• <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
    最黄视频免费看| 视频区图区小说| 麻豆乱淫一区二区| 日韩 亚洲 欧美在线| 国产成人啪精品午夜网站| 香蕉国产在线看| 国产精品九九99| 1024视频免费在线观看| 亚洲视频免费观看视频| 国产精品麻豆人妻色哟哟久久| 国产免费视频播放在线视频| 日韩电影二区| 亚洲国产成人一精品久久久| 男人操女人黄网站| 亚洲欧美一区二区三区黑人| 精品人妻熟女毛片av久久网站| 国产av国产精品国产| 国产成人av教育| 狠狠婷婷综合久久久久久88av| 搡老岳熟女国产| 妹子高潮喷水视频| 国产精品久久久久成人av| 欧美日韩亚洲国产一区二区在线观看 | 51午夜福利影视在线观看| 国产一区二区三区综合在线观看| 久久国产精品男人的天堂亚洲| 国产又爽黄色视频| 搡老岳熟女国产| 成年动漫av网址| 免费看不卡的av| 国产91精品成人一区二区三区 | 99久久综合免费| 99国产精品一区二区三区| 亚洲欧美中文字幕日韩二区| 久热爱精品视频在线9| 成年动漫av网址| 黄片小视频在线播放| 亚洲精品中文字幕在线视频| 一级片'在线观看视频| 日本av免费视频播放| 十八禁人妻一区二区| www.999成人在线观看| 午夜福利视频精品| 亚洲成色77777| 69精品国产乱码久久久| 亚洲av日韩精品久久久久久密 | 亚洲精品成人av观看孕妇| 国产精品一区二区精品视频观看| 搡老岳熟女国产| 日韩av不卡免费在线播放| 美女脱内裤让男人舔精品视频| 国产黄色视频一区二区在线观看| 亚洲中文日韩欧美视频| 一级片免费观看大全| 国产精品久久久av美女十八| 2018国产大陆天天弄谢| 丝袜美足系列| 欧美大码av| 国产日韩一区二区三区精品不卡| 婷婷色综合www| 亚洲精品国产av蜜桃| 美女中出高潮动态图| 国产精品九九99| 成年人黄色毛片网站| 国产精品人妻久久久影院| 91老司机精品| 精品高清国产在线一区| 女人爽到高潮嗷嗷叫在线视频| 成年人午夜在线观看视频| 久久久久久人人人人人| 宅男免费午夜| 丝袜美腿诱惑在线| 精品人妻熟女毛片av久久网站| 另类亚洲欧美激情| 丝袜美腿诱惑在线| 大型av网站在线播放| 国产三级黄色录像| av欧美777| av欧美777| 免费少妇av软件| 建设人人有责人人尽责人人享有的| 热re99久久国产66热| 久久国产精品人妻蜜桃| 亚洲精品国产一区二区精华液| 久久久久久亚洲精品国产蜜桃av| 日韩大片免费观看网站| 亚洲国产av新网站| 成年女人毛片免费观看观看9 | 韩国精品一区二区三区| 精品少妇久久久久久888优播| 99热网站在线观看| 日本猛色少妇xxxxx猛交久久| 搡老乐熟女国产| 免费在线观看视频国产中文字幕亚洲 | 欧美人与性动交α欧美软件| 成人18禁高潮啪啪吃奶动态图| 成年女人毛片免费观看观看9 | 性高湖久久久久久久久免费观看| 国产欧美亚洲国产| 精品福利永久在线观看| 中文字幕人妻熟女乱码| 亚洲国产欧美在线一区| 欧美精品一区二区大全| 一二三四社区在线视频社区8| 操美女的视频在线观看| 丰满饥渴人妻一区二区三| 亚洲欧洲国产日韩| 日韩制服骚丝袜av| 成人影院久久| 亚洲综合色网址| 免费高清在线观看视频在线观看| 国产精品av久久久久免费| 五月开心婷婷网| 中文字幕另类日韩欧美亚洲嫩草| 久久精品久久久久久噜噜老黄| 99热国产这里只有精品6| 亚洲免费av在线视频| e午夜精品久久久久久久| 国产精品三级大全| 国产精品成人在线| a级片在线免费高清观看视频| 