• <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 ?

    基于代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)的扣件缺陷檢測算法

    2021-02-04 02:37:22李柏林
    中國鐵道科學(xué) 2021年1期
    關(guān)鍵詞:扣件分類器卷積

    侯 云,范 宏,熊 鷹,李 立,李柏林

    (西南交通大學(xué) 機(jī)械工程學(xué)院, 四川 成都 610031)

    扣件作為連接鋼軌與軌枕的重要部件,起著固定鋼軌的作用。列車在運(yùn)行過程中產(chǎn)生的異常振動(dòng)可能導(dǎo)致扣件發(fā)生斷裂或者脫落。這些情況如不能及時(shí)地處理,可能影響扣件功能和列車運(yùn)行安全。傳統(tǒng)的扣件檢測方法主要依靠人工進(jìn)行檢測,該方法效率低,很難滿足現(xiàn)代高速鐵路的需求。

    國內(nèi)外許多學(xué)者將圖像處理技術(shù)引入到扣件檢測領(lǐng)域,并提出了諸多自動(dòng)檢測算法。文獻(xiàn)[1]依據(jù)鐵路各部件先驗(yàn)位置關(guān)系定位出扣件子區(qū)域后,利用小波變換、結(jié)合PCA 降維對扣件子區(qū)域進(jìn)行特征提取,并將所提特征輸入到RBF 神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類。文獻(xiàn)[2]依據(jù)先驗(yàn)位置關(guān)系確定出扣件子區(qū)域后,利用Daubechies小波和Haar 小波對扣件子區(qū)域提取特征,并將所提特征輸入到多層感知器神經(jīng)分類器中進(jìn)行分類。文獻(xiàn)[3]將扣件子區(qū)域的方向場作為特征,并在此基礎(chǔ)上利用模板匹配的方法對扣件狀態(tài)進(jìn)行識別。文獻(xiàn)[4]利用墊板位置定位扣件子區(qū)域,然后分別對扣件關(guān)鍵部位提取PHOG 和MSLBP特征并將其進(jìn)行融合,最后使用支持向量機(jī)對融合特征進(jìn)行分類。文獻(xiàn)[5]根據(jù)軌枕與鋼軌的相對位置定位扣件子區(qū)域,繼而分別對4個(gè)扣件關(guān)鍵部位提取Haar-like 特征,并將所提特征輸入到AdaBoost分類器進(jìn)行分類。文獻(xiàn)[6]利用鋼軌和軌枕的邊緣直線特征定位扣件子區(qū)域,并將子區(qū)域的Haarlike 特征與概率主題模型結(jié)合檢測扣件狀態(tài)。文獻(xiàn)[7]利用墊板位置定位扣件子區(qū)域,并基于扣件子區(qū)域的邊緣特征實(shí)現(xiàn)扣件的缺失檢測。文獻(xiàn)[8]通過構(gòu)建扣件鄰域紋理圖和引導(dǎo)圖與被定位圖之間置信圖的極大值點(diǎn)快速定位扣件子區(qū)域,并基于半監(jiān)督深度學(xué)習(xí)方法建立扣件缺陷識別模型,實(shí)現(xiàn)無砟軌道扣件缺陷樣本識別。文獻(xiàn)[9]根據(jù)軌道圖像的先驗(yàn)知識和模板匹配方法定位扣件區(qū)域,并利用深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)扣件缺陷識別。文獻(xiàn)[10]利用模板匹配以及扣件先驗(yàn)位置關(guān)系定位扣件子區(qū)域,并以2 個(gè)相鄰扣件子區(qū)域的特征差值作為依據(jù)檢測扣件缺失狀態(tài)。上述扣件檢測方法均是在人為選定的小批量、各類樣本均衡的扣件數(shù)據(jù)集上進(jìn)行的試驗(yàn)。由于小批量的均衡數(shù)據(jù)集不能很好地體現(xiàn)實(shí)際扣件數(shù)據(jù)集的數(shù)據(jù)分布,這些傳統(tǒng)的扣件檢測方法的適應(yīng)性往往較差。在實(shí)際情況中,扣件斷裂或者丟失的情況很少發(fā)生,這導(dǎo)致所收集的扣件數(shù)據(jù)集中斷裂或丟失的缺陷扣件樣本數(shù)遠(yuǎn)小于正常扣件樣本數(shù)。這種現(xiàn)象稱之為類不平衡,其中缺陷扣件稱之為小類,正??奂Q之為大類。在扣件檢測算法中,研究者往往更關(guān)注扣件斷裂或丟失的小類情況。

    近年來,深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)作為一種非常流行的方法,在很多領(lǐng)域都有應(yīng)用[11-13],并取得了較傳統(tǒng)分類器更好的識別效果。卷積神經(jīng)網(wǎng)絡(luò)避免了復(fù)雜的圖像特征提取過程,可以直接輸入原始圖像進(jìn)行處理。深度卷積神經(jīng)網(wǎng)絡(luò)是在大批量且分布相對均衡的圖像訓(xùn)練集上,以最小化訓(xùn)練集的整體誤差為目標(biāo)構(gòu)建最優(yōu)分類模型。對于不平衡數(shù)據(jù)集而言,這往往會(huì)導(dǎo)致分類器傾向于將斷裂或者丟失的扣件誤認(rèn)為是正??奂?。因此,直接將深度學(xué)習(xí)算法應(yīng)用到不平衡的扣件數(shù)據(jù)集是不合適的。目前,一些學(xué)者將代價(jià)敏感策略引入到深度神經(jīng)網(wǎng)絡(luò)中,通過給小類分配較大的代價(jià)因子的方式提高小類樣本的識別率[14-16]。但是,這些方法都沒有考慮同一類別中不同樣本個(gè)體之間存在的差異。在實(shí)際分類中,扣件的斷裂程度不同,其識別的難度也會(huì)不同。如果分類器不考慮類別內(nèi)樣本間客觀存在的這種差異,往往會(huì)降低最終模型的識別率。

