• <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CBA-YOLO模型的煤矸石檢測

    2022-07-07 17:14:20桂方俊李堯
    工礦自動化 2022年6期
    關(guān)鍵詞:煤矸石注意力損失

    桂方俊, 李堯

    (中國礦業(yè)大學(xué)(北京) 機電與信息工程學(xué)院,北京 100083)

    0 引言

    煤矸石分選是煤炭洗選加工的重要環(huán)節(jié),主要有人工揀矸法、濕選法和干選法3種方式。人工揀矸法效率低,濕選法存在水資源浪費等問題,干選法是目前煤矸石分選領(lǐng)域的研究熱點[1],符合煤礦綠色發(fā)展的要求。煤矸石識別技術(shù)是煤矸石干選的核心技術(shù),其原理是利用提取的樣本特征判斷當前被測物是煤還是矸石。煤矸石識別方法包括傳統(tǒng)方法和基于圖像處理的方法:① 傳統(tǒng)方法有放射性探測法、密度識別法等。放射性探測法根據(jù)煤和矸石對射線吸收程度不同進行識別,需要較高的執(zhí)行速度,一定程度上受煤矸石含水量的影響,并且存在射線輻射問題。密度識別法通過光電技術(shù)獲取被測物質(zhì)量和厚度,計算被測物密度,以此識別當前被測物為煤或矸石,該方法流程復(fù)雜且對設(shè)備要求高。② 基于圖像處理的方法成本較低、便于推廣,近年來應(yīng)用廣泛,機器學(xué)習(xí)和深度學(xué)習(xí)是其中的兩大分支。機器學(xué)習(xí)方法通過圖像特征提取和分類算法識別目標,對應(yīng)用場景的要求高,魯棒性差。深度學(xué)習(xí)方法通過提取圖像高維特征并進行推理,魯棒性好,準確率高,因而在煤矸石檢測領(lǐng)域被逐步推廣。

    將深度學(xué)習(xí)應(yīng)用到煤矸石檢測中的研究已取得一定成果。文獻[2]基于LeNet-5進行改進,實現(xiàn)了煤矸石圖像檢測和分類。文獻[3]通過AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型提高了煤矸石檢測的準確率。文獻[4]通過CornerNet-Squeeze深度學(xué)習(xí)模型提取特征,利用圖像灰度直方圖的三階矩特征參數(shù)對煤矸石進行分類,準確率顯著提升。上述方法雖然實現(xiàn)了煤矸石檢測,但在性能上與超快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-Convolutional Neural Network,F(xiàn)aster R-CNN)[5]、單階段多框檢測器(Single Shot MultiBox Detector,SSD)[6]、YOLO(You Only Look Once)系列[7]算法相比還有一定差距。以Faster R-CNN系列為代表的兩階段算法對區(qū)域建議網(wǎng)絡(luò)和主體檢測網(wǎng)絡(luò)分別進行訓(xùn)練,準確率高,但實時性表現(xiàn)不佳。以SSD,YOLO系列為代表的單階段算法將種類識別和目標定位視為一個回歸問題來解決,建立端到端訓(xùn)練,具有較高精度,同時保證了實時性。文獻[8]將最新的YOLOv5算法改進后應(yīng)用到煤矸石檢測中,通過提升模型的特征提取能力達到優(yōu)化效果,但并未針對煤矸石檢測任務(wù)中的具體特性進行分析優(yōu)化。

    針對煤矸石檢測中存在的特征差異不大、目標密集等問題,本文在YOLOv5基礎(chǔ)上,通過卷積塊注意力模塊(Convolutional Block Attention Module,CBAM)、雙向特征金字塔網(wǎng)絡(luò)(Bi-directional Feature Pyramid Network,BiFPN)結(jié)構(gòu)、Alpha-IoU函數(shù)對模型的各部分進行改進,提出了一種基于CBA-YOLO模型的煤矸石檢測方法,通過實驗驗證了該方法的有效性。

    1 YOLOv5基礎(chǔ)模型選擇

    YOLO是一種基于深度神經(jīng)網(wǎng)絡(luò)的目標檢測與定位模型,其最大特點是運行速度快,可在實時系統(tǒng)中使用[9]。YOLOv5是目前YOLO系列的最新版本,繼承了YOLOv4[10]算法的優(yōu)勢,同時在主干網(wǎng)絡(luò)中引入跨階段局部(Cross Stage Partial,CSP)結(jié)構(gòu)[11],進一步提升了圖像推理速度,模型結(jié)構(gòu)更加小巧。YOLOv5共有4個版本,依據(jù)網(wǎng)絡(luò)大小排序分別為YOLOv5s,YOLOv5m,YOLOv5l,YOLOv5x,4種模型的性能如圖1所示。

    圖1 YOLOv5模型的性能Fig. 1 The performance of YOLOv5 models

    圖1 中,曲線越靠近左上角區(qū)域,表示模型的精度和速度越高。由圖1可知,YOLOv5s模型的速度快但精度低,YOLOv5x模型的精度高但速度最慢,YOLOv5m和YOLOv5l模型速度和精度很均衡,但YOLOv5l模型更大,綜合考慮算力、精度和速度,本文選用速度較快、精度較高的YOLOv5m為基礎(chǔ)模型。

