• <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 ?

    基于改進的YOLOv4絕緣子掉片故障檢測方法

    2022-02-26 08:35:38黨宏社
    電瓷避雷器 2022年1期
    關(guān)鍵詞:絕緣子卷積聚類

    黨宏社,薛 萌,郭 琴

    (1.陜西科技大學電氣與控制工程學院,西安 710021;2.西安西瑞控制技術(shù)股份有限公司,西安 710021)

    0 引言

    隨著人們對用電量的需求逐年增加,輸電線路長度也不斷增長[1],電網(wǎng)的覆蓋面逐漸擴大,途經(jīng)的地理環(huán)境也越來越復雜,許多輸電線都搭建在人煙稀少的自然環(huán)境中,常年受到自然環(huán)境的侵害[2]。由于長時間暴露在野外環(huán)境中,絕緣子經(jīng)常會遭受惡劣天氣和氣候的影響發(fā)生掉片故障,損害整個輸電線路的使用和運行壽命。相關(guān)數(shù)據(jù)顯示,每年由絕緣子故障引發(fā)的事故超過電網(wǎng)故障的一半[3],因此定期對輸電線路進行巡檢是電力系統(tǒng)工作人員的一項重要的工作[4]。

    目前輸電線路巡檢主要分為人工巡檢和機器人巡檢兩種方式。對于地理環(huán)境惡劣的地區(qū),人工巡檢的難度較大,并具有一定的危險性[5],而機器人能夠代替人對不易到達或是自然環(huán)境惡劣的地區(qū)進行巡檢。其中直升機巡檢由于仍要搭載人員對線路進行拍攝巡檢,自動化程度不是很高[6];懸掛式機器人巡檢需要和線路接觸,因此會對線路產(chǎn)生一定的影響[7]。與之相比,無人機巡檢僅需人員站在地面操控無人機[8],操作更加簡便靈活,也不會對線路產(chǎn)生影響,因此得到了廣泛應(yīng)用。

    隨著深度學習技術(shù)的發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法也層出不窮[9]。與傳統(tǒng)圖像處理方法相比,通過卷積神經(jīng)網(wǎng)絡(luò)對特征進行提取的目標檢測算法不需要人工設(shè)計分類特征的選取[10],并且對于顏色、背景、紋理等干擾因素的魯棒性較好。Huang[11]等人提出了一種基于多特征融合的深度學習模型來識別航拍絕緣子故障,通過將手動提取的顏色和LBP紋理特征與卷積神經(jīng)網(wǎng)絡(luò)提取的高級特征融合,實現(xiàn)對絕緣子檢測,再通過故障分類網(wǎng)絡(luò)對絕緣子進行故障檢測。Yang[12]等人提出一種利用深度卷積神經(jīng)網(wǎng)絡(luò)檢測絕緣子自爆的方法。林志城[13]等人分別使用Mask-RCNN、Retina-net、YOLOv3三種目標檢測算法通過多模型融合,將檢測結(jié)果中置信度和重疊率高的預測目標框進行融合,提高了絕緣子自爆故障的檢測精度。陳俊杰[14]等人構(gòu)建了基于Faster R-CNN的絕緣子檢測模型,對3種材質(zhì)的絕緣子進行了故障檢測,并能夠準確定位故障點。

    目前的無人機巡檢是將采集到海量圖像傳送回地面端后進行離線檢測,因而會造成發(fā)現(xiàn)故障的滯后性[15],因此研究能夠在采集過程中進行實時性檢測的輕量型的絕緣子故障檢測算法是十分必要的,而現(xiàn)有技術(shù)大多通過使用特征融合手段或加深網(wǎng)絡(luò)層數(shù)來對模型的檢測精度進行提升,存在檢測速度較慢的缺點,模型文件體積也較大,不適合嵌入式使用。

    基于上述分析,提出一種改進的YOLOv4目標檢測方法,通過對比MobileNet系列網(wǎng)絡(luò)的參數(shù)量,選擇MobileNetv2作為模型的骨干網(wǎng)絡(luò),并將模型后續(xù)頸部網(wǎng)絡(luò)與頭部網(wǎng)絡(luò)中的3×3與5×5標準卷積替換為深度可分離卷積,使模型輕量化。使用K-means聚類對絕緣子數(shù)據(jù)集的錨框進行聚類,得到更加適合本檢測目標的9種先驗框尺寸。將h-swish函數(shù)引入頸部網(wǎng)絡(luò)中的PANet結(jié)構(gòu)中作為激活函數(shù),減少模型后半部分對特征進行反復提取過程中的信息損失,從而在滿足檢測精度的前提下提升檢測速度,同時大大減少了模型參數(shù),為檢測算法的嵌入式應(yīng)用與絕緣子圖片的邊采集邊檢測提供了可能。

    1 改進的絕緣子故障檢測算法

    改進的YOLOv4輕量型檢測算法總體流程圖如圖1所示。首先對輸入圖像進行預處理,將圖像尺寸調(diào)整為416×416的大小,然后輸入到改進的YOLOv4模型中,結(jié)合K-means聚類得到的9種先驗框尺寸,輸出3種不同尺度下的預測結(jié)果,通過置信度篩選和非極大值抑制即可得到最終的絕緣子串和掉片故障的檢測結(jié)果。

