• <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 ?

    基于遷移學習的GoogLeNet果園病蟲害識別與分級

    2021-12-23 13:50:40萬軍杰祁力鈞盧中奧周佳蕊
    中國農業(yè)大學學報 2021年11期
    關鍵詞:病斑分級病害

    萬軍杰 祁力鈞 盧中奧 周佳蕊 張 豪

    (中國農業(yè)大學 工學院,北京 100083)

    果園病蟲害影響水果的品質和產量,自動識別病蟲害是一個重要研究方向。隨著果園生產種植模式不斷復雜化,果園生產中所遇到的病蟲害情況也越來越復雜,對果樹生長造成了嚴重影響,快速、準確、有效地識別出病蟲害危害程度并采取相關防治措施及時止損[1-2],對于提高水果品質和產量至關重要。

    隨著計算機技術的不斷發(fā)展,植物病蟲害檢測技術也取得了長足的進步。植物病蟲害識別方法主要分為傳統(tǒng)方法和深度學習方法。傳統(tǒng)方法需要人工提取病害紋理、顏色等特征,往往識別種類有限且識別精度不高,難以大規(guī)模的推廣應用。如肖志云等[3]提出了一種基于小波域的馬鈴薯典型蟲害特征提取與識別方法。黨滿意等[4]利用GrapCut算法與直方圖分割算法提取馬鈴薯晚疫病特征用于晚疫病識別,該方法對于中晚期病害識別準確率能達到90%以上。肖志云等[5]提出了一種馬鈴薯典型病害圖像的自適應特征融合與快速識別方法。張建華等[6-7]利用BP神經網(wǎng)絡、支持向量機進行棉花病蟲害識別,識別精度基本能達到90%以上。

    卷積神經網(wǎng)絡(Convolutional neural network,CNN)能夠不依賴特定特征,在圖像識別領域已經得到了廣泛應用[8-11]。如孫俊等[12]提出了一種批歸一化與全局池化相結合的卷積神經網(wǎng)絡識別模型,對于多種植物葉片病害的識別準確率達到了99.56%。房若民等[13]設計了一種嵌入式農業(yè)病蟲害識別防治系統(tǒng),可以識別多種病蟲害且識別準確率達92.6%。于小東等[14]設計了一款實時在線農作物病蟲害等級識別手機APP,能夠在0.1~0.5 s獲取識別結果。任守綱等[15]構建了一種基于反卷積引導的VGG網(wǎng)絡模型,能同時實現(xiàn)植物葉部病害種類識別與病斑分割。Gonzalez-Huitron等[16]構建了一種輕量級卷積神經網(wǎng)絡,并將其成功應用在Raspberry Pi 4上進行番茄病蟲害的識別。李就好等[17]提出了一種改進Faster R-CNN模型來識別田間苦瓜葉片病蟲害,改進后平均準確率為86.39%。王春山等[18]利用改進Multi-scaleResNet模型進行蔬菜葉部病害識別,在真實環(huán)境下識別準確率達到了93.05%。

    上述研究大多以常見病蟲害識別為主,少有對病蟲害危害程度進行分級識別研究。目前在果園精細化管理中,僅僅識別果樹病蟲害種類,難以滿足果園精準變量施藥的要求?;诖耍狙芯繑M采用遷移學習技術與卷積神經網(wǎng)絡相結合的方法研究果園病蟲害識別與危害程度分級問題,以期為現(xiàn)代果園智能化、精細化管理提供一定的技術支持。

    1 材料與方法

    1.1 試驗數(shù)據(jù)

    1.1.1數(shù)據(jù)來源

    試驗數(shù)據(jù)主要來源于PlantVillage官網(wǎng)(https:∥plantvillage.psu.edu)。從PlantVillage官網(wǎng)收集了11 653張病蟲害樣本圖像。另外,從北京市通州區(qū)(116.65° E,39.92° N)中農富通現(xiàn)代果園中,利用飛螢8 SE相機(分辨率1 280像素×720像素)人工拍攝了1 500張果樹健康與患病葉片圖像,總計13 153張樣本圖像。在全部樣本圖像中,含有桃、蘋果、櫻桃、葡萄、柑橘、草莓等6種果園作物,共計25種病蟲害類型樣本(10種病害,9種蟲害,6種健康)。本研究所收集病蟲害樣本數(shù)量見表1。

    1.1.2數(shù)據(jù)預處理

    由統(tǒng)計樣本分布情況可知,各類病蟲害樣本數(shù)量在232~1 899張不等(表1)。為了防止因訓練樣本數(shù)量過少而導致模型發(fā)生過擬合現(xiàn)象,本研究對已有圖像進行隨機翻轉、平移、縮放以及對比度增減等操作(圖1)將圖像擴充至105 224張。同時,考慮到樣本來源不同,導致所收集的圖像格式、大小等存在差異,使用MATLAB自編函數(shù)將所有圖像調整為統(tǒng)一大小(224像素×224像素)。

    1.1.3病害危害程度分級

    通過觀察不同患病葉片顏色以及病斑大小劃分病害級別。本研究具體分級標準參考GB/T 17980.24—2000 《農藥 田間藥效試驗準則(一)殺菌劑防治梨黑星病》[19]中葉片病情分級標準,按照病斑占整個葉片面積比例劃分6個等級:0級,無病斑;1級,0<病斑≤10%;3級,10%<病斑≤25%;5級,25%<病斑≤40%;7級,40%<病斑≤65%;9級,病斑>65%。本研究采用人工分級方式將果樹病害危害程度分為3級:0級為健康,無病斑;Ⅰ級為一般,0<病斑≤30%;Ⅱ級為嚴重,病斑>30%。本研究病害樣本分級后數(shù)量見表2。

