• <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4層R-CNN的輸電線路多目標(biāo)檢測

    2022-08-25 12:22:54單亞鋒趙天宇王珂珂
    關(guān)鍵詞:航拍絕緣子特征提取

    單亞鋒,趙天宇,付 昱,付 華,王珂珂

    (遼寧工程技術(shù)大學(xué) 電氣與控制工程學(xué)院,遼寧 葫蘆島 125105)

    0 引言

    輸電線路部件發(fā)生故障必然會威脅電力系統(tǒng)的穩(wěn)定,對用戶的用電可靠性造成影響,而且?guī)斫?jīng)濟損失.所以對輸電線路的定期巡檢與維護是智能電網(wǎng)建設(shè)過程中極其重要的內(nèi)容[1].對于輸電線路的巡檢,目前越來越多的國家逐漸從傳統(tǒng)巡檢方式向無人機巡檢方式轉(zhuǎn)變,而無人機巡檢需要對大量的巡線航拍圖片進行準(zhǔn)確地識別與分析,因此,在輸電線路目標(biāo)識別領(lǐng)域基于深度學(xué)習(xí)的圖片識別方法發(fā)揮了至關(guān)重要的作用[2-5].在圖像識別領(lǐng)域,單階段(One-stage)檢測器以單激發(fā)多盒探測器SSD[6]、單次檢測(YOLO)[7]等為代表;雙階段(Two-stage)檢測器主要包括實例分割卷積神經(jīng)網(wǎng)絡(luò)(Mask R-CNN)[8]、區(qū)域推薦卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)等.單階段檢測算法雖然用時短,但在小尺度目標(biāo)檢測識別領(lǐng)域,由于雙階段檢測算法檢測精度更高,所以有著更廣闊的應(yīng)用前景.文獻[9]提出了一種基于樣本擴充以及Faster R-CNN的電網(wǎng)異物監(jiān)測的方法,但在所生成樣本的輸出質(zhì)量方面還有一定的提升空間.文獻[10]、文獻[11]都將Faster R-CNN算法應(yīng)用到了電力領(lǐng)域,驗證了在識別百量級圖像時該算法的適用性和穩(wěn)定性.其中文獻[11]驗證了Faster R-CNN模型能夠在復(fù)雜背景下以較高的精度和較低的時間成本檢測絕緣子.文獻[12]利用Faster R-CNN模型實現(xiàn)了航拍圖像中均壓環(huán)、間隔棒、防振錘等電力小部件的識別定位,并獲得93.5%準(zhǔn)確率,但因為樣本量較小,在絕緣子之間存在互相遮擋時,識別效果還需要進一步改善,因此應(yīng)使航拍圖像的樣本多樣性繼續(xù)提高.相比于Faster R-CNN兩階段目標(biāo)識別算法,文獻[13]提出一種多階段級聯(lián)檢測框架即級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)(Cascade R-CNN),在具有挑戰(zhàn)性的常見對象(COCO)數(shù)據(jù)集上,級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)檢測效果超過了所有的單階段目標(biāo)檢測器.文獻[14]驗證了Cascade R-CNN模型在交通標(biāo)志檢測領(lǐng)域應(yīng)用的可行性,識別準(zhǔn)確率達到98%以上.

    在圖片處理過程中,特征提取是影響目標(biāo)識別準(zhǔn)確率的關(guān)鍵步驟之一.相比于亞里克斯神經(jīng)網(wǎng)絡(luò)(AlexNet)[15]、視覺幾何神經(jīng)網(wǎng)絡(luò)(VGGNet)[16]等,深度殘差神經(jīng)網(wǎng)絡(luò)(ResNet)作為深度學(xué)習(xí)的前端具有更大的優(yōu)勢[17].ResNet101網(wǎng)絡(luò)可以有效地解決訓(xùn)練過程中產(chǎn)生的梯度彌散問題[18-19],但卷積計算可能存在低層信息丟失的現(xiàn)象.FPN[20]可在不同層特征融合的基礎(chǔ)上進行獨立預(yù)測,獲得較好的特征提取結(jié)果.

    針對上述圖片識別存在的問題,利用基于圖像預(yù)處理的方式實現(xiàn)對航拍圖像中絕緣子及其缺陷、鳥巢、防振錘等9類目標(biāo)數(shù)據(jù)集的擴充,設(shè)計和搭建ResNet-101網(wǎng)絡(luò)以及6層FPN網(wǎng)絡(luò)相結(jié)合的模型來提取輸入目標(biāo)特征,在多階段級聯(lián)神經(jīng)網(wǎng)絡(luò)Four R-CNN模型訓(xùn)練中,通過區(qū)域推薦網(wǎng)絡(luò)(RPN)生成錨點框輸入級聯(lián)的分類器與邊框回歸器進行訓(xùn)練,根據(jù)分類器得分和邊框回歸結(jié)果確定絕緣子、防振錘、鳥窩等目標(biāo)的分類與絕緣子缺陷定位.

    1 圖像預(yù)處理

    由于實驗使用的原始圖片為代碼托管(Github)平臺上公開的無人機航拍巡檢樣本,數(shù)量有限.對于小樣本問題,深度學(xué)習(xí)無法發(fā)揮出最大優(yōu)勢.因此,利用樣本生成技術(shù)擴充數(shù)據(jù)集,這對于所構(gòu)建的深度學(xué)習(xí)模型起著至關(guān)重要的作用.

