• <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 ?

    基于一種輕量級卷積神經(jīng)網(wǎng)絡(luò)的植物葉片圖像識別研究

    2022-03-09 21:02:04李文逵韓俊英
    軟件工程 2022年2期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)圖像識別深度學(xué)習(xí)

    李文逵 韓俊英

    文章編號:2096-1472(2022)-02-10-04

    DOI:10.19644/j.cnki.issn2096-1472.2022.002.003

    摘? 要:對輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNet V2的模型結(jié)構(gòu)進(jìn)行改進(jìn),將深度可分離卷積中的激活函數(shù)ReLU替換成Leaky ReLU,從而避免神經(jīng)元死亡問題,倒置殘差卷積中的跨越連接添加Dropout層,增大模型的泛化能力。實驗結(jié)果表明,預(yù)測結(jié)果的總體準(zhǔn)確率達(dá)到91.41%,最高精確率為95.12%,最高召回率為97.39%,取得較好的預(yù)測結(jié)果。這說明將MobileNet V2卷積神經(jīng)網(wǎng)絡(luò)用于植物葉片圖像識別是實際可行的,為移動端植物葉片圖像識別提供了實現(xiàn)方法和技術(shù)支撐。

    關(guān)鍵詞:植物葉片;圖像識別;MobileNet V2;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)

    中圖分類號:TP520.40? ? ?文獻(xiàn)標(biāo)識碼:A

    Research on Plant Leaf Image Recognition based on a Lightweight Convolutional Neural Network

    LI Wenkui, HAN Junying

    (College of Information Science and Technology, Gansu Agricultural University, Lanzhou 730070, China)

    448671882@qq.com; 3243727977@qq.com

    Abstract: This paper proposes to improve the model structure of the lightweight convolutional neural network MobileNet V2. The activation function ReLU in the deep separable convolution is replaced with Leaky ReLU, thereby avoiding the problem of neuron death. A Dropout layer is added across connections in inverted residual convolution to increase the generalization of the model. The experimental results show that the overall accuracy rate of the prediction results reaches 91.41%, the highest accuracy rate is 95.12%, and the highest recall rate is 97.39%, achieving good prediction results. It shows that it is practical to use the MobileNet V2 convolutional neural network for plant leaf image recognition, and it provides an implementation method and technical support for mobile terminal realization of plant leaf image recognition.

    Keywords: plant leaf; image recognition; MobileNet V2; convolutional neural network; deep learning

    1? ?引言(Introduction)

    植物是自然界的基本組成部分[1],人類的許多生產(chǎn)活動與植物密切相關(guān),比如農(nóng)業(yè)中以植物類農(nóng)作物為主[2],生活中的中草藥、護(hù)膚品和化妝品[3-4]等都是對植物進(jìn)行加工得到的。隨著人們對大自然不斷進(jìn)行不合理的開采,人類的許多生活生產(chǎn)活動對植物生態(tài)環(huán)境構(gòu)成威脅,植物物種不斷滅絕。為了保護(hù)植物多樣性,建立植物物種數(shù)據(jù)庫是十分必要的,這就需要人類進(jìn)行植物分類與識別,確認(rèn)新的或者罕有的植物品種。但是由于植物科學(xué)研究的普及性不高,通常人們能看到一些植物,卻不能快速準(zhǔn)確地獲取該植物的學(xué)名、性狀、品類和價值,使得植物保護(hù)和植物認(rèn)知研究產(chǎn)生一定的困難,因此植物識別是進(jìn)行植物學(xué)習(xí)過程中的一項基本任務(wù)。相較于植物的其他器官,大部分植物的葉片是一個二維的平面,具有形狀結(jié)構(gòu)穩(wěn)定、特征性狀多、區(qū)分度大、生存周期長、采集便利等特點,從葉片出發(fā)能更加快速準(zhǔn)確地分辨植物種類。

    隨著計算機(jī)視覺技術(shù)的不斷成熟,尤其是深度學(xué)習(xí)技術(shù)在圖像識別方面的不斷發(fā)展,人們已經(jīng)能對植物葉片圖像實現(xiàn)不錯的識別效果。2021 年,韓斌等[5]將LBP特征和Gabor特征融入AlexNet卷積神經(jīng)網(wǎng)絡(luò),對189 種葉片識別的平均正確識別率是96.37%;王維[6]提出改進(jìn)的VGGNet神經(jīng)網(wǎng)絡(luò),植物葉片識別準(zhǔn)確率達(dá)到99.39%。2020 年,邊緣等[7]利用Flavia數(shù)據(jù)集,運用深度學(xué)習(xí)算法,識別準(zhǔn)確率超過90%;朱良寬等[8]利用遷移學(xué)習(xí)獲得96.57%的植物葉片識別精度。2019 年,張露[9]使用AlexNet、Inception-V3、VGG-16預(yù)訓(xùn)練模型,在測試集上得到的準(zhǔn)確率分別為95.31%、93.86%、95.40%??梢?,卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)普遍運用于植物葉片的圖像識別,其識別準(zhǔn)確率可滿足實用要求。