    在總體樣本集中,隨機選出60%和20%的圖像樣本分別作為訓練集(Train set)與驗證集(Validation set),剩余20%的圖像樣本作為測試集(Test set)。其中,驗證集用來對模型進行修正,測試集用于評估最終模型的泛化能力[17]。

    表1 病蟲害樣本原始數(shù)量及增強后數(shù)量Table 1 Data from original and augmented samples of pests and diseases

    圖1 圖像增強效果Fig.1 The effect of image data augmentation

    1.2 模型搭建

    1.2.1模型簡介

    GoogLeNet網(wǎng)絡模型主要由9個模塊化結構(Inception v1)串聯(lián)而成,結構見圖2。在第一個Inception模塊之前,模型含有3個卷積層(Convolution layer),3個激活層(Relu layer),2個最大池化層(Max pooling layer),2個歸一化層(Normalization layer)。在第2、3個Inception模塊以及第7、8個Inception模塊之間都含有一個最大池化層(Max pooling layer)。在Inception模塊之后,依次是全局平均池化層(Global average pooling layer)、Dropout層(Dropout layer)、全連接層(Fully connected layer)、Softmax層(Softmax layer)、分類層(Classification layer)。本研究主要將模型最后3個網(wǎng)絡層進行替換,并將全連接層的輸出大小修改為35,其他參數(shù)保持不變。

    圖2 GoogLeNet網(wǎng)絡結構圖Fig.2 GoogLeNet structure diagram

    Softmax層用于計算某張病蟲害圖像屬于各等級的概率值,選擇最大概率值對應的等級作為預測輸出,輸出層通過交叉熵損失函數(shù)計算誤差,評價實際輸出與期望輸出的接近程度[8],在反向傳播過程中對各層參數(shù)進行優(yōu)化更新,交叉熵損失函數(shù)表達式為:

    (1)

    式中:W為權重矩陣;b為偏置向量;N為樣本數(shù);K為類別數(shù);tij為第i個樣本屬于類別j的概率;yij為類別j中樣本i的輸出概率。

    1.2.2遷移學習

    遷移學習是把在大型數(shù)據(jù)集(如ImageNet)上學到的圖像分類知識成功運用到待解決的新目標分類中[20-22]。相比原模型,其優(yōu)勢在于:1)以現(xiàn)有最佳網(wǎng)絡模型為基礎,通過微調網(wǎng)絡層結構來構建本研究的模型,比構建和訓練隨機初始化的新網(wǎng)絡更快且更容易;2)預訓練網(wǎng)絡模型由于已學習了豐富的特征,無需龐大的數(shù)據(jù)量再訓練,可以有效縮短訓練時間。因此,本研究以經典的GoogLeNet作為預訓練模型,利用模型結構微調和參數(shù)微調的遷移學習方法,對果園病蟲害圖像的識別與危害程度分級進行研究。

    1.2.3超參數(shù)設置

    在深度學習訓練時,超參數(shù)選擇困難且費時,因為超參數(shù)最優(yōu)組合不僅僅取決于模型本身,還取決于軟件與硬件環(huán)境。本研究模型的超參數(shù)經多次微調確定。在利用GoogLeNet模型進行訓練時,采用批量訓練方式,隨機將訓練集與驗證集劃分多個批次,訓練批次(Minibatch)大小為32,輪(Epoch)為30,每輪迭代1 265次,共迭代37 950次。每1 000次迭代驗證1次,初始學習率設為0.001,權重衰減值為1×10-5。優(yōu)化器采用帶動量的隨機梯度下降法(Stochastic gradient descent with momentum,SGDM),動量為0.9。為了進一步防止過擬合,將Dropout層隨機丟棄概率設置為0.4,即隨機丟棄40%的節(jié)點。模型訓練其它初始參數(shù)權重采用經過ImageNet數(shù)據(jù)集訓練的權重值。

    1.3 評價指標

    為評價模型的優(yōu)劣,選擇模型大小(M)、識別時間(T)、損失值(L)、準確率(Acc)作為模型訓練結果的評價指標。其中,模型大小反映該模型訓練完成后所占用的計算機儲存空間[8],單位為MB。損失值能夠估計模型預測值與真實值的偏差程度,損失值越小,表示模型預測結果越接近真實結果,計算公式為:

    (2)

    式中:yi為第i個樣本對應的標簽;f為模型輸出函數(shù);j為求和變量;K為樣本總數(shù)。

    準確率[23]反映的是識別結果中識別正確的圖像數(shù)量占全部識別圖像數(shù)量的比率,可以反映模型的訓練效果,計算公式為:

    (3)

    式中:TP(True positive)為被模型預測為正的正樣本;TN(True negative) 為被模型預測為負的負樣本;FN(False negative) 為被模型預測為正的負樣本;FP(False positive) 為被模型預測為負的正樣本。

    2 結果與討論

    本研究采用中國農業(yè)大學植保機械實驗室計算機,其硬件配置為:Windows10專業(yè)版64位操作系統(tǒng),CPU為英特爾 i7-10700,GPU為英偉達GTX 1660 Super 6 GB,主板為微星MAG B460M,內存為32 G。攝像頭為免驅USB攝像頭,焦距F6.0 mm,視像解析度640像素×480像素。軟件開發(fā)環(huán)境為MATLAB2020a版本。

