• <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 ?

    基于并聯(lián)卷積神經(jīng)網(wǎng)絡的高速鐵路車體圖像差異分類算法

    2021-04-02 05:59:00王志學彭朝勇宋文偉
    鐵道學報 2021年10期
    關鍵詞:特征差異檢測

    王志學,彭朝勇,羅 林,宋文偉

    (西南交通大學 物理科學與技術學院,四川 成都 610031)

    目前國內(nèi)外針對列車車身安全檢測的方法主要分為三類,分別是人工檢測法、基于機器視覺的關鍵部件檢測法和基于機器視覺的整體比對法[1]。人工檢測方法效率低下,而且受檢測人員狀態(tài)影響較大。關鍵部件檢測法則是針對機車運行起關鍵作用的部件進行檢測,如吊桿、軸報箱、緊固螺栓和芯盤等。文獻[2]利用小波變換技術檢測緊固螺栓的安全狀態(tài);文獻[3]研究出一套實時的螺栓檢測系統(tǒng),用于代替人工檢測。同樣,在文獻[4-5]中,分別對緊固螺栓和制動蹄片這兩種關鍵部件進行安全檢測。這種檢測方法只對關鍵部件進行檢測,無法覆蓋整個車體。整體比對法是以整個車體圖像作為檢測對象,利用結構相似性[6],將當前過車車體圖像與歷史過車車體圖像(無異常的標準圖)進行比對,從而檢測出兩次過車車體上的差異,然后將差異作為安全隱患向檢測人員報警,檢測人員再進行最后的異常判斷。

    雖然整體比對法可以對整輛列車進行監(jiān)測,但是無法克服由水漬、油漬、標記等非危險差異引起的大量誤報警,這嚴重降低了整體比對法的檢測效率。在鐵路運輸高速發(fā)展的今天,為保障列車運行安全,適應繁重的檢測任務,急需一種高效且精準的自動化檢測方式,以替代傳統(tǒng)的人工檢測,能對差異進行自動識別。

    近年來,深度學習[7]的方法得益于其強大的非線性表達能力,在圖像處理領域得到了廣泛的應用。相比于傳統(tǒng)特征提取方法在復雜背景下難以提取有效特征的缺點,如SIFT[8-9]、SURF[10]和HOG[11]等,應用卷積神經(jīng)網(wǎng)絡的深度學習方法強大的特征提取能力使它在圖像分類、識別領域取得了矚目的成就。因此本文將深度學習的方法引入列車圖像異常識別系統(tǒng)中。

    調(diào)研文獻發(fā)現(xiàn),現(xiàn)在已經(jīng)有部分研究將深度學習方法運用在鐵路相關領域。文獻[12]利用Faster R-CNN目標識別網(wǎng)絡對高速鐵路接觸網(wǎng)承力索座進行了目標定位,然后檢測承力索座上的裂紋信息,實現(xiàn)了對承力索座裂紋故障的可靠診斷。文獻[13]提出一種級聯(lián)Faster R-CNN網(wǎng)絡用于檢測高速鐵路接觸網(wǎng)支撐與懸掛裝置中等電位線的散股故障。文獻[14]建立了一個基于卷積神經(jīng)網(wǎng)絡的多故障判別模型,主要用于檢測邊框架螺栓和軸螺栓區(qū)域的一些故障。但是,以上研究都是針對列車車體關鍵部件的檢測,無法覆蓋整個車體。

    1 網(wǎng)絡模型

    基于以上原因,本文建立一個基于并聯(lián)卷積神經(jīng)網(wǎng)絡[15]的列車車體異常檢測模型,見圖1。此模型包含兩個CNNs結構,是一種并聯(lián)模型。與傳統(tǒng)分類任務不同的是,差異分類網(wǎng)絡的輸入為兩幅圖像,即歷史圖和當前圖。神經(jīng)網(wǎng)絡首先需要檢測出兩幅圖像的差異信息,然后進一步識別此差異信息是否存在安全隱患。根據(jù)調(diào)研所知,目前還沒有將卷積神經(jīng)網(wǎng)絡運用在差異分類上,但是有些相似工作。在遙感信息處理領域,并聯(lián)卷積神經(jīng)網(wǎng)絡被廣泛地運用在了變化檢測[16-18]上,通過輸入兩幅不同時期同一地點嚴格配準的遙感圖,輸出變化情況,其為一種圖像分割任務,這和差異分類任務相比有較大的不同。另外,雖然差異分類只采用一個神經(jīng)網(wǎng)絡單階段完成,但是網(wǎng)絡內(nèi)部卻分為兩步:差異信息檢測和差異分類。同時,為了提升網(wǎng)絡的性能,本文提出一種多形狀訓練方法,并且設計了一種加入距離度量限制項的損失函數(shù)。最后,在以上優(yōu)化的基礎上建立一個復合并聯(lián)模型,進一步提升網(wǎng)絡性能。

