• <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 ?

    改進SSD的可回收垃圾檢測方法

    2022-12-06 10:38:34耿麗婷阿里甫庫爾班米娜瓦爾阿不拉蔣潤熙新疆大學軟件學院烏魯木齊830046
    計算機工程與應用 2022年23期
    關鍵詞:卷積垃圾精度

    耿麗婷,阿里甫·庫爾班,米娜瓦爾·阿不拉,丁 培,蔣潤熙新疆大學 軟件學院,烏魯木齊 830046

    隨著我國經(jīng)濟生活的進步,人們生活質(zhì)量大幅提升,垃圾產(chǎn)量迅猛增加。伴隨著2019年7月1日上海市《上海市生活垃圾管理條例》的實施,垃圾分類也逐漸進入大家的視野[1]。然而如今我國垃圾的再利用主要依靠人工分揀的方式,造成人力資源浪費、分揀效率低下、資源利用率低等問題。因此,本文提出利用深度學習技術檢測可回收垃圾,提高資源利用率,促進生態(tài)文明建設。

    近年來,深度學習的飛速發(fā)展,目標檢測技術也取得了矚目成就。目前主流的檢測方法,主要分為兩類[2]。一類是基于候選框的兩階檢測算法,將檢測分為兩步,先產(chǎn)生候選框,再對候選框分類。常見的算法有R-CNN[3]、SPPNet[4]、Fast R-CNN[5]、Faster R-CNN[6]等。另一類是基于回歸的一階檢測算法,該方法不需要產(chǎn)生候選框,直接將目標框定位問題轉(zhuǎn)化為回歸問題處理,雖然精度會有所損失,但是檢測速度一般比兩階算法更快。常見的算法有SSD[7]和YOLO[8-9]系列。

    深度學習技術在垃圾檢測方面也取得了較大進展。Liu等人[10]提出采用MobileNet-YOLOv2[11]的輕量化的神經(jīng)網(wǎng)絡與物聯(lián)網(wǎng)技術相結(jié)合,將卷積神經(jīng)網(wǎng)絡應用于嵌入式端,降低工業(yè)檢測成本。劉恩乾[12]提出采用CBAM注意力機制和SSD算法相結(jié)合用于檢測和分類生活垃圾。寧凱等人[13]提出采用改進的YOLOv2算法嵌入到機器人中用于檢測和分類垃圾,實現(xiàn)了智能掃地機器人。Cui等人[14]采用YOLOv3算法檢測街道的生活垃圾、裝修垃圾以及大型垃圾,在GTX1080Ti上檢測速度可以達到60 ms。雖然以上研究為垃圾檢測任務做出了一定貢獻,但是在精度或者檢測速度等方面仍有較大的改進空間。SSD算法作為經(jīng)典的目標檢測算法之一,具有檢測速度快的優(yōu)勢,便于實時檢測。但是在實際應用中,需要考慮占用硬件的內(nèi)存空間、檢測速度以及檢測精度等問題。而原始SSD以VGG16作為骨干網(wǎng)絡,存在模型參數(shù)量大的問題,難以應用于算力低的嵌入式設備中,同時隨著深度學習的不斷發(fā)展,VGG16-SSD算法的精度已經(jīng)遠達不到實際需求。

    因此本文主要針對可回收垃圾檢測實時性和精度的需求,以SSD算法為基礎進行改進,提出基于輕量化高精度卷積神經(jīng)網(wǎng)絡。采用輕量的RepVGG作為骨干網(wǎng)絡,通過結(jié)構重參數(shù)化方式大幅減少計算量,滿足實時性要求。對SSD算法的輔助卷積層提出改進的同時引入SK模塊,動態(tài)調(diào)整感受野尺寸,提高網(wǎng)絡空間信息的聚合能力,提高檢測精度。實驗表明,該方法在可回收垃圾檢測任務中具有良好的檢測性能,可以更好地應用于工業(yè)。

    1 傳統(tǒng)的SSD檢測模型

    SSD模型的網(wǎng)絡結(jié)構如圖1所示,該結(jié)構由兩部分組成。SSD模型在特征提取部分中采用VGG16[15]結(jié)構,通過深度卷積提取多個尺度的特征圖。另一部分為輔助卷積層,通過不同尺度的卷積層輸出進行特征融合。

    圖1 SSD模型圖Fig.1 SSD model diagram

    SSD使用VGGNet作為骨干網(wǎng)絡時,使用了VGGNet的前13個網(wǎng)絡層,其中Conv4_3作為提取特征的特征圖。為了獲取更多的特征信息,在VGGNet后增加了幾層卷積結(jié)構,即組成了SSD算法的輔助卷積層。使用Conv6、Conv7取代原始VGGNet中的全連接層。Conv6中使用擴張率為6的空洞卷積,使用該結(jié)構可以在增加感受野的同時保持參數(shù)量不變。由骨干網(wǎng)絡和輔助卷積層生成的6個不同尺度的特征圖,如圖1中所示的Conv4_3生成大小為38×38的特征圖,Conv7至Conv11依次輸出大小為19×19、10×10、5×5、3×3和1×1的特征圖。其中淺層的特征圖用于檢測小物體,深層的特征圖用于檢測大物體。

    6個特征圖分別對應人工設置的PriorBox,分別為4、6、6、6、4、4。將其與標簽邊框匹配,篩選出正負樣本,并計算損失。通過分類網(wǎng)絡和回歸網(wǎng)絡預測不同大小目標的位置和分類。

