• <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
    国产欧美日韩一区二区三区在线| 久久人人爽人人片av| 国产成人精品无人区| 桃花免费在线播放| 日本欧美视频一区| 日本av手机在线免费观看| 人妻一区二区av| 大片免费播放器 马上看| 男女边摸边吃奶| 亚洲精品成人av观看孕妇| 欧美变态另类bdsm刘玥| 午夜免费鲁丝| 亚洲成色77777| 久久久久网色| 欧美日韩视频精品一区| 日本欧美视频一区| 亚洲av成人精品一二三区| 蜜桃在线观看..| 麻豆乱淫一区二区| 搡老乐熟女国产| 99国产精品一区二区蜜桃av | 9热在线视频观看99| 国产成人影院久久av| 日本欧美国产在线视频| 只有这里有精品99| 免费少妇av软件| 高清不卡的av网站| 天堂中文最新版在线下载| 精品人妻1区二区| 欧美日韩亚洲国产一区二区在线观看 | 在线亚洲精品国产二区图片欧美| 最新在线观看一区二区三区 | 黄色 视频免费看| 性少妇av在线| 国产精品九九99| 999精品在线视频| 伦理电影免费视频| 母亲3免费完整高清在线观看| 飞空精品影院首页| 黄片播放在线免费| 亚洲人成电影观看| 国产淫语在线视频| 9色porny在线观看| 欧美日韩成人在线一区二区| 黄色 视频免费看| 欧美国产精品一级二级三级| 天天添夜夜摸| 欧美成人精品欧美一级黄| 亚洲天堂av无毛| 亚洲第一青青草原| 最近最新中文字幕大全免费视频 | 9191精品国产免费久久| 在线看a的网站| 人妻 亚洲 视频| 久久99热这里只频精品6学生| 天天影视国产精品| 免费日韩欧美在线观看| 十分钟在线观看高清视频www| 天堂俺去俺来也www色官网| 成人黄色视频免费在线看| 一区福利在线观看| 大片免费播放器 马上看| 国产黄色免费在线视频| 熟女av电影| 亚洲精品中文字幕在线视频| 欧美日本中文国产一区发布| 国产精品免费大片| h视频一区二区三区| 日本一区二区免费在线视频| 男女边吃奶边做爰视频| 亚洲一码二码三码区别大吗| 午夜精品国产一区二区电影| 久久精品国产综合久久久| 自拍欧美九色日韩亚洲蝌蚪91| 9热在线视频观看99| 亚洲精品国产色婷婷电影| 两性夫妻黄色片| 国产在线观看jvid| 高清欧美精品videossex| 国产精品亚洲av一区麻豆| 天堂中文最新版在线下载| 老司机靠b影院| 人人妻人人添人人爽欧美一区卜| 人妻 亚洲 视频| 欧美成人精品欧美一级黄| 精品一区在线观看国产| 国产一区二区激情短视频 | 国产在线观看jvid| 最新在线观看一区二区三区 | 男女下面插进去视频免费观看| 777久久人妻少妇嫩草av网站| 在线观看国产h片| 啦啦啦 在线观看视频| 亚洲精品国产区一区二| 精品久久久久久久毛片微露脸 | 国产欧美日韩一区二区三区在线| 成人黄色视频免费在线看| 一边摸一边做爽爽视频免费| 十分钟在线观看高清视频www| 老汉色∧v一级毛片| 黄色a级毛片大全视频| 少妇人妻 视频| 亚洲人成网站在线观看播放| 91精品国产国语对白视频| 亚洲成色77777| 国产精品麻豆人妻色哟哟久久| 一级片'在线观看视频| 色网站视频免费| 啦啦啦啦在线视频资源| 日本猛色少妇xxxxx猛交久久| 亚洲伊人色综图| 久久青草综合色| 日韩中文字幕欧美一区二区 | 日韩制服丝袜自拍偷拍| 日日爽夜夜爽网站| 观看av在线不卡| 国产福利在线免费观看视频| 国产一区二区 视频在线| 后天国语完整版免费观看| 99国产综合亚洲精品| 熟女av电影| 