    圖1 并聯(lián)模型

    1.1 并聯(lián)卷積神經(jīng)網(wǎng)絡模型

    針對列車車體差異分類任務,考慮樣本是當前圖和歷史圖構成的圖片對,首先建立一個并聯(lián)網(wǎng)絡模型,見圖1。模型主要由兩個結構相同的CNNs模型并聯(lián)組成,兩個CNNs分支分別接收當前圖和歷史圖作為輸入,經(jīng)過一系列卷積池化操作后,輸出兩幅圖的特征向量Fw,b(Curri)和Fw,b(Histi)。為了獲得更好的分類結果,在兩個CNNs分支的輸出端,將兩幅圖的特征向量相減得到差分特征圖fend,再送進全連接層和softmax層進行分類。值得注意的是,為了讓兩個CNNs分支能更好地提取圖片對的差異信息,兩個CNNs分支之間進行權值共享。這種權值共享的方式也保證了兩個CNNs分支提取到的圖像特征在特征空間中的分布不會有較大的差異。

    為使此分類模型具有良好的性能,本文創(chuàng)新性地提出兩種改進方式:①在訓練中加入多形狀訓練方法;②改進損失函數(shù),加入圖片對的距離度量限制項。

    1.2 復合并聯(lián)卷積神經(jīng)網(wǎng)絡模型

    在圖1建立的并聯(lián)卷積神經(jīng)網(wǎng)絡模型基礎上,本文還創(chuàng)新性地建立了一種復合并聯(lián)模型,見圖2,此復合并聯(lián)模型較圖1所示的并聯(lián)模型,增加了一個串聯(lián)分支一,并聯(lián)分支二與圖1模型結構相同。串聯(lián)分支一與并聯(lián)分支二屬于并聯(lián)結構,而并聯(lián)分支二內(nèi)部也是一個并聯(lián)結構,分支一與分支二共同構成了復合并聯(lián)模型。為了組合兩個分支的特征,在兩個分支的輸出端進行了特征拼接,即將分支一的融合特征和分支二的差分特征在通道維度上進行拼接,將拼接之后的特征輸入全連接層和softmax層進行最后的分類。

    圖2 復合并聯(lián)模型

    首先,圖片對在輸入分支一之前被合成一幅二通道的圖片,雖然二通道的圖片在自然圖像中不存在,但這里人為地將它們拼接起來。較分支二中兩個并聯(lián)CNNs獨立提取兩張圖片的特征,分支一通過對組合成的二通道圖片進行卷積池化操作,能夠提取到兩張圖片的融合特征。即分支一提取到的特征是模型通過結合兩張圖片對應位置的信息而得到的。一方面,對于模型來說,可用于判斷的特征更加豐富;另一方面,分支一提取的特征是建立在網(wǎng)絡綜合考量兩張圖片差異信息的基礎之上的,而分支二提取到的特征是網(wǎng)絡在兩張圖片上獨立提取出來的,兩種特征是互補的??紤]并聯(lián)分支二兩個CNNs之間權值共享,在提取特征的時候也會綜合考量兩個圖片之間的信息,但更多地是為了避免兩個CNNs提取到的特征在特征空間中的分布相差太大。因此,串聯(lián)分支一提取的圖片對之間的融合特征還是較并聯(lián)分支二提取的更加豐富和全面。試驗證明,這種模型進一步提升了網(wǎng)絡的性能。

    1.3 多形狀訓練方法

    由于本文所采用的數(shù)據(jù)集中的圖片形狀是無規(guī)則的,即長寬比是任意的,所以差異分類網(wǎng)絡也應該適應不同的形狀。為了解決不同形狀的問題,本研究提出了多形狀訓練方法。主要采用了5種不同的形狀:90×180、180×90、128×128、90×90、180×180。對于90×180、180×90、128×128三種尺寸,它們有近似的像素點,所以計算量也大致相同。對于90×90、180×180兩種尺度的加入,是因為考慮神經(jīng)網(wǎng)絡的感受野,即卷積神經(jīng)網(wǎng)絡每一層輸出的特征圖上的像素點在輸入圖片上映射的區(qū)域大小。在CNNs模型結構固定的情況下,其感受野也固定。因此,加入兩種尺度的圖片訓練,希望模型在大尺度(180×180)下能夠提取到圖片對的小差異,在小尺度(90×90)下能夠提取到圖片對大的差異信息,即不同的尺度大小下,網(wǎng)絡“注意”到的圖片差異信息是不一樣的。同時,為了使5種尺寸的輸出向量可以轉化為相同的長度以進行最后的分類,本模型在進行全連接前采用了全局平均池化。

    在訓練時,5種尺寸的形狀交替進行訓練。測試時,圖像采用3種形狀(90×180、180×90、128×128)最接近的一個形狀變形,然后推理出差異的類別。通過這種方式,數(shù)據(jù)集在一定程度上得到了擴充,主要有兩方面的優(yōu)點:①由于樣本數(shù)量的增加,網(wǎng)絡性能得到了提升;②采用變形的策略有利于網(wǎng)絡專注于變化信息,而不是背景類的類別信息。雖然在之前的一些工作中,如在RCNN[15]網(wǎng)絡中,為防止網(wǎng)絡失真,變形都是應該盡量避免的。但是差異分類任務不是去識別圖像是什么,而是兩幅圖片之間的差異是什么類別。采用多形狀訓練策略,會使原始圖像變形為多種形狀,這樣圖片的背景信息會因為變形而失真,但是差異信息幾乎沒有變化。尤其是像污漬、亮度和異物這些沒有固定特征的差異,即使圖像更改了形狀,背景失真了,但是上述差異依舊十分真實,見圖3。這種策略會促使網(wǎng)絡更好的學習差異信息。