    2 改進的SSD目標檢測模型

    由于SSD算法采用多層特征圖進行預測,且為一階網(wǎng)絡,因此在速度和精度上都有較好的效果。尤其是在速度方面可以很好地應用于工業(yè)中,可滿足可回收垃圾檢測任務的速度要求。

    本文試圖采用輕量級的網(wǎng)絡結(jié)構在保證精度的情況下,以解決由VGG16網(wǎng)絡造成的參數(shù)量大、內(nèi)存占有率高等問題。同時對SSD算法的輔助卷積層進行改進,對比了多種卷積結(jié)構,最終選用由不對稱卷積組成的RepVGG式結(jié)構與ReLU相結(jié)合的方式作為SSD的輔助卷積層。為進一步降低參數(shù)量和計算量,采用結(jié)構重參數(shù)化提高模型的推理速度。同時對可回收垃圾數(shù)據(jù)進行研究,發(fā)現(xiàn)其尺寸變化大的問題,因此引入了SK模塊旨在提高網(wǎng)絡結(jié)構的檢測準確率。算法的具體網(wǎng)絡結(jié)構如圖2所示。

    圖2 實驗模型圖Fig.2 Experimental model diagram

    2.1 骨干網(wǎng)絡的選取

    2021年Ding等人[16]提出了RepVGG網(wǎng)絡,組建了一個由3×3卷積、1×1卷積分支和identity的殘差分支結(jié)合的結(jié)構。同時該網(wǎng)絡中采用了結(jié)構重參數(shù)化方式,將訓練階段和推理階段分割開。訓練階段的模型可以更好地提取特征,更方便優(yōu)化,得到更好的訓練結(jié)果,獲取更多的特征信息。在訓練階段選用組合的殘差結(jié)構以提高檢測精度,同時在推理階段轉(zhuǎn)化為類VGG的架構,極大地提高了推理速度,方便模型部署和加速。

    類VGG式的結(jié)構有諸多優(yōu)勢。首先在GPU中3×3的卷積結(jié)構相較于1×1卷積甚至是5×5卷積而言計算密度更大,因此使用3×3的卷積結(jié)構在GPU運行上速度更快。其次,VGG結(jié)構采用單路架構,具有較高的并行度更加節(jié)省內(nèi)存。

    因此,RepVGG網(wǎng)絡采用結(jié)構重參數(shù)化的方式后,具有以下幾個優(yōu)點:

    (1)采用結(jié)構重參數(shù)化的方式,可將分支結(jié)構轉(zhuǎn)變?yōu)楹唵蔚?×3卷積、ReLU堆疊的方式,提高模型的推理速度,方便模型高效部署。

    (2)推理后的模型為單路結(jié)構,速度快且并行度高,節(jié)省內(nèi)存。同時單路結(jié)構靈活性更好,方便模型剪枝。

    為滿足檢測模型實時性和精度的需求,本文使用RepVGG作為骨干網(wǎng)絡用于特征提取。在訓練階段中引入1×1卷積分支,形成不對稱卷積結(jié)構,提高模型的特征分辨能力,獲取更多特征信息;采用identity的殘差結(jié)構使模型更易收斂,避免出現(xiàn)梯度消失問題。而推理階段的模型更方便部署,大幅減少計算量,提高檢測速度。RepVGG結(jié)構在訓練階段和推理階段的模型結(jié)構,如圖3所示。

    圖3 RepVGG網(wǎng)絡在訓練和推理時的結(jié)構圖Fig.3 Structure diagram of RepVGG network in training and inference

    本文采用的RepVGG網(wǎng)絡為RepVGG-A0結(jié)構,該網(wǎng)絡結(jié)構在RepVGG網(wǎng)絡系列中是最輕量的網(wǎng)絡,同時RepVGG-A0不僅具有更少的參數(shù)量,擁有更快的推理速度,在獲取特征信息方面也有較好的性能。因此本文考慮到可回收垃圾檢測任務需要部署于工業(yè)應用,采用RepVGG-A0作為骨干網(wǎng)絡。

    整個RepVGG網(wǎng)絡共分為5個Stage,本文未改變原始SSD算法的輸出特征圖大小,將RepVGG作為骨干網(wǎng)絡時輸出的特征圖為38×38、19×19、10×10,分別由Stage2、Stage3和Stage4生成。其中Stage3設置層數(shù)為14,可獲取更多信息。RepVGG的網(wǎng)絡結(jié)構設置如表1所示。

    表1 RepVGG網(wǎng)絡結(jié)構Table 1 RepVGG network structure

    2.2 結(jié)構重參數(shù)化

    結(jié)構重參數(shù)化這一思想是指在訓練階段和推理階段采用不同的網(wǎng)絡結(jié)構和模型參數(shù),將訓練階段產(chǎn)生的模型通過結(jié)構和參數(shù)變化得到推理模型。推理階段的模型所表達的模型功能在數(shù)學推理上是等價的,因此采用該方法可以大幅降低參數(shù)量,方便模型高效部署。

    Ding于ICCV2019中提出的ACNet[17]和ICCV2021中提出的RepVGG網(wǎng)絡將結(jié)構重參數(shù)化這一思想貫徹到底。為提高模型的推理速度,在結(jié)構重參數(shù)化思想中主要采用數(shù)學推導的方式,并經(jīng)過實驗驗證了該思想的有效性,而本文主要采用了其中的Conv-BN合并、分支合并的思路,以下將對這兩個思路進行分析,從而驗證該方法。

