• <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 ?

    卷積神經(jīng)網(wǎng)絡在黃瓜葉部病害識別中的應用

    2018-03-07 06:34:04張善文謝澤奇張晴晴
    江蘇農(nóng)業(yè)學報 2018年1期
    關鍵詞:病斑黃瓜卷積

    張善文, 謝澤奇, 張晴晴

    (鄭州大學西亞斯國際學院,河南 鄭州 451150)

    黃瓜是一種廣受歡迎的蔬菜,但黃瓜炭疽病、白粉病、霜霉病等多種病害嚴重影響了黃瓜的產(chǎn)量和質量。很多黃瓜病害的癥狀出現(xiàn)在葉片上,病害葉片的顏色、紋理和形狀異常,而且不同類型的病害葉片具有不同的顏色、紋理和形狀特征[1-2]。因此,根據(jù)黃瓜病害葉片特征能夠識別病害類型。基于病害葉片圖像的黃瓜病害識別方法研究一直是生態(tài)學、模式識別和圖像處理等領域的一個重要研究課題[3-5]。Dong等[6]通過提取病斑圖像的顏色和形狀特征以及灰度共生矩陣紋理特征進行黃瓜霜霉病、白粉病和炭疽病病害類型識別。冀曉麗[7]總結了國內外相關研究現(xiàn)狀,提出了一種黃瓜葉部白粉病斑分割方法,并利用病斑正負樣本區(qū)別白粉病斑和其他病斑的特征,研究了基于支持向量機(Support vector machine,SVM)的黃瓜病害類型識別方法。張芳等[8]提出了一種基于超像素和形狀特征的復雜背景下的黃瓜病害葉片圖像分割算法,并利用支持向量機進行黃瓜葉部病害識別。Zhou等[9]提出了一種基于機器視覺系統(tǒng)和SVM的黃瓜霜霉病分類系統(tǒng),該系統(tǒng)包括圖像采集、圖像預處理、特征參數(shù)提取、模式識別等方面。Wei等[10]利用計算機圖像處理技術對黃瓜病害圖像進行預處理和特征提取,從統(tǒng)計、形狀和顏色3個方面提取黃瓜霜霉病的15個特征參數(shù)進行病害識別,取得了較高的識別率。

    現(xiàn)有的黃瓜病害識別方法大多是從病害葉片圖像中提取特征,然后利用不同分類器進行病害識別。雖然可以從1幅病害葉片圖像中提取100多種特征,但由于病害葉片圖像的復雜多樣性,很難選擇出對病害類型識別貢獻較大的有用特征。所以,黃瓜病害識別仍然是一個研究熱點。由于病害葉片及其分割出的病斑圖像千變萬化,而且實際病害葉片圖像的背景比較復雜,因此隨著圖像數(shù)據(jù)的快速增長,人工設計的特征越來越難以滿足實際黃瓜病害識別的需求。

    近年來,基于深度學習的特征提取與識別方法受到了極大關注,并在自然圖像分類識別中得到了成功應用。大量試驗結果表明,基于深度學習得到的特征表達比手工設計的底層視覺特征(如HOG特征、SIFT特征等)在圖像識別方面具有更大的優(yōu)越性。深度學習的實質是通過構建具有很多隱層的網(wǎng)絡和海量訓練數(shù)據(jù),自動學習更有用的特征,從而最終提升圖像的識別率[11-12]。卷積神經(jīng)網(wǎng)絡(Convolutional neural network, CNN)作為一種簡單有效的深度學習方法,在圖像識別方面得到了廣泛應用。由于CNN特征提取層通過大量訓練數(shù)據(jù)進行特征提取,而不是提取人工設計的特征,CNN避免了人為的特征提取過程,而是自動地從訓練數(shù)據(jù)中學習特征,并且同一特征映射面上的神經(jīng)元權值共享,網(wǎng)絡并行學習可以采用多個GPU訓練網(wǎng)絡,極大地提高了網(wǎng)絡的訓練速度。目前,CNN已被成功應用于植物物種識別中[13]。Jeon等[13]提出了一種基于深度學習的植物病害檢測方法,通過訓練深度學習模式,檢測14種作物的26種病害。Srdjan等[14]提出了一種基于深度神經(jīng)網(wǎng)絡的植物病害識別方法,該方法能夠有效區(qū)分健康葉片和13種不同的病害葉片。Jihen等[15]提出了一種基于深度學習的香蕉病害分類方法,并取得了較高的識別率。本研究擬構建一種深度CNN(Deep convolutional neural network,DCNN)模型,直接從歸一化后的彩色病害葉片圖像中提取高層次的抽象特征,并在輸出層進行病害識別,以建立一種基于CNN的黃瓜病害識別方法。

    1 材料與方法

    1.1 材料

    在陜西省楊凌農(nóng)業(yè)高新技術產(chǎn)業(yè)示范園拍攝黃瓜病害葉片圖像,構建數(shù)據(jù)庫。數(shù)據(jù)庫包含赤霉病、白粉病、霜霉病、炭疽病、斑點病和細菌性角斑病等6種黃瓜常見的病害葉片圖像共1 200幅,每種病害200幅。每幅病害葉片圖像由分辨率 1 200×1 600的佳能A640數(shù)碼相機拍攝。拍攝圖像時,相機設置為手動調節(jié)焦距和光圈,自動白平衡,關閉閃光燈。從病害癥狀能被看見開始,每天上午8∶00到下午18∶00每隔2 h拍攝1次,包含不同光照度和不同角度的各100幅葉片圖像。然后采用Matlab 7.0軟件將每幅圖像的分辨率壓縮為256×256,最后以JPEG格式導入計算機,構建黃瓜葉部病害圖像數(shù)據(jù)庫。部分圖像如圖1所示。

