• <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 ?

    基于改進Yolov5的花色布匹瑕疵檢測方法

    2023-04-26 08:21:10時造雄茅正沖
    計算機測量與控制 2023年4期
    關(guān)鍵詞:特征檢測

    時造雄,茅正沖

    (江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214000)

    0 引言

    中國是世界上最大的布匹生產(chǎn)國,布匹瑕疵的識別與檢測在生產(chǎn)過程中是十分重要的一個環(huán)節(jié),傳統(tǒng)的布匹瑕疵檢測與識別是通過人工的方式進行的,存在受主觀影響較大、檢測效率低下等問題。近年來,隨著計算機算力的突破,深度學(xué)習(xí)技術(shù)發(fā)展迅猛,在工業(yè)生產(chǎn)的瑕疵檢測領(lǐng)域已經(jīng)產(chǎn)生了越來越多的應(yīng)用。

    目前主流的目標(biāo)檢測算法分為單階段和雙階段兩種類型,單階段算法以SSD(single shot multibox detector)和YOLO(you only look once)為典型,而雙階段則以Faster R-CNN(faster region-CNN)網(wǎng)絡(luò)為主[1]。

    在針對花色布匹的瑕疵檢測上,文獻[2]在Faster R-CNN網(wǎng)絡(luò)模型的基礎(chǔ)上進行改進,提升了對較小目標(biāo)瑕疵的檢出能力及復(fù)雜背景下的瑕疵檢出能力,但仍存在速度不足的缺陷[2];文獻[3]提出了雙路高分辨轉(zhuǎn)換網(wǎng)絡(luò)的花色布匹瑕疵檢測方法,消除復(fù)雜花色背景的影響并且解決了少數(shù)類瑕疵樣本準(zhǔn)確率不高的問題,該模型存在對小目標(biāo)瑕疵的檢測優(yōu)化不足的明顯短板,整體精度較低[3];文獻[4]提出基于級聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜花色布匹瑕疵檢測算法,該算法一定程度上改善了對瑕疵檢測的速度和精度要求[4];文獻[5]提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的分類不平衡紋理布匹瑕疵檢測方法,能有效減輕瑕疵種類分布不均對模型的影響,且降低了模型對部分瑕疵較少的不敏感性,但該模型的精度表現(xiàn)一般,仍有待改善[5]。綜上所述之前國內(nèi)外得研究并不能滿足精度和速度的雙重要求。

    在以上研究的基礎(chǔ)上,本文主要在YOLOv5網(wǎng)絡(luò)基礎(chǔ)上進行改進,提出了DD-YOLOv5(defect detection YOLOv5)瑕疵檢測模型,首先將CoTNet與YOLOv5模型相結(jié)合,用于指導(dǎo)動態(tài)注意力矩陣的學(xué)習(xí),增強視覺表示能力;其次引入CBAM(convolutional block attention module)注意力機制,讓網(wǎng)絡(luò)學(xué)會關(guān)注重點信息;接著使用α-IoU損失函數(shù)代替原網(wǎng)絡(luò)中G-IoU損失函數(shù),提高邊界框的回歸精度;最后增加檢測頭,提升網(wǎng)絡(luò)對小目標(biāo)的檢測能力。經(jīng)實驗證明,改進后的網(wǎng)絡(luò)能同時解決上述文章中提出的花色布匹瑕疵檢測的如瑕疵目標(biāo)小、種類分布不均、長寬比較為極端以及易與背景混淆等檢測難點,且在速度上優(yōu)于其它算法,表明該方法在花色布匹瑕疵檢測任務(wù)中具有良好的檢測性能。

    1 系統(tǒng)結(jié)構(gòu)及原理

    1.1 原生YOLOv5模型

    YOLOv5系列網(wǎng)絡(luò)整體沿用系列網(wǎng)絡(luò)整體布局,主要由Backbone(主干)、Neck(頸部)、Head(頭部)3個部分組成,其結(jié)構(gòu)如圖1所示。

    圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖

    1.2 原生算法系統(tǒng)結(jié)構(gòu)分析

    YOLOv5目標(biāo)檢測網(wǎng)絡(luò)的主干部分主要用于提取圖像淺層和深層的各項特征并整合。

    主干部分中CSP1模塊主要借鑒了殘差網(wǎng)絡(luò)的思想,由殘差映射替換了以往的基礎(chǔ)映射,使得深層次的網(wǎng)絡(luò)模型達到更好的訓(xùn)練效果,在殘差網(wǎng)絡(luò)出現(xiàn)之前,學(xué)術(shù)界往往認(rèn)為網(wǎng)絡(luò)層數(shù)越深則獲取信息越多,模型泛化效果越好。然而后續(xù)的研究表明當(dāng)網(wǎng)絡(luò)的層數(shù)加深時,模型的準(zhǔn)確率反而有所降低。這是由于反向傳播過程中的梯度爆炸和梯度消失所造成。也就是說,網(wǎng)絡(luò)越深,模型越難優(yōu)化。為了能讓深層次的網(wǎng)絡(luò)模型達到更好的訓(xùn)練效果,殘差網(wǎng)絡(luò)中提出由殘差映射替換了以往的基礎(chǔ)映射。

    SPPF模塊主要作用是對高層特征進行提取并融合,在融合的過程中多次運用最大池化,盡可能多地去提取高層次的語義特征。

    頸部網(wǎng)絡(luò)的主要作用是將主干網(wǎng)絡(luò)提取的淺層和深層信息加強并融合。該部分采用的是特征金字塔網(wǎng)絡(luò)(FPN,feature pyramid network)結(jié)合路徑聚合網(wǎng)絡(luò)(PAN,path aggregation network)的設(shè)計[6-7]。金字塔結(jié)構(gòu)是一種自頂向下的側(cè)邊連接,在所有尺度上構(gòu)建出高級語義特征圖的結(jié)構(gòu),該結(jié)構(gòu)經(jīng)過多層的網(wǎng)絡(luò)后,底層的目標(biāo)信息已經(jīng)非常模糊了,因此網(wǎng)絡(luò)在頸部又結(jié)合了路徑聚合網(wǎng)絡(luò),加入了自底向上的路線,彌補并加強了定位信息[8]。

    檢測頭部分主要包括不同的損失函數(shù)。其主要目標(biāo)是通過降低預(yù)測框和真實框的損失函數(shù)來獲得最佳的目標(biāo)檢測框[9]。

    2 改進措施

    2.1 改進后系統(tǒng)原理圖

    本文提出的DD-YOLOv5模型結(jié)構(gòu)如圖2所示。

    圖2 DD-YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖

    通過圖2可知,與原生網(wǎng)絡(luò)相比,本文網(wǎng)絡(luò)主要改進點為:首先用CoT3模塊代替原有CSP1模塊,主要考慮CoT模塊能夠充分利用輸入信息上下文的特點,以克服布匹瑕疵檢測中大部分瑕疵為較小目標(biāo)的難點[10];其次在頸部網(wǎng)絡(luò)中引入CBAM注意力機制,在骨干網(wǎng)絡(luò)后進一步加強針對特征的信息篩選;最后在網(wǎng)絡(luò)的檢測層處,算法增加了一個檢測頭,使檢測頭覆蓋更大的檢測范圍,網(wǎng)絡(luò)能夠更加全面的關(guān)注到想要的信息。

    2.2 CoTNet

    Transformer的出現(xiàn)極大地促進了自然語言處理領(lǐng)域的發(fā)展,該風(fēng)格的網(wǎng)絡(luò)架構(gòu)近期在計算機視覺領(lǐng)域也掀起了一波浪潮并取得了極具競爭力的結(jié)果[11]。盡管如此,現(xiàn)有的架構(gòu)直接在二維特征圖上執(zhí)行自注意力并得到注意力矩陣,但是關(guān)于近鄰豐富的上下文信息卻并未得到充分探索。

    CoT模塊是一種能夠充分利用二維特征圖上下文信息的注意力機構(gòu),其結(jié)構(gòu)如圖3所示。

    圖3 CoT模塊

    本文中所提到的CoTNet結(jié)構(gòu)由CoT模塊代替主干網(wǎng)絡(luò)中的CSP1模塊而組成。

    由圖3可知假設(shè)輸入二維特征X∈RH×W×C,而鍵向量K, 輸入特征Q以及值向量V分別定義為:

    K=X,Q=X,V=XWv

    (1)