    本文針對扣件數(shù)據(jù)集不平衡問題,借鑒Ada?Boost 算法的思想,對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),提出一種同時(shí)關(guān)注類別間差異和類別內(nèi)差異的基于代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)的扣件缺陷檢測算法。

    1 代價(jià)敏感策略

    卷積神經(jīng)網(wǎng)絡(luò)的核心是利用反向傳播算法最小化訓(xùn)練集整體誤差,以訓(xùn)練得到最優(yōu)的網(wǎng)絡(luò)模型。假設(shè)訓(xùn)練集X中有N個(gè)樣本,這些樣本可分為K個(gè)類別,即

    式中:Xcj為第j類的樣本集合;Nj為第j類的樣本個(gè)數(shù)。

    訓(xùn)練集整體誤差E為

    式中:Xi為訓(xùn)練集中第i個(gè)樣本;E(Xi)為訓(xùn)練集中樣本Xi的誤差。

    由式(3)可見,CNN 的整體誤差是所有訓(xùn)練樣本誤差的平均值。對于扣件這種不平衡數(shù)據(jù)集而言,由于斷裂或丟失的扣件樣本較少,這類樣本在整體誤差函數(shù)中只占很小的比重,這很容易導(dǎo)致最終得到的神經(jīng)網(wǎng)絡(luò)模型偏向于正常樣本。為了克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的這一缺陷,代價(jià)敏感策略[14-16]將代價(jià)矩陣引入到神經(jīng)網(wǎng)絡(luò)中,對不同類別分配不同的懲罰因子,使算法偏向于小類樣本。目前,這些已提出的代價(jià)敏感策略只考慮不同類別樣本之間的差異,并沒有考慮同一類別中不同個(gè)體之間的差異。以扣件圖像為例,圖1 為2 個(gè)斷裂程度不同的扣件樣本,斷裂程度相對較小的扣件所提特征往往處于分類邊界附近,處于分類邊界處的樣本要比遠(yuǎn)離邊界的樣本更難學(xué)習(xí),卻對確定分類邊界起著更為重要的作用。

    圖1 2種不同斷裂程度的扣件

    AdaBoost 算法[17]是一種增強(qiáng)困難樣本學(xué)習(xí)的有效方法,其思想是通過給錯(cuò)誤學(xué)習(xí)的樣本分配更大權(quán)重的方式,使后續(xù)學(xué)習(xí)過程關(guān)注那些更難學(xué)習(xí)的樣本。受AdaBoost 算法啟發(fā),本文提出一種代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)算法,使訓(xùn)練網(wǎng)絡(luò)在考慮類別間差異的同時(shí)增強(qiáng)類內(nèi)難樣本的學(xué)習(xí)。與傳統(tǒng)代價(jià)敏感策略不同,本文算法在訓(xùn)練過程中給每個(gè)樣本分配不同的權(quán)重,并在后續(xù)學(xué)習(xí)中依據(jù)先前網(wǎng)絡(luò)的錯(cuò)誤率不斷地調(diào)節(jié)這些權(quán)重。其目的是使每個(gè)類別中分類錯(cuò)誤的樣本比分類正確的樣本具有相對更大的權(quán)重,從而使后續(xù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)關(guān)注各個(gè)類別中的難學(xué)習(xí)樣本。與此同時(shí),本文算法對更新后的各類樣本權(quán)重進(jìn)行了特殊的歸一化處理,以便提高缺陷樣本的關(guān)注度。為實(shí)現(xiàn)上述步驟,本文將訓(xùn)練集整體誤差函數(shù)式(3)修改為

    式中:Wl(Xi)為樣本Xi在第l次迭代時(shí)的權(quán)重;當(dāng)l=0時(shí),W0(Xi)為初始權(quán)重。

    在AdaBoost 算法中,每個(gè)樣本的初始權(quán)重都設(shè)置為1/N。而本文算法按照1 種非對稱的方式將每類樣本的初始權(quán)重W0對應(yīng)地設(shè)置為

    在計(jì)算完成1 次迭代之后,算法利用當(dāng)前訓(xùn)練好的網(wǎng)絡(luò)對訓(xùn)練集進(jìn)行測試,并計(jì)算錯(cuò)誤率ε為

    式中:Nerror為識別錯(cuò)誤的樣本數(shù)。

    當(dāng)錯(cuò)誤率ε小于0.5時(shí),計(jì)算權(quán)重更新參數(shù)α為

    每個(gè)樣本在第l次迭代時(shí)的權(quán)重Wl按照下式更新。

    其中,

    式中:yi為樣本Xi的預(yù)測類別;di為樣本Xi的真實(shí)類別。

    由式(8)可見,當(dāng)樣本判斷正確時(shí),其權(quán)重縮小為原來的e-α;當(dāng)樣本判斷錯(cuò)誤時(shí),其權(quán)重不變。