    2 CBA-YOLO模型

    YOLOv5模型主要由輸入端、Backbone、Neck、Prediction組成。CBA-YOLO模型在YOLOv5的基礎(chǔ)上進行了改進:在Backbone中加入CBAM,以聚焦特征差異,降低數(shù)據(jù)維度,提升檢測性能;將Neck部分改為BiFPN結(jié)構(gòu),以提高檢測速度;在Prediction部分,采用Alpha-IoU作為損失函數(shù),以提高檢測精度。

    2.1 輸入端

    在實際應(yīng)用中,數(shù)據(jù)集通常包含大量小目標,小目標分布不均勻的問題很突出。YOLOv5采用Mosaic數(shù)據(jù)增強方式進行數(shù)據(jù)處理,針對小目標檢測問題,將4幅圖像以隨機縮放、隨機剪切、隨機安排的方式拼接在1張圖像里,以達到豐富數(shù)據(jù)集的效果。這種隨機處理的方式增加了小目標數(shù)量,增強了模型的魯棒性,同時減少了對GPU的占用,1個GPU就可獲得較好效果。

    2.2 Backbone改進

    YOLOv5的Backbone由多個卷積模塊堆疊而成,缺點是無法聚焦特征差異,而煤矸石檢測任務(wù)中,煤和矸石目標特征差異不明顯。因此,在Backbone中加入CBAM進行改進,以聚焦特征差異。

    注意力機制是深度學(xué)習(xí)中的一種數(shù)據(jù)處理方法,主要作用是忽略無關(guān)信息而關(guān)注重點信息,提升信息處理的效率和準確性。注意力機制通常分為空間注意力機制[12]、通道注意力機制[13]、空間和通道混合注意力機制[14]。CBAM屬于空間和通道混合注意力機制,其結(jié)構(gòu)如圖2所示。

    圖2 CBAM結(jié)構(gòu)Fig. 2 Structure of CBAM

    通道注意力模塊同時使用最大池化和平均池化,將多層感知器(Muti-Layer Perception,MLP)層分別應(yīng)用于2個通道,經(jīng)過sigmoid激活函數(shù)合并通道權(quán)重,最后逐通道加權(quán)得到attention結(jié)果??臻g注意力模塊在通道重定義特征基礎(chǔ)上進行最大池化和平均池化,得到2個單通道的特征圖,再通過一個7×7的卷積形成特征圖,最后逐通道加權(quán)獲得attention結(jié)果。這2種模塊分別學(xué)習(xí)了通道的重要性和空間的重要性,CBAM將其串聯(lián)起來,可產(chǎn)生更有分辨性的特征表示,同時可降低數(shù)據(jù)維度,加速網(wǎng)絡(luò)推理過程。

    改進Backbone結(jié)構(gòu)如圖3 所示。原始大小為640×640×3的圖像輸入Focus結(jié)構(gòu),采用切片操作轉(zhuǎn)換成大小為320×320×12的特征圖,再經(jīng)過一次32個卷積核的卷積操作,轉(zhuǎn)換成320×320×32的特征圖后輸入CBAM模塊。通過通道注意力模塊獲得通道注意力特征,確定每層特征圖上需要關(guān)注的重點內(nèi)容;再通過空間注意力模塊獲得空間注意力特征,確定需要關(guān)注的重點位置;最后將串聯(lián)結(jié)果輸入后續(xù)的跨階段局部網(wǎng)絡(luò)層(Cross Stage Partial Network,CSPNet) 和空間金字塔池化(Spatial Pyramid Pooling,SPP) 結(jié)構(gòu)中處理。

    圖3 改進Backbone結(jié)構(gòu)Fig. 3 Structure of improved Backbone

    2.3 Neck改進

    YOLOv5的Neck采用特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN) + 路 徑 聚 合 網(wǎng) 絡(luò)(Path Aggregation Network,PAN)結(jié)構(gòu),如圖4(a)所示。該結(jié)構(gòu)通過PAN增加一個自底向上的路徑聚合網(wǎng)絡(luò),解決了傳統(tǒng)的自頂向下的FPN受單向信息流限制的問題。但是由于煤矸石檢測任務(wù)目標密集,單張圖像中目標眾多,計算量大,導(dǎo)致YOLOv5模型應(yīng)用于煤矸石檢測任務(wù)時實時性不佳。為了保證煤矸石檢測任務(wù)的實時性,在Neck中引入BiFPN結(jié)構(gòu)[15],如圖4(b)所示。

    圖4 特征網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 Structure of features network

    改進方法:① 去除只有1條輸入邊的節(jié)點,得到1個簡化的雙向網(wǎng)絡(luò),若1個節(jié)點只有1個輸入,沒有特征融合,則其對以特征融合為目標的特征網(wǎng)絡(luò)的貢獻較小。② 當原始輸入節(jié)點與輸出節(jié)點處于同一水平時,增加1條從原始輸入節(jié)點到輸出節(jié)點的額外邊,以在不增加成本的情況下融合更多特征;③ 將每個雙向(自頂向下和自底向上)路徑視為1個特征網(wǎng)絡(luò)層,并將多個特征網(wǎng)絡(luò)層進行疊加,以實現(xiàn)更高級的特征融合。