    2.2.1 Conv-BN合并

    在神經(jīng)網(wǎng)絡中,BN(batch normalization)層的加入,可以快速收斂加速網(wǎng)絡,有效解決梯度消失和梯度爆炸問題。雖然BN結(jié)構有諸多優(yōu)勢,但是BN層在網(wǎng)絡前向推理是會占用更多的內(nèi)存和顯存,影響模型性能。為減少模型在前向推理時的耗時,本文采用Conv層和BN層融合的方式。公式推導如下所示:

    卷積層計算的公式,如公式(1)所示,其中ω為權重,b為偏置:

    BN層的計算如公式(2)所示,其中γ和β是學習參數(shù),u是樣本均值,σ是方差,ε表示一個很小的數(shù)(防止分母為0):

    將公式(1)代入公式(2)中,卷積和BN合并得到公式(3):

    將公式(3)拆分后即可得到公式(4),如下所示:

    根據(jù)卷積的齊次性,合并BN層的過程是線性運算,該過程相當于對卷積核進行修改,而卷積仍不變。因此根據(jù)推理得知,采用卷積層和BN層合并可以提升模型前向推理的速度。

    2.2.2 分支合并

    在RepVGG結(jié)構中有1×1卷積核identity兩種分支結(jié)構。對1×1卷積而言可以將1×1卷積padding為3×3卷積,在該3×3卷積中,除了卷積核中心位置,其他位置都為0,即將卷積核移動至3×3卷積核中心。而對identity而言可利用權重等于1的卷積核,將identity結(jié)構構造為一個1×1的卷積,同時該卷積的權重值為1。通過設置一個3×3的卷積核,對輸入特征映射相乘后,identity前后值不變。此時1×1卷積和identity均可轉(zhuǎn)變?yōu)?×3卷積,而根據(jù)卷積的加法特性,卷積核在形狀一致的情況下,可以滿足可加性。因此三個卷積分支可以融合,具體過程如圖4所示。

    圖4 分支合并過程Fig.4 Branch merge process

    2.3 SK模塊

    在CVPR2019中Li等人[18]提出selective kernel networks(SKNet),該網(wǎng)絡是對squeeze-and-excitation networks(SENet)[19]提出的改進網(wǎng)絡。SKNet可以根據(jù)不同的圖像得到具有不同重要性信息的卷積核,相較于Inception[20]結(jié)構而言,SKNet更具靈活性。Inception結(jié)構的參數(shù)是固定的,而SKNet可以根據(jù)卷積核的權重值,針對不同尺度的圖像自適應生成卷積參數(shù)。圖5是本文采用的數(shù)據(jù)集樣本分布圖,可見該數(shù)據(jù)樣本尺度存在不均衡的情況。因此引入SK模塊以適應本文圖像尺度變化大的問題。

    圖5 樣本分布圖Fig.5 Sample distribution

    SK模塊主要由Split、Fuse和Select三部分組成,圖6展示了SK模塊的結(jié)構。其中,Split部分是對輸入向量進行不同卷積核大小的卷積操作的過程,該部分可根據(jù)輸入的特征圖自適應產(chǎn)生多個分支結(jié)構。Fuse部分對特征進行融合,根據(jù)聚合多個分支的信息以計算每個卷積核的權重。Select部分是根據(jù)不同卷積核的權重信息計算后得到新的特征圖的過程。研究發(fā)現(xiàn),SK模塊可以自適應地調(diào)整結(jié)構,以獲取不同感受野信息。

    圖6 SK模塊圖Fig.6 SK module structure diagram

    2.4 改進輔助卷積層

    原始SSD算法采用普通卷積結(jié)構、空洞卷積、池化操作和ReLU相結(jié)合的思路。該結(jié)構采用了大量的池化操作,該方式會丟失大量的信息,同時普通卷積相較于本文的RepVGG式結(jié)構而言,有諸多弊端,因此為進一步降低模型參數(shù)量,本文延續(xù)RepVGG中結(jié)構重參數(shù)化的思路,采用3×3卷積、1×1卷積分支和ReLU相結(jié)合的方式,結(jié)構Block如圖7所示。

    圖7 Block結(jié)構Fig.7 Block structure

    將SSD輔助卷積層結(jié)構重置,改用Block結(jié)構,減小了卷積層數(shù),同時采用步長為2的方式改變輸出特征圖的大小。

    改進后的SSD的輔助卷積結(jié)構如表2所示,其中輸出大小為5×5、3×3和1×1的特征圖作為檢測層。最后同樣采用結(jié)構重參數(shù)化法在推理階段將Block的殘差結(jié)構轉(zhuǎn)化為普通卷積結(jié)構,極大地提高了模型的推理速度。

    表2 RepVGG網(wǎng)絡結(jié)構Table 2 RepVGG network structure

    3 實驗對比及分析

    3.1 數(shù)據(jù)集的劃分

    本文所采用的數(shù)據(jù)集主要來源于Kaggle網(wǎng)站中的Waste Classification data數(shù)據(jù)集(https://www.kaggle.com/techsash/wasteclassification-data),由于該數(shù)據(jù)集分為有機廢物和可回收廢物兩類,并未對可回收垃圾的類別分類,因此本文選取了部分Waste Classification data數(shù)據(jù),并通過網(wǎng)絡爬蟲、相機拍攝的方式,獲得1 650張數(shù)據(jù),部分樣本如圖8所示。數(shù)據(jù)共分為三類:紙板(cardboard)、玻璃(glass)、塑料(plastic)。采用LabeLImg軟件對數(shù)據(jù)集進行人工標注,數(shù)據(jù)集為PASCAL_VOC格式。將原始數(shù)據(jù)集劃分70%作為訓練數(shù)據(jù),20%作為測試數(shù)據(jù),10%作為驗證集。后采用數(shù)據(jù)擴充的方式,經(jīng)過隨機旋轉(zhuǎn)30°、270°、330°,將原始數(shù)據(jù)集擴充3倍后,得到新數(shù)據(jù)集共4 950張數(shù)據(jù)。