    圖3 形狀變化

    1.4 損失函數(shù)

    為使模型針對差異分類任務有更好的分類效果,需要設計一個合適的損失函數(shù)。通過最小化損失函數(shù),訓練出一個能夠準確提取圖片對差異特征的CNNs參數(shù)模型Fw,b,其中下角w和b分別代表模型的權重和偏置參數(shù)。此參數(shù)模型提取到圖片對的特征后,在特征空間中,正樣本(有異常)對應的特征點之間的距離更加靠近,負樣本(無異常)對應的特征點之間的距離更加遠離,從而分離開了正負樣本。

    令Curri和Histi分別表示輸入模型的第i對列車當前圖和歷史圖,F(xiàn)w,b(Curri)、Fw,b(Histi)表示模型輸出的當前圖和歷史圖的特征向量。

    1.4.1 分類損失函數(shù)

    采用交叉熵作為樣本類別標簽的預測,因此分類損失函數(shù)可以表示為

    fend=abs[Fw,b(Curri)-Fw,b(Histi)]

    ( 1 )

    ( 2 )

    因此,模型的分類損失表示為

    ( 3 )

    1.4.2 距離損失函數(shù)

    在距離損失函數(shù)中,模型需要學習優(yōu)化的距離度量可以表示為Dw,b(Curri,Histi),它表示圖像對特征向量之間的距離。本文主要采用余弦距離Dcos作為距離的衡量,Dcos∈[1,0]。

    基于余弦距離的圖片對特征向量之間的距離可以表示為

    ( 4 )

    Dw,b(Curri,Histi)=Dcos(Curri,Histi)

    ( 5 )

    則距離損失函數(shù)設置為

    (1-yi)[1-Dw,b(Curri,Histi)]}

    ( 6 )

    對式( 6 )的直觀理解是:實際中,不論是有異常的正樣本還是無異常的負樣本,圖片對之間的相似性都是介于(0,1)之間,只有完全相同的兩幅圖片,其相似性才為1。在此差異分類模型中,認為有異常的正樣本是完全不相似的,其相似性為0;而無異常的負樣本是完全一樣的,相似性為1。這樣,優(yōu)化的目標就是令正樣本的特征距離趨近于0,負樣本的特征距離趨近于1,即

    ( 7 )

    這樣設置的好處是,使模型能夠減少或者避免受光照、污漬、標記等偽報警差異的影響,更加專注于提取圖片對中真正引起正報警的危險差異。同時,在優(yōu)化損失函數(shù)后,正樣本(有異常)對應的特征點之間的距離更近,負樣本(無異常)對應的特征點之間的距離更遠,正負樣本在特征空間中被更好地分隔開來。

    因此,模型訓練的損失函數(shù)設置為

    Loss=(1-λ)Lossclass(fend,y)+

    λLossdis(Dw,b,y)

    ( 8 )

    式中:λ為一個超參數(shù),λ∈(0,1),用于權衡分類的損失和距離的損失,以讓模型性能達到最優(yōu)。

    2 試驗分析

    2.1 數(shù)據(jù)集

    本文試驗的數(shù)據(jù)集總共包括16 625對圖片,其中正樣本(正確報警異常)8 355對,負樣本(偽報警異常)8 270對。隨機挑選15 625對樣本用于訓練,1 000對樣本用于測試。正樣本主要包括因異物、丟失、松動造成的差異。這類差異會影響列車的運行安全,比如異物出現(xiàn)在動力裝置上,會影響機車的正常運行。而負樣本主要是由污漬、標記、亮度等引起的差異,這類差異是非異常的,因為它們不會對列車運行安全造成影響。樣本集的部分實例見圖4,樣本集分配詳情如表1所示。

    圖4 正負樣本實例

    表1 差異分類樣本分配情況

    2.2 結果分析

    在網(wǎng)絡訓練時,采用的是Adam優(yōu)化器進行梯度下降。由于采用了反向傳播算法,初始學習率被設置為0.01,衰減率被設置為0.99。除了第一卷積層外,在進行卷積操作前都會首先依次執(zhí)行Batch Normalization(BN)算法和ReLU非線性激活。卷積神經(jīng)網(wǎng)絡的批大小為48,迭代次數(shù)為100 000次。為了避免過擬合,網(wǎng)絡還采用了L2正則化。網(wǎng)絡權值的初始化采用的是Xavier初始化器。所有試驗都是基于TensorFlow深度學習框架編寫,試驗平臺的GPU和CPU配置分別為Nvidia RTX2070 GPU和Intel i7-8700 CPU,試驗結果都是6次重復性試驗得出的平均值。損失函數(shù)權重λ在0到1之間以0.1為步長試驗,如表2所示,最后確定在λ取值為0.1的時候模型性能最優(yōu),因此本文中所有試驗都將損失函數(shù)權重λ設為0.1。所有圖片在訓練前都會進行歸一化和隨機的翻轉。試驗結果如表3所示。

