)化旋轉(zhuǎn)目標(biāo)的定位精度。利用基于圖像合成的 Copy-Paste 數(shù)據(jù)增強方法,生成更多的訓(xùn)練樣本以提高模型對不同尺度、姿態(tài)和遮擋情況的泛化能力,提高模型的魯棒性。試驗結(jié)果表明,YOLOX-RoC的AP比基準(zhǔn)模型提升2.4百分點,針對小尺寸和被嚴(yán)重遮擋的小麥穗目標(biāo)可以更準(zhǔn)確地預(yù)測目標(biāo)邊界和角度,減少漏檢和誤檢。本研究為小麥穗目標(biāo)檢測提供了一種準(zhǔn)確和魯棒的解決方案,為小麥估產(chǎn)和育種的智能化奠定了技術(shù)基礎(chǔ)。

    關(guān)鍵詞:目標(biāo)檢測;小麥穗;旋轉(zhuǎn)矩形框;YOLOX;坐標(biāo)注意力模塊;KL額度;損失函數(shù)

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

    文章編號:1002-1302(2024)20-0157-08

    收稿日期:2023-11-06

    基金項目:新疆維吾爾自治區(qū)重大科技專項(編號:2022A02011)。

    作者簡介:張世豪(1998—),男,山東臨沂人,碩士研究生,研究方向為深度學(xué)習(xí)與計算機視覺。E-mail:320203293@xjau.edu.cn。

    通信作者:董" 巒,博士,副教授,研究方向為深度學(xué)習(xí)與計算機視覺。E-mail:dl@xjau.edu.cn。

    小麥?zhǔn)鞘澜缟献钪匾募Z食作物之一[1],在全球糧食安全和經(jīng)濟發(fā)展中具有關(guān)鍵地位。小麥穗作為小麥植株的主要產(chǎn)量部位,其形態(tài)特征和生長狀態(tài)對小麥產(chǎn)量和品質(zhì)具有重要影響。因此,準(zhǔn)確、快速且自動化地檢測和分析小麥穗,對于提高小麥育種效率、優(yōu)化農(nóng)業(yè)管理、評估小麥產(chǎn)量等具有重要意義。

    小麥穗檢測是小麥穗表型分析的基礎(chǔ)和前提,涉及從復(fù)雜背景中提取小麥穗的位置、形狀、大小、方向等信息。這些信息可以用于計算小麥穗的數(shù)量、密度等信息,從而評估小麥的生長狀況和產(chǎn)量潛力。同時,檢測小麥穗也為后續(xù)的小麥穗識別、分類、計數(shù)等任務(wù)提供有效的輸入。

    目前,檢測小麥穗主要依賴于基于深度學(xué)習(xí)的目標(biāo)檢測方法,如Faster R-CNN[2]、YOLO[3]、SSD[4]等。Hasan等使用RGB相機拍攝小麥穗圖片,采用Faster R-CNN深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練麥穗識別模型,使用相同的R-CNN架構(gòu),基于不同的訓(xùn)練和測試圖像數(shù)據(jù)集生成4個不同的模型,在不同的測試圖像集上檢測準(zhǔn)確率為88%~94%的[5]。He等提出基于改進YOLO v4的小麥穗目標(biāo)檢測算法,適用于無人機在田間檢測小麥穗[6]。該方法在自然場景下,包括重疊、遮擋、光照變化、不同顏色和形狀等方面,都能保持出色的性能。劉航等將基于深度殘差網(wǎng)絡(luò)的密度回歸模型引入麥穗的計數(shù)領(lǐng)域,建立原始圖片與密度圖的對應(yīng)關(guān)系,以密度圖像素值總和確定圖像中麥穗數(shù)量,改進后的ResNet-16模型實現(xiàn)了端到端的麥穗計數(shù),精度達到94%[7]。黃子琦提出一種麥穗檢測網(wǎng)絡(luò)PPYOLO-SE,該網(wǎng)絡(luò)在保證檢測速度的同時提高了模型對小麥麥穗特征的學(xué)習(xí)能力,實現(xiàn)較高的檢測精度和速度,構(gòu)建了基于深度回歸的小麥穗計數(shù)模型,使用Tassel Net V2+網(wǎng)絡(luò),在小麥大田數(shù)據(jù)集上訓(xùn)練,實現(xiàn)了大田圖像麥穗計數(shù)。經(jīng)過試驗驗證,該模型在大田麥穗數(shù)據(jù)集上的平均檢測精度達到了95.13%[8]。

    盡管上述方法在一定程度上提高了檢測效果,但仍存在以下問題:首先,由于小麥穗的特殊形態(tài),采用傳統(tǒng)的水平矩形框表示其位置和形狀會導(dǎo)致空間冗余和遮擋問題,降低檢測精度和效率。其次,小麥穗在不同生長階段和拍攝角度下會呈現(xiàn)不同的方向,固定方向框的使用忽略了其方向信息,降低了檢測的可解釋性和實用性。最后,現(xiàn)有方法通常需要大量的標(biāo)注數(shù)據(jù)和計算資源,對于數(shù)據(jù)量有限或計算能力受限的場景,使用現(xiàn)有方法面臨數(shù)據(jù)不足或訓(xùn)練時間過長的問題。

    針對現(xiàn)有方法的局限性和小麥穗目標(biāo)檢測的需求,本研究提出了一種基于改進YOLOX的小麥穗旋轉(zhuǎn)矩形框檢測方法。通過將YOLOX目標(biāo)檢測算法進行優(yōu)化和改進,將傳統(tǒng)的矩形框替換為旋轉(zhuǎn)矩形框,以更好地適應(yīng)小麥穗的旋轉(zhuǎn)形態(tài),提高檢測的準(zhǔn)確性和魯棒性。同時,采用Copy-Paste數(shù)據(jù)增強技術(shù),增強數(shù)據(jù)集的多樣性和豐富性,從而進一步提升模型的性能。本研究在公開的小麥穗目標(biāo)檢測數(shù)據(jù)集上進行試驗,結(jié)果表明,所提出的YOLOX-RoC模型在檢測效率和靈活性方面優(yōu)于傳統(tǒng)的水平矩形框方法,并具有較大的改進空間。本研究為農(nóng)業(yè)領(lǐng)域中的小麥穗檢測提供一種新的解決方案,促進農(nóng)作物生產(chǎn)的智能化和高效化發(fā)展。同時,本研究改進方法也具有一定的通用性,可在其他旋轉(zhuǎn)目標(biāo)檢測任務(wù)中得到應(yīng)用。