    在擴充數(shù)據(jù)集的過程中,為更好提升多目標(biāo)識別情況下的準(zhǔn)確率,各類別圖像樣本不僅要達到一定數(shù)量級來滿足深度學(xué)習(xí)的訓(xùn)練要求,而且要避免出現(xiàn)過擬合現(xiàn)象.針對無人機航拍的特點,在圖像預(yù)處理時通過亮度變換、尺度放縮等操作進行模擬.由于無人機在拍攝電網(wǎng)相關(guān)目標(biāo)時不可避免的會抖動,故采用運動模糊算法進行模擬,在一定程度上對數(shù)據(jù)集的泛化性起到了提升作用.表1為圖像預(yù)處理參數(shù)設(shè)置.

    表1 圖像預(yù)處理參數(shù)設(shè)置Tab.1 parameters of image preprocessing

    2 基于Four R-CNN的多目標(biāo)識別

    2.1 特征提取網(wǎng)絡(luò)

    以ResNet101網(wǎng)絡(luò)為特征提取網(wǎng)絡(luò)的主干,包括conv1、conv2_x、conv3_x、conv4_x、conv5_x等5層殘差模塊,每一層包含若干殘差學(xué)習(xí)結(jié)構(gòu).經(jīng)降采樣處理后,訓(xùn)練圖片的像素為1 024×1 024,輸出像素分別為512×512×64、256×256×256、128×128×512、64×64×1 024、32×32×1 048.顯然,基于ResNet101網(wǎng)絡(luò)的特征提取過程,圖片尺寸不斷減小而通道數(shù)量不斷增加.隨著特征圖底層的丟失,圖片分辨率會逐級下降,導(dǎo)致檢測模型無法對輸電線路小目標(biāo)進行有效識別與定位.常用的深度學(xué)習(xí)網(wǎng)絡(luò)能夠?qū)Υ蠖鄶?shù)目標(biāo)實現(xiàn)成功識別,但是由于遠(yuǎn)景的圖像過于模糊,依然存在大量漏檢、錯檢的情況,所以常用的特征提取網(wǎng)絡(luò)對遠(yuǎn)景小目標(biāo)圖像的識別效果并不理想.

    由于無人機拍攝的是輸電線路易損件的局部缺陷,為了提升小目標(biāo)的識別效果,采用ResNet101和FPN網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò),在殘差網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計了2種FPN網(wǎng)絡(luò),分別是5層FPN結(jié)構(gòu)(P2層、P3層、P4層、P5層、P6層)和6層FPN結(jié)構(gòu)(P2層、P3層、P4層、P5層、P6層、P7層),見表2.為驗證特征提取網(wǎng)絡(luò)的效果,采用Cascade R-CNN驗證表2的4種網(wǎng)絡(luò)模型.6層FPN網(wǎng)絡(luò)識別小目標(biāo)的平均準(zhǔn)確率值最高,達到89.3%,因此最終選擇6層FPN網(wǎng)絡(luò).

    表2 小目標(biāo)檢測結(jié)果對比Tab.2 comparison of small target detection results

    將ResNet101網(wǎng)絡(luò)和6層FPN網(wǎng)絡(luò)融合,P2層、P3層、P4層、P5層增加了自下而上帶有反向側(cè)邊連接的支路結(jié)構(gòu),與conv2_x、conv3_x、conv4_x、conv5_x相連.內(nèi)容方面,P2層、P3層、P4層、P5層與conv2_x、conv3_x、conv4_x、conv5_x的圖片尺寸呈現(xiàn)一一對應(yīng)的關(guān)系,但通道數(shù)量存在差異.P2層由conv2_x層1x1卷積內(nèi)核和P3層以步幅為2像素的上采樣組成,像素為256×256×256,同理P3層為128×128×256,P4層為64×64×256,P5層為32× 32×256.P6層由P5層以步幅為2的下采樣得到,像素為16×16×256,同理P7層為8×8×256.因為低層具備高分辨率的特征,故P2層、P3層、P4層、P5層與低層融合后,能夠有效識別出航拍圖像中的電力小部件.由于神經(jīng)網(wǎng)絡(luò)的不斷加深,卷積運算和輪詢會使小目標(biāo)的信息逐漸消失,應(yīng)用深特征圖層的高語義信息,設(shè)計P6層和P7層有助于更加精確地檢測大目標(biāo).

    2.2 基于Four R-CNN的輸電線路多目標(biāo)識別模型

    提出4層R-CNN(Four R-CNN)級聯(lián)網(wǎng)絡(luò),ResNet101+FPN用于特征提取,生成特征幀.將不同的重疊度(IOU)設(shè)置為級聯(lián)R-CNN,并對預(yù)處理后的圖像進行訓(xùn)練,以實現(xiàn)高質(zhì)量的目標(biāo)檢測.在每個檢測階段,包括一個分類器hi和一個回歸器fi,根據(jù)分類器與回歸器產(chǎn)生的損失來綜合判斷目標(biāo)類別以及確定目標(biāo)位置.Four R-CNN網(wǎng)絡(luò)總體損失函數(shù)為

    式中,Lcls為分類損失;Lloc為定位損失;g為輸入圖片真實值;λ為權(quán)衡系數(shù);xi為不同IOU閾值下的關(guān)鍵幀;yi為不同IOU閾值下各種輸入圖片的標(biāo)簽類別;[·]為邊界框回歸IOU閾值,與分類用閾值相同.