    圖1 6種黃瓜病害葉片圖像Fig.1 Six kinds of cucumber diseased leaf images

    利用CNN對病害葉片圖像進行特征提取和類型識別的一個最大優(yōu)點是不需要對原始彩色病害葉片圖像進行一些復雜的底層圖像預處理、病斑分割和特征提取等操作,可以把原始彩色圖像直接輸入CNN模型。但由于計算機計算能力有限,一般還不能達到完全依賴增加訓練數(shù)據(jù)來訓練深度CNN模型的程度,而是要對訓練數(shù)據(jù)增加一些預處理和先驗知識以減少訓練過程中的計算量。由于拍攝的病害葉片圖像存在噪聲、失真、干擾和背景等,首先需要對病斑葉片圖像進行降噪、增強和歸一化等預處理[4,7],然后從預處理后的圖像中隨機選取出多幅病斑的圖像塊,并將這些病斑圖像塊進行左右翻轉,得到的圖像塊都作為訓練數(shù)據(jù)的一部分,由此可以減少過擬合。

    由于采集的病害葉片圖像大小不一,而且圖像的灰度值范圍也不相同,容易導致網(wǎng)絡收斂慢、訓練時間長,而且圖像灰度值范圍大的輸入在模式分類中的作用可能會偏大,而范圍小的輸入在模式分類中的作用可能會偏小。所以還需要對圖像歸一化處理使灰度值范圍為[0,1]。

    病害類型識別的依據(jù)主要是病害葉片圖像中的彩色病斑。為了減少復雜背景對識別率的影響,先從訓練集每幅分辨率為 256×256的病害葉片圖像中的不同位置隨機選取幾個分辨率比原來小的圖像塊,根據(jù)實際拍攝的病害葉片圖像特點,選擇的圖像塊為 227×227。然后利用Matlab 7.0中的reshape()函數(shù)將每幅彩色圖像歸一化為 148×148×3。最后采用10-折交叉驗證法將預處理后的圖像集劃分為訓練集和測試集,即將每種病害的所有葉片圖像隨機劃分為10等份,1等份作為測試集,其余的作為訓練集。訓練集用于訓練CNN模型,測試集用于在訓練好的模型中測試病害識別方法的性能。模型的評價指標為對測試集中的所有病害圖像的病害識別率大小。在模型訓練和測試時,為了降低圖像數(shù)據(jù)之間的相似性,將輸入圖像數(shù)據(jù)減去訓練集中所有圖像的均值,從而可以提高訓練速度。為了得到更多的訓練集,將訓練集中每幅圖像間隔5°進行旋轉1周,并對每次旋轉5°得到的每幅圖像進行水平翻轉,將每幅圖像擴展為144幅圖像,再將訓練集中所有擴展的圖像組成訓練集。由此模擬基于物聯(lián)網(wǎng)監(jiān)控視頻的多種自然環(huán)境條件,則訓練集共得到6種病害的病害圖像6×180×144=155 520幅。在測試過程中,取測試圖像左上、右上、中間、左下以及右下5個圖像塊,并作水平翻轉,對得到的10個圖像上的預測結果取均值,作為測試圖像的預測結果。經(jīng)過10次重復試驗后,每一等份都用作一次測試集,可以得到10個病害識別結果,再將其平均值作為一次10-折交叉驗證試驗的識別率。

    1.2 方法

    在LeNet卷積神經(jīng)網(wǎng)絡的架構基礎上,設計一個包含11個隱層的深度CNN模型,該模型由5個卷積層、3個池化層、2個全連接層和1個Softmax分類器回歸層組成,并將該深度CNN應用于黃瓜彩色病害葉片圖像分類中。

    卷積神經(jīng)網(wǎng)絡(CNN)法利用卷積進行局部連接和權值共享,利用降維采樣降低網(wǎng)絡的復雜性和過擬合,通過增加層數(shù)提取更具有鑒別力的分類特征,最后將經(jīng)過全連接層后的特征輸入Softmax分類器得到測試圖像各個類別的概率,由此進行圖像分類識別。CNN結構由一個輸入層、多個卷積層、多個池化層、一個或多個全連接層和一個輸出層組成。輸入層是將一幅或多幅M×M×C的圖像輸入到第一個卷積層,其中M為圖像的高度和寬度,C為網(wǎng)絡的通道數(shù)。若輸入圖像為灰度圖像,則C=1;若輸入圖像為RGB圖像,則C=3。

    (1)

    每一個卷積層輸出的特征圖給一個額外的偏置,但對于一個特定的輸出特征圖,卷積每個輸入特征圖的濾波器(卷積核)不同。也就是說,若輸入特征圖和輸出特征的特征圖都是從輸入特征圖中卷積求和得到,那么對應的卷積核不一定相同。

    不同的激活函數(shù)對應不同的神經(jīng)元。為了簡單起見,一般選取線性閾值函數(shù),其輸出為:

    (2)

    式(2)中,n表示輸入神經(jīng)元的個數(shù)。這是一種強制輸出為0的方法,訓練后的網(wǎng)絡具備一定的稀疏性,從而減少數(shù)據(jù)冗余,使提取的特征更具表達能力。這種神經(jīng)元也是現(xiàn)在深度神經(jīng)網(wǎng)絡中經(jīng)常用到的神經(jīng)元。