    2.4 Prediction改進

    YOLOv5的Prediction由損失函數(shù)和非極大值抑制組成。損失函數(shù)用于衡量模型生成的預(yù)測框與真實框之間的重疊程度,交并比(Intersection over Union,IoU)[16]是一種常用的損失函數(shù)。非極大值抑制用于目標檢測的后處理過程中,針對多目標框的篩選,抑制非極大值元素,搜索局部極大值,去除冗余的檢測框,得到最終預(yù)測結(jié)果。YOLOv5的損失函數(shù)為GIoU[17],但是當預(yù)測框和真實框出現(xiàn)包含現(xiàn)象時,無法達到優(yōu)化效果。文獻[18]采用CIoU作為損失函數(shù),通過計算檢測框之間的歐氏距離而非其IoU,解決兩框包含時出現(xiàn)的問題,同時增加了檢測框尺度、長和寬的損失,使預(yù)測框與真實框更相符,但其結(jié)果相對固定,不能自適應(yīng)地對高IoU目標和低IoU目標的損失和梯度進行加權(quán)。因此,本文引入權(quán)重系數(shù)α,用Alpha-IoU[19]替代CIoU作為預(yù)測目標的邊界框損失函數(shù),其計算公式為

    式中:I′為Alpha-IoU的值;I為IoU的值;ρ2(b,bgt)為預(yù)測框中心點b與真實框中心點bgt的歐氏距離;d為可以包含預(yù)測框和真實框的最小閉合區(qū)域的對角線長度;β為trade-off 的參數(shù);γ為衡量框的長寬比一致性的參數(shù);l為損失值。

    根據(jù)目標的IoU值自適應(yīng)地調(diào)整權(quán)重系數(shù)α,有助于檢測器更快地學(xué)習(xí)高IoU目標,從而提高目標檢測精度。

    3 基于CBA-YOLO模型的煤矸石檢測

    基于CBA-YOLO模型的煤矸石檢測流程如圖5所示。輸入圖像或視頻,對視頻進行逐幀讀取并轉(zhuǎn)換為圖片格式;通過自適應(yīng)算法將圖像尺寸統(tǒng)一調(diào)整為640×640,輸入CBA-YOLO模型;通過Backbone、Neck、Prediction進行計算處理,得到煤矸石的相關(guān)信息,以數(shù)組的方式輸出檢測結(jié)果,數(shù)組結(jié)構(gòu)為[檢測框左上坐標,檢測框右下坐標,類別,置信度]。

    圖5 基于CBA-YOLO模型的煤矸石檢測流程Fig. 5 Flow of coal gangue detection based on CBA-YOLO model

    4 實驗分析

    4.1 數(shù)據(jù)采集

    為了驗證本文方法的有效性,在河北某煤礦選煤廠的選矸裝置上架設(shè)Blaser工業(yè)相機進行數(shù)據(jù)采集,并通過大功率LED面光源和光源控制器提供光照均勻、穩(wěn)定的照明環(huán)境,如圖6所示。

    圖6 圖像采集Fig. 6 Image acquisition

    設(shè)置每隔2 ms采集1張圖像,共采集1 500 張圖像。為了達到更好的網(wǎng)絡(luò)訓(xùn)練效果,選取1 245張質(zhì)量較好的圖像作為數(shù)據(jù)集,用LabelImg標注軟件對數(shù)據(jù)集進行標注,按照8∶1∶1的比例劃分為訓(xùn)練集、評估集和測試集3個部分,其中訓(xùn)練集995張,評估集125張,測試集125張。數(shù)據(jù)集中包含單塊煤矸石圖像和多塊煤矸石圖像。

    4.2 CBA-YOLO模型訓(xùn)練

    實驗軟硬件配置如下:計算機操作系統(tǒng)為Ubuntu16.04,CPU運 算 核 心 為Intel?CoreTMi5-8400CPU@2.80 GHz,GPU為GeForce GTX 2080Ti,NVIDIA驅(qū)動為CUDA10.2。算法基于Pytorch框架運行。實驗訓(xùn)練參數(shù)設(shè)置如下:選用ADAM作為優(yōu)化器;初始學(xué)習(xí)率為0.01,學(xué)習(xí)率周期為0.2,學(xué)習(xí)率動量為0.937;權(quán)重衰減系數(shù)為0.000 5,訓(xùn)練的Batch_size為16,epoch為600。

    對CBA-YOLO模型進行多次訓(xùn)練,選取最佳模型用于評估。訓(xùn)練完成后的損失函數(shù)曲線如圖7所示。損失值越小,預(yù)測結(jié)果越準確。由圖7可知,訓(xùn)練輪次超過250后,損失值下降趨于平緩,損失函數(shù)曲線已經(jīng)收斂,說明模型訓(xùn)練效果良好。

