• <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 ?

    基于改進(jìn)的GoogLeNet鴨蛋表面缺陷檢測(cè)

    2021-07-06 02:12:48楊煜俊申啟訪單森森
    食品與機(jī)械 2021年6期
    關(guān)鍵詞:檢測(cè)模型

    肖 旺 楊煜俊 申啟訪 單森森 黃 越

    (廣東工業(yè)大學(xué)機(jī)電工程學(xué)院,廣東 廣州 510006)

    鴨蛋是日常生活中重要的食品之一,味道鮮美,價(jià)格便宜,營(yíng)養(yǎng)豐富,一直備受消費(fèi)者喜愛。其品質(zhì)直接關(guān)乎鴨蛋的銷量及其蛋制品(如皮蛋、咸鴨蛋等)品質(zhì)。然而鴨蛋在出欄、運(yùn)輸、加工、儲(chǔ)存等階段容易造成外殼破損,表面污染,嚴(yán)重影響鴨蛋品質(zhì),若加工和銷售前不及時(shí)剔除,會(huì)造成更大的污染和資源浪費(fèi),甚至危及消費(fèi)者的健康安全。目前,鴨蛋的篩選可分為人工光檢與聲學(xué)檢測(cè)。對(duì)于大多蛋品企業(yè)而言,鴨蛋的挑選主要是依賴人工肉眼識(shí)別,其成本高昂,效率低下,漏檢率高,且對(duì)眼損傷較大。此外,近些年中國(guó)有部分廠家引進(jìn)了日本聲學(xué)裂痕檢測(cè)模塊,通過小錘敲擊蛋殼表面的幾處關(guān)鍵點(diǎn),采集蛋殼表面的聲紋振動(dòng)反饋,以此分析并判斷鴨蛋表面是否完好。但此方法雖能檢測(cè)出蛋殼破損的鴨蛋,但易受蛋殼表面臟污影響出現(xiàn)誤判,需要人工二次檢查。

    當(dāng)前,制約中國(guó)蛋品行業(yè)發(fā)展的一個(gè)主要因素就是蛋品深加工機(jī)械設(shè)備不足,無法實(shí)現(xiàn)集約化發(fā)展,導(dǎo)致蛋品加工率過低,蛋品品質(zhì)良莠不齊。俞玥等[1-2]在蛋品無損檢測(cè)與品質(zhì)分級(jí)方面進(jìn)行了大量研究,按檢測(cè)方法不同主要可分為聲學(xué)檢測(cè)[3]、機(jī)器視覺檢測(cè)[4-6]以及深度學(xué)習(xí)檢測(cè)[7-9]。在聲學(xué)領(lǐng)域,孫力等[10]通過蛋殼表面聲學(xué)特性設(shè)計(jì)了一套在線蛋殼裂痕檢測(cè)系統(tǒng),檢測(cè)率達(dá)90%;陳誠(chéng)等[11]采用敲擊響應(yīng)方法,對(duì)雞蛋進(jìn)行多角度敲擊,并精準(zhǔn)采集敲擊音頻響應(yīng)信號(hào),設(shè)計(jì)了基于聲學(xué)響應(yīng)信號(hào)分析的一套禽蛋蛋殼在線檢測(cè)系統(tǒng),該系統(tǒng)對(duì)正常禽蛋檢測(cè)準(zhǔn)確率達(dá)92%。在機(jī)器視覺領(lǐng)域,魏萱等[12]通過采用圖像紋理特征參數(shù)對(duì)土雞蛋微裂紋進(jìn)行無損檢測(cè),使用LDA模型判別效果最佳,準(zhǔn)確率達(dá)96%;王巧華等[13]利用機(jī)器視覺技術(shù)采集鴨蛋動(dòng)態(tài)圖像,通過LIBSVM建立分級(jí)模型,在鴨蛋產(chǎn)地進(jìn)行尺寸與扁平度分級(jí)檢測(cè),準(zhǔn)確率分別為91.67%,95.00%。Amin等[14]使用VGG網(wǎng)絡(luò)對(duì)未處理的雞蛋進(jìn)行檢測(cè),成功篩選出破損與帶血斑的雞蛋,準(zhǔn)確率達(dá)94.84%。

    上述方法或是對(duì)檢測(cè)環(huán)境依賴較大,或是對(duì)被檢測(cè)蛋品要求嚴(yán)格,在應(yīng)付復(fù)雜多變的檢測(cè)環(huán)境與各類缺陷不均勻蛋品時(shí),難以達(dá)到高精度、智能化檢測(cè)。文章擬提出一種基于神經(jīng)網(wǎng)絡(luò)的鴨蛋表面缺陷檢測(cè)方法,并與GoogLeNet、VGG16和AlexNet 3種神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,分析其對(duì)裂紋、臟污等多種表面缺陷的檢測(cè)分類情況,旨在為實(shí)現(xiàn)鴨蛋表面多缺陷,高精度檢測(cè)提供依據(jù)。

    1 試驗(yàn)材料與預(yù)處理

    1.1 試驗(yàn)樣本

    從當(dāng)?shù)剞r(nóng)貿(mào)市場(chǎng)與養(yǎng)殖場(chǎng)收集300枚鴨蛋,其中表面干凈無損86枚,帶有裂紋、孔洞等缺陷102枚,表面帶有鴨糞、血污、泥沙等臟污112枚。通過CCD相機(jī)、LED光源、旋轉(zhuǎn)傳送裝置搭建圖像采集平臺(tái),利用相機(jī)對(duì)鴨蛋兩端與鴨蛋表面進(jìn)行拍照取樣,共采集1 200張。通過人為篩選出不合要求的圖像,最終采集樣本圖片1 062張,按照實(shí)際檢測(cè)要求以圖1方式進(jìn)行樣本分類,其中正常樣本403張,表面破損樣本314張,表面臟污樣本345張。