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種深度學(xué)習(xí)模型或類似于人工神經(jīng)網(wǎng)絡(luò)的多層感知器[10],常用來分析視覺圖像,可以自動從大規(guī)模矩陣數(shù)據(jù)中學(xué)習(xí)特征,并把結(jié)果向同類型未知數(shù)據(jù)泛化。MobileNet V2是一種輕量級CNN網(wǎng)絡(luò),由Google團(tuán)隊在2018 年提出,屬于MobileNets系列,相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),極大減少了運算所需的參數(shù)量,同時也確保了準(zhǔn)確率不會降低。它體積小的特點適用于低內(nèi)存的設(shè)備,反應(yīng)延遲低的特點符合嵌入式設(shè)備的要求。本文設(shè)計了基于MobileNet V2的卷積神經(jīng)網(wǎng)絡(luò),利用深度學(xué)習(xí)算法,對11 種植物葉片進(jìn)行識別,實現(xiàn)了較好的識別效果。

    2? 建立植物葉片樣本數(shù)據(jù)庫(Establishing plant leaf sample database)

    植物葉片樣本庫選自公共數(shù)據(jù)集,包括糖膠樹、阿江欖仁、羅勒、懸鈴木、番石榴、蒲桃、麻風(fēng)樹、檸檬、芒果、石榴、水黃皮共計11 類植物品種。植物葉片圖像原始分辨率為6000 像素×4000 像素,受顯存大小限制,所有圖像的分辨率縮小為600 像素×400 像素,從中選取沒有病蟲害和形狀相對完整的植物葉片圖像作為研究對象,共選取的圖像數(shù)量為2,277 張,按照4∶1的比例[5-11]隨機(jī)抽取圖片來劃分成訓(xùn)練集和測試集,相同類別的葉片圖像置于同一文件夾中。表1為不同植物種類訓(xùn)練集和測試集具體的葉片圖像數(shù)量,圖1為植物葉片樣本圖像數(shù)據(jù)集的示例,每個種類展示5 張圖片。

    3? ?卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network)

    3.1? ?卷積神經(jīng)網(wǎng)絡(luò)原理

    圖2表示卷積神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu),由輸入層、卷積層、池化層和全連接層組成[12-14]。最左側(cè)輸入層的矩陣代表一張輸入圖片。卷積層[15]中每一個節(jié)點的輸入是上一層圖像矩陣中的一小塊,該小塊大小通常是3×3或者5×5,圖3表示具體卷積操作。池化層的作用是縮小上一層圖像矩陣的大小,將一張分辨率高的圖像通過算法轉(zhuǎn)化成分辨率低的圖像。通過池化層[15],可以進(jìn)一步縮小最后全連接層中節(jié)點的個數(shù),從而達(dá)到減少整個神經(jīng)網(wǎng)絡(luò)參數(shù)的目的,圖4表示具體池化操作。經(jīng)過重復(fù)多次的卷積和池化,圖像矩陣中的像素信息就被泛化成高信息含量的特征向量,在特征提取完成后,接下來由全連接層及其激活函數(shù)進(jìn)行分類,全連接層常用的激活函數(shù)有ReLU、Softmax、Sigmoid等。

    3.2? ?MobileNet V2卷積神經(jīng)網(wǎng)絡(luò)

    MobileNet V2是一個輕量級的卷積神經(jīng)網(wǎng)絡(luò)[16]。大部分傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)單元是標(biāo)準(zhǔn)卷積(Standard Convolutions),產(chǎn)生的參數(shù)量龐大,進(jìn)而導(dǎo)致對內(nèi)存資源要求高和運算量巨大,無法在嵌入式等微型電子設(shè)備上運行。而MobileNet V2網(wǎng)絡(luò)結(jié)構(gòu)是針對移動設(shè)備和嵌入式微機(jī)而開發(fā)設(shè)計的,用深度可分離卷積(Depthwise Sparable Convolutions)[17]取代以往的標(biāo)準(zhǔn)卷積,還使用了兩個超參數(shù)α和β。α參數(shù)是一個倍率因子,用來調(diào)整卷積核的個數(shù),β是控制輸入網(wǎng)絡(luò)的圖像尺寸參數(shù),從而大大減少了運算量和參數(shù)數(shù)量,同時有效縮減了模型體積大小。MobileNet V2的創(chuàng)新之處是在深度可分離卷積的基礎(chǔ)上添加了殘差連接(Residual Connection),形成倒置殘差模塊(Inverted Residual Block)。傳統(tǒng)的殘差結(jié)構(gòu)中是1×1卷積降維→3×3卷積→1×1卷積升維,特征圖(Feature Map)的通道數(shù)是先減少再增加;而在倒置殘差結(jié)構(gòu)中正好相反,是1×1卷積升維→3×3卷積→1×1卷積降維,特征圖的通道數(shù)是先增加再減少。如圖5所示的是倒置殘差結(jié)構(gòu)模塊[18-20],模塊的激活函數(shù)前兩層使用ReLU6,最后一層使用線性激活函數(shù)Linear,這樣可減少特征損失。MobileNet V2的網(wǎng)絡(luò)層次不深,核心由17 個倒置殘差模塊組成[15],其模型的網(wǎng)絡(luò)層次參數(shù)配置如表2所示。

    3.3? ?改進(jìn)的MobileNet V2卷積神經(jīng)網(wǎng)絡(luò)