    池化層,又叫采樣層或特征映射層。池化操作是對卷積層輸出的特征圖不同位置特征進行二次采樣,可以通過不同的采樣方式對卷積層的輸出特征圖進行更低分辨率的統(tǒng)計表示。對于池化層來說,如果有N個輸入特征圖,就有N個輸出特征圖,只是每個輸出特征圖都變小。池化結果是對卷積層的輸出經(jīng)過下采樣加偏置再經(jīng)過激活函數(shù)得到:

    (3)

    其中,l表示層數(shù),down為降維采樣操作,w為池化權值,bs為附加偏置。

    全連接層常出現(xiàn)在最后幾層,用于對前面設計的特征做加權和。全連接層將學到的特征表示映射到樣本標記空間,可以把高維變到低維,同時把有用的信息保留下來。全連接層可由卷積操作實現(xiàn)。該層輸出層的神經(jīng)元和輸入層的每個神經(jīng)元都連接,將學到的“分布式特征表示”映射到樣本標記空間,在整個卷積神經(jīng)網(wǎng)絡中起到“分類器”的作用。在網(wǎng)絡模型的輸出層一般采用Softmax函數(shù)作為分類器,輸出不同預測結果的概率分布。假設圖像訓練集中有C類N幅圖像,經(jīng)過卷積、下采樣以及全連接操作后,得到的第i幅圖像的特征向量和對應的類別標簽記為(x(i),r(i))(i=1,2,...,N),其中r∈{1,2,...,C}。經(jīng)過前向傳播后,即在數(shù)據(jù)傳到輸出層后,對于單個訓練數(shù)據(jù),Softmax分類器的輸出為:

    (4)

    式(4)中,wi為全連接層中多個神經(jīng)元與Softmax分類器的i個輸出神經(jīng)元相連接的權重。

    利用Softmax分類器的CNN的損失函數(shù)為

    (5)

    式(5)中,t為由模型的激勵函數(shù)f(x)=max(0,x)輸出的一個的C×1矩陣,tlable為訓練樣本標簽,是一個C×1的二值矩陣。

    CNN模型訓練的優(yōu)劣主要由損失函數(shù)確定,訓練與測試的損失值越低,則模型訓練得越好。CNN利用學習率更新網(wǎng)絡權重、優(yōu)化網(wǎng)絡。該參數(shù)在確定網(wǎng)絡收斂和泛化能力方面起著重要作用。學習率過小可能導致收斂緩慢,相反導致發(fā)散。在訓練網(wǎng)絡前,利用一些不同的小隨機數(shù)初始化網(wǎng)絡所有的權。其中,“小隨機數(shù)”保證網(wǎng)絡不會因權值過大而進入飽和狀態(tài)進而導致訓練失敗,“不同”是保證網(wǎng)絡能夠正常地學習特征。實際上,若利用相同的初始化網(wǎng)絡的權矩陣,則網(wǎng)絡無學習能力。

    本研究采用彩色圖像的三通道RGB空間分量微調CNN模型。具體操作為:在訓練好的CNN模型上,再利用訓練集對該模型進行再訓練,通過觀察測試集上的分類精度,判斷訓練效果。在深度CNN中,層數(shù)越高,提取分類特征的泛化能力就越差。因此,在微調CNN模型時,需要將輸出層的學習率設置得比其他層稍大,使得訓練速度更快,使模型能夠收斂。

    由于黃瓜病害葉片圖像的復雜多樣性,本研究構建了一個具有11個隱層的深度CNN模型。其結構如圖2所示。

    圖2 中標出了CNN的參數(shù)變化和特征圖的維數(shù)變化,其中S為步長,P為0元素填充,C為病害類別數(shù)。在卷積層使用較小的濾波器,如3×3或5×5,并在卷積時使用步長S對隱層的輸入進行每次移動1個步長,從輸入圖像或特征圖的左上角開始,上下左右移動,再使用0元素對原來的輸入進行邊界處理。設置了2層全連接,其中第1個全連接層由卷積核為6×6的全局卷積實現(xiàn),第2個全連接層由卷積核為1×1的卷積實現(xiàn)。

    圖2 基于深度CNN的黃瓜病害識別模型Fig.2 The model of cucumber disease recognition based on deep convolutional neural network

    2 結果與分析

    在基于深度CNN的黃瓜病害識別試驗中,模型的主要參數(shù)設置為:對于彩色病害葉片圖像,初始學習率是1×10-4,當?shù)鷧?shù)為2 000次后減少為1×10-5,權重衰減系數(shù)為0.000 5。其他參數(shù)設置在圖2中標示。由于CNN模型中參數(shù)較多,試驗所用計算機顯卡的內存不夠用,這部分試驗是在CPU上運行的。計算機的配置是intel i5處理器,16 GB內存,GTX7502GB顯卡,訓練時間約為50 h。卷積層的每幅特征圖表示的是圖像的一種特征,層數(shù)越高,特征越抽象,加上全連接層的目的是將底層各特征圖的特征結合到一起,然后采用Softmax分類器進行病害類型識別,輸出測試集中每幅病害葉片圖像屬于6種不同類別病害的概率,選擇其中最大的概率對應的類別作為該病害葉片所屬的病害類別。在試驗過程中,在彩色病害葉片圖像上微調2 000次后得到模型最優(yōu)參數(shù)。當嘗試更多次迭代時,網(wǎng)絡在測試集上的分類率可能不會繼續(xù)上升,反而可能下降,最后維持在一個比較小的值。在理論上,在測試集上的識別率達到一個比較高值后是不會再下降,可能原因是學習率微調得稍大了。若將學習率再調小,模型的收斂速度可能較慢;若RGB彩色病害葉片圖像庫不夠大,則不能使模型收斂。在訓練好的模型上,對測試集進行測試,得到病害類型識別結果。表1中為6種黃瓜病害的平均識別率、方差和識別時間。為了表明本方法的有效性,表1中還列出了其他4種傳統(tǒng)的基于特征提取的黃瓜病害識別方法的平均識別結果。這4種方法分別基于病斑形狀和神經(jīng)網(wǎng)絡法(LSNN)[2]、基于顏色特征和屬性約簡法(CFAR)[3]、基于全局和局部奇異值分解法(GLSVD)[5]、基于葉片圖像處理法(LIP)[10]。