    由式(4)可見,訓(xùn)練集整體誤差是所有樣本誤差的加權(quán)和,由于正??奂颖緮?shù)量眾多,這類樣本勢必要在整體誤差函數(shù)中占主導(dǎo)作用,這往往會(huì)使得缺陷扣件樣本在訓(xùn)練過程中被忽略,從而導(dǎo)致缺陷樣本識別率低。為了增大缺陷樣本在整體誤差函數(shù)中的比重,提高對這類樣本的關(guān)注度,本文算法對更新后的樣本權(quán)重進(jìn)行一個(gè)特殊的歸一化處理,使每類樣本的權(quán)重和為1/K。

    不同于AdaBoost 算法,本文算法只選擇最優(yōu)訓(xùn)練模型作為最終的輸出模型,而不是對所有弱分類器進(jìn)行集成。

    2 扣件缺陷檢測的代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)

    以VGG19 網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),針對扣件數(shù)據(jù)集不平衡的特點(diǎn),引入代價(jià)敏感策略設(shè)計(jì)扣件缺陷檢測的網(wǎng)絡(luò)結(jié)構(gòu),如圖2 所示。由于扣件子區(qū)域?yàn)榛叶葓D像,需要將網(wǎng)絡(luò)第1層卷積核的顏色通道設(shè)置為1。由于扣件數(shù)據(jù)集只包括3 個(gè)類別,最后1個(gè)全連接層的神經(jīng)節(jié)點(diǎn)數(shù)相應(yīng)地設(shè)置為3,分別對應(yīng)扣件正常、斷裂和丟失3種狀態(tài)。除此之外,其他與原始VGG19 網(wǎng)絡(luò)保持一致。該網(wǎng)絡(luò)由16 個(gè)卷積層和3個(gè)全連接層組成,每個(gè)卷積層的卷積核尺寸為(3×3)像素,步長為1 像素;池化操作的方式取最大值池化(Maximum pooling),窗口尺寸為(2×2)像素,步長為2 像素;激活函數(shù)采用修正線性單元(Rectified linear unit,ReLU);每個(gè)卷積操作后采用批歸一化處理(Batch normaliza?tion);前2 個(gè)全連接層后使用隨機(jī)失活(Dropout)策略。輸入圖像的大小為(180×180)像素,而扣件圖像實(shí)際大小為(180×120)像素,需要將扣件圖像進(jìn)行插值運(yùn)算以便適應(yīng)該網(wǎng)絡(luò)。

    圖2 基于代價(jià)敏感策略訓(xùn)練網(wǎng)絡(luò)

    為了增強(qiáng)網(wǎng)絡(luò)對缺陷扣件的學(xué)習(xí),將代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于扣件檢測中,以減小樣本數(shù)量失衡對識別性能的影響。修改后模型的訓(xùn)練過程主要分為3個(gè)步驟,具體如下。

    步驟1:按照式(5)設(shè)置訓(xùn)練集中每個(gè)樣本的初始權(quán)重;

    步驟2:開始訓(xùn)練,迭代每完成1 次后,對訓(xùn)練集進(jìn)行測試,統(tǒng)計(jì)錯(cuò)誤率,調(diào)整每個(gè)樣本權(quán)重并對其進(jìn)行歸一化處理;

    步驟3:重復(fù)執(zhí)行步驟2,直至所有迭代次數(shù)完成為止;

    步驟4:結(jié)束訓(xùn)練,保存模型參數(shù)。

    該網(wǎng)絡(luò)采用隨機(jī)梯度下降算法進(jìn)行訓(xùn)練,樣本批量大小為100個(gè),迭代訓(xùn)練次數(shù)(Epochs)為80次,隨機(jī)失活比例為0.5,動(dòng)量(Momentum)為0.9,權(quán)重衰減因子為0.000 3。初始學(xué)習(xí)率為0.1,每迭代10次后學(xué)習(xí)率下降至原來的0.1。

    需要說明的是,在本文算法中,訓(xùn)練集整體誤差是由單個(gè)樣本誤差的加權(quán)和組成,因此其反向傳播過程與原始VGG19網(wǎng)絡(luò)算法一致。

    3 試驗(yàn)驗(yàn)證

    試驗(yàn)利用Python 軟件開發(fā),使用CUDA9.0,Tensorflow 等工具庫。計(jì)算服務(wù)器采用1 塊Intel Xeon Silver 4110 型CPU 和1 塊NVIDIA GeForce GTX 1080 Ti型GPU計(jì)算卡。

    3.1 試驗(yàn)數(shù)據(jù)集

    利用文獻(xiàn)[10]提出的扣件定位方法,分別截取高速鐵路無砟和普速鐵路有砟軌道的扣件子區(qū)域圖像作為研究對象,驗(yàn)證算法的有效性。其中,高速鐵路無砟軌道的扣件數(shù)據(jù)集由20 000 張扣件子區(qū)域圖像組成,包括正常圖像19 836張、斷裂圖像93張以及丟失圖像71張。圖像大小為(180×120)像素,如圖3所示。

    圖3 高速鐵路扣件典型樣本

    普速鐵路有砟軌道的扣件數(shù)據(jù)集由20 000 張扣件子區(qū)域圖像組成,其中包括正常圖像19 334張、斷裂遮擋圖像503 張以及丟失圖像163 張。圖像大小為(180×120)像素,如圖4所示。

