• <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Cascade R?CNN的鐵路路基翻漿冒泥病害智能識別方法

    2020-01-02 05:53:10徐昕軍黃啟迪
    鐵道建筑 2019年12期
    關(guān)鍵詞:候選框級聯(lián)閾值

    徐昕軍,江 波,黃啟迪

    (中國鐵道科學(xué)研究院集團(tuán)有限公司基礎(chǔ)設(shè)施檢測研究所,北京 100081)

    翻漿冒泥病害是鐵路路基常見病害,如果不能及時發(fā)現(xiàn)并處理,會嚴(yán)重影響行車安全。目前,對鐵路路基病害檢測主要采用車載地質(zhì)雷達(dá)法,檢測數(shù)據(jù)量巨大。對路基病害的識別仍然以人工解譯為主,對解譯人員相關(guān)專業(yè)知識要求較高,數(shù)據(jù)分析的速度極低且無法避免人為誤差。因此,如何提高鐵路路基檢測數(shù)據(jù)的病害識別效率以及時指導(dǎo)鐵路路基的養(yǎng)護(hù)維修,是亟需解決的難題。

    由于鐵路路基地質(zhì)雷達(dá)檢測數(shù)據(jù)的解譯主要采用經(jīng)過處理的地質(zhì)雷達(dá)剖面圖,因此,鐵路路基病害識別可以看作計算機(jī)視覺研究中的目標(biāo)檢測任務(wù)。目標(biāo)檢測包括2個子任務(wù):①目標(biāo)類別檢測任務(wù),需要區(qū)分目標(biāo)和背景,并確定目標(biāo)所屬類別;②目標(biāo)定位任務(wù),需要用檢測框框定出目標(biāo)的所屬范圍。本文以目標(biāo)檢測方法中的Cascade R-CNN 模型為基礎(chǔ),提出一種針對鐵路路基翻漿冒泥病害的智能識別方法,該方法以PyTorch[1]作為深度學(xué)習(xí)框架,通過在自制病害數(shù)據(jù)集上進(jìn)行試驗(yàn)來驗(yàn)證本文方法的有效性。

    1 國內(nèi)外研究現(xiàn)狀

    1.1 鐵路路基病害識別方法

    針對鐵路路基病害識別的相關(guān)研究主要集中在病害特征的設(shè)計與提取,以及支持向量機(jī)、淺層神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機(jī)器學(xué)習(xí)方法在訓(xùn)練病害分類器上的應(yīng)用。趙勐[2]設(shè)計了基于二維小波分析的探地雷達(dá)圖像特征提取算法,并基于神經(jīng)網(wǎng)絡(luò)設(shè)計了路基病害自動識別算法,但識別算法中各參數(shù)需要人為設(shè)定,識別參數(shù)的選取直接決定了識別效果的好壞。廖立堅等[3]通過分析雷達(dá)圖像的層面圖,提取了翻漿冒泥的特征值,并采用神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)了對翻漿冒泥病害的識別。鄒華勝[4]提出了以瞬時頻率和瞬時振幅為特征值,采用支持向量機(jī)技術(shù)對路基病害進(jìn)行識別,但識別范圍局限于訓(xùn)練樣本的范圍,超出范圍則識別效果變差。侯哲哲[5]采用稀疏表示的方法對路基病害進(jìn)行特征表示,并利用超球面支持向量機(jī)對病害進(jìn)行識別。

    1.2 目標(biāo)檢測的發(fā)展現(xiàn)狀

    由于深度學(xué)習(xí)方法避免了傳統(tǒng)方法手工設(shè)計特征的弊端,在目標(biāo)檢測、語義分割等多個領(lǐng)域取得成功,其中目標(biāo)檢測發(fā)展迅速。目標(biāo)檢測框架主要包括2 類:①單階段檢測器,代表性架構(gòu)是SSD(Single Shot Multibox Detector)[6],YOLO(You Only Look Once)[7],F(xiàn)ocal Loss[8];②兩階段檢測器,代表性架構(gòu)是 Faster R-CNN[9],R-FCN(Region-Based Fully Convolutional Networks)[10],Mask R-CNN[11]和Libra R-CNN[12]。

    近些年來,多階段檢測框架逐漸成為目標(biāo)檢測領(lǐng)域的一種風(fēng)向標(biāo)。Gidaris 等[13]提出了將檢測框評分和定位精修交替進(jìn)行的迭代定位機(jī)制。Gidaris 等[14]介紹了一種ARN(Attend Refine Network)網(wǎng)絡(luò)結(jié)構(gòu),通過一個多階段程序生成精確的候選框,并將其輸入FastR-CNN 進(jìn)行前向傳播。Yang 等[15]將一個級聯(lián)結(jié)構(gòu)合并到RPN 和Fast R-CNN,以提高候選區(qū)域和檢測結(jié)果的質(zhì)量。Jiang 等[16]提出了優(yōu)化的定位置信度方法,提高了檢測框精修定位精度。級聯(lián)結(jié)構(gòu)大量被用于排除簡單負(fù)樣本。例如,Ouyang 等[17]在淺層排除掉簡單的候選區(qū)域(Region of Interest,RoI)。Li 等[18]提出在多個分辨率上排除簡單樣本。Ouyang 等[19]在目標(biāo)檢測網(wǎng)絡(luò)中嵌入了典型的級聯(lián)架構(gòu)。Dai 等[20]將一個檢測和一個分割任務(wù)交替迭代用于實(shí)例分割。

    在使用級聯(lián)結(jié)構(gòu)的模型中,Cascade R-CNN[21]效果顯著。Cascade R-CNN 包含多個階段,每一階段的輸出作為下一階段的輸入,以取得更高的精修質(zhì)量,而且每一個階段的訓(xùn)練數(shù)據(jù)是采用逐漸增加的交并比(Intersection over Union,IoU)閾值進(jìn)行采樣的,這種方式可以很好地應(yīng)對不同的訓(xùn)練分布。