    MobileNet V2使用的激活函數(shù)全部是ReLU(Rectified Linear Unit)函數(shù),其定義為:F(x)=max(0,x)。它是常用的卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù),在x>0區(qū)域上,不會出現(xiàn)梯度飽和與梯度消失,計算復(fù)雜度低,不需要進(jìn)行指數(shù)運算,只要一個閾值就可以得到激活值。但在x<0時,梯度為0,這個神經(jīng)元及之后的神經(jīng)元梯度永遠(yuǎn)為0,不再對任何數(shù)據(jù)有所響應(yīng),導(dǎo)致相應(yīng)參數(shù)永遠(yuǎn)不會被更新,即神經(jīng)元壞死。Leaky ReLU函數(shù)在ReLU函數(shù)的基礎(chǔ)上,當(dāng)x<0時引入一個非常小的γ值作為梯度,能夠避免神經(jīng)元壞死,同時補充了梯度。倒置殘差卷積中使用跨越連接,增加了模型的復(fù)雜程度,訓(xùn)練模型時更容易發(fā)生過擬合,因此對跨越連接添加Dropout層,隨機(jī)丟棄部分輸入數(shù)據(jù),降低過擬合的可能性,同時增大模型泛化性和魯棒性。

    4? ?訓(xùn)練模型(Training model)

    4.1? ?實驗環(huán)境搭建

    實驗的操作系統(tǒng)為Windows 10,第三方包管理與環(huán)境管理使用Anaconda,深度學(xué)習(xí)框架采用TensorFlow Gpu 1.8版本,編程語言為Python 3.6版本,腳本編輯器為Spyder,顯卡為(GPU)NVIDIA GeForce GTX 1050,顯存大小為4 GB,中央處理器(CPU)為Intel Pentium G4600 3.6 GHz,固態(tài)內(nèi)存大小為8 GB。

    4.2? ?數(shù)據(jù)增強(qiáng)

    采用動態(tài)的數(shù)據(jù)增強(qiáng)方法,在每輪訓(xùn)練開始前,重新隨機(jī)選擇訓(xùn)練集中的葉片圖像進(jìn)行左右翻轉(zhuǎn)或上下翻轉(zhuǎn),以及在一定范圍內(nèi)隨機(jī)設(shè)置圖片亮度、對比度和飽和度。

    4.3? ?訓(xùn)練MobileNet V2模型

    使用訓(xùn)練集的樣本圖像訓(xùn)練MobileNet V2模型,模型訓(xùn)練只使用顯卡運算,不使用中央處理器,每一輪參與訓(xùn)練的樣本總數(shù)為1,831。每輪訓(xùn)練采用分批次的方法,受到顯卡性能的限制,一個批次訓(xùn)練所使用的樣本數(shù)(Batch Size)不宜太大,設(shè)為4,因此每輪的迭代次數(shù)(Epoch)等于457。初始學(xué)習(xí)率(Learning Rate)設(shè)為0.01,采用動態(tài)學(xué)習(xí)率的策略,神經(jīng)網(wǎng)絡(luò)的容量(Capacity)設(shè)為100。圖6表示準(zhǔn)確率(Accuracy)和損失值(Loss)隨輪次的變化,可見隨著輪次數(shù)值接近40 次時,訓(xùn)練集損失值收斂于0,準(zhǔn)確率趨于1,表明模型訓(xùn)練成功。

    5? 評估模型預(yù)測效果(Evaluate the prediction effect of the model)

    5.1? ?預(yù)測結(jié)果描述

    使用測試集樣本圖像測試已經(jīng)完成訓(xùn)練的MobileNet V2深度學(xué)習(xí)模型,測試集所有葉片圖像均未用于訓(xùn)練模型,總計446 張,其中各類植物葉片圖像具體數(shù)量如表1所示。模型預(yù)測結(jié)果的描述方法使用混淆矩陣,圖7表示具體的預(yù)測結(jié)果,橫軸為預(yù)測值,縱軸為真實值,對角線上的數(shù)字表示某一樣本被正確預(yù)測的個數(shù),非對角線上的數(shù)字表示某一樣本被錯誤預(yù)測為其他類別的個數(shù),對角線上方塊的顏色越深,表示該類別葉片圖像的預(yù)測效果越好。

    5.2? ?預(yù)測結(jié)果評價

    經(jīng)過模型預(yù)測,正確預(yù)測的樣本數(shù)為358 張,總體準(zhǔn)確率為91.41%,總體準(zhǔn)確率定義的是預(yù)測正確的個數(shù)與所有樣本的個數(shù)百分比。模型預(yù)測效果的評價指標(biāo)使用精確率和召回率[21-23],精確率定義的是預(yù)測正確的個數(shù)與預(yù)測為正例的個數(shù)百分比,召回率定義的是預(yù)測正確的個數(shù)與真實為正例的個數(shù)百分比,表3表示預(yù)測結(jié)果中各個類別的精確率和召回率。精確率最高的前5 個類別依次是懸鈴木、水黃皮、石榴、芒果、番石榴,分別是95.12%、94.54%、94.12%、92.35%、91.02%;召回率最高的前5 個類別依次是石榴、懸鈴木、蒲桃、番石榴、麻風(fēng)樹,分別是97.39%、94.35%、92.54%、91.29%、91.25%。

    6? ?結(jié)論(Conclusion)