    圖1 改進的YOLOv4絕緣子故障檢測算法總體流程圖Fig.1 Flow chart for improved YOLOv4 insulator fault detection algorithm

    1.1 YOLOv4的輕量化

    1.1.1 骨干網(wǎng)絡(luò)的輕量化

    YOLOv4算法屬于目標檢測中的單階段式算法,能同時對目標的類別與位置進行回歸[16],因此檢測速度較快。YOLOv4采用了CSPDarknet53[17]作為骨干網(wǎng)絡(luò)對輸入圖像進行特征提取。為了將骨干網(wǎng)絡(luò)輕量化,使用MobileNet系列網(wǎng)絡(luò)重新構(gòu)建骨干網(wǎng)絡(luò)。MobileNet是Google針對手機等嵌入式設(shè)備提出的一種輕量型卷積神經(jīng)網(wǎng)絡(luò)[18],目前已經(jīng)進行了3個版本的更迭。分別使用MobileNetv1、v2、v3作為YOLOv4的骨干網(wǎng)絡(luò)來構(gòu)建目標檢測模型,并統(tǒng)計各自的參數(shù)量,結(jié)果如表1所示:

    由表1可知使用MobileNetv2的參數(shù)量最少,不到原網(wǎng)絡(luò)的2/3,因此選擇MobileNetv2[19]作為骨干網(wǎng)絡(luò)。MobileNet采用的深度可分離卷積(depthwise separable convolutions,dw)[20]能夠在特征提取效果少量降低的情況下極大減少運算量,從而提升運算速度。

    表1 使用不同骨干網(wǎng)絡(luò)的模型參數(shù)量對比Table 1 Parameters comparison of the different backbone

    此外,借鑒殘差網(wǎng)絡(luò)ResNet[21]的結(jié)構(gòu)特點,使用具有線性瓶頸的逆殘差結(jié)構(gòu)(InvertedResidual)構(gòu)建骨干網(wǎng)絡(luò)的單個卷積塊,具體結(jié)構(gòu)如圖2所示。

    圖2 具有線性瓶頸的逆殘差結(jié)構(gòu)Fig.2 The inverted residual with linear bottleneck

    逆殘差結(jié)構(gòu)是中間大兩端小的紡錘狀,并且具有一條殘差邊[22]。首先通過1×1卷積升維,之后進行深度可分離卷積進行特征提取,最后再通過1×1 卷積降維,并使用殘差邊將輸入連接過來相加。卷積核尺寸越小則張量維度越低,計算量就越少[23],但全部使用低緯張量會造成特征提取效果變差,因此通過先升維進行特征提取,再將提取到的特征進行降維,既保證了特征提取效果,又減少了運算量。被壓縮到低維空間的特征由于是從高維空間提取來的,所包含的有效信息較多,因此在進行1×1的降維之后,使用線性激活函數(shù)進行激活。

    重新構(gòu)建的骨干網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,括號中表示經(jīng)過本層操作后輸出的特征圖尺寸,其中CBR6模塊是對輸入依次進行卷積,批歸一化和ReLU6激活操作,(52,52,32)、(26,26,96)與(13,13,320)這3層將作為頸部網(wǎng)絡(luò)的輸入。

    圖3 改進后的骨干網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Improved backbone network structure chart

    1.1.2 頭部網(wǎng)絡(luò)與頸部網(wǎng)絡(luò)的輕量化

    雖然使用MobileNetv2作為骨干網(wǎng)絡(luò)能夠減少參數(shù),但在模型后續(xù)的頭部與頸部中均存在大量的卷積運算,為了進一步將模型輕量化,將頸部中的CBR(Conv,Batch Normolization,Relu)模塊、下采樣以及頭部YoloHead中的3×3與5×5標準卷積改為深度可分離卷積,并統(tǒng)計參數(shù)量,結(jié)果如表2所示,dw表示深度可分離卷積。

    表2 使用深度可分離卷積后的模型參數(shù)對比Table 2 Comparison of model parameters after using dw

    由表2可知使用了dw的模型參數(shù)再一次減少,與改進前的YOLOv4相比參數(shù)量僅占原來的17%左右,變得更加輕量化,能夠進一步加快運算的速度。

    1.2 K-means聚類先驗框

    原YOLOv4算法使用了具有80種類別的COCO數(shù)據(jù)集[24]進行訓練與測試,而本文所檢測的目標種類較單一,因此為了使模型收斂更快[25],使用K-means算法對數(shù)據(jù)集中的真實標注框尺寸進行聚類,得到較符合本文檢測目標的先驗框的尺寸。使用K-means算法得到先驗框尺寸的流程圖如圖4所示。

    圖4 K-means聚類得到9種先驗框尺寸流程圖Fig.4 Flow chart for K-means clustering obtains 9 priori box sizes

    在所有標注框尺寸數(shù)據(jù)中隨機選取9個聚類中心,分別計算其他標注框尺寸到聚類中心的距離。采用IOU距離[26]代替歐氏距離進行衡量,如式(1)所示。

    D(i,center)=1-IOU(i,center)

    (1)

