• <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 ?

    基于輕量化YOLO v8-Rice的水稻蟲害檢測方法

    2024-12-31 00:00:00桂余鵬胡蓉華崔艷榮賈瀛睿
    江蘇農(nóng)業(yè)科學 2024年20期
    關(guān)鍵詞:蟲害輕量化卷積

    doi:10.15889/j.issn.1002-1302.2024.20.033

    摘要:針對真實場景下水稻蟲害識別的背景復雜、模型計算量和參數(shù)量大以及難以在嵌入式設備或移動設備上部署等問題,在YOLO v8的基礎(chǔ)上提出一種改進的輕量化的YOLO v8-Rice水稻蟲害檢測算法。首先,采用Context Guided Block結(jié)構(gòu)替換傳統(tǒng)YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu),增強模型的上下文信息理解能力,壓縮模型的權(quán)重;然后,使用深度可分離卷積代替?zhèn)鹘y(tǒng)YOLO v8中的標準卷積,以降低參數(shù)量、計算量;最后,將檢測頭重構(gòu)為輕量級共享卷積檢測頭,以進一步降低參數(shù)量、計算量,并提高模型對多尺度蟲害特征的定位和提取能力,使其能夠更好地適應不同尺寸、復雜度的蟲害狀況。結(jié)果表明,相比于傳統(tǒng)YOLO v8,YOLO v8-Rice算法在計算量、參數(shù)量方面分別減小70.5%、61.7%,模型的權(quán)重文件大小降低至1.94 MB,僅為YOLO v8n的32.4%,并且在平均精度上達到94.1%,與其他模型相比明顯提高。該算法在水稻蟲害檢測方面的性能取得了顯著提升。借助輕量化網(wǎng)絡模型及優(yōu)化模型的部署,使其更適合在移動設備或嵌入式設備中部署,可為實際農(nóng)業(yè)場景中的水稻蟲害檢測提供更可行的解決方案,可以準確地檢測定位和分類水稻蟲害。

    關(guān)鍵詞:水稻蟲害檢測;輕量化YOLO v8-Rice;Context Guided Block;深度可分離卷積;輕量級共享卷積檢測頭

    中圖分類號:S126;S435.112;TP391.41" 文獻標志碼:A

    文章編號:1002-1302(2024)20-0277-08

    收稿日期:2024-03-23

    基金項目:國家自然科學基金面上項目(編號:62077018);湖北省自然科學基金(編號:2023AFB082)。

    作者簡介:桂余鵬(1999—),男,湖北襄陽人,碩士研究生,研究方向為深度學習與目標檢測。E-mail:2022710691@yangtzeu.edu.cn。

    通信作者:胡蓉華,博士,講師,研究方向為網(wǎng)絡與信息安全。E-mail:hrh2016@yangtzeu.edu.cn。

    水稻種植在確保我國的糧食供應、促進農(nóng)業(yè)可持續(xù)發(fā)展方面扮演著至關(guān)重要的角色[1]。然而,在水稻的生長周期中,眾多病蟲害頻繁且嚴重的侵襲對水稻產(chǎn)量及其質(zhì)量產(chǎn)生了較為惡劣的負面影響[2]。有數(shù)據(jù)顯示,2006—2015年,我國水稻由病蟲害導致的損失占比達33.67%,但是通過有效的防治手段,能夠成功挽回其中55.18%的潛在損失,表明綜合性的植物保護策略對于維護水稻生產(chǎn)的穩(wěn)定性具有重大貢獻[3]。

    傳統(tǒng)的水稻蟲害識別和診斷主要依靠人工的直接觀察與基于經(jīng)驗的判斷,這種方式在實施上存在效率低下的問題,同時,由于其結(jié)果受到個人經(jīng)驗和主觀判斷的限制,可能導致準確性的波動。近年來,隨著機器學習和深度學習領(lǐng)域的迅猛發(fā)展,這些先進的技術(shù)在農(nóng)業(yè)害蟲及疾病識別上實現(xiàn)了重大突破,給水稻種植業(yè)的可持續(xù)增長帶來了希望。江順等提出了一種改進的水稻害蟲識別技術(shù),該技術(shù)以AlexNet為基礎(chǔ)框架,通過引入額外的深層卷積層,去除局部響應歸一化層和全連接層,并采用修正線性單元作為激活函數(shù),以提高在多變環(huán)境下對水稻害蟲的識別精度[4]。梁萬杰等針對水稻蟲害識別問題,提出一種基于卷積神經(jīng)網(wǎng)絡模型的水稻二化螟蟲害識別方法,通過對圖像進行預處理、重新設計卷積神經(jīng)網(wǎng)絡模型,增強了網(wǎng)絡模型對水稻二化螟害蟲識別的抗干擾性和魯棒性[5]。鄭果等以MobileNet v3作為骨干網(wǎng)絡,對YOLO v7網(wǎng)絡進行改進,并構(gòu)建了基于特征金字塔的多尺度神經(jīng)網(wǎng)絡模型,提升了小個體害蟲的識別精度,實現(xiàn)了水稻蟲害遠程實時自動化識別[6]。曾偉輝等使用增強型超分辨率生成對抗網(wǎng)絡對低分辨率圖像進行數(shù)據(jù)增強,通過構(gòu)建SCResNeSt網(wǎng)絡并在骨干網(wǎng)絡中使用ResNeSt block以進一步提升對圖像中害蟲信息獲取的準確性,實現(xiàn)了野外實際場景下水稻害蟲識別的應用需求[7]。巨志勇等在傳統(tǒng)YOLO v5s模型的基礎(chǔ)上融合了CA注意力機制,并更換PANet為BiFPN結(jié)構(gòu),使用CARAFE結(jié)構(gòu)來代替原始的上采樣模塊,替換損失函數(shù)為EIoU等操作,提出了一種高效快速的檢測算法YOLO-Rice,具有更高的準確率、魯棒性[8]。崔金榮等針對水稻病害識別方法準確度低、模型收斂速度緩慢的問題,在MobileNet v3基礎(chǔ)上,通過微調(diào)的遷移學習策略完善了模型的訓練,然后添加了CA模塊,最終加入SVM多分類器,實現(xiàn)了高性能、易部署的水稻病害分類識別目標[9]。