一级,二级,三级黄色视频| 国产成人91sexporn| 老司机深夜福利视频在线观看 | 亚洲久久久国产精品| 香蕉国产在线看| 中文字幕av电影在线播放| 亚洲专区中文字幕在线| 亚洲七黄色美女视频| 国产男女内射视频| 国产成人欧美| 色94色欧美一区二区| 国产成人一区二区三区免费视频网站 | 国产黄色免费在线视频| 欧美日韩综合久久久久久| 久久人妻熟女aⅴ| 婷婷色麻豆天堂久久| 国产精品成人在线| 午夜久久久在线观看| 制服诱惑二区| 亚洲七黄色美女视频| 欧美激情极品国产一区二区三区| 捣出白浆h1v1| 亚洲国产日韩一区二区| 精品少妇黑人巨大在线播放| 啦啦啦 在线观看视频| 成人亚洲欧美一区二区av| 国产成人影院久久av| 亚洲精品自拍成人| 狠狠婷婷综合久久久久久88av| 午夜福利,免费看| 高清视频免费观看一区二区| av视频免费观看在线观看| 久久久欧美国产精品| 性高湖久久久久久久久免费观看| 91国产中文字幕| www.熟女人妻精品国产| 欧美性长视频在线观看| 精品人妻1区二区| 国产精品.久久久| 最新的欧美精品一区二区| 国产亚洲欧美精品永久| 一本大道久久a久久精品| 18禁观看日本| 亚洲第一青青草原| 国产精品.久久久| 国产黄频视频在线观看| 女人精品久久久久毛片| 中文字幕av电影在线播放| 热re99久久精品国产66热6| 免费少妇av软件| 人人妻人人澡人人爽人人夜夜| 国产福利在线免费观看视频| 久久久久视频综合| 精品一区在线观看国产| 婷婷色综合www| av在线老鸭窝| 在线观看人妻少妇| 亚洲成色77777| 在线观看免费日韩欧美大片| 久久久久视频综合| 高清不卡的av网站| 日日夜夜操网爽| 高清欧美精品videossex| 新久久久久国产一级毛片| 亚洲国产日韩一区二区| 香蕉国产在线看| 亚洲 欧美一区二区三区| 不卡av一区二区三区| 少妇精品久久久久久久| 看免费成人av毛片| 日本一区二区免费在线视频| 亚洲一区二区三区欧美精品| 亚洲,欧美,日韩| 亚洲精品日韩在线中文字幕| 午夜福利免费观看在线| 热99久久久久精品小说推荐| 伊人久久大香线蕉亚洲五| 黑人巨大精品欧美一区二区蜜桃| 成人影院久久| 深夜精品福利| 90打野战视频偷拍视频| 一级,二级,三级黄色视频| 亚洲色图 男人天堂 中文字幕| 一级片'在线观看视频| 欧美日韩亚洲国产一区二区在线观看 | 少妇精品久久久久久久| www.自偷自拍.com| 亚洲成人免费电影在线观看 | 精品免费久久久久久久清纯 | 国产亚洲欧美精品永久| 亚洲av成人精品一二三区| 精品一区二区三区四区五区乱码 | 午夜激情久久久久久久| 日日摸夜夜添夜夜爱| 又紧又爽又黄一区二区| 久久精品熟女亚洲av麻豆精品| 久久久久精品人妻al黑| 国产精品人妻久久久影院| 波多野结衣一区麻豆| 国产高清videossex| www日本在线高清视频| 嫩草影视91久久| 人体艺术视频欧美日本| 可以免费在线观看a视频的电影网站| 日本wwww免费看| 国产黄色免费在线视频| 亚洲国产av影院在线观看| 一区二区三区精品91| 成人影院久久| 国产女主播在线喷水免费视频网站| 久久国产精品男人的天堂亚洲| 久久国产精品大桥未久av| 欧美日韩福利视频一区二区| 啦啦啦在线免费观看视频4| 99久久综合免费| av国产精品久久久久影院| 丰满少妇做爰视频| 亚洲精品一二三| 十八禁高潮呻吟视频| 亚洲av欧美aⅴ国产| 精品国产乱码久久久久久小说| 国产成人精品在线电影| 18在线观看网站| 99热国产这里只有精品6| 久久久久久久精品精品| 