    2 Cascade R?CNN簡介

    2.1 Cascade R?CNN

    Cascade R-CNN 是一種多階段目標(biāo)檢測模型,解決了在目標(biāo)檢測任務(wù)中訓(xùn)練出包含少量假陽性樣本的高性能檢測模型的問題。

    傳統(tǒng)兩階段目標(biāo)檢測架構(gòu)[9,22-24]將目標(biāo)檢測歸結(jié)為包含分類和檢測框回歸2個子任務(wù)的多任務(wù)學(xué)習(xí)問題,通過設(shè)定一個IoU 閾值來定義正樣本和負(fù)樣本,該閾值一般為0.5。但這是一個不夠嚴(yán)格的判定標(biāo)準(zhǔn),檢測模型很難排除接近閾值的假陽性樣本。提高IoU閾值可減少通過的假陽性樣本數(shù)量,但會造成正樣本數(shù)量呈指數(shù)級減少,導(dǎo)致檢測器因?yàn)橛?xùn)練過擬合而性能下降。反之,降低IoU 閾值會導(dǎo)致訓(xùn)練的檢測模型產(chǎn)生誤檢。

    研究發(fā)現(xiàn),以單一IoU 閾值訓(xùn)練的檢測器對與該閾值接近的輸入樣本的定位和檢測性能最好,所以單一IoU 閾值檢測器通常對某類樣本最優(yōu)。因此,Cascade R-CNN 被設(shè)計成多階段檢測架構(gòu),每個階段對應(yīng)不同質(zhì)量的輸入樣本。另外,回歸器輸出的IoU值總是優(yōu)于輸入的IoU值。因此,Cascade R-CNN 模型訓(xùn)練采用級聯(lián)檢測進(jìn)行迭代式訓(xùn)練,將低IoU 閾值檢測器的訓(xùn)練結(jié)果作為下一高IoU閾值檢測器的輸入。

    2.2 級聯(lián)檢測

    Cascade R-CNN 級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)從初始樣本分布開始,可通過重采樣自動生成下一階段需要的高IoU 閾值輸入樣本。這種結(jié)構(gòu)有2 個優(yōu)點(diǎn):①不易發(fā)生過擬合,因?yàn)槊總€階段都有足夠的輸入樣本;②較深階段的檢測器被優(yōu)化為適應(yīng)更高的IoU 閾值。此外,由于每一檢測階段均可剔除離散值,在檢測階段采用級聯(lián)結(jié)構(gòu),候選框質(zhì)量隨著檢測階段深入逐漸提高,進(jìn)而增強(qiáng)了檢測模型性能。

    2.3 級聯(lián)回歸函數(shù)

    由于單一回歸函數(shù)很難適應(yīng)不同IoU 閾值下的候選框,因此Cascade R-CNN 將回歸任務(wù)分解為一系列更簡單的步驟,此級聯(lián)網(wǎng)絡(luò)的回歸函數(shù)如下:

    式中:T是Cascade 網(wǎng)絡(luò)檢測階段的總數(shù);fi(i=1,2,…,T)是Cascade 網(wǎng)絡(luò)對應(yīng)階段的回歸器;x是輸入回歸器的圖片;b是輸入圖片對應(yīng)的檢測框。

    級聯(lián)回歸函數(shù)中的每一個回歸函數(shù)不是采用同樣的初始分布,而是在相應(yīng)階段的樣本分布下達(dá)到的最優(yōu)化。因此該網(wǎng)絡(luò)可以逐漸優(yōu)化候選框。

    2.4 實(shí)現(xiàn)細(xì)節(jié)

    圖1 Cascade R-CNN 級聯(lián)模型結(jié)構(gòu)

    Cascade R-CNN(圖1)擴(kuò)展了Faster RCNN 的兩階段檢測架構(gòu),構(gòu)建了1 個由多階段子網(wǎng)絡(luò)構(gòu)成的級聯(lián)回歸模型。Cascade R-CNN 由4 個階段組成:1 個用于生成候選區(qū)的RPN(Region Proposal Network)階段和3 個檢測階段,IoU 閾值分別設(shè)為 0.5,0.6 和 0.7。首先,由產(chǎn)生候選區(qū)域的子網(wǎng)絡(luò)“H0”輸入整張圖片并產(chǎn)生初步的目標(biāo)檢測區(qū)域;然后,利用RoI候選區(qū)域檢測子網(wǎng)絡(luò)“H1”對第1階段的初步候選區(qū)進(jìn)行處理;最后,將每個候選區(qū)送到分類評分模塊“C”和檢測框模塊“B”。

    3 基于Cascade R?CNN的路基病害識別方法

    3.1 病害識別流程

    因?yàn)槁坊『Φ刭|(zhì)雷達(dá)檢測數(shù)據(jù)內(nèi)部結(jié)構(gòu)復(fù)雜,目標(biāo)與背景結(jié)構(gòu)差異小,且彼此交融,導(dǎo)致邊界模糊不清。因此,本文針對翻漿冒泥目標(biāo)檢測任務(wù)的特點(diǎn),對原始Faster R-CNN 進(jìn)行了改進(jìn),基于Cascade R-CNN的病害識別流程如圖2所示。