    上述方法雖然都可以較為精準地識別研究目標,但是很少考慮到所提方法是否能夠兼顧精度、參數(shù)量、計算量及模型大小。為了解決此類問題,本研究提出一種基于YOLO v8-Rice的水稻蟲害檢測算法。該算法通過改進YOLO v8,旨在實現(xiàn)模型輕量化的同時,保證模型的性能,以滿足在嵌入式設備或移動設備終端進行實時監(jiān)測的需求。本研究的主要貢獻有3點:(1)替換C2f中的Bottleneck為Context Guided Block[10],增強網(wǎng)絡處理局部特征、周圍上下文和全局上下文信息的能力,并有效融合這些信息,提高模型對特征的定位精度及對其周圍環(huán)境的理解能力;(2)替換標準卷積為深度可分離卷積[11],有效減少了模型的參數(shù)量、計算量,在保持模型檢測性能穩(wěn)定性的同時,提高了模型的運行效率;(3)輕量級共享卷積檢測頭,重新設計檢測頭結(jié)構(gòu),通過使用共享卷積,大幅減小模型的參數(shù)量、計算量,進一步壓縮模型的權(quán)重文件大小,提升檢測頭的定位和分類性能,并且能夠提升模型對多尺度特征的理解能力。

    1" 材料與方法

    1.1" 數(shù)據(jù)集介紹

    本研究所用數(shù)據(jù)集樣本主要來源于2個不同的途徑,一是Kaggle在線數(shù)據(jù)科學平臺,二是利用Baidu、Google、Bing等多個搜索引擎進行檢索。經(jīng)過篩選和整理,建立了1個水稻蟲害的數(shù)據(jù)集,該數(shù)據(jù)集共有2 078張圖片,涵蓋7種不同的水稻蟲害類型,具體包括稻螟蛉卵、稻螟蛉蟲、稻螟蛉蛾、稻大螟幼蟲、點斑Ⅰ型稻綠蝽、點斑Ⅱ型稻綠蝽、全綠型稻綠蝽等,部分水稻害蟲如圖1所示。本研究所用訓練模型為YOLO系列格式的數(shù)據(jù)集,因此,采用LabelImg圖像工具標記害蟲類型及其位置,生成xml類型的標注文件,再將xml格式的文件轉(zhuǎn)換為YOLO訓練的txt格式的文件。按照7 ∶2 ∶1的比例將數(shù)據(jù)集隨機劃分為訓練集、測試集、驗證集。

    1.2" YOLO v8網(wǎng)絡結(jié)構(gòu)

    YOLO v8是Ultralytics公司在2023年1月10日開源的YOLO v5的下一個重大更新版本,YOLO v8繼承了YOLO系列[12-19]之前的成果,并在圖像分類、目標檢測和實例分割等多個領(lǐng)域得到了廣泛應用。YOLO v8發(fā)布時推出了5種不同尺寸的網(wǎng)絡模型,標記為n、s、m、l和x,這些模型的大小依次遞增,精度也相應提高。表1中展示了YOLO v8 5個版本的計算量和參數(shù)量。

    考慮到移動設備和嵌入式設備的資源限制及對輕量化的需求,本研究采用參數(shù)量、計算量最小的YOLO v8n模型。如圖2所示,YOLO v8的主要

    結(jié)構(gòu)包括骨干網(wǎng)絡、頸部網(wǎng)絡、頭部網(wǎng)絡3個部分。在骨干網(wǎng)絡部分,YOLO v8使用了梯度流更豐富的C2f結(jié)構(gòu),C2f主要負責特征的融合工作。該結(jié)構(gòu)的核心在于它能夠融合不同層級的特征圖,從而使模型獲取更加豐富的信息,這種融合機制顯著增強了模型對圖像內(nèi)容的識別能力,有助于減少在處理過程中的信息損耗。C2f模塊的設計使得YOLO v8能夠更有效地捕捉和利用圖像中的各種細節(jié),從而提高了目標檢測的準確性。在頸部網(wǎng)絡部分,YOLO v8采用了C2f模塊、PANet結(jié)構(gòu)來進行特征聚合,由淺到深逐層聚合信息。在頭部網(wǎng)絡部分,YOLO v8采用了主流的解耦頭結(jié)構(gòu),將分類和檢測頭分離,同時采用了Anchor-Free策略。通過以上改進策略,YOLO v8在損失計算和網(wǎng)絡結(jié)構(gòu)方面取得了顯著進展。

    1.3" YOLO v8-Rice網(wǎng)絡結(jié)構(gòu)

    本研究算法YOLO v8-Rice是在YOLO v8的基礎(chǔ)上作出的改進,其結(jié)構(gòu)如圖3所示。首先,將Context Guided Block取代C2f中的Bottleneck模塊,形成C2f_ContextGuided,以替代原網(wǎng)絡中的C2f模塊;然后,將原網(wǎng)絡中的標準卷積替換為深度可分離卷積;最后,將檢測頭重新設計為輕量級共享卷積檢測頭,形成Detect_LSCD,以代替原網(wǎng)絡中的檢測頭結(jié)構(gòu)。

    1.3.1" Context Guided Block模塊" 在YOLO v8中,C2f模塊由多個Bottleneck塊組成,每個塊都包含2個卷積層。這些卷積層對輸入特征圖進行變換,提取出更高級別的特征表示。C2f模塊采用Bottleneck的設計理念,雖然可以使主干網(wǎng)絡學習到多尺度特征,但是同時也會使模型變大。在 YOLO v8-Rice 算法中,為了壓縮模型大小,同時提高主干網(wǎng)絡對上下文信息的理解能力,采用Context Guided Block結(jié)構(gòu)替換C2f中的Bottleneck結(jié)構(gòu)。

    Context Guided Block結(jié)構(gòu)如圖4所示,主要由局部特征提取器、周圍上下文特征提取器、聯(lián)合特征提取器和全局上下文特征提取器組成。傳統(tǒng)的下采樣技術(shù)在處理圖像時可能會遇到一些問題,如信息損失、分辨率降低和感受野受限等,這些問題可能會影響模型對圖像中細節(jié)、整體結(jié)構(gòu)的把握,特別是在需要精確識別的任務(如蟲害檢測)中,這些限制可能會對模型的性能產(chǎn)生不利影響。為了解決這些問題,特引入Context Guided Block模塊,以幫助模型更好地捕捉害蟲與其周圍環(huán)境之間的關(guān)系。通過結(jié)合全局和局部的上下文信息,該模塊有助于提高模型在害蟲識別方面的準確性。

    Context Guided Block模塊主要包括2個步驟:

    (1)局部特征的提取。使用了1個相當于3×3標準卷積層的局部特征提取器,它從周圍的8個相鄰特征向量中學習局部特征。同時,為了獲取更大感受野并有效學習周圍上下文信息,還使用1個相當于3×3空洞卷積的周圍上下文特征提取器。然后,聯(lián)合特征提取器,將局部特征提取器和周圍上下文特征提取器的輸出特征結(jié)合起來,并通過批量歸一化、參數(shù)化ReLU激活函數(shù)進行處理。

    (2)全局上下文特征的聚合。首先, 使用1個全

    局平均池化層來收集全局上下文信息。然后,通過1個多層感知機進一步提取這些全局上下文特征。最后,通過加權(quán)操作得到輸出的特征圖。

    YOLO v8-Rice算法采用Context Guided Block結(jié)構(gòu)替代C2f中的Bottleneck結(jié)構(gòu),從而提高模型對多尺度、多場景的適應能力,增強模型對上下文信息的提取能力,提高模型在蟲害檢測任務中的性能和準確性,在后面的試驗中也得到了證實。

    1.3.2" 深度可分離卷積" YOLO v8中的標準卷積利用若干個多通道卷積核對輸入的多通道圖像進行處理,既提取了通道特征,又提取了空間特征。雖然在目標檢測模型中起到關(guān)鍵作用,但是其計算量大,容易造成參數(shù)冗余,并且占用的資源較多。

    為了解決上述問題,在YOLO v8-Rice算法中引入深度可分離卷積代替標準卷積。深度可分離卷積由逐深度卷積和逐點卷積組成,逐深度卷積用于提取空間特征,逐點卷積用于提取通道特征,顯著減少了計算量、參數(shù)數(shù)量。

    深度可分離卷積的結(jié)構(gòu)見圖5。在逐深度卷積過程中,通道數(shù)不變,寬度或高度改變,由于逐深度卷積的卷積核為單通道模式,需要對輸入的每個通道進行卷積,得到與輸入特征圖通道數(shù)一致的輸出特征圖,因此在逐深度卷積中,輸入特征圖通道數(shù)、卷積核數(shù)及輸出特征圖數(shù)保持一致,因此可能會導致輸出的特征圖數(shù)過少,影響信息的有效性,此時就需要進行逐點卷積。逐點卷積的實質(zhì)是用1×1的卷積核來控制維度,將所有通道進行聚合。在逐點卷積的過程中,寬度或高度不變,通道數(shù)改變。

    假設卷積核大小為DK×DK,輸入通道為M,輸出通道為N,輸出的特征圖尺寸為DF×DF,通過標準卷積后,參數(shù)量的計算公式如下:

    Params(Conv)=DK×DK×M×N。(1)

    標準卷積浮點運算量為:

    FLOPs(Conv)=DK×DK×M×N×DF×DF。(2)

    通過深度可分離卷積的參數(shù)量為:

    Params(DWConv)=DK×DK×M+M×N。(3)

    深度可分離卷積浮點運算量為:

    FLOPs(DWConv)=DK×DK×M×DF×DF+M×N×DF×DF。(4)

    對比深度可分離卷積和標準卷積的參數(shù)量和浮點運算量,有:

    Params(DWConv)Params(Conv)=DK×DK×M+M×NDK×DK×M×N=1N+1DK2;(5)

    FLOPs(DWConv)FLOPs(Conv)=DK×DK×M×DF×DF+M×N×DF×DFDK×DK×M×N×DF×DF=1N+1DK2。(6)

    由此可知,深度可分離卷積的參數(shù)量、浮點運算量遠遠小于標準卷積。由于深度可分離卷積的浮點運算量更小,能夠進一步精簡計算模型,后續(xù)的試驗也為此提供了證明。

    1.3.3" 輕量級共享卷積檢測頭" YOLO v8的檢測頭模塊采用Decoupled Head,其結(jié)構(gòu)如圖6所示。檢測頭將回歸分支和分類分支分離,每個分支都會進行2個3×3卷積核的Conv模塊和1個1×1卷積核的Conv2d模塊,這樣會產(chǎn)生很多計算量、參數(shù)量。Conv模塊采用BatchNorm2d結(jié)構(gòu),可以解決內(nèi)部協(xié)變量偏移,緩解梯度飽和問題。但是BatchNorm2d受限于批尺寸,對于較小的批尺寸,BatchNorm2d的表現(xiàn)可能較差。為了解決這些問題,YOLO v8-Rice算法中重新設計了一種輕量級共享卷積檢測頭,其結(jié)構(gòu)如圖7所示。

    輕量級共享卷積檢測頭首先采用GroupNorm2d代替BatchNorm2d,GroupNorm2d將通道分為若干組,然后對組內(nèi)的通道進行歸一化處理。由于GroupNorm2d是在組級別進行歸一化處理,因此它可以顯著減小模型的計算量,并且它不依賴于批尺寸的大小,因此它適用于較小的批尺寸。這樣可以保證在保持歸一化效果的同時,減小模型的計算量。然后,先采用1×1的卷積核來將輸出的特征圖

    維度固定為256×256,以減小模型的計算量,再將2個3×3的Conv_GN卷積進行串聯(lián),統(tǒng)一經(jīng)過這2個卷積實現(xiàn)參數(shù)共享,減小參數(shù)量。最后,為了應對每個檢測頭檢測的目標尺度不一致的問題,使用Scale層對特征進行縮放,從而有效提高模型的多尺度檢測能力。

    2" 結(jié)果與分析

    2.1" 評價指標

    本研究采用的評價指標有平均精度(mAP@0.5)[20]、參數(shù)量、計算量和模型權(quán)重。

    mAP是目標檢測任務中常用的性能評估指標之一,用于衡量模型在不同類別上的平均精度。mAP@0.5表示當IoU閾值設定為0.5時的平均精度,即當IoU閾值≥0.5時,認為預測框和真實框是匹配的。mAP的計算公式如下:

    mAP=1N∫10Precision(Recall)d(Recall)。(7)

    式中:Precision表示準確率;Recall表示召回率;N表示預測的類別數(shù)。

    參數(shù)量是衡量模型復雜度、計算成本的一個重要指標,指的是模型中可訓練參數(shù)的總數(shù),較低的數(shù)值通常表示模型更輕量化,更利于在資源受限的情況下部署。

