• <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 ?

    注意力引導特征融合的織物表面缺陷檢測

    2021-12-08 01:22宋智勇潘海鵬
    軟件工程 2021年12期
    關(guān)鍵詞:缺陷檢測注意力機制

    宋智勇 潘海鵬

    摘 ?要:在復雜圖案織物表面缺陷檢測任務(wù)中,傳統(tǒng)分割算法在特征融合時忽略了不同尺度特征的語義差異,從而造成了分割精度的下降。針對這個問題,提出了一種注意力引導特征融合的缺陷檢測方法。使用空間注意力模塊來抑制紋理背景的干擾,突出缺陷信息;使用自注意力金字塔池化模塊整合局部特征和全局特征,進一步增強特征表示;使用通道注意力模塊引導網(wǎng)絡(luò)選擇有用特征,實現(xiàn)深層特征與淺層特征更好地進行信息融合。實驗結(jié)果顯示,相較于傳統(tǒng)分割算法,本文方法在像素精度、平均像素精度以及均交并比三個指標上均有所提升,證明了算法的有效性。

    關(guān)鍵詞:注意力機制;多尺度融合;缺陷檢測

    中圖分類號:TP391 ? ? 文獻標識碼:A

    Abstract: In the task of detecting defects on the surface of fabrics with complex patterns, traditional segmentation algorithms ignore the semantic differences of different scale features in feature fusion, resulting in a decrease in segmentation accuracy. To solve this problem, this paper proposes a defect detection method based on attention-guided feature fusion. Spatial attention module is used to suppress the interference of the texture background and highlight defect information.

    Self-attention pyramid pooling module is used to integrate local and global features to further enhance feature representation. Channel attention module is used to guide the network to select useful features, so to achieve better information fusion of deep features and shallow features. The experimental results show that compared with the traditional segmentation algorithm, the proposed method has improved pixel accuracy, average pixel accuracy, and mean intersection over union, which shows the effectiveness of the algorithm.

    Keywords: attention mechanism; multi-scale fusion; defect detection

    1 ? 引言(Introduction)

    織物表面缺陷檢測是紡織工業(yè)生產(chǎn)中的一項重要任務(wù),許多企業(yè)采用人工的方法進行缺陷檢測,檢測效率低,易疲勞。隨著機器視覺技術(shù)的發(fā)展,表面缺陷自動檢測成為研究熱點。傳統(tǒng)機器視覺缺陷檢測方法可分為基于統(tǒng)計[1]、模型[2]、光譜[3]和結(jié)構(gòu)[4]的方法,然而,這些方法依賴于手工設(shè)計的特征,對紋理背景變化敏感,泛化性能差。高性能計算機的普及使得深度學習在工業(yè)中得到了廣泛應(yīng)用,目前缺陷檢測主要依賴基于卷積網(wǎng)絡(luò)的圖像分類、目標檢測以及語義分割方法。景軍鋒等[5]利用微調(diào)后的Alexnet網(wǎng)絡(luò)對兩種織物表面的缺陷進行分類。趙志勇等[6]提出了一種基于inereception-resnet-v2網(wǎng)絡(luò)的織物缺陷檢測算法,對復雜背景下的織物缺陷進行檢測和分類,準確率能夠達到99%。史甜甜[7]利用深度可分離卷積與Fisher準則約束相結(jié)合對周期性圖案缺陷進行檢測。景軍鋒等[8]提出了一種應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測算法。在缺陷檢測任務(wù)中,分割任務(wù)被認為是最困難的挑戰(zhàn),相較于傳統(tǒng)的分割算法忽視了不同尺度特征之間的語義差異,本文基于全卷積網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計了注意力引導特征融合的網(wǎng)絡(luò)模型,使用專門的特征融合方法更好地將深層和淺層特征相融合,得到了更加精細的分割結(jié)果。首先簡單介紹了傳統(tǒng)的語義分割算法;其次對我們的整體模型以及各個模塊進行介紹分析;最后通過對比實驗證明本文所提算法的有效性。

    2 ? 語義分割算法(Semantic segmentation algorithm)

    2.1 ? 全卷積網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)通常包括一系列卷積層與全連接層,圖像經(jīng)過卷積層后通過全連接層將特征矩陣轉(zhuǎn)換為一個固定長度的特征向量。與卷積神經(jīng)網(wǎng)絡(luò)不同的是,全卷積網(wǎng)絡(luò)(FCN)[9]使用全卷積層代替了全連接層,其結(jié)構(gòu)如圖1所示。原圖進入FCN網(wǎng)絡(luò)中,通過一系列卷積層和下采樣池化層得到深層特征圖,為了保證分割精度,使用跳層連接融合深層的語義信息和淺層的空間信息,采用反卷積的上采樣方法逐步恢復圖像信息。根據(jù)跳層連接方式可分為FCN-32S、FCN-16S、FCN-8S三種不同的結(jié)構(gòu),其中FCN-32S直接使用32 倍上采樣恢復圖像信息,F(xiàn)CN-16S指的是通過跳層連接后上采樣16 倍恢復圖像信息,F(xiàn)CN-8S指的是通過跳層連接后上采樣8 倍恢復圖像信息。

