• <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 ?

    面向輕量化的地基云圖分割技術(shù)研究

    2022-09-23 01:49:32賈克斌
    測控技術(shù) 2022年9期
    關(guān)鍵詞:云圖卷積特征

    張 雪, 賈克斌, 劉 鈞, 張 亮

    (1.北京工業(yè)大學(xué) 信息學(xué)部,北京 100124;2.先進(jìn)信息網(wǎng)絡(luò)北京實(shí)驗(yàn)室,北京 100124;3.華云升達(dá)(北京)氣象科技有限公司,北京 102299)

    云作為一種重要?dú)庀笠蛩?,是水氣循環(huán)的中間環(huán)節(jié),不同形態(tài)和數(shù)量的云常伴隨不同的天氣現(xiàn)象,因此云量的觀測對(duì)天氣預(yù)測具有一定的指導(dǎo)意義。云量檢測是檢測云體積的大小,用云體遮蔽天空視野成數(shù)的指標(biāo)來衡量云量。準(zhǔn)確分割云圖,獲取有效的云量信息,不僅能提升天氣預(yù)報(bào)的準(zhǔn)確性,也為飛行保障、人工增雨等提供幫助[1]。

    目前云圖來源有衛(wèi)星遙感觀測得到的云圖和地基觀測得到的云圖,本研究針對(duì)從地面觀測得到的地基云圖,它有形狀、結(jié)構(gòu)、紋理等精細(xì)的云體細(xì)節(jié)信息,能更有效地分割云圖、檢測云量,進(jìn)而有效輔助局部區(qū)域內(nèi)的天氣預(yù)測。近幾年,地基云圖的觀測主要靠人工目測,由觀測員根據(jù)自己的經(jīng)驗(yàn)對(duì)觀測到的云量進(jìn)行判斷,但這個(gè)方法存在受主觀意識(shí)和情緒干擾、成本高等弊端,所以基于地基云圖的云量自動(dòng)檢測方法逐漸發(fā)展起來,而云圖分割是實(shí)現(xiàn)云量自動(dòng)化檢測的關(guān)鍵步驟。

    近年來,不少學(xué)者提出了越來越多的云圖分割方法,最初提出基于閾值的分割方法,Yamashita等[2]通過定義天空指數(shù)SI和亮度指數(shù)BI,用SI和BI閾值將云和天空分開;周文君等[3]用全天空成像儀觀測云量,通過統(tǒng)計(jì)分析像素點(diǎn)紅藍(lán)比值,設(shè)定閾值小于0.62為晴空,閾值大于0.66為云體;Zhu等[4]提出一種局部閾值算法,根據(jù)不同區(qū)域的特征使用不同的閾值來區(qū)分云體和天空,提高了云圖分割精度。

    隨著深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,越來越多的深度學(xué)習(xí)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法被用到地基云圖的檢測上。毋立芳等[5]提出一種基于超像素分析的全卷積網(wǎng)絡(luò)(Fully Convolutional Networks,FCN)和深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)結(jié)合的FCN-CNN云圖分割方法,該方法首先通過超像素分析實(shí)現(xiàn)云圖每個(gè)像素點(diǎn)近領(lǐng)域的聚類,然后將聚類結(jié)果輸入FCN-CNN,可以得到較精確的分割結(jié)果。沈慧想等[6]提出一種對(duì)稱式密集連接卷積神經(jīng)網(wǎng)絡(luò)對(duì)云圖進(jìn)行分割,該方法首先通過普通卷積提取云圖特征,然后經(jīng)過密集連接塊和上采樣模塊處理特征圖,最后并聯(lián)融合網(wǎng)絡(luò)淺層和深層特征,實(shí)現(xiàn)云圖分割,該方法在一定程度上提高了地基云圖分割的精度,但是模型參數(shù)量太大,嚴(yán)重影響了訓(xùn)練速度。Dev等[7]利用Encoder-Decoder架構(gòu),提出了一種基于深度學(xué)習(xí)的云圖分割網(wǎng)絡(luò)CloudSegNet,使云圖分割準(zhǔn)確率達(dá)到了94%。

    隨著卷積神經(jīng)網(wǎng)絡(luò)在圖像分割領(lǐng)域發(fā)展得越來越成熟,也有不少卷積神經(jīng)網(wǎng)絡(luò)用于云圖分割技術(shù),通過對(duì)大量數(shù)據(jù)的學(xué)習(xí),提取精細(xì)的云體特征,使網(wǎng)絡(luò)魯棒性更高、泛化能力更強(qiáng),進(jìn)而達(dá)到更佳的分割效果。但現(xiàn)有云圖分割網(wǎng)絡(luò)模型參數(shù)量較大,運(yùn)算復(fù)雜度較高,導(dǎo)致訓(xùn)練速度慢,難以實(shí)際部署。因此研究一種低參數(shù)量、低顯存占用的云圖分割技術(shù),實(shí)現(xiàn)云圖的精準(zhǔn)分割對(duì)研究氣候變化、天氣預(yù)測等氣象領(lǐng)域問題具有極大的實(shí)際應(yīng)用價(jià)值。本文構(gòu)建了標(biāo)準(zhǔn)GT地基云圖數(shù)據(jù)集HBMCD_GT,基于這一數(shù)據(jù)集,提出了一種基于地基云圖的輕量化分割網(wǎng)絡(luò)LGCSegNet(Lightweight Ground-Based Cloud Image Segmentation Network),可以在低運(yùn)算量前提下更好地提取云體特征信息,實(shí)現(xiàn)對(duì)云圖的精確分割。