    MobileNet V2卷積神經(jīng)網(wǎng)絡(luò)是針對移動端和嵌入式設(shè)備而提出的輕量級模型,具有體積小、參數(shù)量少、計算量低等優(yōu)點,適用于手機(jī)等各類移動設(shè)備。本文基于MobileNet V2卷積神經(jīng)網(wǎng)絡(luò)設(shè)計出多類別的植物葉片圖像識別方法,利用公共數(shù)據(jù)集建立包含11 類植物葉片圖像的數(shù)據(jù)集。模型訓(xùn)練開始時,首先根據(jù)硬件情況對初始學(xué)習(xí)率、輪次、步長等參數(shù)進(jìn)行合理設(shè)置,創(chuàng)新使用動態(tài)數(shù)據(jù)增強(qiáng)方法,極大擴(kuò)增了樣本訓(xùn)練量,并在接下來的測試集預(yù)測中,總體準(zhǔn)確率高達(dá)91.41%,取得較好的識別效果,表明使用該算法對植物葉片進(jìn)行分類是實際可行的,同時也為實現(xiàn)葉片圖像識別的移動端提供了理論技術(shù)和實用方法。

    參考文獻(xiàn)(References)

    [1] 郭志芳.植物在維護(hù)生態(tài)平衡中的作用[J].廣東蠶業(yè),2020,54(05):18-19.

    [2] 雷星梅.如何使植物保護(hù)新技術(shù)在生態(tài)農(nóng)業(yè)中發(fā)揮作用[J].農(nóng)家參謀,2020(14):92.

    [3] 王升,蔣待泉,康傳志,等.藥用植物次生代謝在中藥材生態(tài)種植中的作用及利用[J].中國中藥雜志,2020,45(09):2002-2008.

    [4] 鄧艷芳.植物生長物質(zhì)對農(nóng)產(chǎn)品生產(chǎn)的作用和影響[J].農(nóng)業(yè)開發(fā)與裝備,2017(10):62-63.

    [5] 韓斌,曾松偉.基于多特征融合和卷積神經(jīng)網(wǎng)絡(luò)的植物葉片識別[J].計算機(jī)科學(xué),2021,48(S1):113-117.

    [6] 王維.外來入侵植物葉片圖像識別與分類方法研究[D].沈陽:沈陽大學(xué),2021.

    [7] 邊緣,孔小瑩,張莉,等.基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片樹種識別研究與實現(xiàn)[J].智能計算機(jī)與應(yīng)用,2020,10(10):23-26.

    [8] 朱良寬,晏銘,黃建平.一種新型卷積神經(jīng)網(wǎng)絡(luò)植物葉片識別方法[J].東北林業(yè)大學(xué)學(xué)報,2020,48(04):50-53.

    [9] 張露.基于深度學(xué)習(xí)的植物葉片圖像識別方法研究[D].北京:北京林業(yè)大學(xué),2019.

    [10] 蓋榮麗,蔡建榮,王詩宇,等.卷積神經(jīng)網(wǎng)絡(luò)在圖像識別中的應(yīng)用研究綜述[J].小型微型計算機(jī)系統(tǒng),2021,42(09):1980-1984.

    [11] 孫穎異,李健,時天,等.基于改進(jìn)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)的植物葉片識別[J].種子,2020,39(02):77-81.

    [12] 洪奇峰,施偉斌,吳迪,等.深度卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展綜述[J].軟件導(dǎo)刊,2020,19(04):84-88.

    [13] 章琳,袁非牛,張文睿,等.全卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)工程與應(yīng)用,2020,56(01):25-37.

    [14] 林景棟,吳欣怡,柴毅,等.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化綜述[J].自動化學(xué)報,2020,46(01):24-37.

    [15] ILESANMI A E, ILESANMI T O. Methods for image denoising using convolutional neural network: A review[J]. Complex & Intelligent Systems, 2021, 7(5):2179-2198.

    [16] 蘭天翔,向子彧,劉名果,等.融合U-Net及MobileNet-V2的快速語義分割網(wǎng)[J].計算機(jī)工程與應(yīng)用,2021,57(17):175-180.

    [17]呂璐璐,陳樹越,王利平,等.水體微纖維圖像識別的改進(jìn)MobileNetV2算法[J].鄭州大學(xué)學(xué)報(工學(xué)版),2021,42(05):25-31.

    [18] CHENG J, WANG P, LI G, et al. Recent advances in efficient computation of deep convolutional neural networks[J]. Frontiers of Information Technology & Electronic Engineering, 2018, 19(01):64-77.

    [19] PAN H H, PANG Z J, WANG Y W, et al. A new image recognition and classification method combining transfer learning algorithm and mobilenet model for welding defects[J]. IEEE Access, 2020, 8:119951-119960.

    [20] SO M H, HAN C S, KIM H Y. Defect classification algorithm of fruits using modified mobilenet[J]. The Journal of Korean Institute of Information Technology, 2020, 18(7):81-89.

    [21] 陳智超,焦海寧,楊杰,等.基于改進(jìn)MobileNet v2的垃圾圖像分類算法[J].浙江大學(xué)學(xué)報(工學(xué)版),2021,55(08):1490-1499.

    [22] 周博文.基于MobileNetV2的目標(biāo)檢測算法研究與應(yīng)用[D].武漢:湖北工業(yè)大學(xué),2020.

    [23] 丁常宏,王守宇,高鵬.基于SSD-MobileNet V1深度學(xué)習(xí)算法的藥用植物葉片識別方法[J].江蘇農(nóng)業(yè)科學(xué),2020,48(22):222-228.

    作者簡介:

    李文逵(1993-),男,碩士生.研究領(lǐng)域:圖像識別.