    2.2 ? 編碼解碼結(jié)構(gòu)U-net

    U-net[10]是基于全卷積網(wǎng)絡(luò)FCN的一種左右對稱的編碼解碼結(jié)構(gòu),如圖2所示。它因為形似字母U而被稱為U-net,包含編碼、解碼、跳層連接三個模塊,輸入圖像經(jīng)過多次降采樣,感受野不斷增加,得到高層語義信息的深層特征,然后以對稱的方式在同深度的特征圖跳層連接進行融合,不同于全卷積網(wǎng)絡(luò)FCN,U-net網(wǎng)絡(luò)的特征融合方式為通道級聯(lián)。編碼器的下采樣選擇了最大池化操作,上采樣選擇了反卷積結(jié)構(gòu),由于卷積過程中選擇了valid(不填充)操作,為了保證融合過程中大小相同,采用截取后再復制的方法進行對齊。

    3 ? 方法(Method)

    3.1 ? 整體網(wǎng)絡(luò)結(jié)構(gòu)

    本部分將詳細討論模型的實現(xiàn)過程,圖3顯示了模型的總體結(jié)構(gòu),由編碼器、解碼器、跳層連接和注意力引導多尺度融合四個模塊組成。圖像經(jīng)過編碼器部分來提取圖像特征,將最后一層卷積層得到的深層特征送入自注意力金字塔池化模塊(SP)獲取豐富的上下文信息,將淺層特征送入空間注意力模塊(PA)抑制背景信息。特征融合方式有兩條自上而下的路徑,第一條路徑融合時通過1*1卷積對齊深層淺層特征通道數(shù),通過使用類似FPN結(jié)構(gòu)的逐元素相加方法層層遞進地整合深層和淺層特征,實現(xiàn)特征的初步融合,經(jīng)過初步融合的特征具備多尺度信息;第二條路徑使用的是級聯(lián)通道特征融合方式來疊加不同層級的特征圖,使用3*3卷積對融合的特征圖進行通道變換,使用通道注意力模塊(CA)學習通道間的相關(guān)性,自適應(yīng)地計算加權(quán)特征,過濾出與有意義的特征對應(yīng)的特征映射,對有效信息進行增強。

    3.2 ? 空間注意力模塊

    淺層特征包含大量的細節(jié)紋理信息,然而淺層特征語義信息不足,直接進行特征融合會引入大量噪聲,使用空間注意力模塊(PA)可以增強判別性特征的特征表示能力,抑制背景信息,更加集中于特征的位置信息,增強特征表達。空間注意力模塊結(jié)構(gòu)如圖4所示。為了提取多尺度位置信息,增加感受野,借鑒文獻[11]所提出的GCN模塊,使用大卷積核對稱分離卷積對通道特征圖進行壓縮得到兩個一維通道特征圖,通過逐元素相加的方式聚合特征信息,使用Sigmoid激活函數(shù)得到歸一化后的空間注意力權(quán)重信息,與原始特征圖進行逐元素相乘得到加權(quán)空間注意力特征圖,最后與原始特征圖逐元素相加得到最后的輸出特征圖。

    3.3 ? 自注意力金字塔池化模塊

    深層特征具有豐富的語義信息,可以幫助挖掘缺陷的詳細位置,為了有效提取全局特征信息,擴大感受野,在編碼器末端添加自注意力金字塔池化模塊(SP),如圖5所示。它包含左邊的金字塔池化模塊和右邊的自注意力模塊兩個部分,金字塔池化模塊將特征圖劃分為多個區(qū)域,每個區(qū)域中的像素都可以看作全局表示,包含1*1、2*2、3*3和6*6這四種不同尺寸的池化操作,多種不同的池化意味著提取到了更加豐富的高層特征,有助于減少信息丟失。通過四種不同尺寸的池化操作得到四個尺寸的特征圖,通過雙線性插值對這些特征圖進行上采樣,將不同級別的特征進行通道級聯(lián)融合特征,作為最后的金字塔池化全局特性,融合不同區(qū)域的上下文信息。通過對不同區(qū)域的上下文進行聚合,提升了網(wǎng)絡(luò)利用全局上下文信息的能力。深層特征經(jīng)過金字塔池化模塊獲取全局信息后,為了進一步增強缺陷分割網(wǎng)絡(luò)的特征表示,有必要捕獲全局信息,建模像素和全局的聯(lián)系。使用自注意力模塊對遠程特征依賴性進行建模,過濾由全局特征傳遞的不相關(guān)信息,進一步強調(diào)或抑制不同空間位置中的特征。自注意力模塊結(jié)構(gòu)如圖5右半部分所示,通過矩陣相乘操作來建模像素和全局的聯(lián)系。首先輸入特征圖經(jīng)過三個分支的1*1卷積生成三個新特征圖、、。為了計算某一位置與所有像素之間的相似性,將進行轉(zhuǎn)置后與進行矩陣相乘得到相似性矩陣,計算公式如式(1)所示,表示第個位置對第個位置的影響,因為特征圖含有通道,矩陣相乘相當于位置所有通道的值與位置所有通道的值進行點乘操作,值越大代表兩個位置相似性越高。對相似性矩陣進行Softmax歸一化操作得到相關(guān)權(quán)重系數(shù),將經(jīng)過Softmax歸一化操作后的相似性矩陣與進行矩陣相乘,最后與原特征圖進行逐像素相加后,再通過1*1卷積進行信息整合得到最后的自注意力模塊輸出。自注意力模塊通過對所有位置特征的加權(quán)求和學習獲取任意兩個位置之間的空間依賴,捕捉遠距離信息,進一步增強了特征表示。