    圖7 訓(xùn)練損失Fig. 7 Training loss

    4.3 實驗結(jié)果分析

    利用獲得的測試集進行消融實驗,實驗1-3分別在模型中引入CBAM,BiFPN結(jié)構(gòu)和Alpha-IoU,實驗4-6采用2種改進方法。為了簡潔表達,取CBAM,BiFPN,Alpha-IoU的首字母,將添加單個CBAM模塊的模型稱為YOLO-C,添加CBAM模塊和BiFPN組合結(jié)構(gòu)的模型稱為YOLO-CB,其他模型依此類推。

    通過設(shè)置不同閾值,得到不同模型準確率與召回率的關(guān)系曲線,即PR曲線,如圖8所示。PR曲線與坐標軸圍成的區(qū)域面積為平均精度均值(mean Average Precision,mAP),以mAP作為煤矸石檢測的精度指標,以幀率作為煤矸石檢測的速度指標,消融實驗結(jié)果見表1。

    圖8 消融實驗PR曲線Fig. 8 PR curves of ablation experiment

    表1 消融實驗結(jié)果Table 1 Results of ablation experiment

    分析圖8和表1可知,以YOLOv5為基準模型,采用單個改進方法的模型性能如下:YOLO-C的精度和速度都有小幅提升;YOLO-B的精度小幅提升,速度提升顯著;YOLO-A的精度提升最多,但速度有所下降。上述結(jié)果表明:在Backbone中加入注意力機制可聚焦特征差異,降低了數(shù)據(jù)維度,帶來了精度和速度的提升;Neck部分引入BiFPN結(jié)構(gòu)后,提升了模型計算效率,但精度提升不明顯;Prediction部分通過改進損失函數(shù),聚焦高IoU目標,提升了檢測精度,但未能兼顧速度。

    以YOLOv5為基準模型,采用組合改進方法的模型性能如下:YOLO-CA和YOLO-BA的精度提升程度相當,但后者的速度更快,說明Neck部分采用BiFPN結(jié)構(gòu)可提升網(wǎng)絡(luò)推理速度;YOLO-CB的精度最低,但速度最快;CBA-YOLO模型的精度提升最多,比基準模型提升了3.4%,檢測速度提升了10%,說明改進損失函數(shù)雖然增加了網(wǎng)絡(luò)計算量,但由于Neck部分采用BiFPN結(jié)構(gòu)后提升了模型計算效率,保證了模型在不損失速度性能的情況下穩(wěn)定提升精度,同時,通過在Backbone中加入注意力機制進一步提高了檢測性能。

    基于YOLOv5和CBA-YOLO模型的煤矸石檢測結(jié)果對比如圖9所示??煽闯觯珻BA-YOLO模型魯棒性更強,有效避免了漏檢、誤檢和重疊現(xiàn)象。

    圖9 煤矸石檢測結(jié)果對比Fig. 9 Comparison of coal gangue detection results

    5 結(jié)論

    (1) 在Backbone中加入注意力機制可聚焦特征差異,降低了數(shù)據(jù)維度,帶來了精度和速度的提升;Neck部分引入BiFPN結(jié)構(gòu)后,提升了模型計算效率,但精度提升不明顯;Prediction部分通過改進損失函數(shù),聚焦高IoU目標,提升了檢測精度,但未能兼顧速度。

    (2) 與YOLOv5模型相比,CBA-YOLO模型的精度提升了3.4%,檢測速度提升了10%,同時保證了檢測實時性和精度,可為選煤廠實際應(yīng)用提供參考。

