• <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 ?

    基于深度學習的雜草識別系統(tǒng)

    2020-07-26 14:23:53尚建偉蔣紅海喻剛陳頡顥王博李兆旭張偉平
    軟件導刊 2020年7期
    關鍵詞:圖像分割卷積神經網絡圖像識別

    尚建偉 蔣紅海 喻剛 陳頡顥 王博 李兆旭 張偉平

    摘 要:田間除草技術在農業(yè)生產中具有重要意義。針對復雜背景下農作物與雜草識別率低、算法魯棒性差等問題,提出一種圖像分割網絡Res-Unet。該網絡為unet網絡的改進版本,采用resnet50網絡代替unet主干網絡,解決復雜背景下農作物與雜草區(qū)域提取困難、小植株檢測效果差、分割邊緣震蕩、變形問題。將圖像的平均交并比、準確率、訓練時長作為評價指標進行實驗。結果表明:使用Res-Unet模型的平均交并比為82.25%,平均像素準確率為98.67%。改進的Res-Unet模型相對于Unet平均交并比高出4.74%,相較于segnet平均交并比高出10.68%,訓練時間減少3小時。該方法對復雜背景下甜菜雜草檢測效果良好,可為機器人精確除草提供參考。

    關鍵詞:圖像分割;卷積神經網絡;深度學習;圖像識別;雜草識別

    DOI:10. 11907/rjdk. 201392 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP319文獻標識碼:A 文章編號:1672-7800(2020)007-0127-04

    Weed Identification System Based on Deep Learning

    SHANG Jian-wei1, JIANG Hong-hai1, YU Gang1, CHEN Jie-hao1, WANG Bo1, LI Zhao-xu1, ZHANG Wei-ping2

    (1. School of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming 650504, China;

    2. 78098 Military Training Team, Chengdu 610200,China)

    Abstract: The field weeding technology is of great significance in agricultural production. The traditional weed identification technology has the disadvantages of low efficiency or great limitations. To solve the problem of low recognition rate of crops and weeds in complex background and poor robustness of algorithm, an image segmentation network res UNET is proposed. Res UNET is an improved version of UNET network. It uses resnet50 network instead of the main network of UNET to solve the problem of crop and weed area extraction under complex background, poor detection effect of small plants, edge vibration and deformation of segmentation. The average intersection ratio, accuracy and training time of the image are selected as evaluation indexes. The results show that the average cross union ratio of res UNET model is 83.25%, and the average pixel accuracy is 98.67%. The improved res UNET model is 4.74% higher than the UNET average, 10.68% higher than the segnet average, and the training time is reduced by 3 hours. This method has a good detection effect on beet weeds in complex background, and can provide a reference for the follow-up robot precision weeding.

    Key Words: image segmentation; convolutional neural network; deep learning; image identification; weed identification

    0 引言

    雜草控制是農場最重要的作業(yè)之一,因為不受控制的雜草會對作物產量和質量產生重大影響。噴灑除草劑和人工除草是最常用的除草方法,但從經濟和環(huán)境角度看都不可取。人工除草成本較高且效率較低。機器視覺在取代人類進行植物識別方面顯示出巨大潛力,自動精確除草系統(tǒng)有望填補這一空白[1]。自動除草關鍵是快速準確獲取作物與雜草位置[2]。顏色、形狀[3-4]、光譜和紋理[5]是雜草識別的主要特征。

    Cho等[6]對蘿卜的長徑比、細長度及周長等形狀特征進行評價,以區(qū)分蘿卜和雜草。除圓度外,還包括7個不變中心矩(ICM)用于從雜草物種中識別出玉米和大豆[7]。對大豆、玉米和玉米田低水平紋理特征均作出評價,指標如偏度、平均值、方差[8]、灰度共生矩陣、角二階矩、慣性、熵、局部均勻性等[9];之后Gabor小波紋理特征占據(jù)主流,對雜草/作物分類技術形成了較大改進[10]。紋理特征與現(xiàn)代分類器,如模糊聚類、貝葉斯分類器、支持向量機和神經模糊分類器[11-13]已用于作物識別系統(tǒng)。

    近年興起的深度學習方法在雜草識別方面表現(xiàn)卓越。彭明霞等[14]融合特征金字塔網絡(Feature Pyramid Networks,F(xiàn)PN)的Faster R-CNN,提出在復雜背景下高效識別棉田雜草方法,檢測效果較好;孫俊等[15]提出一種空洞卷積與全局池化相結合的卷積神經網絡識別作物幼苗與雜草方法,平均識別準確率與分類成功率均較高。上述方法顯示深度學習方法在雜草識別領域的光明前景,但這些模型參數(shù)量大,結構較為復雜。

    針對現(xiàn)有模型網絡復雜度高、不易訓練問題,提出Res- Unet雜草檢測模型。以Unet為主要框架,用Resnet50代替Unet主干網絡。使用resnet50卷積神經網絡進行下采樣,從加深網絡結構、提取多尺度特征、減小模型數(shù)據(jù)量等方面優(yōu)化網絡。