    3.4 ? 通道注意力模塊

    通道注意力模塊(CA)作用于不同尺度特征跨層融合階段,直接相加或者通道級聯(lián)融合方式?jīng)]有考慮到不同通道間特征的相關(guān)性和重要性,通過計算通道之間的相互關(guān)系,對信息的重要程度進行重新分配,指導特征圖進行加權(quán)。通道注意力模塊結(jié)構(gòu)如圖6所示,給定輸入特征F,使用全局平均池化操作和全局最大池化操作得到兩個包含全局信息的C*1*1特征圖。并行的全局平均池化操作和全局最大池化操作可以防止單一池化操作造成信息丟失過多,參數(shù)共享層SL中包含全連接層FC和ReLU激活函數(shù),可以建模通道中的相互關(guān)系,將輸出的兩個特征圖通過逐像素相加聚合語義信息。使用Sigmoid激活函數(shù)得到權(quán)重參數(shù)Fc,與原特征圖F逐元素相乘得到加權(quán)特征圖F'。借鑒殘差機制將經(jīng)過通道注意力細化的特征圖F'與原特征圖F逐元素相加后得到最終的輸出特征圖Fc''。通道注意力模塊計算公式如式(2)—式(4)所示。

    4 ? 實驗(Experiment)

    4.1 ? 數(shù)據(jù)集

    本文使用的密集織物圖片數(shù)據(jù)來自香港大學數(shù)據(jù)庫,包含星形圖案、點圖案、箱形圖案三種背景類型的織物共166 張圖片,選取45 張缺陷圖片和75 張無缺陷圖片作為訓練集,30 張缺陷圖片作為測試集。為了防止過擬合,我們使用隨機旋轉(zhuǎn)、左右翻轉(zhuǎn)、上下翻轉(zhuǎn)等方式進行數(shù)據(jù)擴充??椢锶毕輬D片如圖7所示。

    4.2 ? 參數(shù)設(shè)置

    本文實驗基于Windows系統(tǒng)下搭建的PyTorch深度學習框架,詳細硬件環(huán)境和軟件環(huán)境如表1所示。訓練時,使用SGD隨機梯度下降法進行優(yōu)化,初始學習率為0.01,動量為0.7,批量大小為4,迭代500 個周期。實驗中的圖像大小為256256。訓練過程loss曲線如圖8所示,loss不斷下降,說明網(wǎng)絡(luò)訓練正常。

    4.3 ? 評價指標

    為了評估所提出方法的有效性,使用了三個評價指標,即像素精度PA、平均像素精度MPA、均交并比MIoU,計算公式如式(5)—式(7)所示。

    其中,表示包括背景的總類別,表示實際是類被推斷為類的像素數(shù)量,表示實際是類被推斷為類的像素數(shù)量,表示實際是類被推斷為類的像素數(shù)量。PA是最簡單的評價指標,指的是正確的像素與總像素的比值;MPA表示的是所有類別像素精度均值;均交并比MIoU計算的是分割圖與真實標注的交集與并集比,值越大,說明分割效果越好。

    4.4 ? 實驗結(jié)果分析

    我們選擇FCN和U-net網(wǎng)絡(luò)作為對比實驗,實驗結(jié)果如表2所示。

    對比表2中的結(jié)果,本文所提出的模型在像素精度PA、平均像素精度MPA、均交并比MIoU三個指標上均有所提升。由于引入了空間注意力機制,有效抑制了復雜紋理背景信息,增強了特征表達,提高了像素準確性,與FCN-8S方法相比,平均像素精度MPA提高了2.53%;由于引入了自注意力金字塔池化模塊,有效利用了全局信息,增強了上下文表示;由于引入了通道注意力模塊指導不同尺度特征融合,對各個尺度特征權(quán)值進行重新分配,得到了更好地融合效果,相比U-net方法,均交并比MIoU提高了2.31%,缺陷分割邊緣更加精細。模型的分割效果如圖9所示,實驗結(jié)果表明,本文所提出的基于注意力引導的特征融合網(wǎng)絡(luò)顯著提高了缺陷分割的準確性。