    表2 損失函數(shù)權重對模型的影響

    表3 試驗結果

    如表3所示,試驗逐一驗證了優(yōu)化策略的性能提升,本文中網(wǎng)絡性能的提升由準確率、精確率、召回率和F1指標來評價,其中提升項使用F1綜合評價指標衡量。從試驗1、2可知,網(wǎng)絡加入距離度量之后,雖然精確率有所下降,但準確率和召回率都有提升,因此綜合評價指數(shù)F1由84.22%提升到87.51%,提升了3.29%。由試驗1、3可知,加入3種尺寸(180×90、90×180、128×128)訓練后,網(wǎng)絡F1較未優(yōu)化的試驗1模型提升至90.42%,提升6.20%,其他3項指標也都有提升。由試驗1、4可知,加入3種尺寸2種尺度,即5種尺寸訓練之后,網(wǎng)絡性能提升至91.35%,提升了7.13%,其他三項也都有提升;而且,由試驗3、4可知,在3種尺寸的基礎上加入2種尺度的訓練,網(wǎng)絡性能也有提升,本試驗中網(wǎng)絡F1指標從90.42%提升至91.35%,提升了0.93%,其他3項性能也都有所提升;這也驗證了前面的猜想,即加入多尺度訓練能夠提升網(wǎng)絡性能。最后,為了獲得最優(yōu)模型,將3種優(yōu)化策略全都應用于網(wǎng)絡,訓練獲得了F1指標為92.42%的性能,較未優(yōu)化網(wǎng)絡提升了8.20%。同時,準確率與召回率由85.10%、80.60%提升到至92.60%、90.20%。在復合并聯(lián)模型試驗中,模型提升規(guī)律同并聯(lián)模型,最后復合并聯(lián)模型的F1性能達到95.03%。而且,由試驗1、6和5、10可以看到,復合并聯(lián)模型的性能總體優(yōu)于并聯(lián)模型。

    為進一步證明模型能夠準確提取到差異信息,挑選了6對代表性的樣本圖片,將復合并聯(lián)模型兩個分支提取到的圖片特征進行可視化,并與傳統(tǒng)的LBP算法提取的特征進行比較,見圖5。

    圖5 模型特征可視化

    圖5(a)、5(b)、5(c)是正樣本圖片對,圖5(d)、5(e)、5(f)是負樣本圖片對。每組圖片對中,第一行分別表示當前圖和歷史圖的原始圖片;第二、三行是復合模型中并聯(lián)分支提取到的當前圖和歷史圖的特征;最后一行前兩張是復合模型中串聯(lián)分支提取到的特征,后兩張是利用LBP算法提取到的特征。由于深層網(wǎng)絡提取的特征太抽象難以理解,這里展示的只是第一層卷積后的特征圖中有代表性的10幅。

    由圖5可以看出,復合并聯(lián)模型不僅能夠提取基本的邊緣信息,還可以檢測到兩幅圖像之間的差異。首先,對于并聯(lián)分支,它能夠分別提取兩幅圖片的差異信息,圖5(a)中第a2、a3行分別提取到了異物和背景的特征;圖5(b)、圖5(c)中,部件的轉動被檢測了出來;圖5(d)中有污漬部分和無污漬部分的特征都能準確地提取。對于串聯(lián)分支,由于輸入是二通道圖像,它可以很好地兼顧兩幅圖像之間的差異信息。如在a4、d4,差異信息異物和污漬被分割開來,e4中第2張對光照部分有較強的響應。同時,在與LBP算法提取到的特征進行對比時我們發(fā)現(xiàn),雖然LBP算法也能夠提取基本的邊緣輪廓信息,但是對于污漬、光照,不能有效地提取到差異特征。如d4中第3、4張,污漬特征并沒有被提取到,同樣e4中第3、4張也沒有提取到光照差異??梢钥吹?,本復合模型中,并聯(lián)部分能夠獨立提取兩幅圖像的差異信息,而串聯(lián)部分綜合考量兩幅圖像的差異信息,兩部分提取的特征進行融合,從而提升了模型的性能。

    3 結束語

    針對列車車體的差異分類任務,本文建立了兩種網(wǎng)絡模型,分別是并聯(lián)模型以及改進的復合并聯(lián)模型。通過可視化卷積特征,發(fā)現(xiàn)并聯(lián)部分能夠獨立提取到圖片對的差異信息,而串聯(lián)部分可以兼顧兩張圖片信息提取到差異信息,通過兩部分特征的融合,提升了網(wǎng)絡的性能。同時,為了提升差異分類網(wǎng)絡的性能,本文提出了多形狀訓練方法以及加入距離度量的損失函數(shù)。試驗結果表明,這兩種優(yōu)化方法都能夠提升網(wǎng)絡的分類性能。而且,本文建立的網(wǎng)絡模型不僅具有較高的檢測準確率,對光照、水漬和油漬等偽報警也具有良好的魯棒性。

