• <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
    精品久久久久久电影网| 免费女性裸体啪啪无遮挡网站| 国产av一区二区精品久久| 在线观看人妻少妇| 伊人久久大香线蕉亚洲五| 欧美成人午夜精品| 人妻人人澡人人爽人人| 国产av国产精品国产| 国产亚洲午夜精品一区二区久久| 亚洲国产精品一区三区| 少妇猛男粗大的猛烈进出视频| 99久久99久久久精品蜜桃| 久久久精品区二区三区| 自线自在国产av| 亚洲国产精品国产精品| 新久久久久国产一级毛片| 麻豆乱淫一区二区| 美女国产高潮福利片在线看| 欧美国产精品va在线观看不卡| 国产日韩欧美视频二区| 女的被弄到高潮叫床怎么办| 99久久人妻综合| 天天躁夜夜躁狠狠躁躁| 涩涩av久久男人的天堂| 午夜影院在线不卡| 久久鲁丝午夜福利片| 看十八女毛片水多多多| 1024香蕉在线观看| 国产一卡二卡三卡精品 | 性高湖久久久久久久久免费观看| 美女脱内裤让男人舔精品视频| 国产在线免费精品| 国产伦人伦偷精品视频| 国产成人精品久久久久久| 这个男人来自地球电影免费观看 | 美女国产高潮福利片在线看| 黄网站色视频无遮挡免费观看| 午夜影院在线不卡| 1024香蕉在线观看| 成人亚洲精品一区在线观看| 精品国产露脸久久av麻豆| 男女之事视频高清在线观看 | 久久亚洲国产成人精品v| 精品人妻熟女毛片av久久网站| 亚洲成人av在线免费| 视频在线观看一区二区三区| 黄片无遮挡物在线观看| 日本av免费视频播放| 色婷婷av一区二区三区视频| 大片电影免费在线观看免费| 一边亲一边摸免费视频| 亚洲综合色网址| 国产精品 欧美亚洲| 亚洲四区av| 黄色 视频免费看| h视频一区二区三区| 香蕉丝袜av| 一区在线观看完整版| 日本猛色少妇xxxxx猛交久久| 久久 成人 亚洲| 蜜桃国产av成人99| 国产精品久久久人人做人人爽| 女人久久www免费人成看片| 在线观看免费日韩欧美大片| 国产97色在线日韩免费| 久久久国产一区二区| 91精品伊人久久大香线蕉| 亚洲欧美精品综合一区二区三区| 久久久国产欧美日韩av| 免费黄频网站在线观看国产| 国产精品成人在线| 午夜av观看不卡| 久久这里只有精品19| 欧美日韩福利视频一区二区| 波多野结衣一区麻豆| 黄片无遮挡物在线观看| 两性夫妻黄色片| 午夜av观看不卡| 69精品国产乱码久久久| av福利片在线| 国产国语露脸激情在线看| 日韩精品有码人妻一区| 日韩不卡一区二区三区视频在线| 久久久久精品久久久久真实原创| 别揉我奶头~嗯~啊~动态视频 | 国产亚洲av高清不卡| 一边摸一边做爽爽视频免费| 国产成人欧美| 999精品在线视频| 午夜影院在线不卡| 亚洲人成网站在线观看播放| 一区二区日韩欧美中文字幕| 1024香蕉在线观看| 看十八女毛片水多多多| 国产福利在线免费观看视频| 国产一区二区三区av在线| 又粗又硬又长又爽又黄的视频| 啦啦啦在线免费观看视频4| 观看美女的网站| 两性夫妻黄色片| 又粗又硬又长又爽又黄的视频| 久久影院123| 热re99久久国产66热| 国产精品久久久久成人av| 亚洲精品第二区| 十八禁高潮呻吟视频| 国产精品麻豆人妻色哟哟久久| 巨乳人妻的诱惑在线观看| 深夜精品福利| 国产伦人伦偷精品视频| 黄片无遮挡物在线观看| 少妇人妻久久综合中文| 日本猛色少妇xxxxx猛交久久| 丝袜美足系列| 亚洲精品在线美女| 久久精品aⅴ一区二区三区四区| 最近最新中文字幕大全免费视频 | 国产精品成人在线| 亚洲综合精品二区| 久久av网站| 99香蕉大伊视频| 亚洲婷婷狠狠爱综合网| 老汉色∧v一级毛片| 80岁老熟妇乱子伦牲交| 国产不卡av网站在线观看| 中文字幕制服av| 国产在线免费精品| 亚洲成人av在线免费| 日本vs欧美在线观看视频| 少妇猛男粗大的猛烈进出视频| 亚洲国产欧美日韩在线播放| av视频免费观看在线观看| 在线看a的网站| 国产97色在线日韩免费| 亚洲国产最新在线播放| 涩涩av久久男人的天堂| av.