• <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
    成人欧美大片| 欧美日本亚洲视频在线播放| 欧美av亚洲av综合av国产av| 国内精品久久久久久久电影| 亚洲激情在线av| 亚洲精品成人久久久久久| 天堂网av新在线| 琪琪午夜伦伦电影理论片6080| 麻豆一二三区av精品| 亚洲18禁久久av| 日本黄色视频三级网站网址| 黄色日韩在线| 三级国产精品欧美在线观看| 国产乱人伦免费视频| 成年版毛片免费区| 欧美三级亚洲精品| 免费av不卡在线播放| 一区二区三区激情视频| av在线蜜桃| 两个人的视频大全免费| 丁香六月欧美| 俄罗斯特黄特色一大片| 国产真人三级小视频在线观看| av中文乱码字幕在线| a级一级毛片免费在线观看| 欧美大码av| 国产精品嫩草影院av在线观看 | 日本五十路高清| 一级黄色大片毛片| 在线观看免费午夜福利视频| 国产免费av片在线观看野外av| 国产精品1区2区在线观看.| 中文在线观看免费www的网站| 久久久久久久午夜电影| 亚洲精品一区av在线观看| 成人亚洲精品av一区二区| 90打野战视频偷拍视频| 嫩草影视91久久| 精品国产超薄肉色丝袜足j| 黄色视频,在线免费观看| 久久久久精品国产欧美久久久| 亚洲性夜色夜夜综合| 国产一区二区三区视频了| 高潮久久久久久久久久久不卡| 在线视频色国产色| 中文在线观看免费www的网站| 乱人视频在线观看| 精品不卡国产一区二区三区| 亚洲欧美激情综合另类| 天堂动漫精品| 亚洲欧美日韩东京热| 真人做人爱边吃奶动态| 亚洲av不卡在线观看| 国产真实乱freesex| xxxwww97欧美| 国产97色在线日韩免费| 久久久久性生活片| 久99久视频精品免费| 亚洲精品久久国产高清桃花| 一个人观看的视频www高清免费观看| 亚洲激情在线av| 欧美+日韩+精品| 亚洲最大成人手机在线| 在线视频色国产色| 欧美最黄视频在线播放免费| 九色国产91popny在线| 欧美成狂野欧美在线观看| 最好的美女福利视频网| 婷婷六月久久综合丁香| 午夜影院日韩av| 丰满人妻一区二区三区视频av | 日韩欧美国产一区二区入口| 国产色爽女视频免费观看| 麻豆一二三区av精品| 国产69精品久久久久777片| 国产精品亚洲av一区麻豆| 色尼玛亚洲综合影院| 亚洲天堂国产精品一区在线| 国产成人av激情在线播放| 一本精品99久久精品77| 国产91精品成人一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 亚洲av不卡在线观看| 欧美一区二区亚洲| 日韩欧美一区二区三区在线观看| 国产高清视频在线播放一区| 男女午夜视频在线观看| 在线免费观看的www视频| 床上黄色一级片| 欧美激情在线99| bbb黄色大片| 男女那种视频在线观看| 成人国产一区最新在线观看| 听说在线观看完整版免费高清| xxxwww97欧美| 99国产精品一区二区三区| 丁香欧美五月| 午夜福利视频1000在线观看| 亚洲欧美日韩高清在线视频| 亚洲美女黄片视频| 免费看十八禁软件| 少妇的逼水好多| 午夜免费成人在线视频| 欧美黑人巨大hd| www.熟女人妻精品国产| 我的老师免费观看完整版| 久久精品综合一区二区三区| 两人在一起打扑克的视频| 国产亚洲精品av在线| 亚洲国产精品sss在线观看| 亚洲七黄色美女视频| 亚洲av电影不卡..