    5 ? 結(jié)論(Conclusion)

    傳統(tǒng)分割方法直接采用逐元素相加或者級聯(lián)通道的特征融合方式,未能對融合后的特征進行進一步的分析,使得融合后的特征包含大量的無關(guān)信息。針對此問題,本文提出了一種基于注意力引導特征融合的缺陷分割方法,通過注意力引導特征融合模塊整合編解碼信息。相較于傳統(tǒng)算法,本文使用空間注意力機制減少了淺層特征中的背景等噪聲信息的干擾,保存有效的位置信息,編碼器末端使用自注意力金字塔池化模塊建立更豐富的全局語義信息,將通道注意力用于深層淺層特征融合階段提取重要信息,提高了特征融合的質(zhì)量。實驗結(jié)果表明,我們的方法具有良好的缺陷分割效果。未來,我們將致力于使用圖像級標簽而非像素級標簽進行缺陷分割來減少對人工標記的依賴。

    參考文獻(References)

    [1] HU J, HE Z, WENG G, et al. Detection of chemical fabric defects on the basis of morphological processing[J]. The Journal of The Textile Institute, 2016, 107(2):233-241.

    [2] 李敏,崔樹芹,謝治平.高斯混合模型在印花織物疵點檢測中的應(yīng)用[J].紡織學報,2015,36(8):94-98.

    [3] DEOTALE N T, SARODE T K. Fabric defect detection adopting combined GLCM, Gabor wavelet features and random decision forest[J]. 3D Research, 2019, 10(1):5.

    [4] JIA L, CHEN C, LIANG J, et al. Fabric defect inspection based on lattice segmentation and Gabor filtering[J]. Neurocomputing, 2017, 238:84-102.

    [5] 景軍鋒,劉嬈.基于卷積神經(jīng)網(wǎng)絡(luò)的織物表面缺陷分類方法[J].測控技術(shù),2018,37(09):20-25.

    [6] 趙志勇,葉林,桑紅石,等.深度學習在布匹缺陷檢測中的應(yīng)用[J].國外電子測量技術(shù),2019,38(08):110-116.

    [7] 史甜甜.基于Fisher準則的深層卷積神經(jīng)網(wǎng)絡(luò)織物疵點檢測[J].計算機系統(tǒng)應(yīng)用,2019,28(03):140-145.

    [8] 景軍鋒,范曉婷,李鵬飛,等.應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測[J]. 紡織學報,2017,38(02):68-74.

    [9] LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4):640-651.

    [10] RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional networks for biomedical image segmentation[C]// NAVAB N. International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015:234-241.

    [11] PENG C, ZHANG X, YU G, et al. Large kernel matters—improve semantic segmentation by global convolutional network[C]// IEEE. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, New York: IEEE, 2017:4353-4361.

    作者簡介:

    宋智勇(1996-),男,碩士生.研究領(lǐng)域:圖像處理.

    潘海鵬(1965-),男,碩士,教授.研究領(lǐng)域:工業(yè)控制自動化.

