• <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
    亚洲少妇的诱惑av| svipshipincom国产片| 9色porny在线观看| a 毛片基地| 在线观看人妻少妇| 国产精品九九99| 日韩一本色道免费dvd| e午夜精品久久久久久久| 青春草亚洲视频在线观看| 中文乱码字字幕精品一区二区三区| 亚洲伊人色综图| www.999成人在线观看| 18在线观看网站| xxx大片免费视频| 丁香六月欧美| 成人国产一区最新在线观看 | 欧美另类一区| 亚洲精品日本国产第一区| 午夜免费成人在线视频| 国产在线免费精品| 亚洲熟女精品中文字幕| 成人18禁高潮啪啪吃奶动态图| 老司机在亚洲福利影院| 天天影视国产精品| 欧美激情高清一区二区三区| 桃花免费在线播放| 王馨瑶露胸无遮挡在线观看| 涩涩av久久男人的天堂| 色网站视频免费| 国产精品秋霞免费鲁丝片| av国产精品久久久久影院| 国产精品国产三级国产专区5o| 在线观看免费视频网站a站| 日本a在线网址| 国产成人免费观看mmmm| 亚洲国产欧美网| 男人舔女人的私密视频| 黄色一级大片看看| 麻豆国产av国片精品| 精品第一国产精品| 国产精品免费视频内射| 一区二区日韩欧美中文字幕| 免费人妻精品一区二区三区视频| 国产成人啪精品午夜网站| 美女国产高潮福利片在线看| 美女中出高潮动态图| 国产亚洲精品久久久久5区| 性少妇av在线| 国产精品熟女久久久久浪| 一个人免费看片子| 日本a在线网址| 精品久久蜜臀av无| 老司机影院成人| 国产一区有黄有色的免费视频| 色网站视频免费| 99热网站在线观看| 天天躁日日躁夜夜躁夜夜| 韩国精品一区二区三区| 女性生殖器流出的白浆| 亚洲欧洲国产日韩| 91精品伊人久久大香线蕉| 天天躁夜夜躁狠狠躁躁| 亚洲中文av在线| 久9热在线精品视频| 久久99热这里只频精品6学生| 国产无遮挡羞羞视频在线观看| 亚洲,欧美精品.| 亚洲av国产av综合av卡| 亚洲国产中文字幕在线视频| 99热全是精品| 19禁男女啪啪无遮挡网站| 久久精品久久久久久噜噜老黄| 一区二区三区四区激情视频| 自线自在国产av| 视频区欧美日本亚洲| 女警被强在线播放| 亚洲成人手机| 国产免费又黄又爽又色| 免费观看av网站的网址| 成人国产av品久久久| 亚洲人成电影免费在线| 美女福利国产在线| 女人高潮潮喷娇喘18禁视频| 最近最新中文字幕大全免费视频 | 欧美老熟妇乱子伦牲交| 国产黄频视频在线观看| 91老司机精品| 国产精品久久久久久精品古装| 欧美人与善性xxx| 国产精品一国产av| 亚洲精品久久午夜乱码| 天天躁夜夜躁狠狠躁躁| 美女高潮到喷水免费观看| 女警被强在线播放| 欧美日韩国产mv在线观看视频| av天堂在线播放| 大陆偷拍与自拍| 成人国语在线视频| 国产精品久久久久成人av| 巨乳人妻的诱惑在线观看| 亚洲av日韩在线播放| 亚洲综合色网址| 亚洲国产精品成人久久小说| 午夜免费观看性视频| 午夜福利乱码中文字幕| 高清黄色对白视频在线免费看| 日韩中文字幕视频在线看片| 侵犯人妻中文字幕一二三四区| 亚洲人成网站在线观看播放| 国产成人影院久久av| 久久热在线av| 99热全是精品| 国产一区二区三区综合在线观看| 又大又黄又爽视频免费| 天天躁日日躁夜夜躁夜夜| 久久国产精品男人的天堂亚洲| 欧美精品人与动牲交sv欧美| xxxhd国产人妻xxx| 国产爽快片一区二区三区| 精品久久久久久久毛片微露脸 | 免费久久久久久久精品成人欧美视频| 欧美亚洲日本最大视频资源| 