在线天堂| 七月丁香在线播放| 啦啦啦视频在线资源免费观看| 亚洲欧美激情在线| 涩涩av久久男人的天堂| 日韩视频在线欧美| 午夜福利免费观看在线| 日韩大码丰满熟妇| 亚洲成国产人片在线观看| av在线播放精品| 国产精品99久久99久久久不卡 | 亚洲一码二码三码区别大吗| 在线观看免费午夜福利视频| 日韩av免费高清视频| 精品一区二区三区av网在线观看 | 18禁动态无遮挡网站| 午夜福利在线免费观看网站| 国产亚洲午夜精品一区二区久久| 国产无遮挡羞羞视频在线观看| 久久女婷五月综合色啪小说| 国产高清国产精品国产三级| 国产亚洲av片在线观看秒播厂| 纵有疾风起免费观看全集完整版| 日日爽夜夜爽网站| 午夜免费观看性视频| 精品福利永久在线观看| 人人澡人人妻人| 韩国精品一区二区三区| 亚洲一区二区三区欧美精品| 久久精品国产综合久久久| 精品一品国产午夜福利视频| 婷婷色综合大香蕉| 一本大道久久a久久精品| 80岁老熟妇乱子伦牲交| 性少妇av在线| 妹子高潮喷水视频| 天堂中文最新版在线下载| 久久影院123| 韩国精品一区二区三区| 亚洲人成电影观看| 国产精品久久久久成人av| 亚洲欧美成人精品一区二区| 成人国语在线视频| 欧美亚洲日本最大视频资源| 亚洲精品aⅴ在线观看| 91老司机精品| 久久精品熟女亚洲av麻豆精品| 香蕉国产在线看| 99久久99久久久精品蜜桃| 日韩一区二区视频免费看| 久久亚洲国产成人精品v| 91aial.com中文字幕在线观看| 高清不卡的av网站| 欧美变态另类bdsm刘玥| 国产精品亚洲av一区麻豆 | 日本一区二区免费在线视频| 国产精品免费视频内射| 欧美激情高清一区二区三区 | 久久女婷五月综合色啪小说| 久久久精品94久久精品| 一个人免费看片子| 最新的欧美精品一区二区| 午夜日韩欧美国产| 免费看不卡的av| 人人妻人人澡人人看| 美女国产高潮福利片在线看| 高清视频免费观看一区二区| 国产精品偷伦视频观看了| 性高湖久久久久久久久免费观看| 日韩,欧美,国产一区二区三区| 欧美日韩视频精品一区| 天堂8中文在线网| 一边摸一边做爽爽视频免费| 人妻一区二区av| 大香蕉久久成人网| 国产精品一区二区在线不卡| 亚洲五月色婷婷综合| 一区福利在线观看| 纵有疾风起免费观看全集完整版| 啦啦啦在线观看免费高清www| 亚洲综合精品二区| 精品亚洲成国产av| 99国产综合亚洲精品| 精品久久久久久电影网| 国产免费一区二区三区四区乱码| 丝瓜视频免费看黄片| 国产精品一区二区在线观看99| 视频区图区小说| 在线观看免费高清a一片| 女的被弄到高潮叫床怎么办| av有码第一页| 少妇人妻 视频| av卡一久久| 亚洲精品一区蜜桃| 99国产综合亚洲精品| 成人国语在线视频| 午夜福利视频精品| 伊人久久大香线蕉亚洲五| 久久精品人人爽人人爽视色| 国产极品粉嫩免费观看在线| 亚洲精品av麻豆狂野| 亚洲美女搞黄在线观看| 99国产精品免费福利视频| 国产极品天堂在线| 日本猛色少妇xxxxx猛交久久| 中文字幕精品免费在线观看视频| 