    1 數(shù)據(jù)集

    1.1 數(shù)據(jù)集構(gòu)建

    本文構(gòu)建的云圖分割數(shù)據(jù)集HBMCD_GT是在HBMCD數(shù)據(jù)集[8]作為原圖片的基礎(chǔ)上進(jìn)行構(gòu)建的,具體構(gòu)建步驟如圖1所示。

    圖1 HBMCD_GT數(shù)據(jù)集構(gòu)建流程

    HBMCD數(shù)據(jù)集中的圖片大多是白天云圖,會(huì)有很強(qiáng)的太陽光,嚴(yán)重干擾了云圖分割,因此為了構(gòu)建標(biāo)準(zhǔn)的GT地基云圖數(shù)據(jù)集,主要有以下兩個(gè)步驟:① 訓(xùn)練一個(gè)分割效果較好的分割網(wǎng)絡(luò),輔助云圖分割;② 將云圖YCrCb的Y通道分量進(jìn)行閾值分割后的結(jié)果與云圖分割的0-1圖像矩陣相與,再進(jìn)行人工校準(zhǔn)標(biāo)注,最后得到精準(zhǔn)的GT圖。

    上述步驟①的流程如圖1(a)所示,選用分割效果表現(xiàn)出色的UNet作為預(yù)訓(xùn)練網(wǎng)絡(luò),用開源的分割數(shù)據(jù)集SWIMSEG[9]和SWINSEG[10]作為訓(xùn)練數(shù)據(jù),但是這兩個(gè)數(shù)據(jù)集中圖片數(shù)量都比較少,為了保證訓(xùn)練網(wǎng)絡(luò)的性能,將上述兩個(gè)數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增,用擴(kuò)增后的數(shù)據(jù)來訓(xùn)練UNet網(wǎng)絡(luò),擴(kuò)增前后數(shù)據(jù)如表1所示。

    表1 數(shù)據(jù)集擴(kuò)增前后數(shù)據(jù)量對(duì)比

    標(biāo)準(zhǔn)GT地基云圖數(shù)據(jù)集構(gòu)建步驟②的流程如圖1(b)所示,首先將HBMCD的原始圖片輸入預(yù)訓(xùn)練網(wǎng)絡(luò)UNet,得到0-1圖像矩陣;接著將原始圖片在YCrCb顏色空間提取Y通道分量,然后利用閾值判斷太陽光和云體,大于閾值判斷為太陽光,小于閾值判斷為云體;最后將閾值判斷結(jié)果與0-1圖像矩陣相與,達(dá)到去除太陽光的目的,效果如圖2所示。

    圖2 分割數(shù)據(jù)集制作步驟分割效果圖

    為保證數(shù)據(jù)集的置信度,通過對(duì)分割圖逐張進(jìn)行人工校準(zhǔn)標(biāo)注,最后形成標(biāo)準(zhǔn)的HBMCD_GT數(shù)據(jù)集。

    1.2 數(shù)據(jù)集對(duì)比

    將現(xiàn)有的開源云圖分割數(shù)據(jù)集與本文構(gòu)建的數(shù)據(jù)集進(jìn)行對(duì)比,如表2所示,SWIMSEG數(shù)據(jù)集是白天地基云圖的原圖和GT圖,而SWINSEG數(shù)據(jù)集是夜晚地基云圖的原圖和GT圖。以上兩個(gè)數(shù)據(jù)集中云圖的GT圖數(shù)量比較少,本文構(gòu)建的數(shù)據(jù)集既包含白天云圖的GT圖也包含夜晚云圖的GT圖,圖片數(shù)量較多,為后續(xù)云量檢測提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

    表2 數(shù)據(jù)集比較

    2 輕量化地基云圖分割網(wǎng)絡(luò)模型

    由于現(xiàn)有云圖分割方法分割效果不佳,無法解決太陽光干擾,并且網(wǎng)絡(luò)模型參數(shù)量和運(yùn)算復(fù)雜度高,不便于實(shí)際部署應(yīng)用,因此采用在語義分割上表現(xiàn)較好的Encoder-Decoder框架思想構(gòu)建本文網(wǎng)絡(luò)模型LGCSegNet,網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖片輸入網(wǎng)絡(luò)后,首先進(jìn)入Encoder模塊,通過一層3×3卷積和最大池化層提取圖像淺層特征信息,然后通過特征提取單元和下采樣單元提取圖像深層特征。為了提升神經(jīng)網(wǎng)絡(luò)特征提取的效果,在加深網(wǎng)絡(luò)深度的前提下保證網(wǎng)絡(luò)參數(shù)量盡可能小,通過重復(fù)4次Down-Conv達(dá)到目的,每個(gè)Down-Conv模塊由不同個(gè)數(shù)的特征提取單元和一個(gè)下采樣單元組成,經(jīng)過4個(gè)Down-Conv模塊后,特征進(jìn)入一個(gè)1×1的卷積;接著進(jìn)入Decoder部分,該部分采用了4個(gè)Up-Conv的上采樣單元和1個(gè)final Up-Conv的上采樣單元,在Up-Conv上采樣單元中也使用了膨脹卷積,能有效降低參數(shù)量,避免特征損失。

    圖3 LGCSegNet網(wǎng)絡(luò)結(jié)構(gòu)