    Four R-CNN模型的分類損失使用Softmax損失函數(shù)代替,為

    式中,aj為Softmax輸出向量第j個值,j=1,2,…,m.m為類別數(shù),取9,則ak為輸出向量9個值.定位損失為

    式中,bi為錨框,bi=(bx,by,bw,bh);為標(biāo)記框,為分類損失函數(shù),使用 1LS函數(shù)代替R,

    式中,x=.

    基于4層R-CNN級聯(lián)算法的網(wǎng)絡(luò)框架模型見圖1.

    圖1 4層 R-CNN級聯(lián)算法網(wǎng)絡(luò)框架模型Fig.1 network framework model of Four-layer R-CNN cascade algorithm

    算法步驟如下.

    (1)將COCO形式的數(shù)據(jù)集輸入到基于ResNet101和6層FPN的特征提取網(wǎng)絡(luò),特征圖用于后續(xù)的RPN網(wǎng)絡(luò),其中conv4_x作為邊界框回歸,conv5_x作為RPN網(wǎng)絡(luò)的輸入.

    (2)未經(jīng)損失函數(shù)調(diào)整的原始邊框回歸(bbox_pred_0)輸入到Four R-CNN的網(wǎng)絡(luò)進行訓(xùn)練,通過下采樣后送到RoI Pooling得到輸電線路目標(biāo)分類得分Lcls_1以及邊框回歸Lbox_1,同理得到第2次調(diào)整的Lcls_2和Lbox_2,第3次調(diào)整的Lcls_3和Lbox_3,前3級檢測網(wǎng)絡(luò)IOU閾值分別設(shè)0.4、0.5、0.6.

    (3)按照第3階段的過程將邊框回歸Lbox_3再次輸入,設(shè)定第4層R-CNN的IOU為0.7,最后得到分類得分Lcls_4和邊框回歸Lbox_4.期間網(wǎng)絡(luò)的訓(xùn)練都是收斂的,得到檢測模型,最后得到電網(wǎng)檢測各類別的概率.

    2.3 輸電線路多目標(biāo)識別

    輸線路多目標(biāo)識別由圖像處理和圖像識別兩部分構(gòu)成,基于樣本生成的Four R-CNN輸電線路多目標(biāo)識別流程,見圖2.

    圖2 輸電線路多目標(biāo)識別流程Fig.2 flowchart of transmission lines multi-objective identification

    輸電線路多目標(biāo)識別主要流程如下.

    (1)提取絕緣子、相間棒、防振錘、鳥窩和絕緣子缺陷樣本,利用旋轉(zhuǎn)、放縮等操作對原始圖像進行增強.

    (2)利用圖像標(biāo)注(Labellmg)進行目標(biāo)標(biāo)注,生成對應(yīng)的可擴展標(biāo)記語言(XML)文件.

    (3)利用開源機器學(xué)習(xí)庫(PyTorch)搭建深度學(xué)習(xí)模型,把XML文件轉(zhuǎn)化COCO格式來滿足Four R-CNN模型的訓(xùn)練要求.

    (4)以模塊化封裝包mmdetection所包含的神經(jīng)網(wǎng)絡(luò)代碼為基礎(chǔ),構(gòu)建基于ResNet101和6層FPN的Four R-CNN訓(xùn)練網(wǎng)絡(luò).

    (5)通過建立的數(shù)據(jù)集對模型進行訓(xùn)練,優(yōu)化相關(guān)參數(shù),使模型的識別效果達到最佳,最后以COCO檢測評價矩陣對模型性能進行評價.

    3 實驗及結(jié)果分析

    3.1 樣本準(zhǔn)備

    采用COCO格式制作數(shù)據(jù)集,共包含18 620張電網(wǎng)巡檢航拍圖像,其中16 320張是通過亮度的改變、尺寸的調(diào)整等方式進行數(shù)據(jù)擴充,再選出的圖像.為了更好地說明實驗的泛化性和檢測精度,采用不同季節(jié)、不同天氣、不同角度、不同時間段的航拍數(shù)據(jù).選擇2 000張航拍圖像作為測試集,在剩余的14 320張航拍圖像中,選取12 888張作為訓(xùn)練集,1 432張作為驗證集.

    3.2 Four R-CNN模型訓(xùn)練

    開發(fā)環(huán)境設(shè)備型號見表3,硬盤存儲空間為4 TB.

    表3 開發(fā)環(huán)境Tab.3 development environment

    實驗采用PyTorch實現(xiàn)雙路GPU分布式訓(xùn)練.通過測試將imgs_per_gpu設(shè)為8,即每次加載8張樣本圖片,workers_per_gpu為2,即每個gpu分配線程數(shù)為2.num_classes設(shè)為10,即分為3種絕緣子、防震錘、相間棒、2類絕緣子缺陷、防震錘缺陷和鳥窩.采用SDG作基礎(chǔ)迭代器,初始學(xué)習(xí)率設(shè)為0.08,迭代1 000次后學(xué)習(xí)率設(shè)為0.001,動量因子設(shè)為0.9,權(quán)重衰減因子設(shè)為0.002.設(shè)P2層、P3層、P4層、P5層、P6層、P7層的錨步分別是10、15、22、33、50、77,框的大小通過K均值進行聚類,使用Four R-CNN以獲得較好的權(quán)重.