    圖1 鴨蛋樣本分類方式

    1.2 試驗(yàn)環(huán)境

    在軟件環(huán)境為Window系統(tǒng)下進(jìn)行,搭載TensorFlow-GPU 2.0深度學(xué)習(xí)框架,使用CUDA 11.0版本搭配cudnn 7.65版本實(shí)現(xiàn)GPU并行加速計(jì)算。文中所有神經(jīng)網(wǎng)絡(luò)模型都在Python3.7版本下編程實(shí)現(xiàn)。計(jì)算機(jī)硬件配置CPU為Inter酷睿I7-10875H @2.3 GHz,內(nèi)存16 GB;GPU為NIVIDIA GeForce RTX2060,6 GB顯存。

    1.3 圖像預(yù)處理

    圖像預(yù)處理包括圖像標(biāo)簽、圖像分割、尺寸重定義、圖像增強(qiáng)以及數(shù)據(jù)擴(kuò)充[15-16]。圖像預(yù)處理是將原始數(shù)據(jù)(圖2)整理成標(biāo)準(zhǔn)規(guī)范的訓(xùn)練數(shù)據(jù),使之能順利送入神經(jīng)網(wǎng)絡(luò)并高效計(jì)算。

    圖2 正常、臟污、破損鴨蛋原始圖像

    圖像標(biāo)簽是指將所有采集到的圖像按圖像內(nèi)容打上標(biāo)簽,試驗(yàn)中可分為正常、破損和臟污3類標(biāo)簽,使用Labelimg工具對(duì)所采集的圖像進(jìn)行標(biāo)注。圖像分割是預(yù)處理中重要的一環(huán),正確的分割能夠有效地過濾背景噪音,凸顯圖像要素,提升后續(xù)檢測(cè)的正確率。其主要分割方法有閾值分割、區(qū)域分割與邊緣分割,考慮到鴨蛋表面顏色均勻,成像前景與背景差別較大,采用Otsu閾值分割[17],通過計(jì)算方差來確定一個(gè)恰當(dāng)?shù)拈撝?,使分割圖像前景與背景之間的灰度值差異最大,去除背景后,計(jì)算出每個(gè)圖像最小邊界矩形,最后使用OpenCV工具包將所有圖像尺寸重定義成3通道224×224像素大小,以方便神經(jīng)網(wǎng)絡(luò)計(jì)算,預(yù)處理后的圖像如圖3所示。

    圖3 正常、臟污、破損鴨蛋預(yù)處理后圖像

    神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)用于訓(xùn)練才能提高其檢測(cè)準(zhǔn)確率,由于采集樣本數(shù)量有限,可通過數(shù)據(jù)增強(qiáng)[18]來獲得大量相關(guān)數(shù)據(jù)。數(shù)據(jù)增強(qiáng)主要包括圖像的平移、翻轉(zhuǎn)、旋轉(zhuǎn)、比例縮放、隨機(jī)裁剪等。試驗(yàn)通過數(shù)據(jù)增強(qiáng)最終在原有樣本基礎(chǔ)上擴(kuò)大10倍數(shù)據(jù)量,得到10 620張圖像,其中正常樣本4 030張,表面破損樣本3 140張,表面臟污樣本3 450張。

    2 神經(jīng)網(wǎng)絡(luò)模型

    2.1 GoogLeNet-Mini網(wǎng)絡(luò)

    GoogLeNet網(wǎng)絡(luò)[19-21]是當(dāng)年ImageNet圖像競(jìng)賽的冠軍,其top5錯(cuò)誤率只有6.67。GoogLeNet共有22層,包含3個(gè)卷積層和9個(gè)inception塊。GoogLeNet(圖4)引入了Inception結(jié)構(gòu)塊,使GoogLeNet即使在深度上超過了VGG和AlexNet,但網(wǎng)絡(luò)模型參數(shù)相比卻小得多,GoogLeNet通過增加網(wǎng)絡(luò)的深度與寬度獲得更好的性能,卻對(duì)內(nèi)存與計(jì)算資源的要求更低。

    圖4 GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)

    GoogLeNet雖然性能優(yōu)秀,學(xué)習(xí)能力強(qiáng),但網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,參數(shù)相對(duì)于VGG和AlexNet更少,但也達(dá)到2.4×107個(gè)。針對(duì)試驗(yàn)圖像的特點(diǎn),對(duì)GoogLeNet網(wǎng)絡(luò)進(jìn)行相應(yīng)的改進(jìn),改進(jìn)后的網(wǎng)絡(luò)被命名為GoogLeNet-Mini(圖5),由于試驗(yàn)圖像特征大小相近,將原有前3層不同尺寸的卷積層精簡(jiǎn)為一層3×3大小卷積層。GoogLeNet引入inception模塊化結(jié)構(gòu),包含4個(gè)分支(圖6),分別為1×1卷積層,1×1卷積層與3×3卷積層,1×1卷積層與5×5卷積層,3×3池化層與1×1卷積層。卷積層的作用是提取圖像特征,池化層作用在卷積層之后,對(duì)卷積層提取到的圖像特征進(jìn)行降維,減少特征數(shù)據(jù)量。Inception結(jié)構(gòu)塊在同層網(wǎng)絡(luò)中使用多個(gè)不同尺寸的卷積核,用于提取圖像中不同尺寸的特征,提升整個(gè)模型的感知力,由于試驗(yàn)圖像特征明顯,可以減小inception模塊數(shù)量與inception卷積核個(gè)數(shù),將原有的9個(gè)inception塊精簡(jiǎn)到6個(gè),inception塊中卷積核尺寸保持不變,其中inception卷積核個(gè)數(shù)由64個(gè)呈倍數(shù)增加到512個(gè),使得inception結(jié)構(gòu)更加規(guī)整,有利于硬件加速和程序的編寫,減少代碼冗余。改進(jìn)后的inception結(jié)構(gòu)對(duì)于圖像的特征提取數(shù)量會(huì)相對(duì)減少,但大大減少了模型參數(shù)量,通過1×1卷積核,作用到輸入特征圖的每個(gè)像素點(diǎn),通過設(shè)定少于輸入特征圖深度的1×1卷積核個(gè)數(shù),減少了輸出特征圖深度,起到了降維作用,減少了參數(shù)量和計(jì)算量,加快模型的收斂,減少過擬合。