    2.1 訓練結果

    為驗證本研究方法的有效性與優(yōu)越性,隨機選取AlexNet、VGG-16、ResNet-18、GoogLeNet、SqueezeNet和MobileNet-v2這6種模型。在相同訓練參數(shù)設置條件下,進行6種模型訓練與驗證,訓練曲線見圖3。本研究將經過遷移學習的GoogLeNet網(wǎng)絡模型記為GoogLeNet*,與原模型以示區(qū)別。

    訓練精度曲線可以描述隨著迭代次數(shù)的增加,模型預測精度的波動情況。由圖3(a)可知,除SqueezeNet模型,其余6種模型在收斂時訓練精度均達到了90%以上。其中,收斂速度最快的模型是GoogLeNet*,最慢的是SqueezeNet。當?shù)螖?shù)為400次時,GoogLeNet*模型訓練精度率先達到80%,迭代5 000次后趨于收斂,此時模型訓練精度為95%,最終模型訓練精度為99%。然而,SqueezeNet模型在迭代次數(shù)為12 000次時,其訓練精度才達到80%,并且在訓練過程中訓練精度曲線波動幅度較大,最終模型訓練精度為88%。其余5種模型訓練精度曲線大致相同,最終模型訓練精度為90%~95%。訓練結果表明,本研究模型無論在收斂速度方面,還是模型精度方面都表現(xiàn)出色。

    損失曲線則表示隨著迭代次數(shù)的增加,模型預測值與真實值之間偏差波動情況。損失值越小,表明模型精度越高,預測出錯概率越小[8]。由圖3(b)可知,GoogLeNet*模型率先達到收斂,最終損失值為 0.007 8,均低于其他6種模型。SqueezeNet模型損失值最大為0.353 7,其余模型損失值介于二者之間。在模型平均訓練時長方面,7種模型平均訓練時長分布在2.15~24.17 h。其中,AlexNet與SqueezeNet模型訓練時間最短約2 h,VGG-16模型最長約24 h,其余模型訓練時長均在10 h以內。然而,本研究模型訓練時長為4.13 h,比原GoogLeNet模型縮短0.25 h。

    對于病蟲害識別最重要的是識別精度與識別時間,其次是模型大小。因此,本研究按照優(yōu)先級:識別精度>識別時間>模型大小進行模型評價。7種模型驗證精度分布在85.49%~96.93%(圖4)。其中,GoogLeNet*模型驗證精度最高為96.93%,SqueezeNet模型驗證精度最低為85.49%,其他模型驗證精度均在90%以上。在識別時間方面,SqueezeNet模型識別時間最短約1.4 ms,最長為VGG-16模型約5.9 ms。其中,AlexNet、SqueezNet、GoogLeNet、GoogLeNet*、MobileNet-v2模型平均識別時間均在5 ms以內,而VGG-16與ResNet-18模型平均識別時間則超過5 ms。這主要是模型結構、層數(shù)、參數(shù)量不同所致。在模型大小方面,由于ResNet-18、SqueezeNet、GoogLeNet、MoblieNet-v2模型為輕量級神經網(wǎng)絡,所以訓練完成后模型大小都在10 MB以下。其中,SqueezeNet模型最小僅為2.47 MB,最大為MobileNet-v2模型的8.24 MB。另外,3種模型(VGG-16、AlexNet、GoogLeNet*)稍微大一些,分別為474、199和21.3 MB。

    識別時間為圖像平均識別時間,ms;氣泡上的數(shù)值表示訓練完成后模型的大小,MB。The recognition time is the average image recognition time, ms. The value on the bubble indicates the memory size of the model after the training is completed, MB.圖4 7種模型訓練結果Fig.4 Training results of seven models

    綜合看,本研究模型所占儲存空間雖不是最小,但其驗證精度最高,比其他6種模型提高了2.38%~11.44%,且單張圖片平均識別時間僅為2.6 ms,其模型大小僅為21.3 MB。因此,本研究提出的基于遷移學習的GoogLeNet模型是明顯優(yōu)于其他6種模型的。

    2.2 模型性能探討

    2.2.1數(shù)據(jù)集大小對模型性能的影響

    數(shù)據(jù)集在很大程度上決定了模型的識別性能[24-25]。為了研究數(shù)據(jù)集大小對病蟲害分級精度的影響,設置了5種不同大小的數(shù)據(jù)集進行模型訓練。從原有數(shù)據(jù)集中每類樣本隨機選取100、200、500、1000、2000張圖像形成新的數(shù)據(jù)集,記為100、200、500、1 000、2 000。使用5種不同大小數(shù)據(jù)集訓練出的模型精度見表3。可知,模型精度隨著數(shù)據(jù)集的增大而提高。經過不同大小數(shù)據(jù)集訓練得到的模型驗證精度與測試精度范圍分別在87.42%~96.23%,85.62%~95.07%。經過遷移學習的GoogLeNet模型,即使在每類樣本只有100張圖像的情況下,模型仍具有85%以上的測試精度。這表明經過遷移學習的卷積神經網(wǎng)絡,對于小樣本數(shù)據(jù)集也具有良好的識別性能。但是為了模型能夠具有更高的精度以及泛化能力,仍就需要足夠的圖像樣本來確保模型能夠充分學習到細微特征,以便區(qū)分相似病蟲害。

    表3 本研究模型在不同大小數(shù)據(jù)集下的驗證精度與測試精度Table 3 The verification and testing accuracy under different data set sizes based on this model