    2.1 Encoder模塊

    在Encoder模塊中利用卷積層和池化層提取不同尺度的特征,其流程為:224×224的輸入圖像首先經(jīng)過一個(gè)3×3卷積層和最大池化層得到112×112大小的圖像特征,然后再通過4個(gè)Down-Conv模塊,每個(gè)Down-Conv模塊的輸出特征大小是輸入該模塊特征的一半,最后經(jīng)過一個(gè)1×1卷積得到7×7大小的特征。其中4個(gè)Down-Conv模塊構(gòu)成了Encoder模塊特征提取的主要部分,而每個(gè)Down-Conv本質(zhì)是由不同個(gè)數(shù)的特征提取單元和一個(gè)下采樣單元構(gòu)成,所以特征提取單元和下采樣單元的設(shè)計(jì)是本文網(wǎng)絡(luò)設(shè)計(jì)的重要環(huán)節(jié)之一。

    為了減少參數(shù)量,本文借鑒MobileNet[11]的設(shè)計(jì)思想,在特征提取單元中采用深度可分離卷積,其基本思想是把標(biāo)準(zhǔn)卷積分解成深度卷積(Depthwise Convolution,DWConv)和1×1逐點(diǎn)卷積(Pointwise Convolution),先用深度卷積實(shí)現(xiàn)每個(gè)卷積核對(duì)應(yīng)一個(gè)輸入通道,然后再用1×1的逐點(diǎn)卷積來組合不同通道深度卷積輸出的信息,這個(gè)過程不僅可以有效減少參數(shù)計(jì)算量和模型大小,而且還保證了特征提取單元的寬度和深度。為了提取更多豐富的云體結(jié)構(gòu)特征,在深度卷積中加入不同膨脹率的膨脹卷積(Dilated Convolution),使模型在同一層有不同的感受野,有效降低模型深度。本文還使用了跳躍連接提取殘差特征,最后,使用通道打亂方法打亂通道間信息,彌補(bǔ)了通道連接帶來的損失,接著利用一個(gè)全局平均池化和兩個(gè)全連接層對(duì)打亂后的通道進(jìn)行整體特征提取,并將輸出結(jié)果與原通道特征圖進(jìn)行逐元素相乘,實(shí)現(xiàn)通道權(quán)重分配,提升模型能力,這就是注意力機(jī)制(Attention)[12],特征提取單元模型設(shè)計(jì)如圖4所示。

    圖4 特征提取單元模型

    在下采樣單元中,首先通過一個(gè)1×1卷積整合通道間信息,然后同時(shí)經(jīng)過3×3的平均池化和最大池化,提取局部區(qū)域的整體和輪廓信息,保留主要的特征信息,降低信息冗余,完成不同尺度特征的下采樣。接著將平均池化和最大池化的輸出分別經(jīng)過一個(gè)1×1卷積后實(shí)現(xiàn)通道相連,增加通道寬度,下采樣單元網(wǎng)絡(luò)模型設(shè)計(jì)如圖5所示。

    圖5 下采樣單元網(wǎng)絡(luò)模型

    2.2 Decoder模塊

    為了重現(xiàn)提取的特征,需要將Encoder模塊得到的特征經(jīng)過上采樣單元還原到圖像原始尺寸,這個(gè)過程稱為Decoder。在本文中,使用了4個(gè)Up-Conv和1個(gè)final Up-Conv上采樣單元,為了減少模型參數(shù)量,在Up-Conv中,首先經(jīng)過一個(gè)1×1卷積,再經(jīng)過上采樣增大特征尺寸,最后通過一個(gè)深度卷積和膨脹率為1的膨脹卷積,如圖6(a)所示;而與Up-Conv結(jié)構(gòu)相比final Up-Conv只是將深度卷積和膨脹卷積換成了普通的3×3卷積,如圖6(b)所示。由于深度卷積在減少參數(shù)量的同時(shí)可能會(huì)損失一些特征,所以采用concatenate方法將Encoder模塊與Decoder模塊具有相同尺度特征的通道進(jìn)行合并,以實(shí)現(xiàn)更精細(xì)的圖像特征重現(xiàn)。

    圖6 上采樣單元網(wǎng)絡(luò)模型

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)配置

    為了滿足實(shí)驗(yàn)過程中快速處理數(shù)據(jù)的要求,本文實(shí)驗(yàn)在實(shí)驗(yàn)室GPU上進(jìn)行,在處理器為Intel?Xeon?Silver 4114 CPU @2.20 GHz,運(yùn)行內(nèi)存為32 GB DDR4,顯卡為Nvidia GeForce RTX 2080的硬件環(huán)境下,搭建Ubuntu 18.04的操作系統(tǒng),并在該操作系統(tǒng)上用Pytorch 1.4框架和Python 3.7搭建網(wǎng)絡(luò),實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和測試。

    本文將HBMCD數(shù)據(jù)集中11000張圖片和本文構(gòu)建的對(duì)應(yīng)HBMCD_GT作為數(shù)據(jù)集,為了讓模型充分學(xué)習(xí)云圖特征,達(dá)到較好的實(shí)驗(yàn)效果,將訓(xùn)練集、驗(yàn)證集、測試集按8∶1∶1的比例分開。網(wǎng)絡(luò)訓(xùn)練批次batch_size設(shè)為32,訓(xùn)練迭代次數(shù)epoch設(shè)為100,學(xué)習(xí)率為0.01,損失函數(shù)是交叉熵函數(shù),優(yōu)化器是Adam,為了避免實(shí)驗(yàn)過擬合,在訓(xùn)練時(shí)使用early stop,當(dāng)?shù)螖?shù)達(dá)到20次時(shí),若驗(yàn)證損失依然沒有減小,就停止訓(xùn)練。

    本文實(shí)驗(yàn)評(píng)價(jià)指標(biāo)是像素準(zhǔn)確率(Pixel Accuracy,PA)、平均交并比(Mean Intersection over Union,MIoU),其計(jì)算公式為

    (1)

    (2)