    圖5 GoogLeNet-Mini網(wǎng)絡(luò)結(jié)構(gòu)

    圖6 Inception結(jié)構(gòu)塊

    GoogLeNet網(wǎng)絡(luò)去掉最后全連接層,使用一個(gè)分類層替代,分類層中包含了Dropout層與全局平均池化,Dropout層通過隨機(jī)失活部分神經(jīng)元,減少參數(shù)的數(shù)量來防止模型過擬合。全局平均池化是針對(duì)特征圖取平均值,用數(shù)值來代表特征圖,將數(shù)值輸入到softmax層,得到對(duì)應(yīng)的概率分布,以達(dá)到分類效果。相比于全連接層,全局平均池化的參數(shù)數(shù)量與計(jì)算量比較少。

    2.2 VGG16網(wǎng)絡(luò)

    VGG16網(wǎng)絡(luò)誕生于2014年,由16層網(wǎng)絡(luò)組成,其中包含13個(gè)卷積層和3個(gè)全連接層[22]。VGG16卷積層均由3×3卷積核組成,因此VGG16網(wǎng)絡(luò)結(jié)構(gòu)非常規(guī)整,有利于硬件計(jì)算,其模型識(shí)別準(zhǔn)確度有所提升,并且網(wǎng)絡(luò)參數(shù)大大減小,每個(gè)卷積層均使用relu作為激活函數(shù)。VGG網(wǎng)絡(luò)隨著學(xué)習(xí)深度的加深,卷積核個(gè)數(shù)從64增加到512,避免了因特征圖尺寸逐漸減小而出現(xiàn)網(wǎng)絡(luò)信息能力承載不足的情況。

    2.3 AlexNet網(wǎng)絡(luò)

    AlexNet網(wǎng)絡(luò)由5個(gè)卷積層和3個(gè)全連接層組成,結(jié)構(gòu)上與LeNet5網(wǎng)絡(luò)有相似之處,但也存在許多改動(dòng),AlexNet網(wǎng)絡(luò)將激活函數(shù)由Sigmoid函數(shù)改為Relu函數(shù),有效地解決了梯度彌散問題[23]。AlexNet網(wǎng)絡(luò)訓(xùn)練時(shí)成功引入Dropout,隨機(jī)舍棄部分參數(shù),有效避免模型過擬合,提升模型魯棒性。同時(shí)引入局部相應(yīng)歸一化層(LRN),增強(qiáng)模型泛化能力。

    3 模型訓(xùn)練與結(jié)果分析

    3.1 模型訓(xùn)練

    模型訓(xùn)練實(shí)際上就是一個(gè)不斷修正誤差的過程,一批圖像數(shù)據(jù)被送入神經(jīng)網(wǎng)絡(luò)經(jīng)前向傳播計(jì)算出預(yù)測(cè)結(jié)果,并與實(shí)際標(biāo)簽進(jìn)行比較得出損失值,再將該值通過反向傳播不斷迭代,修正權(quán)重偏置,使得損失函數(shù)不斷減小,預(yù)測(cè)精度不斷提高。損失函數(shù)代表網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際標(biāo)簽值的差距,當(dāng)損失函數(shù)輸出最小時(shí),模型權(quán)重與偏置達(dá)到最優(yōu)值,文中采用交叉熵?fù)p失函數(shù):

    (1)

    式中:

    M——類別數(shù)量;

    yic——與樣本i類別相同為1,不同則為0;

    pic——樣本屬于類別c的預(yù)測(cè)概率;

    N——樣本總量。

    優(yōu)化器采用RMSprop,RMSprop算法采用加權(quán)平均,能自適應(yīng)調(diào)節(jié)學(xué)習(xí)率,避免學(xué)習(xí)率過低的問題,其計(jì)算公式為:

    (2)

    (3)

    (4)

    Wt+1=Wt-ηt,

    (5)

    式中:

    W——待優(yōu)化參數(shù);

    gt——當(dāng)前參數(shù)的梯度;

    mt/Vt—— 一階/二階動(dòng)量;

    ηt——當(dāng)前時(shí)刻的下降梯度;

    α——學(xué)習(xí)率;

    β2——超參數(shù),取0.99。

    網(wǎng)絡(luò)模型建立完成后,將由圖像增強(qiáng)后的圖像按4∶1隨機(jī)劃分成訓(xùn)練集與驗(yàn)證集送入模型進(jìn)行訓(xùn)練,其中訓(xùn)練集8 496張(正常、破損、臟污分別為3 224,2 512,2 760張),驗(yàn)證集2 124張(正常、破損、臟污分別為806,628,690張)。為進(jìn)一步評(píng)估網(wǎng)絡(luò)的魯棒性,另外采集510張圖像為測(cè)試集。初始學(xué)習(xí)率設(shè)置為0.000 1,通過指數(shù)衰減法更新學(xué)習(xí)率,根據(jù)GPU硬件條件設(shè)置BatchSize為16。為保證試驗(yàn)結(jié)果公平性,VGG16和AlexNet網(wǎng)絡(luò)使用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練、驗(yàn)證與測(cè)試。