    2.2.2優(yōu)化算法對模型性能的影響

    目前,常用優(yōu)化算法有Adam(Adaptive moment estimation)、SGDM(Stochastic gradient descent with momentum)、RMSprop(Root mean square prop)等。其中Adam和SGDM在機器視覺、自然語言處理等方面應用最為廣泛。

    為探究不同優(yōu)化算法對模型性能的影響,選取了3種常用優(yōu)化算法進行模型訓練,得到不同優(yōu)化算法下的模型精度見表4。在相同試驗條件下,經過3種優(yōu)化算法得到的模型精度差別很大。在訓練時長方面,三者比較接近,均在5 h左右,其中SGDM算法耗時最短。在驗證精度方面,SGDM算法比Adam、RMSprop算法分別提高了5.3%、19.82%;在測試精度方面,SGDM算法比Adam、RMSprop算法分別提高了6.29%、27.85%。因此,SGDM優(yōu)化算法更適合本研究模型。

    表4 不同優(yōu)化算法下的模型精度Table 4 Model accuracy under different optimization algorithms

    2.3 模型驗證

    為驗證本研究模型的實用性,開發(fā)了一款果園病蟲害分級識別系統(tǒng)進行試驗驗證,開發(fā)環(huán)境為MATLAB2020a。軟件包含前端用戶操作界面和后臺識別模塊這2部分。其中,前端設計采用APP Designer設計器進行可視化界面布局,采用了Button組件、Label組件、圖像窗口組件、坐標區(qū)域組件、文本區(qū)域組件。其軟件工作流程和前端界面見圖5。后臺處理通過使用MATLAB語言編寫程序打開或關閉相機,并調用訓練好的GoogLeNet*

    圖5 本研究設計的軟件工作流程(a)與用戶操作界面(b)Fig.5 The software work flow chart (a) and user interface diagram (b) designed in this research

    模型進行果樹病蟲害識別與危害程度分級。同時,該軟件還能根據(jù)識別結果調用本地瀏覽器自動檢索病蟲害防治建議和防治藥品展示給用戶。

    2.3.1病蟲害識別

    本研究從測試集隨機選取20種病蟲害類型(10種病害、8種蟲害、2種健康),每類選取20張圖像進行模型識別效果分析,測試結果見表5??芍?,本研究模型對蟲害識別精度要高于病害識別精度。其中,病害的平均識別精度達到了98.70%,健康葉片以及蟲害平均識別精度都達到了100%,病蟲害總體平均識別精度為99.35%。同時,該系統(tǒng)識別單張圖像的平均用時約為0.43 s。測試結果表明本研究模型識別病蟲害效果較好,能夠滿足果園病蟲害實時監(jiān)控系統(tǒng)識別要求。

    表5 本研究模型識別病蟲害圖像的精度與時間Table 5 The accuracy and time of recognizing images of diseases and pest based on this model

    本研究模型對病害與蟲害識別精度存在差異。分析其原因,主要是害蟲具有清晰地紋理、顏色特征(圖6(a2)、(a3)),卷積神經網(wǎng)絡能夠學習到更多關鍵特征用于識別。相比之下,病害主要依靠顏色特征進行識別(圖6(b3)),而紋理特征相對較少(圖6(b2)),加之病斑形態(tài)各異,給模型識別帶來了一定的難度。

    圖6 黑守瓜(a)與葡萄輪斑病(b)的可視化激活特征圖Fig.6 Visualized activation feature map of Aulacophora lewisii (a) and Acrospermun viticola (b)

    2.3.2病害分級

    目前在果園精細化管理中,僅僅識別病蟲害種類是不能滿足精準施藥的要求。所以需要進一步對病蟲害危害程度進行分級,從而更好的進行精準變量施藥。為了驗證本研究模型病害危害程度分級效果,從測試集中隨機選取6種病害進行危害程度分級,每等級樣本數(shù)量為20張。本研究模型對病害危害程度分級結果見表6??芍?,病害危害程度分級精度相比病害識別精度有所下降。其分級精度在80%~100%,但平均分級精度也達到了92.78%。分析個別病害分級精度低的原因,主要是病害危害程度Ⅰ級(一般)與Ⅱ級(嚴重)之間分級特征較少,僅有病斑大小這一細微特征。模型在學習時難以找出兩者之間明顯的分界閾值。其次,模型訓練的分級樣本標簽由人工標定,嚴格而標準的分級工作是十分繁瑣、耗時的,難免會發(fā)生個別樣本標記錯誤。最后,數(shù)據(jù)來源不同也導致同等級樣本在圖像背景、光照強度、圖像尺寸、果樹種類等方面存在著一定差異。在后續(xù)研究中,考慮采取病斑分割與識別相結合的方式來進一步提高病害分級精度。

    表6 本研究模型識別病害危害等級分級精度Table 6 Grading accuracy of the grade of disease damage based on this model

    3 結 論

    1)針對現(xiàn)有果樹病蟲害危害程度分級模型存在精度不高,難以滿足精準施藥要求的問題,本研究采用遷移學習技術與GoogLeNet模型相結合的方法,對果園病蟲害樣本進行了識別和危害程度分級研究。所設計模型大小為21.3 MB,平均識別精度達到了99.35%。其中,病害識別精度為98.70%,蟲害識別精度為100%。對病害樣本進行危害程度分級,平均分級精度為92.78%。