    1" YOLOX模型簡介

    YOLOX模型于2001年提出,與YOLO v5一樣都采用YOLO系列模型的設(shè)計思路[9],即將目標(biāo)檢測問題轉(zhuǎn)化為單一的回歸問題,并且都采用相似的檢測流程,但YOLOX的無錨框和高級標(biāo)簽分配策略等改進使其特點鮮明。YOLOX模型的主干特征提取網(wǎng)絡(luò)有2種,分別來源于YOLO v3[10]和YOLO v5,本研究使用的YOLOX主干為YOLO v3中的DarkNet53,模型結(jié)構(gòu)見圖1。

    其中,CBL模塊是一個簡單而有效的卷積層,由卷積(Conv)、批歸一化(BN)[11]和LeakyReLU激活函數(shù)[12]組成。CBL模塊可以在不改變特征圖的高度和寬度的情況下,提取特征并增加非線性,CBL模塊在YOLOX模型中被廣泛使用。

    ResN模塊由1個CBL模塊和多個殘差塊(ResUnit)組成,ResUnit模塊是一個典型的沙漏型殘差塊,它首先使用1個1×1卷積層將輸入通道數(shù)減半,接著使用1個3×3卷積層將輸出通道數(shù)恢復(fù)原來的大小,最后將2個卷積層的輸出與輸入相加得到最終結(jié)果。殘差塊的輸入和輸出通過相加實現(xiàn)特征圖的短路連接,從而增強網(wǎng)絡(luò)的表達能力和梯度傳播,因此可以有效地減少參數(shù)量和計算量,同時保持較高的性能 。

    SPP模塊在YOLO v3的SPP-Net模塊[13]的基礎(chǔ)上進行改進,用于特征融合,它通過使用不同尺寸的最大池化層來提取多尺度的特征,然后將池化結(jié)果拼接起來,形成一個更豐富和多尺度的特征表示[14]再送入CBL模塊。SPP模塊是一種輕量化、自適應(yīng)、高效的特征融合方法,可以有效地提升目標(biāo)檢測的性能。

    YOLOX的預(yù)測頭(Head)與前文所述YOLO v5的改進的Decouple Head 類似,它將原來的YOLO Head分解為2個獨立的分支,不再共享參數(shù),分別負責(zé)分類和回歸。通過減少不同任務(wù)之間的耦合使收斂速度和檢測精度提高。

    2" YOLOX模型改進

    2.1" 坐標(biāo)注意力模塊

    注意力機制是一種數(shù)據(jù)處理方法,它讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到對輸入的不同部分賦予的權(quán)重,從而突出相關(guān)的信息。在計算機視覺中,注意力機制的基本思想是讓模型學(xué)會專注,把注意力集中在重要的信息上而忽視不重要的信息。代表性的注意力機制設(shè)計有SE(squeeze-and-excitation)[15]、CBAM(convolutional block attention module)[16]等。

    坐標(biāo)注意力(coordinate attention,CA)[17]是一種高效的注意力機制,它可以為模型提供更好的特征表示能力。坐標(biāo)注意力模塊見圖2,它的主要思想是在水平方向和垂直方向上進行平均池化,再進行空間信息編碼,最后把空間信息通過在通道上加權(quán)的方式融合,可以有效地將空間坐標(biāo)信息整合到生成的注意力圖中,在保留位置信息的同時,捕獲輸入特征圖沿不同空間方向的長程依賴關(guān)系。

    相對于SE和CBAM,CA可以捕獲空間信息,提高定位和識別能力,SE忽略了空間信息,CBAM則會丟失位置信息和增加計算開銷;CA可以靈活地插入到移動網(wǎng)絡(luò)中,幾乎沒有額外的計算開銷,SE和CBAM都需要增加額外的參數(shù)和計算量,影響移動網(wǎng)絡(luò)的輕量級和高效性;CA可以作為預(yù)訓(xùn)練模型,為密集預(yù)測任務(wù)帶來顯著的性能提升。將CA融入到Y(jié)OLOX模型的小麥穗檢測模型,有望在小目標(biāo)檢測任務(wù)中獲得優(yōu)勢。CA允許模型根據(jù)位置信息分配注意力,提高對小目標(biāo)的感知能力。這將有助于更精確地定位和識別小麥穗,提升模型的檢測準(zhǔn)確性和魯棒性。

    2.2" 旋轉(zhuǎn)框預(yù)測頭

    YOLOX默認(rèn)的模型算法中只有水平矩形框的表示方法,這意味著它不能很好地檢測傾斜或旋轉(zhuǎn)的目標(biāo),因此需要設(shè)計旋轉(zhuǎn)矩形框的表示方法。旋轉(zhuǎn)矩形框的邊長表示法是一種用于描述目標(biāo)檢測中的旋轉(zhuǎn)目標(biāo)的方法,它可以用5個參數(shù)來定義1個旋轉(zhuǎn)矩形框,分別是中心點坐標(biāo)、2條邊的長度和旋轉(zhuǎn)角度。

    長邊定義法如圖3所示,它使用(x,y,w,h,θ)來表示1個旋轉(zhuǎn)矩形框,其中(x,y)是中心點坐標(biāo),W和H分別是2條邊的長度,θ是逆時針方向到長邊所成直線與x軸正方向夾角,規(guī)定θ∈-π2,π2。

    為了適應(yīng)旋轉(zhuǎn)目標(biāo)檢測的任務(wù),YOLOX的預(yù)測頭需要進行一些改進。除了原有的類別分類頭和邊界框回歸頭,還需要增加1個角度回歸頭,用于學(xué)習(xí)目標(biāo)的旋轉(zhuǎn)角度信息。修改后的預(yù)測頭的結(jié)構(gòu)見圖4。

    2.3" KL散度損失函數(shù)

    YOLOX的損失函數(shù)主要由3個部分組成:分類損失、置信度損失、定位損失。其中,分類損失和置信度損失采用的是二元交叉熵損失函數(shù),見式(1):

    BCELoss=-1N∑Ni=1yi×ln[σ(xi)]+(1-yi)×ln[1-σ(xi)]。(1)

    式中:σ(xi)為Sigmoid激活函數(shù);BCELoss為二元交叉熵損失函數(shù);N表示樣本數(shù)量。yi是第i個樣本的真實標(biāo)簽。