    3.2 結(jié)果分析

    GoogLeNet-Mini訓(xùn)練的準(zhǔn)確率與損失值變化如圖7所示。由圖7可知,當(dāng)epoch為0~160時(shí),驗(yàn)證集數(shù)據(jù)結(jié)果反復(fù)振蕩,說明此時(shí)得到的模型還不夠穩(wěn)定;當(dāng)epoch為160~260時(shí),驗(yàn)證集結(jié)果逐漸趨于穩(wěn)定,此時(shí)模型的訓(xùn)練集準(zhǔn)確率為100.00%,驗(yàn)證集準(zhǔn)確率為97.83%,保存模型參數(shù)。

    圖7 準(zhǔn)確率與損失值變化曲線

    在使用相同的樣本數(shù)據(jù)對(duì)GoogLeNet、VGG16與AlexNet進(jìn)行試驗(yàn)后,其結(jié)果如表1所示,GoogLeNet-Mini網(wǎng)絡(luò)訓(xùn)練集、驗(yàn)證集、測(cè)試集的準(zhǔn)確率分別為100.00%,98.25%,96.88%。GoogLeNet網(wǎng)絡(luò)訓(xùn)練集、驗(yàn)證集、測(cè)試集的準(zhǔn)確率分別為100.00%,99.16%,94.46%。VGG16網(wǎng)絡(luò)訓(xùn)練集、驗(yàn)證集、測(cè)試集的準(zhǔn)確率分別為99.26%,94.78%,92.75%。AlexNet網(wǎng)絡(luò)表現(xiàn)稍差,訓(xùn)練集、驗(yàn)證集、測(cè)試集的準(zhǔn)確率分別為95.61%,89.72%,85.43%。綜上,GoogLeNet-Mini網(wǎng)絡(luò)的檢測(cè)效果優(yōu)于其他3個(gè)網(wǎng)絡(luò),說明改進(jìn)后的GoogLeNet-Mini相比于原網(wǎng)絡(luò),不僅參數(shù)量更少,而且減少了模型過擬合,提升了網(wǎng)絡(luò)的泛化能力與準(zhǔn)確度。

    表1 4種網(wǎng)絡(luò)試驗(yàn)結(jié)果

    對(duì)于網(wǎng)絡(luò)模型的評(píng)估分析,采用測(cè)試準(zhǔn)確率(Acc)、精確度(Pre)、召回率(Rec)、受試者工作特征曲線下面積(AUC)作為所選模型優(yōu)劣的評(píng)定指標(biāo)[14]。選定指標(biāo)計(jì)算公式為:

    (6)

    (7)

    (8)

    (9)

    式中:

    nTP——實(shí)際與預(yù)測(cè)都為正樣本的數(shù)量;

    nTN——實(shí)際與預(yù)測(cè)都為負(fù)樣本的數(shù)量;

    nFP——實(shí)際為負(fù)樣本預(yù)測(cè)為正樣本的數(shù)量;

    nFN——實(shí)際為正樣本預(yù)測(cè)為負(fù)樣本的數(shù)量。

    使用GoogLeNet-Mini對(duì)測(cè)試集(正常160張,臟污200張,破損150張)進(jìn)行檢測(cè),得到分類檢測(cè)混淆矩陣如圖8所示,其中正常與臟污圖像各7張被誤分為破損,破損圖像中有6張被誤認(rèn)為臟污,1張被誤認(rèn)為正常,按式(6)~式(9)分別計(jì)算正常、臟污、破損三分類的準(zhǔn)確度、精確度、召回率及AUC,結(jié)果見表2。

    圖8 測(cè)試集混合矩陣圖

    由表2可知,GoogLeNet-Mini網(wǎng)絡(luò)對(duì)正常的鴨蛋檢測(cè)效果最好,準(zhǔn)確率達(dá)98.43%,臟污鴨蛋檢測(cè)準(zhǔn)確率為97.45%,破損鴨蛋檢測(cè)準(zhǔn)確率為95.88%,3種分類檢測(cè)準(zhǔn)確度均能達(dá)到生產(chǎn)企業(yè)要求。破損類準(zhǔn)確度偏低可能是由于拍攝角度與鴨蛋旋轉(zhuǎn)導(dǎo)致部分破損類圖像中破損信息被邊緣化未占據(jù)圖像信息主體,使得網(wǎng)絡(luò)產(chǎn)生誤判。后續(xù)可通過增加拍攝角度進(jìn)一步提高破損檢測(cè)準(zhǔn)確率。

    表2 各類鴨蛋的檢測(cè)結(jié)果

    為了進(jìn)一步評(píng)價(jià)GoogLeNet-Mini網(wǎng)絡(luò)的缺陷檢測(cè)有效范圍,試驗(yàn)重新篩選一批臟污鴨蛋與破損鴨蛋數(shù)據(jù),通過opencv的閾值分割和邊緣檢測(cè)算法分別對(duì)鴨蛋的臟污和破損部位進(jìn)行特征提取,并計(jì)算面積(圖9),按缺陷面積所占整個(gè)鴨蛋面積的比重分為4種類別。使用GoogLeNet-Mini進(jìn)行檢測(cè),得到臟污鴨蛋與破損鴨蛋的檢測(cè)結(jié)果分別見表3與表4。