    式中,D(i,center)表示第i個標注框尺寸到聚類中心center的距離,IOU(i,center)表示第i個標注框尺寸與聚類中心框的重合程度,取值為[0,1]。兩個標注框越相似,重合面積就越大,IOU值越大,因此對IOU取負號再加1,這樣得到的IOU距離就越小。將標注框分配給距離最小的聚類中心后,按照當前分類結(jié)果計算每一類數(shù)據(jù)的坐標均值,即可得到新的聚類中心。若新的聚類中心發(fā)生變化,則重新計算其他標注框到聚類中心的距離并重新分類,直到聚類中心不再變化。聚類中心分布結(jié)果如圖5所示,其中實心點為數(shù)據(jù)集中實際的標注框尺寸,空心點為聚類結(jié)果。

    圖5 聚類中心分布結(jié)果Fig.5 Results of clustering center distribution

    最終得到的9種先驗框尺寸如下:[(44,68)、(57,414)、(84,18)],[(84,27)、(123,35)、(166,61)],[(282,60)、(286,108)、(306,359)]。

    1.3 h-swish激活函數(shù)

    模型頸部網(wǎng)絡(luò)使用了PANet結(jié)構(gòu)[27]對不同層的特征圖進行特征的反復提取,具體結(jié)構(gòu)如圖6所示,圖中的數(shù)字分別表示對應(yīng)特征圖的寬與高尺寸。

    圖6 本模型使用的PANet結(jié)構(gòu)Fig.6 PANet structure used inproposed model

    PANet通過上采樣和下采樣將不同尺寸的特征圖融合在一起并進行卷積運算,得到了豐富的多尺寸特征融合后的信息。為了將提取到的特征更有效地傳遞,使用h-swish激活函數(shù)[28]對融合后的特征進行激活,h-swish的計算公式如式(2)所示。

    (2)

    與常規(guī)的ReLU函數(shù)相比,h-swish函數(shù)在靠近原點的負半軸有一段負值,這樣的形狀特點能夠緩解ReLU造成的神經(jīng)元壞死,從而保留更多有用的信息。h-swish與ReLU函數(shù)圖像如圖7所示。

    圖7 ReLU與h-swish函數(shù)圖像Fig.7 ReLU and h-swish function graph

    模型所使用的PANet是在對多尺度特征進行反復融合與提取,包含有大量有效特征信息,若使用ReLU激活函數(shù)則會將負值輸入全部抑制為0,從而丟失許多有用信息,因此選擇h-swish函數(shù)能夠?qū)μ卣鬟M行更有效的傳遞。

    改進后的網(wǎng)絡(luò)整體結(jié)構(gòu)如圖8所示。骨干網(wǎng)絡(luò)由一系列逆殘差模塊Inverted_Res組成,dwCBR模塊包括深度可分離卷積(dwConv)、批歸一化和ReLU6激活。SPP(Spatial Pyramid Pooling)是空間金字塔池化[29],對輸入分別進行1×1、5×5、9×9和13×13這四種不同尺寸的最大池化,并將四種輸出結(jié)果進行通道上的堆疊。PANet結(jié)構(gòu)中的dwCBh模塊包括深度可分離卷積、批歸一化和h-swish激活,CBh模塊包括卷積、批歸一化和h-swish激活,下采樣DownSampling與頭部網(wǎng)絡(luò)YoloHead中的3×3卷積均為深度可分離卷積。

    圖8 改進后的YOLOv4模型整體結(jié)構(gòu)圖Fig.8 Improved YOLOV4 model structure

    2 實驗與結(jié)果分析

    2.1 軟硬件環(huán)境

    實驗的硬件環(huán)境如下:CPU為Intel i5-8300H 2.30 GHz,內(nèi)存大小16GBx2,GPU為NVIDIA GeForce GTX 1050。軟件環(huán)境采用windows10操作系統(tǒng),pytorch1.1深度學習框架,CUDA=9.1.126,編程語言為python3.6。

    2.2 實驗數(shù)據(jù)集

    實驗數(shù)據(jù)集源于github上由國家電網(wǎng)公司提供的852張無人機高空拍攝的桿塔絕緣子圖片,其中600張為正常絕緣子,252張為具有掉片故障的絕緣子。輸電線路常見掉片故障原因包括雷擊、污穢及絕緣子劣化。在雷雨或潮濕天氣下,雷電活動可能使絕緣子串遭受雷擊,而潮濕天氣可能使積污絕緣子發(fā)生污閃。當絕緣子串遭受雷擊或污閃時,劣化絕緣子將被擊穿,此時會有較大電流通過使其發(fā)生爆炸,從而造成掉片故障。本文數(shù)據(jù)集中掉片故障原因包括雷擊和污閃造成的爆裂,絕緣子種類包括瓷質(zhì)絕緣子、玻璃絕緣子和復合型絕緣子3類,并且具有森林、城鎮(zhèn)、湖泊、田地等各種不同背景。用labelImg標注軟件對圖片進行標注,并對852張原始照片進行旋轉(zhuǎn)、鏡像、亮度及顏色調(diào)整進行數(shù)據(jù)集的擴增,最終得到3 804張照片。將數(shù)據(jù)集分為8∶1∶1三份,分別用于模型的訓練、驗證與測試。

    2.3 訓練過程

    采用遷移學習的思想[30],將在VOC2007數(shù)據(jù)集上預訓練好的特征提取網(wǎng)絡(luò)權(quán)重遷移至該模型進行微調(diào)。訓練時的超參數(shù)設(shè)置如下:初始學習率0.001,批處理量16。凍結(jié)訓練世代50,總訓練世代100。對學習率進行Adam優(yōu)化,并在50世代之后降低到0.000 1,非極大值抑制的閾值設(shè)置為0.3,置信度為0.5。