    在目標(biāo)檢測任務(wù)中,對于旋轉(zhuǎn)邊界框的角度參數(shù)進行回歸時,存在旋轉(zhuǎn)敏感度誤差問題,這會導(dǎo)致模型訓(xùn)練不穩(wěn)定,從而影響檢測精度。為了解決這個問題,本研究采用KL散度(kullback-leibler divergence,KLD)[18]作為損失函數(shù)進行邊界框回歸損失的計算。KL散度是一種用于衡量2個概率分布之間差異的指標(biāo),可以將旋轉(zhuǎn)邊界框轉(zhuǎn)換為二維高斯分布,并計算高斯分布之間的相對熵,從而得到損失函數(shù)的值。通過使用KL散度作為損失函數(shù),可以有效地解決旋轉(zhuǎn)敏感度誤差問題,并提高模型的訓(xùn)練穩(wěn)定性和檢測精度,KL散度如公式(2)所示。

    DKL(NP‖Mt)=12(up-ut)T∑-1t(up-ut)+12Tr(∑-1t∑p)+12ln|∑t||∑p|-1。(2)

    其中:(up-ut)T∑-1t(up-ut)、Tr(∑-1t∑p)和 ln|∑t||∑p| 分別如式(3)、(4)、(5)所示。

    (up-ut)T∑-1t(up-ut)=4(Δxcosθt+Δysinθt)2w2t+4(Δycosθt-Δxsinθt)2h2t; (3)

    Tr(∑-1t∑p)=h2pw2tsin2Δθ+w2ph2tsin2Δθ+h2ph2tcos2Δθ+w2pw2tcos2Δθ;(4)

    ln|∑t||∑p|=lnh2th2p+lnw2tw2p。(5)

    其中:Δx=xp-xt、Δy=yp-yt、Δθ=θp-θt分別是預(yù)測框和真實框之間的中心點坐標(biāo)和角度差值;u表示二元高斯分布的均值;∑表示協(xié)方差矩陣;p(預(yù)測)和t(實際)區(qū)分2個獨立的高斯分布;∑-1t表示∑t的逆矩陣;Tr表示矩陣的跡;θ表示bonding box的旋轉(zhuǎn)角度;p和t區(qū)分預(yù)測和真實的2個box;h是高度;w是寬度。

    KL散度損失函數(shù)計算公式如式(6)所示,如果KL散度DKL(Np‖Nt)等于0,那么損失函數(shù)也為0;如果KL散度很大,損失函數(shù)為1,在KL散度上利用y=lnx函數(shù)來平滑損失函數(shù)。

    LKLD(Np‖Nt)=1-11+ln[DKL(Np‖Nt)]。(6)

    KL散度損失函數(shù)能夠根據(jù)目標(biāo)的尺度動態(tài)調(diào)整權(quán)重,從而減少微小的角度誤差對檢測精度的影響,使得高精度的旋轉(zhuǎn)檢測成為可能[19]。

    3" 數(shù)據(jù)集

    3.1" 數(shù)據(jù)集制作

    本研究主要使用GWHD 2021(global wheat head detection 2021)數(shù)據(jù)集和WEDD(wheat ears detection dataset)數(shù)據(jù)集。

    GWHD2021數(shù)據(jù)集中的小麥穗圖片來自亞洲、歐洲、美洲、非洲、大洋洲的12個國家[20],拍攝于2015—2021年,包括6 500張圖片和275 000個小麥穗,分辨率為1 024像素×1 024像素,可以有效地避免因為麥穗特征單一或者代表性不足而導(dǎo)致擬合到特定數(shù)據(jù)集,在實際小麥穗圖像檢測中效果較差的問題。

    WEDD(wheat ears detection dataset)是Madec等提供的公開數(shù)據(jù)集[21],包含236張6 000像素×4 000 像素的高分辨率小麥圖片,共有30 729個小麥麥穗。該數(shù)據(jù)采集于2017年6月在法國格雷烏萊班(43.7°N,5.8°E)的麥田表型平臺,使用索尼 ILCE-6000 數(shù)碼相機,并將相機固定在吊桿上距離地面2.9 m進行拍攝。2個數(shù)據(jù)集圖片見圖5。

    目前公開的小麥穗數(shù)據(jù)集圖片都是使用水平矩形框標(biāo)注的,這種標(biāo)注方式存在一定的局限性,例如無法準(zhǔn)確地描述小麥穗部的形狀和方向,容易造成標(biāo)注框之間的重疊等問題。為了實現(xiàn)更精確的目標(biāo)檢測,本研究選取公開數(shù)據(jù)集中的部分圖片,使用旋轉(zhuǎn)矩形框進行重新標(biāo)注。

    標(biāo)注1個旋轉(zhuǎn)矩形是比較困難的,因為旋轉(zhuǎn)矩形的4個點是落于旋轉(zhuǎn)目標(biāo)的輪廓外邊,很難快速定位到4個點的位置并標(biāo)注1個比較符合預(yù)期的旋轉(zhuǎn)矩形,更多的是標(biāo)注1個比較扭曲的四邊形(圖6)。針對這種標(biāo)注耗時、費力的情況,本研究使用了十字標(biāo)注法,將原本順時針標(biāo)注變?yōu)榻徊鏄?biāo)注,而這些交叉標(biāo)注的點都落于目標(biāo)上,將1條對角線作為基準(zhǔn)線,即目標(biāo)的朝向,另外2個點向這條基準(zhǔn)線做垂線,將“十”字標(biāo)注轉(zhuǎn)為旋轉(zhuǎn)矩形框,結(jié)果如圖6-b所示。

    旋轉(zhuǎn)矩形框圖片使用Labelme工具標(biāo)注,標(biāo)注示意圖見圖7,圖像標(biāo)注完成后劃分為訓(xùn)練集、驗證集、測試集。訓(xùn)練集用于訓(xùn)練模型的參數(shù),使模型能夠擬合數(shù)據(jù)的特征和規(guī)律[22]。驗證集用于調(diào)整模型的超參數(shù),如學(xué)習(xí)率、正則化系數(shù)等,以優(yōu)化模型的性能和泛化能力。測試集用于評估模型在未知數(shù)據(jù)上的表現(xiàn),檢驗?zāi)P偷臏?zhǔn)確度和魯棒性。

    本研究對上述2個公開數(shù)據(jù)集的圖片重新標(biāo)注旋轉(zhuǎn)矩形框標(biāo)簽,并用于比較水平矩形框的模型訓(xùn)練和檢測效果。所制作的數(shù)據(jù)集共包含408張圖片,其中386張的分辨率為1 024像素×1 024像素,來自GWHD2021數(shù)據(jù)集;另外22張的分辨率為6 000像素×4 000像素,來自WEDD數(shù)據(jù)集。這些圖片來源各不相同,具備一定的復(fù)雜度和多樣性,同時包含水平矩形框和旋轉(zhuǎn)矩形框2種標(biāo)簽。為了評估不同模型的性能,將這2個數(shù)據(jù)集按照8 ∶1 ∶1的比例劃分為訓(xùn)練集、驗證集和測試集。本研究基于這2個數(shù)據(jù)集,對YOLOX模型進行了進一步的研究和改進。