    計算量是模型進行推理所需的浮點運算次數(shù)的度量,它反映了模型在進行目標檢測時的計算復雜度。計算量越大,表明模型通常越復雜,需要更多計算資源和時間。

    模型權(quán)重大小即模型所有層參數(shù)所占用的存儲空間,影響著模型的加載速度、存儲成本、能耗及部署的便利性。較小的模型通常意味著模型更輕量化及更容易完成部署。

    2.2" 試驗環(huán)境的配置

    本研究通過搭建PyTorch深度學習框架,對自定義數(shù)據(jù)集進行訓練和測試。操作系統(tǒng)選用Windows專業(yè)工作站版21H2,CPU為Intel i5-12490F,GPU為GeForce RTX 3080Ti,顯存為 12 GB,內(nèi)存為32 GB,訓練環(huán)境配置為Python 3.9.18,Pytorch 2.1.0,Cuda 11.8,YOLO v8版本為8.1.9。試驗時間為2023年9至2024年2月,試驗地點為長江大學東校區(qū)3號教學樓。

    2.3" 消融試驗

    為了更好地驗證YOLO v8-Rice算法的有效性,本研究進行了消融試驗,共試驗了3種不同改進方法,使用同樣的數(shù)據(jù)集劃分進行測試,epoch設置為200。

    由表2可以看出,改進1通過將YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu)替換為Context Guided Block結(jié)構(gòu),模型的mAP@0.5基本不變,同時參數(shù)量、計算量分別降低了30.1%、28.4%,模型權(quán)重大小壓縮了1.7 MB,說明模型融合信息的能力有所增強,對上下文的理解能力有所提升,這一改進對于水稻蟲害檢測的輕量化非常有幫助。改進2在改進1的基礎(chǔ)上,將YOLO v8n中的標準卷積替換為深度可分離卷積,模型的mAP@0.5略微回升,同時參數(shù)量、計算量大幅降低,模型權(quán)重大小得到進一步壓縮,這一改進有效減小了模型的參數(shù)量、計算量,提升了模型檢測性能的穩(wěn)定性。改進3在改進2的基礎(chǔ)上,將檢測頭重構(gòu)為輕量級共享卷積檢測頭,提升了模型對多尺度特征的理解能力,模型的mAP@0.5進一步得到提升,同時參數(shù)量、計算量分別降低至基礎(chǔ)模型的29.5%、38.3%,模型權(quán)重大小僅為1.94 MB,這一改進提升了模型的定位和識別水稻蟲害的能力,實現(xiàn)了模型的輕量化。通過上述消融試驗的全面評估,驗證了在基礎(chǔ)模型上,不同改進都表現(xiàn)出優(yōu)異性能。

    2.4" 對比試驗

    為了進一步驗證YOLO v8-Rice算法的效果。本研究選取YOLO v3-tiny、YOLO v5n、YOLO v6n、YOLO v8n及常見的RepViT、FasterNet、EfficientViT來優(yōu)化YOLO v8n的骨干網(wǎng)絡,與YOLO v8-Rice算法進行對比試驗,試驗模型的對比結(jié)果如表3所示。為了保證試驗結(jié)果的嚴謹,本研究中所有模型的參數(shù)設定都保持一致。

    由表3可知,YOLO v8-Rice算法在目標檢測任務中具有顯著的優(yōu)越性。首先,YOLO v8-Rice的mAP@0.5達到了94.1%,明顯高于其他模型,表明其在水稻蟲害中定位害蟲、識別害蟲方面具有出色的準確性。與YOLO v8n相比,YOLO v8-Rice算法的參數(shù)量、計算量分別降低了70.5%、61.7%,模型的權(quán)重文件大小壓縮了67.6%,并且mAP@0.5還有0.3%的提升。上述結(jié)果表明,YOLO v8-Rice在保持高識別精度的同時,大幅度減小了參數(shù)量、計算

    量,模型的權(quán)重文件大小也得到了極大壓縮,證明了本研究中輕量化改進的有效性,能夠滿足水稻蟲害識別的實際需求。

    綜上所述,本研究提出的YOLO v8-Rice算法在mAP@0.5、參數(shù)量、計算量及模型權(quán)重等多個關(guān)鍵性能指標方面均展現(xiàn)了顯著的優(yōu)勢,具有輕量化、高性能特性,使其在水稻蟲害檢測中具有廣泛的應用潛力。

    3" 結(jié)論

    本研究針對水稻蟲害識別的背景復雜、模型計算量和參數(shù)量大,以及難以在嵌入式設備或移動設備上部署等問題,在YOLO v8的基礎(chǔ)上,提出了一種改進的輕量化YOLO v8-Rice模型。通過將YOLO v8中C2f模塊的Bottleneck結(jié)構(gòu)替換為Context Guided Block結(jié)構(gòu),將YOLO v8n中的標準卷積替換為深度可分離卷積,將檢測頭重構(gòu)為輕量級共享卷積檢測頭,試驗結(jié)果的mAP@0.5高達94.1%,參數(shù)量、計算量分別為0.888 M、3.1 G,模型的權(quán)重文件大小為1.94 MB,表明YOLO v8-Rice在識別水稻蟲害方面有相對更好的效果,實現(xiàn)了對7類常見水稻蟲害的有效識別。YOLO v8-Rice模型更加適應真實環(huán)境,多尺度特征學習能力有所增強,與YOLO v8n相比,mAP@0.5提升了0.3百分點,并且參數(shù)量、計算量分別降低了70.5%、61.7%,模型的權(quán)重文件大小壓縮了67.6%,驗證了改進的有效性,并且該方法可以推廣到其他農(nóng)作物蟲害的識別問題上。

    綜上所述,本研究提出的YOLO v8-Rice算法實現(xiàn)了模型的輕量化,并且在目標檢測任務中取得了顯著的性能優(yōu)勢,為真實場景下水稻蟲害檢測的應用提供了更經(jīng)濟、準確、高效的解決方案。未來的研究可以進一步優(yōu)化算法、提高蟲害的檢測速度、進一步豐富數(shù)據(jù)集以提升模型的泛化性能。

    參考文獻:

    [1]呂" 亮,常向前,張" 舒. 水稻害蟲綠色防控技術(shù)應用研究現(xiàn)狀及展望[J]. 環(huán)境昆蟲學報,2021,43(3):623-632.

    [2]趙" 景,蔡萬倫,沈櫟陽,等. 水稻害蟲綠色防控技術(shù)研究的發(fā)展現(xiàn)狀及展望[J]. 華中農(nóng)業(yè)大學學報(自然科學版),2022,41(1):92-104.