    圖8 部分數(shù)據(jù)集內(nèi)容Fig.8 Partial dataset content

    3.2 實驗分析

    實驗在CPU E5 2450 2.10 GHz,16 GB內(nèi)存,Ubuntu 16.04系統(tǒng)下搭建的Pytorch環(huán)境下進行,顯卡為GeForce GTX1080Ti。

    為驗證本文改進的SSD算法在可回收垃圾檢測任務上的有效性,本文設計了4組實驗。第一組實驗是驗證RepVGG作為骨干網(wǎng)絡時的性能,對比了原始SSD算法與RepVGG-SSD算法;第二組實驗是驗證本文所提出的SSD輔助卷積層結(jié)構,對比了普通卷積結(jié)構、Mobile-Netv2中的深度可分離結(jié)構以及本文所采用的RepVGG式的Block結(jié)構;第三組實驗是為了驗證結(jié)構重參數(shù)化的效果,對比了使用結(jié)構重參數(shù)化時和未使用時的效果;第四組實驗是加入SK模塊后,與目前主流的網(wǎng)絡在可回收垃圾檢測任務上的性能進行比較,以驗證本文所提出的網(wǎng)絡的優(yōu)勢。

    訓練時輸入圖像設置為300×300,采用SGD作為優(yōu)化函數(shù)對模型進行訓練。初始學習率為1E-4,學習率在60 000時降低為1E-5,至90 000停止訓練,本實驗采用與原始SSD相同的圖像增強方法。

    本文采用的評判標準有:mAP(mean average precision)、每秒傳輸幀數(shù)(frames per second,F(xiàn)PS)、浮點運算數(shù)量(giga floating-point operations per second,GFLOPs)、乘加運算次數(shù)(MAdds)、參數(shù)量(parameters,Params)、內(nèi)存占有量(Memory)、讀入和寫入時的內(nèi)存量(MemR+W)。其中Memory反應運行時占用的內(nèi)存量,GFLOPs用來衡量模型或算法的復雜度,Params表示模型的大小。通常GFLOPs和Params越小,代表模型所需要的算力越小,對硬件的性能要求越低,越容易搭建于低端設備中。

    實驗一比較了以VGG16和RepVGG作為SSD的骨干網(wǎng)絡時的效果,如表3所示。驗證發(fā)現(xiàn)采用RepVGG作為骨干網(wǎng)絡時精度提升1.7個百分點,同時GFLOPs大幅降低,提高了檢測速度。

    表3 RepVGG性能比較Table 3 Performance comparison of RepVGG

    為進一步減小模型的計算量,本文更換了SSD的輔助卷積層。實驗二對比了更換為深度可分離結(jié)構的卷積層和RepVGG結(jié)構時的卷積層,效果如表4所示。采用RepVGG結(jié)構時相較于深度可分離結(jié)構提升了1.63個百分點,相較于原始SSD結(jié)構精度提升了0.93個百分點。同時,采用該結(jié)構時的浮點數(shù)最小為5.82,參數(shù)量雖然相較于深度可分離結(jié)構有小幅提升,但是在精度方面展現(xiàn)的效果更好。

    表4 SSD輔助卷積層比較Table 4 Comparison of SSD auxiliary convolution layer

    由于可回收垃圾檢測通常應用于工業(yè)中,為滿足輕量化的要求,方便日后的模型部署于移動端和嵌入式端,本文采用BN層和卷積層融合,分支結(jié)構合并的思路,減小模型前向推理的時間,提高檢測速度。主要通過結(jié)構重參數(shù)化的方式,為驗證該方式的有效性,本文設計了實驗三。表5對使用結(jié)構重參數(shù)化和未使用時進行了比較。由實驗可見,內(nèi)存占有量降低了43.65×106,讀入寫入時的內(nèi)存也下降了近一半。因此該方式可大幅減小參數(shù)量和計算量,加快模型推理。

    表5 結(jié)構重參數(shù)化性能比較Table 5 Comparison of performance of structural re-parameterization

    本文加入了SK模塊,用于自適應調(diào)整感受野尺寸,所提出的網(wǎng)絡為RepVGG-SK-SSD。為進一步驗證所提算法的有效性,本文比對了VGG16-SSD、MobileNet-YOLOv3、CBAM+SSD、YOLOv3、MobilNet-SSDLite、RepVGG-SSD、RFBNet[21]等網(wǎng)絡結(jié)構的性能,如表6所示。由實驗可得,本文所提算法在可回收垃圾檢測任務上可達到95.23%的精度。相較于原始SSD算法,共提升了4.33個百分點。同時,該算法的參數(shù)量和計算量較小,浮點數(shù)只有5.16,參數(shù)量也只有10.33×106。相較于原始SSD的浮點數(shù)為60.29以及22.94×106的參數(shù)量而言,本文所提算法做出了更大的改進,且擁有更好的性能。雖然MobileNet-YOLOv3的精度相對本文所提算法高了0.47個百分點,但是其浮點數(shù)以及參數(shù)量遠大于本文算法。同時驗證該算法在單個GTX1080TI顯卡下可達64 FPS,可滿足在移動端和嵌入式端部署的需求。

    表6 不同算法測試結(jié)果對比Table 6 Comparison of detection results of different algorithms