    韓俊英(1975-),女,碩士,教授.研究領(lǐng)域:軟件工程理論與方法.本文通訊作者.

    基金項目:甘肅省自然科學(xué)基金資助項目(20JR5RA023).

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)圖像識別深度學(xué)習(xí)
    基于Resnet-50的貓狗圖像識別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識別技術(shù)應(yīng)用探討
    圖像識別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識別在水質(zhì)檢測中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究
    黄色日韩在线| 国产伦在线观看视频一区| 日本免费一区二区三区高清不卡| 首页视频小说图片口味搜索| 亚洲七黄色美女视频| 久久婷婷人人爽人人干人人爱| 国产午夜福利久久久久久| 国产成人aa在线观看| 国产精品精品国产色婷婷| 在线免费观看的www视频| 久久精品国产自在天天线| 欧美又色又爽又黄视频| 色哟哟哟哟哟哟| 免费看光身美女| 精品久久久久久久久久久久久| 又爽又黄无遮挡网站| 美女cb高潮喷水在线观看| 免费观看人在逋| 日韩欧美三级三区| 香蕉av资源在线| 搡女人真爽免费视频火全软件 | 午夜福利成人在线免费观看| 欧美色欧美亚洲另类二区| 日韩亚洲欧美综合| 一边摸一边抽搐一进一小说| 90打野战视频偷拍视频| 国产91精品成人一区二区三区| 亚洲精品亚洲一区二区| 亚洲电影在线观看av| 午夜福利在线观看免费完整高清在 | www.www免费av| 国产精品自产拍在线观看55亚洲| 国产成年人精品一区二区| 精品久久久久久,| 91字幕亚洲| 每晚都被弄得嗷嗷叫到高潮| 免费av不卡在线播放| 久久久久国产精品人妻aⅴ院| 久久精品国产综合久久久| 高潮久久久久久久久久久不卡| 国产综合懂色| 国产精品久久电影中文字幕| 欧美成人免费av一区二区三区| 亚洲成人久久爱视频| 欧美成狂野欧美在线观看| 亚洲aⅴ乱码一区二区在线播放| 天堂√8在线中文| 成人特级av手机在线观看| 十八禁网站免费在线| 在线免费观看的www视频| 亚洲激情在线av| 久久亚洲精品不卡| 五月伊人婷婷丁香| 中文字幕人成人乱码亚洲影| 亚洲最大成人中文| 少妇高潮的动态图| 亚洲色图av天堂| 一个人看视频在线观看www免费 | 免费高清视频大片| 国产av不卡久久| 久久久久久久久久黄片| 老汉色av国产亚洲站长工具| 哪里可以看免费的av片| 19禁男女啪啪无遮挡网站| 欧美一区二区国产精品久久精品| 有码 亚洲区| 国产一区二区亚洲精品在线观看| 波多野结衣高清作品| 国产高清视频在线观看网站| 亚洲熟妇中文字幕五十中出| 五月玫瑰六月丁香| 久久久久久久午夜电影| 丰满乱子伦码专区| 国产黄a三级三级三级人| 波多野结衣高清作品| 国产黄a三级三级三级人| 国产高清视频在线观看网站| 国产国拍精品亚洲av在线观看 | 久久性视频一级片| 久久久久国内视频| 日本一二三区视频观看| www.www免费av| 色精品久久人妻99蜜桃| 99久久无色码亚洲精品果冻| 午夜老司机福利剧场| 美女cb高潮喷水在线观看| 久久久色成人| 欧美黑人巨大hd| 性色avwww在线观看| 麻豆国产av国片精品| 成人性生交大片免费视频hd| 51国产日韩欧美| 亚洲一区高清亚洲精品| 午夜激情福利司机影院| 黄色片一级片一级黄色片| 欧美+亚洲+日韩+国产| 夜夜看夜夜爽夜夜摸| 一区二区三区高清视频在线| 亚洲 国产 在线| 最好的美女福利视频网| 亚洲国产精品999在线| 香蕉av资源在线| 国产欧美日韩精品亚洲av| 亚洲熟妇熟女久久| АⅤ资源中文在线天堂| 露出奶头的视频| 综合色av麻豆| 国产黄色小视频在线观看| 深爱激情五月婷婷| 午夜亚洲福利在线播放| 国产精品久久视频播放| 18禁裸乳无遮挡免费网站照片| 麻豆国产av国片精品| 色视频www国产| 国产v大片淫在线免费观看| 99热这里只有精品一区| 天堂影院成人在线观看| 国产综合懂色| 成人一区二区视频在线观看| 熟妇人妻久久中文字幕3abv| 亚洲精品一卡2卡三卡4卡5卡| 午夜两性在线视频| 国产高潮美女av| av天堂在线播放| 美女大奶头视频| 99热只有精品国产| 淫秽高清视频在线观看| 91在线精品国自产拍蜜月 | 18+在线观看网站| 国内精品一区二区在线观看| 精品不卡国产一区二区三区| 三级国产精品欧美在线观看| 久久国产乱子伦精品免费另类| 一区福利在线观看| www.