    圖9 鴨蛋臟污與破損特征的面積占比

    表3 不同面積的臟污鴨蛋檢測(cè)結(jié)果

    表4 不同面積的破損鴨蛋檢測(cè)結(jié)果

    由表3可知,當(dāng)臟污面積>5%時(shí),準(zhǔn)確率超過94.74%。由表4可知,當(dāng)破損面積>2%時(shí),準(zhǔn)確率超過93.38%。故文章提出的GoogLeNet-Mini網(wǎng)絡(luò)較適用于檢測(cè)臟污面積>5%,破損面積>2%的鴨蛋。

    4 結(jié)論

    運(yùn)用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet-Mini對(duì)鴨蛋的表面缺陷進(jìn)行了檢測(cè),相比于傳統(tǒng)機(jī)器上視覺算法更加方便準(zhǔn)確,不需要依賴人工提取圖像特征。GoogLeNet-Mini、GoogLeNet、VGG16、AlexNet 4種網(wǎng)絡(luò)的測(cè)試準(zhǔn)確率為別為95.88%,94.16%,92.75%,85.43%,其中GoogLeNet-Mini網(wǎng)絡(luò)效果最優(yōu),且網(wǎng)絡(luò)模型參數(shù)更少,一定程度上減少了過擬合。GoogLeNet-Mini對(duì)正常、臟污、破損的檢測(cè)準(zhǔn)確率分別為98.43%,97.45%,95.88%,滿足企業(yè)檢測(cè)準(zhǔn)確度要求。GoogLeNet-Mini網(wǎng)絡(luò)較適用于檢測(cè)臟污面積>5%,破損面積>2%的鴨蛋。