    2)在相同訓練參數(shù)下,本研究模型較AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗證精度提高了2.38%~11.44%,并且損失值最低。同時,探究了不同數(shù)據(jù)集大小與不同優(yōu)化算法對模型性能的影響。研究結果表明,遷移學習技術能夠在一定程度上加快模型收斂速度;本研究模型精度隨著數(shù)據(jù)集的增大而提高;在3種優(yōu)化算法中,SGDM算法耗時最短且精度最高,更適合本研究模型。

    3)基于MATLAB平臺,設計了一款可視化的果園病蟲害分級識別系統(tǒng)。經過400次實際測試,該系統(tǒng)識別單張圖像僅需0.43 s。本研究所設計系統(tǒng)實用性與穩(wěn)定性較強,可為現(xiàn)代果園智能化、精細化管理提供一定的技術支持。

    猜你喜歡
    病斑分級病害
    早春養(yǎng)羊需防六大病害
    小麥常見三種病害咋防治
    葡萄病害周年防治歷
    煙臺果樹(2021年2期)2021-07-21 07:18:28
    果樹休眠期咋防病害
    改進自適應分水嶺方法分割棉花葉部粘連病斑
    一種桑輪紋病病葉發(fā)病程度的評價指數(shù)
    9種藥劑防治山核桃干腐病試驗研究
    分級診療路難行?
    分級診療的“分”與“整”
    分級診療的強、引、合
    成年女人在线观看亚洲视频| 久久久国产精品麻豆| 国产精品久久久久久av不卡| 一区在线观看完整版| 99re6热这里在线精品视频| 香蕉精品网在线| 搡老乐熟女国产| 国产av码专区亚洲av| 人人妻人人看人人澡| 精品亚洲乱码少妇综合久久| 在线免费观看不下载黄p国产| 久久综合国产亚洲精品| 亚洲av成人精品一二三区| 中文欧美无线码| 男女啪啪激烈高潮av片| 交换朋友夫妻互换小说| 麻豆成人av视频| 久久精品国产a三级三级三级| 亚洲高清免费不卡视频| 色哟哟·www| 日日撸夜夜添| 精品熟女少妇av免费看| 人妻一区二区av| 欧美成人午夜免费资源| 黄色视频在线播放观看不卡| 国产综合精华液| 色吧在线观看| 少妇人妻久久综合中文| 亚洲精品亚洲一区二区| 黄色日韩在线| 成年人免费黄色播放视频 | 久久97久久精品| 欧美少妇被猛烈插入视频| 99久久中文字幕三级久久日本| 一区二区三区精品91| 精品国产露脸久久av麻豆| 日本黄色日本黄色录像| 国产又色又爽无遮挡免| 少妇被粗大的猛进出69影院 | 人妻制服诱惑在线中文字幕| 看免费成人av毛片| 久久亚洲国产成人精品v| 一级毛片aaaaaa免费看小| 大又大粗又爽又黄少妇毛片口| 在线亚洲精品国产二区图片欧美 | 国产精品久久久久久精品电影小说| 久久久久久久精品精品| 一区二区三区四区激情视频| 久久午夜综合久久蜜桃| 国产成人免费观看mmmm| 中文欧美无线码| 国产永久视频网站| 亚洲av日韩在线播放| 午夜福利在线观看免费完整高清在| 高清午夜精品一区二区三区| 人体艺术视频欧美日本| 在线精品无人区一区二区三| 国产在线男女| 久久婷婷青草| 久久久久久久亚洲中文字幕| 99久久人妻综合| 三上悠亚av全集在线观看 | 亚洲国产精品999| 日韩视频在线欧美| 成人美女网站在线观看视频| 日本91视频免费播放| 中文字幕制服av| 超碰97精品在线观看| 亚洲av不卡在线观看| 欧美 日韩 精品 国产| 亚洲欧美日韩另类电影网站| 麻豆成人午夜福利视频| 日韩亚洲欧美综合| 久久午夜福利片| 亚洲国产最新在线播放| 99久久综合免费| av在线播放精品| 一二三四中文在线观看免费高清| 日本爱情动作片www.在线观看| 91在线精品国自产拍蜜月| 久久青草综合色| 9色porny在线观看| 男女国产视频网站| 9色porny在线观看| 国产黄片视频在线免费观看| 青春草亚洲视频在线观看| 精品久久国产蜜桃| 国产男女内射视频| 亚洲一级一片aⅴ在线观看| 丰满人妻一区二区三区视频av| 日韩制服骚丝袜av| 少妇人妻 视频| 国产欧美日韩综合在线一区二区 | 亚洲精品国产色婷婷电影| 2018国产大陆天天弄谢| 少妇的逼好多水| 夫妻午夜视频| 亚洲情色 制服丝袜| 久久青草综合色| 卡戴珊不雅视频在线播放| 少妇猛男粗大的猛烈进出视频| 国产成人免费无遮挡视频| av在线播放精品| 精品卡一卡二卡四卡免费| 美女cb高潮喷水在线观看| 男人和女人高潮做爰伦理| 久久久久网色| av女优亚洲男人天堂| 亚洲国产色片| 在现免费观看毛片| 国产精品久久久久久精品电影小说| 中文乱码字字幕精品一区二区三区| 一本久久精品| 欧美 亚洲 国产 日韩一| 亚洲欧美中文字幕日韩二区| 