    1 圖像分割與實驗

    1.1 圖像采集與實驗設計

    本研究圖像數(shù)據(jù)來源于德國波恩大學采集的甜菜與雜草圖片[16]。圖像采集由博世DeepField Robotics公司生產的多用途機器人完成,采集設備為JAI AD-130GE攝像頭,提供最大分辨率1 296×966像素圖像,采集時間為2016年5月23日。圖1為農田信息采集機器人 BoniRob、數(shù)據(jù)采集樣本樣例及標簽圖。紅色標簽為甜菜,其它顏色為雜草。

    由于卷積殘差網絡能夠自動從不同尺寸圖像中提取特征,所以樣本圖像可直接用于本文的圖像分割模型進行訓練與測試,不需要縮放等預處理操作。將甜菜和雜草樣本分為訓練集、驗證集和測試集。其中訓練集910張,測試集390張,驗證集100張。訓練集用于訓練模型參數(shù),測試集用于評估模型泛化能力,驗證集用于模型超參數(shù)調優(yōu)。最后應用典型評測指標——平均交并比(Mean-IOU)衡量模型檢測器性能。

    1.2 圖像分割

    1.2.1 殘差卷積網絡

    2015年何凱明等[17]提出Resnet網絡結構,該網絡大幅提高神經網絡深度,并在與ISLVRC和COCO比賽中勝出。常規(guī)的網絡優(yōu)化思想是通過大量網絡堆疊提高網絡性能,但深層神經網絡帶來梯度消失和梯度爆炸問題,Resnet網絡的殘差塊思想使神經網絡深度提高,從而取得更好的訓練結果。

    圖2 (a)為Conv Block網絡結構,圖2(b)為Identity Block網絡結構,圖2(c)為resnet50網絡結構。Resnet50由Conv Block與Identity Block兩個基本殘差塊組成,兩個基本塊有主路徑和跳躍路徑,主路徑有3個卷積層,3層卷積核分別為1×1、3×3和1×1;Conv Block的跳躍路徑經過1×1卷積網絡后與主路徑輸出相加,Identity Block跳躍路徑直接與主路徑輸出相加。當網絡輸入與輸出維度一致時,可選用Identity Block直接將輸入與輸出相加。當網絡輸入與輸出維度不一致時,選用Conv Block改變網絡維度。

    1.2.2 Res-Unet圖像分割模型

    圖像分割是從像素層次識別圖像,為圖像中的每個像素指定類別標記。UNet是一種編碼—解碼網絡結構的語義分割模型。Res-Unet模型將Unet主干網絡替換為Resnet50,該模型不僅保留resnet網絡收斂速度快、網絡深的優(yōu)點,還兼顧unet網絡結構簡單、數(shù)據(jù)量小優(yōu)勢。圖3為Res-Unet網絡結構,左邊為編碼器,將輸入圖片送入resnet50進行下采樣,圖片被4次壓縮,得到較低分辨率但經學習可高效區(qū)分類別的特征圖;右邊為解碼器,下采樣特征為全分辨率分割圖,下采樣中的層與上采樣中的層之間存在許多合并連接,有助于解碼器使用上采樣恢復圖像細節(jié)。

    2 模型訓練

    2.1 實驗條件

    本文使用keras與tensorflow深度學習開源框架訓練模型。實驗配置為:處理器:Intel(R) Core? i7-8550U 四核,主板:惠普8471,內存:8GB(三星 DDR4 2666MHz),硬盤:英特爾SSDPEKKF360G7H(360GB/固態(tài)硬盤),顯卡:Nvidia GeForce MX150 (2 GB),環(huán)境為keras2.2.0,tensorfolw1.13.1,python3.6。

    2.2 網絡模型訓練方法

    采用910張?zhí)鸩穗s草圖像進行網絡訓練,選用Adam優(yōu)化器[18]使錯誤最小化。Adam優(yōu)化器是一種基于一階梯度的隨機目標函數(shù)優(yōu)化算法,基于低階矩自適應估計。使用Adam優(yōu)化器計算效率高、內存要求低、梯度對角重新縮放不變以及非常適合數(shù)據(jù)或參數(shù)較大場合。Adam優(yōu)化器學習速率設置為1×[10-3]。分類交叉熵函數(shù)用作損失函數(shù),使用Mean-IOU評估網絡模型。使用Xavier初始化權重[19]。Xavier初始化通過在整個層中將信號保持在合理值范圍確保合適權重。其保持輸入梯度和輸出梯度方差相同,有助于保持整個網絡中梯度大小基本相同。

    3 實驗結果與分析

    3.1 損失函數(shù)變化情況

    本文研究屬于3類別圖像分割問題,分別為甜菜、雜草、土壤。選擇分類交叉熵函數(shù)作為圖像分割模型的損失函數(shù),計算公式如下:

    式(1)中,N為樣本數(shù),K為標簽數(shù),[yik=1]為正樣本真實標簽,[yik=0]為負樣本真實標簽,[y*ik]為樣本預測概率。loss值為實際輸出概率與期望輸出概率之差。交叉熵的值越小,兩個概率分布就越接近。

    首先將1 300張?zhí)鸩穗s草數(shù)據(jù)集和它們對應的標簽圖送入Res-Unet圖像分割模型中訓練,訓練集圖片910張,測試集圖片390張,觀察網絡訓練過程中訓練集和測試集損失函數(shù)的變化。圖4顯示分類交叉熵損失函數(shù)變化情況,其中橫坐標表示訓練輪數(shù),縱坐標表示交叉熵損失函數(shù)數(shù)值。為控制網絡的過擬合情況,對網絡進行不同的Dropout值(50%、65%和80%)訓練,以找到損失函數(shù)最低值,并選擇50%作為網絡的dropout值。圖4顯示Dropout值為50%的均損失函數(shù)。從圖4可以很明顯看出網絡迅速融合。網絡訓練前20輪學習率較大,網絡參數(shù)更新速度快,損失函數(shù)波動較大。網絡訓練20~40輪之間,損失函數(shù)逐漸達到平穩(wěn)數(shù)值范圍,此時訓練集損失函數(shù)為0.016,測試集損失函數(shù)為0.021。

    3.2 甜菜雜草目標識別結果與分析

    網絡訓練完成后,將100張驗證集圖片輸入訓練完成的模型中。盡管在復雜環(huán)境背景田地中,但網絡對于圖像依舊表現(xiàn)良好。圖5為預測圖像與真實標簽對比,圖5(a)為采集的原始圖像,圖5(b)為其對應的像素級標簽,圖5(c)為預測圖像。

    3.3 結果評估

    圖像分割中評估模型性能標準很多,本文使用mean-iou作為評估指標。mean-iou計算如下:

    式(2)中,k為圖像中標簽類別數(shù),i表示真實類別,[pij]表示屬于i類但被判定為j類的像素數(shù)量,即假陽性像素數(shù)量,[pji]為假陰性像素數(shù)量,[pii]為預測正確的像素數(shù)量。

    如圖6所示,在訓練的前20輪,訓練集和測試集的mean-iou波動很大,擬合度很低。在訓練的20~40輪之間,兩個數(shù)據(jù)集中的mean-iou一直平穩(wěn)增加,且曲線擬合度慢慢增大。40輪后,模型的mean-iou不再增加。在40輪時,測試集的mean-iou達到82.25%。

    3.4 與其它技術比較

    將模型結果與幾種方法進行對比,這里比較Segnet[20]、Unet[21]圖像分割網絡效果。如表1所示,將網絡模型的訓練時長、平均交并比、平均像素準確率進行對比。其中訓練時長Res-Unet和Unet遠遠優(yōu)于Segnet。Res-Unet在Mean-IOU和Accuracy指標上表現(xiàn)最為優(yōu)異,最高值分別為82.25%、98.67%,高于Unet和Segnet網絡。

    圖7為Res-Unet、Unet和Segnet網絡的分割效果。對比發(fā)現(xiàn),Res-Unet圖像分割網絡可以很清晰地識別出雜草與甜菜,而Unet和Segnet有很大的假陽率和假陰率,并且Res-Unet網絡對小植株識別明顯優(yōu)于其它兩個模型。面對圖像分割模型遇到的圖像分割邊緣震蕩問題,Res-Unet網絡表現(xiàn)更優(yōu)秀,邊緣更加清晰。復雜背景下的雜草識別受很多因素影響,Res-Unet網絡從多尺度提取圖像特征,算法魯棒性更好。

    4 結語

    本文基于深度學習的圖像分割技術對雜草和作物進行識別,對傳統(tǒng)的Unet網絡進行改進,采用Resnet50代替Unet網絡下采樣部分,與原始模型相比加深了網絡結構,不需要進行縮放等預處理操作,能夠更有效地提取甜菜和雜草的特征信息。通過對復雜背景下甜菜和雜草的田間試驗,驗證了模型的有效性:平均交并比達到82.25%,平均像素準確率達到98.67%,具有較高的分割識別精度,為研制智能除草機提供了理論依據(jù)。

    參考文獻:

    [1] SUJARITHA M, ANNADURAI S. Weed detecting robot in sugarcane fields using fuzzy real time classifier[J]. Computers and Electronics in Agriculture,2017, 134(6):160-171.

    [2] LI N, T E GRIFT, YUAN T, et al. Image processing for crop/weed discrimination in fields with high weed pressure[C]. In 2016 American Society of Agricultural and Biological Engineers Annual International Meeting, 2016.

    [3] PEREZ A J,LOPEZ F,BENLLOCH J V, et al. Colour and shape analysis techniques for weed detection in cereal fields[J].? Computers and Electronics in Agriculture. 2000,25(3):197-212.