色视频.com| 国产精品一区二区三区四区久久| 欧美性猛交黑人性爽| 啪啪无遮挡十八禁网站| 亚洲最大成人手机在线| 麻豆国产av国片精品| 国产单亲对白刺激| 老司机福利观看| 亚洲人成网站高清观看| 窝窝影院91人妻| 亚洲一区二区三区不卡视频| 白带黄色成豆腐渣| 三级国产精品欧美在线观看| 神马国产精品三级电影在线观看| 99久久精品热视频| 99精品欧美一区二区三区四区| 久久久久久久午夜电影| 女人十人毛片免费观看3o分钟| 久久久久九九精品影院| 狂野欧美白嫩少妇大欣赏| www国产在线视频色| 国产在视频线在精品| 国产激情欧美一区二区| 日本熟妇午夜| 一区二区三区高清视频在线| 日本与韩国留学比较| 亚洲av美国av| a级毛片a级免费在线| 夜夜爽天天搞| 99热6这里只有精品| 欧美中文日本在线观看视频| 精品久久久久久久久久免费视频| 久久精品国产综合久久久| 国产精品99久久久久久久久| 日韩中文字幕欧美一区二区| 成人国产一区最新在线观看| 最新中文字幕久久久久| 国产欧美日韩精品亚洲av| 欧美性感艳星| 免费观看的影片在线观看| 中文字幕精品亚洲无线码一区| 午夜福利成人在线免费观看| 中文字幕av在线有码专区| 亚洲色图av天堂| 久久久久久九九精品二区国产| avwww免费| 久久香蕉国产精品| а√天堂www在线а√下载| 国产中年淑女户外野战色| 日本撒尿小便嘘嘘汇集6| 观看免费一级毛片| 成人高潮视频无遮挡免费网站| 变态另类成人亚洲欧美熟女| 97碰自拍视频| 精品乱码久久久久久99久播| 淫秽高清视频在线观看| 国产精品久久视频播放| 又爽又黄无遮挡网站| 国产av麻豆久久久久久久| 一个人看的www免费观看视频| 国产爱豆传媒在线观看| 久久精品国产亚洲av香蕉五月| 久久久精品欧美日韩精品| 国产亚洲av嫩草精品影院| 久久草成人影院| 怎么达到女性高潮| 国产精品国产高清国产av| 国产精品久久久久久亚洲av鲁大| 人人妻人人澡欧美一区二区| 国产高清视频在线观看网站| 女人十人毛片免费观看3o分钟| 国产精品美女特级片免费视频播放器| 老司机福利观看| 天堂av国产一区二区熟女人妻| 国产精品1区2区在线观看.| 无遮挡黄片免费观看| 国产精品一区二区三区四区久久| 一个人观看的视频www高清免费观看| av片东京热男人的天堂| 久久久精品大字幕| 757午夜福利合集在线观看| 好男人电影高清在线观看| 久久中文看片网| 少妇裸体淫交视频免费看高清| 午夜精品在线福利| 国产精品 欧美亚洲| 一本综合久久免费| 成人av一区二区三区在线看| 男女下面进入的视频免费午夜| 久久久久久国产a免费观看| 母亲3免费完整高清在线观看| 欧美黄色淫秽网站| 可以在线观看毛片的网站| 在线观看免费视频日本深夜| 少妇人妻一区二区三区视频| 国产成年人精品一区二区| 欧美成人a在线观看| 成人鲁丝片一二三区免费| 日日夜夜操网爽| 免费av不卡在线播放| 少妇人妻一区二区三区视频| 国产精品精品国产色婷婷| 亚洲人与动物交配视频| 国产高清三级在线| 国产精品国产高清国产av| 91字幕亚洲| 亚洲av成人av| 久久性视频一级片| 99久久成人亚洲精品观看| 欧美日韩综合久久久久久 | 国产精品三级大全| 亚洲精品久久国产高清桃花| 亚洲av不卡在线观看| 成人欧美大片| 国产精品亚洲一级av第二区| 国产精品香港三级国产av潘金莲| 亚洲性夜色夜夜综合| 青草久久国产| 欧美另类亚洲清纯唯美| 久久精品国产亚洲av涩爱 | 中文在线观看免费www的网站| 手机成人av网站| av中文乱码字幕在线| 国产av不卡久久| 亚洲五月婷婷丁香| 蜜桃久久精品国产亚洲av| 国产精品亚洲美女久久久| 午夜影院日韩av| or卡值多少钱| 国产美女午夜福利| 精品一区二区三区av网在线观看| 一级黄色大片毛片| 婷婷六月久久综合丁香| 国产精品久久久久久人妻精品电影| 成年免费大片在线观看| 18+在线观看网站| 亚洲av成人不卡在线观看播放网| 亚洲av成人av| 给我免费播放毛片高清在线观看| 欧洲精品卡2卡3卡4卡5卡区| 搡老熟女国产l中国老女人| 精品人妻偷拍中文字幕| 美女高潮喷水抽搐中文字幕| 99国产精品一区二区蜜桃av| 欧美一级毛片孕妇| 老熟妇乱子伦视频在线观看| 精品国产三级普通话版| 91久久精品国产一区二区成人 | 欧美精品啪啪一区二区三区| 国产三级在线视频| 99国产综合亚洲精品| 国产日本99.