    猜你喜歡
    缺陷檢測注意力機制
    面向短文本的網(wǎng)絡(luò)輿情話題
    基于自注意力與動態(tài)路由的文本建模方法
    基于深度學習的問題回答技術(shù)研究
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    基于注意力機制的雙向LSTM模型在中文商品評論情感分類中的研究
    InsunKBQA:一個基于知識庫的問答系統(tǒng)
    基于電渦流原理的無損檢測方案設(shè)計
    超聲波與特高頻方法下的GIS局部放電檢測技術(shù)分析
    基于極限學習機的玻璃瓶口缺陷檢測方法研究
    基于圖像處理的印品質(zhì)量檢測系統(tǒng)研究
    成人欧美大片| 午夜日本视频在线| 日本午夜av视频| 国产成人精品久久久久久| 性插视频无遮挡在线免费观看| 国产综合精华液| 欧美日韩精品成人综合77777| 日本免费在线观看一区| 亚洲精品亚洲一区二区| 国产一区二区在线观看日韩| 在线观看一区二区三区| 91av网一区二区| 哪个播放器可以免费观看大片| 久久99精品国语久久久| 国产午夜精品久久久久久一区二区三区| 国产极品天堂在线| 久久精品国产自在天天线| 亚洲综合色惰| 亚洲熟妇中文字幕五十中出| 一级毛片电影观看| 综合色丁香网| 欧美xxxx黑人xx丫x性爽| 99久国产av精品国产电影| 国产片特级美女逼逼视频| 国产成人aa在线观看| 老女人水多毛片| 三级经典国产精品| 国产精品一及| 五月天丁香电影| 乱码一卡2卡4卡精品| 大香蕉久久网| 亚洲av男天堂| 性插视频无遮挡在线免费观看| 欧美日韩亚洲高清精品| 国产精品.久久久| eeuss影院久久| 一夜夜www| 国产单亲对白刺激| h日本视频在线播放| 男女下面进入的视频免费午夜| 69人妻影院| 国产单亲对白刺激| 成人亚洲精品一区在线观看 | 男人爽女人下面视频在线观看| 国产综合懂色| 永久网站在线| 丰满乱子伦码专区| 亚洲成人一二三区av| 91狼人影院| 亚洲乱码一区二区免费版| 噜噜噜噜噜久久久久久91| 熟女人妻精品中文字幕| 国产伦一二天堂av在线观看| 久久精品久久久久久噜噜老黄| 日日干狠狠操夜夜爽| 国产69精品久久久久777片| 久久久精品免费免费高清| 大陆偷拍与自拍| 国产一区二区在线观看日韩| 丝袜美腿在线中文| 国产 一区 欧美 日韩| 欧美日韩综合久久久久久| 久久这里只有精品中国| 日韩欧美精品免费久久| 精品久久久久久久久久久久久| 伦理电影大哥的女人| eeuss影院久久| 亚洲aⅴ乱码一区二区在线播放| 欧美日韩亚洲高清精品| 一级毛片黄色毛片免费观看视频| 国产精品日韩av在线免费观看| 水蜜桃什么品种好| 中国美白少妇内射xxxbb| 亚洲精品视频女| 国产av不卡久久| 99九九线精品视频在线观看视频| 免费看日本二区| 少妇熟女aⅴ在线视频| 日韩中字成人| 日本一二三区视频观看| 少妇熟女欧美另类| 国产老妇伦熟女老妇高清| 国产一区二区在线观看日韩| 一级毛片 在线播放| 国产成人福利小说| 国产成人a∨麻豆精品| 亚洲最大成人av| 一级二级三级毛片免费看| 成人无遮挡网站| 少妇猛男粗大的猛烈进出视频 | 亚洲国产av新网站| 99热网站在线观看| 久久国产乱子免费精品| ponron亚洲| 国产精品一区二区在线观看99 | 日韩欧美 国产精品| 女人久久www免费人成看片| 免费av观看视频| 又黄又爽又刺激的免费视频.| 91精品国产九色| 国产黄色视频一区二区在线观看| 欧美xxxx黑人xx丫x性爽| 午夜亚洲福利在线播放| 精品久久久久久久久av| 丰满少妇做爰视频| 狠狠精品人妻久久久久久综合| 国产色爽女视频免费观看| 不卡视频在线观看欧美| 成人毛片a级毛片在线播放| 亚洲精品日韩av片在线观看| 深夜a级毛片| 亚洲综合色惰| 国产视频首页在线观看| 欧美成人a在线观看| 免费在线观看成人毛片| 国产一区有黄有色的免费视频 | 哪个播放器可以免费观看大片| 少妇的逼好多水| 久久午夜福利片| 国产亚洲一区二区精品| 中文字幕久久专区| av天堂中文字幕网| 亚洲国产精品专区欧美| 高清欧美精品videossex| 成年av动漫网址| 国产欧美日韩精品一区二区| 精品国产一区二区三区久久久樱花 | 国产一区有黄有色的免费视频 | 国产亚洲5aaaaa淫片| 亚洲18禁久久av| 亚洲婷婷狠狠爱综合网| 色视频www国产| 久久精品熟女亚洲av麻豆精品 | 丰满人妻一区二区三区视频av| 