    [4] LAMM R D, SLAUGHTER D C, GILES D K. Precision weed control system for cotton[J]. Transactions of the ASAE,2002,45(1):231-238.

    [5] GUIJARRO M,PAJARES G,RIOMOROS I,et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronic in Agriculture,2011,75(1):75-83.

    [6] CHO S I,LEE D S,JEONG J Y. Weed-plant discrimination by machine vision and artificial neural network[J]. Biosystems Engineering, 2002,83(3):275-280.

    [7] WOEBBECKE D M, MEYER G E, VON BARGEN K, et al. Shape features for identifying young weeds using image analysis[J]. Am,Soc,Agric, Eng,1995,38 (1):271-281.

    [8] FRANZ E, GEBHARDT M R, UNKLESBAY K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J]. Transactions of the ASAE,1991,34 (2):673-681.

    [9] MEYER G E, NETO J C. Verification of colour vegetation indices for automated crop imaging applications[J].? Computers and Electronic in Agriculture,2008,63(2):282-293.

    [10] TANG L, TIAN L F, STEWARD B L, et al. Texture-based weed classification using gabor wavelets and neural network for real-time selective herbicide applications[J].? Urbana,1999,51(9):61-80.

    [11] TANG L, TIAN L, STEWARD B L. Classification of broadleaf and grass weeds using gabor wavelets and an artificial neural network[J]. Transactions of the ASAE,2003,46 (4):1247-1254.

    [12] CRUZ G,JESúS M,ROMEO G,et al. A new expert system for greenness identification in agricultural images[J]. Expert Syst, Appl,2013,40 (6):2275-2286.

    [13] RAINVILLE F M, DURAND A, FORTIN F A, et al. Bayesian classification and unsupervised learning for isolating weeds in row crops[J]. Pattern Anal, Appl,2014,17 (2):401-414.

    [14] 彭明霞,夏俊芳,彭輝. 融合FPN的Faster R-CNN復雜背景下棉田雜草高效識別方法[J]. 農業(yè)工程學報,2019,35(20):202-209.

    [15] 孫俊,何小飛,譚文軍,等. 空洞卷積結合全局池化的卷積神經網絡識別作物幼苗與雜草[J]. 農業(yè)工程學報,2018,34 (11):159-165.

    [16] CHEBROLU N, LOTTES P, SCHAEFER A, et al. Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields[J]. The International Journal of Robotics Research,2017,36(10):1045-1052.

    [17] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[DB/OL]. http://arxiv.org/abs/1512.03385.

    [18] KINGMA D, BA J. Adam:a method for stochastic optimization[J].? arXiv, 2014, 13(5):12-44.

    [19] GLOROT X,BENGIO Y. Understanding the dif?culty of training deep feedforward neural networks[J]. Aistats,2010,9(2):249-256.

    [20] VIJAY BADRINARAYANAN, ALEX KENDALL, ROBERTO CIPOLLA. Segnet: a deep convolutional encoder-decoder architecture for scene segmentation[J]. IEEE,2017,56(15):2481-2495.

    [21] OLAF RONNEBERGER,PHILIPP FISCHER,THOMAS BROX. U-net: convolutional networks for biomedical image segmentation[J].? MICCAI, 2015, 9351(3):234-241.

    (責任編輯:杜能鋼)