伊人久久国产一区二区| 人人妻人人澡人人爽人人夜夜| 操出白浆在线播放| 久久99热这里只频精品6学生| 国产精品久久久久久精品古装| 人人妻人人爽人人添夜夜欢视频| 伊人亚洲综合成人网| 免费久久久久久久精品成人欧美视频| 老司机深夜福利视频在线观看 | 国产国语露脸激情在线看| 午夜日韩欧美国产| 国产又爽黄色视频| 精品国产一区二区久久| 婷婷成人精品国产| 只有这里有精品99| 国产黄色视频一区二区在线观看| 久久精品国产亚洲av高清一级| 久久精品久久精品一区二区三区| 熟女av电影| 日韩中文字幕视频在线看片| 欧美亚洲日本最大视频资源| 麻豆av在线久日| 亚洲精品国产av成人精品| 国产一区二区三区综合在线观看| 亚洲欧洲日产国产| 男女无遮挡免费网站观看| 日本wwww免费看| 亚洲精品在线美女| 超色免费av| 在现免费观看毛片| 中文字幕另类日韩欧美亚洲嫩草| 精品少妇内射三级| 国产成人精品福利久久| 日本爱情动作片www.在线观看| 日韩一区二区视频免费看| 最新在线观看一区二区三区 | 日日啪夜夜爽| 亚洲av成人精品一二三区| 亚洲欧美精品综合一区二区三区| 国产女主播在线喷水免费视频网站| 我的亚洲天堂| 97在线人人人人妻| 久久国产精品大桥未久av| 视频区图区小说| 人妻人人澡人人爽人人| 亚洲美女搞黄在线观看| 在线免费观看不下载黄p国产| 人妻一区二区av| 免费在线观看黄色视频的| 亚洲国产欧美网| 国产免费又黄又爽又色| 婷婷色麻豆天堂久久| 日本爱情动作片www.在线观看| 男女午夜视频在线观看| 一级片免费观看大全| 国产成人av激情在线播放| 国产乱人偷精品视频| 久久99一区二区三区| 一级毛片电影观看| 18禁观看日本| 久久人妻熟女aⅴ| 中国国产av一级| 亚洲av在线观看美女高潮| 成人毛片60女人毛片免费| 久久影院123| 极品少妇高潮喷水抽搐| 一级片免费观看大全| 亚洲 欧美一区二区三区| 久久久久精品性色| 韩国av在线不卡| 日本欧美视频一区| 欧美日韩福利视频一区二区| 亚洲精品日本国产第一区| 国产伦理片在线播放av一区| 亚洲欧洲国产日韩| 亚洲精品日本国产第一区| 国产探花极品一区二区| 亚洲av男天堂| 亚洲精品第二区| 日韩熟女老妇一区二区性免费视频| 成人三级做爰电影| 悠悠久久av| 天堂中文最新版在线下载| 成人18禁高潮啪啪吃奶动态图| 亚洲精品国产av蜜桃| av网站在线播放免费| 一二三四在线观看免费中文在| 看免费成人av毛片| 色吧在线观看| 少妇 在线观看| videosex国产| 一级片'在线观看视频| 婷婷成人精品国产| 亚洲第一区二区三区不卡| 中国国产av一级| 涩涩av久久男人的天堂| 日韩大码丰满熟妇| 午夜91福利影院| 国产成人午夜福利电影在线观看| 最黄视频免费看| 国产精品熟女久久久久浪| 老汉色av国产亚洲站长工具| 久久久久久久精品精品| 19禁男女啪啪无遮挡网站| 色视频在线一区二区三区| 免费在线观看完整版高清| 成人影院久久| 亚洲成人国产一区在线观看 | 高清不卡的av网站| 亚洲av日韩精品久久久久久密 | 好男人视频免费观看在线| 久久精品熟女亚洲av麻豆精品| 岛国毛片在线播放| 免费女性裸体啪啪无遮挡网站| 久久久精品94久久精品| 国产精品蜜桃在线观看| 欧美在线一区亚洲| 色视频在线一区二区三区| 天天影视国产精品| 亚洲天堂av无毛| 国产精品久久久久成人av| 亚洲精品美女久久久久99蜜臀 | 亚洲精品aⅴ在线观看| 亚洲 欧美一区二区三区| 在线观看一区二区三区激情| 国产精品一国产av| 