    3.2" 數(shù)據(jù)增強

    由于本研究使用的旋轉(zhuǎn)矩形框數(shù)據(jù)集相比水平矩形框數(shù)據(jù)集少一些,因此可以進一步使用數(shù)據(jù)增強方法擴充數(shù)據(jù)集,以提高模型檢測效果。在使用更多的隨機平移、裁剪、Mosaic和Mixup數(shù)據(jù)增強

    方法的同時,額外使用Copy-Paste方法[23],Copy-Paste是一種簡單而有效的數(shù)據(jù)增強方法,它的基本思想是:從訓(xùn)練集中隨機選擇2幅圖像,從其中一張圖片中隨機選擇一個目標(biāo)子集,并將其復(fù)制粘貼到另一張圖片中的隨機位置,同時更新相應(yīng)的標(biāo)注框信息。這樣可以豐富數(shù)據(jù)中的場景和對象的組合,提高模型對不同尺度、姿態(tài)和遮擋的泛化能力,使用數(shù)據(jù)增強后的效果見圖8。

    4" 模型訓(xùn)練

    4.1" 試驗配置與參數(shù)

    本試驗全部在Linux環(huán)境下進行,訓(xùn)練模型的操作系統(tǒng)為Ubuntu 18.04.6 LTS,圖形處理器為NVIDIA Tesla P100,計算機內(nèi)存和顯存均為16 GB,具體配置信息見表1。本研究訓(xùn)練YOLO v5模型采用的超參數(shù)設(shè)置見表2。

    4.2" 評價指標(biāo)

    Precision和Recall是2個常用的評價分類模型性能的指標(biāo)。Precision(P)表示預(yù)測為正例的樣本中真正為正例的比例,也就是正確預(yù)測的正例占所有預(yù)測為正例的樣本的比例。

    在平面直角坐標(biāo)系中以Recall(R)值為橫軸,P值

    為縱軸,可以得到PR曲線,AP(average precision)是Precision-Recall曲線下的面積,可使用積分計算,如式(7)所示。AP綜合考慮P和R 2個指標(biāo),能夠更全面地評估模型的性能。

    5" 試驗結(jié)果與分析

    試驗結(jié)果見表3,其中YOLOX為基礎(chǔ)模型,YOLOX_CA為在此基礎(chǔ)上添加坐標(biāo)注意力模塊;YOLOX_Rotation為修改預(yù)測頭和損失函數(shù)后的旋轉(zhuǎn)矩形框檢測模型,YOLOX_Rotation_CA為該模型添加坐標(biāo)注意力模塊后的模型,并命名為YOLOX-RoC。

    添加坐標(biāo)注意力模塊后,YOLOX_CA和YOLOX_Rotation_CA(YOLOX-RoC)模型在AP0.5和AP0.5 ∶0.95 2個指標(biāo)上都有顯著的提升,分別達到了78.4%和41.9%,以及78.9%和43.9%。這說明坐標(biāo)注意力模塊可以有效地增強特征表示能力,提高小麥穗檢測的準(zhǔn)確性。同時,YOLOX-RoC模型相比于YOLOX_CA模型有更高的性能,這表明旋轉(zhuǎn)矩形框相比于水平矩形框更適合于小麥穗檢測任務(wù)。然而,值得注意的是, YOLOX-Rotation模型

    的算法復(fù)雜度也相對較高,比YOLOX模型更復(fù)雜。

    圖9展示了YOLOX_Rotation_CA(YOLOX-RoC)模型在檢測小麥穗時相對于其他模型的優(yōu)勢。首先,在遮擋較嚴(yán)重的圖像中,只有YOLOX-RoC模型可以正確識別出被遮擋的麥穗,并且使用旋轉(zhuǎn)矩形框更準(zhǔn)確地擬合麥穗的輪廓(圖9-a)。其次,在圖像中較小的小麥穗目標(biāo)下,只有YOLOX-RoC模型可以辨別出這些較小且難以識別的小麥穗目標(biāo),并且使用坐標(biāo)注意力模塊可以更好地突出這些目標(biāo)區(qū)域(圖9-b)。最后,在圖像中存在多個不同方向和大小的小麥穗目標(biāo)時,只有YOLOX-RoC模型可以準(zhǔn)確地檢測出所有的目標(biāo),并且使用旋轉(zhuǎn)矩形框和坐標(biāo)注意力模塊可以更好地表示目標(biāo)的位置、方向和大小(圖 9-c)。

    6" 結(jié)論

    本研究提出了一種新的旋轉(zhuǎn)目標(biāo)檢測方

    法——YOLOX-Rotation, 結(jié)合坐標(biāo)注意力模塊, 取得了顯著優(yōu)勢。相較于水平矩形框,旋轉(zhuǎn)矩形框在小麥穗檢測任務(wù)中更精確,提供更好的可視化效果,且在模型精度和靈活性上表現(xiàn)更好。本研究主要通過以下幾個關(guān)鍵改進來實現(xiàn)這一進展:(1)重新設(shè)計旋轉(zhuǎn)目標(biāo)的表示方法,修改YOLOX的預(yù)測頭,以更好地表示旋轉(zhuǎn)目標(biāo)的位置和姿態(tài),從而提高模型的性能;(2)采用KL散度損失函數(shù)來解決旋轉(zhuǎn)敏感度誤差,提高了訓(xùn)練穩(wěn)定性和檢測精度;(3)采用Copy-Paste數(shù)據(jù)增強方法,擴充了訓(xùn)練樣本,增加了數(shù)據(jù)的多樣性和復(fù)雜性,提高了模型的泛化能力;(4)引入坐標(biāo)注意力模塊,以增強特征表示能力。這一模塊能更好地捕獲特征圖的依存關(guān)系,提高檢測效果。通過試驗驗證,改進后的YOLOX-RoC模型AP值提升2.4百分點,特別在小目標(biāo)和遮擋嚴(yán)重的情況下表現(xiàn)出色。

    綜上所述,本研究在旋轉(zhuǎn)目標(biāo)檢測領(lǐng)域取得了顯著的進展,提出的YOLOX-RoC方法在檢測精度和泛化能力上表現(xiàn)出色,但仍然存在一些潛在的改進空間。未來可以進一步研究如何進一步提高模型的魯棒性和效率,以及如何更好地適應(yīng)更復(fù)雜多樣化的場景,使其在實際應(yīng)用中具有更廣泛的價值和應(yīng)用前景。

    參考文獻:

    [1]Zhao C J,Zhang Y,Du J J,et al. Crop phenomics:current status and perspectives[J]. Frontiers in Plant Science,2019,10:714.