    式中:TP(True Positive)為被模型分類正確的正樣本;TN(True Negative)為被模型分類正確的負(fù)樣本;FN(False Negative)為被模型分類錯(cuò)誤的正樣本;FP(False Positive)為被模型分類錯(cuò)誤的負(fù)樣本;n為類別數(shù)。為了保證最終實(shí)驗(yàn)結(jié)果的可信度,重復(fù)6次實(shí)驗(yàn)并取其均值作為每個(gè)實(shí)驗(yàn)指標(biāo)的最終結(jié)果。

    3.2 實(shí)驗(yàn)結(jié)果及分析

    將網(wǎng)絡(luò)分割效果圖與原圖、GroundTruth真值圖進(jìn)行對(duì)比,如圖7所示,本文所提出的模型LGCSegNet能分割出大部分的云體,只有一些與天空顏色相近的云體和絲縷狀云體難以被分割出來。

    圖7 網(wǎng)絡(luò)云圖分割結(jié)果

    為了證明本文模型LGCSegNet在地基云圖上較優(yōu)的分割效果,將本文模型和幾種在語義分割上表現(xiàn)優(yōu)秀的經(jīng)典網(wǎng)絡(luò)進(jìn)行對(duì)比,主要對(duì)比指標(biāo)是像素準(zhǔn)確率和平均交并比,對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

    表3 網(wǎng)絡(luò)性能比較 單位:%

    從表3中可以看出,RefineNet、DeepLab-V3、PSPNet和SegNet網(wǎng)絡(luò)的分割準(zhǔn)確率和平均交并比遠(yuǎn)小于LGCSegNet網(wǎng)絡(luò);雖然經(jīng)典的分割網(wǎng)絡(luò)UNet和FCN的分割準(zhǔn)確率只比LGCSegNet網(wǎng)絡(luò)低1%左右,但是其平均交并比低于LGCSegNet網(wǎng)絡(luò)近3%,所以本文提出的模型LGCSegNet具有最高的分割準(zhǔn)確率和平均交并比,也證明了模型LGCSegNet有較優(yōu)的分割效果。

    接著將上述的幾種網(wǎng)絡(luò)在參數(shù)量、運(yùn)算量和單張圖像預(yù)測耗時(shí)上進(jìn)行對(duì)比,結(jié)果如表4所示,其中運(yùn)算量是網(wǎng)絡(luò)模型的浮點(diǎn)運(yùn)算次數(shù),也就是網(wǎng)絡(luò)模型的時(shí)間復(fù)雜度,它決定了模型的預(yù)測時(shí)間,時(shí)間復(fù)雜度越大,模型預(yù)測的時(shí)間就越長。

    從表4中可以看出,除了本文網(wǎng)絡(luò)LGCSegNet,其他網(wǎng)絡(luò)的參數(shù)量都在10.00 MB以上,運(yùn)算量都在10.000 GB以上,單張圖像的預(yù)測時(shí)間均在2.900 s以上,而LGCSegNet網(wǎng)絡(luò)的參數(shù)量和運(yùn)算量跟其他網(wǎng)絡(luò)相比都很小,參數(shù)量只有0.31 MB,運(yùn)算量只有0.108 GB,單張圖像預(yù)測的時(shí)間也只達(dá)到了2.742 s,相比其他網(wǎng)絡(luò)模型,本文網(wǎng)絡(luò)模型參數(shù)量較少,時(shí)間復(fù)雜度較低,進(jìn)一步減少了模型預(yù)測時(shí)間,達(dá)到了網(wǎng)絡(luò)輕量化的目的。由此證明,本文提出的LGCSegNet模型不僅能精準(zhǔn)分割云圖,而且只用了較低的參數(shù)量和時(shí)間復(fù)雜度,占用較低的顯存,耗費(fèi)較少的預(yù)測時(shí)間,為實(shí)際部署應(yīng)用奠定了良好的基礎(chǔ)。

    表4 幾種網(wǎng)絡(luò)模型的輕量化對(duì)比

    最后將在云圖分割任務(wù)上表現(xiàn)較好的網(wǎng)絡(luò)FCN、UNet和LGCSegNet在模型訓(xùn)練Loss(網(wǎng)絡(luò)輸出與真實(shí)標(biāo)簽之間的誤差)上進(jìn)行對(duì)比,Loss收斂情況如圖8所示,從圖8中可以看出,對(duì)比3條Loss曲線收斂情況,本文模型LGCSegNet的收斂效果最好,進(jìn)一步證明LGCSegNet網(wǎng)絡(luò)性能較優(yōu),在地基云圖分割任務(wù)上具有較好的表現(xiàn)。

    圖8 LGCSegNet、UNet和FCN網(wǎng)絡(luò)Loss對(duì)比

    4 結(jié)束語

    實(shí)現(xiàn)云量的自動(dòng)化精準(zhǔn)觀測可以有效減小由氣象觀測員主觀因素影響帶來的識(shí)別誤差,節(jié)約人力成本。為了解決現(xiàn)有云圖分割網(wǎng)絡(luò)效果不佳、顯存占用高等問題,本文利用“Encoder-Decoder”網(wǎng)絡(luò)模型框架,結(jié)合不同層次特征通道合并思想,設(shè)計(jì)并構(gòu)建了一個(gè)輕量化的地基云圖分割網(wǎng)絡(luò)模型LGCSegNet。該網(wǎng)絡(luò)能精確提取云圖特征,在一定程度上避免了特征的邊界損失,將本文模型與經(jīng)典的語義分割網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn),本文模型可以使分割準(zhǔn)確率達(dá)到96.83%,平均交并比達(dá)到86.00%,在輕量化方面,該網(wǎng)絡(luò)不僅能提升云圖分割準(zhǔn)確率,而且能大量降低參數(shù)量、運(yùn)算復(fù)雜度和顯存占用,為云圖分割的實(shí)際應(yīng)用提供了較大可能。大量的實(shí)驗(yàn)數(shù)據(jù)證明本文構(gòu)建的網(wǎng)絡(luò)模型能在輕量化的前提下實(shí)現(xiàn)高準(zhǔn)確率的分割效果,可以為后續(xù)的天氣預(yù)報(bào)等領(lǐng)域的研究提供有效依據(jù)。本文雖然實(shí)現(xiàn)了云圖的分割,但沒有涉及云圖分類的問題,后續(xù)可以實(shí)現(xiàn)云圖分割與云圖分類的聯(lián)合檢測,進(jìn)一步提高分割和分類準(zhǔn)確率。