    實驗以損失函數(shù)(Loss)作為評判算法收斂效果的依據(jù),Loss值與算法的收斂效果高低成反比.經(jīng)過多次實驗,迭代3 500,損失函數(shù)見圖3.

    圖3 損失函數(shù) Fig.3 loss function

    由圖3可知,本文Loss值為0.023 1,略高于Four R-CNN(ResNet101)網(wǎng)絡(luò)的0.017 2,但均明顯低于其余網(wǎng)絡(luò)模型,表明ResNet101+FPN網(wǎng)絡(luò)模型的收斂效果較好,所采取的網(wǎng)絡(luò)模型在Four R-CNN(ResNet101)網(wǎng)絡(luò)模型的基礎(chǔ)上融合了特征金字塔FPN網(wǎng)絡(luò),雖然犧牲了收斂效果,但更有利于提高輸電線路小目標(biāo)或重疊目標(biāo)識別的準(zhǔn)確度.

    3.3 小目標(biāo)識別結(jié)果

    由于深度學(xué)習(xí)對小目標(biāo)檢測效果不理想,為了驗證小目標(biāo)的檢測效果,采用Four R-CNN在不同的網(wǎng)絡(luò)模型下測試平均準(zhǔn)確率,評價指標(biāo)如下.

    準(zhǔn)確率(查準(zhǔn)率)為

    平均準(zhǔn)確率為

    式(5)~式(6)中,T為被檢正例的正確個數(shù);F為被檢正例的錯誤個數(shù);n為測試樣本總數(shù).

    3.4 多目標(biāo)識別結(jié)果

    為了測試基于數(shù)據(jù)擴充的Four R-CNN輸電線路多目標(biāo)識別技術(shù)在輸電線路目標(biāo)識別和異物定位中的有效性,采用基于ResNet101和6層FPN網(wǎng)絡(luò)的Four R-CNN網(wǎng)絡(luò),對2 000 張測試圖像,進行了多目標(biāo)識別測試,隨機選擇了4 張圖像用于展示檢測結(jié)果,見圖4.其中綠色方框代表著候選區(qū)域的類別以及候選區(qū)域的準(zhǔn)確位置,故障類別主要包括絕緣子缺陷、防振錘和鳥巢等.類別后面的百分?jǐn)?shù)表示置信度,置信度越高,則識別率越高.輸電線路的目標(biāo)識別結(jié)果見表4.

    圖4 多目標(biāo)識別結(jié)果Fig.4 detection results of multi-target

    表4 9類數(shù)據(jù)驗證結(jié)果Tab.4 results of nine types of data validation

    表4中平均準(zhǔn)確率P越大說明模型越好,若P為1表明識別準(zhǔn)確率100%.從驗證結(jié)果知,各類別準(zhǔn)確率的平均值為95.8%.表明本算法可以精確識別出輸電線路各個目標(biāo)情況,解決輸電線路多目標(biāo)檢測任務(wù).表5為算法對比表,采用ResNet101+FPN作為backbone的Four R-CNN在檢測精度上優(yōu)于其他算法,但是檢測速度不高.

    表5 算法對比Tab.5 algorithm comparison

    本網(wǎng)絡(luò)在訓(xùn)練時間和測試速度方面略低于其它算法.Four R-CNN采用多尺度特征融合之后的特征來做預(yù)測,可以在不同層獨立的特征進行預(yù)測,并且上一級的輸出是下一級的輸入,輸入的精度提高,輸出結(jié)果的精度就會隨之提高.

    4 結(jié)論

    針對輸電線路上絕緣子、防振錘等易損件,以及鳥巢等異物的識別,提出了一種基于4層R-CNN的輸電線路多目標(biāo)檢測方法,能對輸電線路巡檢圖像進行多目標(biāo)分類與定位,并利用數(shù)據(jù)擴充技術(shù)構(gòu)建的圖像數(shù)據(jù)集對所提方法進行實驗驗證.

    (1)利用Four R-CNN網(wǎng)絡(luò)較強的深度學(xué)習(xí)能力,同時結(jié)合ResNet101網(wǎng)絡(luò)、6層FPN網(wǎng)絡(luò)的優(yōu)勢,提高輸電線路小目標(biāo)識別準(zhǔn)確度.所提出的訓(xùn)練模型使遠(yuǎn)景目標(biāo)模糊、小目標(biāo)漏檢以及目標(biāo)重疊等問題得到有效解決.

    (2)本文所提方法對3種絕緣子、相間棒、防振錘、鳥巢和2種絕緣子缺陷能夠?qū)崿F(xiàn)端到端的識別,平均準(zhǔn)確度達到95.8%.