    其中:Wv是指將X進行了特征的映射得到新的V。CoT模塊首先采用k×k卷積提取上下文信息,所得K1∈RH×W×C自然地可以反應(yīng)近鄰間的上下文信息,我們將其視作輸入X的靜態(tài)上下文表達。將前述所得K1與Q進行拼接并通過兩個連續(xù)1×1卷積Wθ和Wδ來計算并得到注意力矩陣A:

    A=[K1,Q]WθWδ

    (2)

    接下來,基于上述所得注意力矩陣A和值向量V,我們生成增強特征K2:

    K2=V*A

    (3)

    上述所得增強特征K2可以捕獲關(guān)于輸入的動態(tài)特征交互,我們將其稱之為輸入X的動態(tài)上下文表達。最后將上述兩種上下文表達通過注意力機制融合即可得到CoT模塊的輸出。

    CoT模塊能將上下文信息挖掘與自注意力學(xué)習(xí)集成到統(tǒng)一架構(gòu)中,充分探索近鄰間的上下文信息以一種高效方式提升自注意力學(xué)習(xí),進而提升輸出特征的表達能力,提升了視覺表達能力。本文在DD-YOLOv5 模型的主干網(wǎng)絡(luò)中多次應(yīng)用該模塊,有利于模型對圖像深淺特征的全局提取,重點信息可以被加強,從而使花色布匹瑕疵中占比較多的瑕疵的全局特征能夠得到加強。

    2.3 CBAM注意力機制

    在花色布匹瑕疵檢測的過程中,部分瑕疵目標(biāo)僅占幾個像素點,部分瑕疵與背景極為相似,這些瑕疵的特征信息極易在深層網(wǎng)絡(luò)中丟失,很容易出現(xiàn)漏檢、錯檢。而CBAM注意力機制可有效增大小目標(biāo)在整張?zhí)卣鲌D中的權(quán)重,使得各種瑕疵信息更容易在網(wǎng)絡(luò)中學(xué)習(xí)到[12]。其結(jié)構(gòu)如圖4所示。

    由圖可知,CBAM模塊包括通道注意力模塊和空間注意力模塊兩個子模塊。

    首先利用通道注意力模塊來生成通道注意圖,特征圖的每個通道都被認(rèn)為是一個特征檢測器,因此通道的注意力能夠集中在給定輸入圖像中有意義的部分;在該模塊中,為了有效地計算通道注意力,采用壓縮輸入特征映射的空間維度的方法,即同時使用平均池化和最大池化的方法,這種做法比單獨使用一種池化方法更具有表征力。

    此時將通道注意力模塊的輸出作為空間注意力模塊的輸入,然后利用空間注意力模塊去生成空間注意圖;與通道注意模塊不同的是,空間注意模塊更加關(guān)注的是信息的位置去作為通道注意模塊的補充;為了計算空間注意力,需要在通道中使用平均池化和最大池化操作,將它們連接起來以生成一個有效的特征描述符,然后使用兩個池化操作聚合一個特征圖的通道信息,生成兩個二維的特征圖,這兩個特征圖分別表示了通道的平均池化特性和最大池化特性,然后利用一個標(biāo)準(zhǔn)的卷積層進行連接和卷積操作,得到最終需要的二維空間注意力圖。

    這樣一來CBAM模塊可同時關(guān)注空間和通道信息,使得提取到的高層特征更全面更豐富[13-14]。

    2.4 α-IoU損失函數(shù)

    邊界框(Bbox,bounding box)是目標(biāo)檢測中用于框選出待檢測目標(biāo)的一個方框,一個目標(biāo)檢測器通常由邊界框回歸和一個分類回歸組成[15]。

    早期的目標(biāo)檢測工作使用n范數(shù)損失函數(shù)進行邊界框回歸,這種方法對邊界框的大小極為敏感,交并比 (IoU,intersection over union)損失函數(shù)的出現(xiàn)彌補了這一缺陷。與n范數(shù)損失函數(shù)相比,IoU損失函數(shù)對邊界框的尺度是不變的。然而,當(dāng)預(yù)測框與邊界框的真實值不重疊時,IoU損失會出現(xiàn)梯度消失問題,導(dǎo)致收斂速度減慢,進而導(dǎo)致檢測器不準(zhǔn)確。這激發(fā)了幾種改進的基于IoU的損失函數(shù)設(shè)計,包括GIoU (generalized IoU)、DIoU (distance IoU)和CIoU (complete IoU)。YOLOv5原本采用的損失函數(shù)為Loss_GIoU,當(dāng)預(yù)測的邊界框在真實的邊界框內(nèi)部時,GIoU無法判斷出正確的最小邊界框[16]。