在线观看| 网址你懂的国产日韩在线| 免费av毛片视频| 亚洲av免费高清在线观看| 脱女人内裤的视频| 亚洲精品日韩av片在线观看 | 久久久久性生活片| 久久国产精品影院| 88av欧美| 动漫黄色视频在线观看| www.999成人在线观看| 亚洲欧美日韩高清专用| 天堂av国产一区二区熟女人妻| 亚洲真实伦在线观看| 岛国在线免费视频观看| 欧美一级a爱片免费观看看| 国产爱豆传媒在线观看| 最近视频中文字幕2019在线8| 少妇的丰满在线观看| 欧美不卡视频在线免费观看| 久久久久久久久久黄片| 少妇人妻精品综合一区二区 | 免费无遮挡裸体视频| 99久久精品热视频| av女优亚洲男人天堂| 午夜日韩欧美国产| 91av网一区二区| 在线观看美女被高潮喷水网站 | 亚洲在线自拍视频| 日韩人妻高清精品专区| 欧美成人性av电影在线观看| 国产色婷婷99| 国产精品影院久久| 久久久久国内视频| 午夜日韩欧美国产| 波多野结衣高清无吗| 90打野战视频偷拍视频| 日韩欧美国产在线观看| 亚洲精品在线观看二区| 日日干狠狠操夜夜爽| 丰满人妻熟妇乱又伦精品不卡| 成年女人看的毛片在线观看| 51午夜福利影视在线观看| 国产在视频线在精品| ponron亚洲| 极品教师在线免费播放| 内地一区二区视频在线| 精品电影一区二区在线| 嫩草影院入口| 亚洲午夜理论影院| 久久精品国产自在天天线| 男人的好看免费观看在线视频| 国产激情偷乱视频一区二区| 午夜福利18| 亚洲五月天丁香| 欧美最黄视频在线播放免费| 99久久精品热视频| 最新在线观看一区二区三区| 亚洲一区二区三区色噜噜| 女生性感内裤真人,穿戴方法视频| 蜜桃亚洲精品一区二区三区| 国产一级毛片七仙女欲春2| 亚洲狠狠婷婷综合久久图片| 两个人看的免费小视频| 久久精品国产自在天天线| 欧美乱妇无乱码| 日韩欧美在线乱码| 日韩欧美三级三区| 欧美成人免费av一区二区三区| 亚洲成人免费电影在线观看| a级毛片a级免费在线| 亚洲久久久久久中文字幕| 国产一区二区三区视频了| 日韩欧美免费精品| 国产成人a区在线观看| 女人高潮潮喷娇喘18禁视频| 久久久久九九精品影院| 伊人久久精品亚洲午夜| 久久香蕉国产精品| 国内久久婷婷六月综合欲色啪| 国产爱豆传媒在线观看| 嫩草影院入口| 成人永久免费在线观看视频| 九色成人免费人妻av| 亚洲第一欧美日韩一区二区三区| 日本免费一区二区三区高清不卡| 亚洲精品影视一区二区三区av| 国产色婷婷99| www日本黄色视频网| 久久久色成人| 在线a可以看的网站| 琪琪午夜伦伦电影理论片6080| 熟女少妇亚洲综合色aaa.| 日本黄大片高清| 深爱激情五月婷婷| 国产探花在线观看一区二区| av欧美777| 成人av在线播放网站| 国内精品一区二区在线观看| 一个人免费在线观看的高清视频| 国产成人a区在线观看| 亚洲精品日韩av片在线观看 | 亚洲精品一卡2卡三卡4卡5卡| 国产成人福利小说| 婷婷丁香在线五月| 欧美又色又爽又黄视频| 好男人在线观看高清免费视频| 天天一区二区日本电影三级| 国产欧美日韩一区二区三| 亚洲黑人精品在线| 九色国产91popny在线| 变态另类成人亚洲欧美熟女| 日韩欧美一区二区三区在线观看| 欧美成狂野欧美在线观看| 国产aⅴ精品一区二区三区波| 成人国产综合亚洲| 最新中文字幕久久久久| 69人妻影院| 亚洲一区高清亚洲精品| 9191精品国产免费久久| 日韩成人在线观看一区二区三区| 亚洲欧美日韩卡通动漫| 中文字幕人妻熟人妻熟丝袜美 | 久久天躁狠狠躁夜夜2o2o| 99久国产av精品| 国产精品乱码一区二三区的特点| 最新中文字幕久久久久| 高清毛片免费观看视频网站| 欧美最黄视频在线播放免费| 亚洲真实伦在线观看| 天天添夜夜摸| 熟女少妇亚洲综合色aaa.