    猜你喜歡
    圖像分割卷積神經網絡圖像識別
    基于Resnet-50的貓狗圖像識別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識別技術應用探討
    圖像識別在物聯(lián)網上的應用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識別在水質檢測中的應用
    電子制作(2018年14期)2018-08-21 01:38:16
    基于深度卷積神經網絡的物體識別算法
    一種改進的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    基于魯棒性的廣義FCM圖像分割算法
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    伦理电影大哥的女人| 婷婷精品国产亚洲av在线| av在线老鸭窝| 熟女人妻精品中文字幕| 久久韩国三级中文字幕| 中国国产av一级| 久久精品夜夜夜夜夜久久蜜豆| 永久网站在线| 不卡视频在线观看欧美| 天堂av国产一区二区熟女人妻| 人妻久久中文字幕网| 国产精品一区www在线观看| 欧美xxxx黑人xx丫x性爽| 综合色av麻豆| 国产高清视频在线观看网站| 男女啪啪激烈高潮av片| 国产精品乱码一区二三区的特点| 国产精品野战在线观看| 国产久久久一区二区三区| 久久精品夜色国产| 最近手机中文字幕大全| 日本爱情动作片www.在线观看 | 美女xxoo啪啪120秒动态图| 国产不卡一卡二| 我的老师免费观看完整版| 日本黄色片子视频| 变态另类丝袜制服| 亚洲专区国产一区二区| 色视频www国产| 日日撸夜夜添| 久久久久国产网址| 久久九九热精品免费| 久久亚洲精品不卡| 亚洲欧美成人精品一区二区| 亚洲国产色片| 久久精品国产亚洲av香蕉五月| 中文资源天堂在线| 三级毛片av免费| 国产精品久久久久久精品电影| 熟妇人妻久久中文字幕3abv| 国产色婷婷99| 亚洲在线自拍视频| 又爽又黄a免费视频| 色av中文字幕| 亚洲精品456在线播放app| 亚洲人与动物交配视频| 麻豆国产av国片精品| 国模一区二区三区四区视频| 夜夜爽天天搞| 成人午夜高清在线视频| 国产精品女同一区二区软件| 一级毛片电影观看 | 欧美激情在线99| 日日干狠狠操夜夜爽| 久久综合国产亚洲精品| a级毛片免费高清观看在线播放| 国产高清视频在线观看网站| 久久精品国产清高在天天线| 99久久精品热视频| 日韩制服骚丝袜av| 日韩中字成人| 国产精品无大码| 国产一区二区三区av在线 | 久久久久久久久久成人| 免费看日本二区| 中文字幕精品亚洲无线码一区| 精品一区二区三区视频在线| 69av精品久久久久久| 国产精品野战在线观看| 大又大粗又爽又黄少妇毛片口| 老女人水多毛片| 亚洲第一电影网av| 在线免费十八禁| 99在线视频只有这里精品首页| 欧美色视频一区免费| 毛片女人毛片| 日韩高清综合在线| 18禁裸乳无遮挡免费网站照片| 精品久久久久久久久av| 精品久久久久久久末码| 我的女老师完整版在线观看| av在线蜜桃| 日本熟妇午夜| 伊人久久精品亚洲午夜| 尾随美女入室| 18+在线观看网站| 人人妻人人看人人澡| 可以在线观看毛片的网站| 真实男女啪啪啪动态图| 国产又黄又爽又无遮挡在线| 国产aⅴ精品一区二区三区波| 久久精品国产亚洲av天美| 老司机午夜福利在线观看视频| 啦啦啦啦在线视频资源| 亚洲成a人片在线一区二区| 麻豆成人午夜福利视频| 国产精品一区www在线观看| 欧美xxxx性猛交bbbb| 久久精品夜色国产| 99在线视频只有这里精品首页| 免费观看的影片在线观看| 欧美成人a在线观看| 欧美一区二区亚洲| 噜噜噜噜噜久久久久久91| 亚洲熟妇中文字幕五十中出| 一a级毛片在线观看| www日本黄色视频网| 午夜a级毛片| 国产精品av视频在线免费观看| 亚洲美女视频黄频| 国产伦精品一区二区三区视频9| 精品国产三级普通话版| 国产精品久久久久久精品电影| 久久中文看片网| 亚洲精品色激情综合| 亚洲av成人av| 男女边吃奶边做爰视频| 舔av片在线| 日本爱情动作片www.