    因此,本模型的提出,能夠有效彌補人工判斷差異效率低下、成本較高的不足,有一定的實際應用價值。

    猜你喜歡
    特征差異檢測
    相似與差異
    音樂探索(2022年2期)2022-05-30 21:01:37
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    如何表達“特征”
    找句子差異
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    生物為什么會有差異?
    抓住特征巧觀察
    小波變換在PCB缺陷檢測中的應用
    色综合站精品国产| 七月丁香在线播放| 我的老师免费观看完整版| 波多野结衣高清无吗| 国产亚洲91精品色在线| 国产精华一区二区三区| 国产又黄又爽又无遮挡在线| 国产熟女欧美一区二区| 久久99热这里只有精品18| 欧美一区二区亚洲| 成年免费大片在线观看| 高清视频免费观看一区二区 | 夜夜看夜夜爽夜夜摸| 久久久久精品久久久久真实原创| 在线观看美女被高潮喷水网站| 少妇人妻精品综合一区二区| 亚洲成av人片在线播放无| 免费观看在线日韩| 久久精品影院6| 男插女下体视频免费在线播放| 亚洲不卡免费看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 日韩欧美 国产精品| 国产私拍福利视频在线观看| 在现免费观看毛片| 大又大粗又爽又黄少妇毛片口| 三级经典国产精品| 五月伊人婷婷丁香| 国产精品久久久久久av不卡| 特大巨黑吊av在线直播| 内射极品少妇av片p| 日本五十路高清| 亚洲精品国产成人久久av| 亚洲欧美中文字幕日韩二区| 日韩在线高清观看一区二区三区| 亚洲精品久久久久久婷婷小说 | 午夜久久久久精精品| 伦理电影大哥的女人| 欧美日韩精品成人综合77777| 亚洲av一区综合| 亚洲人与动物交配视频| 国产伦在线观看视频一区| 日本免费一区二区三区高清不卡| or卡值多少钱| 国产一区二区三区av在线| 国国产精品蜜臀av免费| 亚洲成人久久爱视频| 国产精品电影一区二区三区| 国产av在哪里看| or卡值多少钱| 午夜福利成人在线免费观看| 国产高清不卡午夜福利| 久久精品影院6| 亚洲国产色片| 日韩成人伦理影院| 婷婷色综合大香蕉| 亚洲国产精品成人综合色| 女的被弄到高潮叫床怎么办| 亚洲av二区三区四区| 久久这里只有精品中国| 亚洲综合精品二区| 精品久久久久久久久久久久久| 欧美最新免费一区二区三区| 亚洲av免费在线观看| 国产亚洲精品久久久com| 国产色爽女视频免费观看| 夜夜看夜夜爽夜夜摸| 国产成年人精品一区二区| 日本一二三区视频观看| 日韩一区二区视频免费看| 国产精品综合久久久久久久免费| 我要看日韩黄色一级片| 午夜福利成人在线免费观看| 日本免费在线观看一区| 一边亲一边摸免费视频| 午夜爱爱视频在线播放| 久久久久久久久中文| 久久精品人妻少妇| 国产黄片视频在线免费观看| 久久精品国产鲁丝片午夜精品| 小说图片视频综合网站| 婷婷六月久久综合丁香| 男人的好看免费观看在线视频| 国产亚洲av片在线观看秒播厂 | 亚洲精品久久久久久婷婷小说 | 国产伦精品一区二区三区四那| 国产女主播在线喷水免费视频网站 | 婷婷色综合大香蕉| 成人无遮挡网站| 国产大屁股一区二区在线视频| 久久精品91蜜桃| 欧美精品国产亚洲| 亚洲欧美中文字幕日韩二区| 国产成人一区二区在线| 国产 一区精品| 91在线精品国自产拍蜜月| 午夜福利成人在线免费观看| 永久网站在线| 一级二级三级毛片免费看| 国产精品伦人一区二区| 国产av码专区亚洲av| 美女黄网站色视频| 麻豆乱淫一区二区| 国产成人一区二区在线| 中文天堂在线官网| 国产真实乱freesex| 最近2019中文字幕mv第一页| 一卡2卡三卡四卡精品乱码亚洲| 欧美一级a爱片免费观看看| 看片在线看免费视频| 美女脱内裤让男人舔精品视频| 国产爱豆传媒在线观看| 91av网一区二区| 色哟哟·www| 搡老妇女老女人老熟妇| 国产淫片久久久久久久久| 91精品国产九色| 秋霞伦理黄片| 成人亚洲欧美一区二区av| 国产三级在线视频| 国产精品三级大全| 好男人视频免费观看在线| 青春草国产在线视频| 久久精品国产鲁丝片午夜精品| 少妇的逼水好多| 国产老妇女一区| 国产一级毛片七仙女欲春2| 国产精品国产三级专区第一集| 国内揄拍国产精品人妻在线| 99久久精品热视频| 偷拍熟女少妇极品色| 搡老妇女老女人老熟妇| 午夜福利视频1000在线观看| 