• <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
    国产成人91sexporn| 免费人妻精品一区二区三区视频| 国产成人免费观看mmmm| 在线观看美女被高潮喷水网站| 欧美日韩av久久| 18禁动态无遮挡网站| 考比视频在线观看| 90打野战视频偷拍视频| 成人黄色视频免费在线看| 丰满乱子伦码专区| av女优亚洲男人天堂| 十八禁高潮呻吟视频| 在线精品无人区一区二区三| 免费观看在线日韩| 久久久久久伊人网av| av在线播放精品| 少妇熟女欧美另类| 人妻 亚洲 视频| 国产成人精品在线电影| 久久久久精品人妻al黑| 久久毛片免费看一区二区三区| 97精品久久久久久久久久精品| 9色porny在线观看| 两性夫妻黄色片| 欧美日韩综合久久久久久| 久久久久久久久久人人人人人人| 国产精品二区激情视频| 久久午夜福利片| 毛片一级片免费看久久久久| 精品久久久久久电影网| 一本—道久久a久久精品蜜桃钙片| 国产成人精品婷婷| 成人国产av品久久久| 99久久精品国产国产毛片| 亚洲欧美中文字幕日韩二区| 久久人人爽人人片av| 国产无遮挡羞羞视频在线观看| 欧美日韩亚洲高清精品| 久久精品国产鲁丝片午夜精品| 国产亚洲av片在线观看秒播厂| 国产xxxxx性猛交| 丰满迷人的少妇在线观看| 男女高潮啪啪啪动态图| 午夜久久久在线观看| 男女国产视频网站| 亚洲av电影在线观看一区二区三区| 国产精品女同一区二区软件| 人人澡人人妻人| 日韩av免费高清视频| 91久久精品国产一区二区三区| 精品第一国产精品| 中文字幕最新亚洲高清| 亚洲国产毛片av蜜桃av| 久久精品国产亚洲av涩爱| 国产成人精品久久二区二区91 | 韩国精品一区二区三区| 亚洲三级黄色毛片| 亚洲久久久国产精品| 亚洲在久久综合| 久久久久久久久久人人人人人人| 国产成人精品久久久久久| 欧美精品一区二区免费开放| 在线精品无人区一区二区三| 久久影院123| 日本av手机在线免费观看| 久久综合国产亚洲精品| 午夜福利视频精品| 黑人猛操日本美女一级片| 久久精品久久久久久噜噜老黄| 日韩在线高清观看一区二区三区| 久久av网站| 一级片免费观看大全| 国产成人精品久久二区二区91 | 男人舔女人的私密视频| 天堂俺去俺来也www色官网| 99久久人妻综合| 飞空精品影院首页| 日本91视频免费播放| 午夜免费观看性视频| 极品少妇高潮喷水抽搐| 国产在线视频一区二区| 夫妻性生交免费视频一级片| 国产熟女欧美一区二区| 亚洲av国产av综合av卡| 日韩一卡2卡3卡4卡2021年| 国产亚洲欧美精品永久| 黄片播放在线免费| 一本大道久久a久久精品| 一边摸一边做爽爽视频免费| 一区二区三区激情视频| 国产精品国产三级国产专区5o| 在线观看www视频免费| 老汉色∧v一级毛片| 久久狼人影院| 亚洲精品久久成人aⅴ小说| 久久鲁丝午夜福利片| 精品福利永久在线观看| 欧美日韩成人在线一区二区| 久久99一区二区三区| 青草久久国产| 久久久久国产一级毛片高清牌| 久久久精品94久久精品| 啦啦啦中文免费视频观看日本| 欧美人与性动交α欧美软件| 亚洲精品中文字幕在线视频| 精品人妻一区二区三区麻豆| 一区二区日韩欧美中文字幕| 午夜福利在线免费观看网站| 久久久亚洲精品成人影院| 看非洲黑人一级黄片| 亚洲欧美成人综合另类久久久| 一级毛片电影观看| 午夜免费鲁丝| 咕卡用的链子| 嫩草影院入口| 国产日韩欧美视频二区| 国产精品久久久久久久久免| 亚洲av在线观看美女高潮| 