一区二区三区乱码不卡18| 国产在视频线精品| 在线免费观看不下载黄p国产| 免费看av在线观看网站| 精品人妻一区二区三区麻豆| 精品一品国产午夜福利视频| 精品视频人人做人人爽| 亚洲无线观看免费| 大香蕉久久网| 纵有疾风起免费观看全集完整版| 欧美精品人与动牲交sv欧美| 亚洲精品视频女| 精品一区二区免费观看| 色哟哟·www| 国产免费视频播放在线视频| 老司机影院成人| 亚洲国产精品成人久久小说| 亚洲国产精品成人久久小说| 丰满饥渴人妻一区二区三| 丝瓜视频免费看黄片| 男人添女人高潮全过程视频| 伦精品一区二区三区| 美女脱内裤让男人舔精品视频| 边亲边吃奶的免费视频| 国产一区二区三区av在线| 日本av免费视频播放| av福利片在线| 爱豆传媒免费全集在线观看| 日本猛色少妇xxxxx猛交久久| 男女国产视频网站| 午夜老司机福利剧场| 色婷婷久久久亚洲欧美| 青春草国产在线视频| 国产乱人偷精品视频| 国产精品熟女久久久久浪| 久久久久久久精品精品| 在线观看国产h片| 成人漫画全彩无遮挡| 欧美日韩视频高清一区二区三区二| 最近中文字幕高清免费大全6| 久久韩国三级中文字幕| 一区二区三区免费毛片| 最后的刺客免费高清国语| 91久久精品国产一区二区成人| av卡一久久| 日韩欧美精品免费久久| 亚洲国产精品成人久久小说| 国产成人aa在线观看| 午夜激情福利司机影院| 色视频www国产| 晚上一个人看的免费电影| 欧美 日韩 精品 国产| 国产色爽女视频免费观看| 亚洲第一av免费看| 日韩电影二区| 国产成人一区二区在线| 大香蕉久久网| 午夜福利在线观看免费完整高清在| 一区二区三区精品91| 国产欧美日韩综合在线一区二区 | 欧美另类一区| 九色成人免费人妻av| 国产亚洲欧美精品永久| 欧美另类一区| 综合色丁香网| 好男人视频免费观看在线| 久久久久精品性色| 在线观看www视频免费| 91aial.com中文字幕在线观看| 日日啪夜夜撸| 男人舔奶头视频| 一区二区av电影网| 国产一区亚洲一区在线观看| 精品久久国产蜜桃| 嫩草影院新地址| 在线观看免费高清a一片| 男男h啪啪无遮挡| 午夜91福利影院| 天堂俺去俺来也www色官网| 99久久人妻综合| 午夜免费观看性视频| 国产伦精品一区二区三区四那| 欧美变态另类bdsm刘玥| 性高湖久久久久久久久免费观看| 日本免费在线观看一区| 国产极品天堂在线| 日本午夜av视频| 国产精品福利在线免费观看| 精品亚洲乱码少妇综合久久| 国产黄色免费在线视频| 欧美精品一区二区大全| 久久婷婷青草| 人妻系列 视频| 最近2019中文字幕mv第一页| 亚洲精品国产av蜜桃| 久久精品国产鲁丝片午夜精品| 久久久a久久爽久久v久久| 久久亚洲国产成人精品v| 成人免费观看视频高清| 国产极品天堂在线| 日本vs欧美在线观看视频 | 自线自在国产av| 午夜影院在线不卡| 亚洲欧美成人精品一区二区| 国产精品一区二区三区四区免费观看| 国产精品一区二区性色av| 少妇人妻一区二区三区视频| 我的女老师完整版在线观看| 久久影院123| 中文字幕av电影在线播放| 丰满少妇做爰视频| 麻豆精品久久久久久蜜桃| 成人二区视频| 欧美一级a爱片免费观看看| 十八禁网站网址无遮挡 | 一二三四中文在线观看免费高清| 亚洲精品国产av成人精品| 免费看av在线观看网站| 老女人水多毛片| 久久av网站| 纵有疾风起免费观看全集完整版| 精华霜和精华液先用哪个| 有码 亚洲区| 午夜老司机福利剧场| 人妻系列 视频| 丁香六月天网| 看免费成人av毛片| 永久网站在线| 3wmmmm亚洲av在线观看| xxx大片免费视频| 日韩,欧美,国产一区二区三区| 日韩熟女老妇一区二区性免费视频| freevideosex欧美| 一本—道久久a久久精品蜜桃钙片| 亚洲色图综合在线观看| 欧美精品亚洲一区二区| 久久久国产欧美日韩av| 麻豆成人av视频| 日韩一本色道免费dvd| 一区二区av电影网| 成人18禁高潮啪啪吃奶动态图 | 蜜臀久久99精品久久宅男| 我的女老师完整版在线观看| 免费观看无遮挡的男女| 老司机影院成人| 极品教师在线视频| 赤兔流量卡办理| 人人妻人人澡人人爽人人夜夜| freevideosex欧美| 日韩大片免费观看网站| 日本av手机在线免费观看| 97精品久久久久久久久久精品| 国产爽快片一区二区三区| 亚洲无线观看免费| 美女大奶头黄色视频| 99久久中文字幕三级久久日本| 综合色丁香网| 久久99热6这里只有精品| 美女中出高潮动态图| 熟女电影av网| 久久久久精品久久久久真实原创| 国产精品三级大全| 99久久精品国产国产毛片| 亚洲精品国产av蜜桃| 国产伦精品一区二区三区四那| 亚洲成人av在线免费| 国产黄色免费在线视频| 