最近2019中文字幕mv第一页| 水蜜桃什么品种好| 蜜桃久久精品国产亚洲av| av在线老鸭窝| 久久久欧美国产精品| 老司机影院毛片| 2021天堂中文幕一二区在线观| 又粗又硬又长又爽又黄的视频| 国产精品久久视频播放| 欧美另类亚洲清纯唯美| 看片在线看免费视频| 村上凉子中文字幕在线| 日日摸夜夜添夜夜爱| av黄色大香蕉| 日本与韩国留学比较| av在线播放精品| 直男gayav资源| 身体一侧抽搐| 亚洲av熟女| 国产大屁股一区二区在线视频| 22中文网久久字幕| 午夜福利在线观看吧| 欧美一级a爱片免费观看看| 男人舔奶头视频| 久久精品久久精品一区二区三区| 国产探花在线观看一区二区| 亚洲欧美成人综合另类久久久 | 国产 一区 欧美 日韩| 黄色一级大片看看| 欧美成人一区二区免费高清观看| 欧美成人精品欧美一级黄| 五月玫瑰六月丁香| 天美传媒精品一区二区| 久久精品国产亚洲网站| 国产欧美日韩精品一区二区| 国产熟女欧美一区二区| 日韩制服骚丝袜av| 精品久久久久久久久av| 简卡轻食公司| 国产精品野战在线观看| 人妻夜夜爽99麻豆av| 精品久久久久久久久av| 欧美成人a在线观看| 亚洲国产精品久久男人天堂| 国产免费男女视频| 亚洲自拍偷在线| av在线天堂中文字幕| 麻豆精品久久久久久蜜桃| 国产精品电影一区二区三区| 两个人的视频大全免费| 国产成人精品婷婷| 简卡轻食公司| 久久久久久久久中文| 少妇人妻一区二区三区视频| 国产 一区精品| 一夜夜www| 干丝袜人妻中文字幕| 亚洲av中文字字幕乱码综合| 高清视频免费观看一区二区 | 亚洲丝袜综合中文字幕| 欧美不卡视频在线免费观看| 久久99蜜桃精品久久| 少妇的逼好多水| 久久久久九九精品影院| 亚洲精品乱码久久久v下载方式| 久久久久久久久久成人| 国产精品福利在线免费观看| 国产av不卡久久| 久久99热这里只频精品6学生 | 三级经典国产精品| 亚洲怡红院男人天堂| 亚洲av熟女| 日韩亚洲欧美综合| 中文字幕亚洲精品专区| 夜夜爽夜夜爽视频| 国产探花极品一区二区| 中文字幕av成人在线电影| 亚洲av.av天堂| 国产成年人精品一区二区| 精品免费久久久久久久清纯| 欧美成人a在线观看| 国产免费视频播放在线视频 | 亚洲欧美清纯卡通| 三级毛片av免费| 国产在视频线在精品| 欧美激情国产日韩精品一区| 午夜日本视频在线| 国产男人的电影天堂91| 狠狠狠狠99中文字幕| 国产黄片视频在线免费观看| 国产一级毛片七仙女欲春2| 国产精品久久久久久久电影| 在线天堂最新版资源| 国产精品久久久久久精品电影| 成人特级av手机在线观看| 成人性生交大片免费视频hd| 国产 一区 欧美 日韩| 日韩,欧美,国产一区二区三区 | 欧美色视频一区免费| 亚洲三级黄色毛片| 午夜免费男女啪啪视频观看| 午夜福利高清视频| 国内揄拍国产精品人妻在线| 国产精品精品国产色婷婷| 亚洲精品456在线播放app| 欧美激情久久久久久爽电影| 婷婷六月久久综合丁香| 禁无遮挡网站| 国产伦精品一区二区三区四那| 2022亚洲国产成人精品| 在线观看美女被高潮喷水网站| 午夜福利成人在线免费观看| 国产免费男女视频| 久久久久久九九精品二区国产| 国产亚洲91精品色在线| 亚洲综合精品二区| 国产黄a三级三级三级人| 成人性生交大片免费视频hd| 国产精品野战在线观看| 22中文网久久字幕| 中文精品一卡2卡3卡4更新| 久久久色成人| 成人一区二区视频在线观看| 汤姆久久久久久久影院中文字幕 | 精华霜和精华液先用哪个| 99久久无色码亚洲精品果冻| 级片在线观看| 永久免费av网站大全| 美女xxoo啪啪120秒动态图| 18禁动态无遮挡网站| 三级男女做爰猛烈吃奶摸视频| 黑人高潮一二区| 国产美女午夜福利| 内射极品少妇av片p| 成人国产麻豆网| 男人的好看免费观看在线视频| 小说图片视频综合网站| 2021天堂中文幕一二区在线观| 卡戴珊不雅视频在线播放| 国产 一区 欧美 日韩| 久久热精品热| 免费观看人在逋| 亚洲精品一区蜜桃| 九九在线视频观看精品| 高清日韩中文字幕在线| 国产精品久久久久久精品电影小说 | 三级国产精品片| 色5月婷婷丁香| 日韩欧美精品v在线| 一区二区三区免费毛片| 国产探花在线观看一区二区| 国产精品福利在线免费观看| 精品久久久久久久末码| 精品国内亚洲2022精品成人| 村上凉子中文字幕在线| 国模一区二区三区四区视频| 久久这里有精品视频免费| 成人三级黄色视频| 性色avwww在线观看| 国产午夜精品一二区理论片| 黄片无遮挡物在线观看| 午夜亚洲福利在线播放| 99久久成人亚洲精品观看| 熟女电影av网| 成年女人永久免费观看视频| 特大巨黑吊av在线直播| 亚洲电影在线观看av| 一边亲一边摸免费视频| 男插女下体视频免费在线播放| 精品久久久久久久人妻蜜臀av| 国产一区二区三区av在线| 免费大片18禁| 午夜久久久久精精品| 日本黄大片高清| 色综合亚洲欧美另类图片| 国产精品久久久久久精品电影小说 | 亚洲精品456在线播放app| 国产精品.