    猜你喜歡
    航拍絕緣子特征提取
    航拍下的苗圃與農(nóng)場
    中外文摘(2021年10期)2021-05-31 12:10:40
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    難忘的航拍
    《航拍中國》美得讓人想哭
    Bagging RCSP腦電特征提取算法
    陜西畫報航拍
    陜西畫報(2017年1期)2017-02-11 05:49:48
    1000kV耐張絕緣子串單片絕緣子的帶電更換技術(shù)
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    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
    丝袜喷水一区| 只有这里有精品99| 免费观看a级毛片全部| 久久久午夜欧美精品| 人人妻人人澡人人爽人人夜夜| 亚洲,欧美,日韩| 99精国产麻豆久久婷婷| 我的女老师完整版在线观看| 成人无遮挡网站| 久久久久久人妻| 国产伦理片在线播放av一区| 亚洲美女黄色视频免费看| 一级毛片 在线播放| 99久久中文字幕三级久久日本| 美女主播在线视频| 日韩大片免费观看网站| av在线播放精品| 久久精品久久久久久久性| 亚洲精华国产精华液的使用体验| 亚洲精品乱码久久久久久按摩| 九色成人免费人妻av| 日韩欧美精品免费久久| 在线免费观看不下载黄p国产| 91精品国产国语对白视频| 人人澡人人妻人| 美女福利国产在线| 三上悠亚av全集在线观看 | 午夜福利网站1000一区二区三区| 一本色道久久久久久精品综合| 久久韩国三级中文字幕| 又爽又黄a免费视频| 成人综合一区亚洲| 久久久久久久国产电影| 免费黄网站久久成人精品| 精品久久久噜噜| 一级毛片黄色毛片免费观看视频| 国产成人精品婷婷| 18禁在线无遮挡免费观看视频| 9色porny在线观看| 日韩强制内射视频| 久久综合国产亚洲精品| 日韩 亚洲 欧美在线| 大又大粗又爽又黄少妇毛片口| 女人久久www免费人成看片| 观看av在线不卡| 久久综合国产亚洲精品| 精品99又大又爽又粗少妇毛片| 精品视频人人做人人爽| 80岁老熟妇乱子伦牲交| 国产精品国产av在线观看| 久久精品国产亚洲av涩爱| 你懂的网址亚洲精品在线观看| 夜夜夜夜夜久久久久| 久久精品国产综合久久久| 国产在线一区二区三区精| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲伊人久久精品综合| 国产成人一区二区三区免费视频网站| 91老司机精品| 999久久久国产精品视频| 亚洲精品粉嫩美女一区| 亚洲伊人久久精品综合| 精品久久久精品久久久| 美女中出高潮动态图| 最近中文字幕2019免费版| 69av精品久久久久久 | 久久99一区二区三区| 午夜精品久久久久久毛片777| 国产高清国产精品国产三级| 午夜两性在线视频| 视频区欧美日本亚洲| 久久久久国内视频| 欧美人与性动交α欧美精品济南到| 如日韩欧美国产精品一区二区三区| 男人操女人黄网站| 欧美大码av| 国产精品99久久99久久久不卡| 亚洲精品久久成人aⅴ小说| 交换朋友夫妻互换小说| svipshipincom国产片| 亚洲专区国产一区二区| 亚洲第一青青草原| 久久国产精品大桥未久av| 99精国产麻豆久久婷婷| 天天操日日干夜夜撸| 亚洲国产av影院在线观看| 9191精品国产免费久久| 亚洲精品久久成人aⅴ小说| 男女边摸边吃奶| 搡老乐熟女国产| 韩国高清视频一区二区三区| 日韩精品免费视频一区二区三区| 国产精品国产av在线观看| 亚洲久久久国产精品| 中文字幕人妻丝袜制服| 精品国产乱码久久久久久小说| 热re99久久国产66热| 亚洲伊人色综图| 国产精品一区二区在线观看99| 精品一区二区三区四区五区乱码| 老熟妇乱子伦视频在线观看 | 天天操日日干夜夜撸| 国产一区二区三区av在线| 后天国语完整版免费观看| 精品久久蜜臀av无| 搡老熟女国产l中国老女人| 亚洲第一av免费看| 欧美日韩视频精品一区| 国产精品久久久久成人av| 国产又爽黄色视频| 亚洲一区二区三区欧美精品| 亚洲中文日韩欧美视频| 成人av一区二区三区在线看 | 欧美日韩成人在线一区二区| 中文字幕人妻熟女乱码| 国产精品免费大片| 黄色 视频免费看| 捣出白浆h1v1| 99热国产这里只有精品6| 黑人操中国人逼视频| 午夜影院在线不卡| 老鸭窝网址在线观看| 久久九九热精品免费| 国产成人一区二区三区免费视频网站| 法律面前人人平等表现在哪些方面 | av国产精品久久久久影院| 亚洲国产精品成人久久小说| 人妻一区二区av| 