精品人妻一区二区三区麻豆| 亚洲欧美色中文字幕在线| 9热在线视频观看99| 国产男女内射视频| 亚洲美女黄色视频免费看| 国产三级黄色录像| 一个人免费看片子| 久久精品久久久久久久性| 免费久久久久久久精品成人欧美视频| 亚洲精品美女久久久久99蜜臀 | 亚洲中文av在线| 欧美 亚洲 国产 日韩一| 18禁国产床啪视频网站| 久久青草综合色| 大陆偷拍与自拍| 一本综合久久免费| 国产成人精品在线电影| 欧美精品啪啪一区二区三区 | 国产片内射在线| 久久青草综合色| 首页视频小说图片口味搜索 | 又粗又硬又长又爽又黄的视频| 看十八女毛片水多多多| 亚洲欧美日韩另类电影网站| 免费一级毛片在线播放高清视频 | 国产精品久久久av美女十八| 亚洲欧美中文字幕日韩二区| 精品一区二区三区av网在线观看 | 999久久久国产精品视频| 亚洲午夜精品一区,二区,三区| 欧美中文综合在线视频| 久久九九热精品免费| 热99久久久久精品小说推荐| 久久人人97超碰香蕉20202| 国产在视频线精品| 99热国产这里只有精品6| 老汉色av国产亚洲站长工具| 久久久久久久国产电影| 亚洲精品中文字幕在线视频| 国产精品一二三区在线看| 亚洲欧美精品综合一区二区三区| 日韩 亚洲 欧美在线| 中文乱码字字幕精品一区二区三区| 免费日韩欧美在线观看| 欧美国产精品va在线观看不卡| 我要看黄色一级片免费的| 国产成人av激情在线播放| 精品欧美一区二区三区在线| 91国产中文字幕| 国产成人精品久久久久久| www.av在线官网国产| 午夜影院在线不卡| 精品卡一卡二卡四卡免费| 国产成人av教育| 欧美精品一区二区大全| 久久鲁丝午夜福利片| 欧美老熟妇乱子伦牲交| 精品亚洲成a人片在线观看| 久久99热这里只频精品6学生| 男人操女人黄网站| 波野结衣二区三区在线| 亚洲精品一二三| 黄网站色视频无遮挡免费观看| 久久 成人 亚洲| 久久亚洲精品不卡| 成人三级做爰电影| 久久人妻福利社区极品人妻图片 | 蜜桃国产av成人99| 亚洲欧洲日产国产| 永久免费av网站大全| 久久精品亚洲熟妇少妇任你| 黄片播放在线免费| 国产亚洲精品久久久久5区| 天天躁夜夜躁狠狠躁躁| 国产免费视频播放在线视频| 久久久久久久久免费视频了| 中文精品一卡2卡3卡4更新| 老司机影院毛片| 男女床上黄色一级片免费看| 日韩精品免费视频一区二区三区| 男女无遮挡免费网站观看| av在线老鸭窝| 纯流量卡能插随身wifi吗| 亚洲欧美激情在线| 亚洲欧美一区二区三区国产| 在线观看免费高清a一片| 夫妻午夜视频| 免费av中文字幕在线| 久久久久久亚洲精品国产蜜桃av| 婷婷色综合大香蕉| 一级,二级,三级黄色视频| 日韩一本色道免费dvd| 成人免费观看视频高清| kizo精华| 一区二区日韩欧美中文字幕| 久久狼人影院| 天天躁日日躁夜夜躁夜夜| 国产一区二区 视频在线| 久久ye,这里只有精品| 亚洲精品乱久久久久久| av福利片在线| 只有这里有精品99| 这个男人来自地球电影免费观看| 欧美亚洲 丝袜 人妻 在线| 老鸭窝网址在线观看| 叶爱在线成人免费视频播放| 国产在线免费精品| 亚洲国产精品999| 另类亚洲欧美激情| 日本91视频免费播放| 黑人巨大精品欧美一区二区蜜桃| 日韩一区二区三区影片| 精品一区二区三区av网在线观看 | 美女高潮到喷水免费观看| 黄色一级大片看看| 视频区欧美日本亚洲| 亚洲av电影在线进入| 免费观看人在逋| 午夜福利,免费看| 国产亚洲精品第一综合不卡| 久久人人97超碰香蕉20202| 美女视频免费永久观看网站| 