免费不卡的大黄色大毛片视频在线观看| 美女xxoo啪啪120秒动态图| 久久人人爽人人片av| 日韩欧美一区视频在线观看 | 国产精品三级大全| 亚洲精品国产av成人精品| 高清毛片免费看| 亚洲精品一二三| 欧美精品一区二区大全| 久久久国产一区二区| 免费观看的影片在线观看| 亚洲精品一区蜜桃| 成年人免费黄色播放视频 | 亚洲自偷自拍三级| 午夜91福利影院| 熟妇人妻不卡中文字幕| 亚洲欧美日韩东京热| 免费高清在线观看视频在线观看| 各种免费的搞黄视频| 久久久久精品性色| 狂野欧美激情性bbbbbb| 国产乱人偷精品视频| 十八禁网站网址无遮挡 | 在线免费观看不下载黄p国产| 精品一品国产午夜福利视频| 成年美女黄网站色视频大全免费 | 狂野欧美激情性xxxx在线观看| 成人漫画全彩无遮挡| 六月丁香七月| 在线 av 中文字幕| 高清毛片免费看| av福利片在线观看| 欧美日韩在线观看h| 一级二级三级毛片免费看| a级毛色黄片| 在线播放无遮挡| 成人黄色视频免费在线看| 久久综合国产亚洲精品| 最近2019中文字幕mv第一页| 国产色爽女视频免费观看| 国产成人freesex在线| 成人黄色视频免费在线看| 女人精品久久久久毛片| 你懂的网址亚洲精品在线观看| 中文在线观看免费www的网站| 中国美白少妇内射xxxbb| 只有这里有精品99| 97超视频在线观看视频| 在现免费观看毛片| 欧美丝袜亚洲另类| 一级爰片在线观看| 高清黄色对白视频在线免费看 | 精品人妻偷拍中文字幕| 久热这里只有精品99| 精品国产一区二区三区久久久樱花| 亚洲精品久久久久久婷婷小说| 亚洲精品乱久久久久久| 一本大道久久a久久精品| 免费黄色在线免费观看| videos熟女内射| 老女人水多毛片| 男女免费视频国产| 亚洲激情五月婷婷啪啪| 亚洲国产av新网站| 爱豆传媒免费全集在线观看| 亚州av有码| 精品人妻熟女av久视频| 啦啦啦啦在线视频资源| 免费少妇av软件| 简卡轻食公司| 99久久人妻综合| 2022亚洲国产成人精品| 美女福利国产在线| 日本黄色日本黄色录像| 成人18禁高潮啪啪吃奶动态图 | av女优亚洲男人天堂| 在线天堂最新版资源| 亚洲av电影在线观看一区二区三区| 99热全是精品| 国产永久视频网站| 91精品国产国语对白视频| 熟妇人妻不卡中文字幕| 亚洲av中文av极速乱| 下体分泌物呈黄色| av有码第一页| 91精品国产国语对白视频| 97超碰精品成人国产| 亚洲欧洲国产日韩| 性色av一级| 国产有黄有色有爽视频| 午夜老司机福利剧场| 18+在线观看网站| 国产精品福利在线免费观看| 韩国高清视频一区二区三区| 成年美女黄网站色视频大全免费 | 精品一区二区三区视频在线| 国产免费福利视频在线观看| 91在线精品国自产拍蜜月| 麻豆成人av视频| 大片电影免费在线观看免费| 少妇被粗大的猛进出69影院 | 美女视频免费永久观看网站| 亚洲天堂av无毛| 一本大道久久a久久精品| 国产有黄有色有爽视频| 99久久综合免费| 夫妻性生交免费视频一级片| 国产精品久久久久久av不卡| 欧美+日韩+精品| 久久影院123| tube8黄色片| 亚洲av.av天堂| 人妻系列 视频| 只有这里有精品99| 人妻人人澡人人爽人人| 国产精品一区二区在线观看99| 久久午夜综合久久蜜桃| 久久毛片免费看一区二区三区| 精品国产一区二区久久| 麻豆乱淫一区二区| 汤姆久久久久久久影院中文字幕| 少妇熟女欧美另类| 免费观看av网站的网址| 亚洲欧美清纯卡通| 亚洲国产精品999| 亚洲电影在线观看av| 国产亚洲精品久久久com| 99热这里只有是精品50| 国产精品免费大片| 自线自在国产av| 精品久久久久久电影网| 高清不卡的av网站| .国产精品久久| 男的添女的下面高潮视频| 日日撸夜夜添| 丝袜喷水一区| 性高湖久久久久久久久免费观看| 亚洲av电影在线观看一区二区三区| 免费黄频网站在线观看国产| 久久国产乱子免费精品| 成人国产av品久久久| 免费观看的影片在线观看| 免费观看av网站的网址| 91精品伊人久久大香线蕉| 免费av不卡在线播放| 国产精品三级大全| 精品一区二区三卡| av一本久久久久| 亚洲av在线观看美女高潮| 色吧在线观看| 欧美日韩亚洲高清精品| 日本vs欧美在线观看视频 | 精品人妻偷拍中文字幕| 在线观看美女被高潮喷水网站| 久久精品国产亚洲av涩爱| 啦啦啦在线观看免费高清www| 精品一区二区三卡| 美女国产视频在线观看| 久久国产精品男人的天堂亚洲 | 亚洲无线观看免费| 亚洲一级一片aⅴ在线观看| 亚洲人成网站在线播| 菩萨蛮人人尽说江南好唐韦庄| 男人和女人高潮做爰伦理| 天天操日日干夜夜撸| 下体分泌物呈黄色| 国产免费福利视频在线观看| 