    本試驗(yàn)分別將2 個(gè)扣件數(shù)據(jù)集都平均分成5份,其中4份作為訓(xùn)練集,剩余1份作為測試集。

    圖4 普速鐵路扣件典型樣本

    3.2 試驗(yàn)評價(jià)指標(biāo)

    平均準(zhǔn)確率是傳統(tǒng)分類中常用的評價(jià)指標(biāo)。由于它可能會(huì)導(dǎo)致分類器忽略小類樣本,這個(gè)評價(jià)指標(biāo)已被證明不適用于不平衡分類[18]。例如,現(xiàn)有1個(gè)數(shù)據(jù)集包括999 個(gè)正樣本以及1 個(gè)負(fù)樣本,以準(zhǔn)確率為導(dǎo)向的分類器會(huì)將所有的樣本都認(rèn)為是正樣本,這樣其準(zhǔn)確率依然會(huì)達(dá)到99.9%,但是對于負(fù)樣本而言其準(zhǔn)確率卻為0%。在實(shí)際應(yīng)用中,往往扣件斷裂或丟失的負(fù)樣本才是更被關(guān)注的。為了克服平均準(zhǔn)確率的缺陷,本文引入一種新的評價(jià)指標(biāo)G-mean[16]來衡量分類器的分類性能。G-mean平衡了不同類別的召回率,當(dāng)其中任意1個(gè)小類的召回率值為0時(shí),最終的G-mean值為0。

    其中,

    式中:Gmean為G-mean 值;Rj為第j類樣本的召回率;Nrj為第j類中識別正確的樣本個(gè)數(shù)。

    3.3 試驗(yàn)結(jié)果

    應(yīng)用本文方法、原始VGG19 網(wǎng)絡(luò)算法以及國內(nèi)外其他3 種識別率較高的扣件檢測算法對3.1 選取的高速鐵路無砟和普速鐵路有砟軌道扣件數(shù)據(jù)集進(jìn)行識別,其結(jié)果見表1。

    表1 扣件數(shù)據(jù)集試驗(yàn)結(jié)果

    由表1 可知:在高速鐵路無砟軌道扣件數(shù)據(jù)集上,本文算法與傳統(tǒng)扣件檢測方法相比,盡管準(zhǔn)確率提高得并不明顯(>0.3%),但是卻取得了更高的G-mean 值(>13%);在普速鐵路有砟軌道扣件數(shù)據(jù)集上,本文算法取得比傳統(tǒng)扣件檢測方法更高的準(zhǔn)確率(>2%)以及G-mean 值(>39%)。所有的算法在高速鐵路無砟軌道扣件數(shù)據(jù)集上的分類性能均比在普速鐵路有砟軌道扣件數(shù)據(jù)集上高,這是因?yàn)楦咚勹F路無砟軌道扣件數(shù)據(jù)集不受道砟影響,背景情況單一;而普速鐵路有砟軌道扣件數(shù)據(jù)集受道砟影響較大,背景較復(fù)雜。相比于原始VGG19 網(wǎng)絡(luò)算法,本文算法在高速鐵路無砟和普速鐵路有砟軌道扣件數(shù)據(jù)集上分別提高了至少10%和25%的G-mean值。分析其原因?yàn)椋?/p>

    (1)扣件數(shù)據(jù)集中絕大多數(shù)的扣件是正常的,而斷裂和丟失的扣件樣本較少。傳統(tǒng)的分類器往往人為構(gòu)建一個(gè)小批量的均衡數(shù)據(jù)集來訓(xùn)練模型,而此類算法往往適應(yīng)性較差。本文算法引入代價(jià)敏感策略來修改卷積神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練集整體誤差,并利用特殊的歸一化方法增大斷裂和丟失這類缺陷樣本在整體誤差中的比重,能夠使算法偏向于這些小類樣本。

    (2)正??奂蛠G失扣件這2 類樣本間的特征差異較大,容易被正確區(qū)分;而對于斷裂扣件圖像樣本而言,其斷裂程度越小,樣本越難識別。本文算法在訓(xùn)練過程中給不同的樣本分配不同的權(quán)重,并依據(jù)先前分類器的錯(cuò)誤率不斷地增加各個(gè)類別中難學(xué)習(xí)樣本的權(quán)重,從而使算法更關(guān)注斷裂程度小的扣件樣本。

    4 結(jié) 語

    引入代價(jià)敏感策略對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行修改,提出一種基于代價(jià)敏感卷積神經(jīng)網(wǎng)絡(luò)的檢測圖像識別計(jì)算方法,實(shí)現(xiàn)扣件缺陷檢測。該方法增強(qiáng)了扣件數(shù)據(jù)集中難學(xué)習(xí)樣本以及缺陷扣件類別的學(xué)習(xí)。通過對某高速鐵路無砟及普速鐵路有砟軌道的扣件數(shù)據(jù)集進(jìn)行試驗(yàn),發(fā)現(xiàn)修改后的算法在處理不平衡數(shù)據(jù)集方面取得了一定程度的提升,在高速鐵路無砟和普速鐵路有砟軌道扣件數(shù)據(jù)集上G-mean 值分別提高了10%和25%以上,這可為實(shí)際相關(guān)應(yīng)用領(lǐng)域提供一定的技術(shù)支撐。