    訓練得到的損失曲線如圖9所示,對圖9(a)的y軸進行了對數(shù)化處理,能在顯示總體趨勢的同時展示出訓練后期的損失值變化。由圖9可知損失值隨著訓練的進行逐漸下降,最終趨于穩(wěn)定,模型得到收斂。

    圖9 訓練過程的損失曲線Fig.9 Loss curve during training

    2.4 實驗結(jié)果

    將本文提出的3種改進分別運用在原算法中進行模型的訓練與測試,結(jié)果如表3所示。表中AP(average precision)表示檢測的平均精度,insulator AP與defect AP分別表示絕緣子串AP與掉片故障AP,mAP(mean average precision)表示平均精度均值,是取所有類別AP值的均值,F(xiàn)PS是每秒可以處理的圖片幀數(shù)。

    由表3可知,將MobileNetv2作為骨干網(wǎng)絡(luò)的模型檢測速度最快,能達到12.23FPS。使用K-means與h-swish均能夠小幅度提升模型的mAP,但h-swish會導致檢測速度下降更多,原因是盡管h-swish的計算并不過于復雜,但仍比ReLU計算麻煩。結(jié)合了3種改進方法的模型檢測速度與原來相比得到了提高,能夠達到10.51FPS,同時mAP能達到94.08%。

    表3 模型改進前后性能對比Table 3 Performance comparison before and after model improvement

    為了更客觀地評價本文模型,選擇了目前主流的目標檢測算法Faster-RCNN和SSD與本研究方法進行了縱向?qū)Ρ?,實驗結(jié)果如表4所示。

    表4 該模型與主流算法的性能對比Table 4 Performance comparison between mainstream algorithms andthe proposed model

    由表4可知,F(xiàn)aster-RCNN的mAP最高,達到了94.80%,但檢測速度較慢,為8.17FPS,模型文件的大小也有108MB。SSD的mAP是最低的,為92.28%,但檢測速度和模型文件大小都比Faster-RCNN與YOLOv4好。本研究模型與YOLOv4相比mAP有了略微的下降,但仍比SSD算法高,并且檢測速度有了顯著的提升,達到最快的10.51FPS,模型文件也是最小的46.4MB,僅占YOLOv4的1/5。

    本研究算法的部分測試結(jié)果如圖10所示,示例結(jié)果中有12張包含瓷質(zhì)絕緣子,3張包含玻璃絕緣子,5張包含復合絕緣子,6張包含雷擊及污閃造成的掉片故障。

    圖10 檢測效果圖Fig.10 Detection effect pictures

    由圖10可知算法對于不同種類的絕緣子、不同原因及位置的掉片故障均能夠較好檢測出來,并且對于不同背景的魯棒性較好。

    在現(xiàn)實中,雨、雪、霧天氣會造成無人機拍攝到的圖像質(zhì)量下降,為了檢驗?zāi)P驮谔厥馓鞖庀碌聂敯粜裕瑥臄?shù)據(jù)集中隨機選擇圖片并模擬了雨、雪、霧3種天氣下的狀態(tài)并使用本研究模型進行檢測,結(jié)果如圖11所示。

    圖11 雨、雪、霧天氣下的檢測效果Fig.11 Detection effect under rain,snow and fog weather

    隨機選擇的圖片中含有不同顏色的瓷質(zhì)絕緣子及掉片故障,由圖可知在雨、雪、霧3種天氣的影響下,本文模型對于絕緣子串的檢測效果幾乎不受影響,但對于掉片故障的檢測效果變差,如圖11(b)中圓圈標出的故障未被檢測出來,可見惡劣天氣會導致模型檢測效果變差。

    3 結(jié) 論

    提出了一種改進的YOLOv4目標檢測方法,使用MobileNetv2的逆殘差結(jié)構(gòu)與深度可分離卷積重新構(gòu)建了模型的骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)與頭部網(wǎng)絡(luò),減少了模型參數(shù);使用K-means得到更適合本文檢測目標的9種錨框比例,降低了錨框的調(diào)整難度;使用h-swish函數(shù)作為PANet中的激活函數(shù),減少模型后半段特征信息損失。實驗結(jié)果表明,與主流算法相比本文模型的檢測速度和模型文件大小均較優(yōu),檢測速度可達到每秒10幀,能夠滿足實時性檢測,模型文件大小為46.4 MB,為檢測算法的嵌入式應(yīng)用及巡檢時邊采集邊檢測提供了可能。在模擬的惡劣天氣情況下,掉片故障的檢測效果下降,因此在實際應(yīng)用時若遇到惡劣天氣,仍需工作人員進行二次判斷以保證電網(wǎng)安全。在后續(xù)工作中需進行數(shù)據(jù)集的完善,增加檢測的故障種類,并提升模型在不同天氣下的檢測精度。