久久久| 亚洲精品色激情综合| 青春草国产在线视频| 国产精品1区2区在线观看.| 亚洲国产欧美人成| 18禁动态无遮挡网站| 国产免费福利视频在线观看| 深爱激情五月婷婷| 久久精品国产鲁丝片午夜精品| 国产乱人视频| 亚洲国产精品成人综合色| 国产免费又黄又爽又色| 成人三级黄色视频| 午夜精品在线福利| 少妇的逼水好多| 亚洲乱码一区二区免费版| 国产精品久久久久久av不卡| 又黄又爽又刺激的免费视频.| 天天躁夜夜躁狠狠久久av| 日本免费a在线| 午夜精品国产一区二区电影 | 一个人免费在线观看电影| 亚洲国产成人一精品久久久| 最近中文字幕2019免费版| 久久久久久国产a免费观看| 91精品国产九色| av在线蜜桃| 国产黄色小视频在线观看| 久久人妻av系列| av播播在线观看一区| 97热精品久久久久久| 亚洲成av人片在线播放无| 99热网站在线观看| 国产乱来视频区| 亚洲中文字幕日韩| 18禁在线播放成人免费| 亚洲天堂国产精品一区在线| ponron亚洲| 一个人免费在线观看电影| 久久草成人影院| 国内精品一区二区在线观看| 在线免费观看的www视频| 欧美色视频一区免费| 日韩,欧美,国产一区二区三区 | 国产久久久一区二区三区| 日韩av不卡免费在线播放| 免费搜索国产男女视频| 日韩视频在线欧美| 亚洲精品,欧美精品| 午夜福利在线观看吧| 精品久久久久久久久久久久久| 亚洲中文字幕一区二区三区有码在线看| 我要搜黄色片| 在线播放国产精品三级| ponron亚洲| 观看美女的网站| 久久久久久久亚洲中文字幕| 哪个播放器可以免费观看大片| 禁无遮挡网站| 国产精品电影一区二区三区| av免费观看日本| 国语对白做爰xxxⅹ性视频网站| 欧美日本视频| 亚洲av.av天堂| 麻豆av噜噜一区二区三区| 人人妻人人澡人人爽人人夜夜 | 国产乱人视频| av在线播放精品| av黄色大香蕉| av在线观看视频网站免费| 成人无遮挡网站| 国产伦精品一区二区三区四那| 亚洲美女视频黄频| 欧美xxxx性猛交bbbb| 波野结衣二区三区在线| 激情 狠狠 欧美| 一级毛片aaaaaa免费看小| 一边亲一边摸免费视频| 日韩欧美在线乱码| 校园人妻丝袜中文字幕| 欧美+日韩+精品| 欧美一区二区国产精品久久精品| 国产在视频线在精品| 永久免费av网站大全| 久久久久久国产a免费观看| 最近最新中文字幕大全电影3| 美女脱内裤让男人舔精品视频| 亚洲最大成人av| 免费一级毛片在线播放高清视频| av国产免费在线观看| 天天躁日日操中文字幕| 中文字幕av在线有码专区| 黑人高潮一二区| 亚洲图色成人| av免费观看日本| 免费在线观看成人毛片| 天堂中文最新版在线下载 | 国产成人freesex在线| 九九热线精品视视频播放| 午夜激情欧美在线| 中文亚洲av片在线观看爽| 国产免费视频播放在线视频 | 插逼视频在线观看| av视频在线观看入口| 中国美白少妇内射xxxbb| 久久精品夜夜夜夜夜久久蜜豆| 国产黄色视频一区二区在线观看 | 91精品伊人久久大香线蕉| 少妇的逼水好多| 国产精品一区二区三区四区久久| 国产久久久一区二区三区| 欧美3d第一页| 亚洲国产日韩欧美精品在线观看| 久久婷婷人人爽人人干人人爱| 亚洲婷婷狠狠爱综合网| 国产欧美日韩精品一区二区| 欧美日韩精品成人综合77777| 51国产日韩欧美| 精品国产一区二区三区久久久樱花 | 亚洲欧美成人精品一区二区| 亚洲国产欧洲综合997久久,| 国产精品久久电影中文字幕| 色噜噜av男人的天堂激情| 久久久久久久久久久丰满| 亚洲一级一片aⅴ在线观看| 国产探花在线观看一区二区| 深爱激情五月婷婷| 国语自产精品视频在线第100页| 男人的好看免费观看在线视频| av在线蜜桃| 亚洲欧美一区二区三区国产| 亚洲国产精品sss在线观看| 亚洲av电影不卡..