    [2]Girshick R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision. Santiago:IEEE,2015:1440-1448.

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

    [4]Liu W,Anguelov D,Erhan D,et al. SSD:single shot MultiBox detector[M]//Lecture Notes in Computer Science.Cham:Springer International Publishing,2016:21-37.

    [5]Hasan M M,Chopin J P,Laga H,et al. Detection and analysis of wheat spikes using Convolutional Neural Networks[J]. Plant Methods,2018,14:100.

    [6]He M X,Hao P,Xin Y Z.A robust method for wheatear detection using UAV in natural scenes[J]. IEEE Access,2020,8:189043-189053.

    [7]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.

    [8]黃子琦. 基于深度學(xué)習(xí)麥穗識別的小麥估產(chǎn)研究[D]. 泰安:山東農(nóng)業(yè)大學(xué),2022:3-4.

    [9]Ge Z,Liu S,Wang F,et al. Yolox:Exceeding yolo series in 2021[EB/OL]. (2021-07-18)[2023-10-05]. https://arxiv.org/abs/2107.08430.

    [10]Redmon J,F(xiàn)arhadi A.YOLO v3:an incremental improvement[EB/OL]. (2018-04-08)[2023-10-05]. https://arxiv.org/abs/1804.02767v1.

    [11]Ioffe S,Szegedy C. Batch normalization:accelerating deep network training by reducing internal covariate shift[J]. 32nd International Conference on Machine Learning,2015,1:448-456.

    [12]Xu B,Wang N Y,Chen T Q,et al. Empirical evaluation of rectified activations in convolutional network[EB/OL]. (2015-11-27)[2023-10-05]. https://arxiv.org/abs/1505.00853v2.

    [13]He K M,Zhang X Y,Ren S Q,et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9):1904-1916.

    [14]Huang Z C,Wang J L,F(xiàn)u X S,et al. DC-SPP-YOLO:dense connection and spatial pyramid pooling based YOLO for object detection[J]. Information Sciences,2020,522:241-258.

    [15]Hu J,Shen L,Sun G.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake:IEEE,2018:7132-7141.

    [16]Woo S,Park J,Lee J Y,et al. CBAM:convolutional block attention module[M]//Lecture Notes in Computer Science.Cham:Springer International Publishing,2018:3-19.

    [17]Hou Q B,Zhou D Q,F(xiàn)eng J S.Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Nashville:IEEE,2021:13708-13717.

    [18]Yang X,Yang X J,Yang J R,et al. Learning high-precision bounding box for rotated object detection via kullback-leibler divergence[EB/OL]. (2021-06-03)[2023-10-05]. https://arxiv.org/abs/2106.01883v5.

    [19]Zakaria Y,Mokhtar S A,Baraka H,et al. Improving small and cluttered object detection by incorporating instance level denoising into single-shot alignment network for remote sensing imagery[J]. IEEE Access,2022,10:51176-51190.

    [20]David E,Serouart M,Smith D,et al. Global Wheat Head Dataset 2021:more diversity to improve the benchmarking of wheat head localization methods[EB/OL]. (2021-06-03)[2023-10-05]. https://arxiv.org/abs/2105.07660v2.

    [21]Madec S,Jin X L,Lu H,et al. Ear density estimation from high resolution RGB imagery using deep learning technique[J]. Agricultural and Forest Meteorology,2019,264:225-234.

    [22]劉" 穎,劉紅燕,范九倫,等. 基于深度學(xué)習(xí)的小目標(biāo)檢測研究與應(yīng)用綜述[J]. 電子學(xué)報,2020,48(3):590-601.

    [23]Ghiasi G,Cui Y,Srinivas A,et al. Simple copy-paste is a strong data augmentation method for instance segmentation[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville:IEEE,2021:2918-2928.