    猜你喜歡
    絕緣子卷積聚類
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于改進的遺傳算法的模糊聚類算法
    1000kV耐張絕緣子串單片絕緣子的帶電更換技術(shù)
    一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
    500kV絕緣子串含零值絕緣子時的電暈放電分析
    電測與儀表(2014年6期)2014-04-04 11:59:46
    絕緣子的常見故障及排除方法
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    亚洲午夜精品一区,二区,三区| 国产在线观看jvid| 黄色视频不卡| 国产精品美女特级片免费视频播放器 | 色综合欧美亚洲国产小说| 怎么达到女性高潮| 曰老女人黄片| 国产精品香港三级国产av潘金莲| 亚洲精品中文字幕一二三四区 | 精品一区二区三卡| 天堂中文最新版在线下载| 99热国产这里只有精品6| 自拍欧美九色日韩亚洲蝌蚪91| 国产单亲对白刺激| 大片电影免费在线观看免费| 国产一区二区 视频在线| 九色亚洲精品在线播放| 蜜桃在线观看..| 久久人妻熟女aⅴ| 亚洲成a人片在线一区二区| 美女福利国产在线| 亚洲精品在线观看二区| 午夜福利在线免费观看网站| 精品国产乱码久久久久久小说| 色视频在线一区二区三区| 777久久人妻少妇嫩草av网站| 国产又爽黄色视频| 一级,二级,三级黄色视频| 欧美另类亚洲清纯唯美| 激情在线观看视频在线高清 | 久久中文字幕人妻熟女| 国产精品亚洲av一区麻豆| 久久国产精品人妻蜜桃| av一本久久久久| 欧美日韩av久久| 国产又爽黄色视频| 午夜福利在线观看吧| 国产男女内射视频| 久久精品亚洲熟妇少妇任你| 成年动漫av网址| 国产成人精品无人区| 精品久久蜜臀av无| 国产精品久久久久久精品电影小说| 丁香欧美五月| 久久亚洲真实| √禁漫天堂资源中文www| 色老头精品视频在线观看| 亚洲欧美色中文字幕在线| 国内毛片毛片毛片毛片毛片| 欧美一级毛片孕妇| 岛国在线观看网站| 久久久欧美国产精品| 老鸭窝网址在线观看| 2018国产大陆天天弄谢| 国产老妇伦熟女老妇高清| 国产在线一区二区三区精| 91成年电影在线观看| 一区二区av电影网| 高清欧美精品videossex| 免费黄频网站在线观看国产| 大型av网站在线播放| 熟女少妇亚洲综合色aaa.| a级毛片黄视频| 久久狼人影院| 亚洲精品自拍成人| 国产成人av激情在线播放| 精品国产亚洲在线| 亚洲av日韩精品久久久久久密| 在线观看免费午夜福利视频| 国产成+人综合+亚洲专区| 国产在线一区二区三区精| 天天添夜夜摸| 日韩有码中文字幕| 国产日韩一区二区三区精品不卡| 99九九在线精品视频| 十八禁高潮呻吟视频| 99精国产麻豆久久婷婷| 婷婷丁香在线五月| 一区二区三区激情视频| 19禁男女啪啪无遮挡网站| 99久久国产精品久久久| 热99国产精品久久久久久7| 天天影视国产精品| 在线观看免费日韩欧美大片| 91大片在线观看| 午夜两性在线视频| 90打野战视频偷拍视频| 成人三级做爰电影| 在线观看免费视频日本深夜| www.999成人在线观看| 国产欧美日韩一区二区精品| 99国产精品99久久久久| 丁香欧美五月| 大香蕉久久成人网| 亚洲av成人一区二区三| 亚洲精品久久成人aⅴ小说| 色精品久久人妻99蜜桃| 久久人人爽av亚洲精品天堂| av线在线观看网站| 最近最新中文字幕大全免费视频| 两个人看的免费小视频| 日韩制服丝袜自拍偷拍| av网站免费在线观看视频| 亚洲精品国产一区二区精华液| 老司机在亚洲福利影院| 男女床上黄色一级片免费看| 最黄视频免费看| 男男h啪啪无遮挡| 亚洲少妇的诱惑av| 在线看a的网站| 后天国语完整版免费观看| 50天的宝宝边吃奶边哭怎么回事| 十八禁高潮呻吟视频| 亚洲精品中文字幕一二三四区 | 岛国毛片在线播放| 精品欧美一区二区三区在线| 激情视频va一区二区三区| 亚洲精品美女久久av网站| 黄色片一级片一级黄色片| 99九九在线精品视频| 免费少妇av软件| 亚洲精华国产精华精| 久久国产精品人妻蜜桃| 自线自在国产av| 香蕉丝袜av| 欧美成人免费av一区二区三区 | 欧美日韩亚洲高清精品| 免费观看人在逋| 国产激情久久老熟女| 国产亚洲av高清不卡| 美女高潮喷水抽搐中文字幕| 成人国语在线视频| 777久久人妻少妇嫩草av网站| 久久中文看片网| 中文字幕人妻熟女乱码| 欧美性长视频在线观看| 久久av网站| 