在线观看| 亚洲av.av天堂| 亚洲三级黄色毛片| 深爱激情五月婷婷| 免费av不卡在线播放| 日本欧美国产在线视频| 2022亚洲国产成人精品| 一卡2卡三卡四卡精品乱码亚洲| 99久久中文字幕三级久久日本| 免费观看精品视频网站| 深爱激情五月婷婷| av福利片在线观看| av免费在线看不卡| 性色avwww在线观看| 老司机影院毛片| 一边摸一边抽搐一进一小说| 欧美区成人在线视频| 天天躁日日操中文字幕| 亚洲欧美日韩东京热| 欧美一区二区亚洲| 国产一区有黄有色的免费视频 | 中文亚洲av片在线观看爽| 亚洲欧美日韩卡通动漫| 99久久九九国产精品国产免费| 日韩强制内射视频| 久久久久久久亚洲中文字幕| eeuss影院久久| 欧美成人免费av一区二区三区| 日本五十路高清| av女优亚洲男人天堂| 成年女人看的毛片在线观看| 18禁裸乳无遮挡免费网站照片| 国产精品一区二区在线观看99 | 久久精品国产自在天天线| 超碰97精品在线观看| 美女大奶头视频| 建设人人有责人人尽责人人享有的 | 国产淫语在线视频| 亚洲av.av天堂| 又黄又爽又刺激的免费视频.| 日韩欧美三级三区| 欧美97在线视频| 国产av不卡久久| 国产乱人偷精品视频| 高清日韩中文字幕在线| av在线老鸭窝| 亚洲精品乱久久久久久| 日本一本二区三区精品| 亚洲熟妇中文字幕五十中出| 十八禁国产超污无遮挡网站| 精品午夜福利在线看| 老师上课跳d突然被开到最大视频| 亚洲美女视频黄频| 亚洲精品一区蜜桃| 91aial.com中文字幕在线观看| 日本黄色视频三级网站网址| 成人午夜高清在线视频| 特级一级黄色大片| 99九九线精品视频在线观看视频| 久久精品国产亚洲av天美| 日韩欧美 国产精品| 老司机影院成人| 亚洲第一区二区三区不卡| 性色avwww在线观看| 午夜福利在线观看免费完整高清在| 久久久久性生活片| 亚洲欧洲国产日韩| 99热精品在线国产| 久久99热这里只频精品6学生 | 村上凉子中文字幕在线| 国产视频内射| 婷婷色麻豆天堂久久 | 一级黄色大片毛片| 亚洲精品影视一区二区三区av| 看免费成人av毛片| 狠狠狠狠99中文字幕| 人人妻人人澡人人爽人人夜夜 | 国产成人福利小说| 天堂网av新在线| 免费播放大片免费观看视频在线观看 | 热99re8久久精品国产| av在线蜜桃| 精品人妻熟女av久视频| 久久久亚洲精品成人影院| 乱系列少妇在线播放| 男的添女的下面高潮视频| 日韩 亚洲 欧美在线| 国产三级中文精品| 人妻系列 视频| av在线观看视频网站免费| 欧美3d第一页| 男人舔女人下体高潮全视频| 秋霞伦理黄片| 天天躁日日操中文字幕| 午夜日本视频在线| 又爽又黄a免费视频| 激情 狠狠 欧美| 欧美日韩综合久久久久久| 狂野欧美白嫩少妇大欣赏| 草草在线视频免费看| 少妇的逼水好多| 午夜福利在线观看吧| 久久久午夜欧美精品| 尤物成人国产欧美一区二区三区| 狂野欧美激情性xxxx在线观看| 色网站视频免费| 午夜激情欧美在线| 草草在线视频免费看| 人人妻人人看人人澡| 一边摸一边抽搐一进一小说| 人人妻人人澡欧美一区二区| 日本一本二区三区精品| 日本爱情动作片www.在线观看| 国产免费一级a男人的天堂| 老司机福利观看| 精品久久国产蜜桃| 亚洲内射少妇av| 欧美不卡视频在线免费观看| 国产麻豆成人av免费视频| 日韩制服骚丝袜av| 欧美高清成人免费视频www| 97热精品久久久久久| 国产三级在线视频| 久久久久久久亚洲中文字幕| 日日干狠狠操夜夜爽| 国产高潮美女av| 中文字幕制服av| 亚洲欧洲日产国产| 国产精品一区二区在线观看99 | 青春草国产在线视频| 丰满人妻一区二区三区视频av| 国产成人一区二区在线| 好男人在线观看高清免费视频| 美女大奶头视频| 美女被艹到高潮喷水动态| 亚洲高清免费不卡视频| 亚洲激情五月婷婷啪啪| 国产在视频线在精品| 在线观看美女被高潮喷水网站| 国内精品美女久久久久久| 中文字幕亚洲精品专区| 亚洲精品国产成人久久av| 全区人妻精品视频| 一级av片app| 精品久久久久久久久av| 国产精品1区2区在线观看.| 建设人人有责人人尽责人人享有的 | 日本一二三区视频观看| 亚洲成人中文字幕在线播放| 看片在线看免费视频| 18禁裸乳无遮挡免费网站照片| 少妇人妻一区二区三区视频| av专区在线播放| 嫩草影院入口| 黄片无遮挡物在线观看| 成人一区二区视频在线观看| 一区二区三区免费毛片| 亚洲成人精品中文字幕电影| 亚洲三级黄色毛片| 18禁在线无遮挡免费观看视频| av播播在线观看一区| 啦啦啦韩国在线观看视频| 美女内射精品一级片tv| 黄片无遮挡物在线观看| 国产欧美日韩精品一区二区| 最后的刺客免费高清国语| 日本午夜av视频| 午夜视频国产福利| 18禁在线无遮挡免费观看视频| 91aial.com中文字幕在线观看| 国产欧美日韩精品一区二区| 插阴视频在线观看视频| 亚洲成人中文字幕在线播放|