国产毛片在线视频| 欧美日韩一区二区视频在线观看视频在线| 视频在线观看一区二区三区| av在线观看视频网站免费| 有码 亚洲区| 亚洲国产精品一区三区| 国产精品熟女久久久久浪| 晚上一个人看的免费电影| 久久久久国产网址| 欧美亚洲 丝袜 人妻 在线| 精品国产乱码久久久久久小说| 少妇人妻 视频| 国产视频首页在线观看| av国产久精品久网站免费入址| 97人妻天天添夜夜摸| 久久久久网色| 在线观看www视频免费| 欧美成人精品欧美一级黄| 18禁观看日本| 18禁国产床啪视频网站| 男的添女的下面高潮视频| 亚洲人成电影观看| 亚洲欧洲国产日韩| 十分钟在线观看高清视频www| 欧美日韩视频高清一区二区三区二| 丰满少妇做爰视频| 纯流量卡能插随身wifi吗| 少妇被粗大的猛进出69影院| 免费观看在线日韩| 日本wwww免费看| 免费观看性生交大片5| 亚洲精品成人av观看孕妇| 成年动漫av网址| 最近中文字幕2019免费版| 欧美人与性动交α欧美精品济南到 | 免费少妇av软件| 波野结衣二区三区在线| 日本午夜av视频| 在线观看美女被高潮喷水网站| 在线免费观看不下载黄p国产| 少妇精品久久久久久久| 丝袜喷水一区| 热99久久久久精品小说推荐| 90打野战视频偷拍视频| 男的添女的下面高潮视频| 日韩一卡2卡3卡4卡2021年| 有码 亚洲区| 国产av国产精品国产| 黄色 视频免费看| 99re6热这里在线精品视频| 亚洲激情五月婷婷啪啪| 国产男人的电影天堂91| 又黄又粗又硬又大视频| 亚洲av在线观看美女高潮| 美女高潮到喷水免费观看| 国产 一区精品| www.熟女人妻精品国产| 男人爽女人下面视频在线观看| videos熟女内射| 国产精品.久久久| av福利片在线| 亚洲精品av麻豆狂野| 久久久久久人人人人人| 国产伦理片在线播放av一区| 日韩伦理黄色片| 国产精品久久久久成人av| 欧美老熟妇乱子伦牲交| 国产精品人妻久久久影院| 黄网站色视频无遮挡免费观看| 亚洲成色77777| 色哟哟·www| 香蕉精品网在线| 久久人妻熟女aⅴ| 亚洲情色 制服丝袜| 日日啪夜夜爽| 哪个播放器可以免费观看大片| 亚洲精品国产av成人精品| 18+在线观看网站| 日韩精品有码人妻一区| 一边摸一边做爽爽视频免费| 亚洲欧美精品自产自拍| av卡一久久| 午夜福利乱码中文字幕| av片东京热男人的天堂| 亚洲av综合色区一区| 黄频高清免费视频| 啦啦啦视频在线资源免费观看| 青春草视频在线免费观看| 制服诱惑二区| 一级a爱视频在线免费观看| 日韩熟女老妇一区二区性免费视频| 2018国产大陆天天弄谢| 精品亚洲成a人片在线观看| 国产黄色免费在线视频| 在现免费观看毛片| 国产成人精品在线电影| av天堂久久9| 国产野战对白在线观看| 欧美人与性动交α欧美精品济南到 | 欧美成人精品欧美一级黄| 久久99一区二区三区| av在线播放精品| 国产色婷婷99| 日本vs欧美在线观看视频| 亚洲精品av麻豆狂野| 欧美日韩亚洲高清精品| 国产精品国产三级专区第一集| 一级毛片我不卡| 国产毛片在线视频| 久久久精品94久久精品| 久久国产精品男人的天堂亚洲| 午夜av观看不卡| 日本欧美国产在线视频| 人人妻人人澡人人爽人人夜夜| 国产精品三级大全| www.