    表15種黃瓜病害識別方法的識別率以及訓練和識別時間

    Table1Therecognitionrates,trainingtimeandrecognizingtimebyfivecucumberdiseaserecognitionmethods

    方法識別率(%)訓練時間(h)識別時間(s)LSNN74.53±2.1515.0004.1CFAR72.43±1.730.0463.6GLSVD81.52±1.660.0273.8LIP72.26±2.230.0847.6DCNN90.32±1.4256.0002.7

    LSNN:基于病斑形狀和神經(jīng)網(wǎng)絡的病害識別方法;CFAR:基于顏色特征和屬性約簡的病害識別方法;GLSVD:基于全局和局部奇異值分解的病害識別方法;LIP:基于葉片圖像處理的病害識別方法;DCNN:基于深度卷積神經(jīng)網(wǎng)絡的病害識別方法。

    從表1可以看出,本研究提出的方法的識別率最高,盡管基于深度CNN的病害識別方法的訓練時間很長,但識別時間較短。由于基于CNN的圖像識別模型具有較好的魯棒性和穩(wěn)定性,所以只要訓練好模型,就可以較快地進行病害類型識別。因此,本研究提出的方法能夠應用于作物病害識別系統(tǒng)。

    3 討 論

    針對黃瓜病害葉片圖像的復雜多樣性以及分類特征提取困難的問題,本研究提出一種基于深度CNN的黃瓜病害識別方法,通過深度學習的方式對病害葉片圖像的病斑屬性進行準確分類,利用Softmax分類器進行病害類型識別。本方法的創(chuàng)新點在于:①不需要對每幅病害葉片圖像進行復雜的預處理以及病斑分割和手工設計的特征提取,能夠直接從歸一化后的彩色病害葉片圖像中提取出高層次的抽象特征,并在輸出層進行病害識別,從而極大提高了病害的識別效率;②能夠對大田復雜環(huán)境中利用物聯(lián)網(wǎng)和智能電子設備采集的黃瓜病害葉片圖像進行病害類型識別,極大地擴展了該方法的應用范圍。試驗結果表明,相比于傳統(tǒng)的基于特征提取的作物病害識別方法,本方法準確率更高、識別效果更好。但是深度學習需要海量數(shù)據(jù)庫的支持,因此后續(xù)研究中將增加訓練數(shù)據(jù)量,用更加復雜的深度網(wǎng)絡結構來訓練模型,進一步提高基于深度CNN的黃瓜病害識別方法的準確率。

    [1] WEI Y, CHANG R, WANG Y, et al. A study of image processing on identifying cucumber disease[C]. Springer Berlin Heidelberg: Computer and Computing Technologies in Agriculture V, 2012:201-209.

    [2] 賈建楠,吉海彥.基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別[J].農(nóng)業(yè)工程學報,2013,29(S1):115-121.

    [3] 謝澤奇,張會敏,張善文,等.基于顏色特征和屬性約簡的黃瓜病害識別方法[J].江蘇農(nóng)業(yè)學報,2015,31(3):526-530.

    [4] GUO P, LIU T H, LI N X. Design of automatic recognition of cucumber disease image[J]. Information Technology Journal, 2014,13(13): 2129-2136.

    [5] ZHANG S, WANG Z. Cucumber disease recognition based on Global-Local Singular value decomposition[J]. Neurocomputing, 2016, 205:341-348.

    [6] DONG P X, WANG X D. Recognition of greenhouse cucumber disease based on image processing technology [J]. Open Journal of Applied Sciences,2013, 3:27-31.

    [7] 冀曉麗. 基于支持向量機的黃瓜葉部白粉病害檢測[D]. 沈陽:東北大學, 2014.

    [8] 張 芳,王 璐,付立思,等. 基于支持向量機的黃瓜葉部病害的識別研究[J]. 沈陽農(nóng)業(yè)大學學報, 2014, 45(4):457-462.

    [9] ZHOU B Y, XU J W, ZHAO J F. Research on cucumber downy mildew detection system based on SVM classification algorithm[C]. Changsha China: 3rd International Conference on Material, Mechanical and Manufacturing Engineering, 2015:1681-1684.

    [10] WEI Y, CHANG R, WANG Y, et al. A study of image processing on identifying cucumber disease[C]. Beijing China: IFIP Advances in Information & Communication Technology, 2016:201-209.

    [11] SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural Networks the Official Journal of the International Neural Network Society, 2014, 61:85-117.

    [12] GOLOVKO V A. Deep learning: an overview and main paradigms[J]. Optical Memory & Neural Networks, 2017, 26(1):1-17.