    本文將RepVGG網(wǎng)絡與SK模塊融合,選用新的輔助卷積層,實驗也驗證了該算法的有效性,圖9展示了本文所提算法的檢測效果。

    圖9 檢測效果圖Fig.9 Inspection effect picture

    4 結(jié)束語

    本文提出了一個實時高效的基于SSD算法的可回收垃圾檢測器。針對VGG16模型過大、運行內(nèi)存量過高,無法用于工業(yè)部署問題。提出采用輕量化的網(wǎng)絡RepVGG作為骨干網(wǎng)絡,使用結(jié)構重參數(shù)化的方式減少參數(shù)量和計算量,提高模型的推理速度,實現(xiàn)實時檢測。同時為進一步減少參數(shù)量,提高模型的檢測速度,修改了SSD的輔助卷積層。針對圖像尺度變化大的問題,提出采用SK模塊,自適應調(diào)節(jié)感受野尺寸,提高檢測精度。實驗表明,本模型具有良好的檢測精度和實時性,可以更好地應用于可回收垃圾檢測任務。

    猜你喜歡
    卷積垃圾精度
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    垃圾去哪了
    那一雙“分揀垃圾”的手
    當代陜西(2019年24期)2020-01-18 09:14:46
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    倒垃圾
    基于傅里葉域卷積表示的目標跟蹤算法
    倒垃圾
    GPS/GLONASS/BDS組合PPP精度分析
    改進的Goldschmidt雙精度浮點除法器
    一级毛片电影观看| 久久青草综合色| 我要看黄色一级片免费的| 少妇 在线观看| 国产成人精品一,二区| 看免费成人av毛片| av播播在线观看一区| 国产一区亚洲一区在线观看| 成人无遮挡网站| 国产69精品久久久久777片| 久久婷婷青草| 天堂中文最新版在线下载| 婷婷色综合大香蕉| 91久久精品国产一区二区成人| 青春草国产在线视频| 日韩精品免费视频一区二区三区 | 激情五月婷婷亚洲| 欧美xxxx性猛交bbbb| 99热这里只有是精品50| 欧美xxⅹ黑人| 精品久久国产蜜桃| 国产精品99久久99久久久不卡 | 免费av不卡在线播放| 日本午夜av视频| 国产日韩一区二区三区精品不卡 | 免费在线观看成人毛片| 国产淫语在线视频| 久久热精品热| 亚洲欧洲精品一区二区精品久久久 | 国产精品秋霞免费鲁丝片| 午夜免费鲁丝| 午夜精品国产一区二区电影| .国产精品久久| 欧美bdsm另类| 王馨瑶露胸无遮挡在线观看| 亚洲国产毛片av蜜桃av| 久久99一区二区三区| 七月丁香在线播放| 国产片特级美女逼逼视频| 在线观看人妻少妇| 日本黄大片高清| 爱豆传媒免费全集在线观看| 国产片特级美女逼逼视频| 黄色欧美视频在线观看| 美女大奶头黄色视频| 中文精品一卡2卡3卡4更新| 亚洲综合精品二区| 国产免费又黄又爽又色| 久久久午夜欧美精品| 免费av中文字幕在线| 精品人妻熟女av久视频| 两个人免费观看高清视频 | 国产中年淑女户外野战色| 一级毛片aaaaaa免费看小| 国产成人精品久久久久久| 日本vs欧美在线观看视频 | av网站免费在线观看视频| 大码成人一级视频| 国产成人aa在线观看| 亚洲三级黄色毛片| 男人舔奶头视频| 97在线视频观看| 亚洲人与动物交配视频| 亚洲中文av在线| 精品久久久久久久久亚洲| 日韩成人av中文字幕在线观看| 妹子高潮喷水视频| 成人亚洲精品一区在线观看| 97超视频在线观看视频| 国产精品99久久99久久久不卡 | 亚洲中文av在线| 黄色日韩在线| 啦啦啦中文免费视频观看日本| 能在线免费看毛片的网站| 建设人人有责人人尽责人人享有的| 极品教师在线视频| 亚洲美女搞黄在线观看| 久久狼人影院| 亚洲无线观看免费| 三级国产精品欧美在线观看| 人人妻人人澡人人看| av国产精品久久久久影院| 91久久精品国产一区二区成人| 丝袜脚勾引网站| 亚洲精品国产av蜜桃| 亚洲成人一二三区av| 18禁动态无遮挡网站| 久久久久久久久久久丰满| 国产精品麻豆人妻色哟哟久久| 久久精品国产鲁丝片午夜精品| 国产91av在线免费观看| 国产无遮挡羞羞视频在线观看| 亚洲av在线观看美女高潮| 久久狼人影院| 最近中文字幕2019免费版| 在线看a的网站| 国产精品成人在线| 色吧在线观看| 一本色道久久久久久精品综合| 黄色毛片三级朝国网站 | 日韩精品免费视频一区二区三区 | 在线观看三级黄色| 国产精品欧美亚洲77777| 日本av手机在线免费观看| 少妇人妻精品综合一区二区| 99热这里只有是精品在线观看| 亚洲精品456在线播放app| 亚洲av综合色区一区| 