    在花色布匹瑕疵檢測中有部分瑕疵長寬比較為極端,處理不當(dāng)極容易出現(xiàn)漏檢情況,采用更有效的邊界框損失函數(shù)此時顯得尤為重要。為解決該問題,本文引入α-IoU予以改進,在原有的基礎(chǔ)上更加關(guān)注高IoU目標(biāo),能夠優(yōu)化所有層次的目標(biāo),實現(xiàn)不同水平的檢測框回歸精度[16]。Lossα-IoU的公式如下所示:

    (4)

    通過對Lossα-IoU中的參數(shù)α進行調(diào)制,可以推導(dǎo)出現(xiàn)有的大多數(shù)IoU。本文中采用目前常用效果最好的LossCIoU改進為Lossα-IoU,其定義如下所示:

    (5)

    其中:c代表的是能夠同時包含預(yù)測框和真實框的最小閉包區(qū)域的對角線距離,而v衡量長寬比的一致性,其定義如公式(6);β是一個正的權(quán)衡參數(shù),其數(shù)值如式(7),ρ2α(b,bgt)分別代表了預(yù)測框和真實框的中心點的歐式距離。

    (6)

    (7)

    2.5 多尺度檢測頭

    本文改進的算法在檢測頭部分增加了一個低維且高分辨率的檢測頭,該檢測頭主要是用來處理難以檢測的小目標(biāo)部分[18]。

    增加的檢測頭由低層高分辨率的特征圖生成,當(dāng)網(wǎng)絡(luò)的輸入圖像尺寸為960*960時,原算法中的3個檢測頭對應(yīng)的特征圖大小分別為120*120,60*60,30*30,而增加的檢測頭特征圖大小為240*240,該檢測頭能充分利用到淺層特征信息,明顯降低卷積帶來的小目標(biāo)區(qū)域特征信息丟失的影響,雖然在計算量上有所增加,但能明顯改善小目標(biāo)的檢測精度[19-20]。

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集及瑕疵介紹

    本文選用的數(shù)據(jù)采集自佛山南海紡織車間,共計2 739張含有瑕疵的圖片,其中2 122張作為訓(xùn)練集,617張作為測試集。圖片中包括沾污、錯花、水印、花毛、縫頭、縫頭印、蟲粘、破洞、褶子、織疵、漏印、蠟斑、色差、網(wǎng)折共計14種瑕疵類型,圖5為瑕疵數(shù)量圖,沾污這種瑕疵的占比超過80%,種類分布極其不均衡。

    圖5 瑕疵數(shù)量

    圖6分別為小目標(biāo)瑕疵、長寬比極端瑕疵、與背景及其相似的瑕疵展示。

    本文主要針對圖6中3種瑕疵檢測中的難點問題搭建檢測平臺,并使用改進后的算法進行檢測。

    3.2 實驗環(huán)境搭建

    本文硬件配置環(huán)境如表1所示。

    表1 實驗環(huán)境

    3.3 實驗結(jié)果展示

    圖7為多種瑕疵實際檢測效果圖的典型瑕疵檢測細(xì)節(jié)圖的展示。

    圖7 部分瑕疵檢測實際效果

    通過以上實際檢測效果圖可以發(fā)現(xiàn),在本文的算法下,對布匹瑕疵的檢測效果已經(jīng)可以達到工業(yè)現(xiàn)場級別的要求,且大部分的瑕疵檢測識別率更是在0.9以上。可以充分說明本文算法在針對花色布匹的瑕疵檢測上效果卓然。

    3.4 評估標(biāo)準(zhǔn)

    本文中引入以下評估標(biāo)準(zhǔn)評估模型性能:

    精確率(P,precision)又稱查準(zhǔn)率,指正確預(yù)測為正占全部預(yù)測為正的比例,如式(8)所示:

    (8)