| 日韩精品中文字幕看吧| 亚洲国产精品sss在线观看| 极品教师在线免费播放| 亚洲人成网站在线播| 少妇熟女aⅴ在线视频| 搡老岳熟女国产| 69人妻影院| 欧美另类亚洲清纯唯美| 在线视频色国产色| 国内精品久久久久久久电影| 日本黄大片高清| 91久久精品国产一区二区成人 | 亚洲精品色激情综合| 狂野欧美激情性xxxx| av在线蜜桃| 国产精品 国内视频| 日韩欧美在线乱码| 久久香蕉国产精品| 人妻丰满熟妇av一区二区三区| 国产一区二区在线观看日韩 | 国产极品精品免费视频能看的| 日本五十路高清| 给我免费播放毛片高清在线观看| 国产精品98久久久久久宅男小说| 亚洲欧美一区二区三区黑人| 国产欧美日韩精品一区二区| 中文字幕人妻丝袜一区二区| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 亚洲精品成人久久久久久| 在线观看日韩欧美| 不卡一级毛片| 欧美成人一区二区免费高清观看| 99国产精品一区二区三区| 琪琪午夜伦伦电影理论片6080| 欧美大码av| 国产一区二区在线观看日韩 | 老汉色∧v一级毛片| 天天躁日日操中文字幕| 国产精品国产高清国产av| 色综合站精品国产| 国产精品电影一区二区三区| 国产高清视频在线观看网站| 日韩欧美在线二视频| 最好的美女福利视频网| 免费在线观看亚洲国产| 国产三级中文精品| 可以在线观看的亚洲视频| 欧美日韩综合久久久久久 | 中文字幕人成人乱码亚洲影| 两人在一起打扑克的视频| 成人av一区二区三区在线看| 亚洲av免费高清在线观看| 国语自产精品视频在线第100页| av在线天堂中文字幕| 国产精品电影一区二区三区| 一二三四社区在线视频社区8| 内地一区二区视频在线| 日韩成人在线观看一区二区三区| 夜夜夜夜夜久久久久| 国产免费一级a男人的天堂| 18美女黄网站色大片免费观看| 欧美乱色亚洲激情| 偷拍熟女少妇极品色| 国产激情偷乱视频一区二区| 国产一区二区在线av高清观看| 九色国产91popny在线| 国产高清激情床上av| 欧美中文日本在线观看视频| 亚洲美女黄片视频| 国内精品久久久久久久电影| 97碰自拍视频| 非洲黑人性xxxx精品又粗又长| 国产一级毛片七仙女欲春2| 一区二区三区免费毛片| 又紧又爽又黄一区二区| 亚洲五月天丁香| 天天一区二区日本电影三级| 69人妻影院| 国产亚洲精品一区二区www| 欧美一区二区国产精品久久精品| 麻豆一二三区av精品| 亚洲国产欧洲综合997久久,| 淫妇啪啪啪对白视频| 99久久精品热视频| 黄色丝袜av网址大全| 国产一区二区在线观看日韩 | 国产乱人视频| 无人区码免费观看不卡| 成人国产一区最新在线观看| 国产中年淑女户外野战色| 三级国产精品欧美在线观看| 欧美色视频一区免费| 在线天堂最新版资源| 色精品久久人妻99蜜桃| 小说图片视频综合网站| 嫁个100分男人电影在线观看| 波野结衣二区三区在线 | 久久久久久久久中文| 国产一区二区在线av高清观看| 中文在线观看免费www的网站| 婷婷六月久久综合丁香| 黄色丝袜av网址大全| 日韩 欧美 亚洲 中文字幕| www国产在线视频色| 亚洲av成人不卡在线观看播放网| 女警被强在线播放| 男人舔奶头视频| 亚洲国产色片| 悠悠久久av| 亚洲欧美日韩高清专用| 1000部很黄的大片| 在线观看免费午夜福利视频| 国内少妇人妻偷人精品xxx网站| 欧美乱妇无乱码| 国产精品久久久久久久电影 | 我的老师免费观看完整版| 毛片女人毛片| 精品一区二区三区人妻视频| 精品一区二区三区视频在线 | 最新在线观看一区二区三区| 