国产极品粉嫩免费观看在线| 777久久人妻少妇嫩草av网站| 人妻一区二区av| bbb黄色大片| 中文字幕精品免费在线观看视频| 精品乱码久久久久久99久播| 日韩一卡2卡3卡4卡2021年| 超碰成人久久| 欧美变态另类bdsm刘玥| 国产成人av教育| 欧美 亚洲 国产 日韩一| 国产主播在线观看一区二区| 中文字幕人妻熟女乱码| 国产精品一区二区精品视频观看| www.999成人在线观看| 日本vs欧美在线观看视频| 欧美精品啪啪一区二区三区| 91精品三级在线观看| 日本撒尿小便嘘嘘汇集6| 国产老妇伦熟女老妇高清| 黄片小视频在线播放| 亚洲人成电影免费在线| av不卡在线播放| 日韩欧美一区视频在线观看| 久久这里只有精品19| 在线十欧美十亚洲十日本专区| 他把我摸到了高潮在线观看 | 美女午夜性视频免费| 大香蕉久久成人网| 欧美激情久久久久久爽电影 | 丰满少妇做爰视频| 国产精品久久久人人做人人爽| 制服诱惑二区| 岛国在线观看网站| 日韩欧美一区视频在线观看| 男人操女人黄网站| 一本久久精品| 精品人妻熟女毛片av久久网站| av片东京热男人的天堂| 亚洲欧美精品综合一区二区三区| 露出奶头的视频| 老司机午夜福利在线观看视频 | 99精国产麻豆久久婷婷| 精品一区二区三区av网在线观看 | 久久久国产成人免费| 亚洲自偷自拍图片 自拍| 国产不卡av网站在线观看| 日韩有码中文字幕| 老司机在亚洲福利影院| 极品教师在线免费播放| 看免费av毛片| 精品亚洲乱码少妇综合久久| 久久性视频一级片| 岛国在线观看网站| 亚洲人成77777在线视频| www.精华液| 三上悠亚av全集在线观看| 久久精品国产亚洲av高清一级| 两个人看的免费小视频| 国产又爽黄色视频| 国产国语露脸激情在线看| 成年人午夜在线观看视频| 欧美日本中文国产一区发布| 亚洲精品国产一区二区精华液| 免费在线观看影片大全网站| av超薄肉色丝袜交足视频| 日本av手机在线免费观看| 国产野战对白在线观看| 国产色视频综合| 午夜福利影视在线免费观看| 99精品欧美一区二区三区四区| 亚洲成国产人片在线观看| 亚洲三区欧美一区| 国产有黄有色有爽视频| 色视频在线一区二区三区| 国产成人系列免费观看| 日本wwww免费看| 精品福利观看| 欧美激情高清一区二区三区| 91大片在线观看| 新久久久久国产一级毛片| 丝袜人妻中文字幕| 一边摸一边抽搐一进一出视频| 欧美日本中文国产一区发布| 欧美大码av| 久久久精品国产亚洲av高清涩受| 高潮久久久久久久久久久不卡| 亚洲欧美色中文字幕在线| 亚洲天堂av无毛| 亚洲午夜精品一区,二区,三区| 亚洲精品国产精品久久久不卡| 熟女少妇亚洲综合色aaa.| 三上悠亚av全集在线观看| 久久亚洲真实| 精品国产国语对白av| 欧美午夜高清在线| 777米奇影视久久| 欧美日韩亚洲高清精品| 久久免费观看电影| 老司机深夜福利视频在线观看| 久久久久精品人妻al黑| 国产片内射在线| 极品少妇高潮喷水抽搐| 久久性视频一级片| 侵犯人妻中文字幕一二三四区| 久久中文字幕人妻熟女| 美女福利国产在线| 捣出白浆h1v1| 久久ye,这里只有精品| 丝袜喷水一区| 黄色片一级片一级黄色片| 女同久久另类99精品国产91| 亚洲av欧美aⅴ国产| 一级毛片精品| kizo精华| √禁漫天堂资源中文www| 精品人妻1区二区| 欧美乱妇无乱码| 下体分泌物呈黄色| 最近最新中文字幕大全免费视频| 国产在视频线精品| 国产精品一区二区在线观看99| 欧美大码av| 日本欧美视频一区| 国产精品亚洲av一区麻豆| 欧美日韩亚洲高清精品| 香蕉国产在线看| 成年人午夜在线观看视频| 成人亚洲精品一区在线观看| 黄色a级毛片大全视频| 午夜福利欧美成人| 亚洲成a人片在线一区二区| 中文字幕精品免费在线观看视频| 亚洲精品美女久久久久99蜜臀| 91麻豆av在线| 丰满饥渴人妻一区二区三| 色94色欧美一区二区| 最近最新中文字幕大全电影3 | 日韩欧美一区二区三区在线观看 | 久久影院123| 欧美av亚洲av综合av国产av| 国产一区二区在线观看av| 蜜桃国产av成人99| 桃红色精品国产亚洲av| 在线观看免费视频日本深夜| 一级,二级,三级黄色视频| 中文字幕精品免费在线观看视频| 黑丝袜美女国产一区| 精品国内亚洲2022精品成人 | 国产免费现黄频在线看| 午夜免费鲁丝| 亚洲男人天堂网一区| 亚洲国产中文字幕在线视频| 国产又爽黄色视频| 国产区一区二久久| 国产深夜福利视频在线观看| 69精品国产乱码久久久| 亚洲精品中文字幕在线视频| 青草久久国产| 亚洲精品在线美女| 91国产中文字幕| 黄色视频在线播放观看不卡| 久久中文字幕一级| 精品卡一卡二卡四卡免费| 国产一区二区三区综合在线观看| 精品国产乱子伦一区二区三区| 欧美变态另类bdsm刘玥| 男女高潮啪啪啪动态图| 国产精品久久久人人做人人爽| 777米奇影视久久| 国产日韩欧美亚洲二区| 亚洲国产av新网站| 大型黄色视频在线免费观看| 久久久国产成人免费| 亚洲熟女毛片儿| 国产精品久久久久久人妻精品电影 | 国产精品国产av在线观看| 可以免费在线观看a视频的电影网站| 99久久人妻综合| 一区在线观看完整版| 成人特级黄色片久久久久久久 | 两性午夜刺激爽爽歪歪视频在线观看 | www.