    [3]劉萬才,劉振東,黃" 沖,等. 近 10 年農(nóng)作物主要病蟲害發(fā)生危害情況的統(tǒng)計和分析[J]. 植物保護,2016,42(5):1-9.

    [4]江" 順,黃紅星,莫里楠,等. 基于改進AlexNet的嶺南水稻蟲害識別方法研究[J]. 江蘇農(nóng)業(yè)科學,2023,51(23):187-195.

    [5]梁萬杰,曹宏鑫. 基于卷積神經(jīng)網(wǎng)絡的水稻蟲害識別[J]. 江蘇農(nóng)業(yè)科學,2017,45(20):241-243,253.

    [6]鄭" 果,姜玉松,沈永林. 基于改進YOLO v7的水稻害蟲識別方法[J]. 華中農(nóng)業(yè)大學學報 (自然科學版),2023,42(3):143-151.

    [7]曾偉輝,張文鳳,陳" 鵬,等. 基于SCResNeSt的低分辨率水稻害蟲圖像識別方法[J]. 農(nóng)業(yè)機械學報,2022,53(9):277-285.

    [8]巨志勇,易" 成,周重臣,等. YOLO-Rice:一種基于YOLO v5的水稻蟲害檢測[J/OL]. 控制工程,2004:1-10(2024-03-15)[2024-05-30]. https://doi.org/10.14107/j.cnki.kzgc.20231000.

    [9]崔金榮,魏文釗,趙" 敏. 基于改進MobileNet v3的水稻病害識別模型[J]. 農(nóng)業(yè)機械學報,2023,54(11):217-224,276.

    [10]Wu T Y,Tang S,Zhang R,et al. CGNet:a light-weight context guided network for semantic segmentation[J]. IEEE Transactions on Image Processing,2020,30:1169-1179.

    [11]Chollet F. Xception:deep learning with depthwise separable convolutions[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),Honolulu,HI:IEEE,2017:1251-1258.

    [12]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,NV,USA:IEEE,2016:779-788.

    [13]Redmon J,F(xiàn)arhadi A. YOLO9000:better,faster,stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu,HI:IEEE,2017:7263-7271.

    [14]Redmon J,F(xiàn)arhadi A. YOLO v3:an incremental improvement[EB/OL]. (2018-04-08)[2024-01-20]. http://arxiv.org/abs/1804.02767.

    [15]Bochkovskiy A,Wang C Y,Liao H Y M. YOLO v4:optimal speed and accuracy of object detection[EB/OL]. [2024-01-20]. http://arxiv.org/abs/2004.10934.

    [16]Ge Z,Liu S T,Wang F,et al. YOLOX:exceeding YOLO series in 2021[EB/OL]. (2021-07-18)[2024-01-20]. http://arxiv.org/abs/2107.08430.

    [17]Li C Y,Li L L,Jiang H L,et al. YOLO v6:a single-stage object detection framework for industrial applications[EB/OL]. (2022-09-07)[2024-01-20]. http://arxiv.org/abs/2209.02976.

    [18]Wang C Y,Bochkovskiy A,Liao H Y M. YOLO v7:trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver:IEEE,2023:7464-7475.

    [19]Xu X Z,Jiang Y Q,Chen W H,et al. DAMO-YOLO:a report on real-time object detection design[EB/OL]. (2022-11-23)[2024-01-20]. http://arxiv.org/abs/2211.15444.

    [20]楊佳昊,左昊軒,黃祺成,等. 基于YOLO v5s的作物葉片病害檢測模型輕量化方法[J]. 農(nóng)業(yè)機械學報,2023,54(增刊1):222-229.