99久国产av精品国产电影| 在线精品无人区一区二区三| 精品午夜福利在线看| 久久精品久久久久久久性| 人体艺术视频欧美日本| 国产视频首页在线观看| 十八禁高潮呻吟视频| 青草久久国产| 超碰成人久久| 久久精品国产亚洲av涩爱| 少妇的丰满在线观看| 老汉色∧v一级毛片| 国产福利在线免费观看视频| 中文字幕av电影在线播放| h视频一区二区三区| 日韩不卡一区二区三区视频在线| 国产精品免费视频内射| 老司机影院毛片| 国产精品一区二区在线不卡| 免费黄频网站在线观看国产| 国产极品天堂在线| 丰满少妇做爰视频| 国产又色又爽无遮挡免| 国产麻豆69| 秋霞在线观看毛片| 亚洲成色77777| 国产片内射在线| 久久久久久人妻| 男女下面插进去视频免费观看| 嫩草影院入口| kizo精华| 国产成人91sexporn| 国产亚洲一区二区精品| 黄频高清免费视频| 一二三四中文在线观看免费高清| h视频一区二区三区| 久久久精品国产亚洲av高清涩受| 少妇 在线观看| 你懂的网址亚洲精品在线观看| 色视频在线一区二区三区| 精品人妻一区二区三区麻豆| 成人手机av| 色婷婷久久久亚洲欧美| 日韩熟女老妇一区二区性免费视频| 久久ye,这里只有精品| 欧美av亚洲av综合av国产av | 亚洲精品中文字幕在线视频| 天堂中文最新版在线下载| 日日摸夜夜添夜夜爱| 国产不卡av网站在线观看| 国产精品亚洲av一区麻豆 | 久久精品久久久久久噜噜老黄| 最近2019中文字幕mv第一页| 欧美最新免费一区二区三区| 国产成人啪精品午夜网站| 18禁观看日本| 免费高清在线观看视频在线观看| 2021少妇久久久久久久久久久| 亚洲国产日韩一区二区| 欧美少妇被猛烈插入视频| 一个人免费看片子| 国产国语露脸激情在线看| 天堂俺去俺来也www色官网| 欧美在线一区亚洲| netflix在线观看网站| 国产精品二区激情视频| www.精华液| av在线老鸭窝| 最黄视频免费看| 一级黄片播放器| 制服丝袜香蕉在线| 国产免费一区二区三区四区乱码| 99re6热这里在线精品视频| 大码成人一级视频| 亚洲精品一区蜜桃| 婷婷色综合大香蕉| 建设人人有责人人尽责人人享有的| 中文天堂在线官网| netflix在线观看网站| 老汉色av国产亚洲站长工具| 亚洲欧洲精品一区二区精品久久久 | 一本久久精品| 免费在线观看完整版高清| 亚洲精品国产一区二区精华液| 亚洲图色成人| 哪个播放器可以免费观看大片| 少妇人妻精品综合一区二区| 男女免费视频国产| 精品国产国语对白av| 岛国毛片在线播放| 国产成人av激情在线播放| 久久久欧美国产精品| 国产男人的电影天堂91| 久久99热这里只频精品6学生| 午夜福利视频在线观看免费| 亚洲欧美成人综合另类久久久| 亚洲成色77777| 激情五月婷婷亚洲| 精品一品国产午夜福利视频| 一级片'在线观看视频| 1024香蕉在线观看| 日日爽夜夜爽网站| 亚洲欧美一区二区三区黑人| 亚洲三区欧美一区| 久久精品久久久久久噜噜老黄| 免费黄频网站在线观看国产| 国产亚洲最大av| 国产在线视频一区二区| 无限看片的www在线观看| 一级,二级,三级黄色视频| 如何舔出高潮| 亚洲成国产人片在线观看| 精品人妻在线不人妻| 黄色怎么调成土黄色| 天天添夜夜摸| 国产精品久久久久成人av| 亚洲精品日韩在线中文字幕| 老汉色∧v一级毛片| e午夜精品久久久久久久| 精品一品国产午夜福利视频| 久久精品久久精品一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 