99久久精品一区二区三区| 亚洲成色77777| 亚洲欧美精品自产自拍| 在线观看av片永久免费下载| 亚洲一级一片aⅴ在线观看| 综合色丁香网| 亚洲av免费高清在线观看| 欧美成人精品欧美一级黄| 人妻一区二区av| 午夜视频国产福利| 午夜影院在线不卡| 看免费成人av毛片| 国产一区二区三区av在线| 大片电影免费在线观看免费| 国产成人a∨麻豆精品| 女性被躁到高潮视频| 亚洲av不卡在线观看| 午夜免费观看性视频| 国产男女超爽视频在线观看| 亚洲精品日韩av片在线观看| 精品久久久久久久久亚洲| 免费观看性生交大片5| 日韩成人av中文字幕在线观看| 亚洲欧美清纯卡通| 久久精品夜色国产| 久久久久久久亚洲中文字幕| 内射极品少妇av片p| 看免费成人av毛片| 亚洲久久久国产精品| 精品99又大又爽又粗少妇毛片| 新久久久久国产一级毛片| 日韩精品有码人妻一区| 亚洲熟女精品中文字幕| 亚洲一级一片aⅴ在线观看| av免费在线看不卡| 国产极品粉嫩免费观看在线 | 男女啪啪激烈高潮av片| 人人妻人人澡人人爽人人夜夜| 国产高清不卡午夜福利| 91午夜精品亚洲一区二区三区| 亚洲欧洲国产日韩| 成人特级av手机在线观看| 91在线精品国自产拍蜜月| 欧美 亚洲 国产 日韩一| 色视频在线一区二区三区| 18禁在线播放成人免费| 人人澡人人妻人| 在线观看免费高清a一片| 一区二区三区四区激情视频| 视频中文字幕在线观看| 精品久久国产蜜桃| 高清在线视频一区二区三区| 一级黄片播放器| 国产一区有黄有色的免费视频| 久热这里只有精品99| 高清视频免费观看一区二区| 精品视频人人做人人爽| 自线自在国产av| 午夜福利影视在线免费观看| 亚洲精品日本国产第一区| 人妻一区二区av| 成人午夜精彩视频在线观看| 免费看不卡的av| 久久亚洲国产成人精品v| 国产爽快片一区二区三区| 欧美日韩亚洲高清精品| 三上悠亚av全集在线观看 | 久久久久久久久久成人| 日韩在线高清观看一区二区三区| 极品教师在线视频| 久久人人爽人人片av| 国产精品嫩草影院av在线观看| 国产亚洲精品久久久com| 日韩亚洲欧美综合| 男人和女人高潮做爰伦理| 国产无遮挡羞羞视频在线观看| 免费黄频网站在线观看国产| av专区在线播放| 纯流量卡能插随身wifi吗| 男人添女人高潮全过程视频| 一个人看视频在线观看www免费| 九九在线视频观看精品| 午夜福利网站1000一区二区三区| 久久国产乱子免费精品| 少妇的逼好多水| 久久6这里有精品| 丝袜脚勾引网站| 国产免费又黄又爽又色| 在线观看人妻少妇| 女的被弄到高潮叫床怎么办| 麻豆精品久久久久久蜜桃| 狂野欧美激情性bbbbbb| 色视频www国产| 欧美 日韩 精品 国产| 九九爱精品视频在线观看| 国产淫语在线视频| 色5月婷婷丁香| 色网站视频免费| 永久免费av网站大全| 日本av免费视频播放| 少妇人妻久久综合中文| 高清av免费在线| 在线观看美女被高潮喷水网站| 老司机亚洲免费影院| 97超碰精品成人国产| 最黄视频免费看| 我要看黄色一级片免费的| 国产精品国产av在线观看| 最新中文字幕久久久久| 国产乱来视频区| 99精国产麻豆久久婷婷| 日本av手机在线免费观看| 91成人精品电影| a级毛片在线看网站| 一二三四中文在线观看免费高清| 成人午夜精彩视频在线观看| 97超视频在线观看视频| 久热久热在线精品观看| 精品一区二区三卡| 久久婷婷青草| 秋霞伦理黄片| 免费观看在线日韩| 一区在线观看完整版| 精品午夜福利在线看| 天堂8中文在线网| 2021少妇久久久久久久久久久| 妹子高潮喷水视频| 丁香六月天网| 人妻制服诱惑在线中文字幕| 亚洲av欧美aⅴ国产| 日韩精品有码人妻一区| 国产成人91sexporn| 久久国产乱子免费精品| 亚洲经典国产精华液单| 日韩,欧美,国产一区二区三区| 久久免费观看电影| 天天操日日干夜夜撸| 亚洲第一区二区三区不卡| 男女免费视频国产| 九九久久精品国产亚洲av麻豆| 大片电影免费在线观看免费| 国产精品欧美亚洲77777| 国产视频首页在线观看| 插阴视频在线观看视频| 精品亚洲成国产av| 夜夜看夜夜爽夜夜摸| 亚洲av.av天堂| 女性被躁到高潮视频| 精品久久久噜噜| 中文字幕人妻丝袜制服| 精品一区二区免费观看| 男男h啪啪无遮挡| 亚洲av不卡在线观看| 国产在线视频一区二区| 日日啪夜夜撸| 亚洲精品国产成人久久av| 少妇熟女欧美另类| 欧美老熟妇乱子伦牲交| 国产亚洲5aaaaa淫片| 一本久久精品| 国产白丝娇喘喷水9色精品| 在线观看国产h片| 免费黄频网站在线观看国产| 国产成人91sexporn| 亚洲成人一二三区av| 成人毛片60女人毛片免费| 精品少妇久久久久久888优播| 精品一区二区三卡| 亚洲精品色激情综合| 