    猜你喜歡
    蟲害輕量化卷積
    汽車輕量化集成制造專題主編
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    桃樹主要蟲害及防治方法
    河北果樹(2020年4期)2020-11-26 06:05:04
    不用農(nóng)藥也能治蟲害
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    一種輕量化自卸半掛車結(jié)構(gòu)設計
    智富時代(2019年2期)2019-04-18 07:44:42
    基于傅里葉域卷積表示的目標跟蹤算法
    淺析白三葉的蟲害防治
    行道樹香櫞主要蟲害及其防治
    瞄準掛車輕量化 鑼響掛車正式掛牌成立
    專用汽車(2016年1期)2016-03-01 04:13:19
    黄色 视频免费看| 精品国产乱码久久久久久男人| 国产真人三级小视频在线观看| 精品国产乱子伦一区二区三区| 成人18禁在线播放| 99久久精品国产亚洲精品| 日韩有码中文字幕| 欧美在线一区亚洲| 久久99热这里只有精品18| 好看av亚洲va欧美ⅴa在| 两个人看的免费小视频| 国产日本99.免费观看| 国产亚洲av嫩草精品影院| 视频在线观看一区二区三区| 午夜福利视频1000在线观看| 别揉我奶头~嗯~啊~动态视频| 亚洲色图 男人天堂 中文字幕| 亚洲国产欧美一区二区综合| 国内毛片毛片毛片毛片毛片| 国产精品二区激情视频| 久久久国产欧美日韩av| 国产视频一区二区在线看| 免费无遮挡裸体视频| 国产精品亚洲美女久久久| 淫妇啪啪啪对白视频| 午夜久久久在线观看| 一进一出抽搐动态| 最近最新免费中文字幕在线| 亚洲aⅴ乱码一区二区在线播放 | 国产精品久久久久久亚洲av鲁大| 一区二区三区激情视频| 亚洲专区字幕在线| 午夜免费鲁丝| 精品久久久久久久久久免费视频| 亚洲天堂国产精品一区在线| 国产av一区在线观看免费| 欧美中文日本在线观看视频| 老司机午夜十八禁免费视频| 黄色片一级片一级黄色片| 丝袜人妻中文字幕| 搡老妇女老女人老熟妇| 琪琪午夜伦伦电影理论片6080| 淫秽高清视频在线观看| 天堂√8在线中文| 变态另类丝袜制服| 91麻豆精品激情在线观看国产| 香蕉av资源在线| 亚洲激情在线av| 欧美午夜高清在线| 1024香蕉在线观看| 日韩精品免费视频一区二区三区| 成人三级黄色视频| 久久人人精品亚洲av| 村上凉子中文字幕在线| 美女大奶头视频| 自线自在国产av| 国产在线观看jvid| 99久久久亚洲精品蜜臀av| 亚洲午夜精品一区,二区,三区| 欧美精品啪啪一区二区三区| 亚洲自偷自拍图片 自拍| 亚洲最大成人中文| 美女国产高潮福利片在线看| 欧美日韩精品网址| 亚洲专区国产一区二区| 国产99白浆流出| 久久欧美精品欧美久久欧美| 人人妻人人澡欧美一区二区| 亚洲国产毛片av蜜桃av| 精品国产一区二区三区四区第35| 国产一卡二卡三卡精品| 久久久久久久久久黄片| 19禁男女啪啪无遮挡网站| 久久中文字幕人妻熟女| 欧美成人一区二区免费高清观看 | 亚洲国产高清在线一区二区三 | 久久久久久久久久黄片| 国产三级黄色录像| 99国产综合亚洲精品| a在线观看视频网站| 91国产中文字幕| 欧美人与性动交α欧美精品济南到| xxxwww97欧美| 久久久久精品国产欧美久久久| 啦啦啦韩国在线观看视频| 欧美 亚洲 国产 日韩一| www日本在线高清视频| 亚洲色图av天堂| 搞女人的毛片| 亚洲av五月六月丁香网| 麻豆成人av在线观看| 亚洲午夜精品一区,二区,三区| 国产亚洲av嫩草精品影院| 亚洲av电影在线进入| 日本免费a在线| 国产高清有码在线观看视频 | 久久狼人影院| 日韩欧美一区二区三区在线观看| 亚洲熟妇中文字幕五十中出| 叶爱在线成人免费视频播放| 国产成人影院久久av| 国产熟女午夜一区二区三区| 成年女人毛片免费观看观看9| 日本在线视频免费播放| 亚洲精品av麻豆狂野| 在线观看免费视频日本深夜| 波多野结衣高清无吗| 两个人免费观看高清视频| 久久久水蜜桃国产精品网| 听说在线观看完整版免费高清| 国产伦人伦偷精品视频| 十八禁人妻一区二区| 免费在线观看黄色视频的| 色综合欧美亚洲国产小说| 国产片内射在线| 热re99久久国产66热| 免费在线观看视频国产中文字幕亚洲| 亚洲专区国产一区二区| 亚洲国产高清在线一区二区三 | 草草在线视频免费看| 国产一卡二卡三卡精品| 国产一区二区在线av高清观看| 91成年电影在线观看| 亚洲av日韩精品久久久久久密| 色播亚洲综合网| 国产av又大| 在线av久久热| 久久久久精品国产欧美久久久| 国产1区2区3区精品| 美女国产高潮福利片在线看| 老司机靠b影院| 97碰自拍视频| 亚洲国产毛片av蜜桃av| 香蕉av资源在线| 天天添夜夜摸| 久久性视频一级片| 欧美丝袜亚洲另类 | 看免费av毛片| 一区二区三区国产精品乱码| 在线十欧美十亚洲十日本专区| 国产99白浆流出| 午夜影院日韩av| 亚洲激情在线av| 亚洲中文av在线| 成人午夜高清在线视频 | 日韩精品中文字幕看吧| 亚洲中文字幕日韩| 999久久久国产精品视频| 亚洲第一av免费看| 十八禁网站免费在线| 国内毛片毛片毛片毛片毛片| 久久天躁狠狠躁夜夜2o2o| 成人手机av| 欧美日韩亚洲国产一区二区在线观看| 久久久久精品国产欧美久久久| 中文字幕高清在线视频| 中文字幕av电影在线播放| 在线国产一区二区在线| 一级a爱视频在线免费观看| 成人av一区二区三区在线看| 国产精品影院久久| 香蕉av资源在线| 亚洲av日韩精品久久久久久密| 色精品久久人妻99蜜桃| 精品熟女少妇八av免费久了| 亚洲精品国产一区二区精华液| 人妻丰满熟妇av一区二区三区| 熟妇人妻久久中文字幕3abv| 国产精品99久久99久久久不卡| 黄色 视频免费看| 在线视频色国产色| 国产免费av片在线观看野外av| 韩国精品一区二区三区| 美女免费视频网站| 淫秽高清视频在线观看| 亚洲狠狠婷婷综合久久图片| 黄频高清免费视频| 两个人视频免费观看高清| 1024视频免费在线观看| 精品欧美国产一区二区三| 法律面前人人平等表现在哪些方面| 看黄色毛片网站| 