精品国产一区二区三区久久久樱花| 成年女人毛片免费观看观看9 | www.av在线官网国产| 又大又黄又爽视频免费| 国产精品久久久久成人av| 久久亚洲精品不卡| 国产精品偷伦视频观看了| 国产99久久九九免费精品| 好男人电影高清在线观看| 国产熟女欧美一区二区| 免费久久久久久久精品成人欧美视频| 韩国高清视频一区二区三区| 色网站视频免费| 一级片'在线观看视频| 一级黄色大片毛片| 欧美黑人欧美精品刺激| 国产精品秋霞免费鲁丝片| 国产高清国产精品国产三级| 777久久人妻少妇嫩草av网站| 亚洲成人免费av在线播放| 精品人妻熟女毛片av久久网站| 国产成人一区二区三区免费视频网站 | 亚洲精品久久午夜乱码| 精品人妻一区二区三区麻豆| 亚洲一区二区三区欧美精品| 精品少妇内射三级| 国产真人三级小视频在线观看| 亚洲国产欧美一区二区综合| 真人做人爱边吃奶动态| 国产xxxxx性猛交| 中国美女看黄片| 欧美日韩视频高清一区二区三区二| 999久久久国产精品视频| 欧美激情高清一区二区三区| 久久久久久久久免费视频了| 涩涩av久久男人的天堂| 亚洲av国产av综合av卡| 热re99久久国产66热| 午夜影院在线不卡| 两性夫妻黄色片| 精品卡一卡二卡四卡免费| 新久久久久国产一级毛片| 大型av网站在线播放| 久久午夜综合久久蜜桃| 国产爽快片一区二区三区| 亚洲欧美一区二区三区黑人| 久久久久久久精品精品| 91成人精品电影| 久久精品成人免费网站| 在线观看免费高清a一片| 午夜影院在线不卡| 亚洲美女黄色视频免费看| 国产免费一区二区三区四区乱码| 国产欧美日韩一区二区三 | 成年女人毛片免费观看观看9 | 欧美xxⅹ黑人| 日日爽夜夜爽网站| 日韩 欧美 亚洲 中文字幕| 亚洲美女黄色视频免费看| netflix在线观看网站| 青春草视频在线免费观看| 只有这里有精品99| 天天躁日日躁夜夜躁夜夜| 国产午夜精品一二区理论片| 精品国产乱码久久久久久小说| 热99国产精品久久久久久7| 亚洲第一青青草原| 性少妇av在线| 国产精品久久久久久精品古装| 欧美日韩亚洲综合一区二区三区_| 男女边吃奶边做爰视频| 欧美日韩亚洲高清精品| 男女下面插进去视频免费观看| 青青草视频在线视频观看| 亚洲av成人不卡在线观看播放网 | 国产亚洲欧美精品永久| 亚洲精品国产区一区二| 免费观看人在逋| 国产精品一区二区在线不卡| 丝瓜视频免费看黄片| 满18在线观看网站| 脱女人内裤的视频| 波多野结衣av一区二区av| 久久性视频一级片| 无限看片的www在线观看| 亚洲精品一二三| 日韩一卡2卡3卡4卡2021年| 久热爱精品视频在线9| 岛国毛片在线播放| 欧美中文综合在线视频| 老熟女久久久| 亚洲天堂av无毛| 欧美人与性动交α欧美软件| 十八禁网站网址无遮挡| 2018国产大陆天天弄谢| 中文字幕亚洲精品专区| 久久久久久久久久久久大奶| 欧美乱码精品一区二区三区| 欧美激情 高清一区二区三区| 国产成人免费观看mmmm| 亚洲精品国产区一区二| 亚洲黑人精品在线| 好男人视频免费观看在线| 午夜免费男女啪啪视频观看| 18禁裸乳无遮挡动漫免费视频| 亚洲成人免费电影在线观看 | 九色亚洲精品在线播放| 90打野战视频偷拍视频| 久久ye,这里只有精品| 午夜免费成人在线视频| 午夜av观看不卡| 超碰成人久久| 夫妻性生交免费视频一级片| 欧美少妇被猛烈插入视频| av线在线观看网站| 最新的欧美精品一区二区| 欧美日韩国产mv在线观看视频| 亚洲成人国产一区在线观看 | 两个人免费观看高清视频| 亚洲欧洲国产日韩| 激情视频va一区二区三区| 