欧美日韩亚洲高清精品| 国产 一区精品| 最近2019中文字幕mv第一页| 在线看a的网站| 一二三四中文在线观看免费高清| 国产一区二区三区综合在线观看 | 日日啪夜夜撸| 少妇 在线观看| 国产有黄有色有爽视频| 六月丁香七月| 成人亚洲精品一区在线观看| 久久99热这里只频精品6学生| 另类亚洲欧美激情| 国国产精品蜜臀av免费| 免费少妇av软件| 国产一区二区在线观看av| 亚洲精品456在线播放app| 22中文网久久字幕| 老司机影院成人| av天堂中文字幕网| 国产成人免费无遮挡视频| 亚洲无线观看免费| 亚洲av电影在线观看一区二区三区| 99热这里只有是精品50| 一区二区av电影网| 亚洲国产成人一精品久久久| 老司机影院毛片| 香蕉精品网在线| 日韩人妻高清精品专区| 国产淫片久久久久久久久| av天堂中文字幕网| 王馨瑶露胸无遮挡在线观看| 亚洲成色77777| 啦啦啦中文免费视频观看日本| 欧美变态另类bdsm刘玥| 激情五月婷婷亚洲| 亚洲人成网站在线观看播放| 国产精品三级大全| 欧美97在线视频| 色吧在线观看| 精品人妻一区二区三区麻豆| 国产欧美日韩综合在线一区二区 | 中文字幕人妻丝袜制服| 插阴视频在线观看视频| 全区人妻精品视频| 性色avwww在线观看| 岛国毛片在线播放| 国产高清有码在线观看视频| 免费大片黄手机在线观看| 久久午夜综合久久蜜桃| 久久这里有精品视频免费| 一本—道久久a久久精品蜜桃钙片| 老熟女久久久| 成人国产麻豆网| 另类精品久久| 亚洲美女黄色视频免费看| 熟女人妻精品中文字幕| 成人毛片a级毛片在线播放| 婷婷色综合www| h日本视频在线播放| 天美传媒精品一区二区| 内射极品少妇av片p| 成人影院久久| kizo精华| 免费大片18禁| 内射极品少妇av片p| 亚洲av电影在线观看一区二区三区| 另类亚洲欧美激情| 在线观看国产h片| 午夜免费男女啪啪视频观看| 亚洲综合色惰| 少妇 在线观看| 高清午夜精品一区二区三区| 免费久久久久久久精品成人欧美视频 | 99久久中文字幕三级久久日本| 国产精品久久久久久精品电影小说| 午夜视频国产福利| 街头女战士在线观看网站| 午夜福利视频精品| videos熟女内射| 久久免费观看电影| 啦啦啦视频在线资源免费观看| av在线老鸭窝| 亚洲精品亚洲一区二区| 日本av手机在线免费观看| 精品久久久噜噜| 日本与韩国留学比较| 久久6这里有精品| 国产高清三级在线| 国产女主播在线喷水免费视频网站| 伦理电影免费视频| 91成人精品电影| 少妇被粗大猛烈的视频| 中文字幕精品免费在线观看视频 | 午夜福利视频精品| 人人妻人人看人人澡| 极品人妻少妇av视频| 久久精品久久久久久久性| 交换朋友夫妻互换小说| 亚洲婷婷狠狠爱综合网| 久久狼人影院| 欧美日韩视频精品一区| 一本久久精品| 国产精品麻豆人妻色哟哟久久| 久久99一区二区三区| 国产精品女同一区二区软件| 91成人精品电影| 亚洲真实伦在线观看| 性色avwww在线观看| 国产毛片在线视频| 一本—道久久a久久精品蜜桃钙片| 亚洲经典国产精华液单| 一本—道久久a久久精品蜜桃钙片| 亚洲四区av| 日本黄色日本黄色录像| 国产欧美另类精品又又久久亚洲欧美| 下体分泌物呈黄色| 国产精品一区二区三区四区免费观看| 亚州av有码| 热re99久久精品国产66热6| .国产精品久久| 美女xxoo啪啪120秒动态图| 99久久精品一区二区三区| 亚洲综合色惰| 中文字幕亚洲精品专区| 亚洲成人av在线免费| av天堂久久9| 老熟女久久久| freevideosex欧美| 久久97久久精品| h视频一区二区三区| 亚洲av男天堂| 国产中年淑女户外野战色| 久久久国产精品麻豆| 在线观看三级黄色| 少妇人妻精品综合一区二区| 插逼视频在线观看| 亚洲欧洲日产国产| 国产亚洲一区二区精品| 亚洲欧美一区二区三区黑人 | 国产成人aa在线观看| 少妇高潮的动态图| 日韩大片免费观看网站| 亚洲精品456在线播放app| av福利片在线观看| 欧美少妇被猛烈插入视频| 亚洲精品一区蜜桃| 最新中文字幕久久久久| 日本91视频免费播放| 一本色道久久久久久精品综合| 国产一区有黄有色的免费视频| 一边亲一边摸免费视频| 国产伦理片在线播放av一区| 91久久精品国产一区二区成人| 成人亚洲精品一区在线观看| 一本一本综合久久| 欧美精品一区二区大全| 少妇熟女欧美另类| 少妇丰满av| 国产日韩欧美亚洲二区| 中文精品一卡2卡3卡4更新| 80岁老熟妇乱子伦牲交| 成人漫画全彩无遮挡| 内射极品少妇av片p| 国产成人a∨麻豆精品| av福利片在线观看| 国产精品久久久久久精品电影小说| 男人舔奶头视频| 久久精品久久久久久久性| 久久精品久久久久久噜噜老黄| 