• <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
    精品久久久久久电影网| 欧美 日韩 精品 国产| 国产高清国产精品国产三级| 亚洲精品aⅴ在线观看| 亚洲精品一二三| 伊人久久国产一区二区| 一区二区三区免费毛片| 在线观看三级黄色| 成人黄色视频免费在线看| 亚洲欧美日韩东京热| 免费看日本二区| 亚洲综合精品二区| 久久人人爽人人爽人人片va| 国产av码专区亚洲av| 日日啪夜夜爽| 久久精品久久精品一区二区三区| 亚洲精品日韩在线中文字幕| av在线老鸭窝| 丰满少妇做爰视频| 亚洲av成人精品一二三区| 亚洲欧美日韩东京热| 欧美日韩亚洲高清精品| 成人影院久久| 美女大奶头黄色视频| tube8黄色片| 亚洲av免费高清在线观看| 黑人高潮一二区| 午夜福利在线观看免费完整高清在| 少妇精品久久久久久久| av不卡在线播放| 自拍欧美九色日韩亚洲蝌蚪91 | 蜜桃在线观看..| 亚洲精品456在线播放app| 久久 成人 亚洲| 我要看日韩黄色一级片| 18禁裸乳无遮挡动漫免费视频| 91aial.com中文字幕在线观看| 尾随美女入室| 国产69精品久久久久777片| 卡戴珊不雅视频在线播放| 亚洲精品国产成人久久av| 亚洲欧美成人综合另类久久久| 亚洲中文av在线| 97在线人人人人妻| 水蜜桃什么品种好| 久久久久久久精品精品| 日韩中字成人| 亚洲精品亚洲一区二区| 日本-黄色视频高清免费观看| 中文字幕久久专区| 欧美精品亚洲一区二区| av国产久精品久网站免费入址| 亚洲精品色激情综合| 成人毛片a级毛片在线播放| 久久精品国产亚洲av天美| 久久99蜜桃精品久久| 两个人免费观看高清视频 | av视频免费观看在线观看| 国产成人aa在线观看| 在线观看国产h片| 国产极品粉嫩免费观看在线 | 人妻少妇偷人精品九色| 搡老乐熟女国产| 欧美bdsm另类| 国产av码专区亚洲av| 两个人免费观看高清视频 | 成人毛片a级毛片在线播放| 中文资源天堂在线| 特大巨黑吊av在线直播| 免费观看的影片在线观看| av天堂久久9| 久久久久精品久久久久真实原创| 美女脱内裤让男人舔精品视频| 日本欧美视频一区| 99热6这里只有精品| 久久99热这里只频精品6学生| www.色视频.com| 国内少妇人妻偷人精品xxx网站| 亚洲,欧美,日韩| 亚洲图色成人| 国产精品久久久久久精品电影小说| 中国国产av一级| 日本vs欧美在线观看视频 | av国产精品久久久久影院| 女人精品久久久久毛片| 五月伊人婷婷丁香| 国产精品国产三级专区第一集| 久久久久久久久久久久大奶| 永久网站在线| 亚洲av日韩在线播放| 久久国产精品大桥未久av | 精品国产乱码久久久久久小说| 国内少妇人妻偷人精品xxx网站| 国产熟女欧美一区二区| 大香蕉久久网| 成年女人在线观看亚洲视频| 妹子高潮喷水视频| 免费观看的影片在线观看| 春色校园在线视频观看| 欧美性感艳星| 狂野欧美激情性xxxx在线观看| 2018国产大陆天天弄谢| 亚洲av成人精品一二三区| 精华霜和精华液先用哪个| av播播在线观看一区| 国产精品一区二区性色av| 熟女电影av网| .