    猜你喜歡
    扣件分類器卷積
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    科隆蛋扣件力學(xué)特性分析
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    一種改進(jìn)的LBP特征實(shí)現(xiàn)鐵路扣件識別
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    非均布荷載下扣件式腳手架的隨機(jī)缺陷穩(wěn)定分析
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    諧振式浮軌扣件的安裝工藝
    久久精品久久久久久噜噜老黄| 偷拍熟女少妇极品色| 黄色欧美视频在线观看| 伊人久久国产一区二区| 精品亚洲乱码少妇综合久久| 免费看日本二区| 乱人伦中国视频| 在线亚洲精品国产二区图片欧美 | 国产亚洲91精品色在线| 黄片无遮挡物在线观看| 男人舔奶头视频| 成人黄色视频免费在线看| 美女主播在线视频| 日韩精品有码人妻一区| 最新中文字幕久久久久| 亚洲综合色惰| 国产男女内射视频| 国产精品一区二区在线不卡| 国产亚洲91精品色在线| 人人妻人人添人人爽欧美一区卜| 少妇裸体淫交视频免费看高清| 国产亚洲午夜精品一区二区久久| 黑人猛操日本美女一级片| 国产亚洲91精品色在线| 亚洲国产精品一区三区| 观看美女的网站| 亚洲,一卡二卡三卡| 成人无遮挡网站| 色婷婷久久久亚洲欧美| 91精品伊人久久大香线蕉| 天美传媒精品一区二区| 日韩三级伦理在线观看| 成人特级av手机在线观看| 综合色丁香网| 国产精品三级大全| 天堂8中文在线网| 亚洲国产最新在线播放| 老司机亚洲免费影院| 毛片一级片免费看久久久久| 一区二区三区四区激情视频| 一区二区三区乱码不卡18| 精品国产国语对白av| 狂野欧美激情性bbbbbb| 少妇熟女欧美另类| 国产69精品久久久久777片| 国产精品伦人一区二区| 欧美成人午夜免费资源| 嘟嘟电影网在线观看| 99热这里只有是精品在线观看| 少妇人妻精品综合一区二区| 在线 av 中文字幕| 久久精品国产亚洲网站| 成年av动漫网址| 国产淫语在线视频| 人妻一区二区av| 全区人妻精品视频| 汤姆久久久久久久影院中文字幕| 22中文网久久字幕| 午夜日本视频在线| 免费观看在线日韩| 男女免费视频国产| 国产 一区精品| 极品人妻少妇av视频| 18禁裸乳无遮挡动漫免费视频| 黑人高潮一二区| 欧美少妇被猛烈插入视频| 久久97久久精品| 亚洲欧美清纯卡通| 欧美精品亚洲一区二区| 国产在线一区二区三区精| 久久久国产欧美日韩av| 日韩成人伦理影院| 国产一区二区三区综合在线观看 | 一级二级三级毛片免费看| 青春草亚洲视频在线观看| 好男人视频免费观看在线| 97精品久久久久久久久久精品| 国产欧美日韩一区二区三区在线 | 国产爽快片一区二区三区| 午夜免费男女啪啪视频观看| 免费av不卡在线播放| 欧美精品人与动牲交sv欧美| 免费播放大片免费观看视频在线观看| 日韩制服骚丝袜av| 国产一区二区在线观看av| 成人特级av手机在线观看| 高清欧美精品videossex| 久久久久精品性色| 亚洲av不卡在线观看| av在线老鸭窝| 久久这里有精品视频免费| 亚洲性久久影院| 国产美女午夜福利| 久热久热在线精品观看| 麻豆乱淫一区二区| 国产欧美日韩一区二区三区在线 | 十八禁高潮呻吟视频 | 亚洲av男天堂| 一级毛片电影观看| 啦啦啦中文免费视频观看日本| 亚洲四区av| 丝袜脚勾引网站| 亚洲va在线va天堂va国产| 日本黄色片子视频| 中文在线观看免费www的网站| 十八禁网站网址无遮挡 | 国产在视频线精品| 丝袜脚勾引网站| 亚洲精品国产av蜜桃| 在线播放无遮挡| www.av在线官网国产| 久久免费观看电影| 日日撸夜夜添| 国产综合精华液| 国语对白做爰xxxⅹ性视频网站| 另类精品久久| 一本大道久久a久久精品| 国语对白做爰xxxⅹ性视频网站| 亚洲国产欧美日韩在线播放 | 最新的欧美精品一区二区| 最新中文字幕久久久久| 777米奇影视久久| 欧美性感艳星| 中文字幕精品免费在线观看视频 | 成人国产av品久久久| 一边亲一边摸免费视频| av免费观看日本| 国产亚洲午夜精品一区二区久久| 中文字幕精品免费在线观看视频 | 蜜桃在线观看..| 啦啦啦在线观看免费高清www| 欧美日韩在线观看h| 永久网站在线| 十八禁网站网址无遮挡 | 美女主播在线视频| 久久精品国产自在天天线| .