极品少妇高潮喷水抽搐| 又粗又硬又长又爽又黄的视频| 另类亚洲欧美激情| 国精品久久久久久国模美| 伦理电影大哥的女人| 国产在视频线精品| 亚洲精品亚洲一区二区| 亚洲av不卡在线观看| 亚洲av.av天堂| 日韩精品免费视频一区二区三区 | 欧美亚洲 丝袜 人妻 在线| 国产视频内射| 国产欧美日韩综合在线一区二区 | 少妇丰满av| 精品亚洲成国产av| 91久久精品国产一区二区三区| 人妻一区二区av| 热re99久久国产66热| 欧美xxⅹ黑人| 久久99热6这里只有精品| 日本午夜av视频| 乱人伦中国视频| 一级片'在线观看视频| 国产午夜精品一二区理论片| 亚洲精品久久午夜乱码| 国产男女超爽视频在线观看| 黄色视频在线播放观看不卡| 日本午夜av视频| 91成人精品电影| 免费av中文字幕在线| 蜜桃久久精品国产亚洲av| 最黄视频免费看| 精品亚洲成a人片在线观看| 精品久久国产蜜桃| 高清视频免费观看一区二区| 精品久久久精品久久久| 亚洲av中文av极速乱| 亚洲精品456在线播放app| 美女国产视频在线观看| 久久精品熟女亚洲av麻豆精品| 我要看日韩黄色一级片| 免费av不卡在线播放| 亚洲av免费高清在线观看| 亚洲真实伦在线观看| 高清毛片免费看| 午夜激情久久久久久久| 国产探花极品一区二区| 欧美 亚洲 国产 日韩一| 最新的欧美精品一区二区| 免费黄网站久久成人精品| 亚州av有码| 国产精品不卡视频一区二区| 精品国产国语对白av| 在线观看av片永久免费下载| 中文字幕免费在线视频6| 国产男人的电影天堂91| 日韩成人伦理影院| 亚洲成人手机| 一级,二级,三级黄色视频| 亚洲av不卡在线观看| xxx大片免费视频| 伦精品一区二区三区| 精品卡一卡二卡四卡免费| 永久免费av网站大全| 免费看日本二区| 各种免费的搞黄视频| 国产又色又爽无遮挡免| 久久午夜福利片| 天天操日日干夜夜撸| 欧美 日韩 精品 国产| 国产一区亚洲一区在线观看| 91精品一卡2卡3卡4卡| av国产久精品久网站免费入址| 日韩欧美 国产精品| 欧美日韩亚洲高清精品| 午夜激情久久久久久久| 看免费成人av毛片| 在现免费观看毛片| 国产熟女午夜一区二区三区 | 你懂的网址亚洲精品在线观看| 51国产日韩欧美| 欧美日韩精品成人综合77777| 精品久久久噜噜| 久久久久久久精品精品| 亚洲电影在线观看av| 久久精品久久久久久久性| 成人国产av品久久久| 一级爰片在线观看| 亚洲欧洲精品一区二区精品久久久 | 国产乱人偷精品视频| 激情五月婷婷亚洲| 欧美最新免费一区二区三区| 精品人妻熟女av久视频| 草草在线视频免费看| 国产在线男女| 久久午夜福利片| 亚洲av国产av综合av卡| 免费黄网站久久成人精品| √禁漫天堂资源中文www| 看免费成人av毛片| 简卡轻食公司| 国产精品秋霞免费鲁丝片| 精品视频人人做人人爽| 91精品国产国语对白视频| 日韩一本色道免费dvd| 久久久久久久国产电影| 免费久久久久久久精品成人欧美视频 | 99久久综合免费| 男女边摸边吃奶| 十八禁高潮呻吟视频 | 免费av不卡在线播放| 99热6这里只有精品| 视频区图区小说| 另类亚洲欧美激情| 精品久久久精品久久久| 日本av免费视频播放| 国产免费又黄又爽又色| 日本av手机在线免费观看| 午夜福利网站1000一区二区三区| 亚洲人成网站在线播| 国产午夜精品久久久久久一区二区三区| 久久久久久人妻| 91久久精品国产一区二区三区| 欧美区成人在线视频| 在线观看www视频免费| 丰满人妻一区二区三区视频av| 少妇被粗大的猛进出69影院 | 人体艺术视频欧美日本| 亚洲精品日本国产第一区| 亚洲av中文av极速乱| 中文字幕制服av| 亚洲内射少妇av| 亚洲经典国产精华液单| 日韩一区二区三区影片| 黑人高潮一二区| 国产伦理片在线播放av一区| 在现免费观看毛片| 久久精品久久久久久噜噜老黄| 另类亚洲欧美激情| 一本久久精品| av免费观看日本| 亚洲av成人精品一区久久| a级毛片免费高清观看在线播放| 久久久久久久久久成人| 一区二区三区免费毛片| 日韩欧美 国产精品| 日韩一区二区三区影片| 精华霜和精华液先用哪个| av黄色大香蕉| 国产精品人妻久久久影院| 青春草视频在线免费观看| 9色porny在线观看| 国产欧美亚洲国产| 我要看黄色一级片免费的| 日日啪夜夜撸| 亚洲不卡免费看| 免费不卡的大黄色大毛片视频在线观看| 国产一区有黄有色的免费视频| 狂野欧美激情性xxxx在线观看| .国产精品久久| 免费黄色在线免费观看| 精品国产一区二区久久| 一级毛片aaaaaa免费看小| 国产日韩一区二区三区精品不卡 | a级一级毛片免费在线观看| 视频中文字幕在线观看| 国产白丝娇喘喷水9色精品| 成年人午夜在线观看视频|