99精品久久久久人妻精品| 在线观看舔阴道视频| 日韩视频在线欧美| 免费在线观看黄色视频的| 王馨瑶露胸无遮挡在线观看| 国产精品国产av在线观看| 人成视频在线观看免费观看| 免费在线观看黄色视频的| 大片电影免费在线观看免费| 黄片播放在线免费| 一二三四在线观看免费中文在| a级片在线免费高清观看视频| 亚洲色图 男人天堂 中文字幕| 国产1区2区3区精品| 天天躁狠狠躁夜夜躁狠狠躁| 成人手机av| 91精品国产国语对白视频| 99久久人妻综合| a级片在线免费高清观看视频| www.av在线官网国产| 男女边摸边吃奶| 日本vs欧美在线观看视频| 欧美激情久久久久久爽电影 | 在线观看人妻少妇| 日韩欧美一区二区三区在线观看 | 欧美国产精品va在线观看不卡| 日韩欧美一区视频在线观看| 18禁黄网站禁片午夜丰满| 日韩免费高清中文字幕av| 国产真人三级小视频在线观看| 超色免费av| 脱女人内裤的视频| 国产精品一区二区精品视频观看| 亚洲国产欧美日韩在线播放| 亚洲欧美色中文字幕在线| 日韩视频一区二区在线观看| 成人国语在线视频| 亚洲精品中文字幕在线视频| 啪啪无遮挡十八禁网站| 亚洲欧美一区二区三区久久| 亚洲视频免费观看视频| 首页视频小说图片口味搜索| 日韩中文字幕欧美一区二区| 国产亚洲精品久久久久5区| av福利片在线| 男女高潮啪啪啪动态图| 热re99久久国产66热| 老汉色∧v一级毛片| 精品少妇黑人巨大在线播放| 久久久久视频综合| 欧美日韩亚洲高清精品| 1024视频免费在线观看| 亚洲专区字幕在线| 久久久久精品人妻al黑| www.精华液| 婷婷色av中文字幕| 黄色视频不卡| 又大又爽又粗| 精品久久久久久电影网| 男女高潮啪啪啪动态图| 欧美日韩av久久| 一区二区日韩欧美中文字幕| 夜夜夜夜夜久久久久| 一边摸一边做爽爽视频免费| 女性生殖器流出的白浆| 国产亚洲午夜精品一区二区久久| 久久人人97超碰香蕉20202| 国产三级黄色录像| 18在线观看网站| 亚洲成国产人片在线观看| 成人影院久久| 日韩一区二区三区影片| 最近中文字幕2019免费版| 国产高清videossex| 老熟女久久久| 亚洲天堂av无毛| 老司机深夜福利视频在线观看 | 久久ye,这里只有精品| 妹子高潮喷水视频| 一本一本久久a久久精品综合妖精| 天天添夜夜摸| 亚洲av国产av综合av卡| 熟女少妇亚洲综合色aaa.| 动漫黄色视频在线观看| 久久精品国产亚洲av高清一级| 久久午夜综合久久蜜桃| 日本91视频免费播放| 欧美精品一区二区免费开放| av在线播放精品| 午夜免费成人在线视频| 国产不卡av网站在线观看| 视频区欧美日本亚洲| 久久精品久久久久久噜噜老黄| 免费在线观看日本一区| 99国产精品99久久久久| 国产欧美日韩一区二区精品| 法律面前人人平等表现在哪些方面 | 女性被躁到高潮视频| 欧美97在线视频| 国产在线免费精品| 日本av免费视频播放| 午夜免费鲁丝| 十八禁高潮呻吟视频| 国产成人影院久久av| 9191精品国产免费久久| 岛国毛片在线播放| 久久影院123| 天天躁狠狠躁夜夜躁狠狠躁| 精品一区二区三区四区五区乱码| 丝袜在线中文字幕| 大香蕉久久成人网| 亚洲va日本ⅴa欧美va伊人久久 | 久久久久久久久免费视频了| 国产av一区二区精品久久| 欧美日韩福利视频一区二区| 亚洲欧美日韩另类电影网站| 少妇裸体淫交视频免费看高清 | 午夜影院在线不卡| 99久久精品国产亚洲精品| 久久久久国产精品人妻一区二区| 国内毛片毛片毛片毛片毛片| 亚洲中文日韩欧美视频| 日韩,欧美,国产一区二区三区| 国产精品欧美亚洲77777| 久久人人97超碰香蕉20202| 亚洲精品久久久久久婷婷小说| 亚洲中文日韩欧美视频| 考比视频在线观看| 成年人黄色毛片网站| 久久亚洲精品不卡| 欧美激情极品国产一区二区三区| 免费观看a级毛片全部| 女人爽到高潮嗷嗷叫在线视频| 宅男免费午夜| 国产精品 欧美亚洲| 精品亚洲乱码少妇综合久久| 日本一区二区免费在线视频| 欧美日韩黄片免| 美女大奶头黄色视频| 啦啦啦视频在线资源免费观看| 蜜桃在线观看..| 久久久久视频综合| www.