国产精品久久| 国产av码专区亚洲av| 免费大片黄手机在线观看| 在线观看一区二区三区激情| 亚洲图色成人| 国产精品嫩草影院av在线观看| 久久99蜜桃精品久久| 久久毛片免费看一区二区三区| 丝瓜视频免费看黄片| 男人和女人高潮做爰伦理| 国精品久久久久久国模美| 亚洲高清免费不卡视频| 嫩草影院新地址| 有码 亚洲区| 97超视频在线观看视频| 日本-黄色视频高清免费观看| 高清欧美精品videossex| 一级毛片我不卡| 黄色毛片三级朝国网站 | 国产av一区二区精品久久| 特大巨黑吊av在线直播| 免费黄色在线免费观看| 中文字幕av电影在线播放| 欧美精品人与动牲交sv欧美| 91aial.com中文字幕在线观看| av网站免费在线观看视频| 成人毛片60女人毛片免费| 日韩欧美 国产精品| 婷婷色麻豆天堂久久| 男女啪啪激烈高潮av片| 国产精品秋霞免费鲁丝片| 久久久久久久精品精品| 91久久精品国产一区二区三区| 欧美少妇被猛烈插入视频| 国产黄片视频在线免费观看| 国产精品99久久99久久久不卡 | 免费人成在线观看视频色| 国产伦在线观看视频一区| 99re6热这里在线精品视频| 欧美日韩综合久久久久久| 日产精品乱码卡一卡2卡三| 久久久久久久久大av| 9色porny在线观看| av国产精品久久久久影院| 黄色视频在线播放观看不卡| 女的被弄到高潮叫床怎么办| 在线观看一区二区三区激情| 久久久国产精品麻豆| 久久99精品国语久久久| 777米奇影视久久| 免费大片18禁| 国产精品熟女久久久久浪| 久久久久久久国产电影| 亚洲精品一区蜜桃| 赤兔流量卡办理| 国产毛片在线视频| 国产一区二区三区综合在线观看 | 久久韩国三级中文字幕| 亚洲欧美一区二区三区国产| 观看免费一级毛片| 九草在线视频观看| 国产黄频视频在线观看| 九色成人免费人妻av| 最近手机中文字幕大全| 国产爽快片一区二区三区| 欧美激情极品国产一区二区三区 | 免费观看的影片在线观看| 精品人妻熟女av久视频| 国产爽快片一区二区三区| 国产成人freesex在线| 一区在线观看完整版| 一级毛片久久久久久久久女| 日韩一区二区三区影片| 午夜影院在线不卡| 你懂的网址亚洲精品在线观看| 亚洲美女视频黄频| 国国产精品蜜臀av免费| 久久综合国产亚洲精品| 日韩 亚洲 欧美在线| 精品亚洲成a人片在线观看| 十八禁网站网址无遮挡 | 国产视频内射| 亚洲丝袜综合中文字幕| 插逼视频在线观看| 免费不卡的大黄色大毛片视频在线观看| 9色porny在线观看| 51国产日韩欧美| 自线自在国产av| 国产精品不卡视频一区二区| 伊人亚洲综合成人网| av福利片在线| 九色成人免费人妻av| 久久久久精品性色| 一级毛片aaaaaa免费看小| 成人亚洲欧美一区二区av| 婷婷色综合大香蕉| 伦理电影免费视频| 曰老女人黄片| 国产成人精品一,二区| 女人久久www免费人成看片| 亚洲精品亚洲一区二区| 欧美国产精品一级二级三级 | 性高湖久久久久久久久免费观看| 亚洲欧美一区二区三区黑人 | 狂野欧美激情性xxxx在线观看| 观看美女的网站| 熟女人妻精品中文字幕| 美女中出高潮动态图| 一级毛片aaaaaa免费看小| 伊人亚洲综合成人网| av免费在线看不卡| 国产免费一区二区三区四区乱码| 下体分泌物呈黄色| av专区在线播放| 成年美女黄网站色视频大全免费 | 国内揄拍国产精品人妻在线| 人人澡人人妻人| 男人狂女人下面高潮的视频| 免费看不卡的av| 美女大奶头黄色视频| 免费av中文字幕在线| 熟女人妻精品中文字幕| 久热这里只有精品99| 久久久久国产网址| 女人精品久久久久毛片| 高清不卡的av网站| 丰满饥渴人妻一区二区三| 日韩在线高清观看一区二区三区| 日日啪夜夜撸| 久久久精品94久久精品| 热99国产精品久久久久久7| 亚洲第一av免费看| 国产欧美亚洲国产| 深夜a级毛片| 多毛熟女@视频| 亚洲精品日本国产第一区| 久久国产精品男人的天堂亚洲 | 韩国av在线不卡| 一个人看视频在线观看www免费| 91aial.com中文字幕在线观看| 一级二级三级毛片免费看| 超碰97精品在线观看| 国产精品99久久久久久久久| 亚洲激情五月婷婷啪啪| 七月丁香在线播放| 精品卡一卡二卡四卡免费| 久久精品国产a三级三级三级| 欧美xxⅹ黑人| 精品久久久久久久久av| 黄色视频在线播放观看不卡| 国产伦理片在线播放av一区| 日韩伦理黄色片| 日韩免费高清中文字幕av| 国产乱人偷精品视频| 夜夜看夜夜爽夜夜摸| 国产一区二区在线观看日韩| 一区二区三区四区激情视频| 99久久人妻综合| 日韩欧美 国产精品| 国产高清国产精品国产三级| 