    猜你喜歡
    目標(biāo)檢測
    多視角目標(biāo)檢測與跟蹤技術(shù)的研究與實現(xiàn)
    視頻中目標(biāo)檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識別中的人體運動目標(biāo)檢測方法
    移動機器人圖像目標(biāo)識別
    基于視頻監(jiān)控的運動圖像檢測算法研究
    基于背景建模法的運動目標(biāo)檢測
    基于P3電位的目標(biāo)檢測研究
    科技視界(2016年4期)2016-02-22 13:09:19
    智能視頻技術(shù)在電力系統(tǒng)領(lǐng)域的應(yīng)用
    相關(guān)K分布雜波中擴展目標(biāo)積累檢測性能分析
    基于連通域標(biāo)記的目標(biāo)檢測算法設(shè)計與實現(xiàn)
    亚洲成色77777| 一级片'在线观看视频| 色视频在线一区二区三区| 在现免费观看毛片| 91成人精品电影| 18+在线观看网站| 亚洲视频免费观看视频| 赤兔流量卡办理| 亚洲精华国产精华液的使用体验| 国产又色又爽无遮挡免| 少妇的逼水好多| 欧美黄色片欧美黄色片| 亚洲成av片中文字幕在线观看 | 精品99又大又爽又粗少妇毛片| 国产精品蜜桃在线观看| 中文字幕亚洲精品专区| 热re99久久精品国产66热6| 欧美日韩av久久| a 毛片基地| 久久久久网色| 超碰成人久久| 不卡av一区二区三区| a级毛片黄视频| 在线免费观看不下载黄p国产| 国产精品蜜桃在线观看| 伦精品一区二区三区| 男女啪啪激烈高潮av片| 国产高清国产精品国产三级| 国产日韩欧美视频二区| 秋霞伦理黄片| 男女啪啪激烈高潮av片| 国产精品一区二区在线不卡| 国产亚洲一区二区精品| 久久精品国产亚洲av涩爱| 亚洲av国产av综合av卡| 精品第一国产精品| 国产精品久久久久久精品古装| 久久久欧美国产精品| 国产成人精品无人区| 亚洲一级一片aⅴ在线观看| 国产免费一区二区三区四区乱码| 国产亚洲精品第一综合不卡| 欧美日韩一区二区视频在线观看视频在线| 精品午夜福利在线看| 一级毛片我不卡| 乱人伦中国视频| 捣出白浆h1v1| 中文字幕人妻熟女乱码| 精品少妇内射三级| 国产日韩欧美亚洲二区| 精品国产一区二区三区久久久樱花| 亚洲欧美成人综合另类久久久| 黄片播放在线免费| 超碰97精品在线观看| 欧美老熟妇乱子伦牲交| 国产精品国产三级专区第一集| 国产精品欧美亚洲77777| 五月天丁香电影| 丝袜喷水一区| av网站免费在线观看视频| 亚洲av福利一区| 又黄又粗又硬又大视频| 精品亚洲成国产av| 99精国产麻豆久久婷婷| av片东京热男人的天堂| www日本在线高清视频| 国产一区有黄有色的免费视频| 一级毛片黄色毛片免费观看视频| xxx大片免费视频| 欧美日韩国产mv在线观看视频| 午夜日本视频在线| 2018国产大陆天天弄谢| 一级黄片播放器| kizo精华| 少妇被粗大猛烈的视频| 亚洲精品国产av成人精品| 久久精品国产鲁丝片午夜精品| 日韩熟女老妇一区二区性免费视频| 国产国语露脸激情在线看| 日日爽夜夜爽网站| 少妇精品久久久久久久| 午夜福利在线观看免费完整高清在| 爱豆传媒免费全集在线观看| 在现免费观看毛片| 免费少妇av软件| 亚洲欧美一区二区三区黑人 | 国产乱人偷精品视频| 亚洲av电影在线进入| 亚洲美女视频黄频| av国产久精品久网站免费入址| 丝瓜视频免费看黄片| 国产在线视频一区二区| 国产熟女午夜一区二区三区| 丰满少妇做爰视频| 午夜免费观看性视频| 美女大奶头黄色视频| 日本猛色少妇xxxxx猛交久久| 9热在线视频观看99| 在线观看免费视频网站a站| 欧美精品一区二区大全| 欧美精品av麻豆av| 欧美成人精品欧美一级黄| 日韩,欧美,国产一区二区三区| 久久久久精品久久久久真实原创| 大片免费播放器 马上看| 极品少妇高潮喷水抽搐| 日本免费在线观看一区| 男女国产视频网站| 婷婷成人精品国产| 岛国毛片在线播放| 久久久精品国产亚洲av高清涩受| 亚洲一区中文字幕在线| 久久精品国产亚洲av涩爱| 最新中文字幕久久久久| 一级毛片我不卡| 国产又爽黄色视频| 欧美亚洲 丝袜 人妻 在线| 两个人看的免费小视频| 国产欧美日韩一区二区三区在线| 欧美xxⅹ黑人| 在线观看美女被高潮喷水网站| 香蕉精品网在线| 伦理电影大哥的女人| 日本vs欧美在线观看视频| 欧美国产精品va在线观看不卡| 欧美97在线视频| 久久免费观看电影| 久久97久久精品| 久久精品国产亚洲av天美| 精品国产露脸久久av麻豆| av又黄又爽大尺度在线免费看| 欧美日韩av久久| 宅男免费午夜| 少妇人妻久久综合中文| 热99国产精品久久久久久7| h视频一区二区三区| 日韩av在线免费看完整版不卡| 久久久久久久久免费视频了| 亚洲少妇的诱惑av| 这个男人来自地球电影免费观看 | 丰满饥渴人妻一区二区三| 捣出白浆h1v1| 一级片'在线观看视频| 在线免费观看不下载黄p国产| 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 | 夜夜骑夜夜射夜夜干| 男人添女人高潮全过程视频| 观看av在线不卡| av国产久精品久网站免费入址| 日韩视频在线欧美| 五月伊人婷婷丁香| 中文乱码字字幕精品一区二区三区| 80岁老熟妇乱子伦牲交| 亚洲美女视频黄频| 秋霞在线观看毛片| 色网站视频免费| 啦啦啦在线观看免费高清www| 狂野欧美激情性bbbbbb| 亚洲成av片中文字幕在线观看 | 欧美亚洲日本最大视频资源| 日本-黄色视频高清免费观看| 欧美国产精品一级二级三级| 黑人巨大精品欧美一区二区蜜桃| 亚洲av中文av极速乱| 久久青草综合色| 新久久久久国产一级毛片| 在线看a的网站| 亚洲av电影在线观看一区二区三区| 欧美 日韩 精品 国产| 欧美最新免费一区二区三区| 成人漫画全彩无遮挡| 999久久久国产精品视频| 你懂的网址亚洲精品在线观看| 国产激情久久老熟女| 国产精品一二三区在线看| 久久久久久久久久久免费av| 又粗又硬又长又爽又黄的视频| 人妻系列 视频| 免费大片黄手机在线观看| 日日撸夜夜添| 