    在傳統(tǒng)非球面光學(xué)元件拋光過程中,主要通過技術(shù)人員手工修磨,因此存在加工效率低,精度穩(wěn)定性差的缺點(diǎn),且產(chǎn)品加工質(zhì)量十分依賴技術(shù)人員的經(jīng)驗(yàn)和技巧,很難達(dá)到技術(shù)要求。計算機(jī)控制小磨頭拋光技術(shù)的提出有效解決了這些難題。計算機(jī)控制小磨頭拋光技術(shù)也被稱為計算機(jī)控制光學(xué)表面成形技術(shù)(computer controlled optical saurface, CCOS),是發(fā)展于20世紀(jì)70年代的光學(xué)加工技術(shù),該技術(shù)在大口徑光學(xué)非球面元件加工領(lǐng)域扮演著重要角色。近年來發(fā)展的磁流變拋光、氣囊拋光、離子束拋光和大氣等離子體拋光等技術(shù),全是基于這一原理的拋光技術(shù)[2-5]。

    圖2 基于Cascade R-CNN 的病害識別流程

    首先,基于PyTorch 搭建深度學(xué)習(xí)開發(fā)環(huán)境,整理病害圖片進(jìn)行病害標(biāo)注,并轉(zhuǎn)換成COCO(Common Objects in Context)[25]格式數(shù)據(jù)集;然后,以深度學(xué)習(xí)工具箱mmdetection 提供的Cascade R-CNN 代碼為基礎(chǔ),并使用Soft-NMS 和數(shù)據(jù)增強(qiáng)方法對Cascade R-CNN 進(jìn)行改進(jìn);最后,采用預(yù)訓(xùn)練模型進(jìn)行模式參數(shù)初始化,訓(xùn)練和測試模型,使用自制數(shù)據(jù)集對模型調(diào)優(yōu),采用COCO檢測評價矩陣評價模型性能。

    3.2 Soft?NMS

    非極大值抑制(NMS)用于剔除重疊度高的候選框,但傳統(tǒng)NMS 會將部分正確的目標(biāo)檢測框剔除掉。翻漿冒泥病害在總體趨勢上是連續(xù)的,但也會由于涵洞、橋梁等結(jié)構(gòu)物而出現(xiàn)間斷的情況。因此,如果在翻漿冒泥病害識別任務(wù)中仍采用傳統(tǒng)NMS,會導(dǎo)致距離較近的正確病害候選框被抑制掉,降低識別準(zhǔn)確率。因此,本文采用了一種改進(jìn)的NMS方法——Soft-NMS[26]。

    Soft-NMS 對重疊度大于閾值的候選框不是采用直接抑制的方式,而是降低該候選框的檢測評分。與最高分候選框重疊度大的候選框評分下降較大,而重疊度小的候選框評分受影響較小,可以減少假陽性結(jié)果,增強(qiáng)模型性能。其中,Soft-NMS 利用衰減函數(shù)對評分進(jìn)行控制,包括線性加權(quán)和高斯加權(quán)2種形式,分別見式(2)和式(3)。試驗(yàn)表明,在翻漿冒泥識別任務(wù)上高斯加權(quán)效果更好,因此本文采用高斯加權(quán)Soft-NMS。

    式中:M是具有最高檢測評分的候選框;bi是候選檢測框;iou(M,bi)是M和bi的重疊度;si是bi對應(yīng)的檢測評分;D是預(yù)留的候選框集合;σ為高斯函數(shù)的方差;Nt為NMS的閾值。

    3.3 數(shù)據(jù)增強(qiáng)

    在深度學(xué)習(xí)中,有時會出現(xiàn)訓(xùn)練集樣本不夠或某一類樣本較少的情況。為了防止過擬合,加強(qiáng)模型魯棒性,可以采用數(shù)據(jù)增強(qiáng)的改進(jìn)方法。數(shù)據(jù)增強(qiáng)通過幾何變換的方式改變像素所在位置,而不改變像素值,讓模型學(xué)到更多圖像不變特性。

    在翻漿冒泥病害識別任務(wù)中,由于能收集到的樣本數(shù)量比一般的目標(biāo)檢測任務(wù)要少,因此本文綜合使用多種數(shù)據(jù)增強(qiáng)方法擴(kuò)充病害樣本集,提高模型性能。具體改進(jìn)方法為:①翻轉(zhuǎn)與反射變換,沿著水平或垂直方向翻轉(zhuǎn)圖像;②對比度和亮度變換,對圖像HSV(Hue,Saturation,Value)顏色空間中每個像素的飽和度和亮度分量進(jìn)行指數(shù)運(yùn)算,以增加光照變化;③縮放變換,按照一定的比例縮小圖像;④隨機(jī)裁剪,采用隨機(jī)圖像差值裁剪圖像。

    4 試驗(yàn)與結(jié)果分析

    4.1 數(shù)據(jù)集準(zhǔn)備

    利用中國鐵道科學(xué)研究院集團(tuán)有限公司基礎(chǔ)設(shè)施檢測研究所橋隧部多年鐵路路基檢測工作積累的數(shù)據(jù)自制路基病害數(shù)據(jù)集。數(shù)據(jù)集中的圖片為地質(zhì)雷達(dá)后處理軟件生成的病害雷達(dá)剖面圖,且部分病害已經(jīng)過現(xiàn)場開挖驗(yàn)證。

    目前制作目標(biāo)檢測數(shù)據(jù)集常用的數(shù)據(jù)格式包括VOC 和COCO 2 種格式,本文采用COCO 數(shù)據(jù)集格式制作數(shù)據(jù)集。COCO 是微軟團(tuán)隊提供的一個進(jìn)行圖像識別的數(shù)據(jù)集。數(shù)據(jù)集包括1 030 張標(biāo)注好的翻漿冒泥病害圖片,并按照8∶1∶1 比例劃分為訓(xùn)練集、測試集和驗(yàn)證集。圖片首先由路基檢測專家使用LabelImg[27]圖片標(biāo)注工具進(jìn)行標(biāo)注,再使用數(shù)據(jù)格式轉(zhuǎn)換工具[28]將得到的 xml 標(biāo)注文件轉(zhuǎn)化為 COCO 的json format格式。