在线观看 | 亚洲天堂国产精品一区在线| 又爽又黄a免费视频| 亚洲在线观看片| av专区在线播放| 在线播放无遮挡| 不卡视频在线观看欧美| 成年版毛片免费区| 国产视频一区二区在线看| 精品熟女少妇av免费看| 一进一出抽搐gif免费好疼| 大型黄色视频在线免费观看| 日日啪夜夜撸| 婷婷色综合大香蕉| 热99在线观看视频| 久久久久久久久大av| 丰满人妻一区二区三区视频av| 亚洲18禁久久av| 97在线视频观看| 深爱激情五月婷婷| 噜噜噜噜噜久久久久久91| 亚洲性夜色夜夜综合| 91久久精品国产一区二区三区| 亚洲熟妇熟女久久| 97超视频在线观看视频| 国产黄a三级三级三级人| 亚洲国产欧美人成| 深爱激情五月婷婷| 丝袜美腿在线中文| 激情 狠狠 欧美| 最近中文字幕高清免费大全6| 免费看美女性在线毛片视频| 欧美zozozo另类| 性插视频无遮挡在线免费观看| 高清毛片免费观看视频网站| 男人和女人高潮做爰伦理| 国产成年人精品一区二区| 嫩草影视91久久| 成人高潮视频无遮挡免费网站| 亚洲天堂国产精品一区在线| 别揉我奶头~嗯~啊~动态视频| 黄色视频,在线免费观看| 一级a爱片免费观看的视频| 亚洲av二区三区四区| 一级毛片aaaaaa免费看小| 欧美丝袜亚洲另类| 性插视频无遮挡在线免费观看| 精品久久久久久久久av| 久久亚洲精品不卡| 日日啪夜夜撸| 成人亚洲欧美一区二区av| 我的老师免费观看完整版| 村上凉子中文字幕在线| 久久久久久伊人网av| 午夜a级毛片| 九色成人免费人妻av| 色哟哟·www| 99九九线精品视频在线观看视频| av卡一久久| 亚洲国产色片| 高清午夜精品一区二区三区 | 此物有八面人人有两片| av国产免费在线观看| 99在线人妻在线中文字幕| 欧美激情在线99| 亚洲四区av| 如何舔出高潮| 可以在线观看毛片的网站| 天天一区二区日本电影三级| av.在线天堂| 亚洲精品日韩在线中文字幕 | 国产高潮美女av| 成人三级黄色视频| a级毛片a级免费在线| 亚洲五月天丁香| 久久99热6这里只有精品| 欧美国产日韩亚洲一区| 美女被艹到高潮喷水动态| 亚洲欧美日韩东京热| 你懂的网址亚洲精品在线观看 | 好男人在线观看高清免费视频| 啦啦啦啦在线视频资源| 日本一本二区三区精品| 伊人久久精品亚洲午夜| 精品一区二区三区视频在线观看免费| 亚洲精品日韩av片在线观看| 国产一区亚洲一区在线观看| 在线观看美女被高潮喷水网站| 亚洲高清免费不卡视频| 亚洲成a人片在线一区二区| 欧美国产日韩亚洲一区| 国产精品野战在线观看| 三级男女做爰猛烈吃奶摸视频| 免费看a级黄色片| 日韩欧美一区二区三区在线观看| 欧美性猛交╳xxx乱大交人| 国内精品宾馆在线| 又爽又黄无遮挡网站| 亚洲欧美日韩高清在线视频| 久久久久国产精品人妻aⅴ院| 国产高潮美女av| 亚洲成人精品中文字幕电影| 长腿黑丝高跟| 69av精品久久久久久| 在线免费观看不下载黄p国产| 99久久成人亚洲精品观看| 亚洲无线观看免费| 国产极品精品免费视频能看的| 亚洲精品在线观看二区| 一区福利在线观看| 天堂√8在线中文| 亚洲aⅴ乱码一区二区在线播放| 男人和女人高潮做爰伦理| 一级av片app| 中文字幕人妻熟人妻熟丝袜美| 国产精品伦人一区二区| 天堂网av新在线| 欧美不卡视频在线免费观看| 久久久久久九九精品二区国产| 国产精品一及| 日本免费a在线| 国产人妻一区二区三区在| 国产av一区在线观看免费| 久久亚洲国产成人精品v| 国产精品久久久久久久电影| 成人三级黄色视频| 成人特级av手机在线观看| 18禁裸乳无遮挡免费网站照片| 91精品国产九色| 少妇的逼水好多| av.在线天堂| 久久精品国产亚洲av香蕉五月| 中国国产av一级| 亚洲四区av| 国产av一区在线观看免费| 天天一区二区日本电影三级| 国产乱人视频| 国产男人的电影天堂91| 欧美激情在线99| 最新在线观看一区二区三区| av专区在线播放| 亚洲中文字幕日韩| 久久99热这里只有精品18| 一级毛片久久久久久久久女| 可以在线观看的亚洲视频| 亚洲国产精品国产精品| 免费人成在线观看视频色| 国产精品人妻久久久久久| 高清午夜精品一区二区三区 | 在线播放无遮挡| 国产午夜福利久久久久久| 欧美一区二区精品小视频在线| 日韩欧美精品v在线| 亚洲精品国产成人久久av| 久久国内精品自在自线图片| 国产91av在线免费观看| 搡老熟女国产l中国老女人| 免费在线观看影片大全网站| 精品一区二区免费观看| 免费搜索国产男女视频| 秋霞在线观看毛片| 看片在线看免费视频| 插逼视频在线观看| 日本 av在线| 亚洲国产精品成人综合色| 久久精品国产99精品国产亚洲性色| 成人欧美大片| 麻豆久久精品国产亚洲av| 香蕉av资源在线| 亚洲国产精品成人综合色| 亚洲av不卡在线观看| 免费av观看视频| 12—13女人毛片做爰片一| 听说在线观看完整版免费高清| 最近的中文字幕免费完整| 99热精品在线国产| 女同久久另类99精品国产91| 日韩精品有码人妻一区| 日本爱情动作片www.