自偷自拍.com| 欧美日韩视频精品一区| 久久久精品区二区三区| 国产成人影院久久av| 久久久久网色| 狠狠狠狠99中文字幕| 日日夜夜操网爽| 热99久久久久精品小说推荐| 多毛熟女@视频| 97在线人人人人妻| 日本一区二区免费在线视频| 老熟妇仑乱视频hdxx| 久久久久久久久久久久大奶| 老熟妇乱子伦视频在线观看 | 狂野欧美激情性xxxx| 亚洲国产成人一精品久久久| 精品福利永久在线观看| 又黄又粗又硬又大视频| 午夜福利在线免费观看网站| 久久青草综合色| a级片在线免费高清观看视频| 欧美日韩亚洲国产一区二区在线观看 | 老司机福利观看| 自线自在国产av| 亚洲五月婷婷丁香| 国产精品免费视频内射| 亚洲精华国产精华精| 免费在线观看视频国产中文字幕亚洲 | 久久久久精品国产欧美久久久 | av片东京热男人的天堂| 97在线人人人人妻| 菩萨蛮人人尽说江南好唐韦庄| 国产精品久久久久久精品古装| 久久久久国内视频| 亚洲精品成人av观看孕妇| 久久99一区二区三区| 精品久久久精品久久久| 丝袜美腿诱惑在线| 在线观看舔阴道视频| 成人免费观看视频高清| 中文字幕av电影在线播放| 99精品欧美一区二区三区四区| 亚洲精品国产色婷婷电影| 成年动漫av网址| 久久久久国产一级毛片高清牌| 黑人巨大精品欧美一区二区蜜桃| 国产国语露脸激情在线看| 免费在线观看影片大全网站| 美女主播在线视频| 欧美亚洲日本最大视频资源| 欧美日韩视频精品一区| 婷婷色av中文字幕| 69精品国产乱码久久久| 在线亚洲精品国产二区图片欧美| 午夜精品久久久久久毛片777| 性色av一级| 亚洲av国产av综合av卡| 国产精品国产三级国产专区5o| 母亲3免费完整高清在线观看| 亚洲自偷自拍图片 自拍| 美女脱内裤让男人舔精品视频| 啦啦啦在线免费观看视频4| 亚洲第一青青草原| 亚洲欧洲精品一区二区精品久久久| 精品国产一区二区三区四区第35| 免费久久久久久久精品成人欧美视频| 在线观看免费视频网站a站| 各种免费的搞黄视频| 99久久人妻综合| 亚洲欧美成人综合另类久久久| 动漫黄色视频在线观看| 波多野结衣一区麻豆| 国产亚洲一区二区精品| 天天操日日干夜夜撸| 两性午夜刺激爽爽歪歪视频在线观看 | 妹子高潮喷水视频| 麻豆国产av国片精品| 超碰97精品在线观看| 汤姆久久久久久久影院中文字幕| 久久国产精品影院| 久久精品亚洲av国产电影网| 欧美日韩精品网址| 亚洲精品自拍成人| 日韩一区二区三区影片| 亚洲色图 男人天堂 中文字幕| 热re99久久精品国产66热6| 免费看十八禁软件| 国产亚洲精品一区二区www | h视频一区二区三区| 日韩中文字幕视频在线看片| 91成人精品电影| 波多野结衣一区麻豆| 美女视频免费永久观看网站| av超薄肉色丝袜交足视频| 欧美激情久久久久久爽电影 | www.熟女人妻精品国产| 国产av一区二区精品久久| 久久久精品94久久精品| kizo精华| 精品少妇久久久久久888优播| 欧美黑人欧美精品刺激| 日日摸夜夜添夜夜添小说| 国产精品.久久久| av天堂久久9| 国产伦理片在线播放av一区| av国产精品久久久久影院| 天天影视国产精品| svipshipincom国产片| 热99久久久久精品小说推荐| 久久ye,这里只有精品| 亚洲精品久久成人aⅴ小说| 亚洲第一欧美日韩一区二区三区 | 日本黄色日本黄色录像| 国产成人av激情在线播放| 十八禁网站网址无遮挡| 亚洲中文日韩欧美视频| 俄罗斯特黄特色一大片| 超碰成人久久| 亚洲黑人精品在线| 日韩中文字幕欧美一区二区| 欧美精品一区二区免费开放| 91字幕亚洲| 日韩一卡2卡3卡4卡2021年| 国产精品影院久久| 亚洲国产欧美在线一区| 另类亚洲欧美激情| 人人澡人人妻人| 一区二区日韩欧美中文字幕| 老司机午夜十八禁免费视频| 亚洲五月色婷婷综合| 精品人妻熟女毛片av久久网站| 成人国语在线视频| 日韩一区二区三区影片| 俄罗斯特黄特色一大片| 91老司机精品| 日韩精品免费视频一区二区三区| 午夜老司机福利片| 秋霞在线观看毛片| 少妇裸体淫交视频免费看高清 | 日本av免费视频播放| 女人爽到高潮嗷嗷叫在线视频| 两个人免费观看高清视频| 极品人妻少妇av视频| 在线亚洲精品国产二区图片欧美| 日本vs欧美在线观看视频| 国产一区有黄有色的免费视频| 桃花免费在线播放| 中文字幕制服av| 汤姆久久久久久久影院中文字幕| 日日爽夜夜爽网站| 日韩欧美一区视频在线观看| 99热国产这里只有精品6| 亚洲五月色婷婷综合| 成年美女黄网站色视频大全免费| 窝窝影院91人妻| 日韩 欧美 亚洲 中文字幕| 国产精品秋霞免费鲁丝片| 妹子高潮喷水视频| 男女免费视频国产| 男男h啪啪无遮挡| 国产免费av片在线观看野外av| 国产极品粉嫩免费观看在线| 曰老女人黄片| 亚洲av电影在线进入| 国产日韩一区二区三区精品不卡| 啦啦啦免费观看视频1| 久久精品久久久久久噜噜老黄| 国产视频一区二区在线看| 永久免费av网站大全| 亚洲国产欧美网| 成年美女黄网站色视频大全免费| 侵犯人妻中文字幕一二三四区| 国产一区二区三区av在线| 国产日韩欧美视频二区| 日本精品一区二区三区蜜桃| 别揉我奶头~嗯~啊~动态视频 | 国产精品自产拍在线观看55亚洲 | 日本vs欧美在线观看视频| 午夜影院在线不卡| 伦理电影免费视频| 大香蕉久久网| 久久精品亚洲熟妇少妇任你| a在线观看视频网站| 亚洲国产成人一精品久久久| 久久久久视频综合| 宅男免费午夜| 午夜日韩欧美国产| 亚洲一码二码三码区别大吗| 免费在线观看视频国产中文字幕亚洲 | 午夜福利在线观看吧| 一本大道久久a久久精品| 91精品三级在线观看| 精品一区在线观看国产| 国产xxxxx性猛交| 伦理电影免费视频| 国产精品.