    [13] JEON W S, RHEE S Y. Plant leaf recognition using a convolution neural network[J]. International Journal of Fuzzy Logic & Intelligent Systems, 2017, 17(1):26-34.

    [14] SRDJAN S, MARKO A, ANDRAS A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience,2016,6:1-11.

    [15] JIHEN A, BASSEM B, ALSAYED A. A deep learning-based approach for banana leaf diseases classification[C]. Gesellschaft für Informatik, Bonn:Lecture Notes in Informatics, 2017: 79-88.

    猜你喜歡
    病斑黃瓜卷積
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    清新脆嫩的黃瓜
    中老年保健(2021年5期)2021-08-24 07:08:02
    黃瓜留瓜要注意兩點
    我喜歡黃瓜
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    改進自適應分水嶺方法分割棉花葉部粘連病斑
    一種桑輪紋病病葉發(fā)病程度的評價指數(shù)
    9種藥劑防治山核桃干腐病試驗研究
    基于傅里葉域卷積表示的目標跟蹤算法
    摘黃瓜
    国产成年人精品一区二区| 久久99热这里只有精品18| 九色成人免费人妻av| 女人十人毛片免费观看3o分钟| 午夜激情福利司机影院| 欧美97在线视频| 看十八女毛片水多多多| 久久99蜜桃精品久久| 亚洲美女视频黄频| 国产成人a∨麻豆精品| 欧美3d第一页| 天天一区二区日本电影三级| av国产免费在线观看| 亚洲精品国产成人久久av| 18禁在线无遮挡免费观看视频| 久久人人爽人人片av| 成人一区二区视频在线观看| 纵有疾风起免费观看全集完整版 | 天堂俺去俺来也www色官网 | 国产 亚洲一区二区三区 | 嫩草影院新地址| 日韩一区二区三区影片| 天堂av国产一区二区熟女人妻| 亚洲电影在线观看av| 日韩伦理黄色片| 乱人视频在线观看| 免费看av在线观看网站| 免费看不卡的av| 国内少妇人妻偷人精品xxx网站| 久久久久久久久久黄片| 在线观看免费高清a一片| 国产精品伦人一区二区| 不卡视频在线观看欧美| 最新中文字幕久久久久| 久久99热这里只频精品6学生| 日韩一区二区三区影片| 国产伦一二天堂av在线观看| 日本与韩国留学比较| 一级毛片电影观看| 国产精品一二三区在线看| 波多野结衣巨乳人妻| 国产爱豆传媒在线观看| 成人漫画全彩无遮挡| 免费在线观看成人毛片| 特级一级黄色大片| av免费观看日本| 在线观看美女被高潮喷水网站| 亚洲精品第二区| 天堂av国产一区二区熟女人妻| 国产精品综合久久久久久久免费| 国产视频首页在线观看| 成人鲁丝片一二三区免费| 欧美日本视频| 男人舔女人下体高潮全视频| 久久精品久久精品一区二区三区| 成年免费大片在线观看| 内射极品少妇av片p| 亚洲精品,欧美精品| 精品一区在线观看国产| 干丝袜人妻中文字幕| 亚洲无线观看免费| eeuss影院久久| 国产黄片视频在线免费观看| 熟妇人妻不卡中文字幕| 欧美最新免费一区二区三区| 亚洲精品色激情综合| 最近手机中文字幕大全| 秋霞伦理黄片| 亚洲欧美精品专区久久| 69人妻影院| 91精品国产九色| 日韩国内少妇激情av| 亚洲成人中文字幕在线播放| 六月丁香七月| 国产日韩欧美在线精品| 亚洲精品视频女| 少妇的逼好多水| 亚洲国产精品成人久久小说| 国产成人午夜福利电影在线观看| 免费看光身美女| 国产精品福利在线免费观看| av卡一久久| 亚洲国产精品国产精品| 人妻夜夜爽99麻豆av| 少妇的逼好多水| 久久精品夜色国产| 国产成人freesex在线| 深夜a级毛片| 一夜夜www| 午夜精品国产一区二区电影 | 国产高潮美女av| 日韩成人av中文字幕在线观看| 99久久精品国产国产毛片| 亚洲图色成人| 欧美不卡视频在线免费观看| 亚洲精品色激情综合| 男插女下体视频免费在线播放| 99热这里只有是精品50| 国产亚洲5aaaaa淫片| 一夜夜www| 成年av动漫网址| 波野结衣二区三区在线| 免费av毛片视频| 免费观看的影片在线观看| 嘟嘟电影网在线观看| 三级经典国产精品| 亚洲精品色激情综合| 国产精品一区www在线观看| 80岁老熟妇乱子伦牲交| 日韩精品有码人妻一区| 毛片女人毛片| 中文字幕av在线有码专区| 国产亚洲5aaaaa淫片| 91在线精品国自产拍蜜月| 午夜精品国产一区二区电影 | 午夜福利在线在线| 一夜夜www| 直男gayav资源| 夜夜看夜夜爽夜夜摸| 亚洲内射少妇av| 少妇熟女欧美另类| 老司机影院毛片| 国产精品av视频在线免费观看| 丰满少妇做爰视频| 大又大粗又爽又黄少妇毛片口| 日韩精品青青久久久久久| 美女xxoo啪啪120秒动态图| 亚洲精品456在线播放app| .