在线观看 | 永久网站在线| 久久精品国产清高在天天线| 卡戴珊不雅视频在线播放| 女人被狂操c到高潮| 国产午夜精品论理片| av中文乱码字幕在线| 亚洲内射少妇av| 好男人在线观看高清免费视频| 观看免费一级毛片| 亚洲成人av在线免费| 亚洲欧美成人综合另类久久久 | 赤兔流量卡办理| 日本免费一区二区三区高清不卡| 国产男人的电影天堂91| 禁无遮挡网站| 观看免费一级毛片| 99视频精品全部免费 在线| 欧美日韩精品成人综合77777| 精品免费久久久久久久清纯| 最新在线观看一区二区三区| 国产亚洲精品综合一区在线观看| 又粗又爽又猛毛片免费看| 国产一区二区激情短视频| 麻豆国产av国片精品| 99热这里只有是精品50| av.在线天堂| 亚洲自偷自拍三级| 国产亚洲精品久久久com| 亚洲天堂国产精品一区在线| 人人妻人人澡人人爽人人夜夜 | 亚洲无线观看免费| 国产乱人视频| 综合色av麻豆| 国产亚洲欧美98| 欧美绝顶高潮抽搐喷水| 搡老岳熟女国产| 亚洲欧美日韩卡通动漫| 亚洲av电影不卡..在线观看| 国产精品乱码一区二三区的特点| 黄片wwwwww| 少妇猛男粗大的猛烈进出视频 | eeuss影院久久| 日日摸夜夜添夜夜爱| 午夜精品国产一区二区电影 | 亚洲美女视频黄频| 午夜福利在线观看吧| 午夜久久久久精精品| 欧美区成人在线视频| 国产精品免费一区二区三区在线| 一区二区三区免费毛片| 精品人妻一区二区三区麻豆 | 久久人人精品亚洲av| 久久6这里有精品| 亚洲久久久久久中文字幕| 国产毛片a区久久久久| 搡女人真爽免费视频火全软件 | 精品无人区乱码1区二区| 日韩欧美在线乱码| 精品人妻视频免费看| 美女内射精品一级片tv| 中文在线观看免费www的网站| 亚洲欧美精品自产自拍| 国产成人91sexporn| 亚洲四区av| a级一级毛片免费在线观看| av天堂在线播放| 校园人妻丝袜中文字幕| 午夜精品国产一区二区电影 | 国产高清激情床上av| 一级毛片我不卡| 精品久久久噜噜| 在线观看av片永久免费下载| 乱人视频在线观看| 久久草成人影院| 国语自产精品视频在线第100页| 一进一出好大好爽视频| 插阴视频在线观看视频| 久久久精品大字幕| 国产高清视频在线播放一区| 欧美精品国产亚洲| 在线免费观看不下载黄p国产| 欧美人与善性xxx| 婷婷六月久久综合丁香| 在现免费观看毛片| 99久久精品一区二区三区| 欧美日本亚洲视频在线播放| 精品免费久久久久久久清纯| 亚洲国产精品国产精品| 1000部很黄的大片| 中文字幕熟女人妻在线| 女的被弄到高潮叫床怎么办| 波野结衣二区三区在线| 国产精品,欧美在线| 精品一区二区三区视频在线| 日韩欧美在线乱码| 国产 一区精品| 色播亚洲综合网| 久久精品国产鲁丝片午夜精品| 精品熟女少妇av免费看| 亚洲精品粉嫩美女一区| a级毛色黄片| 伦理电影大哥的女人| 床上黄色一级片| 久久99热6这里只有精品| 黄色配什么色好看| 国产精品一及| 一进一出抽搐动态| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品久久久久久精品电影| 麻豆成人午夜福利视频| 中国美白少妇内射xxxbb| 日本 av在线| 国产人妻一区二区三区在| av天堂中文字幕网| 久久久久久国产a免费观看| 如何舔出高潮| 在线观看免费视频日本深夜| 亚洲av成人av| 最新在线观看一区二区三区| 国产白丝娇喘喷水9色精品| 精品午夜福利在线看| 精品无人区乱码1区二区| 老熟妇乱子伦视频在线观看| 日韩三级伦理在线观看| 成人av在线播放网站| 色5月婷婷丁香| 菩萨蛮人人尽说江南好唐韦庄 | 丝袜喷水一区| 日韩一本色道免费dvd| 久久6这里有精品| 欧美一级a爱片免费观看看| 久久久午夜欧美精品| 久久6这里有精品| 精品久久久久久久久久免费视频| 97碰自拍视频| av卡一久久| 午夜视频国产福利| 日韩中字成人| 久久久色成人| 欧美绝顶高潮抽搐喷水| 99热只有精品国产| 国产麻豆成人av免费视频| 伊人久久精品亚洲午夜| 国产精品人妻久久久影院| 久久久久性生活片| 欧美不卡视频在线免费观看| 久久人人爽人人爽人人片va| 国产单亲对白刺激| 免费观看在线日韩| 听说在线观看完整版免费高清| 久久精品国产亚洲av天美| 国产精品综合久久久久久久免费| 亚洲av熟女| 成人欧美大片| 午夜a级毛片| 国产淫片久久久久久久久| 