自偷自拍.com| 丝袜人妻中文字幕| a 毛片基地| 国产在线免费精品| 欧美日韩视频高清一区二区三区二| 国产日韩欧美在线精品| 亚洲综合色惰| 久久久久久人人人人人| 91国产中文字幕| 国产精品熟女久久久久浪| 免费大片黄手机在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 女的被弄到高潮叫床怎么办| 久久久亚洲精品成人影院| videossex国产| 午夜福利,免费看| 日韩中文字幕视频在线看片| 久久精品国产a三级三级三级| 这个男人来自地球电影免费观看 | 久久精品国产亚洲av天美| 丝袜人妻中文字幕| 国产成人aa在线观看| 美女脱内裤让男人舔精品视频| 国产成人av激情在线播放| 日韩视频在线欧美| 国产一区二区在线观看av| 激情视频va一区二区三区| 国产福利在线免费观看视频| 亚洲国产欧美网| 久久av网站| 亚洲精品国产一区二区精华液| 亚洲图色成人| 26uuu在线亚洲综合色| 欧美日韩av久久| 久久国产精品大桥未久av| 综合色丁香网| 亚洲精华国产精华液的使用体验| 色哟哟·www| 国产亚洲精品第一综合不卡| 最黄视频免费看| 黄色视频在线播放观看不卡| 夫妻性生交免费视频一级片| 久久韩国三级中文字幕| 岛国毛片在线播放| 日本av手机在线免费观看| 国产av一区二区精品久久| 日本vs欧美在线观看视频| 国产成人欧美| 91国产中文字幕| 欧美精品亚洲一区二区| 国产精品av久久久久免费| 亚洲 欧美一区二区三区| 精品人妻在线不人妻| 亚洲成国产人片在线观看| 天天躁夜夜躁狠狠躁躁| 免费人妻精品一区二区三区视频| a级毛片黄视频| 精品国产露脸久久av麻豆| 国精品久久久久久国模美| 欧美老熟妇乱子伦牲交| 国产精品一区二区在线不卡| 精品一品国产午夜福利视频| 中文精品一卡2卡3卡4更新| 国产乱人偷精品视频| 哪个播放器可以免费观看大片| 亚洲精品第二区| 亚洲av日韩在线播放| 丝袜美足系列| 成年人免费黄色播放视频| 青春草亚洲视频在线观看| 精品视频人人做人人爽| 国产男人的电影天堂91| 国产又爽黄色视频| 大码成人一级视频| 一级爰片在线观看| 各种免费的搞黄视频| 自线自在国产av| 国产精品一国产av| 美女视频免费永久观看网站| 制服诱惑二区| 国产精品久久久久久久久免| 亚洲天堂av无毛| 人妻系列 视频| 久久久久久久久久久久大奶| 人妻少妇偷人精品九色| 欧美精品人与动牲交sv欧美| 欧美人与性动交α欧美软件| 成年美女黄网站色视频大全免费| 欧美人与性动交α欧美软件| 成年美女黄网站色视频大全免费| av不卡在线播放| 欧美日韩综合久久久久久| 在线观看免费高清a一片| 国产在线视频一区二区| av国产精品久久久久影院| 高清视频免费观看一区二区| 色视频在线一区二区三区| 熟女av电影| 免费av中文字幕在线| 日韩视频在线欧美| 亚洲精品国产一区二区精华液| 国产日韩欧美在线精品| av网站在线播放免费| 一个人免费看片子| 精品午夜福利在线看| 午夜福利视频在线观看免费| 少妇的丰满在线观看| 久久精品国产鲁丝片午夜精品| 免费播放大片免费观看视频在线观看| 亚洲精品国产av蜜桃| 在线观看免费日韩欧美大片| 丰满饥渴人妻一区二区三| 午夜日本视频在线| 人妻系列 视频| 成人毛片a级毛片在线播放| 国产精品久久久久久av不卡| 亚洲国产精品国产精品| 91精品伊人久久大香线蕉| av视频免费观看在线观看| 69精品国产乱码久久久| 美女福利国产在线| 日韩在线高清观看一区二区三区| 国产精品亚洲av一区麻豆 | 欧美国产精品va在线观看不卡| 免费在线观看完整版高清| 制服诱惑二区| 亚洲精品国产av成人精品| 久久婷婷青草| 两性夫妻黄色片| 好男人视频免费观看在线| 精品一区二区三卡| 亚洲国产精品一区二区三区在线| 亚洲精品久久午夜乱码| 