免费观看| 国产伦在线观看视频一区| 色在线成人网| 91在线精品国自产拍蜜月 | eeuss影院久久| 99国产精品一区二区蜜桃av| 午夜福利成人在线免费观看| 天天一区二区日本电影三级| 国产一区在线观看成人免费| 一夜夜www| www国产在线视频色| 中文字幕av在线有码专区| 国产极品精品免费视频能看的| 亚洲美女视频黄频| 国产色婷婷99| 成年版毛片免费区| 欧美午夜高清在线| 毛片女人毛片| 淫妇啪啪啪对白视频| 全区人妻精品视频| 欧美午夜高清在线| 日韩高清综合在线| 成人18禁在线播放| 女同久久另类99精品国产91| 国产精品香港三级国产av潘金莲| 两个人视频免费观看高清| 性欧美人与动物交配| 夜夜躁狠狠躁天天躁| 麻豆成人av在线观看| 在线视频色国产色| 一夜夜www| 少妇的丰满在线观看| 国产av麻豆久久久久久久| 免费在线观看影片大全网站| a级毛片a级免费在线| 国产欧美日韩一区二区精品| 中文字幕久久专区| 91字幕亚洲| 成人特级av手机在线观看| 国产美女午夜福利| 免费一级毛片在线播放高清视频| 悠悠久久av| 国产欧美日韩精品亚洲av| 国产成人aa在线观看| 日日夜夜操网爽| 国产高清视频在线播放一区| 99在线人妻在线中文字幕| 亚洲成人久久爱视频| 在线国产一区二区在线| 黄色日韩在线| 国产蜜桃级精品一区二区三区| 色播亚洲综合网| 国产精品久久电影中文字幕| 亚洲专区国产一区二区| www.色视频.com| 国产亚洲av嫩草精品影院| 国产精品一区二区免费欧美| 12—13女人毛片做爰片一| 99国产综合亚洲精品| 久久午夜亚洲精品久久| 国产精品电影一区二区三区| 又粗又爽又猛毛片免费看| 亚洲av电影在线进入| 美女高潮的动态| 特级一级黄色大片| 国产一区二区在线观看日韩| 国精品久久久久久国模美| 亚洲av电影不卡..在线观看| 成人亚洲精品一区在线观看 | 国产成年人精品一区二区| 男人和女人高潮做爰伦理| a级一级毛片免费在线观看| 国产三级在线视频| 欧美一区二区亚洲| 亚洲精品国产av蜜桃| 精品久久久久久久人妻蜜臀av| 日韩一本色道免费dvd| 国产高清国产精品国产三级 | 日本与韩国留学比较| 一夜夜www| 国产久久久一区二区三区| 永久网站在线| 精品一区在线观看国产| 麻豆av噜噜一区二区三区| 内射极品少妇av片p| 日韩伦理黄色片| 大片免费播放器 马上看| 在线观看人妻少妇| 一级毛片黄色毛片免费观看视频| 国产av不卡久久| 国产精品美女特级片免费视频播放器| 18+在线观看网站| 国产不卡一卡二| 一本久久精品| 日韩电影二区| 免费高清在线观看视频在线观看| 亚洲欧美日韩卡通动漫| 亚洲天堂国产精品一区在线| 亚洲av日韩在线播放| 久久精品综合一区二区三区| 少妇人妻精品综合一区二区| 国产精品99久久久久久久久| 亚洲精品色激情综合| 麻豆成人午夜福利视频| 国产在线男女| 婷婷色综合大香蕉| 嫩草影院入口| 高清在线视频一区二区三区| 国产一级毛片七仙女欲春2| 97在线视频观看| 中文字幕免费在线视频6| 国产精品久久久久久久电影| 狂野欧美激情性xxxx在线观看| 美女高潮的动态| 久久久久久久久久久免费av| 欧美另类一区| 亚洲美女搞黄在线观看| 人妻夜夜爽99麻豆av| 观看美女的网站| 国产亚洲av片在线观看秒播厂 | 777米奇影视久久| 精品人妻熟女av久视频| 欧美激情国产日韩精品一区| 丰满人妻一区二区三区视频av| 能在线免费观看的黄片| 久久久久国产网址| 久久人人爽人人爽人人片va| 久热久热在线精品观看| 人人妻人人澡人人爽人人夜夜 | 97热精品久久久久久| 啦啦啦韩国在线观看视频| 亚洲真实伦在线观看| videossex国产| 99久久精品一区二区三区| 亚洲精品自拍成人| 91久久精品国产一区二区成人| 久久草成人影院| 看十八女毛片水多多多| 亚洲av免费在线观看| 在线免费观看不下载黄p国产| 免费av不卡在线播放| 亚洲国产欧美人成| 久久精品久久久久久久性| 网址你懂的国产日韩在线| 色综合站精品国产| 中文字幕亚洲精品专区| 身体一侧抽搐| 色综合色国产| 激情 狠狠 欧美| 一级毛片aaaaaa免费看小| 看非洲黑人一级黄片| 性色avwww在线观看| 伦精品一区二区三区| 99热网站在线观看| 韩国高清视频一区二区三区| 在线a可以看的网站| 国产精品日韩av在线免费观看| 久久精品国产亚洲av天美| 久久久久久九九精品二区国产| 一区二区三区免费毛片| 波多野结衣巨乳人妻| 亚洲av男天堂| 国产精品伦人一区二区| 午夜福利网站1000一区二区三区| 一夜夜www| 波多野结衣巨乳人妻| 久久久成人免费电影| 亚洲成人久久爱视频| 亚洲经典国产精华液单| 国产一区二区亚洲精品在线观看| 