国产精品久久| 爱豆传媒免费全集在线观看| 简卡轻食公司| 三级经典国产精品| av一本久久久久| 成年免费大片在线观看| 国产精品1区2区在线观看.| xxx大片免费视频| 国产中年淑女户外野战色| 熟妇人妻久久中文字幕3abv| 亚洲伊人久久精品综合| 亚洲国产色片| 搞女人的毛片| 亚洲自偷自拍三级| 51国产日韩欧美| 国产午夜精品论理片| 亚洲av成人精品一二三区| 国内精品宾馆在线| 国产一区二区三区综合在线观看 | 免费播放大片免费观看视频在线观看| 一本久久精品| 少妇的逼水好多| 国产一区二区三区av在线| 天天躁日日操中文字幕| 日韩在线高清观看一区二区三区| 美女黄网站色视频| 麻豆av噜噜一区二区三区| 国产毛片a区久久久久| 高清日韩中文字幕在线| 青春草国产在线视频| 黄色一级大片看看| 五月玫瑰六月丁香| 女的被弄到高潮叫床怎么办| av.在线天堂| 97在线视频观看| 91精品国产九色| 亚洲国产高清在线一区二区三| 淫秽高清视频在线观看| 国产色爽女视频免费观看| 神马国产精品三级电影在线观看| 插阴视频在线观看视频| 波多野结衣巨乳人妻| 少妇丰满av| 免费观看的影片在线观看| 97超碰精品成人国产| 久久这里只有精品中国| 韩国av在线不卡| 国产黄片美女视频| 狂野欧美激情性xxxx在线观看| 中文字幕亚洲精品专区| 久久热精品热| 最近手机中文字幕大全| 免费大片黄手机在线观看| 国产精品国产三级国产av玫瑰| 少妇熟女欧美另类| 国产免费福利视频在线观看| 国产av国产精品国产| 国产高清三级在线| av免费观看日本| 好男人在线观看高清免费视频| 亚洲国产日韩欧美精品在线观看| 99久久精品热视频| 国产黄色视频一区二区在线观看| 欧美最新免费一区二区三区| 视频中文字幕在线观看| 一级爰片在线观看| 久久精品久久久久久噜噜老黄| 高清欧美精品videossex| 久久久久免费精品人妻一区二区| 美女国产视频在线观看| 极品教师在线视频| 欧美三级亚洲精品| 嫩草影院新地址| 日韩视频在线欧美| 久久久成人免费电影| 国产美女午夜福利| 少妇高潮的动态图| 久久久精品欧美日韩精品| 直男gayav资源| 亚洲av中文av极速乱| 一个人观看的视频www高清免费观看| 欧美潮喷喷水| 国产精品国产三级国产av玫瑰| 麻豆av噜噜一区二区三区| 国产精品久久久久久久电影| 激情 狠狠 欧美| 熟妇人妻不卡中文字幕| 日韩av在线免费看完整版不卡| 毛片一级片免费看久久久久| 欧美变态另类bdsm刘玥| 国产成年人精品一区二区| 蜜桃亚洲精品一区二区三区| 日韩av不卡免费在线播放| 69av精品久久久久久| 午夜免费观看性视频| 国产伦精品一区二区三区视频9| 精品人妻熟女av久视频| 在线天堂最新版资源| 亚洲av电影在线观看一区二区三区 | 大片免费播放器 马上看| 国产又色又爽无遮挡免| 日韩欧美三级三区| 熟妇人妻不卡中文字幕| 美女大奶头视频| 五月天丁香电影| 人妻制服诱惑在线中文字幕| 成人漫画全彩无遮挡| 一级爰片在线观看| 久久久久久伊人网av| 美女高潮的动态| 成年女人看的毛片在线观看| 一夜夜www| av专区在线播放| 色综合亚洲欧美另类图片| 国产亚洲一区二区精品| 日韩精品青青久久久久久| 精品久久久精品久久久| 国产精品99久久久久久久久| 色综合站精品国产| 国产淫语在线视频| 日韩大片免费观看网站| 亚洲精品乱码久久久v下载方式| 亚洲精品aⅴ在线观看| 两个人视频免费观看高清| 成人午夜精彩视频在线观看| 精品午夜福利在线看| 亚洲精品456在线播放app| 22中文网久久字幕| 精品一区二区三区视频在线| 亚洲第一区二区三区不卡| 一夜夜www| 欧美变态另类bdsm刘玥| 麻豆国产97在线/欧美| 又爽又黄a免费视频| 亚洲熟女精品中文字幕| 韩国av在线不卡| 国产一级毛片七仙女欲春2| 丝袜美腿在线中文| 成人高潮视频无遮挡免费网站| 亚洲欧洲日产国产| 久久久久久久亚洲中文字幕| www.