国产成人系列免费观看| 欧美另类亚洲清纯唯美| 久久久成人免费电影| 欧美国产日韩亚洲一区| 黄色女人牲交| xxx96com| 国产欧美日韩精品亚洲av| 国内精品久久久久精免费| 亚洲18禁久久av| 淫妇啪啪啪对白视频| 男女床上黄色一级片免费看| 窝窝影院91人妻| 亚洲内射少妇av| 啦啦啦韩国在线观看视频| 亚洲av成人av| 波多野结衣巨乳人妻| 欧美性猛交黑人性爽| 高潮久久久久久久久久久不卡| 天堂动漫精品| 真人做人爱边吃奶动态| 欧美性猛交╳xxx乱大交人| 91九色精品人成在线观看| 天天添夜夜摸| 亚洲最大成人中文| 国产精品久久久久久人妻精品电影| 老熟妇乱子伦视频在线观看| 成人无遮挡网站| 欧美日韩综合久久久久久 | 18禁国产床啪视频网站| 淫妇啪啪啪对白视频| 长腿黑丝高跟| 午夜视频国产福利| 乱人视频在线观看| 亚洲最大成人中文| 69av精品久久久久久| 老熟妇乱子伦视频在线观看| 国产成人影院久久av| 动漫黄色视频在线观看| 女警被强在线播放| 亚洲乱码一区二区免费版| 国产亚洲欧美98| 少妇人妻一区二区三区视频| 亚洲不卡免费看| 久久99热这里只有精品18| 国内久久婷婷六月综合欲色啪| 亚洲激情在线av| 男女那种视频在线观看| 琪琪午夜伦伦电影理论片6080| 久久久久久久久中文| 极品教师在线免费播放| 激情在线观看视频在线高清| 十八禁人妻一区二区| 动漫黄色视频在线观看| bbb黄色大片| av天堂在线播放| 亚洲一区高清亚洲精品| 久久精品夜夜夜夜夜久久蜜豆| 国产精品永久免费网站| 一二三四社区在线视频社区8| 免费一级毛片在线播放高清视频| av在线天堂中文字幕| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲精品影视一区二区三区av| 九九在线视频观看精品| 精品一区二区三区视频在线 | 校园春色视频在线观看| 一进一出好大好爽视频| 免费人成在线观看视频色| 欧美日韩中文字幕国产精品一区二区三区| 无限看片的www在线观看| 成人午夜高清在线视频| 国产亚洲精品久久久久久毛片| 国产精品嫩草影院av在线观看 | 18+在线观看网站| 99国产综合亚洲精品| 一夜夜www| 免费av观看视频| 久久九九热精品免费| 久久久久久久亚洲中文字幕 | 午夜福利视频1000在线观看| 老熟妇仑乱视频hdxx| 一进一出抽搐动态| 亚洲欧美日韩无卡精品| 99久久成人亚洲精品观看| 一区福利在线观看| 国产综合懂色| 久久久国产精品麻豆| 欧美+日韩+精品| 国产精品久久久久久人妻精品电影| 在线a可以看的网站| 1024手机看黄色片| 亚洲精品一区av在线观看| 特大巨黑吊av在线直播| 色综合亚洲欧美另类图片| 天堂网av新在线| 精品久久久久久久毛片微露脸| 内射极品少妇av片p| 夜夜爽天天搞| 亚洲精品在线美女| 99热6这里只有精品| 18禁黄网站禁片免费观看直播| 内地一区二区视频在线| 长腿黑丝高跟| 成人永久免费在线观看视频| 久久天躁狠狠躁夜夜2o2o| 麻豆久久精品国产亚洲av| 美女 人体艺术 gogo| 亚洲国产精品sss在线观看| 日本在线视频免费播放| АⅤ资源中文在线天堂| 成人精品一区二区免费| a级毛片a级免费在线| 小蜜桃在线观看免费完整版高清| av视频在线观看入口| 日本黄色视频三级网站网址| 美女 人体艺术 gogo| 国产一区二区在线观看日韩 | 久久亚洲精品不卡| 免费观看精品视频网站| 免费大片18禁| 欧美区成人在线视频| 亚洲成人久久爱视频| 日韩成人在线观看一区二区三区| 国产又黄又爽又无遮挡在线| 丰满乱子伦码专区| 激情在线观看视频在线高清| 久9热在线精品视频| 国产av在哪里看| 亚洲av电影不卡..