    4.2 環(huán)境配置

    本次試驗(yàn)以PyTorch 為深度學(xué)習(xí)框架搭建開發(fā)環(huán)境,版本為 Stable(1.2),使用 Linux(Ubuntu14.04)系統(tǒng)、Python3.6版本和CUDA 版本10.0,Cascade R-CNN的實(shí)現(xiàn)代碼采用商湯科技和香港中文大學(xué)開源的深度學(xué)習(xí)目標(biāo)檢測工具箱mmdetection,開發(fā)環(huán)境配置如表1所示。模型訓(xùn)練和測試以PyTorch 版本的Cascade R-CNN為基礎(chǔ)。

    表1 開發(fā)環(huán)境配置

    4.3 模型訓(xùn)練與關(guān)鍵參數(shù)設(shè)置

    mmdetection 將目標(biāo)檢測架構(gòu)拆解為不同的模塊進(jìn)行封裝,通過這些通用模塊可構(gòu)建出自己的檢測模型。本文模型的網(wǎng)絡(luò)模塊配置如表2所示,網(wǎng)絡(luò)模型選用Resnet101。

    表2 網(wǎng)絡(luò)模塊配置

    經(jīng)過大量試驗(yàn)與模型調(diào)試,對翻漿冒泥病害識別模型訓(xùn)練過程中的關(guān)鍵參數(shù)設(shè)置總結(jié)如下:參數(shù)imgs_per_gpu 設(shè)為 1,即每個 gpu 計算 1 張圖片;參數(shù)workers_per_gpu 設(shè)為 1,即每個 gpu 分配 1 個線程;參數(shù)num_classes設(shè)為2,即分為翻漿冒泥和背景類;求解器優(yōu)化方法采用隨機(jī)梯度下降法,全局學(xué)習(xí)率lr 設(shè)為0.002 5,初始學(xué)習(xí)率設(shè)為1/3,初始學(xué)習(xí)率增加策略設(shè)為線性增加,動量因子momentum 設(shè)為0.9,權(quán)重衰減因子weight_decay設(shè)置為0.001。

    模型訓(xùn)練采用GPU 加速模式,訓(xùn)練周期epochs 設(shè)為12,即數(shù)據(jù)集共訓(xùn)練12 次。在前500 次迭代過程中學(xué)習(xí)率逐漸增加,并在第8 個和第11 個epoch 降低學(xué)習(xí)率。訓(xùn)練時采用Resnet 預(yù)訓(xùn)練模型初始化參數(shù),并在此基礎(chǔ)上使用自制數(shù)據(jù)集進(jìn)行調(diào)優(yōu),用少量訓(xùn)練樣本取得較高的模型識別精度。

    4.4 試驗(yàn)結(jié)果與評估

    本文采用COCO 檢測評價矩陣評估模型性能。COCO評價矩陣包括12個評價指標(biāo),用來評價COCO數(shù)據(jù)集上的目標(biāo)檢測器的性能。檢測指標(biāo)包括4大類:

    第1 類為平均精度(Average Precision,AP),表示所有類別目標(biāo)的平均精度,包括AP,AP50和AP753 個指標(biāo)。AP 是COCO 格式數(shù)據(jù)集上評價模型性能最重要的指標(biāo),是多個IoU 值的平均值,以0.05 位間隔,對0.50~0.95 的 10 個 IoU 閾值進(jìn)行計算,以提高檢測器的精度;AP50對應(yīng)傳統(tǒng)的IoU閾值為0.50的計算方法,與PASCAL VOC 矩陣的評價方法相同;AP75對應(yīng)更加嚴(yán)格的IoU閾值為0.75的計算方法。

    第2 類為跨尺度平均精度(AP Across Scales),用于衡量不同尺度目標(biāo)的平均精度,包括APS,APM和APL3 個指標(biāo)。APS表示小目標(biāo)的平均檢測精度,目標(biāo)區(qū)域像素點(diǎn)個數(shù)小于322;APM表示中等目標(biāo)的平均檢測精度,目標(biāo)區(qū)域像素點(diǎn)個數(shù)大于322,小于962;APL表示大目標(biāo)的平均檢測精度,即目標(biāo)區(qū)域像素點(diǎn)個數(shù)大于962。

    第3 類為平均召回率(Average Recall,AR),是在每張圖片固定檢測目標(biāo)數(shù)量的情況下計算出的最大召回率,且該指標(biāo)是在不同類別和IoU 閾值上取平均之后的結(jié)果,包括 ARMAX=1,ARMAX=10和 ARMAX=1003 個指標(biāo),MAX為固定的檢測數(shù)量。

    第4 類為跨尺度平均召回率(AR Across Scales),與 AP Across Scales 類似,包括 ARS,ARM和 ARL3 個指標(biāo),表示在不同大小檢測區(qū)域下的平均召回率。

    本文基于Cascade R-CNN 的翻漿冒泥檢測模型的COCO評價指標(biāo)見表3。

    表3 基于Cascade R?CNN病害檢測評價指標(biāo)

    翻漿冒泥病害識別結(jié)果見圖3??芍?,模型檢測出的翻漿冒泥病害具有較高的置信度,框選區(qū)域與病害所在區(qū)域基本一致,并且多目標(biāo)區(qū)域可準(zhǔn)確進(jìn)行分割。

    圖3 翻漿冒泥病害識別結(jié)果

    4.5 對比試驗(yàn)與分析

    為進(jìn)一步檢驗(yàn)本文模型性能,進(jìn)行了多組對比試驗(yàn),見表4。

    表4 模型性能對比試驗(yàn)