天堂俺去俺来也www色官网| 欧美黑人欧美精品刺激| 久久女婷五月综合色啪小说| 精品人妻一区二区三区麻豆| 叶爱在线成人免费视频播放| 日韩中文字幕视频在线看片| 最新在线观看一区二区三区 | 最黄视频免费看| 一级毛片 在线播放| av天堂久久9| 97人妻天天添夜夜摸| 国产亚洲精品第一综合不卡| 久热这里只有精品99| 色94色欧美一区二区| 天堂中文最新版在线下载| 欧美黄色淫秽网站| 欧美大码av| 精品少妇内射三级| 一级毛片电影观看| 无限看片的www在线观看| 下体分泌物呈黄色| 黑人猛操日本美女一级片| 色94色欧美一区二区| 交换朋友夫妻互换小说| 免费观看a级毛片全部| 菩萨蛮人人尽说江南好唐韦庄| 精品少妇久久久久久888优播| 一级黄片播放器| 亚洲第一青青草原| 最近中文字幕2019免费版| 免费观看人在逋| 国产一区二区在线观看av| 国产一区亚洲一区在线观看| 9191精品国产免费久久| 欧美性长视频在线观看| 五月天丁香电影| 黄网站色视频无遮挡免费观看| 99re6热这里在线精品视频| 满18在线观看网站| 成人黄色视频免费在线看| 久久久国产一区二区| 秋霞在线观看毛片| 国产不卡av网站在线观看| 国产熟女午夜一区二区三区| 超碰成人久久| 宅男免费午夜| 久久久久久久久久久久大奶| 日本av免费视频播放| 亚洲中文字幕日韩| 亚洲国产精品成人久久小说| 丝瓜视频免费看黄片| a 毛片基地| 欧美日韩亚洲国产一区二区在线观看 | 国产精品秋霞免费鲁丝片| 国产精品熟女久久久久浪| 五月天丁香电影| 亚洲中文字幕日韩| 亚洲av日韩精品久久久久久密 | 欧美中文综合在线视频| 欧美 亚洲 国产 日韩一| 赤兔流量卡办理| 婷婷色综合大香蕉| 老司机深夜福利视频在线观看 | 欧美 日韩 精品 国产| 丝袜美腿诱惑在线| www.精华液| 精品少妇内射三级| 99久久99久久久精品蜜桃| 99热网站在线观看| 中国国产av一级| 一边摸一边做爽爽视频免费| 亚洲精品美女久久av网站| 中文字幕亚洲精品专区| 午夜福利在线免费观看网站| 日韩制服骚丝袜av| 一本大道久久a久久精品| 久久久国产欧美日韩av| 精品久久久久久久毛片微露脸 | 汤姆久久久久久久影院中文字幕| 9191精品国产免费久久| 久久亚洲国产成人精品v| 亚洲精品乱久久久久久| 亚洲国产精品成人久久小说| 啦啦啦 在线观看视频| 日韩一卡2卡3卡4卡2021年| 高清欧美精品videossex| 少妇被粗大的猛进出69影院| 极品人妻少妇av视频| 亚洲精品久久久久久婷婷小说| 爱豆传媒免费全集在线观看| 制服人妻中文乱码| 欧美+亚洲+日韩+国产| 久久中文字幕一级| 国产亚洲午夜精品一区二区久久| 亚洲中文字幕日韩| 亚洲欧美一区二区三区黑人| 99久久精品国产亚洲精品| 欧美日韩精品网址| 亚洲精品一二三| 成人国产av品久久久| 精品少妇久久久久久888优播| 亚洲欧美中文字幕日韩二区| 97精品久久久久久久久久精品| 在线观看免费视频网站a站| 久久精品成人免费网站| 9色porny在线观看| 男人舔女人的私密视频| 成人亚洲精品一区在线观看| 中文字幕人妻熟女乱码| av又黄又爽大尺度在线免费看| 99热全是精品| 丝袜美腿诱惑在线| 国产国语露脸激情在线看| 高清av免费在线| 男女边吃奶边做爰视频| 久久99热这里只频精品6学生| 麻豆乱淫一区二区| 亚洲,欧美,日韩| 国产精品亚洲av一区麻豆| 亚洲欧美日韩另类电影网站| 亚洲精品久久成人aⅴ小说| 亚洲国产欧美一区二区综合| 狂野欧美激情性xxxx| 韩国精品一区二区三区| 亚洲精品日韩在线中文字幕| 