    召回率(R,recall)又稱查全率,指正確預(yù)測為正占全部實際為正的比例,如式(9)所示:

    (9)

    平均精度(AP,average precision,)由精確率和召回率計算得出,根據(jù)召回率值繪出精確率的折線圖,計算出該折線下的面積,如式(10)所示:

    (10)

    平均精度均值(mAP,mean average precision)是指C個不同缺陷的平均精度AP的平均值,如式(11)所示:

    (11)

    3.5 消融實驗

    為驗證本研究提出的關(guān)于 YOLOv5 的4種改進策略,在數(shù)據(jù)集上展開消融試驗,以判斷每個改進點的有效性,依次在原有模型基礎(chǔ)上加上改進措施,使用改進用“√”表示,未使用改進則表格為空。訓(xùn)練過程使用相同的參數(shù)配置,結(jié)果如表 2 所示。

    表2 消融實驗結(jié)果

    消融實驗以原生YOLOv5網(wǎng)絡(luò)模型為基準(zhǔn),輸入圖像分辨率均為960*960。

    通過表2中第1組和第2組的實驗對比,可以發(fā)現(xiàn)當(dāng)檢測層由三層增加到四層,mAP由71.1%升到了75.6%,結(jié)果表明增加的針對小目標(biāo)的提取淺層信息的檢測頭起到了顯著效果,很明顯的降低了漏檢率。

    通過第2組和第3組對比,當(dāng)網(wǎng)絡(luò)中增加了CoT模塊形成CoTNet后,mAP由75.6%提升到77.4%,主要原因是因為CoT模塊能多挖掘網(wǎng)絡(luò)中的上下文信息,進而對圖像深淺特征進行全局提取,這一舉動雖然損失了較小的檢測速率,但能顯著提高對目標(biāo)的檢測準(zhǔn)確率。

    通過第3組與第4組實驗對比顯示,在頸部網(wǎng)絡(luò)增加了CBAM模塊的網(wǎng)絡(luò)mAP值從77.4%提升到79.3%,表明CBAM模塊能夠更多地關(guān)注有用的信息,提高對重點瑕疵如沾污的識別率。

    通過第4組與第5組的實驗數(shù)據(jù)對比,瑕疵識別的mAP值由79.3%提升到了80.0%,說明在引入了新的邊界框損失函數(shù)后,檢測器能更好地進行邊界框的回歸,從而使得長寬比極端的瑕疵的漏檢率下降。

    綜合上述可知,在結(jié)合了多種針對YOLOv5算法的改進措施后,本文的算法能夠在布匹瑕疵的專項檢測中取得較好的效果,充分說明上述改進措施在實際檢測中是有實際成效的。

    3.6 損失函數(shù)收斂曲線

    圖8和圖9為原生算法和改進后算法的損失函數(shù)收斂情況。

    圖8 原生網(wǎng)絡(luò)損失函數(shù)收斂曲線

    圖9 改進后網(wǎng)絡(luò)損失函數(shù)收斂曲線

    其中實線為定位損失box_loss,指預(yù)測框與標(biāo)定框之間的誤差,點劃線為置信度損失obj_loss,用于計算網(wǎng)絡(luò)的置信度,虛線為分類損失cls_loss,用于計算錨框與對應(yīng)的標(biāo)定分類是否正確。

    通過兩圖對比可發(fā)現(xiàn)定位損失由明顯下降,這是由于算法中使用α-IoU代替原網(wǎng)絡(luò)中的G-IoU交并比計算方法,進而使得另外兩種損失也跟著有所下降,網(wǎng)絡(luò)整體收斂更快,效果更好。

    3.7 對比實驗

    為了證明DD-YOLOv5網(wǎng)絡(luò)模型在花色布匹表面瑕疵檢測方面的優(yōu)勢,我們將其與目前幾種主流的目標(biāo)檢測算法進行了對比,其對比結(jié)果如表3所示。