    猜你喜歡
    檢測(cè)模型
    一半模型
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    又黄又粗又硬又大视频| 亚洲情色 制服丝袜| 69精品国产乱码久久久| 免费在线观看完整版高清| 少妇 在线观看| 国产男人的电影天堂91| 哪个播放器可以免费观看大片| 久久久久久久久久人人人人人人| 欧美日本中文国产一区发布| 宅男免费午夜| 91成人精品电影| 女的被弄到高潮叫床怎么办| 国产乱来视频区| 色婷婷久久久亚洲欧美| 高清不卡的av网站| 人人妻人人添人人爽欧美一区卜| 国产亚洲欧美精品永久| 少妇人妻 视频| 成人毛片a级毛片在线播放| 少妇被粗大的猛进出69影院 | 曰老女人黄片| 又黄又粗又硬又大视频| 成人无遮挡网站| 啦啦啦视频在线资源免费观看| 国产视频首页在线观看| 制服人妻中文乱码| 国产日韩一区二区三区精品不卡| 多毛熟女@视频| 男女国产视频网站| 久久久久久伊人网av| 亚洲美女黄色视频免费看| 波多野结衣一区麻豆| 蜜臀久久99精品久久宅男| 99国产精品免费福利视频| 少妇的逼水好多| 一二三四在线观看免费中文在 | av线在线观看网站| 99精国产麻豆久久婷婷| 日韩av免费高清视频| 一二三四中文在线观看免费高清| 边亲边吃奶的免费视频| 免费大片黄手机在线观看| 岛国毛片在线播放| 国产成人一区二区在线| 国产伦理片在线播放av一区| 国产精品不卡视频一区二区| 少妇被粗大的猛进出69影院 | av网站免费在线观看视频| 肉色欧美久久久久久久蜜桃| 你懂的网址亚洲精品在线观看| 国产熟女欧美一区二区| 熟女电影av网| 精品熟女少妇av免费看| 亚洲一码二码三码区别大吗| 交换朋友夫妻互换小说| 你懂的网址亚洲精品在线观看| 精品国产露脸久久av麻豆| 中文字幕人妻丝袜制服| 国产成人精品久久久久久| 免费av不卡在线播放| 亚洲成人av在线免费| 九草在线视频观看| 午夜福利,免费看| 国产探花极品一区二区| 亚洲精品一二三| 亚洲精品一二三| 国产探花极品一区二区| 亚洲中文av在线| 精品酒店卫生间| 伦理电影大哥的女人| 伦理电影大哥的女人| 色94色欧美一区二区| 人体艺术视频欧美日本| 国产av码专区亚洲av| 免费观看在线日韩| av.在线天堂| 精品福利永久在线观看| 18在线观看网站| 边亲边吃奶的免费视频| 亚洲精品自拍成人| 在线看a的网站| 永久网站在线| 国产女主播在线喷水免费视频网站| 国产成人精品无人区| 成人毛片a级毛片在线播放| 丝袜人妻中文字幕| 国产一区二区三区av在线| 91aial.com中文字幕在线观看| 国产精品无大码| 国产熟女午夜一区二区三区| 哪个播放器可以免费观看大片| 69精品国产乱码久久久| 国产国语露脸激情在线看| 免费播放大片免费观看视频在线观看| 视频区图区小说| 99久久中文字幕三级久久日本| 精品久久蜜臀av无| 国国产精品蜜臀av免费| 中国国产av一级| 国产成人av激情在线播放| 国产精品一区二区在线不卡| 在线观看美女被高潮喷水网站| 人人妻人人添人人爽欧美一区卜| 91精品伊人久久大香线蕉| 欧美日韩国产mv在线观看视频| 国产精品久久久久成人av| 美女国产高潮福利片在线看| 少妇人妻精品综合一区二区| 久久久久国产精品人妻一区二区| 韩国av在线不卡| 18禁动态无遮挡网站| 亚洲图色成人| 91久久精品国产一区二区三区| 一本色道久久久久久精品综合| 国产麻豆69| 国产精品人妻久久久影院| 精品久久蜜臀av无| 91久久精品国产一区二区三区| 欧美另类一区| av国产精品久久久久影院| 男男h啪啪无遮挡| 欧美3d第一页| 日韩一区二区视频免费看| 国产一区二区激情短视频 | 美女xxoo啪啪120秒动态图| 免费av中文字幕在线| 美女xxoo啪啪120秒动态图| 国产成人av激情在线播放| 一级毛片我不卡| 建设人人有责人人尽责人人享有的| 乱人伦中国视频| 高清在线视频一区二区三区| 天天影视国产精品| 91精品三级在线观看| 熟女电影av网| 街头女战士在线观看网站| 免费在线观看黄色视频的| 国产极品天堂在线| 国产 一区精品| 精品国产乱码久久久久久小说| 欧美日韩精品成人综合77777| www.色视频.com| 午夜激情久久久久久久| 在线观看国产h片| 国精品久久久久久国模美| 欧美 亚洲 国产 日韩一| 国产 精品1| 蜜桃国产av成人99| 国产日韩欧美亚洲二区| 精品一品国产午夜福利视频| 欧美日本中文国产一区发布| 九九在线视频观看精品| 国产女主播在线喷水免费视频网站| 国产黄频视频在线观看| 99热国产这里只有精品6| 高清av免费在线| 免费大片18禁| av电影中文网址| 一级黄片播放器| 一二三四在线观看免费中文在 | 亚洲人与动物交配视频| 欧美 亚洲 国产 日韩一| 侵犯人妻中文字幕一二三四区| 婷婷成人精品国产| 青春草视频在线免费观看| 精品人妻熟女毛片av久久网站| 人人妻人人澡人人爽人人夜夜| 男女免费视频国产| 婷婷色综合大香蕉| 午夜久久久在线观看| 日日爽夜夜爽网站| 97人妻天天添夜夜摸| 高清毛片免费看| 久热这里只有精品99| 99国产精品免费福利视频| 天堂中文最新版在线下载| 91aial.com中文字幕在线观看| 国产欧美另类精品又又久久亚洲欧美| 日本av手机在线免费观看| 免费日韩欧美在线观看| 国产爽快片一区二区三区| 亚洲欧美成人精品一区二区| 99视频精品全部免费 在线| 国产精品国产三级专区第一集| 久久久久视频综合| av卡一久久| 99热6这里只有精品| 亚洲三级黄色毛片| 亚洲国产日韩一区二区| 汤姆久久久久久久影院中文字幕| 色吧在线观看| 91在线精品国自产拍蜜月| 狂野欧美激情性bbbbbb| 极品少妇高潮喷水抽搐| 99re6热这里在线精品视频| 精品福利永久在线观看| 久久久久久伊人网av| 黑人欧美特级aaaaaa片| 日本欧美国产在线视频| av线在线观看网站| 欧美+日韩+精品| 日韩av不卡免费在线播放| 极品人妻少妇av视频| 人人妻人人添人人爽欧美一区卜| a 毛片基地| 国产高清三级在线| 十八禁网站网址无遮挡| 国产成人精品无人区| 亚洲综合色惰| 校园人妻丝袜中文字幕| 免费黄色在线免费观看| 又黄又爽又刺激的免费视频.