精品亚洲成a人片在线观看| 边亲边吃奶的免费视频| 久久久久久久精品精品| 天天影视国产精品| 亚洲精品,欧美精品| 咕卡用的链子| 另类亚洲欧美激情| 亚洲av男天堂| 美女国产高潮福利片在线看| 侵犯人妻中文字幕一二三四区| 久久久久久免费高清国产稀缺| 丝袜美腿诱惑在线| 看免费av毛片| 在线观看一区二区三区激情| 国产 一区精品| 欧美 亚洲 国产 日韩一| 日韩在线高清观看一区二区三区| 啦啦啦在线观看免费高清www| 久久精品国产鲁丝片午夜精品| av在线观看视频网站免费| 午夜日韩欧美国产| 国产午夜精品一二区理论片| 亚洲av.av天堂| 亚洲成人一二三区av| 国产成人精品久久二区二区91 | 亚洲第一青青草原| 免费不卡的大黄色大毛片视频在线观看| 一区二区三区激情视频| 日本-黄色视频高清免费观看| 久久精品久久精品一区二区三区| 欧美在线黄色| 日本wwww免费看| 蜜桃国产av成人99| 日韩人妻精品一区2区三区| 人人妻人人添人人爽欧美一区卜| 国产又爽黄色视频| 高清av免费在线| 考比视频在线观看| 我的亚洲天堂| 国产精品一区二区在线观看99| 精品卡一卡二卡四卡免费| 99精国产麻豆久久婷婷| 国产片特级美女逼逼视频| 美女大奶头黄色视频| 日韩 亚洲 欧美在线| 麻豆av在线久日| 建设人人有责人人尽责人人享有的| 国产黄频视频在线观看| 男人舔女人的私密视频| 少妇的丰满在线观看| 成年女人在线观看亚洲视频| 欧美精品av麻豆av| 久久鲁丝午夜福利片| 美女福利国产在线| 肉色欧美久久久久久久蜜桃| 国产黄色视频一区二区在线观看| 制服诱惑二区| 精品亚洲乱码少妇综合久久| 国产亚洲欧美精品永久| 蜜桃在线观看..| 校园人妻丝袜中文字幕| 国产高清不卡午夜福利| 中文乱码字字幕精品一区二区三区| 日韩一本色道免费dvd| 三级国产精品片| 亚洲熟女精品中文字幕| 精品亚洲乱码少妇综合久久| 欧美日韩亚洲国产一区二区在线观看 | 97在线视频观看| 宅男免费午夜| 久久 成人 亚洲| 国产av码专区亚洲av| 中文乱码字字幕精品一区二区三区| 91午夜精品亚洲一区二区三区| 啦啦啦啦在线视频资源| 亚洲国产av新网站| 日韩电影二区| 精品第一国产精品| 国产精品一区二区在线观看99| 高清欧美精品videossex| 国产精品 国内视频| 成人毛片a级毛片在线播放| 国产精品久久久久成人av| 成人亚洲欧美一区二区av| 国产1区2区3区精品| 午夜福利视频精品| 国产精品不卡视频一区二区| 十分钟在线观看高清视频www| 国产爽快片一区二区三区| 欧美精品一区二区大全| 亚洲精品国产av成人精品| 日韩,欧美,国产一区二区三区| 国产高清国产精品国产三级| 亚洲国产看品久久| 七月丁香在线播放| 日韩制服丝袜自拍偷拍| 免费观看a级毛片全部| 麻豆精品久久久久久蜜桃| 天天躁夜夜躁狠狠久久av| 国产精品嫩草影院av在线观看| 99国产综合亚洲精品| 99久久综合免费| videosex国产| 91在线精品国自产拍蜜月| 黄片小视频在线播放| 免费av中文字幕在线| 日韩电影二区| av网站在线播放免费| 国产日韩欧美在线精品| 99久久中文字幕三级久久日本| 乱人伦中国视频| 99热国产这里只有精品6| 国产一级毛片在线| 国产熟女午夜一区二区三区| 波多野结衣av一区二区av| av一本久久久久| 黄色一级大片看看| 免费日韩欧美在线观看| 两性夫妻黄色片| 日日啪夜夜爽| 精品一区在线观看国产| 看十八女毛片水多多多| 国产精品久久久久久精品电影小说| 亚洲精品,欧美精品| 久久精品国产a三级三级三级| 熟女少妇亚洲综合色aaa.