我的亚洲天堂| 久久鲁丝午夜福利片| av天堂久久9| 国产一卡二卡三卡精品| 人人澡人人妻人| 亚洲男人天堂网一区| 国产一区二区 视频在线| 国产91精品成人一区二区三区 | 亚洲精品日韩在线中文字幕| 韩国高清视频一区二区三区| 日本色播在线视频| 免费看av在线观看网站| 精品国产乱码久久久久久小说| 女人被躁到高潮嗷嗷叫费观| 国产国语露脸激情在线看| 亚洲专区中文字幕在线| 免费在线观看黄色视频的| 久久久久久久国产电影| 亚洲国产av新网站| 天天躁狠狠躁夜夜躁狠狠躁| 美女扒开内裤让男人捅视频| av欧美777| 亚洲精品国产一区二区精华液| 精品视频人人做人人爽| 亚洲欧洲精品一区二区精品久久久| 两个人免费观看高清视频| 欧美国产精品一级二级三级| 久久久精品免费免费高清| av一本久久久久| tube8黄色片| 可以免费在线观看a视频的电影网站| 国产日韩欧美在线精品| 国产精品免费大片| 熟女av电影| 黄色a级毛片大全视频| www.999成人在线观看| 免费在线观看日本一区| 99re6热这里在线精品视频| 久久精品久久精品一区二区三区| 国产亚洲欧美在线一区二区| 亚洲av片天天在线观看| 亚洲欧美精品自产自拍| 少妇 在线观看| 免费看十八禁软件| 激情视频va一区二区三区| 国产色视频综合| 久久久久久久大尺度免费视频| 免费在线观看黄色视频的| 乱人伦中国视频| 桃花免费在线播放| 美女午夜性视频免费| 多毛熟女@视频| 一区二区日韩欧美中文字幕| 免费不卡黄色视频| 超碰97精品在线观看| 人体艺术视频欧美日本| 国产成人a∨麻豆精品| 精品少妇黑人巨大在线播放| 国产精品免费大片| 亚洲av成人精品一二三区| 一级毛片电影观看| 国产精品久久久久久精品电影小说| 男人添女人高潮全过程视频| 中文字幕人妻熟女乱码| 国产精品一二三区在线看| 久久精品成人免费网站| 在现免费观看毛片| 久久人妻福利社区极品人妻图片 | 波多野结衣av一区二区av| 国产精品一国产av| 亚洲精品日本国产第一区| 十八禁网站网址无遮挡| 久久久久精品国产欧美久久久 | 另类精品久久| 亚洲一码二码三码区别大吗| 在线观看免费高清a一片| 久久久久久亚洲精品国产蜜桃av| 在线观看www视频免费| 美女大奶头黄色视频| 超碰成人久久| 亚洲欧美精品自产自拍| av不卡在线播放| 黑丝袜美女国产一区| 国产成人a∨麻豆精品| av有码第一页| 啦啦啦视频在线资源免费观看| 国产欧美亚洲国产| 亚洲精品国产色婷婷电影| 亚洲人成网站在线观看播放| 国产亚洲欧美精品永久| 欧美av亚洲av综合av国产av| 亚洲精品乱久久久久久| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人免费观看mmmm| 99久久人妻综合| 国产一区二区在线观看av| 三上悠亚av全集在线观看| 制服诱惑二区| 亚洲熟女毛片儿| 只有这里有精品99| 99国产精品一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 男男h啪啪无遮挡| 欧美日本中文国产一区发布| av国产精品久久久久影院| 精品人妻熟女毛片av久久网站| 中国国产av一级| 久久久欧美国产精品| √禁漫天堂资源中文www| 久久综合国产亚洲精品| 另类精品久久| 超色免费av| 亚洲成人免费电影在线观看 | 日本av手机在线免费观看| 亚洲视频免费观看视频| 夫妻午夜视频| 亚洲精品久久成人aⅴ小说| 又粗又硬又长又爽又黄的视频| 午夜福利视频在线观看免费| 亚洲国产av新网站| 嫩草影视91久久| 