少妇裸体淫交视频免费看高清 | 9191精品国产免费久久| 国产av一区二区精品久久| 久久这里只有精品19| 亚洲欧美激情在线| 久久99一区二区三区| 亚洲,一卡二卡三卡| av欧美777| 国产国语露脸激情在线看| 水蜜桃什么品种好| 少妇裸体淫交视频免费看高清 | 国产成人av激情在线播放| 国产xxxxx性猛交| 日本一区二区免费在线视频| 蜜桃国产av成人99| 亚洲黑人精品在线| 无限看片的www在线观看| 久久鲁丝午夜福利片| 一级毛片电影观看| av在线老鸭窝| 日本一区二区免费在线视频| 欧美亚洲日本最大视频资源| a级毛片在线看网站| 一本综合久久免费| 19禁男女啪啪无遮挡网站| svipshipincom国产片| 国产野战对白在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品在线美女| 日韩av在线免费看完整版不卡| 日韩免费高清中文字幕av| 99re6热这里在线精品视频| av网站在线播放免费| av线在线观看网站| 99香蕉大伊视频| 亚洲欧美精品综合一区二区三区| 男女免费视频国产| 午夜91福利影院| 亚洲,欧美,日韩| 免费久久久久久久精品成人欧美视频| 在线观看一区二区三区激情| 国产成人91sexporn| 免费在线观看影片大全网站 | 欧美性长视频在线观看| 美女高潮到喷水免费观看| 欧美大码av| 国产xxxxx性猛交| 日韩制服骚丝袜av| 国产高清视频在线播放一区 | 国产精品一区二区在线不卡| 日韩 欧美 亚洲 中文字幕| 性少妇av在线| 亚洲av在线观看美女高潮| 男人操女人黄网站| 99热全是精品| 高清黄色对白视频在线免费看| av国产久精品久网站免费入址| 欧美黑人欧美精品刺激| 国产精品一区二区在线不卡| 亚洲国产看品久久| 成人国语在线视频| 国产日韩欧美亚洲二区| 亚洲欧美成人综合另类久久久| 亚洲熟女毛片儿| 大型av网站在线播放| 一本久久精品| 大香蕉久久网| 啦啦啦中文免费视频观看日本| 少妇被粗大的猛进出69影院| 免费久久久久久久精品成人欧美视频| 美女中出高潮动态图| 欧美黄色淫秽网站| 99久久人妻综合| 欧美日韩视频精品一区| 午夜两性在线视频| 久久久亚洲精品成人影院| 又黄又粗又硬又大视频| 成人亚洲欧美一区二区av| av天堂久久9| 一区二区日韩欧美中文字幕| 夫妻午夜视频| av视频免费观看在线观看| 777米奇影视久久| 精品人妻1区二区| 99香蕉大伊视频| 热re99久久精品国产66热6| 电影成人av| 欧美 亚洲 国产 日韩一| 国产成人精品在线电影| 黄色毛片三级朝国网站| 国产欧美亚洲国产| 亚洲,一卡二卡三卡| 在线精品无人区一区二区三| 一级毛片女人18水好多 | 好男人视频免费观看在线| 黄色一级大片看看| 久久国产亚洲av麻豆专区| 捣出白浆h1v1| 久久久久久久久免费视频了| 中文字幕人妻丝袜一区二区| 国产一区二区 视频在线| 国产又色又爽无遮挡免| 国产激情久久老熟女| 国产成人系列免费观看| 777米奇影视久久| 天天躁狠狠躁夜夜躁狠狠躁| 一本—道久久a久久精品蜜桃钙片| 精品亚洲乱码少妇综合久久| 国产97色在线日韩免费| 精品人妻一区二区三区麻豆| 两人在一起打扑克的视频| 亚洲图色成人| 亚洲免费av在线视频| 亚洲少妇的诱惑av| 欧美黄色淫秽网站| 国产精品久久久av美女十八| 日韩中文字幕视频在线看片| 国产淫语在线视频| 国产男女内射视频| 国产精品久久久人人做人人爽| 少妇的丰满在线观看| 精品人妻一区二区三区麻豆| 中文字幕色久视频| 午夜影院在线不卡| 美女扒开内裤让男人捅视频| 