自偷自拍.com| 一区二区av电影网| 久久久久久人人人人人| 亚洲av欧美aⅴ国产| 国精品久久久久久国模美| 日韩成人在线观看一区二区三区| 一边摸一边抽搐一进一小说 | 色尼玛亚洲综合影院| 每晚都被弄得嗷嗷叫到高潮| 在线观看免费日韩欧美大片| 久久久久久免费高清国产稀缺| 久久天躁狠狠躁夜夜2o2o| 激情在线观看视频在线高清 | 日韩中文字幕视频在线看片| 涩涩av久久男人的天堂| 18禁裸乳无遮挡动漫免费视频| 日韩欧美国产一区二区入口| 日本vs欧美在线观看视频| 欧美+亚洲+日韩+国产| 欧美日韩一级在线毛片| 12—13女人毛片做爰片一| 久久午夜亚洲精品久久| 少妇粗大呻吟视频| 18禁黄网站禁片午夜丰满| 丝袜在线中文字幕| 精品国产乱码久久久久久小说| 国产成人欧美| 欧美日韩一级在线毛片| www.自偷自拍.com| 日本wwww免费看| 欧美日韩av久久| videosex国产| 91九色精品人成在线观看| 久久亚洲精品不卡| 性少妇av在线| 人人妻,人人澡人人爽秒播| bbb黄色大片| 老熟妇仑乱视频hdxx| 久久午夜亚洲精品久久| 久久久久久久大尺度免费视频| 欧美成狂野欧美在线观看| 精品国产亚洲在线| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲 国产 在线| 欧美日韩福利视频一区二区| 久久精品国产a三级三级三级| 一区二区av电影网| 丁香六月天网| 成年女人毛片免费观看观看9 | 宅男免费午夜| 淫妇啪啪啪对白视频| 国产精品免费一区二区三区在线 | 精品少妇内射三级| 俄罗斯特黄特色一大片| 久久精品亚洲精品国产色婷小说| 最近最新中文字幕大全免费视频| 国产精品99久久99久久久不卡| 电影成人av| 欧美日韩av久久| 久久免费观看电影| 日本黄色视频三级网站网址 | 久久99热这里只频精品6学生| 国产欧美日韩精品亚洲av| 淫妇啪啪啪对白视频| 精品少妇黑人巨大在线播放| 在线观看免费高清a一片| 午夜福利免费观看在线| 中文字幕精品免费在线观看视频| 国产成人精品无人区| 下体分泌物呈黄色| 十八禁人妻一区二区| 激情视频va一区二区三区| 制服诱惑二区| 自线自在国产av| 老司机午夜十八禁免费视频| 在线观看一区二区三区激情| 亚洲精品国产一区二区精华液| 久久精品aⅴ一区二区三区四区| 午夜成年电影在线免费观看| 免费在线观看完整版高清| 高潮久久久久久久久久久不卡| 欧美日本中文国产一区发布| 精品国产国语对白av| 香蕉丝袜av| 岛国在线观看网站| 最新的欧美精品一区二区| 黄网站色视频无遮挡免费观看| 香蕉国产在线看| 另类精品久久| 国产精品 国内视频| 色播在线永久视频| 国产免费av片在线观看野外av| 性少妇av在线| 曰老女人黄片| 少妇裸体淫交视频免费看高清 | 极品教师在线免费播放| 女性被躁到高潮视频| 精品福利永久在线观看| 黑人巨大精品欧美一区二区mp4| 汤姆久久久久久久影院中文字幕| 飞空精品影院首页| 99久久精品国产亚洲精品| 久久久国产欧美日韩av| 夫妻午夜视频| 十八禁网站网址无遮挡| 午夜91福利影院| 亚洲精品中文字幕一二三四区 | 亚洲人成电影免费在线| 亚洲成人免费av在线播放| 亚洲第一欧美日韩一区二区三区 | 一本色道久久久久久精品综合| 午夜福利欧美成人| 久久热在线av| 啦啦啦 在线观看视频| 中文字幕高清在线视频| 国产免费福利视频在线观看| 亚洲欧美日韩另类电影网站| 最黄视频免费看| 国产男靠女视频免费网站| 亚洲国产欧美在线一区| 18禁国产床啪视频网站| 黄色毛片三级朝国网站| 天堂中文最新版在线下载| 黄色成人免费大全| 成人黄色视频免费在线看| av线在线观看网站| 欧美另类亚洲清纯唯美| 高清视频免费观看一区二区| 久久精品国产综合久久久| 亚洲欧美一区二区三区黑人| 午夜两性在线视频| 人人妻人人澡人人看| 午夜福利视频在线观看免费| 午夜久久久在线观看| 