| 人妻一区二区av| 嫩草影院入口| 精品人妻偷拍中文字幕| 18禁动态无遮挡网站| av又黄又爽大尺度在线免费看| kizo精华| 精品国产国语对白av| 美女大奶头黄色视频| 晚上一个人看的免费电影| 可以免费在线观看a视频的电影网站 | 亚洲少妇的诱惑av| 男女国产视频网站| 人人妻人人澡人人爽人人夜夜| 下体分泌物呈黄色| 看非洲黑人一级黄片| 国产xxxxx性猛交| 久久久久人妻精品一区果冻| 色网站视频免费| 少妇人妻精品综合一区二区| 日韩不卡一区二区三区视频在线| 成年女人在线观看亚洲视频| 亚洲,一卡二卡三卡| 亚洲欧美一区二区三区黑人 | 亚洲欧美成人综合另类久久久| 久久精品熟女亚洲av麻豆精品| 在线观看美女被高潮喷水网站| 国产有黄有色有爽视频| 精品国产超薄肉色丝袜足j| 桃花免费在线播放| 亚洲精品一二三| 9191精品国产免费久久| 亚洲精品久久久久久婷婷小说| 亚洲精品一区蜜桃| www.熟女人妻精品国产| 看十八女毛片水多多多| 亚洲欧美精品综合一区二区三区 | 性色av一级| 成人国语在线视频| 亚洲男人天堂网一区| 一级毛片我不卡| 免费高清在线观看视频在线观看| 精品亚洲乱码少妇综合久久| 制服人妻中文乱码| 在线天堂最新版资源| 日韩中文字幕欧美一区二区 | 久久精品久久久久久噜噜老黄| 日韩视频在线欧美| 久久97久久精品| 男的添女的下面高潮视频| 国产爽快片一区二区三区| 国产精品 欧美亚洲| 看十八女毛片水多多多| 免费黄色在线免费观看| 美女国产视频在线观看| 久久亚洲国产成人精品v| 精品久久久精品久久久| 国产精品国产三级专区第一集| videos熟女内射| 人人澡人人妻人| 寂寞人妻少妇视频99o| 晚上一个人看的免费电影| 国产男女内射视频| 色94色欧美一区二区| 亚洲五月色婷婷综合| 少妇人妻久久综合中文| 久久av网站| 亚洲av免费高清在线观看| 男人操女人黄网站| 青春草视频在线免费观看| 91精品国产国语对白视频| 国产精品 国内视频| 久久精品国产鲁丝片午夜精品| 久久影院123| 日本-黄色视频高清免费观看| 亚洲国产欧美日韩在线播放| 2018国产大陆天天弄谢| 国产免费现黄频在线看| 少妇人妻精品综合一区二区| 色吧在线观看| 日韩,欧美,国产一区二区三区| 人妻少妇偷人精品九色| 极品人妻少妇av视频| 尾随美女入室| 在线 av 中文字幕| 久久久精品国产亚洲av高清涩受| 亚洲欧美成人精品一区二区| 免费在线观看视频国产中文字幕亚洲 | 国产片特级美女逼逼视频| 国产极品粉嫩免费观看在线| 热99久久久久精品小说推荐| 日韩免费高清中文字幕av| 久久人妻熟女aⅴ| 999精品在线视频| 一级片'在线观看视频| 国产免费现黄频在线看| 国产乱来视频区| 中文字幕色久视频| 伦理电影大哥的女人| 国产日韩欧美视频二区| 亚洲av福利一区| 色94色欧美一区二区| 韩国高清视频一区二区三区| 又粗又硬又长又爽又黄的视频| av有码第一页| 麻豆乱淫一区二区| 成年女人毛片免费观看观看9 | 丝瓜视频免费看黄片| 久久热在线av| 国产成人精品无人区| 国产深夜福利视频在线观看| 亚洲情色 制服丝袜| 中文天堂在线官网| 飞空精品影院首页| 久久久久视频综合| 成人午夜精彩视频在线观看| 最近中文字幕高清免费大全6| 免费高清在线观看日韩| 欧美人与性动交α欧美精品济南到 | 欧美成人午夜精品| 视频区图区小说| 国产xxxxx性猛交| 亚洲av电影在线观看一区二区三区| 色94色欧美一区二区|