午夜免费男女啪啪视频观看| 久久人人爽av亚洲精品天堂| 99re6热这里在线精品视频| 青青草视频在线视频观看| 亚洲av美国av| 亚洲欧美日韩高清在线视频 | 一区福利在线观看| 欧美另类一区| 尾随美女入室| av国产精品久久久久影院| 日韩,欧美,国产一区二区三区| 脱女人内裤的视频| 色94色欧美一区二区| 国产免费视频播放在线视频| 老司机影院毛片| 9191精品国产免费久久| 国产亚洲精品久久久久5区| 中文字幕精品免费在线观看视频| 国产成人精品无人区| 热99国产精品久久久久久7| 国产成人精品久久久久久| 婷婷色综合www| 肉色欧美久久久久久久蜜桃| 免费日韩欧美在线观看| 纵有疾风起免费观看全集完整版| 丝袜脚勾引网站| 天天躁夜夜躁狠狠久久av| 97精品久久久久久久久久精品| 日韩大码丰满熟妇| 热re99久久精品国产66热6| 后天国语完整版免费观看| 亚洲av综合色区一区| 亚洲美女黄色视频免费看| 999精品在线视频| 成人黄色视频免费在线看| 欧美亚洲日本最大视频资源| 少妇人妻 视频| 十八禁高潮呻吟视频| 99热网站在线观看| 亚洲国产看品久久| 欧美大码av| 国产精品二区激情视频| 真人做人爱边吃奶动态| 肉色欧美久久久久久久蜜桃| 777久久人妻少妇嫩草av网站| 视频在线观看一区二区三区| 一区二区三区激情视频| 女警被强在线播放| 午夜福利视频在线观看免费| 熟女少妇亚洲综合色aaa.| 国产精品久久久人人做人人爽| 欧美大码av| 99国产精品免费福利视频| 久久 成人 亚洲| 国产成人精品在线电影| 老司机深夜福利视频在线观看 | 国产精品国产三级国产专区5o| 欧美亚洲 丝袜 人妻 在线| 国产精品久久久久久精品电影小说| 精品福利永久在线观看| 黄网站色视频无遮挡免费观看| 成人黄色视频免费在线看| 亚洲专区中文字幕在线| 日韩伦理黄色片| 亚洲av成人不卡在线观看播放网 | 高清欧美精品videossex| 大型av网站在线播放| 久久国产精品影院| 成人手机av| 亚洲国产成人一精品久久久| 亚洲伊人久久精品综合| 国产成人系列免费观看| av一本久久久久| 中文字幕人妻丝袜一区二区| 精品卡一卡二卡四卡免费| 性色av乱码一区二区三区2| 少妇裸体淫交视频免费看高清 | 2021少妇久久久久久久久久久| 欧美精品人与动牲交sv欧美| 国产无遮挡羞羞视频在线观看| 久久精品久久久久久噜噜老黄| videos熟女内射| av网站在线播放免费| 久久天堂一区二区三区四区| 丁香六月欧美| 亚洲欧美一区二区三区黑人| 亚洲熟女毛片儿| 日韩伦理黄色片| 久久久国产欧美日韩av| 久久久精品94久久精品| www.999成人在线观看| 丝袜美足系列| 亚洲国产精品一区二区三区在线| 亚洲中文字幕日韩| 精品国产一区二区久久| 欧美97在线视频| 欧美国产精品一级二级三级| 成年人免费黄色播放视频| 亚洲av片天天在线观看| 欧美精品人与动牲交sv欧美| 国产成人欧美| 一级毛片 在线播放| 亚洲精品久久成人aⅴ小说| 国产一区二区 视频在线| 国产免费现黄频在线看| 国产精品熟女久久久久浪| 又大又爽又粗| 韩国精品一区二区三区| 熟女少妇亚洲综合色aaa.