在线观看www视频免费| 久久精品人人爽人人爽视色| 中文字幕最新亚洲高清| 久久久a久久爽久久v久久| 亚洲精品视频女| 啦啦啦在线免费观看视频4| av在线app专区| 人成视频在线观看免费观看| 国产免费视频播放在线视频| 国产av一区二区精品久久| 少妇被粗大猛烈的视频| 精品少妇一区二区三区视频日本电影 | 99久久精品国产国产毛片| 赤兔流量卡办理| 又大又黄又爽视频免费| 秋霞在线观看毛片| 欧美xxⅹ黑人| 黄色怎么调成土黄色| 在线观看人妻少妇| 亚洲av国产av综合av卡| 免费在线观看视频国产中文字幕亚洲 | 日本vs欧美在线观看视频| 黄色视频在线播放观看不卡| 久久久久精品人妻al黑| 18禁裸乳无遮挡动漫免费视频| 亚洲精品成人av观看孕妇| 九草在线视频观看| 成人影院久久| 久久久a久久爽久久v久久| 超色免费av| 99九九在线精品视频| 赤兔流量卡办理| 亚洲欧洲国产日韩| 欧美成人午夜精品| 午夜福利在线观看免费完整高清在| 美女xxoo啪啪120秒动态图| 精品亚洲乱码少妇综合久久| 国产 一区精品| 亚洲av免费高清在线观看| 亚洲久久久国产精品| 久久国产亚洲av麻豆专区| videos熟女内射| 婷婷色麻豆天堂久久| 免费观看无遮挡的男女| 国产不卡av网站在线观看| 精品一区二区三区四区五区乱码 | 久久人妻熟女aⅴ| www.精华液| 国产爽快片一区二区三区| 亚洲一码二码三码区别大吗| 午夜91福利影院| 亚洲,欧美精品.| av免费在线看不卡| 亚洲精品国产av蜜桃| 成人毛片60女人毛片免费| 久久久久久久精品精品| 国产午夜精品一二区理论片| 日韩三级伦理在线观看| 久久精品国产a三级三级三级| 日韩av在线免费看完整版不卡| 好男人视频免费观看在线| 亚洲国产看品久久| 一区二区av电影网| 久久久久久免费高清国产稀缺| 永久网站在线| 91在线精品国自产拍蜜月| 男女无遮挡免费网站观看| 中文字幕人妻熟女乱码| 国产亚洲一区二区精品| 日韩人妻精品一区2区三区| 在线观看免费高清a一片| 考比视频在线观看| 大片电影免费在线观看免费| videos熟女内射| 制服诱惑二区| 亚洲欧美一区二区三区国产| 在线看a的网站| 在线观看免费高清a一片| 另类亚洲欧美激情| 777米奇影视久久| 伊人久久大香线蕉亚洲五| 亚洲精品自拍成人| 国语对白做爰xxxⅹ性视频网站| 人妻一区二区av| 国产男人的电影天堂91| 国产亚洲av片在线观看秒播厂| 中文欧美无线码| 曰老女人黄片| 国产av码专区亚洲av| 国产成人av激情在线播放| 巨乳人妻的诱惑在线观看| 久久久久精品久久久久真实原创| 一边摸一边做爽爽视频免费| 成年美女黄网站色视频大全免费| 丰满少妇做爰视频| 久久女婷五月综合色啪小说| 91在线精品国自产拍蜜月| 两个人免费观看高清视频| 菩萨蛮人人尽说江南好唐韦庄| 建设人人有责人人尽责人人享有的| 亚洲第一区二区三区不卡| 国精品久久久久久国模美| 亚洲视频免费观看视频| 免费av中文字幕在线| 日本91视频免费播放| 一区在线观看完整版| 一二三四在线观看免费中文在| 欧美激情高清一区二区三区 | 欧美日韩亚洲高清精品| 在线观看免费日韩欧美大片| 国产成人aa在线观看| 国产熟女欧美一区二区| 欧美日韩国产mv在线观看视频| 91精品三级在线观看| 黑人猛操日本美女一级片| 日本91视频免费播放| 久久精品久久久久久噜噜老黄| 秋霞在线观看毛片| 1024视频免费在线观看| 欧美日韩精品网址| 男女下面插进去视频免费观看| 精品国产国语对白av| 精品人妻熟女毛片av久久网站| 国产亚洲午夜精品一区二区久久| 日韩视频在线欧美| 在线观看三级黄色| 午夜影院在线不卡| 亚洲一级一片aⅴ在线观看| 久久久久久人妻| 大香蕉久久成人网| 建设人人有责人人尽责人人享有的| 午夜福利网站1000一区二区三区| 超碰成人久久| 成年美女黄网站色视频大全免费| 春色校园在线视频观看| 99精国产麻豆久久婷婷| 丰满少妇做爰视频| videosex国产| 午夜福利视频精品| 国产白丝娇喘喷水9色精品| 欧美日韩视频高清一区二区三区二| 赤兔流量卡办理| 大片电影免费在线观看免费| 午夜福利视频在线观看免费| 女人精品久久久久毛片| 91成人精品电影| 一区二区av电影网| 天天躁夜夜躁狠狠躁躁| 人人妻人人澡人人看| 婷婷成人精品国产| 免费观看a级毛片全部| 建设人人有责人人尽责人人享有的| 日韩人妻精品一区2区三区| 国产精品嫩草影院av在线观看| 人人妻人人澡人人爽人人夜夜| 亚洲精品久久午夜乱码| 黄片小视频在线播放| 丰满乱子伦码专区| 午夜免费男女啪啪视频观看| 丰满乱子伦码专区| 一区二区日韩欧美中文字幕| 一级毛片电影观看| 两个人免费观看高清视频| 大片电影免费在线观看免费| 成年动漫av网址| 欧美精品国产亚洲| 国产免费又黄又爽又色| 啦啦啦在线观看免费高清www| 波多野结衣av一区二区av| 性少妇av在线| 久久久a久久爽久久v久久| 久久久久久伊人网av| 亚洲图色成人| 性少妇av在线| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲av福利一区| 欧美精品高潮呻吟av久久| 亚洲综合色惰| 一个人免费看片子| 又粗又硬又长又爽又黄的视频| 午夜影院在线不卡| 日韩中文字幕视频在线看片| 在线观看一区二区三区激情| 大码成人一级视频| 久久婷婷青草| 91久久精品国产一区二区三区| 成人午夜精彩视频在线观看| av天堂久久9| 亚洲精华国产精华液的使用体验| 国产精品女同一区二区软件| 亚洲视频免费观看视频| 中文字幕最新亚洲高清| 亚洲,欧美,日韩| 亚洲av电影在线观看一区二区三区| kizo精华| 日本av手机在线免费观看| 中文字幕人妻丝袜一区二区 | 丝袜在线中文字幕| 视频区图区小说| 欧美成人午夜免费资源| 亚洲综合色惰| 久久久久久久亚洲中文字幕| 国产成人精品婷婷| 少妇被粗大的猛进出69影院| 搡老乐熟女国产| 热99久久久久精品小说推荐| 青春草亚洲视频在线观看| 免费看不卡的av| www.