国产精品久久| 国产白丝娇喘喷水9色精品| 中国美白少妇内射xxxbb| 乱码一卡2卡4卡精品| 成人二区视频| 亚洲av免费高清在线观看| 欧美日韩视频高清一区二区三区二| 色吧在线观看| 这个男人来自地球电影免费观看 | 亚洲激情五月婷婷啪啪| www.av在线官网国产| 久久久久久久亚洲中文字幕| 少妇熟女欧美另类| 精品久久久精品久久久| 亚洲欧洲精品一区二区精品久久久 | 亚洲成人手机| 亚洲自偷自拍三级| 久久亚洲国产成人精品v| 久久青草综合色| 精品国产露脸久久av麻豆| 在线免费观看不下载黄p国产| 少妇丰满av| 在线亚洲精品国产二区图片欧美 | 亚洲欧洲日产国产| 国产熟女欧美一区二区| 国产色婷婷99| 国产精品伦人一区二区| 中文字幕制服av| 精品人妻一区二区三区麻豆| 国产在线一区二区三区精| 欧美xxxx性猛交bbbb| 久久久久网色| 乱系列少妇在线播放| 麻豆乱淫一区二区| 三级国产精品片| 中文乱码字字幕精品一区二区三区| 91精品国产国语对白视频| 美女xxoo啪啪120秒动态图| 国产成人免费无遮挡视频| 久久99热这里只频精品6学生| 欧美少妇被猛烈插入视频| 亚洲av电影在线观看一区二区三区| 丰满乱子伦码专区| 激情五月婷婷亚洲| 成人影院久久| 久久精品久久精品一区二区三区| 国产日韩一区二区三区精品不卡 | a级一级毛片免费在线观看| 国产淫语在线视频| 又爽又黄a免费视频| 晚上一个人看的免费电影| 秋霞在线观看毛片| 国产老妇伦熟女老妇高清| 毛片一级片免费看久久久久| 天堂8中文在线网| 狂野欧美激情性xxxx在线观看| 欧美精品国产亚洲| 少妇人妻 视频| 国产一区二区三区av在线| 国产永久视频网站| 三级国产精品欧美在线观看| 成年美女黄网站色视频大全免费 | 中文资源天堂在线| 97超碰精品成人国产| 人人妻人人看人人澡| 国产精品国产av在线观看| 国产在线男女| 午夜视频国产福利| 人人妻人人看人人澡| 久热这里只有精品99| 久久这里有精品视频免费| 久久婷婷青草| 久久这里有精品视频免费| 午夜免费观看性视频| 一级毛片aaaaaa免费看小| 美女中出高潮动态图| 97超碰精品成人国产| 免费人成在线观看视频色| 亚洲丝袜综合中文字幕| 亚洲,欧美,日韩| 永久网站在线| 又大又黄又爽视频免费| 国产精品免费大片| 亚洲,一卡二卡三卡| 久久久久精品性色| 欧美丝袜亚洲另类| 秋霞在线观看毛片| 久久综合国产亚洲精品| 搡老乐熟女国产| av天堂中文字幕网| 女人久久www免费人成看片| 日本欧美视频一区| 亚洲丝袜综合中文字幕| 久久狼人影院| 亚洲国产精品国产精品| 黑人巨大精品欧美一区二区蜜桃 | 国产亚洲精品久久久com| 美女福利国产在线| 日韩中文字幕视频在线看片| 9色porny在线观看| 99九九线精品视频在线观看视频| 日本猛色少妇xxxxx猛交久久| 国产欧美另类精品又又久久亚洲欧美| 国产精品偷伦视频观看了| 精品熟女少妇av免费看| 欧美激情极品国产一区二区三区 | 亚洲欧洲日产国产| 久久久久视频综合| 少妇丰满av| 日韩av不卡免费在线播放| 在线观看免费视频网站a站| 亚洲人成网站在线播| 黑人巨大精品欧美一区二区蜜桃 | 伊人久久国产一区二区| 超碰97精品在线观看| 亚洲欧美一区二区三区国产| 日本欧美国产在线视频| 国语对白做爰xxxⅹ性视频网站| av在线播放精品| 欧美日韩视频高清一区二区三区二| 久久精品久久精品一区二区三区| 9色porny在线观看| 黑人猛操日本美女一级片| av又黄又爽大尺度在线免费看| 最黄视频免费看| 日韩制服骚丝袜av| av免费观看日本| 男女啪啪激烈高潮av片| 欧美xxⅹ黑人| 高清午夜精品一区二区三区| 国产女主播在线喷水免费视频网站| 色网站视频免费| 成人免费观看视频高清| 亚洲国产日韩一区二区| 国产精品一区二区在线观看99| 亚洲成色77777| 