在线观看| 久久精品影院6| 人人妻人人看人人澡| 色播亚洲综合网| 两个人的视频大全免费| 婷婷丁香在线五月| 一二三四社区在线视频社区8| 一本综合久久免费| 黄片大片在线免费观看| 国产三级在线视频| 国产又黄又爽又无遮挡在线| 黄色视频,在线免费观看| 波野结衣二区三区在线 | 精品一区二区三区视频在线观看免费| 久久久久性生活片| 亚洲激情在线av| 日韩欧美在线乱码| 亚洲精华国产精华精| 日本免费一区二区三区高清不卡| 精品99又大又爽又粗少妇毛片 | 国产91精品成人一区二区三区| 亚洲中文日韩欧美视频| 最近最新免费中文字幕在线| 97碰自拍视频| 黄色丝袜av网址大全| 九九热线精品视视频播放| 网址你懂的国产日韩在线| 欧美日韩一级在线毛片| 在线观看一区二区三区| 丁香六月欧美| 夜夜爽天天搞| 日韩精品青青久久久久久| 久久伊人香网站| 久久久久久国产a免费观看| 手机成人av网站| 久9热在线精品视频| 国产真人三级小视频在线观看| 怎么达到女性高潮| 久久久久久久精品吃奶| 久久久久久人人人人人| 欧美中文综合在线视频| 国产三级黄色录像| 黄色日韩在线| 久久久久性生活片| 精品乱码久久久久久99久播| 无限看片的www在线观看| 欧美乱妇无乱码| 搡老岳熟女国产| 中文字幕久久专区| 久久久久久久精品吃奶| 大型黄色视频在线免费观看| 日本三级黄在线观看| 欧美性猛交黑人性爽| 在线观看66精品国产| 免费在线观看亚洲国产| 美女黄网站色视频| 欧美乱色亚洲激情| 国产亚洲精品久久久com| 午夜福利18| 真实男女啪啪啪动态图| 免费观看人在逋| 精品一区二区三区人妻视频| 国产成人欧美在线观看| 亚洲av免费在线观看| 欧美+日韩+精品| 1024手机看黄色片| 一区福利在线观看| 亚洲国产欧美网| 俺也久久电影网| 亚洲欧美日韩无卡精品| 精品国内亚洲2022精品成人| 丝袜美腿在线中文| 又粗又爽又猛毛片免费看| svipshipincom国产片| 乱人视频在线观看| 国产一级毛片七仙女欲春2| 国产69精品久久久久777片| 国产精品一区二区三区四区久久| 欧美日韩瑟瑟在线播放| 狂野欧美白嫩少妇大欣赏| 日韩欧美一区二区三区在线观看| 好看av亚洲va欧美ⅴa在| a在线观看视频网站| 欧美av亚洲av综合av国产av| 成人一区二区视频在线观看| 中亚洲国语对白在线视频| 精品人妻1区二区| 亚洲人成网站高清观看| 亚洲av熟女| 精品人妻偷拍中文字幕| 丰满人妻熟妇乱又伦精品不卡| 深爱激情五月婷婷| 每晚都被弄得嗷嗷叫到高潮| 日本在线视频免费播放| 日韩欧美免费精品| 久久久久久人人人人人| 精品人妻一区二区三区麻豆 | 国产探花在线观看一区二区| 嫩草影院入口| 久久国产乱子伦精品免费另类| 脱女人内裤的视频| 国产精品久久视频播放| 亚洲av成人不卡在线观看播放网| 亚洲av电影不卡..在线观看| 男女床上黄色一级片免费看| 国产亚洲精品av在线| 欧美成人a在线观看| 成人av一区二区三区在线看| 女人被狂操c到高潮| 91麻豆精品激情在线观看国产| 国产激情欧美一区二区| 国产黄色小视频在线观看| 女同久久另类99精品国产91| 精品一区二区三区视频在线 | 亚洲精品456在线播放app | 在线观看舔阴道视频| 欧美zozozo另类| 亚洲成人免费电影在线观看| 无人区码免费观看不卡| 亚洲自拍偷在线| 首页视频小说图片口味搜索| 亚洲美女视频黄频| 99热精品在线国产| 天美传媒精品一区二区|