    猜你喜歡
    煤矸石注意力損失
    淺談煤矸石在固廢混凝土中的應(yīng)用
    少問一句,損失千金
    讓注意力“飛”回來
    胖胖損失了多少元
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    煤矸石的綜合利用
    上海建材(2018年2期)2018-06-26 08:50:56
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    一般自由碰撞的最大動能損失
    改性煤矸石對污水中油的吸附作用
    亚洲五月色婷婷综合| 99国产极品粉嫩在线观看| 身体一侧抽搐| 久热爱精品视频在线9| 日韩国内少妇激情av| 中文字幕精品免费在线观看视频| 日本熟妇午夜| 国产精品98久久久久久宅男小说| ponron亚洲| 精品乱码久久久久久99久播| 久久九九热精品免费| 日本在线视频免费播放| 免费无遮挡裸体视频| 亚洲成人精品中文字幕电影| 欧美日韩亚洲综合一区二区三区_| 欧美成狂野欧美在线观看| 国产av一区在线观看免费| 色老头精品视频在线观看| 99国产极品粉嫩在线观看| 女性生殖器流出的白浆| e午夜精品久久久久久久| 日日摸夜夜添夜夜添小说| 日韩中文字幕欧美一区二区| 1024香蕉在线观看| 久久性视频一级片| 啦啦啦观看免费观看视频高清| 国产视频一区二区在线看| 国内揄拍国产精品人妻在线 | 亚洲七黄色美女视频| 99久久精品国产亚洲精品| 男男h啪啪无遮挡| 悠悠久久av| 免费高清视频大片| 国产极品粉嫩免费观看在线| 久久精品国产综合久久久| 在线观看www视频免费| 久久精品国产清高在天天线| 成人免费观看视频高清| 国产一区二区激情短视频| 国产精品一区二区三区四区久久 | 午夜福利一区二区在线看| 巨乳人妻的诱惑在线观看| 欧美人与性动交α欧美精品济南到| 无人区码免费观看不卡| 久久草成人影院| 精品久久久久久久久久久久久 | 日本免费一区二区三区高清不卡| 午夜免费成人在线视频| 男女下面进入的视频免费午夜 | 成人手机av| 久久性视频一级片| 人妻丰满熟妇av一区二区三区| 亚洲中文字幕日韩| 国产黄a三级三级三级人| 久9热在线精品视频| 中文字幕久久专区| 日韩精品青青久久久久久| 日本精品一区二区三区蜜桃| 欧美性猛交黑人性爽| 国产三级黄色录像| 午夜免费观看网址| 国产精品免费一区二区三区在线| 十八禁网站免费在线| 女生性感内裤真人,穿戴方法视频| 国产精品九九99| 黄频高清免费视频| 日韩大码丰满熟妇| 欧美乱妇无乱码| 亚洲成a人片在线一区二区| 少妇的丰满在线观看| 国产在线精品亚洲第一网站| 国产成人精品久久二区二区免费| 色婷婷久久久亚洲欧美| 亚洲中文字幕日韩| 成人三级黄色视频| 国产精品精品国产色婷婷| 久久久精品国产亚洲av高清涩受| 欧美乱码精品一区二区三区| 一a级毛片在线观看| 免费人成视频x8x8入口观看| xxx96com| 波多野结衣高清无吗| 99国产综合亚洲精品| 国产97色在线日韩免费| 国产黄片美女视频| 免费av毛片视频| 欧美成人一区二区免费高清观看 | 两人在一起打扑克的视频| 久久久久免费精品人妻一区二区 | 可以在线观看的亚洲视频| 久久国产亚洲av麻豆专区| 久久精品人妻少妇| 亚洲av第一区精品v没综合| 亚洲欧美精品综合久久99| 在线十欧美十亚洲十日本专区| 国产又爽黄色视频| 嫁个100分男人电影在线观看| 精品久久久久久久久久免费视频| 99久久久亚洲精品蜜臀av| 变态另类丝袜制服| 特大巨黑吊av在线直播 | 久久香蕉激情| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品国产高清国产av| 日韩欧美一区视频在线观看| 最近在线观看免费完整版| 啦啦啦韩国在线观看视频| 久久精品人妻少妇| 中文字幕另类日韩欧美亚洲嫩草| 高清在线国产一区| 久久欧美精品欧美久久欧美| 日韩av在线大香蕉| 高潮久久久久久久久久久不卡| 国产精品综合久久久久久久免费| а√天堂www在线а√下载| 美女扒开内裤让男人捅视频| 少妇 在线观看| 久久天堂一区二区三区四区| 午夜精品久久久久久毛片777| 亚洲中文日韩欧美视频| 午夜a级毛片| 日韩高清综合在线| 99久久99久久久精品蜜桃| 91成人精品电影| av视频在线观看入口| www.熟女人妻精品国产| 嫩草影视91久久| 国内毛片毛片毛片毛片毛片| www.