亚洲第一区二区三区不卡| 99久久精品热视频| 色婷婷av一区二区三区视频| 亚洲av.av天堂| 少妇人妻久久综合中文| 精品久久久久久久久av| 国产精品女同一区二区软件| 青春草亚洲视频在线观看| 丰满人妻一区二区三区视频av| 少妇人妻久久综合中文| 日韩伦理黄色片| 又粗又硬又长又爽又黄的视频| 大码成人一级视频| 亚洲自偷自拍三级| 日韩强制内射视频| 亚洲av电影在线观看一区二区三区| 免费av中文字幕在线| 国产成人免费观看mmmm| 欧美bdsm另类| 日日撸夜夜添| 亚洲欧洲日产国产| 黄色怎么调成土黄色| av卡一久久| 免费观看无遮挡的男女| 国产免费视频播放在线视频| 日韩大片免费观看网站| 国产成人91sexporn| 日韩伦理黄色片| 又大又黄又爽视频免费| 日韩av不卡免费在线播放| 欧美人与善性xxx| 国产毛片在线视频| 在线精品无人区一区二区三| 另类亚洲欧美激情| kizo精华| 少妇精品久久久久久久| 日日啪夜夜爽| 十八禁高潮呻吟视频 | 国产成人精品一,二区| 欧美丝袜亚洲另类| 女的被弄到高潮叫床怎么办| 午夜影院在线不卡| 亚洲欧美成人精品一区二区| 十八禁网站网址无遮挡 | 91aial.com中文字幕在线观看| 亚洲精品乱码久久久久久按摩| 久久久亚洲精品成人影院| 永久免费av网站大全| 自拍偷自拍亚洲精品老妇| 婷婷色综合大香蕉| 日产精品乱码卡一卡2卡三| 精品国产一区二区三区久久久樱花| 五月开心婷婷网| 日本-黄色视频高清免费观看| 欧美日韩综合久久久久久| 国产高清不卡午夜福利| 男女免费视频国产| 日韩av在线免费看完整版不卡| 中国三级夫妇交换| 亚洲欧洲日产国产| 国精品久久久久久国模美| 男人爽女人下面视频在线观看| 国语对白做爰xxxⅹ性视频网站| 国产精品99久久99久久久不卡 | 六月丁香七月| 高清不卡的av网站| 久久精品久久精品一区二区三区| 桃花免费在线播放| 久久久久久伊人网av| 一级毛片aaaaaa免费看小| 女性生殖器流出的白浆| 国产高清不卡午夜福利| 国产精品福利在线免费观看| 青春草亚洲视频在线观看| 一区二区三区乱码不卡18| 狂野欧美白嫩少妇大欣赏| 欧美高清成人免费视频www| 国产黄片美女视频| 伊人亚洲综合成人网| 搡女人真爽免费视频火全软件| 搡老乐熟女国产| 精品国产国语对白av| 日韩 亚洲 欧美在线| 日日啪夜夜爽| 国产又色又爽无遮挡免| 天堂中文最新版在线下载| 永久免费av网站大全| 亚洲精品日韩av片在线观看| 少妇人妻久久综合中文| 激情五月婷婷亚洲| 麻豆成人午夜福利视频| 一级黄片播放器| 97在线人人人人妻| 伦精品一区二区三区| 亚洲成色77777| 国产av精品麻豆| av播播在线观看一区| 又粗又硬又长又爽又黄的视频| 美女福利国产在线| 国产精品99久久99久久久不卡 | 亚洲成人一二三区av| 久久久久久人妻| 日韩视频在线欧美| 久久亚洲国产成人精品v| 交换朋友夫妻互换小说| 成人黄色视频免费在线看| 国产一区亚洲一区在线观看| 久久ye,这里只有精品| 中文字幕av电影在线播放| 日本av手机在线免费观看| 美女cb高潮喷水在线观看| 97精品久久久久久久久久精品| 亚洲成人一二三区av| av黄色大香蕉| 尾随美女入室| 夜夜看夜夜爽夜夜摸| 最新的欧美精品一区二区| 搡女人真爽免费视频火全软件| 2018国产大陆天天弄谢| 人人妻人人添人人爽欧美一区卜| 亚洲va在线va天堂va国产| 极品教师在线视频| 涩涩av久久男人的天堂| 老女人水多毛片| 