| 国产成人精品福利久久| 狠狠婷婷综合久久久久久88av| 久久99蜜桃精品久久| 国产熟女欧美一区二区| 91午夜精品亚洲一区二区三区| 亚洲国产欧美在线一区| 欧美bdsm另类| 国产精品女同一区二区软件| 久久精品国产综合久久久 | 亚洲精品久久成人aⅴ小说| 欧美激情 高清一区二区三区| 日韩熟女老妇一区二区性免费视频| 岛国毛片在线播放| 亚洲精品,欧美精品| 亚洲av男天堂| 男女国产视频网站| 高清av免费在线| 午夜91福利影院| 午夜激情av网站| 国产69精品久久久久777片| 久热久热在线精品观看| 国产深夜福利视频在线观看| 人人妻人人爽人人添夜夜欢视频| 中文字幕人妻丝袜制服| 午夜日本视频在线| 亚洲av中文av极速乱| 精品久久蜜臀av无| 成人18禁高潮啪啪吃奶动态图| 毛片一级片免费看久久久久| 亚洲国产精品成人久久小说| 中文字幕免费在线视频6| 夜夜爽夜夜爽视频| 免费在线观看完整版高清| 亚洲中文av在线| 亚洲精品自拍成人| 国产精品欧美亚洲77777| 天堂8中文在线网| 99久久精品国产国产毛片| 日本欧美国产在线视频| 99久久人妻综合| av在线app专区| 国产av一区二区精品久久| 精品亚洲乱码少妇综合久久| 日韩视频在线欧美| 性高湖久久久久久久久免费观看| 18在线观看网站| 七月丁香在线播放| www.熟女人妻精品国产 | 国产深夜福利视频在线观看| 久久这里有精品视频免费| 久久精品人人爽人人爽视色| 久久99精品国语久久久| 日韩av免费高清视频| 视频中文字幕在线观看| 99久国产av精品国产电影| 超碰97精品在线观看| 丁香六月天网| 免费高清在线观看日韩| 亚洲美女黄色视频免费看| 桃花免费在线播放| 两个人看的免费小视频| 一二三四在线观看免费中文在 | 黄色 视频免费看| 成年动漫av网址| 久久精品国产亚洲av涩爱| 成人毛片a级毛片在线播放| 极品人妻少妇av视频| 亚洲av电影在线观看一区二区三区| 久久人人爽人人片av| 午夜福利视频在线观看免费| 国产精品.久久久| 母亲3免费完整高清在线观看 | 欧美xxⅹ黑人| 亚洲av成人精品一二三区| 国产国拍精品亚洲av在线观看| 婷婷色综合www| 国产精品蜜桃在线观看| 在线精品无人区一区二区三| 精品福利永久在线观看| 亚洲av成人精品一二三区| 国产成人免费无遮挡视频| 婷婷色av中文字幕| 国产又爽黄色视频| 岛国毛片在线播放| 精品国产乱码久久久久久小说| 国产精品欧美亚洲77777| 日韩欧美精品免费久久| 一个人免费看片子| 国产精品.久久久| 国产精品偷伦视频观看了| 国国产精品蜜臀av免费| 丝袜脚勾引网站| 久久精品国产鲁丝片午夜精品| 在线精品无人区一区二区三| 日本黄大片高清| 有码 亚洲区| 日韩免费高清中文字幕av| 老熟女久久久| 插逼视频在线观看| 亚洲伊人久久精品综合| 人人妻人人添人人爽欧美一区卜| 亚洲精品456在线播放app| 国产av一区二区精品久久| 男女免费视频国产| 亚洲av国产av综合av卡| 黑人欧美特级aaaaaa片| 最近2019中文字幕mv第一页| 久久久a久久爽久久v久久| 永久网站在线| 精品一区二区免费观看| 一二三四中文在线观看免费高清| 久久人人97超碰香蕉20202| 免费看不卡的av| 美女大奶头黄色视频| 99香蕉大伊视频| 久久精品久久精品一区二区三区| 2021少妇久久久久久久久久久| 免费黄网站久久成人精品| 欧美日本中文国产一区发布| 日韩不卡一区二区三区视频在线| 在线观看国产h片| 亚洲av欧美aⅴ国产| 777米奇影视久久| 性色avwww在线观看| 国产亚洲av片在线观看秒播厂| 亚洲成人av在线免费| 欧美国产精品一级二级三级| 少妇人妻精品综合一区二区| 国产精品国产av在线观看| 又大又黄又爽视频免费| 午夜福利视频精品| 中文字幕亚洲精品专区| 免费女性裸体啪啪无遮挡网站| 国产欧美另类精品又又久久亚洲欧美| 欧美人与性动交α欧美软件 | 男女免费视频国产| 亚洲综合色网址| 欧美成人精品欧美一级黄| videosex国产| 成人黄色视频免费在线看| 欧美人与性动交α欧美软件 | 91久久精品国产一区二区三区| av黄色大香蕉| 美女国产视频在线观看| 如何舔出高潮| 观看av在线不卡| 狂野欧美激情性bbbbbb| a级毛片在线看网站| 亚洲综合精品二区| av.在线天堂| 一二三四中文在线观看免费高清| 黄色一级大片看看| 亚洲av电影在线观看一区二区三区| 97超碰精品成人国产| av又黄又爽大尺度在线免费看| 国产精品久久久av美女十八| 免费播放大片免费观看视频在线观看| 国产成人aa在线观看| 国产熟女欧美一区二区| 久久青草综合色| 欧美日本中文国产一区发布| 久久人人爽人人爽人人片va| 韩国精品一区二区三区 | 婷婷色av中文字幕| 国产熟女午夜一区二区三区| 少妇人妻精品综合一区二区| 欧美日韩成人在线一区二区| a 毛片基地| 日韩一本色道免费dvd| 夜夜骑夜夜射夜夜干| 狠狠婷婷综合久久久久久88av| 免费观看无遮挡的男女| 波野结衣二区三区在线| 综合色丁香网| 黄色一级大片看看| 国产成人av激情在线播放| 十八禁网站网址无遮挡| 激情五月婷婷亚洲| 免费在线观看完整版高清| 欧美精品国产亚洲| 国产成人精品一,二区| 亚洲色图 男人天堂 中文字幕 | 国产精品麻豆人妻色哟哟久久| 各种免费的搞黄视频| 欧美日韩亚洲高清精品| 草草在线视频免费看| a级毛片黄视频| 国产永久视频网站| 午夜91福利影院| 欧美日韩一区二区视频在线观看视频在线| 一二三四中文在线观看免费高清| 国产男女超爽视频在线观看| 