亚洲五月色婷婷综合| 操出白浆在线播放| 日韩 欧美 亚洲 中文字幕| 9色porny在线观看| 国产精品av久久久久免费| 久久久久精品性色| 婷婷色综合大香蕉| 一个人免费看片子| 国产一区二区 视频在线| 波野结衣二区三区在线| 国产精品一区二区精品视频观看| 少妇被粗大猛烈的视频| 搡老岳熟女国产| 亚洲国产精品一区三区| 久久国产精品大桥未久av| 国产精品99久久99久久久不卡 | 日韩 亚洲 欧美在线| 婷婷色综合大香蕉| 日韩 欧美 亚洲 中文字幕| 国产成人av激情在线播放| 人体艺术视频欧美日本| 韩国av在线不卡| 国产麻豆69| 日韩欧美一区视频在线观看| 免费观看性生交大片5| 中文字幕人妻丝袜制服| 日韩中文字幕欧美一区二区 | 亚洲天堂av无毛| 亚洲国产精品国产精品| 国产片内射在线| 国产免费现黄频在线看| 最近2019中文字幕mv第一页| 少妇人妻 视频| 精品视频人人做人人爽| av在线播放精品| 高清黄色对白视频在线免费看| 妹子高潮喷水视频| 狂野欧美激情性xxxx| 人人妻人人爽人人添夜夜欢视频| 亚洲精品国产av成人精品| av在线观看视频网站免费| 亚洲少妇的诱惑av| 久久ye,这里只有精品| 90打野战视频偷拍视频| 少妇 在线观看| 日本wwww免费看| 国产精品久久久人人做人人爽| 91精品伊人久久大香线蕉| 一级片免费观看大全| 久久久久久人妻| 多毛熟女@视频| 伦理电影大哥的女人| 午夜激情av网站| 久久精品久久久久久噜噜老黄| 久久婷婷青草| 国产成人a∨麻豆精品| 亚洲av欧美aⅴ国产| 男人舔女人的私密视频| 欧美另类一区| 色网站视频免费| 亚洲欧美激情在线| 中国三级夫妇交换| 99re6热这里在线精品视频| 亚洲四区av| 欧美人与性动交α欧美精品济南到| 巨乳人妻的诱惑在线观看| 久久精品久久精品一区二区三区| 国产女主播在线喷水免费视频网站| 亚洲国产成人一精品久久久| 欧美中文综合在线视频| 人人妻人人澡人人爽人人夜夜| 在线免费观看不下载黄p国产| 日本vs欧美在线观看视频| 亚洲第一青青草原| 老司机深夜福利视频在线观看 | 亚洲av欧美aⅴ国产| 久久久久久人妻| 伦理电影免费视频| 国产有黄有色有爽视频| 在线观看www视频免费| 亚洲国产欧美在线一区| 国产一区二区激情短视频 | 国产在视频线精品| 欧美日韩视频精品一区| 国产淫语在线视频| 色播在线永久视频| 免费人妻精品一区二区三区视频| 无遮挡黄片免费观看| 91老司机精品| 国产成人精品无人区| 亚洲专区中文字幕在线 | 女性生殖器流出的白浆| 一级a爱视频在线免费观看| 少妇人妻久久综合中文| 人人妻人人爽人人添夜夜欢视频| www日本在线高清视频| 婷婷色综合大香蕉| 考比视频在线观看| av电影中文网址| 男人操女人黄网站| 欧美黑人精品巨大| 天天躁日日躁夜夜躁夜夜| 国产一区二区三区av在线| 日韩精品免费视频一区二区三区| 99久久综合免费| 久久性视频一级片| 日韩电影二区| 国产免费一区二区三区四区乱码| 在线观看免费日韩欧美大片| 国产免费又黄又爽又色| 中文字幕高清在线视频| 最新的欧美精品一区二区| 亚洲欧美色中文字幕在线| 黄色毛片三级朝国网站| 汤姆久久久久久久影院中文字幕| 天天躁狠狠躁夜夜躁狠狠躁| 最近中文字幕高清免费大全6| 国产精品 国内视频| 国产亚洲av片在线观看秒播厂| 最近中文字幕高清免费大全6| 一级,二级,三级黄色视频| tube8黄色片| 亚洲色图综合在线观看| 国产黄色免费在线视频| 人人妻,人人澡人人爽秒播 |