久久久| 亚洲自偷自拍图片 自拍| 老鸭窝网址在线观看| 999精品在线视频| 99热网站在线观看| 少妇被粗大的猛进出69影院| 免费一级毛片在线播放高清视频 | 亚洲精品美女久久av网站| 久久ye,这里只有精品| 精品国产一区二区三区四区第35| 老司机午夜十八禁免费视频| 不卡一级毛片| 如日韩欧美国产精品一区二区三区| 999久久久国产精品视频| 国产97色在线日韩免费| 在线永久观看黄色视频| 在线观看免费高清a一片| 国产免费福利视频在线观看| 亚洲精品在线美女| 十分钟在线观看高清视频www| 午夜免费观看性视频| 91老司机精品| 中文字幕另类日韩欧美亚洲嫩草| www日本在线高清视频| 精品国产乱码久久久久久男人| 中文字幕高清在线视频| 91精品三级在线观看| 中国国产av一级| 搡老熟女国产l中国老女人| 深夜精品福利| 黄色a级毛片大全视频| 欧美激情 高清一区二区三区| 免费av中文字幕在线| 成年动漫av网址| 国产一区二区 视频在线| 老司机影院毛片| 黄色视频在线播放观看不卡| 精品国产乱码久久久久久小说| 国产精品影院久久| 日韩一卡2卡3卡4卡2021年| 久久久久久久国产电影| 最新的欧美精品一区二区| 一级a爱视频在线免费观看| a级毛片在线看网站| 侵犯人妻中文字幕一二三四区| 久久久久久久久久久久大奶| 久久久久国产精品人妻一区二区| 18禁黄网站禁片午夜丰满| 久久狼人影院| 精品国产乱子伦一区二区三区 | 欧美精品亚洲一区二区| 久久免费观看电影| 亚洲 国产 在线| 美女扒开内裤让男人捅视频| 精品人妻在线不人妻| 国产亚洲午夜精品一区二区久久| 国产又爽黄色视频| 欧美一级毛片孕妇| 国产真人三级小视频在线观看| 高清av免费在线| 美女中出高潮动态图| 久久久国产一区二区| 久久国产精品男人的天堂亚洲| 免费不卡黄色视频| 在线亚洲精品国产二区图片欧美| 99精品久久久久人妻精品| 午夜视频精品福利| 热99re8久久精品国产| 亚洲成人免费av在线播放| 久久国产精品人妻蜜桃| 最近中文字幕2019免费版| 午夜两性在线视频| 18禁裸乳无遮挡动漫免费视频| 欧美黄色片欧美黄色片| 美国免费a级毛片| 久久精品亚洲av国产电影网| 丝袜喷水一区| 久久久久久久精品精品| 视频区欧美日本亚洲| 99久久99久久久精品蜜桃| 大香蕉久久网| 国产1区2区3区精品| 国产精品一区二区在线观看99| 午夜福利视频精品| 日韩视频一区二区在线观看| 亚洲欧美清纯卡通| 免费高清在线观看视频在线观看| 精品亚洲成a人片在线观看| 久久国产精品人妻蜜桃| 男女之事视频高清在线观看| 黄色 视频免费看| 久久久国产一区二区| 五月开心婷婷网| 久久久久国产精品人妻一区二区| 免费不卡黄色视频| 深夜精品福利| 色老头精品视频在线观看| 国产极品粉嫩免费观看在线| 欧美变态另类bdsm刘玥| 一区二区三区四区激情视频| 天天添夜夜摸| 欧美精品啪啪一区二区三区 | 日韩中文字幕视频在线看片| 日本欧美视频一区| 亚洲精品国产一区二区精华液| 国产不卡av网站在线观看| 国产免费视频播放在线视频| 国产成人精品无人区| 亚洲国产成人一精品久久久| 免费av中文字幕在线| 俄罗斯特黄特色一大片| 欧美亚洲日本最大视频资源| 日本猛色少妇xxxxx猛交久久| 国产成人精品在线电影| 丰满饥渴人妻一区二区三| 成年女人毛片免费观看观看9 | 美女视频免费永久观看网站| 热99re8久久精品国产| 丝袜喷水一区| 午夜激情久久久久久久| 考比视频在线观看| 黄片播放在线免费| 亚洲国产日韩一区二区| 午夜日韩欧美国产| 日本a在线网址| 亚洲精品第二区| 精品国产一区二区久久| 免费在线观看完整版高清| 国产老妇伦熟女老妇高清| 久久这里只有精品19| 一本一本久久a久久精品综合妖精| 久久久久网色| 精品久久久久久电影网| 国产xxxxx性猛交| 91大片在线观看| 亚洲中文av在线| 一本久久精品| 国产福利在线免费观看视频| 九色亚洲精品在线播放| a在线观看视频网站| 妹子高潮喷水视频| 人妻久久中文字幕网| 国产一区二区三区在线臀色熟女 | 国产区一区二久久| 欧美激情极品国产一区二区三区| 秋霞在线观看毛片| 欧美一级毛片孕妇| 老司机影院毛片| 丝袜在线中文字幕| 亚洲欧洲精品一区二区精品久久久|