久久人人爽人人片av| 日本-黄色视频高清免费观看| 国产免费视频播放在线视频| 亚洲精品一二三| 日本av手机在线免费观看| 大香蕉久久网| 最近中文字幕高清免费大全6| h日本视频在线播放| 91久久精品国产一区二区成人| 亚洲国产毛片av蜜桃av| 亚洲精品视频女| 国产片特级美女逼逼视频| av福利片在线观看| 在线观看免费高清a一片| 高清午夜精品一区二区三区| 嫩草影院入口| 久久久久久久亚洲中文字幕| 精品久久国产蜜桃| 高清av免费在线| 丝瓜视频免费看黄片| 少妇人妻久久综合中文| av黄色大香蕉| 男女国产视频网站| videos熟女内射| 2018国产大陆天天弄谢| 久久久久国产精品人妻一区二区| 日本午夜av视频| 精品亚洲乱码少妇综合久久| 一区二区av电影网| 大又大粗又爽又黄少妇毛片口| 视频区图区小说| 又黄又爽又刺激的免费视频.| 国产真实伦视频高清在线观看| 亚洲精品一区蜜桃| 日韩不卡一区二区三区视频在线| 国产色爽女视频免费观看| 多毛熟女@视频| 日韩电影二区| 人人妻人人添人人爽欧美一区卜| 国产白丝娇喘喷水9色精品| av在线播放精品| 成年美女黄网站色视频大全免费 | 十分钟在线观看高清视频www | 日本vs欧美在线观看视频 | 九九在线视频观看精品| 国产高清国产精品国产三级| 国产色爽女视频免费观看| 男女边吃奶边做爰视频| 国产在线一区二区三区精| 久久人人爽人人爽人人片va| 黄色欧美视频在线观看| 久久午夜综合久久蜜桃| 日本黄色日本黄色录像| 啦啦啦中文免费视频观看日本| 精品国产一区二区三区久久久樱花| 嫩草影院新地址| 黑丝袜美女国产一区| 久久6这里有精品| 精品熟女少妇av免费看| 精品一区二区三区视频在线| 欧美日韩一区二区视频在线观看视频在线| 在现免费观看毛片| 汤姆久久久久久久影院中文字幕| 国产黄色视频一区二区在线观看| 亚洲欧美精品专区久久| 欧美3d第一页| 五月玫瑰六月丁香| 久久亚洲国产成人精品v| 国产成人精品婷婷| 99re6热这里在线精品视频| av国产精品久久久久影院| 久久亚洲国产成人精品v| 99久久综合免费| 精品熟女少妇av免费看| 少妇熟女欧美另类| 一级,二级,三级黄色视频| 免费黄网站久久成人精品| av又黄又爽大尺度在线免费看| av在线app专区| 久久久精品94久久精品| 五月开心婷婷网| 中文字幕av电影在线播放| 亚洲av日韩在线播放| 男男h啪啪无遮挡| a级毛片在线看网站| 如何舔出高潮| 观看av在线不卡| 免费少妇av软件| 青春草亚洲视频在线观看| 91精品一卡2卡3卡4卡| 好男人视频免费观看在线| 亚洲国产日韩一区二区| 久久午夜福利片| 伦理电影大哥的女人| 麻豆成人午夜福利视频| 亚洲精品aⅴ在线观看| 国产av国产精品国产| 日韩,欧美,国产一区二区三区| 最后的刺客免费高清国语| 久久久国产精品麻豆| 校园人妻丝袜中文字幕| 中文字幕人妻丝袜制服| 插阴视频在线观看视频| 国产极品天堂在线| 性色avwww在线观看| 蜜臀久久99精品久久宅男| 人妻少妇偷人精品九色| 又大又黄又爽视频免费| 国产欧美日韩一区二区三区在线 | 夫妻午夜视频| 人妻 亚洲 视频| av免费在线看不卡| 两个人免费观看高清视频 | 人妻一区二区av| 美女xxoo啪啪120秒动态图| 全区人妻精品视频| 一本大道久久a久久精品| 亚洲美女黄色视频免费看| 妹子高潮喷水视频| 九九在线视频观看精品| 丰满饥渴人妻一区二区三| 亚洲精品,欧美精品| 国产乱人偷精品视频| 色吧在线观看| 伦精品一区二区三区| 少妇裸体淫交视频免费看高清| 永久网站在线| 亚洲精品日本国产第一区| 国产一区二区在线观看日韩| 一级黄片播放器| 日韩制服骚丝袜av| 十八禁高潮呻吟视频 | 欧美丝袜亚洲另类| 亚洲精品色激情综合| 中文字幕人妻熟人妻熟丝袜美| 99九九线精品视频在线观看视频| 伦精品一区二区三区| 亚洲国产色片| 2022亚洲国产成人精品| 国产日韩欧美在线精品| 男女边吃奶边做爰视频| 最近中文字幕2019免费版| 好男人视频免费观看在线| 中文欧美无线码| 纯流量卡能插随身wifi吗| 国国产精品蜜臀av免费| 午夜免费男女啪啪视频观看| 插阴视频在线观看视频| 午夜福利网站1000一区二区三区| 亚洲人成网站在线播| 七月丁香在线播放| 99国产精品免费福利视频| 91久久精品国产一区二区成人| 2022亚洲国产成人精品| 99久久精品国产国产毛片| 国产 一区精品| 嘟嘟电影网在线观看| 久久久精品94久久精品| 97超碰精品成人国产| 日韩熟女老妇一区二区性免费视频| 国产精品久久久久久av不卡| 插逼视频在线观看| 狂野欧美激情性bbbbbb| 国产精品无大码| 精品久久久噜噜| 夫妻午夜视频|