    猜你喜歡
    云圖卷積特征
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    如何表達(dá)“特征”
    成都云圖控股股份有限公司
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    不忠誠的四個(gè)特征
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    抓住特征巧觀察
    黃強(qiáng)先生作品《雨后松云圖》
    名家名作(2017年3期)2017-09-15 11:13:37
    基于TV-L1分解的紅外云圖超分辨率算法
    云圖青石板
    老熟妇仑乱视频hdxx| 久久精品国产亚洲av高清一级| 黑丝袜美女国产一区| 亚洲国产精品999在线| 亚洲伊人色综图| 久久久水蜜桃国产精品网| 国产成人影院久久av| 久久精品人人爽人人爽视色| 无人区码免费观看不卡| 精品一区二区三区四区五区乱码| 日日夜夜操网爽| 国产视频一区二区在线看| 国产又色又爽无遮挡免费看| 国产精品久久久久久人妻精品电影| 这个男人来自地球电影免费观看| 亚洲黑人精品在线| 中文字幕人妻熟女乱码| 真人做人爱边吃奶动态| 亚洲精品一区av在线观看| av中文乱码字幕在线| 亚洲中文av在线| 国产精品免费一区二区三区在线| 一区二区三区精品91| √禁漫天堂资源中文www| 99国产精品一区二区三区| 精品人妻1区二区| 亚洲av日韩精品久久久久久密| 69精品国产乱码久久久| 免费一级毛片在线播放高清视频 | 国产精品秋霞免费鲁丝片| 级片在线观看| 国产亚洲精品久久久久久毛片| 无人区码免费观看不卡| 一级毛片精品| 日韩免费av在线播放| 天堂√8在线中文| 午夜福利视频1000在线观看 | 亚洲精品国产精品久久久不卡| 国产精品,欧美在线| 最近最新免费中文字幕在线| 人人妻人人澡人人看| 啦啦啦韩国在线观看视频| 欧美日韩黄片免| 亚洲av美国av| 日韩有码中文字幕| 99久久99久久久精品蜜桃| 天天躁夜夜躁狠狠躁躁| 国产一区二区三区在线臀色熟女| 欧美黄色淫秽网站| www日本在线高清视频| 亚洲欧美日韩无卡精品| 高清黄色对白视频在线免费看| 久久精品国产99精品国产亚洲性色 | 国产成人av教育| 国产激情欧美一区二区| 黑人巨大精品欧美一区二区蜜桃| or卡值多少钱| 中文字幕色久视频| 国产精品98久久久久久宅男小说| 国产主播在线观看一区二区| 午夜福利视频1000在线观看 | 亚洲九九香蕉| 精品久久久久久成人av| 国产精品亚洲一级av第二区| 午夜免费观看网址| 好男人在线观看高清免费视频 | 少妇粗大呻吟视频| 日韩欧美一区二区三区在线观看| 欧美乱妇无乱码| 制服人妻中文乱码| 亚洲精品在线美女| 亚洲中文av在线| 久久久精品国产亚洲av高清涩受| 多毛熟女@视频| 国产免费男女视频| 777久久人妻少妇嫩草av网站| 色哟哟哟哟哟哟| 一级a爱片免费观看的视频| 免费在线观看完整版高清| 欧美激情高清一区二区三区| 制服诱惑二区| 老司机福利观看| 久久久久久久久免费视频了| 欧美久久黑人一区二区| 日韩大尺度精品在线看网址 | 90打野战视频偷拍视频| av网站免费在线观看视频| 男人的好看免费观看在线视频 | АⅤ资源中文在线天堂| 免费搜索国产男女视频| 女人精品久久久久毛片| 可以在线观看毛片的网站| a级毛片在线看网站| 久久香蕉激情| 欧美成人免费av一区二区三区| 免费在线观看日本一区| av免费在线观看网站| 免费看a级黄色片| 国产黄a三级三级三级人| 色播亚洲综合网| 久久久精品国产亚洲av高清涩受| 怎么达到女性高潮| 亚洲自偷自拍图片 自拍| 亚洲伊人色综图| 国产精品日韩av在线免费观看 | 国产成人啪精品午夜网站| 国产熟女xx| 国产精品综合久久久久久久免费 | 99久久国产精品久久久| 中文字幕av电影在线播放| 久久精品91蜜桃| 国产精品久久久久久精品电影 | 真人一进一出gif抽搐免费| 中出人妻视频一区二区| 99精品在免费线老司机午夜| 777久久人妻少妇嫩草av网站| 久久国产乱子伦精品免费另类| 国产三级黄色录像| 麻豆国产av国片精品| 亚洲成a人片在线一区二区| 久久草成人影院| www国产在线视频色| 我的亚洲天堂| 手机成人av网站| 女人高潮潮喷娇喘18禁视频| 午夜福利,免费看| 久久亚洲真实| 性欧美人与动物交配| 色综合婷婷激情| 日韩免费av在线播放| 久久精品aⅴ一区二区三区四区| 午夜福利免费观看在线| 久久久久国内视频| 操美女的视频在线观看| 国内久久婷婷六月综合欲色啪| 