熟女人妻精品国产| 黄片小视频在线播放| 9色porny在线观看| 黄色配什么色好看| 亚洲成人手机| 免费观看av网站的网址| 中文乱码字字幕精品一区二区三区| 成人毛片60女人毛片免费| 国产精品久久久久久精品电影小说| 亚洲精品aⅴ在线观看| 久久国内精品自在自线图片| 99久久中文字幕三级久久日本| 亚洲av在线观看美女高潮| 菩萨蛮人人尽说江南好唐韦庄| 97在线人人人人妻| 欧美精品国产亚洲| 热99久久久久精品小说推荐| 日韩成人av中文字幕在线观看| 十八禁网站网址无遮挡| 丝袜美足系列| 精品国产露脸久久av麻豆| 国产精品久久久久成人av| 久久久久网色| 寂寞人妻少妇视频99o| 男人爽女人下面视频在线观看| 精品福利永久在线观看| 国产精品国产三级国产专区5o| 免费高清在线观看视频在线观看| 国产精品久久久久久精品古装| av福利片在线| 伊人久久国产一区二区| 啦啦啦在线观看免费高清www| 巨乳人妻的诱惑在线观看| 有码 亚洲区| 国产精品国产av在线观看| 午夜激情久久久久久久| 涩涩av久久男人的天堂| 日日撸夜夜添| 成年动漫av网址| 国产亚洲欧美精品永久| 日本91视频免费播放| 亚洲美女视频黄频| 亚洲第一av免费看| 国产高清国产精品国产三级| 亚洲国产日韩一区二区| 9191精品国产免费久久| 男女免费视频国产| 秋霞在线观看毛片| 看非洲黑人一级黄片| 日日啪夜夜爽| 一级片'在线观看视频| 少妇的逼水好多| 人人澡人人妻人| 看免费成人av毛片| 丰满少妇做爰视频| 美女大奶头黄色视频| 黄网站色视频无遮挡免费观看| av免费观看日本| 成年av动漫网址| 美女国产视频在线观看| 亚洲国产看品久久| 精品第一国产精品| 亚洲经典国产精华液单| 亚洲av免费高清在线观看| a级毛片在线看网站| 久久精品久久久久久久性| 国产极品粉嫩免费观看在线| 国产一区有黄有色的免费视频| 精品少妇黑人巨大在线播放| 久久久精品94久久精品| 捣出白浆h1v1| 亚洲欧美清纯卡通| 午夜日本视频在线| 999久久久国产精品视频| 99久久中文字幕三级久久日本| 男女无遮挡免费网站观看| 搡老乐熟女国产| 岛国毛片在线播放| 99久国产av精品国产电影| 亚洲一区二区三区欧美精品| 午夜精品国产一区二区电影| av片东京热男人的天堂| 国产av一区二区精品久久| 精品少妇久久久久久888优播| 国产高清不卡午夜福利| 国产精品久久久久久精品电影小说| 欧美日韩成人在线一区二区| av线在线观看网站| 欧美中文综合在线视频| 国产探花极品一区二区| 精品久久久精品久久久| 天天躁夜夜躁狠狠久久av| 久热久热在线精品观看| 久久久久视频综合| kizo精华| 精品卡一卡二卡四卡免费| 高清黄色对白视频在线免费看| 在线免费观看不下载黄p国产| av福利片在线| 日韩视频在线欧美| 午夜免费鲁丝| 熟女电影av网| 国产精品国产三级国产专区5o| 99热国产这里只有精品6| 波多野结衣av一区二区av| 国产视频首页在线观看| 成人免费观看视频高清| 美女国产高潮福利片在线看| 一区在线观看完整版| 精品亚洲成国产av| 久久久久人妻精品一区果冻| 久久久久久久久久久免费av| 久久久久精品性色| 婷婷色综合大香蕉| 日本欧美视频一区| 国产成人av激情在线播放| 精品国产一区二区三区久久久樱花| 日韩 亚洲 欧美在线| av福利片在线| 美女中出高潮动态图| 日韩成人av中文字幕在线观看| 丝袜美腿诱惑在线| 少妇人妻精品综合一区二区| 少妇人妻 视频| 亚洲三级黄色毛片| 91在线精品国自产拍蜜月| 日本-黄色视频高清免费观看| 国产亚洲一区二区精品| av免费在线看不卡| 亚洲国产精品999| 99九九在线精品视频| 91午夜精品亚洲一区二区三区| 国产爽快片一区二区三区| 高清av免费在线| 亚洲精品美女久久av网站| 2021少妇久久久久久久久久久| 在线观看免费日韩欧美大片| 日本91视频免费播放| 搡老乐熟女国产| 久久国产精品大桥未久av| 一二三四在线观看免费中文在| 又大又黄又爽视频免费| 一区二区日韩欧美中文字幕| 午夜福利视频精品| 在线免费观看不下载黄p国产| 一区二区av电影网| 另类亚洲欧美激情| 午夜91福利影院| 汤姆久久久久久久影院中文字幕| 国产乱人偷精品视频| 国产人伦9x9x在线观看 | 色婷婷久久久亚洲欧美| 国产精品无大码| 国产精品麻豆人妻色哟哟久久| 青青草视频在线视频观看| 免费观看av网站的网址| 婷婷成人精品国产| 啦啦啦在线观看免费高清www| 日韩,欧美,国产一区二区三区| 女性被躁到高潮视频| 婷婷色综合大香蕉| 日韩一区二区视频免费看| 少妇猛男粗大的猛烈进出视频| 母亲3免费完整高清在线观看 | 两性夫妻黄色片| 国产野战对白在线观看| 中国国产av一级| 欧美激情高清一区二区三区 | 久久久久精品人妻al黑| a级毛片黄视频| 看非洲黑人一级黄片| 一区二区日韩欧美中文字幕| 好男人视频免费观看在线| 日产精品乱码卡一卡2卡三| 日本91视频免费播放| 在线观看美女被高潮喷水网站| 免费观看在线日韩| 丝袜在线中文字幕| 国产激情久久老熟女| 久久精品人人爽人人爽视色| 秋霞在线观看毛片| 亚洲精品乱久久久久久| 不卡视频在线观看欧美| 欧美日韩精品网址| 菩萨蛮人人尽说江南好唐韦庄| 熟女av电影| 超碰成人久久| 精品国产乱码久久久久久小说| 午夜福利一区二区在线看| videossex国产| 国产精品成人在线| 男人添女人高潮全过程视频| 美女福利国产在线| 最新的欧美精品一区二区| 久久久a久久爽久久v久久| xxxhd国产人妻xxx| 成人毛片a级毛片在线播放| 男人舔女人的私密视频| 国产高清国产精品国产三级| 天堂中文最新版在线下载| 久久久久久人人人人人| 男女国产视频网站| 狠狠婷婷综合久久久久久88av| 黄色 视频免费看| √禁漫天堂资源中文www| 午夜福利在线免费观看网站| 国产日韩欧美视频二区| 在线观看三级黄色| videosex国产| 国产亚洲一区二区精品| 熟女少妇亚洲综合色aaa.| 极品少妇高潮喷水抽搐| 国产视频首页在线观看| 亚洲第一区二区三区不卡| 亚洲精品国产av蜜桃| av天堂久久9| 亚洲av日韩在线播放| 久久久久久人妻| 丰满迷人的少妇在线观看| 男女下面插进去视频免费观看| 亚洲伊人色综图| 精品少妇久久久久久888优播| 久久免费观看电影| 免费黄频网站在线观看国产| 久久97久久精品| 国产极品天堂在线| 亚洲国产看品久久|