最近视频中文字幕2019在线8| 日本色播在线视频| 国产亚洲av嫩草精品影院| 亚洲,欧美,日韩| av又黄又爽大尺度在线免费看| 欧美日韩亚洲高清精品| 亚洲激情五月婷婷啪啪| 国产在视频线精品| 日日摸夜夜添夜夜添av毛片| av又黄又爽大尺度在线免费看| 99久国产av精品| 久久热精品热| 欧美日韩国产mv在线观看视频 | 日韩强制内射视频| 在线观看人妻少妇| 91av网一区二区| 熟女人妻精品中文字幕| 熟女电影av网| 69av精品久久久久久| 欧美变态另类bdsm刘玥| 亚洲av男天堂| 国产在视频线在精品| 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| 两个人视频免费观看高清| 中国美白少妇内射xxxbb| 国产成人福利小说| 国产在视频线在精品| 久久国产乱子免费精品| 亚洲国产精品成人久久小说| 女人久久www免费人成看片| 午夜亚洲福利在线播放| 欧美变态另类bdsm刘玥| 在线免费观看的www视频| 亚洲国产成人一精品久久久| 91午夜精品亚洲一区二区三区| 能在线免费看毛片的网站| 亚洲在久久综合| 一级毛片电影观看| 亚洲av成人精品一区久久| 菩萨蛮人人尽说江南好唐韦庄| 91精品国产九色| 久久久午夜欧美精品| 久久久色成人| 午夜福利在线观看免费完整高清在| 成人无遮挡网站| 久久久久久久久久成人| 夫妻午夜视频| 国产亚洲av片在线观看秒播厂 | 一级毛片久久久久久久久女| 老女人水多毛片| 最新中文字幕久久久久| 欧美3d第一页| 国产精品国产三级专区第一集| 久久久色成人| 少妇高潮的动态图| 国产亚洲最大av| 嘟嘟电影网在线观看| av天堂中文字幕网| 国产精品久久久久久av不卡| 亚洲av成人精品一区久久| 亚洲av中文av极速乱| 久久久久网色| 肉色欧美久久久久久久蜜桃 | 亚洲婷婷狠狠爱综合网| 久久鲁丝午夜福利片| 青青草视频在线视频观看| 午夜免费男女啪啪视频观看| 有码 亚洲区| 又黄又爽又刺激的免费视频.| 婷婷六月久久综合丁香| 亚洲国产成人一精品久久久| 亚洲精品,欧美精品| 非洲黑人性xxxx精品又粗又长| 亚洲av日韩在线播放| 春色校园在线视频观看| 国产男女超爽视频在线观看| 69av精品久久久久久| 99re6热这里在线精品视频| 中国国产av一级| 18+在线观看网站| 丰满乱子伦码专区| 日韩一区二区视频免费看| 亚洲av成人av| 十八禁国产超污无遮挡网站| 最近最新中文字幕免费大全7| 亚洲精品乱码久久久v下载方式| 婷婷色综合大香蕉| 久热久热在线精品观看| 国产极品天堂在线| 亚洲欧美一区二区三区国产| 久久久久久九九精品二区国产| 好男人在线观看高清免费视频| 亚洲欧美精品自产自拍| 大香蕉97超碰在线| 肉色欧美久久久久久久蜜桃 | 能在线免费看毛片的网站| 夫妻性生交免费视频一级片| 性插视频无遮挡在线免费观看| 日韩,欧美,国产一区二区三区| 国产精品精品国产色婷婷| 久久久欧美国产精品| 舔av片在线| 国产成人午夜福利电影在线观看| 国产精品日韩av在线免费观看| 成人一区二区视频在线观看| 国产一区二区亚洲精品在线观看| 美女被艹到高潮喷水动态| 国产黄a三级三级三级人| 一级毛片aaaaaa免费看小| 久久精品综合一区二区三区| 日韩欧美一区视频在线观看 | 久久久久久国产a免费观看| 成人综合一区亚洲| 高清av免费在线| 国产激情偷乱视频一区二区| 精品人妻视频免费看| 亚洲精品日本国产第一区| av网站免费在线观看视频 | 欧美97在线视频| 国产黄a三级三级三级人| 秋霞伦理黄片| 成人特级av手机在线观看| 国产精品人妻久久久久久| 久久综合国产亚洲精品| 国产亚洲精品av在线| 偷拍熟女少妇极品色| 99re6热这里在线精品视频| 国产av国产精品国产| 内射极品少妇av片p| 女人十人毛片免费观看3o分钟| 色综合色国产| 精品久久久久久久末码| 最近中文字幕2019免费版| 春色校园在线视频观看| 三级国产精品欧美在线观看| 亚洲成人久久爱视频| 国产有黄有色有爽视频| 日韩欧美精品免费久久| 精品国产露脸久久av麻豆 | 青春草国产在线视频| 日本与韩国留学比较| 蜜桃亚洲精品一区二区三区| 黄片wwwwww| 精品人妻一区二区三区麻豆| 日韩大片免费观看网站| 免费观看精品视频网站| 一级毛片电影观看| 国产午夜精品论理片| 日日摸夜夜添夜夜爱| 美女脱内裤让男人舔精品视频| 亚洲精品国产av成人精品| 精品一区二区三区人妻视频| 国产麻豆成人av免费视频| 亚洲欧美日韩无卡精品| 九九爱精品视频在线观看| 亚洲一级一片aⅴ在线观看| 美女被艹到高潮喷水动态| 中国国产av一级|