欧美三级亚洲精品| 男女做爰动态图高潮gif福利片| 亚洲精品国产精品久久久不卡| 中亚洲国语对白在线视频| 亚洲一区高清亚洲精品| 一本精品99久久精品77| 一本综合久久免费| 日韩中文字幕欧美一区二区| 国产成人系列免费观看| av有码第一页| 亚洲成av人片免费观看| 亚洲第一欧美日韩一区二区三区| 免费观看精品视频网站| 婷婷精品国产亚洲av| 每晚都被弄得嗷嗷叫到高潮| 亚洲中文字幕一区二区三区有码在线看 | 又黄又粗又硬又大视频| 国产一级毛片七仙女欲春2 | 国产单亲对白刺激| 一区二区三区国产精品乱码| 日本黄色视频三级网站网址| 97人妻精品一区二区三区麻豆 | 久久午夜亚洲精品久久| 特大巨黑吊av在线直播 | 哪里可以看免费的av片| 18美女黄网站色大片免费观看| 亚洲人成伊人成综合网2020| 免费观看精品视频网站| 国产精品亚洲一级av第二区| 久久精品夜夜夜夜夜久久蜜豆 | 国内揄拍国产精品人妻在线 | 夜夜夜夜夜久久久久| 国产99久久九九免费精品| 亚洲精品在线美女| 香蕉av资源在线| 色播亚洲综合网| 亚洲第一欧美日韩一区二区三区| 亚洲天堂国产精品一区在线| 老熟妇乱子伦视频在线观看| 国产伦在线观看视频一区| 久久国产亚洲av麻豆专区| 丰满人妻熟妇乱又伦精品不卡| 在线av久久热| 首页视频小说图片口味搜索| 日本一区二区免费在线视频| 午夜精品久久久久久毛片777| 国产色视频综合| 18禁裸乳无遮挡免费网站照片 | 亚洲一码二码三码区别大吗| 欧美日韩乱码在线| 黄色视频不卡| 亚洲熟妇中文字幕五十中出| 国产精品一区二区三区四区久久 | 99在线人妻在线中文字幕| 亚洲av美国av| 国产欧美日韩一区二区三| 啦啦啦免费观看视频1| 搡老岳熟女国产| 亚洲国产毛片av蜜桃av| 无遮挡黄片免费观看| 999久久久国产精品视频| 天天躁夜夜躁狠狠躁躁| 丰满的人妻完整版| 两个人视频免费观看高清| 亚洲第一欧美日韩一区二区三区| 色播在线永久视频| 午夜视频精品福利| 国产精品免费一区二区三区在线| 啪啪无遮挡十八禁网站| 性欧美人与动物交配| 丁香六月欧美| 999久久久精品免费观看国产| 精品国产美女av久久久久小说| cao死你这个sao货| 99久久综合精品五月天人人| 亚洲专区字幕在线| 在线视频色国产色| 亚洲精品粉嫩美女一区| 午夜福利视频1000在线观看| 欧美国产日韩亚洲一区| 欧美日韩瑟瑟在线播放| 亚洲国产精品999在线| 国内毛片毛片毛片毛片毛片| 精品无人区乱码1区二区| 午夜日韩欧美国产| 97人妻精品一区二区三区麻豆 | www.熟女人妻精品国产| 亚洲五月色婷婷综合| 欧美激情 高清一区二区三区| 男女视频在线观看网站免费 | 久久久国产成人精品二区| 搡老熟女国产l中国老女人| 亚洲精品一区av在线观看| 极品教师在线免费播放| e午夜精品久久久久久久| 国产成+人综合+亚洲专区| 在线视频色国产色| 大型av网站在线播放| 亚洲av电影不卡..在线观看| www日本在线高清视频| 在线视频色国产色| 欧美成人性av电影在线观看| 在线av久久热| 国产精品国产高清国产av| 亚洲自拍偷在线| 国产精品自产拍在线观看55亚洲| 很黄的视频免费| 99久久99久久久精品蜜桃| 伊人久久大香线蕉亚洲五| 亚洲狠狠婷婷综合久久图片| 国产97色在线日韩免费| 欧美乱色亚洲激情| 国产精品香港三级国产av潘金莲| 母亲3免费完整高清在线观看| 91麻豆av在线| 精品福利观看| 18禁国产床啪视频网站| 国产真实乱freesex| 怎么达到女性高潮| 国内少妇人妻偷人精品xxx网站 | 亚洲av中文字字幕乱码综合 | 天天一区二区日本电影三级| 久久精品亚洲精品国产色婷小说| 在线观看66精品国产| 久久精品91蜜桃| 此物有八面人人有两片| av欧美777| 欧美黑人欧美精品刺激| 91av网站免费观看| 亚洲精品久久国产高清桃花| 制服诱惑二区| 欧美色欧美亚洲另类二区| 国产亚洲欧美98| 精品午夜福利视频在线观看一区| 久久久久久久久免费视频了| 真人做人爱边吃奶动态| 国产伦在线观看视频一区| 久久精品91蜜桃| 草草在线视频免费看| 十八禁网站免费在线| 18禁美女被吸乳视频| 男人操女人黄网站| 欧美日韩亚洲国产一区二区在线观看| 美国免费a级毛片| 午夜a级毛片| 国产av又大| 老司机深夜福利视频在线观看| 一a级毛片在线观看| 男人的好看免费观看在线视频 | 国产精品亚洲美女久久久| av欧美777| 久久久久九九精品影院| 国产激情欧美一区二区| 日韩精品青青久久久久久| 日韩av在线大香蕉| xxx96com| 久久欧美精品欧美久久欧美| 亚洲欧美一区二区三区黑人| 亚洲男人的天堂狠狠| 久久精品91蜜桃| videosex国产| 亚洲avbb在线观看| 999精品在线视频| 国产精品av久久久久免费| 色av中文字幕| 午夜激情av网站| 国产精品一区二区三区四区久久 | 亚洲天堂国产精品一区在线| 国产一级毛片七仙女欲春2 | 欧美一级a爱片免费观看看 | 国产乱人伦免费视频| 香蕉av资源在线| 人人妻人人澡人人看| 不卡av一区二区三区| 久久精品国产亚洲av香蕉五月| 十八禁人妻一区二区| 国产1区2区3区精品| 婷婷六月久久综合丁香| 男人操女人黄网站| 女人爽到高潮嗷嗷叫在线视频| 日本 av在线| 精品欧美国产一区二区三| 国产亚洲精品综合一区在线观看 | 欧美黑人精品巨大| 久久午夜亚洲精品久久| 久久国产亚洲av麻豆专区| 国产一区在线观看成人免费| 中亚洲国语对白在线视频| 久久国产精品人妻蜜桃| 老熟妇仑乱视频hdxx| 最近最新中文字幕大全免费视频| 亚洲男人的天堂狠狠| 亚洲一区中文字幕在线| 免费看a级黄色片| 精品电影一区二区在线| 午夜日韩欧美国产| 国产精品亚洲av一区麻豆| 黄片播放在线免费| av免费在线观看网站| 国产精品免费一区二区三区在线| 欧美性猛交黑人性爽| 亚洲熟妇中文字幕五十中出| 黑丝袜美女国产一区| 色综合欧美亚洲国产小说| 又紧又爽又黄一区二区| 长腿黑丝高跟| 国产v大片淫在线免费观看| 麻豆成人av在线观看| 国产一区二区在线av高清观看| 人妻久久中文字幕网| 亚洲精品中文字幕在线视频| 免费观看人在逋| 亚洲男人的天堂狠狠| 身体一侧抽搐| 