久久精品久久精品一区二区三区| 51国产日韩欧美| 国产高清三级在线| 九草在线视频观看| 日韩欧美精品v在线| 激情五月婷婷亚洲| 国产亚洲精品久久久com| 青春草视频在线免费观看| 亚洲av国产av综合av卡| 国模一区二区三区四区视频| 波多野结衣巨乳人妻| av播播在线观看一区| av卡一久久| 国产一区有黄有色的免费视频 | 亚洲欧美清纯卡通| 麻豆成人av视频| 搡女人真爽免费视频火全软件| 午夜福利视频1000在线观看| 亚洲,欧美,日韩| 国产精品av视频在线免费观看| 日本一二三区视频观看| 十八禁网站网址无遮挡 | 国产淫语在线视频| 男女下面进入的视频免费午夜| 性插视频无遮挡在线免费观看| 九九爱精品视频在线观看| 午夜福利成人在线免费观看| 午夜精品一区二区三区免费看| 欧美不卡视频在线免费观看| 国产午夜精品久久久久久一区二区三区| 亚洲av免费在线观看| 日日干狠狠操夜夜爽| 麻豆精品久久久久久蜜桃| 99久久精品一区二区三区| 国内精品美女久久久久久| 亚洲av免费在线观看| 午夜福利视频1000在线观看| 老女人水多毛片| 欧美区成人在线视频| 国产成人91sexporn| 精品午夜福利在线看| 免费观看性生交大片5| 秋霞在线观看毛片| 欧美高清成人免费视频www| 久久久久久久大尺度免费视频| 中文字幕免费在线视频6| 一级av片app| 麻豆国产97在线/欧美| 嫩草影院入口| 欧美丝袜亚洲另类| 久久精品熟女亚洲av麻豆精品 | 免费av毛片视频| 18禁在线无遮挡免费观看视频| 国产精品蜜桃在线观看| 日韩成人伦理影院| av在线蜜桃| 欧美一区二区亚洲| 夜夜爽夜夜爽视频| 在线观看一区二区三区| 三级毛片av免费| 九草在线视频观看| 舔av片在线| 别揉我奶头 嗯啊视频| 久久热精品热| 美女cb高潮喷水在线观看| 欧美日本视频| 国产精品人妻久久久影院| 国产乱来视频区| 精品国产一区二区三区久久久樱花 | 夜夜爽夜夜爽视频| 日本wwww免费看| 久99久视频精品免费| 黄色配什么色好看| 嫩草影院精品99| 尤物成人国产欧美一区二区三区| 婷婷色麻豆天堂久久| 欧美成人a在线观看| 成人午夜精彩视频在线观看| 国产成人91sexporn| 韩国av在线不卡| 网址你懂的国产日韩在线| 2018国产大陆天天弄谢| 亚洲精品乱码久久久v下载方式| 免费观看在线日韩| 午夜激情久久久久久久| 一本久久精品| 久久人人爽人人片av| 精品国内亚洲2022精品成人| 欧美日韩一区二区视频在线观看视频在线 | 免费人成在线观看视频色| 日本免费在线观看一区| 七月丁香在线播放| 婷婷色综合www| 联通29元200g的流量卡| 欧美精品一区二区大全| a级毛片免费高清观看在线播放| 日韩一区二区三区影片| 国产精品麻豆人妻色哟哟久久 | 天天躁日日操中文字幕| 日本三级黄在线观看| 亚洲国产日韩欧美精品在线观看| 男女边摸边吃奶| 国产av不卡久久| 亚洲精品国产av成人精品| 国产在视频线在精品| 精品一区二区三区人妻视频| 美女国产视频在线观看| 97热精品久久久久久| 亚洲精品456在线播放app| 中文字幕久久专区| 一区二区三区高清视频在线| 午夜免费男女啪啪视频观看| 寂寞人妻少妇视频99o| 亚洲精品色激情综合| 成年人午夜在线观看视频 | 97超碰精品成人国产| 亚洲精品aⅴ在线观看| 一级片'在线观看视频| 人妻少妇偷人精品九色| 赤兔流量卡办理| 亚洲精品自拍成人| 少妇裸体淫交视频免费看高清| 嘟嘟电影网在线观看| 国产精品.久久久| 最近最新中文字幕免费大全7| 国内精品宾馆在线| 日韩电影二区| 国产av在哪里看| 国精品久久久久久国模美| 亚洲不卡免费看| 欧美日韩一区二区视频在线观看视频在线 | 国产一区有黄有色的免费视频 | 精品一区在线观看国产| 久久精品久久久久久久性| 日本熟妇午夜| 欧美另类一区| 久久精品熟女亚洲av麻豆精品 | 干丝袜人妻中文字幕| 国产精品一区二区性色av| 91精品伊人久久大香线蕉| 国产成人午夜福利电影在线观看| 天堂√8在线中文| 日本三级黄在线观看| 欧美日韩在线观看h| 中文乱码字字幕精品一区二区三区 | 一边亲一边摸免费视频| 成人美女网站在线观看视频| 日韩精品有码人妻一区| 18禁动态无遮挡网站| 日韩人妻高清精品专区| 成人av在线播放网站| 欧美区成人在线视频| 日日干狠狠操夜夜爽| 欧美高清成人免费视频www| 国产精品国产三级国产av玫瑰| 国产精品伦人一区二区| 2021天堂中文幕一二区在线观| av女优亚洲男人天堂| .