    由表4可知,Cascade R-CNN 在病害數(shù)據(jù)集上比Faster R-CNN 取得了更高的識別精度。經(jīng)過改進(jìn)后的Cascade R-CNN 模型在檢測精度上均有不同程度的提升,其中數(shù)據(jù)增強(qiáng)改進(jìn)方法的提升效果最顯著,性能提升率為1.7%,綜合2 種改進(jìn)方法的模型,性能提升率為3.5%。

    5 結(jié)論

    本文提出了一種基于新型目標(biāo)檢測架構(gòu)Cascade R-CNN 的鐵路翻漿冒泥病害識別方法,并根據(jù)目標(biāo)的特點(diǎn)采用Soft-NMS 和數(shù)據(jù)增強(qiáng)方法對Cascade R-CNN進(jìn)行改進(jìn)。試驗(yàn)結(jié)果表明,改進(jìn)后的Cascade R-CNN檢測架構(gòu)在自制病害數(shù)據(jù)集上取得了43.7%的平均精度,可有效識別翻漿冒泥病害。

    猜你喜歡
    候選框級聯(lián)閾值
    重定位非極大值抑制算法
    面向自然場景文本檢測的改進(jìn)NMS算法
    基于Soft-NMS的候選框去冗余加速器設(shè)計*
    小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應(yīng)用
    基于自適應(yīng)閾值和連通域的隧道裂縫提取
    一種針對特定目標(biāo)的提議算法
    比值遙感蝕變信息提取及閾值確定(插圖)
    河北遙感(2017年2期)2017-08-07 14:49:00
    級聯(lián)LDPC碼的STBC-OFDM系統(tǒng)
    電子制作(2016年15期)2017-01-15 13:39:09
    室內(nèi)表面平均氡析出率閾值探討
    基于級聯(lián)MUSIC的面陣中的二維DOA估計算法
    久久av网站| 久久热在线av| 又黄又粗又硬又大视频| 亚洲成人免费av在线播放| 尾随美女入室| 亚洲色图 男人天堂 中文字幕| 成人三级做爰电影| 丝袜脚勾引网站| 涩涩av久久男人的天堂| 免费女性裸体啪啪无遮挡网站| 日本一区二区免费在线视频| 国产视频首页在线观看| 777久久人妻少妇嫩草av网站| 国产在线观看jvid| 国产免费福利视频在线观看| 美女扒开内裤让男人捅视频| 国产黄色视频一区二区在线观看| 91麻豆精品激情在线观看国产 | 久久九九热精品免费| 免费久久久久久久精品成人欧美视频| 欧美日韩av久久| 午夜影院在线不卡| 国产免费福利视频在线观看| 夫妻午夜视频| 天堂俺去俺来也www色官网| 国产av一区二区精品久久| 天堂中文最新版在线下载| 极品人妻少妇av视频| 免费一级毛片在线播放高清视频 | 欧美日韩精品网址| kizo精华| 亚洲色图 男人天堂 中文字幕| 亚洲情色 制服丝袜| 九色亚洲精品在线播放| 亚洲,欧美精品.| 男女边摸边吃奶| 国产成人啪精品午夜网站| 在线 av 中文字幕| 国产av一区二区精品久久| 欧美精品人与动牲交sv欧美| 国产激情久久老熟女| 欧美国产精品va在线观看不卡| 丁香六月天网| 免费观看av网站的网址| 一级片'在线观看视频| 欧美 亚洲 国产 日韩一| 精品亚洲成a人片在线观看| 国产免费现黄频在线看| 最新在线观看一区二区三区 | 精品人妻熟女毛片av久久网站| 日韩大码丰满熟妇| 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av美国av| 精品国产乱码久久久久久小说| 久久久精品94久久精品| 久久 成人 亚洲| 亚洲欧美清纯卡通| 丰满少妇做爰视频| 欧美亚洲日本最大视频资源| 免费黄频网站在线观看国产| 亚洲视频免费观看视频| 欧美xxⅹ黑人| 亚洲国产av影院在线观看| 少妇的丰满在线观看| 黄色怎么调成土黄色| 中文字幕精品免费在线观看视频| 国产精品99久久99久久久不卡| 亚洲av在线观看美女高潮| 国产男女超爽视频在线观看| av又黄又爽大尺度在线免费看| 亚洲欧美一区二区三区久久| 亚洲国产看品久久| 在线观看免费日韩欧美大片| 中文字幕高清在线视频| av在线老鸭窝| 老鸭窝网址在线观看| 男女高潮啪啪啪动态图| 丝袜在线中文字幕| 亚洲精品美女久久av网站| 99热国产这里只有精品6| 丁香六月欧美| 国产在线观看jvid| 国产成人影院久久av| 青春草亚洲视频在线观看| 亚洲中文字幕日韩| 亚洲第一青青草原| 18禁黄网站禁片午夜丰满| 男男h啪啪无遮挡| 黑人巨大精品欧美一区二区蜜桃| 国产福利在线免费观看视频| 国产一区二区 视频在线| 汤姆久久久久久久影院中文字幕| 亚洲欧美日韩高清在线视频 | 亚洲欧美精品综合一区二区三区| 91精品三级在线观看| 午夜av观看不卡| xxxhd国产人妻xxx| 涩涩av久久男人的天堂| 