色视频.com| 久久99热6这里只有精品| 免费观看在线日韩| 午夜免费激情av| 黄色一级大片看看| 日日干狠狠操夜夜爽| 国产探花在线观看一区二区| 国产成年人精品一区二区| 亚洲不卡免费看| 国产亚洲5aaaaa淫片| 成年人午夜在线观看视频 | 综合色丁香网| 亚洲无线观看免费| 91久久精品国产一区二区三区| 成人美女网站在线观看视频| 日日撸夜夜添| 国产乱人偷精品视频| 亚洲自拍偷在线| 精品人妻熟女av久视频| 三级国产精品欧美在线观看| 国产在视频线精品| 欧美区成人在线视频| 日日干狠狠操夜夜爽| 91精品一卡2卡3卡4卡| 亚洲av福利一区| 日本三级黄在线观看| av播播在线观看一区| 麻豆成人午夜福利视频| 1000部很黄的大片| 精品一区二区三区视频在线| 1000部很黄的大片| 春色校园在线视频观看| 一级毛片黄色毛片免费观看视频| 亚洲va在线va天堂va国产| 久久久久国产网址| 嫩草影院新地址| 中国美白少妇内射xxxbb| 有码 亚洲区| 免费观看精品视频网站| 国产成人免费观看mmmm| 欧美高清性xxxxhd video| 人人妻人人澡欧美一区二区| 亚洲精品第二区| 中文天堂在线官网| 麻豆成人午夜福利视频| 91久久精品电影网| 亚洲国产精品成人久久小说| 国产精品综合久久久久久久免费| 简卡轻食公司| 日韩一本色道免费dvd| 国产亚洲精品久久久com| 在线a可以看的网站| 嫩草影院新地址| 国产成人一区二区在线| 观看美女的网站| 久久久久久久久中文| 久久人人爽人人爽人人片va| 中文字幕久久专区| 床上黄色一级片| 十八禁国产超污无遮挡网站| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 啦啦啦韩国在线观看视频| 美女黄网站色视频| 亚洲在线观看片| 丰满人妻一区二区三区视频av| 久久精品国产亚洲av天美| 日韩伦理黄色片| 极品教师在线视频| 男女下面进入的视频免费午夜| 免费看日本二区| 亚洲成人精品中文字幕电影| 久热久热在线精品观看| 亚洲成人中文字幕在线播放| 久久久久久久国产电影| 草草在线视频免费看| 国产精品蜜桃在线观看| 国产一区二区在线观看日韩| 蜜桃久久精品国产亚洲av| 在线观看一区二区三区| 亚洲久久久久久中文字幕| 欧美bdsm另类| 狠狠精品人妻久久久久久综合| 久久国产乱子免费精品| 精品99又大又爽又粗少妇毛片| 久久国产乱子免费精品| 亚洲av电影不卡..在线观看| 国产精品av视频在线免费观看| 欧美成人午夜免费资源| 国产精品一及| 国产免费又黄又爽又色| 九色成人免费人妻av| 国产淫语在线视频| 高清av免费在线| 国产免费又黄又爽又色| 国产精品日韩av在线免费观看| av专区在线播放| 一级a做视频免费观看| 夜夜爽夜夜爽视频| 久久久精品94久久精品| 免费av观看视频| 男女国产视频网站| 亚洲国产日韩欧美精品在线观看| 青青草视频在线视频观看| 欧美人与善性xxx| 一个人免费在线观看电影| 十八禁网站网址无遮挡 | 免费观看av网站的网址| 男人和女人高潮做爰伦理| 免费观看av网站的网址| 国产人妻一区二区三区在| 国产精品综合久久久久久久免费| 久久人人爽人人片av| 只有这里有精品99| 国产一级毛片在线| 热99在线观看视频| 精品人妻一区二区三区麻豆| 爱豆传媒免费全集在线观看| 久久这里有精品视频免费| 欧美另类一区| 国产激情偷乱视频一区二区| 看非洲黑人一级黄片| 午夜爱爱视频在线播放| 国产熟女欧美一区二区| 午夜激情久久久久久久| 三级国产精品片| 一级毛片黄色毛片免费观看视频| 97在线视频观看| 精品99又大又爽又粗少妇毛片| 2021天堂中文幕一二区在线观| 欧美xxxx性猛交bbbb| 91午夜精品亚洲一区二区三区| 欧美xxxx性猛交bbbb| 免费高清在线观看视频在线观看| 国产单亲对白刺激| 亚洲怡红院男人天堂| 中文在线观看免费www的网站| 爱豆传媒免费全集在线观看| 亚洲av中文字字幕乱码综合| 国产精品女同一区二区软件| www.av在线官网国产| 丝袜美腿在线中文| 日本免费在线观看一区| 国产成人aa在线观看| 日产精品乱码卡一卡2卡三| 婷婷色av中文字幕| 久久久久精品久久久久真实原创| 久久久a久久爽久久v久久| 又粗又硬又长又爽又黄的视频| 我要看日韩黄色一级片| 国产精品人妻久久久久久| 欧美日韩视频高清一区二区三区二| 高清视频免费观看一区二区 | 国产午夜福利久久久久久| 成人性生交大片免费视频hd| 亚洲真实伦在线观看| 欧美成人精品欧美一级黄| 亚洲美女视频黄频| 午夜精品一区二区三区免费看| 亚洲国产欧美人成| 十八禁网站网址无遮挡 | av.