91九色精品人成在线观看| 在线观看免费视频日本深夜| 日韩精品青青久久久久久| 国产免费av片在线观看野外av| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲熟妇中文字幕五十中出| 岛国视频午夜一区免费看| 黄片小视频在线播放| 69av精品久久久久久| 热re99久久国产66热| 日日夜夜操网爽| 精品一区二区三区视频在线观看免费| 国产又色又爽无遮挡免费看| 搡老岳熟女国产| 啦啦啦 在线观看视频| 一夜夜www| 69精品国产乱码久久久| 91精品国产国语对白视频| 国产精品98久久久久久宅男小说| 999精品在线视频| 久久狼人影院| 欧美成人性av电影在线观看| 99久久精品国产亚洲精品| 亚洲色图综合在线观看| 亚洲欧美精品综合一区二区三区| 老司机靠b影院| 1024香蕉在线观看| av视频在线观看入口| 精品日产1卡2卡| 中出人妻视频一区二区| 最近最新中文字幕大全电影3 | 免费女性裸体啪啪无遮挡网站| 日本免费a在线| 露出奶头的视频| or卡值多少钱| 亚洲五月婷婷丁香| 国产精品秋霞免费鲁丝片| 久久人人爽av亚洲精品天堂| 欧美国产精品va在线观看不卡| 国产精品综合久久久久久久免费 | 露出奶头的视频| 国产熟女午夜一区二区三区| 欧美中文综合在线视频| 久久热在线av| 国产人伦9x9x在线观看| 精品久久久久久久人妻蜜臀av | 十八禁网站免费在线| 黑丝袜美女国产一区| 国产精品自产拍在线观看55亚洲| 久久人妻福利社区极品人妻图片| 久久精品91无色码中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 国产精品综合久久久久久久免费 | 欧美+亚洲+日韩+国产| 日韩欧美一区视频在线观看| 国产一区二区在线av高清观看| 99riav亚洲国产免费| 女警被强在线播放| 最近最新中文字幕大全电影3 | 国产片内射在线| 欧美日本视频| 不卡一级毛片| 波多野结衣av一区二区av| 天堂√8在线中文| 久久天躁狠狠躁夜夜2o2o| 操美女的视频在线观看| 久久青草综合色| 黄色成人免费大全| 日韩精品青青久久久久久| av有码第一页| 久久午夜亚洲精品久久| 法律面前人人平等表现在哪些方面| 亚洲中文日韩欧美视频| 日本黄色视频三级网站网址| 午夜免费成人在线视频| 老汉色av国产亚洲站长工具| 一区二区三区精品91| 亚洲免费av在线视频| 久久精品国产综合久久久| 999久久久精品免费观看国产| 久久婷婷人人爽人人干人人爱 | 看片在线看免费视频| 亚洲电影在线观看av| 久久中文看片网| 十八禁人妻一区二区| 国产高清videossex| 美女国产高潮福利片在线看| 午夜影院日韩av| 久久久久久大精品| 久久久精品国产亚洲av高清涩受| 亚洲av成人一区二区三| 美女大奶头视频| 99国产精品一区二区蜜桃av| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲va日本ⅴa欧美va伊人久久| 午夜精品国产一区二区电影| 搡老岳熟女国产| 国产成人精品无人区| 狂野欧美激情性xxxx| 免费在线观看视频国产中文字幕亚洲| 国产精品影院久久| 欧美日韩亚洲综合一区二区三区_| 亚洲成a人片在线一区二区| 99精品在免费线老司机午夜| 人人妻,人人澡人人爽秒播| АⅤ资源中文在线天堂| tocl精华| 国产成人av激情在线播放| 又紧又爽又黄一区二区| 丰满的人妻完整版| 免费搜索国产男女视频| 成人三级做爰电影| 国产精品国产高清国产av| 午夜福利欧美成人| 日韩高清综合在线| 亚洲色图综合在线观看| 美女免费视频网站| 两个人视频免费观看高清| 欧美成人免费av一区二区三区| 搞女人的毛片| 国产精品香港三级国产av潘金莲| 亚洲国产精品成人综合色| 国产97色在线日韩免费| 亚洲自偷自拍图片 自拍| avwww免费| 日韩大码丰满熟妇| 中文字幕最新亚洲高清| 亚洲欧美激情在线| 黄色视频不卡| 久久久国产成人免费| 国产亚洲精品综合一区在线观看 | 99香蕉大伊视频| 两个人看的免费小视频| 亚洲一区二区三区色噜噜| 精品乱码久久久久久99久播| 国产熟女午夜一区二区三区| 亚洲色图综合在线观看| 成人国产一区最新在线观看| 中文字幕另类日韩欧美亚洲嫩草| 成熟少妇高潮喷水视频| 亚洲中文字幕日韩| 午夜免费观看网址| 在线观看免费日韩欧美大片| 夜夜看夜夜爽夜夜摸| 在线观看日韩欧美| 午夜日韩欧美国产| 丁香欧美五月| 一级片免费观看大全| 国产在线精品亚洲第一网站| 国产欧美日韩一区二区三区在线| 在线天堂中文资源库| 国产极品粉嫩免费观看在线| 一级毛片精品| 