夫妻性生交免费视频一级片| 婷婷色综合大香蕉| 亚洲情色 制服丝袜| 国产美女午夜福利| 观看免费一级毛片| 天天操日日干夜夜撸| 爱豆传媒免费全集在线观看| 校园人妻丝袜中文字幕| 一本久久精品| 亚洲欧美一区二区三区国产| 精品亚洲成a人片在线观看| 看免费成人av毛片| 国产一区二区三区av在线| 国产亚洲91精品色在线| 国国产精品蜜臀av免费| 日韩欧美精品免费久久| a级毛色黄片| 人人妻人人看人人澡| 全区人妻精品视频| 国产极品天堂在线| 国产精品人妻久久久影院| 毛片一级片免费看久久久久| 啦啦啦啦在线视频资源| 在线观看人妻少妇| 亚洲中文av在线| 如日韩欧美国产精品一区二区三区 | 欧美三级亚洲精品| 少妇被粗大猛烈的视频| 一级毛片电影观看| 乱系列少妇在线播放| 亚洲精品一区蜜桃| 欧美老熟妇乱子伦牲交| 久久人妻熟女aⅴ| 看非洲黑人一级黄片| 亚洲精品国产色婷婷电影| 亚洲va在线va天堂va国产| 成人二区视频| 青春草视频在线免费观看| 色5月婷婷丁香| 国产免费福利视频在线观看| 又大又黄又爽视频免费| 青春草亚洲视频在线观看| 色婷婷久久久亚洲欧美| 在线亚洲精品国产二区图片欧美 | 亚洲精品成人av观看孕妇| 纯流量卡能插随身wifi吗| 国产精品麻豆人妻色哟哟久久| 久久精品国产亚洲av涩爱| 黄色日韩在线| 亚洲精品,欧美精品| 亚洲精品色激情综合| 久久精品久久精品一区二区三区| 亚洲av综合色区一区| 伦精品一区二区三区| 国产精品一区www在线观看| 国产成人午夜福利电影在线观看| 亚洲精品亚洲一区二区| 九九久久精品国产亚洲av麻豆| 啦啦啦中文免费视频观看日本| 99九九线精品视频在线观看视频| 最近的中文字幕免费完整| 伊人久久精品亚洲午夜| 日本色播在线视频| 亚洲精品乱码久久久久久按摩| 欧美bdsm另类| 色视频在线一区二区三区| 人妻人人澡人人爽人人| 午夜免费观看性视频| 伊人亚洲综合成人网| 国产精品秋霞免费鲁丝片| 午夜福利视频精品| 亚洲人成网站在线播| 国产成人freesex在线| 亚洲一区二区三区欧美精品| 大片电影免费在线观看免费| 午夜老司机福利剧场| 日日啪夜夜爽| 国产精品.久久久| 26uuu在线亚洲综合色| 久久久精品94久久精品| 少妇 在线观看| 亚洲国产精品999| 如日韩欧美国产精品一区二区三区 | 在线看a的网站| 五月伊人婷婷丁香| 国产日韩一区二区三区精品不卡 | 在线精品无人区一区二区三| 岛国毛片在线播放| 男女边摸边吃奶| 免费观看的影片在线观看| 色视频www国产| 日日啪夜夜爽| 日韩,欧美,国产一区二区三区| 自拍偷自拍亚洲精品老妇| 欧美国产精品一级二级三级 | 欧美成人精品欧美一级黄| 久久狼人影院| 伊人亚洲综合成人网| 欧美国产精品一级二级三级 | 赤兔流量卡办理| 亚洲一区二区三区欧美精品| 一区在线观看完整版| 精品少妇久久久久久888优播| 国产精品久久久久久精品古装| 伦精品一区二区三区| 日韩欧美 国产精品| 免费高清在线观看视频在线观看| 26uuu在线亚洲综合色| 9色porny在线观看| 五月天丁香电影| 极品教师在线视频| 色94色欧美一区二区| 一级毛片 在线播放| 成人无遮挡网站| 久久久久久人妻| 久久亚洲国产成人精品v| 边亲边吃奶的免费视频| 女人精品久久久久毛片| 能在线免费看毛片的网站| 丝袜喷水一区| av网站免费在线观看视频| av国产精品久久久久影院| 欧美成人午夜免费资源| 岛国毛片在线播放| 少妇人妻久久综合中文| 色婷婷久久久亚洲欧美| 97超碰精品成人国产| 