国产精品久久| 日本免费a在线| av在线老鸭窝| av国产免费在线观看| 国产乱来视频区| 91久久精品电影网| 久久久久精品性色| 伦理电影大哥的女人| 色综合站精品国产| 亚洲国产成人一精品久久久| 色播亚洲综合网| 欧美xxxx性猛交bbbb| 亚洲性久久影院| 精品国产三级普通话版| 午夜福利在线观看吧| 老女人水多毛片| 午夜日本视频在线| 一级毛片久久久久久久久女| 99久久人妻综合| 91午夜精品亚洲一区二区三区| 免费观看无遮挡的男女| 国产成人a区在线观看| 日韩人妻高清精品专区| 日本免费a在线| 亚洲怡红院男人天堂| 男人和女人高潮做爰伦理| 久久久久久久久中文| 热99在线观看视频| 99久久精品国产国产毛片| 联通29元200g的流量卡| 国产乱人视频| 日韩成人av中文字幕在线观看| 直男gayav资源| av网站免费在线观看视频 | 日韩欧美精品免费久久| 中文字幕久久专区| av播播在线观看一区| 最后的刺客免费高清国语| 午夜免费观看性视频| 3wmmmm亚洲av在线观看| 男人和女人高潮做爰伦理| av在线亚洲专区| 亚洲怡红院男人天堂| 在线 av 中文字幕| 免费看光身美女| 国产成年人精品一区二区| 直男gayav资源| 精品国产三级普通话版| 直男gayav资源| 日韩不卡一区二区三区视频在线| 内地一区二区视频在线| 99久久精品热视频| 乱码一卡2卡4卡精品| www.色视频.com| 嘟嘟电影网在线观看| 欧美日韩在线观看h| 久久99热6这里只有精品| 婷婷色麻豆天堂久久| 简卡轻食公司| 亚洲精品日韩在线中文字幕| 国产乱来视频区| 日日啪夜夜撸| 国产69精品久久久久777片| 国产亚洲5aaaaa淫片| 韩国av在线不卡| 亚洲av中文av极速乱| 51国产日韩欧美| ponron亚洲| 午夜爱爱视频在线播放| 亚洲av国产av综合av卡| 99热6这里只有精品| 亚洲精品日韩在线中文字幕| 国产黄色视频一区二区在线观看| 亚洲精品久久久久久婷婷小说| 久久人人爽人人片av| 男人舔奶头视频| 秋霞在线观看毛片| 日韩欧美精品v在线| 婷婷色av中文字幕| 黄片wwwwww| 又爽又黄无遮挡网站| 亚洲成人精品中文字幕电影| 亚洲国产成人一精品久久久| 亚洲欧洲国产日韩| 亚洲国产精品国产精品| 一级毛片 在线播放| 久久精品国产亚洲av天美| 久久久久精品久久久久真实原创| 别揉我奶头 嗯啊视频| 少妇丰满av| 精品99又大又爽又粗少妇毛片| 日本色播在线视频| 精品99又大又爽又粗少妇毛片| 欧美bdsm另类| 亚洲国产精品国产精品| 国产欧美另类精品又又久久亚洲欧美| 免费人成在线观看视频色| 精品久久久久久久久av| 97超碰精品成人国产| 99九九线精品视频在线观看视频| 久久鲁丝午夜福利片| 成人午夜高清在线视频| 亚洲成色77777| 久久午夜福利片| 国产av码专区亚洲av| 六月丁香七月| 亚洲欧美精品自产自拍| 精品欧美国产一区二区三| 国产白丝娇喘喷水9色精品| 97在线视频观看| 午夜免费观看性视频| 久久人人爽人人爽人人片va| 天堂影院成人在线观看| 国产不卡一卡二| 别揉我奶头 嗯啊视频| 国产成人免费观看mmmm| 精品久久久噜噜| 色哟哟·www| 国产又色又爽无遮挡免| 日本爱情动作片www.在线观看| 岛国毛片在线播放| 亚洲国产av新网站| 一级爰片在线观看| 国国产精品蜜臀av免费| 国产成人一区二区在线| 丝袜美腿在线中文| 国产精品久久久久久久电影| 亚洲国产色片| 2021天堂中文幕一二区在线观| 日本黄色片子视频| 亚洲欧洲国产日韩| 成人美女网站在线观看视频| a级毛片免费高清观看在线播放| 尾随美女入室| 一二三四中文在线观看免费高清| 欧美日韩综合久久久久久| 最近手机中文字幕大全| 日韩人妻高清精品专区| 国产精品伦人一区二区| 色综合亚洲欧美另类图片| 国产大屁股一区二区在线视频| 日韩三级伦理在线观看| 国产午夜精品一二区理论片| 日本爱情动作片www.