欧美日韩福利视频一区二区| 欧美成人精品欧美一级黄| 日韩大码丰满熟妇| 一二三四在线观看免费中文在| 永久免费av网站大全| 丰满少妇做爰视频| 大陆偷拍与自拍| 99九九在线精品视频| 成在线人永久免费视频| 99九九在线精品视频| 99精国产麻豆久久婷婷| 女人爽到高潮嗷嗷叫在线视频| 欧美激情极品国产一区二区三区| 一区二区三区四区激情视频| 亚洲中文av在线| 色播在线永久视频| 午夜福利免费观看在线| 免费一级毛片在线播放高清视频 | 日韩大片免费观看网站| 极品少妇高潮喷水抽搐| 菩萨蛮人人尽说江南好唐韦庄| 丝瓜视频免费看黄片| 制服诱惑二区| 啦啦啦啦在线视频资源| 一区二区三区精品91| 在线观看www视频免费| 只有这里有精品99| 麻豆乱淫一区二区| 亚洲精品久久久久久婷婷小说| 狂野欧美激情性bbbbbb| 美女大奶头黄色视频| 777久久人妻少妇嫩草av网站| 久久精品国产亚洲av高清一级| 久久精品亚洲熟妇少妇任你| 成在线人永久免费视频| 亚洲 欧美一区二区三区| 大香蕉久久网| 国产99久久九九免费精品| 日韩视频在线欧美| 国产97色在线日韩免费| 女人高潮潮喷娇喘18禁视频| 国产一区二区在线观看av| 久久精品亚洲熟妇少妇任你| 不卡av一区二区三区| 国产成人精品无人区| 一级黄片播放器| 国产色视频综合| 丝袜在线中文字幕| 亚洲人成电影免费在线| 亚洲少妇的诱惑av| 欧美黄色淫秽网站| 精品视频人人做人人爽| 欧美精品av麻豆av| 亚洲成人国产一区在线观看 | 蜜桃国产av成人99| 欧美成狂野欧美在线观看| 欧美性长视频在线观看| 热re99久久精品国产66热6| 91国产中文字幕| 免费在线观看影片大全网站 | 免费看不卡的av| 久久ye,这里只有精品| 亚洲人成网站在线观看播放| 欧美日韩视频高清一区二区三区二| www.av在线官网国产| 一级毛片女人18水好多 | 校园人妻丝袜中文字幕| 欧美日本中文国产一区发布| 久久影院123| 黄色一级大片看看| 日韩中文字幕视频在线看片| 性少妇av在线| 天天躁夜夜躁狠狠躁躁| 少妇人妻 视频| 国产日韩欧美在线精品| 日本猛色少妇xxxxx猛交久久| 精品视频人人做人人爽| 久久影院123| 亚洲国产日韩一区二区| 国产高清国产精品国产三级| 精品人妻熟女毛片av久久网站| 精品久久久精品久久久| 视频区欧美日本亚洲| 高清欧美精品videossex| 视频在线观看一区二区三区| 亚洲国产成人一精品久久久| 少妇的丰满在线观看| 欧美在线黄色| av天堂久久9| 亚洲,欧美,日韩| 好男人视频免费观看在线| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美一区二区三区国产| 国产一区二区三区av在线| 国产在线一区二区三区精| 国产黄频视频在线观看| 老司机靠b影院| 亚洲欧洲国产日韩| 天堂8中文在线网| 91字幕亚洲| 爱豆传媒免费全集在线观看| 精品一品国产午夜福利视频| 大片电影免费在线观看免费| 亚洲一区中文字幕在线| 午夜两性在线视频| 日本色播在线视频| 亚洲av成人不卡在线观看播放网 | 伊人亚洲综合成人网| 黄网站色视频无遮挡免费观看| 精品熟女少妇八av免费久了| av在线老鸭窝| 亚洲国产精品一区三区| 国产亚洲欧美在线一区二区| 久久久久网色| 欧美日韩视频精品一区| av线在线观看网站| 免费久久久久久久精品成人欧美视频| 免费看不卡的av| 久久青草综合色| 国产精品av久久久久免费| 亚洲精品一卡2卡三卡4卡5卡 | 成人亚洲欧美一区二区av| 最近手机中文字幕大全|