中文字幕av在线有码专区| 成人国产麻豆网| 最近的中文字幕免费完整| 欧美激情久久久久久爽电影| 国产精品人妻久久久影院| 亚洲国产色片| 在线播放无遮挡| 国产私拍福利视频在线观看| 成年免费大片在线观看| 全区人妻精品视频| 午夜亚洲福利在线播放| 97超级碰碰碰精品色视频在线观看| 性插视频无遮挡在线免费观看| 成人综合一区亚洲| 一a级毛片在线观看| 简卡轻食公司| 小说图片视频综合网站| 国产蜜桃级精品一区二区三区| 亚洲欧美中文字幕日韩二区| 婷婷亚洲欧美| 欧美性感艳星| 欧美一级a爱片免费观看看| 18禁黄网站禁片免费观看直播| 麻豆国产av国片精品| 99久久九九国产精品国产免费| 欧美+亚洲+日韩+国产| 久久久成人免费电影| 亚洲18禁久久av| 国产精华一区二区三区| 麻豆av噜噜一区二区三区| av在线老鸭窝| 99视频精品全部免费 在线| 色综合亚洲欧美另类图片| 日日摸夜夜添夜夜爱| 精品日产1卡2卡| 久久鲁丝午夜福利片| 美女大奶头视频| 最近中文字幕高清免费大全6| 性欧美人与动物交配| 欧美+日韩+精品| 久久婷婷人人爽人人干人人爱| 桃色一区二区三区在线观看| 一级黄色大片毛片| 综合色丁香网| 大又大粗又爽又黄少妇毛片口| 男女下面进入的视频免费午夜| 久久久国产成人免费| 在线a可以看的网站| 欧美性猛交黑人性爽| 日本一本二区三区精品| 91av网一区二区| 一级黄片播放器| 欧美最新免费一区二区三区| 免费大片18禁| 久久久精品大字幕| 久久99热这里只有精品18| 久久99热6这里只有精品| 国产免费一级a男人的天堂| 国产精品久久久久久av不卡| 欧美日本视频| 亚洲av成人av| 亚洲国产精品久久男人天堂| 亚洲欧美日韩无卡精品| 亚洲欧美日韩高清专用| 亚洲专区国产一区二区| 日韩欧美免费精品| 99热精品在线国产| 高清日韩中文字幕在线| 男人狂女人下面高潮的视频| 亚洲激情五月婷婷啪啪| 免费观看的影片在线观看| 黄色配什么色好看| 美女xxoo啪啪120秒动态图| 精品久久久噜噜| 亚洲欧美成人综合另类久久久 | 亚洲国产日韩欧美精品在线观看| 国产av不卡久久| 在线播放国产精品三级| 91av网一区二区| 秋霞在线观看毛片| 悠悠久久av| 日韩欧美精品免费久久| 久久鲁丝午夜福利片| a级毛片免费高清观看在线播放| 亚洲人成网站高清观看| 久久精品夜夜夜夜夜久久蜜豆| 美女高潮的动态| 日日啪夜夜撸| 国产精品美女特级片免费视频播放器| 黄色日韩在线| 免费搜索国产男女视频| 免费看光身美女| 最近视频中文字幕2019在线8| 天堂网av新在线| 亚洲av免费在线观看| 国产乱人偷精品视频| 日韩中字成人| 欧美丝袜亚洲另类| 日本免费一区二区三区高清不卡| 国产精华一区二区三区| 免费av不卡在线播放| 搡老妇女老女人老熟妇| 亚洲成av人片在线播放无| 床上黄色一级片| 天堂网av新在线| 国产成年人精品一区二区| 国产又黄又爽又无遮挡在线| 国产高清激情床上av| 男人狂女人下面高潮的视频| 国产男靠女视频免费网站| 非洲黑人性xxxx精品又粗又长| 22中文网久久字幕| 国产淫片久久久久久久久| 国内精品美女久久久久久| 美女cb高潮喷水在线观看| 波野结衣二区三区在线| 免费搜索国产男女视频| 国产探花极品一区二区| 综合色丁香网| 欧美激情国产日韩精品一区| 18禁在线播放成人免费| 日韩成人伦理影院| 丰满乱子伦码专区| 一本精品99久久精品77| 久久久久久久久大av| 亚洲第一电影网av| 菩萨蛮人人尽说江南好唐韦庄 | 国产伦一二天堂av在线观看| 狂野欧美激情性xxxx在线观看| 欧美最黄视频在线播放免费| 国产精品一区二区三区四区久久| 观看免费一级毛片| 丰满人妻一区二区三区视频av| 久久精品国产鲁丝片午夜精品| 久久精品夜夜夜夜夜久久蜜豆| 亚洲人成网站在线播| 日韩精品有码人妻一区| 99热这里只有精品一区| 欧美bdsm另类| 成年av动漫网址| 男人舔女人下体高潮全视频| 国产精品伦人一区二区| 91av网一区二区| 女的被弄到高潮叫床怎么办| 看非洲黑人一级黄片| 特大巨黑吊av在线直播| 看非洲黑人一级黄片| 欧美高清性xxxxhd video| 国内揄拍国产精品人妻在线| 别揉我奶头 嗯啊视频| 国产精品久久久久久精品电影| 在线播放国产精品三级| 菩萨蛮人人尽说江南好唐韦庄 | 两性午夜刺激爽爽歪歪视频在线观看| 俄罗斯特黄特色一大片| 在线播放无遮挡| 偷拍熟女少妇极品色| 特级一级黄色大片| 岛国在线免费视频观看| 国产黄片美女视频| 在线观看午夜福利视频| 欧美三级亚洲精品|