嫩草影视91久久| tube8黄色片| 美女中出高潮动态图| 亚洲视频免费观看视频| 国产精品麻豆人妻色哟哟久久| 欧美 亚洲 国产 日韩一| 男男h啪啪无遮挡| 9191精品国产免费久久| 最近手机中文字幕大全| 超碰成人久久| 欧美精品啪啪一区二区三区 | 久久天堂一区二区三区四区| 久久久欧美国产精品| 黄片小视频在线播放| 一本一本久久a久久精品综合妖精| 久久狼人影院| 午夜免费男女啪啪视频观看| 两个人免费观看高清视频| 1024香蕉在线观看| 亚洲,欧美精品.| 美女中出高潮动态图| 波多野结衣av一区二区av| 成人国产一区最新在线观看 | 久久精品国产亚洲av涩爱| 宅男免费午夜| 女人久久www免费人成看片| 国产精品二区激情视频| 丝袜喷水一区| 国产不卡av网站在线观看| 18在线观看网站| 欧美精品一区二区大全| 久久久久久久大尺度免费视频| 老司机亚洲免费影院| 欧美另类一区| 色视频在线一区二区三区| 日本av手机在线免费观看| 一本综合久久免费| 建设人人有责人人尽责人人享有的| 午夜影院在线不卡| 国产91精品成人一区二区三区 | 男女午夜视频在线观看| 午夜免费成人在线视频| av线在线观看网站| 亚洲伊人色综图| 亚洲中文字幕日韩| 悠悠久久av| 婷婷色av中文字幕| 少妇粗大呻吟视频| 欧美成人精品欧美一级黄| 成在线人永久免费视频| 成年动漫av网址| 免费人妻精品一区二区三区视频| 丝袜美足系列| 精品一品国产午夜福利视频| 成人手机av| 好男人视频免费观看在线| 蜜桃在线观看..| 国产成人91sexporn| 水蜜桃什么品种好| 国产真人三级小视频在线观看| 色精品久久人妻99蜜桃| 91精品国产国语对白视频| 少妇精品久久久久久久| 嫁个100分男人电影在线观看 | 亚洲中文字幕日韩| 亚洲中文av在线| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av综合色区一区| 国产亚洲精品久久久久5区| 久久人人爽av亚洲精品天堂| 女人被躁到高潮嗷嗷叫费观| 男女下面插进去视频免费观看| 制服人妻中文乱码| 好男人电影高清在线观看| 少妇裸体淫交视频免费看高清 | 精品少妇久久久久久888优播| 亚洲三区欧美一区| 亚洲久久久国产精品| 日韩一卡2卡3卡4卡2021年| 久久精品亚洲熟妇少妇任你| 青春草视频在线免费观看| a级毛片在线看网站| 黑人猛操日本美女一级片| 亚洲精品一卡2卡三卡4卡5卡 | 国产日韩欧美视频二区| 欧美人与善性xxx| 国产熟女午夜一区二区三区| 人妻人人澡人人爽人人| 狠狠精品人妻久久久久久综合| 啦啦啦 在线观看视频| 国产精品一区二区在线观看99| 丝袜人妻中文字幕| 国产成人av教育| 少妇人妻 视频| 亚洲激情五月婷婷啪啪| 亚洲美女黄色视频免费看| 国产亚洲午夜精品一区二区久久| 久久综合国产亚洲精品| 精品卡一卡二卡四卡免费| 亚洲专区国产一区二区| 亚洲成人免费av在线播放| 精品少妇黑人巨大在线播放| 久久中文字幕一级| 中国美女看黄片| 精品国产乱码久久久久久小说| 中文字幕高清在线视频| 亚洲图色成人| 亚洲av欧美aⅴ国产| 丰满人妻熟妇乱又伦精品不卡| 一二三四在线观看免费中文在| 宅男免费午夜| 美女主播在线视频| 中文字幕高清在线视频| 国产主播在线观看一区二区 | 黄色毛片三级朝国网站| www.