| 久久av网站| 啦啦啦视频在线资源免费观看| 欧美激情高清一区二区三区| 国产亚洲av高清不卡| 中文字幕人妻熟女乱码| 丝袜喷水一区| 青春草亚洲视频在线观看| 久久精品人人爽人人爽视色| 老司机亚洲免费影院| 亚洲精品日韩在线中文字幕| 伊人久久大香线蕉亚洲五| 婷婷丁香在线五月| 午夜福利,免费看| 国产成人a∨麻豆精品| 亚洲欧美一区二区三区黑人| 精品国产超薄肉色丝袜足j| 精品久久久久久电影网| 在线观看免费视频网站a站| 校园人妻丝袜中文字幕| 黄频高清免费视频| 99热全是精品| 老司机午夜十八禁免费视频| 精品一品国产午夜福利视频| 久久99热这里只频精品6学生| 久久人妻福利社区极品人妻图片 | 国产极品粉嫩免费观看在线| 男人添女人高潮全过程视频| 久久久久久久精品精品| 天堂中文最新版在线下载| 亚洲三区欧美一区| 久久这里只有精品19| 精品一品国产午夜福利视频| 一区二区三区四区激情视频| 在线看a的网站| 一区二区三区激情视频| 女人精品久久久久毛片| 国产午夜精品一二区理论片| 丝袜美足系列| 亚洲精品日韩在线中文字幕| 亚洲av在线观看美女高潮| √禁漫天堂资源中文www| 19禁男女啪啪无遮挡网站| www日本在线高清视频| 免费人妻精品一区二区三区视频| 男女午夜视频在线观看| 男女国产视频网站| 老司机影院毛片| 一二三四在线观看免费中文在| 欧美日韩福利视频一区二区| 日韩精品免费视频一区二区三区| 亚洲精品av麻豆狂野| 在线看a的网站| 丝袜在线中文字幕| 又粗又硬又长又爽又黄的视频| 精品少妇黑人巨大在线播放| 国产精品久久久久成人av| 国产色视频综合| 波多野结衣av一区二区av| 黑人欧美特级aaaaaa片| 国产伦人伦偷精品视频| 激情视频va一区二区三区| 欧美黄色淫秽网站| 欧美人与善性xxx| 老司机深夜福利视频在线观看 | 91老司机精品| 51午夜福利影视在线观看| 老汉色∧v一级毛片| 国产成人欧美在线观看 | 99久久综合免费| 亚洲av欧美aⅴ国产| 狠狠精品人妻久久久久久综合| 午夜久久久在线观看| 19禁男女啪啪无遮挡网站| 9热在线视频观看99| 别揉我奶头~嗯~啊~动态视频 | 天天操日日干夜夜撸| 欧美 日韩 精品 国产| 2018国产大陆天天弄谢| 性高湖久久久久久久久免费观看| 日韩 亚洲 欧美在线| bbb黄色大片| h视频一区二区三区| 国产99久久九九免费精品| cao死你这个sao货| 嫩草影视91久久| 免费av中文字幕在线| 国产高清不卡午夜福利| 韩国高清视频一区二区三区| 国产精品人妻久久久影院| 亚洲精品美女久久久久99蜜臀 | 麻豆国产av国片精品| 精品国产一区二区三区四区第35| 久久国产亚洲av麻豆专区| 男女边摸边吃奶| 新久久久久国产一级毛片| 亚洲情色 制服丝袜| 中文字幕另类日韩欧美亚洲嫩草| 欧美亚洲日本最大视频资源| 高清av免费在线| 90打野战视频偷拍视频| 亚洲中文字幕日韩| 亚洲国产欧美在线一区| 五月开心婷婷网| 国产精品一区二区精品视频观看| 国产成人91sexporn| 亚洲,欧美,日韩| 一边摸一边抽搐一进一出视频| 亚洲欧美成人综合另类久久久| 1024香蕉在线观看| 中文字幕精品免费在线观看视频| 观看av在线不卡| 少妇被粗大的猛进出69影院| 国产在视频线精品| 国产一区二区三区av在线| av欧美777| 亚洲国产最新在线播放| 久久精品亚洲av国产电影网| 男人添女人高潮全过程视频| 热re99久久国产66热| 国产精品偷伦视频观看了| 欧美97在线视频| 午夜日韩欧美国产| 成年人黄色毛片网站| 一区福利在线观看| 咕卡用的链子| 国产色视频综合| h视频一区二区三区| 丰满少妇做爰视频| 后天国语完整版免费观看| 日韩欧美一区视频在线观看| av国产久精品久网站免费入址| 如日韩欧美国产精品一区二区三区| 欧美在线黄色| 亚洲av片天天在线观看| 亚洲色图 男人天堂 中文字幕| 青春草视频在线免费观看| av国产久精品久网站免费入址| 成人黄色视频免费在线看|