搡老妇女老女人老熟妇| 人人澡人人妻人| 精品人妻1区二区| 俺也久久电影网| 好看av亚洲va欧美ⅴa在| 少妇被粗大的猛进出69影院| 精品无人区乱码1区二区| 亚洲五月色婷婷综合| 国产一区二区三区在线臀色熟女| 欧美国产日韩亚洲一区| 久久精品人妻少妇| 1024视频免费在线观看| 50天的宝宝边吃奶边哭怎么回事| 男人舔奶头视频| 高清毛片免费观看视频网站| 久久精品亚洲精品国产色婷小说| 免费电影在线观看免费观看| 国产成人av教育| 久久香蕉精品热| 听说在线观看完整版免费高清| 级片在线观看| 久久久国产欧美日韩av| 午夜精品久久久久久毛片777| 侵犯人妻中文字幕一二三四区| 国产精品精品国产色婷婷| 久久国产精品人妻蜜桃| 美女免费视频网站| 国产麻豆成人av免费视频| 久久精品亚洲精品国产色婷小说| 久久精品国产清高在天天线| 国产亚洲欧美98| 精品国产超薄肉色丝袜足j| а√天堂www在线а√下载| 日本撒尿小便嘘嘘汇集6| 天堂动漫精品| 亚洲国产精品久久男人天堂| 欧美+亚洲+日韩+国产| 国产精品久久视频播放| 国产伦一二天堂av在线观看| 一进一出好大好爽视频| 久久这里只有精品19| av免费在线观看网站| 黄色视频,在线免费观看| 免费一级毛片在线播放高清视频| 久久亚洲精品不卡| 一进一出抽搐动态| 12—13女人毛片做爰片一| 午夜亚洲福利在线播放| 国产激情欧美一区二区| 亚洲片人在线观看| 精品一区二区三区四区五区乱码| 精品不卡国产一区二区三区| 国产伦人伦偷精品视频| 在线国产一区二区在线| 久久婷婷人人爽人人干人人爱| 日本撒尿小便嘘嘘汇集6| 不卡一级毛片| 满18在线观看网站| 久久久久久久久中文| 亚洲第一青青草原| 午夜福利成人在线免费观看| 嫩草影视91久久| 后天国语完整版免费观看| 欧美精品亚洲一区二区| 黑丝袜美女国产一区| 窝窝影院91人妻| 久久久久久久久久黄片| √禁漫天堂资源中文www| www日本黄色视频网| 久久久久久亚洲精品国产蜜桃av| 波多野结衣高清无吗| 国产麻豆成人av免费视频| 999久久久国产精品视频| 久久午夜亚洲精品久久| 麻豆成人av在线观看| 69av精品久久久久久| 亚洲自偷自拍图片 自拍| 露出奶头的视频| 一级毛片女人18水好多| 国产精品久久久人人做人人爽| 在线av久久热| 91字幕亚洲| 久久午夜亚洲精品久久| 黑人巨大精品欧美一区二区mp4| 99久久无色码亚洲精品果冻| 超碰成人久久| 亚洲九九香蕉| 亚洲av成人一区二区三| 久久精品影院6| 黄色a级毛片大全视频| 国产91精品成人一区二区三区| 亚洲男人的天堂狠狠| 久久国产精品男人的天堂亚洲| 无人区码免费观看不卡| 久久婷婷成人综合色麻豆| a在线观看视频网站| 国产黄片美女视频| 国产成人精品久久二区二区91| 成人永久免费在线观看视频| av有码第一页| 中文字幕av电影在线播放| 长腿黑丝高跟| 精品一区二区三区av网在线观看| 国产私拍福利视频在线观看| 国产久久久一区二区三区| 巨乳人妻的诱惑在线观看| 美女 人体艺术 gogo| 精品国产亚洲在线| 日韩高清综合在线| 国产黄片美女视频| 一级片免费观看大全| 777久久人妻少妇嫩草av网站| 国产精品自产拍在线观看55亚洲| 精品久久久久久久久久久久久 | 日韩欧美一区视频在线观看| 欧美一级毛片孕妇| 神马国产精品三级电影在线观看 | 狂野欧美激情性xxxx| 免费看a级黄色片| 国产日本99.免费观看| 亚洲专区中文字幕在线| 久久香蕉激情| 欧美一区二区精品小视频在线| 久久午夜亚洲精品久久| 精品高清国产在线一区| 19禁男女啪啪无遮挡网站| 淫妇啪啪啪对白视频| 99精品欧美一区二区三区四区| 淫妇啪啪啪对白视频| 免费高清视频大片| 中文字幕av电影在线播放| 亚洲精品美女久久av网站| 99精品在免费线老司机午夜| 男女床上黄色一级片免费看| 黄片播放在线免费| 亚洲av美国av| 黄片播放在线免费| 国产成年人精品一区二区| 久久久久久久久免费视频了| 亚洲,欧美精品.| svipshipincom国产片| 日韩精品免费视频一区二区三区| 亚洲男人的天堂狠狠| 国产主播在线观看一区二区| 色尼玛亚洲综合影院| 午夜免费观看网址| 级片在线观看| 18禁国产床啪视频网站| 中文字幕最新亚洲高清| 在线免费观看的www视频| 日本一本二区三区精品| 亚洲av成人av| 国产精品电影一区二区三区| 国产一区二区在线av高清观看| 久久青草综合色| 黄色视频不卡| 一区二区三区国产精品乱码| 日韩视频一区二区在线观看| 91在线观看av| 欧美激情高清一区二区三区| 亚洲最大成人中文| 亚洲黑人精品在线| 欧美日韩精品网址| 中国美女看黄片| 亚洲欧美精品综合一区二区三区| 色精品久久人妻99蜜桃| 熟女电影av网| 欧美乱妇无乱码| 日韩免费av在线播放| x7x7x7水蜜桃| 亚洲自拍偷在线| 校园春色视频在线观看| 国产高清激情床上av| 午夜久久久久精精品| 99在线人妻在线中文字幕| 亚洲av成人一区二区三| av在线天堂中文字幕| 国产伦一二天堂av在线观看| 免费搜索国产男女视频| 成人特级黄色片久久久久久久| 欧美人与性动交α欧美精品济南到| 人人妻,人人澡人人爽秒播| 精品欧美一区二区三区在线| 一a级毛片在线观看| 国产av一区在线观看免费| www.999成人在线观看| 免费观看精品视频网站| 亚洲av电影在线进入| 久久精品亚洲精品国产色婷小说| 国产高清有码在线观看视频 | 伦理电影免费视频| 国产私拍福利视频在线观看| 啦啦啦韩国在线观看视频| 久久久久久大精品| 中文资源天堂在线| cao死你这个sao货| av免费在线观看网站| 两性夫妻黄色片| 丝袜人妻中文字幕| 久热爱精品视频在线9| 后天国语完整版免费观看| 久久久久亚洲av毛片大全| 久久草成人影院| 国产私拍福利视频在线观看| 国产激情偷乱视频一区二区| 国产精品爽爽va在线观看网站 | 两个人免费观看高清视频| 精品第一国产精品| 亚洲精品粉嫩美女一区| 国产亚洲精品av在线| 亚洲黑人精品在线| 亚洲电影在线观看av| 操出白浆在线播放| 亚洲国产精品sss在线观看| 天堂影院成人在线观看| 国产午夜精品久久久久久| 国产免费男女视频| 亚洲国产精品成人综合色| 国产精品1区2区在线观看.|