免费观看人在逋| 色综合欧美亚洲国产小说| 欧美日韩av久久| 亚洲精品一二三| 只有这里有精品99| netflix在线观看网站| 一个人免费看片子| 免费看十八禁软件| 两个人看的免费小视频| 丝瓜视频免费看黄片| 亚洲九九香蕉| av网站在线播放免费| 午夜激情av网站| 午夜免费男女啪啪视频观看| 亚洲天堂av无毛| 国产1区2区3区精品| 国产在线一区二区三区精| 香蕉丝袜av| 色综合欧美亚洲国产小说| 久热爱精品视频在线9| 欧美黑人欧美精品刺激| 亚洲免费av在线视频| 在线 av 中文字幕| 黄片小视频在线播放| 后天国语完整版免费观看| 亚洲精品av麻豆狂野| 十八禁高潮呻吟视频| 国产成人精品久久久久久| 国产精品 欧美亚洲| 国产精品一二三区在线看| www.av在线官网国产| 亚洲伊人久久精品综合| 国产片特级美女逼逼视频| 国产不卡av网站在线观看| 午夜av观看不卡| 精品卡一卡二卡四卡免费| 欧美精品高潮呻吟av久久| 亚洲av欧美aⅴ国产| 国产人伦9x9x在线观看| 亚洲国产精品国产精品| cao死你这个sao货| 午夜免费鲁丝| 日本欧美视频一区| 男人操女人黄网站| 不卡av一区二区三区| 精品人妻在线不人妻| 久久性视频一级片| 无限看片的www在线观看| 一区二区日韩欧美中文字幕| 又大又黄又爽视频免费| 国产精品熟女久久久久浪| 日韩 欧美 亚洲 中文字幕| 亚洲欧美一区二区三区黑人| 18禁黄网站禁片午夜丰满| 午夜免费鲁丝| 啦啦啦啦在线视频资源| 免费高清在线观看日韩| 日韩av免费高清视频| 午夜两性在线视频| 亚洲九九香蕉| 91老司机精品| 午夜影院在线不卡| 日本午夜av视频| 美国免费a级毛片| avwww免费| 亚洲美女黄色视频免费看| av国产久精品久网站免费入址| 日韩 欧美 亚洲 中文字幕| 在线观看免费日韩欧美大片| 亚洲欧美清纯卡通| 国产在线视频一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 又紧又爽又黄一区二区| 欧美激情极品国产一区二区三区| www.精华液| 美女视频免费永久观看网站| cao死你这个sao货| 亚洲国产欧美网| 久久精品熟女亚洲av麻豆精品| 欧美亚洲 丝袜 人妻 在线| 中文字幕高清在线视频| 黄片小视频在线播放| 菩萨蛮人人尽说江南好唐韦庄| a级毛片黄视频| 亚洲,欧美,日韩| 免费不卡黄色视频| 久久精品久久久久久久性| 99精国产麻豆久久婷婷| 久久国产精品人妻蜜桃| 国产精品久久久av美女十八| 欧美日韩福利视频一区二区| 精品少妇一区二区三区视频日本电影| 美女高潮到喷水免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 韩国高清视频一区二区三区| 最近最新中文字幕大全免费视频 | 大陆偷拍与自拍| 久久久精品94久久精品| www.自偷自拍.com| 久久性视频一级片| 欧美日韩精品网址| 欧美日韩亚洲综合一区二区三区_| 欧美另类一区| 在线观看人妻少妇| 又大又爽又粗| 亚洲一区中文字幕在线| 亚洲av电影在线进入| svipshipincom国产片| 精品国产超薄肉色丝袜足j| 人人妻人人爽人人添夜夜欢视频| 中国美女看黄片| 最黄视频免费看| 国产精品三级大全| 久热爱精品视频在线9| 亚洲国产看品久久| 成年美女黄网站色视频大全免费| 久久久久久久久免费视频了| 欧美97在线视频| av福利片在线| 亚洲熟女毛片儿| 成人亚洲欧美一区二区av| svipshipincom国产片| 亚洲av成人不卡在线观看播放网 | svipshipincom国产片| 99久久人妻综合| 日韩av不卡免费在线播放| 国产1区2区3区精品| 国产av一区二区精品久久| 菩萨蛮人人尽说江南好唐韦庄| 久久人人爽人人片av| 免费高清在线观看日韩| 国产99久久九九免费精品| 美女中出高潮动态图| 最黄视频免费看| 日韩 亚洲 欧美在线| 色94色欧美一区二区| 亚洲欧洲精品一区二区精品久久久| 国产在线一区二区三区精| 日韩大码丰满熟妇| 午夜激情av网站| 亚洲av电影在线进入| 久久国产精品人妻蜜桃| 亚洲一区中文字幕在线| 成人免费观看视频高清| 高潮久久久久久久久久久不卡| 亚洲第一av免费看| 99热网站在线观看| 亚洲欧美中文字幕日韩二区| 国产精品九九99| 黑人猛操日本美女一级片| 女人高潮潮喷娇喘18禁视频| 欧美日韩一级在线毛片| 亚洲中文字幕日韩| 亚洲激情五月婷婷啪啪| 中文乱码字字幕精品一区二区三区| 啦啦啦 在线观看视频| 欧美中文综合在线视频| 免费少妇av软件| 两性夫妻黄色片| 曰老女人黄片| 日本a在线网址| 国产免费视频播放在线视频| 尾随美女入室| 国产人伦9x9x在线观看| 日韩欧美一区视频在线观看| 爱豆传媒免费全集在线观看| 亚洲精品一区蜜桃| 国产成人av教育| 亚洲三区欧美一区| 亚洲av国产av综合av卡| 在现免费观看毛片| 丝袜美腿诱惑在线| 