国产伦理片在线播放av一区| 色综合婷婷激情| 国产亚洲精品久久久久5区| 国产精品99久久99久久久不卡| 十八禁高潮呻吟视频| 99香蕉大伊视频| 丁香六月天网| 久久久久精品国产欧美久久久| 99re6热这里在线精品视频| 午夜日韩欧美国产| 大型av网站在线播放| 中文亚洲av片在线观看爽 | 久久国产亚洲av麻豆专区| 久久人妻福利社区极品人妻图片| a级毛片黄视频| 成人手机av| 亚洲 国产 在线| 精品欧美一区二区三区在线| 亚洲男人天堂网一区| 国产成人精品久久二区二区免费| 纵有疾风起免费观看全集完整版| 亚洲精品中文字幕在线视频| 日韩大片免费观看网站| 久久天堂一区二区三区四区| 美女福利国产在线| cao死你这个sao货| 免费在线观看影片大全网站| 中文字幕色久视频| 欧美黄色片欧美黄色片| 王馨瑶露胸无遮挡在线观看| 最近最新免费中文字幕在线| 亚洲专区中文字幕在线| 大片电影免费在线观看免费| 精品人妻熟女毛片av久久网站| 欧美乱码精品一区二区三区| 一级片免费观看大全| 不卡一级毛片| 久久久久视频综合| 一本一本久久a久久精品综合妖精| 色综合婷婷激情| 啪啪无遮挡十八禁网站| 亚洲国产成人一精品久久久| 老司机福利观看| 99精品欧美一区二区三区四区| 91九色精品人成在线观看| a级毛片在线看网站| 老熟妇仑乱视频hdxx| 亚洲第一欧美日韩一区二区三区 | 亚洲欧洲日产国产| 啦啦啦 在线观看视频| 久久精品亚洲熟妇少妇任你| 美女高潮喷水抽搐中文字幕| 一本久久精品| 超色免费av| 国产在线一区二区三区精| 多毛熟女@视频| 欧美黑人欧美精品刺激| 又黄又粗又硬又大视频| 青草久久国产| 欧美av亚洲av综合av国产av| 人人澡人人妻人| 香蕉丝袜av| 成人特级黄色片久久久久久久 | 三上悠亚av全集在线观看| 777米奇影视久久| 91精品三级在线观看| 又黄又粗又硬又大视频| 成人手机av| 波多野结衣av一区二区av| 成人18禁高潮啪啪吃奶动态图| 国产免费现黄频在线看| 在线观看66精品国产| 黄色片一级片一级黄色片| h视频一区二区三区| 国产精品电影一区二区三区 | 午夜成年电影在线免费观看| 性高湖久久久久久久久免费观看| 97人妻天天添夜夜摸| 国产欧美日韩综合在线一区二区| av在线播放免费不卡| av国产精品久久久久影院| 高清黄色对白视频在线免费看| 婷婷成人精品国产| av网站在线播放免费| 十八禁网站免费在线| 免费日韩欧美在线观看| 午夜精品久久久久久毛片777| 国产真人三级小视频在线观看| 看免费av毛片| 啪啪无遮挡十八禁网站| 伊人久久大香线蕉亚洲五| 成人18禁在线播放| 色94色欧美一区二区| 麻豆成人av在线观看| 日本wwww免费看| 91麻豆精品激情在线观看国产 | 窝窝影院91人妻| 欧美在线一区亚洲| 伊人久久大香线蕉亚洲五| 丰满人妻熟妇乱又伦精品不卡| 亚洲人成77777在线视频| 精品福利观看| 老司机午夜十八禁免费视频| 日韩欧美三级三区| 亚洲va日本ⅴa欧美va伊人久久| 麻豆国产av国片精品| 精品视频人人做人人爽| 中文字幕高清在线视频| 这个男人来自地球电影免费观看| 精品亚洲成国产av| 精品国产乱子伦一区二区三区| 99国产精品一区二区蜜桃av | 色94色欧美一区二区| 又紧又爽又黄一区二区| 久久久久久亚洲精品国产蜜桃av| 日本精品一区二区三区蜜桃| 亚洲一区中文字幕在线| 日本一区二区免费在线视频| 一进一出好大好爽视频| 一本大道久久a久久精品| 国产av又大| 成年动漫av网址| 精品少妇内射三级| 黄片大片在线免费观看| 国产xxxxx性猛交| 少妇猛男粗大的猛烈进出视频| 免费看十八禁软件| tube8黄色片| 一级毛片精品| 又大又爽又粗| 亚洲欧美色中文字幕在线| 日日夜夜操网爽| 中国美女看黄片| 少妇精品久久久久久久| 看免费av毛片| 久久天躁狠狠躁夜夜2o2o| 91成人精品电影| 亚洲欧美日韩高清在线视频 | 女人被躁到高潮嗷嗷叫费观| 国产激情久久老熟女| 黑丝袜美女国产一区| 亚洲精品国产区一区二| 亚洲精品国产一区二区精华液| 午夜福利在线免费观看网站| 999久久久精品免费观看国产| 亚洲avbb在线观看| 午夜福利免费观看在线| 热re99久久精品国产66热6| 亚洲综合色网址| av有码第一页| 亚洲三区欧美一区| 国产亚洲欧美精品永久| 国产一区二区三区在线臀色熟女 | 国产精品免费视频内射| 成人国语在线视频| 国产在线免费精品| 午夜两性在线视频| 一级片'在线观看视频| 国产男女超爽视频在线观看| 999精品在线视频| 丰满人妻熟妇乱又伦精品不卡| 免费女性裸体啪啪无遮挡网站|