曰老女人黄片| 尾随美女入室| 欧美日韩视频精品一区| 欧美另类一区| 久热久热在线精品观看| 色网站视频免费| 国产欧美另类精品又又久久亚洲欧美| 乱系列少妇在线播放| 国产精品99久久久久久久久| 国产极品粉嫩免费观看在线 | 中国三级夫妇交换| 丝袜脚勾引网站| 久久av网站| 日韩伦理黄色片| 热99国产精品久久久久久7| 日韩精品免费视频一区二区三区 | 亚洲av.av天堂| 亚洲精品久久午夜乱码| 欧美成人午夜免费资源| 成人亚洲欧美一区二区av| 少妇的逼好多水| 人妻人人澡人人爽人人| 日韩电影二区| 汤姆久久久久久久影院中文字幕| 毛片一级片免费看久久久久| 日本91视频免费播放| 人妻夜夜爽99麻豆av| 中国国产av一级| 亚洲美女搞黄在线观看| 日本黄色日本黄色录像| 一本色道久久久久久精品综合| 亚洲欧美清纯卡通| 久久久久久人妻| 伊人亚洲综合成人网| 综合色丁香网| 老熟女久久久| 国产av码专区亚洲av| 成人国产av品久久久| 久久毛片免费看一区二区三区| 国产午夜精品久久久久久一区二区三区| 亚洲欧美日韩卡通动漫| 99热这里只有是精品在线观看| .国产精品久久| 少妇的逼好多水| 国产乱来视频区| 国产日韩欧美在线精品| 欧美精品人与动牲交sv欧美| 在线观看美女被高潮喷水网站| 国产亚洲av片在线观看秒播厂| 国产免费福利视频在线观看| 国产日韩一区二区三区精品不卡 | 老司机影院成人| 高清视频免费观看一区二区| 最新中文字幕久久久久| 国产黄色视频一区二区在线观看| 欧美激情国产日韩精品一区| 日韩制服骚丝袜av| 亚洲人与动物交配视频| 岛国毛片在线播放| 日韩中字成人| 乱系列少妇在线播放| 免费av不卡在线播放| 久久影院123| 建设人人有责人人尽责人人享有的| 久久女婷五月综合色啪小说| 国产亚洲最大av| 十八禁高潮呻吟视频 | 这个男人来自地球电影免费观看 | 91午夜精品亚洲一区二区三区| 一级二级三级毛片免费看| 内地一区二区视频在线| 久久免费观看电影| 国产av码专区亚洲av| 国产视频首页在线观看| 中文在线观看免费www的网站| 亚洲欧美精品专区久久| 亚洲精品日本国产第一区| 国产在线视频一区二区| 97超视频在线观看视频| 中文字幕制服av| 亚洲激情五月婷婷啪啪| 91在线精品国自产拍蜜月| 精品一区二区三卡| 欧美bdsm另类| 一本大道久久a久久精品| 国产一区二区三区综合在线观看 | h日本视频在线播放| 国产男女内射视频| 极品少妇高潮喷水抽搐| 一区二区三区精品91| 大片免费播放器 马上看| 亚洲人成网站在线观看播放| 日韩中文字幕视频在线看片| 国产69精品久久久久777片| 欧美精品一区二区大全| 国产综合精华液| 亚洲丝袜综合中文字幕| 美女国产视频在线观看| 色视频www国产| 国产伦在线观看视频一区| 亚洲精品aⅴ在线观看| 免费大片18禁| 日日啪夜夜爽| 国产毛片在线视频| 久久久久视频综合| 国产精品一二三区在线看| 久久久久久久久久成人| 91aial.com中文字幕在线观看| 午夜福利影视在线免费观看| 午夜福利,免费看| 久久人人爽人人爽人人片va| 精品99又大又爽又粗少妇毛片| 亚洲av中文av极速乱| 婷婷色综合www| 成人免费观看视频高清| 亚洲欧洲精品一区二区精品久久久 | 99久久精品热视频| 狂野欧美白嫩少妇大欣赏| av福利片在线观看| 有码 亚洲区| 精品人妻一区二区三区麻豆| 黄片无遮挡物在线观看| 精品一区二区三区视频在线| 国产在线免费精品| 97在线视频观看| 国产日韩欧美在线精品| 日韩精品有码人妻一区| 一本一本综合久久| 丰满乱子伦码专区| 亚洲精品456在线播放app| 男的添女的下面高潮视频| 亚洲va在线va天堂va国产| 伊人久久精品亚洲午夜| 久久国产乱子免费精品| 日本欧美国产在线视频| 成人亚洲欧美一区二区av| 久久综合国产亚洲精品| √禁漫天堂资源中文www| 蜜桃久久精品国产亚洲av| 街头女战士在线观看网站| 一区二区三区免费毛片| 国产探花极品一区二区| 91久久精品国产一区二区三区| 亚洲三级黄色毛片| 一本—道久久a久久精品蜜桃钙片| 免费在线观看成人毛片| 人妻 亚洲 视频| 99热网站在线观看| 在线亚洲精品国产二区图片欧美 | 深夜a级毛片| 麻豆乱淫一区二区| 91精品伊人久久大香线蕉| 黄色视频在线播放观看不卡| 九九在线视频观看精品| 亚洲情色 制服丝袜| 久久国产精品男人的天堂亚洲 | 成人综合一区亚洲| 91aial.com中文字幕在线观看| 狂野欧美激情性bbbbbb| 日本-黄色视频高清免费观看| 18禁在线无遮挡免费观看视频| 大香蕉久久网| 