99国产精品99久久久久| 十八禁网站网址无遮挡| 9色porny在线观看| 熟女av电影| 91麻豆av在线| 丝袜喷水一区| 日本vs欧美在线观看视频| 悠悠久久av| 这个男人来自地球电影免费观看| 亚洲精品一卡2卡三卡4卡5卡 | 日韩av不卡免费在线播放| 最近手机中文字幕大全| 夫妻性生交免费视频一级片| 啦啦啦视频在线资源免费观看| 赤兔流量卡办理| 大码成人一级视频| av在线老鸭窝| 一本—道久久a久久精品蜜桃钙片| 狠狠精品人妻久久久久久综合| 视频在线观看一区二区三区| 亚洲精品一卡2卡三卡4卡5卡 | 香蕉国产在线看| 下体分泌物呈黄色| 欧美精品一区二区大全| 我要看黄色一级片免费的| av有码第一页| 久久国产亚洲av麻豆专区| 蜜桃在线观看..| 色综合欧美亚洲国产小说| 亚洲av在线观看美女高潮| 观看av在线不卡| 亚洲精品成人av观看孕妇| 亚洲欧美一区二区三区黑人| 99国产精品一区二区三区| 久久久国产精品麻豆| 国产片内射在线| 午夜视频精品福利| 夜夜骑夜夜射夜夜干| 男人舔女人的私密视频| 精品久久久久久久毛片微露脸 | 在线天堂中文资源库| 日本一区二区免费在线视频| 午夜福利影视在线免费观看| 人妻 亚洲 视频| 免费人妻精品一区二区三区视频| 黑人欧美特级aaaaaa片| 中文字幕亚洲精品专区| 午夜福利在线免费观看网站| 777米奇影视久久| 秋霞在线观看毛片| 久久鲁丝午夜福利片| 国产成人91sexporn| 成年人午夜在线观看视频| 一二三四社区在线视频社区8| 黑人猛操日本美女一级片| 日韩 欧美 亚洲 中文字幕| 成人国语在线视频| 老熟女久久久| 亚洲av男天堂| 少妇精品久久久久久久| 欧美成狂野欧美在线观看| 丰满少妇做爰视频| 欧美日韩亚洲综合一区二区三区_| 国产一区二区 视频在线| 99久久人妻综合| 观看av在线不卡| 国产精品一二三区在线看| 最近中文字幕2019免费版| 中国美女看黄片| 制服诱惑二区| 中文精品一卡2卡3卡4更新| 亚洲欧美激情在线| 精品少妇黑人巨大在线播放| 一区二区av电影网| 97精品久久久久久久久久精品| 性色av乱码一区二区三区2| 国产一区亚洲一区在线观看| 亚洲精品国产区一区二| 中文字幕另类日韩欧美亚洲嫩草| 精品一区二区三区av网在线观看 | 日本黄色日本黄色录像| 桃花免费在线播放| 成年人午夜在线观看视频| 1024香蕉在线观看| 老鸭窝网址在线观看| av电影中文网址| 国产在线一区二区三区精| 大型av网站在线播放| 脱女人内裤的视频| 欧美在线黄色| 久久久精品国产亚洲av高清涩受| 国产高清视频在线播放一区 | 亚洲美女黄色视频免费看| 欧美人与性动交α欧美软件| 少妇被粗大的猛进出69影院| 欧美人与性动交α欧美精品济南到| 一本综合久久免费| 宅男免费午夜| 99久久精品国产亚洲精品| 97精品久久久久久久久久精品| 午夜福利免费观看在线| 男女高潮啪啪啪动态图| av线在线观看网站| 男女边摸边吃奶| 国产免费一区二区三区四区乱码| 91麻豆精品激情在线观看国产 | 国产成人影院久久av| 天天躁日日躁夜夜躁夜夜| 无遮挡黄片免费观看| 国产深夜福利视频在线观看| 日韩一本色道免费dvd| 看免费av毛片| 精品人妻1区二区| 欧美人与性动交α欧美精品济南到| 一级毛片我不卡| 蜜桃在线观看..| 99久久精品国产亚洲精品| 天堂俺去俺来也www色官网| 精品免费久久久久久久清纯 | 国产精品国产三级国产专区5o| 天天添夜夜摸| 啦啦啦在线免费观看视频4| 亚洲,欧美,日韩| 国产高清videossex| 女人精品久久久久毛片| 老司机影院成人| 精品人妻熟女毛片av久久网站| 成人国语在线视频| 成年av动漫网址| 一级,二级,三级黄色视频| 在现免费观看毛片| 一级毛片黄色毛片免费观看视频| 一区二区三区四区激情视频| 国产午夜精品一二区理论片| 久久精品久久久久久噜噜老黄| 一区二区三区乱码不卡18| 免费看不卡的av| 亚洲伊人久久精品综合| 晚上一个人看的免费电影| 母亲3免费完整高清在线观看| 午夜福利视频精品| 99国产精品免费福利视频| 啦啦啦在线观看免费高清www| 熟女少妇亚洲综合色aaa.| 建设人人有责人人尽责人人享有的| 欧美在线一区亚洲| 亚洲精品日本国产第一区| 国产成人精品久久久久久| 美女福利国产在线| 国产欧美日韩一区二区三 | 91麻豆精品激情在线观看国产 | 久久久亚洲精品成人影院| 日韩免费高清中文字幕av| 看免费成人av毛片| 青春草亚洲视频在线观看| 一区二区日韩欧美中文字幕| 欧美黄色淫秽网站| 中文字幕亚洲精品专区| 18在线观看网站| 下体分泌物呈黄色| 天堂中文最新版在线下载| 热re99久久国产66热| 亚洲av美国av| 免费av中文字幕在线| 丁香六月天网| 91麻豆av在线| 欧美激情 高清一区二区三区| 校园人妻丝袜中文字幕| 成在线人永久免费视频| 久久久久网色| 一区二区三区精品91| 