在线观看| 久久久久久久久久久免费av| 亚洲最大成人手机在线| 国产黄色免费在线视频| 中文字幕制服av| 亚洲av.av天堂| 精品一区二区三卡| 美女xxoo啪啪120秒动态图| 内射极品少妇av片p| 91精品伊人久久大香线蕉| 夜夜看夜夜爽夜夜摸| 成人性生交大片免费视频hd| 91aial.com中文字幕在线观看| 成人鲁丝片一二三区免费| freevideosex欧美| 久99久视频精品免费| 久久久久国产网址| 亚洲国产高清在线一区二区三| 国产精品无大码| 免费看日本二区| 国产午夜福利久久久久久| 精品久久久精品久久久| 少妇的逼水好多| 少妇的逼好多水| 国产成人精品一,二区| xxx大片免费视频| 十八禁国产超污无遮挡网站| 日韩精品有码人妻一区| 欧美极品一区二区三区四区| 亚洲乱码一区二区免费版| 国产乱来视频区| 国产乱人视频| 99热全是精品| 亚洲精品,欧美精品| 日本黄色片子视频| 国产亚洲5aaaaa淫片| 麻豆乱淫一区二区| 寂寞人妻少妇视频99o| 久久国内精品自在自线图片| 一个人看的www免费观看视频| 国精品久久久久久国模美| 亚洲性久久影院| a级毛片免费高清观看在线播放| 啦啦啦韩国在线观看视频| 国产精品一及| 极品少妇高潮喷水抽搐| 国内揄拍国产精品人妻在线| 国产v大片淫在线免费观看| av播播在线观看一区| a级毛色黄片| 汤姆久久久久久久影院中文字幕 | 男人狂女人下面高潮的视频| 日本与韩国留学比较| 亚洲精品成人av观看孕妇| 日韩一本色道免费dvd| av女优亚洲男人天堂| 网址你懂的国产日韩在线| 亚洲精品456在线播放app| 青春草视频在线免费观看| 高清日韩中文字幕在线| 亚洲精品乱码久久久v下载方式| 国产一区二区三区av在线| 麻豆成人午夜福利视频| 一级毛片黄色毛片免费观看视频| 毛片一级片免费看久久久久| 亚洲av二区三区四区| 两个人视频免费观看高清| 人妻制服诱惑在线中文字幕| 免费观看性生交大片5| 久久亚洲国产成人精品v| 国产av不卡久久| 成年av动漫网址| 看非洲黑人一级黄片| 中文字幕制服av| 欧美日韩精品成人综合77777| 麻豆av噜噜一区二区三区| 日韩av不卡免费在线播放| 中文乱码字字幕精品一区二区三区 | 久久久久国产网址| 中国国产av一级| av专区在线播放| 国产精品一区二区三区四区久久| 日本三级黄在线观看| 国内揄拍国产精品人妻在线| 国产一级毛片在线| 黄片无遮挡物在线观看| 久久精品国产亚洲网站| 久久鲁丝午夜福利片| 亚洲精品自拍成人| 婷婷色综合大香蕉| 狠狠精品人妻久久久久久综合| 国产伦精品一区二区三区视频9| 十八禁国产超污无遮挡网站| 久久人人爽人人爽人人片va| 亚洲丝袜综合中文字幕| 日韩av免费高清视频| 99热这里只有是精品50| 精品午夜福利在线看| 日本一本二区三区精品| 亚洲精品乱久久久久久| 国产在线一区二区三区精| 日本wwww免费看| 欧美高清性xxxxhd video| 亚洲精品日韩av片在线观看| 亚洲精品中文字幕在线视频 | 欧美区成人在线视频| 好男人视频免费观看在线| 成年版毛片免费区| 午夜福利视频精品| 久久久久久久久久久免费av| 毛片一级片免费看久久久久| 伦理电影大哥的女人| 日日摸夜夜添夜夜爱| 内射极品少妇av片p| 日日摸夜夜添夜夜爱| 网址你懂的国产日韩在线| 欧美日韩国产mv在线观看视频 | 欧美 日韩 精品 国产| 3wmmmm亚洲av在线观看| 内地一区二区视频在线| 国产午夜精品论理片| 国产成人福利小说| 国产伦精品一区二区三区四那| 乱人视频在线观看| av专区在线播放| 一级二级三级毛片免费看| 成人亚洲精品av一区二区| 国产成人91sexporn| 国产精品麻豆人妻色哟哟久久 | 亚洲精品日本国产第一区| 日本免费在线观看一区| 久99久视频精品免费| 只有这里有精品99| 欧美极品一区二区三区四区| 亚洲国产精品sss在线观看| 晚上一个人看的免费电影| 亚洲av.av天堂| 丝袜喷水一区| 天堂√8在线中文| 免费看不卡的av| 免费看美女性在线毛片视频| 搞女人的毛片| 亚洲婷婷狠狠爱综合网| 国产女主播在线喷水免费视频网站 | 午夜免费男女啪啪视频观看| 视频中文字幕在线观看| 十八禁网站网址无遮挡 | 人妻系列 视频| av国产免费在线观看| 伊人久久国产一区二区| av又黄又爽大尺度在线免费看| 成年女人在线观看亚洲视频 | 欧美一区二区亚洲| 亚洲最大成人中文| 亚洲最大成人av| 青春草视频在线免费观看| 淫秽高清视频在线观看| 十八禁网站网址无遮挡 | 99热这里只有精品一区| 99久久中文字幕三级久久日本| 免费观看精品视频网站| 亚洲av电影在线观看一区二区三区 | 亚洲精品乱码久久久v下载方式| 99热网站在线观看| 可以在线观看毛片的网站| av在线天堂中文字幕| 国产高清不卡午夜福利| 女人被狂操c到高潮| 日韩电影二区| 成人无遮挡网站| 欧美日韩在线观看h| 日韩一区二区视频免费看| 亚洲国产最新在线播放| 日本午夜av视频| 少妇的逼水好多| 国内精品宾馆在线| 亚洲美女视频黄频| 亚洲无线观看免费| 男人爽女人下面视频在线观看| 日韩制服骚丝袜av|