在线天堂| 麻豆成人午夜福利视频| 久久99蜜桃精品久久| 成人亚洲精品av一区二区| 日韩制服骚丝袜av| 免费人成在线观看视频色| 一级毛片电影观看| 看免费成人av毛片| 最后的刺客免费高清国语| 我的老师免费观看完整版| 老司机影院成人| 神马国产精品三级电影在线观看| 亚洲av不卡在线观看| 99久久精品热视频| 日韩电影二区| 日本免费a在线| 黄色日韩在线| 精品欧美国产一区二区三| 中文字幕av成人在线电影| 超碰97精品在线观看| 美女主播在线视频| 中文在线观看免费www的网站| 亚洲av成人av| 亚洲国产日韩欧美精品在线观看| 国产成人a∨麻豆精品| 日本-黄色视频高清免费观看| 水蜜桃什么品种好| av国产免费在线观看| 高清在线视频一区二区三区| 国产精品三级大全| 国产一区二区三区综合在线观看 | 国产成人a∨麻豆精品| 欧美三级亚洲精品| 国产视频内射| 菩萨蛮人人尽说江南好唐韦庄| 日韩视频在线欧美| 少妇裸体淫交视频免费看高清| 少妇高潮的动态图| 亚洲精品日本国产第一区| 日韩av在线免费看完整版不卡| 成人高潮视频无遮挡免费网站| 国产亚洲午夜精品一区二区久久 | 国产精品一区二区性色av| 老司机影院成人| 日日啪夜夜撸| 精品久久久久久成人av| 一级片'在线观看视频| 91精品一卡2卡3卡4卡| 一区二区三区四区激情视频| 午夜福利在线观看免费完整高清在| 最近的中文字幕免费完整| 亚洲乱码一区二区免费版| 成年av动漫网址| 欧美精品国产亚洲| 99re6热这里在线精品视频| 卡戴珊不雅视频在线播放| 国产一级毛片七仙女欲春2| 麻豆精品久久久久久蜜桃| 草草在线视频免费看| 久久精品熟女亚洲av麻豆精品 | 少妇的逼水好多| 69av精品久久久久久| 国产成人精品久久久久久| 99热这里只有是精品在线观看| 久久久久精品久久久久真实原创| 亚洲三级黄色毛片| 亚洲精品久久午夜乱码| 欧美三级亚洲精品| 女人被狂操c到高潮| 日日撸夜夜添| 在线播放无遮挡| 91精品伊人久久大香线蕉| 边亲边吃奶的免费视频| 亚洲成人一二三区av| 色吧在线观看| 18+在线观看网站| 嫩草影院入口| 大话2 男鬼变身卡| 蜜桃亚洲精品一区二区三区| 国产精品一区二区三区四区久久| 搞女人的毛片| 久久久色成人| 国产真实伦视频高清在线观看| 久久久a久久爽久久v久久| 听说在线观看完整版免费高清| 亚洲色图av天堂| 成人性生交大片免费视频hd| 男女下面进入的视频免费午夜| 啦啦啦韩国在线观看视频| av在线播放精品| 国产精品一区二区性色av| 一级av片app| 国产精品国产三级国产av玫瑰| 国产精品不卡视频一区二区| 欧美xxxx黑人xx丫x性爽| 在线观看av片永久免费下载| 狠狠精品人妻久久久久久综合| 2018国产大陆天天弄谢| 少妇熟女aⅴ在线视频| 中文乱码字字幕精品一区二区三区 | 2021少妇久久久久久久久久久| 国产精品福利在线免费观看| 国产高清三级在线| 日韩成人av中文字幕在线观看| 国产午夜福利久久久久久| 超碰97精品在线观看| 国产欧美另类精品又又久久亚洲欧美| 内射极品少妇av片p| 一本一本综合久久| 国产午夜精品久久久久久一区二区三区| 国产大屁股一区二区在线视频| 美女xxoo啪啪120秒动态图| 全区人妻精品视频| 国产精品伦人一区二区| 午夜激情久久久久久久| 欧美不卡视频在线免费观看| 国产亚洲精品久久久com| 国产 一区精品| 一级爰片在线观看| 日日干狠狠操夜夜爽| 国产高潮美女av| 内地一区二区视频在线| or卡值多少钱| 美女脱内裤让男人舔精品视频| 日本黄色片子视频| 亚洲熟妇中文字幕五十中出| 国产成人freesex在线| 老司机影院成人| 男人舔女人下体高潮全视频| 国产在线男女| 丰满少妇做爰视频| 亚洲欧美日韩无卡精品| 青春草视频在线免费观看| 日本av手机在线免费观看| 我的老师免费观看完整版| 中文字幕免费在线视频6| 一级a做视频免费观看| 人人妻人人澡人人爽人人夜夜 | 边亲边吃奶的免费视频| 丝瓜视频免费看黄片| 中国国产av一级| 全区人妻精品视频| 99久国产av精品| 午夜激情久久久久久久| 成人亚洲精品一区在线观看 | 亚洲av一区综合| 日本-黄色视频高清免费观看| 18禁动态无遮挡网站| 亚洲内射少妇av| 国产黄片美女视频| 久久99热6这里只有精品| 国产精品一区二区三区四区久久| 精品酒店卫生间| 韩国av在线不卡| 国产精品人妻久久久影院| 成人高潮视频无遮挡免费网站| 欧美xxxx性猛交bbbb| 我的女老师完整版在线观看| 日本熟妇午夜| 国产黄色视频一区二区在线观看| 国产成人免费观看mmmm| 免费看光身美女| 97精品久久久久久久久久精品| 在线免费观看的www视频| www.av在线官网国产| 久久人人爽人人片av| 国产成年人精品一区二区| 大香蕉久久网| 欧美xxxx性猛交bbbb| 在线免费观看的www视频| 岛国毛片在线播放| 人妻系列 视频| 国产精品人妻久久久影院| 看十八女毛片水多多多| 99热这里只有是精品在线观看| 亚洲av成人av| 色网站视频免费| 婷婷色av中文字幕| 成人特级av手机在线观看| 免费观看av网站的网址| 熟妇人妻不卡中文字幕| 深爱激情五月婷婷| 成人毛片60女人毛片免费| 日本三级黄在线观看| 天美传媒精品一区二区| 国产爱豆传媒在线观看|