精华液| 女同久久另类99精品国产91| 亚洲狠狠婷婷综合久久图片| 日韩欧美在线二视频| 动漫黄色视频在线观看| 琪琪午夜伦伦电影理论片6080| 欧美黄色淫秽网站| 国产精品国产高清国产av| 免费电影在线观看免费观看| e午夜精品久久久久久久| 欧美不卡视频在线免费观看 | 丝袜人妻中文字幕| 国产亚洲精品av在线| 中文字幕人成人乱码亚洲影| 好男人在线观看高清免费视频 | 母亲3免费完整高清在线观看| 级片在线观看| 人人妻人人澡欧美一区二区| 日韩大码丰满熟妇| 国产亚洲精品综合一区在线观看 | 国产成人精品久久二区二区91| 日韩欧美在线二视频| 国产一区二区三区视频了| 亚洲无线在线观看| 老鸭窝网址在线观看| av片东京热男人的天堂| 国产人伦9x9x在线观看| 欧美大码av| 欧美乱码精品一区二区三区| 国内少妇人妻偷人精品xxx网站 | 欧美日韩亚洲国产一区二区在线观看| 搡老熟女国产l中国老女人| 色哟哟哟哟哟哟| 亚洲熟妇中文字幕五十中出| cao死你这个sao货| 国产精品美女特级片免费视频播放器 | a级毛片a级免费在线| 嫁个100分男人电影在线观看| 亚洲第一电影网av| 在线十欧美十亚洲十日本专区| 伊人久久大香线蕉亚洲五| 亚洲成av片中文字幕在线观看| 69av精品久久久久久| 午夜福利视频1000在线观看| 日本撒尿小便嘘嘘汇集6| 人妻久久中文字幕网| 亚洲av成人一区二区三| 成人av一区二区三区在线看| 国产高清激情床上av| 亚洲av第一区精品v没综合| 97超级碰碰碰精品色视频在线观看| 日本在线视频免费播放| 日日夜夜操网爽| 婷婷精品国产亚洲av| 中文亚洲av片在线观看爽| 午夜福利欧美成人| 日韩成人在线观看一区二区三区| 在线永久观看黄色视频| 欧美激情高清一区二区三区| 久久九九热精品免费| 亚洲性夜色夜夜综合| 精品一区二区三区四区五区乱码| 久久久久久久久免费视频了| 中文亚洲av片在线观看爽| 日本精品一区二区三区蜜桃| 精品熟女少妇八av免费久了| 中文字幕久久专区| 国产精品影院久久| 黄色视频,在线免费观看| 亚洲成国产人片在线观看| 超碰成人久久| 国产成人系列免费观看| 最近最新中文字幕大全免费视频| 亚洲avbb在线观看| 女性被躁到高潮视频| 午夜a级毛片| 视频在线观看一区二区三区| 国产精品永久免费网站| 欧美成人午夜精品| 国产一卡二卡三卡精品| 日韩欧美免费精品| 首页视频小说图片口味搜索| 国产熟女xx| 亚洲国产欧美日韩在线播放| 波多野结衣高清作品| 黄片大片在线免费观看| 一本精品99久久精品77| 日韩精品中文字幕看吧| 国产精品影院久久| 久久中文字幕人妻熟女| 日本撒尿小便嘘嘘汇集6| 久久久久免费精品人妻一区二区 | 国内揄拍国产精品人妻在线 | 色av中文字幕| 成年版毛片免费区| 国产精品,欧美在线| 日本免费a在线| 精品一区二区三区四区五区乱码| 夜夜躁狠狠躁天天躁| 动漫黄色视频在线观看| 日本精品一区二区三区蜜桃| 男人的好看免费观看在线视频 | 欧美中文综合在线视频| 女性被躁到高潮视频| 日韩 欧美 亚洲 中文字幕| av视频在线观看入口| 女人被狂操c到高潮| 好看av亚洲va欧美ⅴa在| 欧美又色又爽又黄视频| videosex国产| 久久久国产成人免费| 免费在线观看日本一区| 亚洲一区二区三区色噜噜| 国产一卡二卡三卡精品| 两性夫妻黄色片| 亚洲中文日韩欧美视频| av天堂在线播放| av在线天堂中文字幕| 欧美黄色淫秽网站| 欧美日韩瑟瑟在线播放| 国产成人系列免费观看| а√天堂www在线а√下载| 狂野欧美激情性xxxx| 国产伦一二天堂av在线观看| 国产成人系列免费观看| 日韩欧美免费精品| 狂野欧美激情性xxxx| 亚洲专区字幕在线| 亚洲国产精品sss在线观看| 搡老妇女老女人老熟妇| 国产精品久久电影中文字幕| 精品不卡国产一区二区三区| 国产精品,欧美在线| 午夜精品在线福利| 脱女人内裤的视频| 日韩欧美国产一区二区入口| 黄色视频,在线免费观看| 一进一出抽搐动态| 中文资源天堂在线| 亚洲美女黄片视频| 欧美成人性av电影在线观看| 国产亚洲欧美精品永久| 免费无遮挡裸体视频| 国产一卡二卡三卡精品| 别揉我奶头~嗯~啊~动态视频| 免费在线观看日本一区| 亚洲全国av大片| 国产一区二区在线av高清观看| bbb黄色大片| 国产激情欧美一区二区| 日韩精品青青久久久久久| 久久久精品欧美日韩精品| e午夜精品久久久久久久| 免费在线观看视频国产中文字幕亚洲| 国内揄拍国产精品人妻在线 | 欧洲精品卡2卡3卡4卡5卡区| 侵犯人妻中文字幕一二三四区| 88av欧美| 免费在线观看成人毛片| 久久久久国产一级毛片高清牌| 国产成+人综合+亚洲专区| 久久久国产欧美日韩av| 黑丝袜美女国产一区| 日本撒尿小便嘘嘘汇集6| 