午夜免费成人在线视频| 国产高清有码在线观看视频 | av免费在线观看网站| 在线观看免费视频网站a站| av超薄肉色丝袜交足视频| 黄色a级毛片大全视频| 亚洲 国产 在线| 午夜福利免费观看在线| 国产精品亚洲av一区麻豆| 精品久久久精品久久久| 99re在线观看精品视频| av超薄肉色丝袜交足视频| 多毛熟女@视频| 亚洲三区欧美一区| 变态另类丝袜制服| 夜夜夜夜夜久久久久| 色老头精品视频在线观看| 在线永久观看黄色视频| 男人操女人黄网站| 精品卡一卡二卡四卡免费| 精品国产一区二区三区四区第35| 亚洲五月天丁香| 夜夜躁狠狠躁天天躁| 日本五十路高清| 久久香蕉国产精品| 如日韩欧美国产精品一区二区三区| 欧美最黄视频在线播放免费| 动漫黄色视频在线观看| 99热只有精品国产| 很黄的视频免费| 国产成+人综合+亚洲专区| 黄色女人牲交| 亚洲色图 男人天堂 中文字幕| 一级毛片精品| 亚洲欧美日韩无卡精品| 色播亚洲综合网| 人人澡人人妻人| 悠悠久久av| 国产欧美日韩精品亚洲av| 如日韩欧美国产精品一区二区三区| 亚洲色图综合在线观看| 国产亚洲精品第一综合不卡| 制服丝袜大香蕉在线| 日本在线视频免费播放| 在线观看www视频免费| 久久香蕉国产精品| 免费久久久久久久精品成人欧美视频| 亚洲欧美激情在线| АⅤ资源中文在线天堂| 久久久久久亚洲精品国产蜜桃av| 色老头精品视频在线观看| 亚洲视频免费观看视频| 国产极品粉嫩免费观看在线| 天天一区二区日本电影三级 | 中出人妻视频一区二区| 一区二区三区激情视频| 女性生殖器流出的白浆| 免费不卡黄色视频| 老司机在亚洲福利影院| www.999成人在线观看| 首页视频小说图片口味搜索| 一边摸一边抽搐一进一出视频| 精品乱码久久久久久99久播| 精品久久蜜臀av无| 成人特级黄色片久久久久久久| 成人亚洲精品一区在线观看| 中文字幕高清在线视频| 亚洲狠狠婷婷综合久久图片| 在线播放国产精品三级| 国产野战对白在线观看| 国产成人精品无人区| 淫妇啪啪啪对白视频| 亚洲av成人不卡在线观看播放网| 欧美日本中文国产一区发布| 欧美一级毛片孕妇| 999久久久精品免费观看国产| 欧美日韩乱码在线| 国产高清videossex| 婷婷精品国产亚洲av在线| 国产高清有码在线观看视频 | 国产精品综合久久久久久久免费 | 日本在线视频免费播放| 久久久久久人人人人人| 69av精品久久久久久| 91大片在线观看| 乱人伦中国视频| 国产精品久久视频播放| www.熟女人妻精品国产| 亚洲精品在线观看二区| 在线观看免费日韩欧美大片| 熟妇人妻久久中文字幕3abv| 国产xxxxx性猛交| 欧美日韩福利视频一区二区| 亚洲va日本ⅴa欧美va伊人久久| 日韩三级视频一区二区三区| 国产单亲对白刺激| 久久久久久免费高清国产稀缺| 黑丝袜美女国产一区| 最近最新中文字幕大全电影3 | 真人做人爱边吃奶动态| 欧美av亚洲av综合av国产av| 日韩高清综合在线| 免费在线观看日本一区| 国产不卡一卡二| bbb黄色大片| 国产精品99久久99久久久不卡| 久久久久久大精品| 老司机福利观看| 精品电影一区二区在线| 国产成人精品无人区| 一级毛片女人18水好多| 搡老岳熟女国产| 后天国语完整版免费观看| 欧美精品啪啪一区二区三区| 国产一区二区三区综合在线观看| 欧美一级毛片孕妇| 午夜视频精品福利| 夜夜爽天天搞| 真人做人爱边吃奶动态| 国产精品久久久久久精品电影 | 欧美另类亚洲清纯唯美| www.自偷自拍.com| 日韩大码丰满熟妇| 欧美精品啪啪一区二区三区| 亚洲五月天丁香| 亚洲欧美激情在线| 欧美日韩福利视频一区二区| 国产三级在线视频| 免费久久久久久久精品成人欧美视频| 国产精品,欧美在线| 精品国产乱子伦一区二区三区| 长腿黑丝高跟| 丝袜美足系列| 搡老妇女老女人老熟妇| 国产精品98久久久久久宅男小说| 欧美成狂野欧美在线观看| 纯流量卡能插随身wifi吗| 国内精品久久久久久久电影| 国产一区在线观看成人免费| 国产av一区在线观看免费| 88av欧美| 亚洲国产欧美网| 性色av乱码一区二区三区2| 亚洲av五月六月丁香网| 一本久久中文字幕| 亚洲全国av大片| 无人区码免费观看不卡| 国产xxxxx性猛交| 高清在线国产一区| 在线天堂中文资源库| 亚洲av成人一区二区三| 69av精品久久久久久| 在线观看免费视频日本深夜| 久99久视频精品免费| 国产三级在线视频| 多毛熟女@视频| 国产成年人精品一区二区| 欧美黑人精品巨大| 欧美大码av| 国产黄a三级三级三级人| 亚洲午夜理论影院| 最近最新中文字幕大全免费视频| 亚洲中文字幕日韩| 国产成人一区二区三区免费视频网站| 