亚洲 欧美一区二区三区| av有码第一页| 观看美女的网站| 十八禁网站网址无遮挡| 国产日韩一区二区三区精品不卡| 日本黄色日本黄色录像| 国产精品一区二区在线不卡| 宅男免费午夜| 亚洲精品久久午夜乱码| 宅男免费午夜| 看免费av毛片| 国产探花极品一区二区| 国产精品久久久久久av不卡| 性高湖久久久久久久久免费观看| 久久精品国产综合久久久 | 99久久精品国产国产毛片| 日韩熟女老妇一区二区性免费视频| 午夜91福利影院| 五月开心婷婷网| 日韩欧美精品免费久久| 亚洲av电影在线进入| 最近手机中文字幕大全| 精品国产一区二区三区久久久樱花| 国内精品宾馆在线| 日本免费在线观看一区| 美女国产高潮福利片在线看| 国产福利在线免费观看视频| 国产精品国产三级国产专区5o| 22中文网久久字幕| 成人二区视频| 成人手机av| 18禁动态无遮挡网站| 一区二区三区精品91| 久久99热6这里只有精品| 女人久久www免费人成看片| 国产日韩一区二区三区精品不卡| 亚洲伊人色综图| 亚洲综合色惰| 亚洲国产精品国产精品| 中文精品一卡2卡3卡4更新| av在线老鸭窝| 久久人人爽人人爽人人片va| 三级国产精品片| 欧美xxⅹ黑人| 麻豆精品久久久久久蜜桃| 人成视频在线观看免费观看| 黄网站色视频无遮挡免费观看| 国产免费一级a男人的天堂| 一级黄片播放器| 欧美日韩一区二区视频在线观看视频在线| 狂野欧美激情性bbbbbb| av免费观看日本| 黄色 视频免费看| 久久久久久伊人网av| 亚洲国产精品国产精品| 亚洲欧洲日产国产| 国产精品国产av在线观看| 久久精品久久精品一区二区三区| 亚洲精品美女久久久久99蜜臀 | 国产亚洲最大av| 亚洲三级黄色毛片| 在线观看三级黄色| 国产精品国产三级国产专区5o| 精品国产乱码久久久久久小说| 午夜福利视频在线观看免费| 国产亚洲最大av| 免费大片黄手机在线观看| 国精品久久久久久国模美| 肉色欧美久久久久久久蜜桃| 亚洲欧美清纯卡通| 日产精品乱码卡一卡2卡三| 中文字幕免费在线视频6| 少妇人妻 视频| 精品一区二区三卡| 国产精品三级大全| 黄色配什么色好看| 中文字幕精品免费在线观看视频 | 99热6这里只有精品| 一级,二级,三级黄色视频| 国产精品蜜桃在线观看| av福利片在线| 亚洲国产看品久久| 久久综合国产亚洲精品| 九草在线视频观看| 国产老妇伦熟女老妇高清| 午夜福利网站1000一区二区三区| 欧美3d第一页| 波多野结衣一区麻豆| 免费黄频网站在线观看国产| 中文字幕最新亚洲高清| 亚洲国产精品999| 国产高清国产精品国产三级| 久久精品人人爽人人爽视色| 又黄又粗又硬又大视频| 在线观看免费日韩欧美大片| 欧美3d第一页| 久久久久视频综合| 在线观看免费视频网站a站| 久久精品久久精品一区二区三区| 人人妻人人爽人人添夜夜欢视频| 亚洲国产最新在线播放| 亚洲一码二码三码区别大吗| 黄色 视频免费看| 日本午夜av视频| 韩国精品一区二区三区 | 香蕉精品网在线| 男女边摸边吃奶| 九九爱精品视频在线观看| 亚洲国产精品专区欧美| 国产精品人妻久久久久久| 人人澡人人妻人| 十八禁网站网址无遮挡| 久久精品国产综合久久久 | 亚洲人与动物交配视频| 免费高清在线观看视频在线观看| 啦啦啦啦在线视频资源| 一本色道久久久久久精品综合| 少妇精品久久久久久久| 伦理电影免费视频| 欧美激情国产日韩精品一区| xxxhd国产人妻xxx| 久久99一区二区三区| 水蜜桃什么品种好| 成人国产麻豆网| 亚洲少妇的诱惑av| 丰满迷人的少妇在线观看| 99re6热这里在线精品视频| 日本爱情动作片www.在线观看| 人人妻人人澡人人爽人人夜夜| av电影中文网址| 日本与韩国留学比较| 亚洲精品456在线播放app| 大码成人一级视频| 久久这里有精品视频免费| av一本久久久久| 黑丝袜美女国产一区| 日韩免费高清中文字幕av| 成人手机av| 女的被弄到高潮叫床怎么办| 亚洲国产av新网站| 日韩在线高清观看一区二区三区| 在线观看美女被高潮喷水网站| 免费女性裸体啪啪无遮挡网站| 下体分泌物呈黄色| av播播在线观看一区| 日本91视频免费播放| 国产男人的电影天堂91| 岛国毛片在线播放| 欧美日韩国产mv在线观看视频| 超色免费av| 欧美丝袜亚洲另类| 日日撸夜夜添| 久久精品熟女亚洲av麻豆精品| 国产男女内射视频| videosex国产| 99久国产av精品国产电影| 婷婷色综合大香蕉| 丁香六月天网| 日本av手机在线免费观看| 看十八女毛片水多多多| 亚洲五月色婷婷综合| 午夜av观看不卡| 午夜精品国产一区二区电影| 亚洲国产av影院在线观看| 亚洲精品国产av蜜桃| 久久久精品94久久精品| 免费看不卡的av| 日韩免费高清中文字幕av| a级毛片在线看网站| 少妇熟女欧美另类| 26uuu在线亚洲综合色| 在线观看免费视频网站a站| 中国国产av一级| 亚洲,欧美,日韩| 曰老女人黄片| 大香蕉久久成人网| 亚洲三级黄色毛片| 久久人人爽av亚洲精品天堂| 男女免费视频国产| 久久久精品区二区三区| 亚洲成国产人片在线观看| 两个人免费观看高清视频| 人人澡人人妻人| 成人毛片a级毛片在线播放| 亚洲av综合色区一区| 国产精品免费大片| 中国美白少妇内射xxxbb| 色婷婷久久久亚洲欧美| 国产精品偷伦视频观看了| 晚上一个人看的免费电影| 最近最新中文字幕免费大全7| 亚洲三级黄色毛片| 好男人视频免费观看在线| 中文天堂在线官网| 国产日韩欧美亚洲二区| 午夜激情久久久久久久| 99国产精品免费福利视频| 国产在视频线精品| 免费在线观看黄色视频的| 男人舔女人的私密视频| 丰满迷人的少妇在线观看| 日韩,欧美,国产一区二区三区| 王馨瑶露胸无遮挡在线观看| 国产精品一国产av| 十八禁高潮呻吟视频| 黄色怎么调成土黄色| 在线天堂最新版资源| 国产欧美日韩一区二区三区在线| 五月玫瑰六月丁香| 国产成人精品在线电影| 国产 精品1|