色婷婷久久久亚洲欧美| 精品国产美女av久久久久小说| 久久久久九九精品影院| 91大片在线观看| 日本免费一区二区三区高清不卡| 成人免费观看视频高清| e午夜精品久久久久久久| 欧美精品啪啪一区二区三区| 国产精品久久久人人做人人爽| 精品久久久久久久末码| 两人在一起打扑克的视频| 欧美乱码精品一区二区三区| 午夜福利欧美成人| 午夜免费激情av| 99精品在免费线老司机午夜| 男人舔女人的私密视频| 欧美激情高清一区二区三区| 高清在线国产一区| 日本黄色视频三级网站网址| 国产亚洲欧美在线一区二区| 两人在一起打扑克的视频| 成人国产综合亚洲| 国产精品,欧美在线| 久久精品91无色码中文字幕| 亚洲人成网站高清观看| 日韩精品青青久久久久久| 男女之事视频高清在线观看| 高清在线国产一区| 悠悠久久av| 欧美激情高清一区二区三区| 国产久久久一区二区三区| 国产高清视频在线播放一区| 日韩欧美免费精品| 成人18禁高潮啪啪吃奶动态图| 日韩欧美国产一区二区入口| 69av精品久久久久久| 九色国产91popny在线| 日韩精品青青久久久久久| а√天堂www在线а√下载| 亚洲天堂国产精品一区在线| 伊人久久大香线蕉亚洲五| 国产成人精品久久二区二区91| 淫妇啪啪啪对白视频| 男人舔奶头视频| a级毛片在线看网站| 男女那种视频在线观看| 人人妻,人人澡人人爽秒播| 欧美黑人巨大hd| 亚洲精品av麻豆狂野| 97人妻精品一区二区三区麻豆 | www.精华液| 身体一侧抽搐| 亚洲av第一区精品v没综合| 级片在线观看| 好男人电影高清在线观看| 日本a在线网址| 看免费av毛片| 亚洲成人精品中文字幕电影| www.www免费av| 亚洲中文日韩欧美视频| 日韩 欧美 亚洲 中文字幕| 亚洲精品久久国产高清桃花| 波多野结衣巨乳人妻| 久久狼人影院| 欧美人与性动交α欧美精品济南到| 91九色精品人成在线观看| 1024香蕉在线观看| 免费在线观看成人毛片| 在线观看66精品国产| 精品久久久久久久毛片微露脸| 制服人妻中文乱码| 国产精品久久久久久亚洲av鲁大| 51午夜福利影视在线观看| 高潮久久久久久久久久久不卡| 日韩成人在线观看一区二区三区| tocl精华| 欧美性长视频在线观看| 免费高清视频大片| 少妇的丰满在线观看| 麻豆久久精品国产亚洲av| 一夜夜www| 日本一本二区三区精品| 巨乳人妻的诱惑在线观看| 在线观看日韩欧美| 777久久人妻少妇嫩草av网站| 女性生殖器流出的白浆| 午夜成年电影在线免费观看| 欧美+亚洲+日韩+国产| 麻豆av在线久日| 成人精品一区二区免费| 国内揄拍国产精品人妻在线 | 精品高清国产在线一区| av在线播放免费不卡| 美女 人体艺术 gogo| 一级黄色大片毛片| 久久人妻福利社区极品人妻图片| 天堂影院成人在线观看| 久久久国产欧美日韩av| 国产欧美日韩一区二区精品| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品1区2区在线观看.| 成人亚洲精品一区在线观看| 国产人伦9x9x在线观看| 女人高潮潮喷娇喘18禁视频| 好男人在线观看高清免费视频 | 99久久无色码亚洲精品果冻| 久久久久久久久中文| 宅男免费午夜| 精品久久蜜臀av无| 久久婷婷成人综合色麻豆| 日日干狠狠操夜夜爽| 国产99久久九九免费精品| 男人舔女人下体高潮全视频| 欧美人与性动交α欧美精品济南到| 成人国产综合亚洲| 女性生殖器流出的白浆| 日本三级黄在线观看| 精品电影一区二区在线| 欧美黑人巨大hd| 亚洲av片天天在线观看| 午夜免费观看网址| 久久草成人影院| 亚洲三区欧美一区| 狠狠狠狠99中文字幕| 日日爽夜夜爽网站| 久久精品国产亚洲av香蕉五月| 国产熟女午夜一区二区三区| 又黄又爽又免费观看的视频| 亚洲av电影在线进入| 国产人伦9x9x在线观看| 伊人久久大香线蕉亚洲五| 欧美日韩乱码在线| 亚洲国产中文字幕在线视频| 97碰自拍视频| 最近最新中文字幕大全免费视频| 成人三级做爰电影| 欧美一区二区精品小视频在线| 免费看十八禁软件| 欧美性长视频在线观看| 成人亚洲精品一区在线观看| 国内精品久久久久精免费| 在线观看一区二区三区| 国内精品久久久久久久电影| 韩国精品一区二区三区| 国产精品自产拍在线观看55亚洲| 精品第一国产精品| 亚洲国产精品999在线| 国产av一区在线观看免费| 亚洲成人精品中文字幕电影| 欧美日韩福利视频一区二区| 欧美成人午夜精品| 色播亚洲综合网| 国产成+人综合+亚洲专区| 美女高潮到喷水免费观看| 欧美久久黑人一区二区| 欧美黑人精品巨大| 国产单亲对白刺激| 亚洲专区中文字幕在线| 