欧美av亚洲av综合av国产av| 级片在线观看| 黄色视频不卡| 欧美乱色亚洲激情| 色精品久久人妻99蜜桃| 一进一出抽搐gif免费好疼| 日本vs欧美在线观看视频| 一级a爱片免费观看的视频| 国产av一区在线观看免费| 久久精品影院6| 欧美乱码精品一区二区三区| av超薄肉色丝袜交足视频| 国产一级毛片七仙女欲春2 | 免费一级毛片在线播放高清视频 | 夜夜看夜夜爽夜夜摸| 免费在线观看黄色视频的| 精品久久久久久,| 欧美国产日韩亚洲一区| 长腿黑丝高跟| 一本综合久久免费| 久久精品成人免费网站| 亚洲全国av大片| 久久久久国产一级毛片高清牌| 久久婷婷人人爽人人干人人爱 | 18禁美女被吸乳视频| 国产精品99久久99久久久不卡| 制服诱惑二区| 国产男靠女视频免费网站| 午夜久久久在线观看| 亚洲男人天堂网一区| 亚洲av成人一区二区三| 一级片免费观看大全| 亚洲国产欧美日韩在线播放| 最新在线观看一区二区三区| 午夜福利一区二区在线看| 亚洲 欧美一区二区三区| 少妇裸体淫交视频免费看高清 | 两个人看的免费小视频| 国产精品自产拍在线观看55亚洲| 一二三四在线观看免费中文在| 制服诱惑二区| 亚洲自拍偷在线| 中文字幕最新亚洲高清| 亚洲人成77777在线视频| 岛国在线观看网站| 久久九九热精品免费| 国产男靠女视频免费网站| 国产精品 欧美亚洲| 亚洲精品粉嫩美女一区| 欧美性长视频在线观看| 久久午夜亚洲精品久久| 亚洲欧美日韩无卡精品| 久久人人爽av亚洲精品天堂| 免费看美女性在线毛片视频| 日韩中文字幕欧美一区二区| 美女 人体艺术 gogo| 亚洲国产精品999在线| 久久国产精品人妻蜜桃| 亚洲九九香蕉| 亚洲成人免费电影在线观看| av片东京热男人的天堂| 少妇被粗大的猛进出69影院| 亚洲av片天天在线观看| 久久精品成人免费网站| 99国产极品粉嫩在线观看| 国产精品 欧美亚洲| 美女高潮到喷水免费观看| 亚洲最大成人中文| 麻豆国产av国片精品| 丁香欧美五月| 精品国产乱子伦一区二区三区| 国产亚洲精品久久久久5区| 在线观看免费视频日本深夜| 日韩一卡2卡3卡4卡2021年| 国产免费av片在线观看野外av| 99国产精品99久久久久| 色精品久久人妻99蜜桃| 人人妻,人人澡人人爽秒播| 久久久久精品国产欧美久久久| 久久久久久大精品| 一级黄色大片毛片| 欧美色欧美亚洲另类二区 | 看黄色毛片网站| 亚洲五月天丁香| 黑人巨大精品欧美一区二区蜜桃| 高清在线国产一区| 天天添夜夜摸| 亚洲熟女毛片儿| 欧美黄色淫秽网站| 日本精品一区二区三区蜜桃| 午夜福利视频1000在线观看 | 天堂影院成人在线观看| 露出奶头的视频| 国产亚洲av高清不卡| e午夜精品久久久久久久| 亚洲,欧美精品.| 国产成+人综合+亚洲专区| 男人的好看免费观看在线视频 | 人妻丰满熟妇av一区二区三区| 欧美黄色片欧美黄色片| 色尼玛亚洲综合影院| 亚洲熟妇中文字幕五十中出| 欧美激情久久久久久爽电影 | 国产又爽黄色视频| 窝窝影院91人妻| 日本 欧美在线| 亚洲精品在线观看二区| 久久国产精品人妻蜜桃| 日本a在线网址| 一区二区三区高清视频在线| √禁漫天堂资源中文www| 一个人免费在线观看的高清视频| 久久香蕉精品热| 亚洲人成伊人成综合网2020| 国产精品免费一区二区三区在线| 老司机深夜福利视频在线观看| 一区在线观看完整版| 国产一区在线观看成人免费| 91精品国产国语对白视频| 视频在线观看一区二区三区| 亚洲美女黄片视频| 怎么达到女性高潮| 夜夜爽天天搞| av中文乱码字幕在线| 国产精品一区二区免费欧美| 高清黄色对白视频在线免费看| 亚洲全国av大片| 亚洲天堂国产精品一区在线| 国产精品爽爽va在线观看网站 | 亚洲少妇的诱惑av| 精品久久久久久久久久免费视频| 精品免费久久久久久久清纯| ponron亚洲| 国产精品 欧美亚洲| 国产av精品麻豆| 老汉色∧v一级毛片| 欧美中文综合在线视频| 亚洲性夜色夜夜综合| 美国免费a级毛片| 久久久国产成人免费| 少妇被粗大的猛进出69影院| 久久精品亚洲精品国产色婷小说| 一级作爱视频免费观看| 少妇被粗大的猛进出69影院| 一本大道久久a久久精品| 久9热在线精品视频| 国产免费av片在线观看野外av| 亚洲专区字幕在线| 国产欧美日韩一区二区精品| 黄色女人牲交| 欧美绝顶高潮抽搐喷水| 久99久视频精品免费| 国产91精品成人一区二区三区| 天天一区二区日本电影三级 | 精品人妻在线不人妻| 美国免费a级毛片| av福利片在线| 丰满的人妻完整版| 99国产精品一区二区三区| 国产成人av教育| 日本精品一区二区三区蜜桃| 欧美精品亚洲一区二区| 亚洲成国产人片在线观看|