纯流量卡能插随身wifi吗| 菩萨蛮人人尽说江南好唐韦庄| 搡老岳熟女国产| av网站在线播放免费| 国产又爽黄色视频| 成人手机av| 这个男人来自地球电影免费观看| 久久国产精品人妻蜜桃| 午夜视频精品福利| 亚洲五月婷婷丁香| 老司机深夜福利视频在线观看 | 亚洲精品美女久久av网站| av天堂久久9| 亚洲精品久久成人aⅴ小说| 国产成人免费观看mmmm| 成年av动漫网址| 免费观看a级毛片全部| 免费看av在线观看网站| 汤姆久久久久久久影院中文字幕| 中国国产av一级| 国产xxxxx性猛交| 国产成人欧美在线观看 | 日韩熟女老妇一区二区性免费视频| 大片免费播放器 马上看| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品第二区| 精品熟女少妇八av免费久了| tube8黄色片| 久久久久精品国产欧美久久久 | 久久国产精品大桥未久av| 亚洲成人手机| 欧美精品高潮呻吟av久久| 国产欧美亚洲国产| 熟女少妇亚洲综合色aaa.| 亚洲精品一区蜜桃| 操出白浆在线播放| 久久久久久免费高清国产稀缺| 色精品久久人妻99蜜桃| 高清欧美精品videossex| 色94色欧美一区二区| 高潮久久久久久久久久久不卡| 久久亚洲国产成人精品v| √禁漫天堂资源中文www| 日韩 欧美 亚洲 中文字幕| 可以免费在线观看a视频的电影网站| 涩涩av久久男人的天堂| 99久久精品国产亚洲精品| 精品人妻1区二区| av片东京热男人的天堂| 伊人久久大香线蕉亚洲五| av福利片在线| 亚洲精品国产av蜜桃| 国产极品粉嫩免费观看在线| 天天躁夜夜躁狠狠躁躁| 视频区图区小说| 成年av动漫网址| 精品国产一区二区久久| 久久久久久久大尺度免费视频| 成人手机av| 在线观看www视频免费| av福利片在线| 久久狼人影院| 啦啦啦在线免费观看视频4| 大话2 男鬼变身卡| 欧美日韩黄片免| 一本—道久久a久久精品蜜桃钙片| 国产欧美日韩一区二区三 | 国精品久久久久久国模美| 亚洲欧美精品自产自拍| 婷婷成人精品国产| 精品欧美一区二区三区在线| 在线精品无人区一区二区三| av不卡在线播放| 亚洲美女黄色视频免费看| 午夜福利视频在线观看免费| 欧美大码av| 国产av精品麻豆| 国产视频一区二区在线看| 日本一区二区免费在线视频| 国产在线观看jvid| 免费久久久久久久精品成人欧美视频| 午夜免费观看性视频| 多毛熟女@视频| 成人午夜精彩视频在线观看| 午夜久久久在线观看| 精品亚洲成a人片在线观看| 成人国语在线视频| 亚洲第一av免费看| 免费久久久久久久精品成人欧美视频| 午夜免费观看性视频| 男女国产视频网站| 欧美黄色片欧美黄色片| 看免费av毛片| 成人免费观看视频高清| 99九九在线精品视频| 国产精品av久久久久免费| 一级毛片我不卡| 国产伦人伦偷精品视频| av不卡在线播放| 高清黄色对白视频在线免费看| 在线 av 中文字幕| 伊人亚洲综合成人网| 一级a爱视频在线免费观看| 18在线观看网站| 另类精品久久| 两性夫妻黄色片| 在线亚洲精品国产二区图片欧美| 亚洲欧洲国产日韩| 老熟女久久久| 亚洲免费av在线视频| 久久久国产欧美日韩av| av网站在线播放免费| 国产又色又爽无遮挡免| 精品国产乱码久久久久久男人| 婷婷色综合www| 欧美亚洲 丝袜 人妻 在线| 亚洲成人免费av在线播放| 国产成人av激情在线播放| 男女免费视频国产| 狠狠精品人妻久久久久久综合| 国产亚洲午夜精品一区二区久久| 视频区欧美日本亚洲| 久久国产精品影院| 两人在一起打扑克的视频| 亚洲男人天堂网一区| 久久精品亚洲熟妇少妇任你| 最黄视频免费看| 国产av一区二区精品久久| 精品国产国语对白av| 超色免费av| av在线老鸭窝| 一区二区三区四区激情视频| 久久免费观看电影| 精品亚洲成a人片在线观看| 久久国产精品人妻蜜桃| 看十八女毛片水多多多| 一边摸一边做爽爽视频免费| 久久久久视频综合| 欧美人与善性xxx| 亚洲av片天天在线观看| 国产精品成人在线| 搡老岳熟女国产| 国产成人免费无遮挡视频| 亚洲精品日韩在线中文字幕| 一个人免费看片子| 亚洲精品av麻豆狂野| 久久精品成人免费网站| 一个人免费看片子| 啦啦啦在线免费观看视频4| 1024视频免费在线观看| 日韩制服丝袜自拍偷拍| 夫妻午夜视频| 久久女婷五月综合色啪小说| 久久精品久久久久久久性| 2018国产大陆天天弄谢| videosex国产| 99热全是精品| 国产成人欧美在线观看 | 欧美乱码精品一区二区三区| 日本av免费视频播放| 美女中出高潮动态图| 精品卡一卡二卡四卡免费| 国产一区二区三区av在线| av欧美777| 一区二区三区乱码不卡18| 69精品国产乱码久久久| 久久毛片免费看一区二区三区| 国语对白做爰xxxⅹ性视频网站| 欧美日韩视频精品一区| av欧美777| 日韩免费高清中文字幕av| 欧美日韩福利视频一区二区| 欧美老熟妇乱子伦牲交|