69精品国产乱码久久久| 91在线精品国自产拍蜜月| 国产精品一二三区在线看| 欧美日韩综合久久久久久| 亚洲av.av天堂| 大香蕉97超碰在线| 午夜影院在线不卡| 永久免费av网站大全| 国产亚洲午夜精品一区二区久久| 91久久精品国产一区二区成人| 青春草国产在线视频| 国产毛片在线视频| 五月伊人婷婷丁香| 精品少妇内射三级| 涩涩av久久男人的天堂| 夜夜看夜夜爽夜夜摸| 大片电影免费在线观看免费| 国产乱来视频区| 日韩熟女老妇一区二区性免费视频| 精品国产一区二区久久| 大香蕉97超碰在线| 久久毛片免费看一区二区三区| 只有这里有精品99| 亚洲精品日本国产第一区| 尾随美女入室| 国产伦精品一区二区三区视频9| av不卡在线播放| 色94色欧美一区二区| 欧美精品国产亚洲| 三级国产精品片| 国产精品一区二区三区四区免费观看| 日韩制服骚丝袜av| 热re99久久国产66热| 国产精品久久久久久久久免| 久久久国产精品麻豆| 精品视频人人做人人爽| 在线观看av片永久免费下载| 六月丁香七月| 成年女人在线观看亚洲视频| 在线观看免费日韩欧美大片 | 国产精品99久久久久久久久| 国产 一区精品| a级毛片免费高清观看在线播放| 狠狠精品人妻久久久久久综合| 国产免费福利视频在线观看| 狂野欧美激情性xxxx在线观看| 欧美3d第一页| 婷婷色麻豆天堂久久| 黄色毛片三级朝国网站 | 一级,二级,三级黄色视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲图色成人| 亚洲av欧美aⅴ国产| 国产成人免费无遮挡视频| 高清毛片免费看| 国产欧美亚洲国产| 午夜激情久久久久久久| 麻豆乱淫一区二区| 日韩在线高清观看一区二区三区| 国产欧美日韩综合在线一区二区 | 黄色怎么调成土黄色| 精品亚洲成a人片在线观看| 亚洲电影在线观看av| 久久ye,这里只有精品| 九九爱精品视频在线观看| av.在线天堂| 99九九线精品视频在线观看视频| 久久久久久久久久久丰满| 日本色播在线视频| 人妻人人澡人人爽人人| 一级毛片aaaaaa免费看小| 亚洲一级一片aⅴ在线观看| 日韩一区二区三区影片| 久久久国产精品麻豆| 日本vs欧美在线观看视频 | 97超视频在线观看视频| 亚洲av国产av综合av卡| 亚洲内射少妇av| 99热全是精品| 国产精品国产av在线观看| 蜜臀久久99精品久久宅男| 国产成人免费无遮挡视频| 国产色婷婷99| 婷婷色麻豆天堂久久| 久久韩国三级中文字幕| 日韩一区二区视频免费看| 亚洲欧洲国产日韩| 亚洲人与动物交配视频| av天堂中文字幕网| 国产亚洲最大av| 欧美 日韩 精品 国产| 亚洲国产精品一区二区三区在线| 久久97久久精品| 青春草视频在线免费观看| 国产 一区精品| 亚洲国产精品一区三区| 天堂俺去俺来也www色官网| 午夜影院在线不卡| 汤姆久久久久久久影院中文字幕| 欧美日韩国产mv在线观看视频| 丝瓜视频免费看黄片| 十八禁网站网址无遮挡 | 黄片无遮挡物在线观看| 精品少妇内射三级| 久久久欧美国产精品| 国产欧美日韩综合在线一区二区 | 国产永久视频网站| av国产精品久久久久影院| 天堂俺去俺来也www色官网| 九九在线视频观看精品| 国产亚洲最大av| 在线观看人妻少妇| 欧美日韩视频精品一区| 中文字幕精品免费在线观看视频 | 又爽又黄a免费视频| 亚洲av.av天堂| 国产精品一二三区在线看| 亚洲美女黄色视频免费看| 老司机影院成人| 亚洲中文av在线| 国产亚洲午夜精品一区二区久久|