成年人黄色毛片网站| 欧美成人午夜精品| 色精品久久人妻99蜜桃| 日本熟妇午夜| 欧美日韩亚洲综合一区二区三区_| 黄色毛片三级朝国网站| 久久中文看片网| 色尼玛亚洲综合影院| 91字幕亚洲| 午夜精品在线福利| 亚洲熟女毛片儿| 久久天躁狠狠躁夜夜2o2o| 亚洲va日本ⅴa欧美va伊人久久| 极品教师在线免费播放| 日日摸夜夜添夜夜添小说| 国产一卡二卡三卡精品| 欧美中文综合在线视频| 国产又爽黄色视频| 亚洲免费av在线视频| 成人国产一区最新在线观看| 91国产中文字幕| 精品少妇一区二区三区视频日本电影| 欧美zozozo另类| 亚洲自偷自拍图片 自拍| 亚洲性夜色夜夜综合| 欧美日本视频| 久久久久久大精品| 久久 成人 亚洲| 黄色视频不卡| 欧美一级a爱片免费观看看 | 欧美黑人欧美精品刺激| 丰满人妻熟妇乱又伦精品不卡| 午夜a级毛片| 午夜成年电影在线免费观看| 搡老岳熟女国产| 国产视频内射| 国产三级在线视频| 99热6这里只有精品| 亚洲成人久久性| 一本一本综合久久| 黄网站色视频无遮挡免费观看| www.www免费av| 中文亚洲av片在线观看爽| 久久精品成人免费网站| 又紧又爽又黄一区二区| 人成视频在线观看免费观看| 欧美国产精品va在线观看不卡| 免费女性裸体啪啪无遮挡网站| 91在线观看av| 免费观看人在逋| 国产伦在线观看视频一区| 丝袜美腿诱惑在线| 一区二区三区国产精品乱码| 黄色视频不卡| 精品久久久久久久人妻蜜臀av| 国产午夜精品久久久久久| 欧美最黄视频在线播放免费| 天堂√8在线中文| 成人一区二区视频在线观看| 啦啦啦 在线观看视频| 国产激情欧美一区二区| 久久香蕉国产精品| 黄色毛片三级朝国网站| 女性生殖器流出的白浆| 亚洲欧美日韩高清在线视频| 久久精品影院6| 久久 成人 亚洲| 女性生殖器流出的白浆| 一区二区三区国产精品乱码| 嫩草影院精品99| 久久精品亚洲精品国产色婷小说| 久久人妻福利社区极品人妻图片| 韩国av一区二区三区四区| 香蕉丝袜av| 超碰成人久久| 性色av乱码一区二区三区2| 两性午夜刺激爽爽歪歪视频在线观看 | 一级a爱片免费观看的视频| 可以免费在线观看a视频的电影网站| 丁香欧美五月| 精品日产1卡2卡| 久久狼人影院| 国内久久婷婷六月综合欲色啪| 免费电影在线观看免费观看| 黄色a级毛片大全视频| 亚洲精品国产精品久久久不卡| 免费一级毛片在线播放高清视频| 国产黄a三级三级三级人| 国产1区2区3区精品| videosex国产| 欧美日本视频| 亚洲欧美一区二区三区黑人| 欧美不卡视频在线免费观看 | 一本一本综合久久| 久久久久久免费高清国产稀缺| 两性夫妻黄色片| 每晚都被弄得嗷嗷叫到高潮| 久99久视频精品免费| 男人舔女人的私密视频| 亚洲人成伊人成综合网2020| 2021天堂中文幕一二区在线观 | 波多野结衣av一区二区av| 国产v大片淫在线免费观看| 国产不卡一卡二| 亚洲欧洲精品一区二区精品久久久| 免费在线观看完整版高清| 可以在线观看毛片的网站| a级毛片a级免费在线| av电影中文网址| av视频在线观看入口| 亚洲专区国产一区二区| 青草久久国产| 男人舔女人的私密视频| 首页视频小说图片口味搜索| 国产精品香港三级国产av潘金莲| 久久久久精品国产欧美久久久| 美女高潮喷水抽搐中文字幕| 久久国产精品人妻蜜桃| АⅤ资源中文在线天堂| 亚洲av成人一区二区三| 18禁美女被吸乳视频| 老司机在亚洲福利影院| 午夜免费激情av| 丝袜在线中文字幕| 免费在线观看成人毛片| 久久国产精品男人的天堂亚洲| 国产久久久一区二区三区| 深夜精品福利| 精品久久久久久久人妻蜜臀av| 久久人妻福利社区极品人妻图片| 老司机在亚洲福利影院| 一本久久中文字幕| 伊人久久大香线蕉亚洲五| 狂野欧美激情性xxxx| 久热这里只有精品99| 午夜成年电影在线免费观看| 88av欧美| 午夜日韩欧美国产| 亚洲精品中文字幕一二三四区| 久热爱精品视频在线9| 黄色成人免费大全| 久久九九热精品免费| 久久久久亚洲av毛片大全| 久久久久国产一级毛片高清牌| 欧美午夜高清在线| 窝窝影院91人妻| 欧美日韩乱码在线| 麻豆成人av在线观看| 国产熟女午夜一区二区三区| 国产三级在线视频| 成人18禁在线播放| 黄色视频不卡| 欧美绝顶高潮抽搐喷水| 精品免费久久久久久久清纯| 亚洲人成网站在线播放欧美日韩| 最近在线观看免费完整版| 人人妻人人澡欧美一区二区| 亚洲av电影不卡..在线观看| 久久久久久久久久黄片| 久久久久久久久中文| 国产成人精品无人区| 夜夜看夜夜爽夜夜摸| 人人妻人人澡人人看| 国产成人系列免费观看| 欧美国产日韩亚洲一区|