自偷自拍.com| 人体艺术视频欧美日本| 欧美国产精品一级二级三级| 亚洲精品在线美女| 老汉色av国产亚洲站长工具| 日韩一卡2卡3卡4卡2021年| 热99国产精品久久久久久7| 亚洲精品久久成人aⅴ小说| 久久精品成人免费网站| 人人妻人人添人人爽欧美一区卜| 一边摸一边抽搐一进一出视频| 丝袜喷水一区| 在线观看免费日韩欧美大片| 国产99久久九九免费精品| 婷婷成人精品国产| 午夜福利乱码中文字幕| 国产免费现黄频在线看| 啦啦啦在线观看免费高清www| 久久久久国产精品人妻一区二区| 一本一本久久a久久精品综合妖精| 中文字幕人妻熟女乱码| 男男h啪啪无遮挡| 丝袜喷水一区| 日本一区二区免费在线视频| 超碰成人久久| 一二三四社区在线视频社区8| 成年女人毛片免费观看观看9 | 日韩中文字幕欧美一区二区 | 最新的欧美精品一区二区| 国产麻豆69| 99久久综合免费| 性色av一级| 成人免费观看视频高清| 婷婷色麻豆天堂久久| 久久久久久久久免费视频了| 久久影院123| a 毛片基地| 十八禁高潮呻吟视频| 国产一区二区激情短视频 | 婷婷色综合大香蕉| 一级毛片我不卡| 成年动漫av网址| 中文欧美无线码| 咕卡用的链子| 久久久精品免费免费高清| 久久久精品国产亚洲av高清涩受| 久久 成人 亚洲| av欧美777| 一二三四社区在线视频社区8| av网站免费在线观看视频| 成人三级做爰电影| 国精品久久久久久国模美| 三上悠亚av全集在线观看| 国产欧美日韩一区二区三 | 伊人久久大香线蕉亚洲五| 午夜福利在线免费观看网站| 欧美亚洲 丝袜 人妻 在线| 黄色怎么调成土黄色| 精品亚洲成国产av| 天天躁夜夜躁狠狠久久av| svipshipincom国产片| 老汉色∧v一级毛片| 亚洲成人国产一区在线观看 | 欧美 亚洲 国产 日韩一| 人妻 亚洲 视频| 国产一区二区在线观看av| 亚洲成人免费电影在线观看 | 亚洲av电影在线观看一区二区三区| 国产成人欧美| 精品福利永久在线观看| 久久热在线av| 久久久久久久国产电影| 亚洲av日韩精品久久久久久密 | 超碰成人久久| 大香蕉久久网| 中国美女看黄片| 高潮久久久久久久久久久不卡| 美女中出高潮动态图| 菩萨蛮人人尽说江南好唐韦庄| 国产99久久九九免费精品| 国产主播在线观看一区二区 | 免费一级毛片在线播放高清视频 | 男女之事视频高清在线观看 | netflix在线观看网站| 麻豆乱淫一区二区| 九草在线视频观看| 久久久国产一区二区| 国产精品99久久99久久久不卡| 黄色一级大片看看| 狂野欧美激情性xxxx| 丝袜美足系列| 免费少妇av软件| 精品福利永久在线观看| 两个人看的免费小视频| 亚洲熟女毛片儿| 人人妻人人澡人人爽人人夜夜| 少妇人妻 视频| 女性被躁到高潮视频| 欧美精品高潮呻吟av久久| 久久亚洲精品不卡| 国产成人精品久久久久久| 少妇的丰满在线观看| 777久久人妻少妇嫩草av网站| 看免费成人av毛片| 一级片'在线观看视频| 亚洲国产成人一精品久久久| 母亲3免费完整高清在线观看| 91老司机精品| 国产精品久久久av美女十八| 亚洲美女黄色视频免费看| 亚洲精品日本国产第一区| 国产欧美日韩精品亚洲av| 伦理电影免费视频| 国产精品麻豆人妻色哟哟久久| 亚洲天堂av无毛| 国产精品一区二区精品视频观看| 尾随美女入室| 日本午夜av视频| 久久国产精品影院| 欧美日韩亚洲综合一区二区三区_| 国产精品免费大片| 好男人电影高清在线观看| 亚洲一区二区三区欧美精品| 久久国产亚洲av麻豆专区| 亚洲第一av免费看| 国产成人av教育| 麻豆乱淫一区二区| 少妇裸体淫交视频免费看高清 | 天堂俺去俺来也www色官网| 亚洲精品一区蜜桃| 成在线人永久免费视频| 成人国语在线视频| 91精品国产国语对白视频| 