日韩成人av中文字幕在线观看| 一级毛片aaaaaa免费看小| 国产精品人妻久久久影院| 伊人久久国产一区二区| 日韩伦理黄色片| 18禁动态无遮挡网站| 自拍偷自拍亚洲精品老妇| 热re99久久国产66热| 人妻制服诱惑在线中文字幕| 亚洲国产精品一区三区| 亚洲丝袜综合中文字幕| 国产欧美另类精品又又久久亚洲欧美| 亚洲av在线观看美女高潮| 免费观看a级毛片全部| 人妻系列 视频| 大陆偷拍与自拍| 亚洲高清免费不卡视频| 国产欧美亚洲国产| 18禁在线播放成人免费| 大又大粗又爽又黄少妇毛片口| 国产精品秋霞免费鲁丝片| 亚洲精品国产av蜜桃| 成人毛片a级毛片在线播放| 黄色怎么调成土黄色| 日韩一区二区视频免费看| 七月丁香在线播放| 女的被弄到高潮叫床怎么办| 亚洲精品久久久久久婷婷小说| 日韩不卡一区二区三区视频在线| 91精品国产国语对白视频| 91精品国产九色| 亚洲国产av新网站| 街头女战士在线观看网站| 啦啦啦中文免费视频观看日本| 国产欧美另类精品又又久久亚洲欧美| 青青草视频在线视频观看| 下体分泌物呈黄色| 精品99又大又爽又粗少妇毛片| 91精品一卡2卡3卡4卡| 日本免费在线观看一区| 亚洲av男天堂| 一本大道久久a久久精品| 在线观看www视频免费| 日日摸夜夜添夜夜添av毛片| 纵有疾风起免费观看全集完整版| 噜噜噜噜噜久久久久久91| 久久久久久久大尺度免费视频| 久久久亚洲精品成人影院| 91精品伊人久久大香线蕉| 午夜影院在线不卡| 国产欧美日韩综合在线一区二区 | 亚洲精品国产成人久久av| 亚洲美女搞黄在线观看| 永久免费av网站大全| 人人妻人人添人人爽欧美一区卜| 又爽又黄a免费视频| 街头女战士在线观看网站| 最近2019中文字幕mv第一页| 久久女婷五月综合色啪小说| 噜噜噜噜噜久久久久久91| 日日啪夜夜爽| 亚洲美女黄色视频免费看| 男人和女人高潮做爰伦理| 精品人妻熟女av久视频| 老熟女久久久| 日韩一本色道免费dvd| 毛片一级片免费看久久久久| 99久久精品一区二区三区| 亚洲天堂av无毛| 美女cb高潮喷水在线观看| 91精品一卡2卡3卡4卡| 中文精品一卡2卡3卡4更新| 狠狠精品人妻久久久久久综合| 边亲边吃奶的免费视频| 久久97久久精品| 成年女人在线观看亚洲视频| 看非洲黑人一级黄片| 最近的中文字幕免费完整| 伦理电影大哥的女人| 日本猛色少妇xxxxx猛交久久| 99久久中文字幕三级久久日本| 亚洲av免费高清在线观看| 欧美日韩精品成人综合77777| 五月玫瑰六月丁香| 下体分泌物呈黄色| 精品一区二区三区视频在线| 国产探花极品一区二区| 久久久国产一区二区| 香蕉精品网在线| 午夜福利在线观看免费完整高清在| av在线播放精品| 久久精品国产鲁丝片午夜精品| 这个男人来自地球电影免费观看 | 男女无遮挡免费网站观看| 在线看a的网站| 人人妻人人添人人爽欧美一区卜| 自线自在国产av| 亚洲精品,欧美精品| 一级毛片我不卡| 国产探花极品一区二区| 国产精品一区二区在线不卡| 一级爰片在线观看| 久久国产乱子免费精品| 久久人人爽人人片av| 美女大奶头黄色视频| 亚洲欧美清纯卡通| 美女脱内裤让男人舔精品视频| 大片免费播放器 马上看| 精品人妻熟女毛片av久久网站| 一级片'在线观看视频| 精品亚洲乱码少妇综合久久| 欧美日韩精品成人综合77777| 建设人人有责人人尽责人人享有的| 男的添女的下面高潮视频| 免费观看的影片在线观看| 一级毛片黄色毛片免费观看视频| 91精品国产国语对白视频| 免费看光身美女| 9色porny在线观看| 日韩一区二区视频免费看| 69精品国产乱码久久久| 18禁动态无遮挡网站| 国产精品偷伦视频观看了| 免费黄色在线免费观看| av.在线天堂| 欧美日韩国产mv在线观看视频| 久久女婷五月综合色啪小说| 最后的刺客免费高清国语| 欧美三级亚洲精品| 午夜福利影视在线免费观看| av福利片在线观看| 91精品伊人久久大香线蕉| 亚洲性久久影院| 中国国产av一级| 国产日韩欧美在线精品| 午夜激情久久久久久久| 亚洲丝袜综合中文字幕| 成人特级av手机在线观看| 天堂中文最新版在线下载| 亚洲va在线va天堂va国产| av福利片在线观看| 国产精品久久久久久av不卡| 亚洲国产日韩一区二区| 亚洲精品久久午夜乱码| 欧美激情国产日韩精品一区| 欧美性感艳星| 色5月婷婷丁香| 校园人妻丝袜中文字幕| 精品人妻熟女毛片av久久网站| 一区二区三区四区激情视频| 天天躁夜夜躁狠狠久久av| 一级,二级,三级黄色视频| a 毛片基地| 日韩av不卡免费在线播放| 午夜91福利影院| av天堂中文字幕网| 大香蕉97超碰在线|