久久av网站| 婷婷丁香在线五月| 一级黄色大片毛片| 狠狠婷婷综合久久久久久88av| 人人澡人人妻人| 亚洲欧美激情在线| 久久久久精品人妻al黑| 色综合欧美亚洲国产小说| 丝袜在线中文字幕| 天堂中文最新版在线下载| 免费av中文字幕在线| 欧美成人精品欧美一级黄| 嫁个100分男人电影在线观看 | 国产成人精品在线电影| 亚洲色图综合在线观看| 一本一本久久a久久精品综合妖精| 高清av免费在线| 亚洲av在线观看美女高潮| 亚洲一卡2卡3卡4卡5卡精品中文| 精品福利观看| 亚洲欧美一区二区三区黑人| 日日爽夜夜爽网站| 久久鲁丝午夜福利片| 国产99久久九九免费精品| 欧美黄色片欧美黄色片| 一级毛片电影观看| 一区二区日韩欧美中文字幕| 色综合欧美亚洲国产小说| 天天影视国产精品| 精品一区二区三区四区五区乱码 | 黄片小视频在线播放| 极品人妻少妇av视频| 男人爽女人下面视频在线观看| 精品国产一区二区三区久久久樱花| 精品一区在线观看国产| 亚洲伊人色综图| 国产成人影院久久av| 亚洲国产欧美在线一区| 伊人久久大香线蕉亚洲五| 国产欧美亚洲国产| 嫩草影视91久久| 99热网站在线观看| 久久久久国产精品人妻一区二区| 男女下面插进去视频免费观看| 人人妻人人添人人爽欧美一区卜| 国产男人的电影天堂91| 亚洲专区中文字幕在线| 又大又黄又爽视频免费| 亚洲精品国产区一区二| 一级片免费观看大全| 亚洲欧美一区二区三区国产| 亚洲av欧美aⅴ国产| 99久久综合免费| 无遮挡黄片免费观看| 免费在线观看黄色视频的| 无限看片的www在线观看| 妹子高潮喷水视频| 亚洲av日韩在线播放| 中文精品一卡2卡3卡4更新| 久热这里只有精品99| 又粗又硬又长又爽又黄的视频| 国产成人免费无遮挡视频| 超碰成人久久| 国产又色又爽无遮挡免| 欧美在线一区亚洲| 夜夜骑夜夜射夜夜干| 建设人人有责人人尽责人人享有的| 亚洲图色成人| 亚洲av成人精品一二三区| 国产成人欧美| 免费女性裸体啪啪无遮挡网站| 欧美精品av麻豆av| 热99久久久久精品小说推荐| √禁漫天堂资源中文www| videos熟女内射| 午夜av观看不卡| 国产亚洲av高清不卡| 国产三级黄色录像| 久久人人爽av亚洲精品天堂| 国产高清视频在线播放一区 | 久久国产精品人妻蜜桃| av视频免费观看在线观看| 婷婷色综合大香蕉| 久久久久国产精品人妻一区二区| 国产欧美亚洲国产| 欧美国产精品一级二级三级| 青春草视频在线免费观看| 成人手机av| 亚洲熟女毛片儿| 国产女主播在线喷水免费视频网站| 天天躁日日躁夜夜躁夜夜| 深夜精品福利| 亚洲情色 制服丝袜| 亚洲av在线观看美女高潮| 国产麻豆69| 韩国精品一区二区三区| 汤姆久久久久久久影院中文字幕| 国产精品99久久99久久久不卡| 看免费成人av毛片| 中文字幕av电影在线播放| 日韩 欧美 亚洲 中文字幕| 久久久精品国产亚洲av高清涩受| 久久久久久免费高清国产稀缺| 99国产精品一区二区蜜桃av | 18在线观看网站| 久久国产精品影院| 国产熟女欧美一区二区| 一本久久精品| 大陆偷拍与自拍| 亚洲国产中文字幕在线视频| 新久久久久国产一级毛片| 日韩av不卡免费在线播放| 国产精品久久久久成人av| 中文字幕人妻丝袜制服| 午夜福利视频精品| 大陆偷拍与自拍| 我要看黄色一级片免费的| 成人亚洲精品一区在线观看| 中文字幕av电影在线播放| 国产欧美日韩一区二区三 | 啦啦啦 在线观看视频| 一级毛片电影观看| 99国产精品免费福利视频| 啦啦啦在线免费观看视频4|