    表3 對比實驗結(jié)果

    從表3中可以得知,F(xiàn)aster-RCNN網(wǎng)絡(luò)在精確率方面不高,但召回率卻是最高,這是因為雙階段網(wǎng)絡(luò)結(jié)構(gòu)采用候選框機制遍歷特征圖,故能將圖中的目標(biāo)較齊全的檢測到,但這也同樣會使得二階段網(wǎng)絡(luò)計算量較大故而速度較慢,僅能達到22.4幀的速度。而同樣作為單階段目標(biāo)檢測的SSD網(wǎng)絡(luò)雖然在檢測速率上與YOLO系列沒有過大的差距,但是在檢測精度上,無論是精確率還是召回率,比起YOLO系列都差距較大,原因在于SSD的主干網(wǎng)絡(luò)為VGG系列網(wǎng)絡(luò),網(wǎng)絡(luò)層數(shù)較低,深層特征提取不全,針對花色布匹瑕疵的檢測效果較差。

    同為YOLO系列的YOLOv4算法,比起YOLOv5系列算法在檢測精度上看來差距不大,僅小幅度落后于YOLOv5系列算法,但YOLOv4算法在檢測速度上比起YOLOv5系列網(wǎng)絡(luò)存在一定差距。

    改進后的DD-YOLOv5由于增加了針對小目標(biāo)檢測的檢測頭以及其他的改進措施,使得整個網(wǎng)絡(luò)的復(fù)雜程度有所提高,相應(yīng)的在速度上有所損失,檢測速率為73.6 Hz,比原生YOLOv5算法的75.2 Hz降低了2%,但在精度綜合評估標(biāo)準(zhǔn)的mAP值上,本文算法比原生YOLOv5算法有著12.5%的檢測精度提升,故綜合精度和速度兩方面,本文算法在眾多算法中取得了較大的優(yōu)勢。

    總之,本文提出的DD-YOLOv5算法在速度和精度的綜合考慮下獲得了最佳效果,比起經(jīng)典算法性能更好,相比同系列YOLO其他算法表現(xiàn)也最為優(yōu)異。

    4 結(jié)束語

    為了解決花色布匹瑕疵檢測問題,進一步提高花色布匹表面瑕疵檢測的準(zhǔn)確率和識別速度,本文提出了一種基于YOLOv5的DD-YOLOv5模型,使用COT模塊替代CSP1模塊形成CoTNet并作為主干網(wǎng)絡(luò),利用輸入的上下文信息來指導(dǎo)自注意力機制的學(xué)習(xí),能夠?qū)D像深淺特征進行全局提取,提升目標(biāo)檢測的準(zhǔn)確率,同時在頸部網(wǎng)絡(luò)中引入CBAM注意力機制,能同時關(guān)注空間和通道信息,促使專注于有用的目標(biāo)對象,在檢測頭部分還增加了一個關(guān)注于小目標(biāo)的檢測頭,明顯改善了網(wǎng)絡(luò)的精度,降低了漏檢率,最后用α-IoU替代原G-IoU交并比計算方法,使得網(wǎng)絡(luò)整體收斂更快,檢測效果更好。

    通過實驗結(jié)果證明,DD-YOLOv5網(wǎng)絡(luò)模型在花色布匹瑕疵的數(shù)據(jù)集上mAP達到了80.0%,檢測速度也達到73.6fps,同時滿足了檢測精度和檢測效率的要求,對花色布匹瑕疵檢測具有重要的現(xiàn)實意義。今后將進一步嘗試不損失精度的前提下繼續(xù)減小網(wǎng)絡(luò)模型的參數(shù)量,使模型得到進一步的輕量化。

    猜你喜歡
    特征檢測
    抓住特征巧觀察
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識
    如何表達“特征”
    不忠誠的四個特征
    抓住特征巧觀察
    国产成人精品无人区| 青春草亚洲视频在线观看| 一级毛片我不卡| 蜜桃国产av成人99| 97超碰精品成人国产| av.在线天堂| 菩萨蛮人人尽说江南好唐韦庄| 搡老乐熟女国产| 人妻人人澡人人爽人人| 亚洲国产毛片av蜜桃av| 中文字幕另类日韩欧美亚洲嫩草| 少妇的丰满在线观看| 咕卡用的链子| 日韩三级伦理在线观看| 中文字幕另类日韩欧美亚洲嫩草| www.色视频.com| 国产av国产精品国产| 亚洲欧美日韩另类电影网站| 97超碰精品成人国产| 日韩av不卡免费在线播放| 亚洲一级一片aⅴ在线观看| 国产成人a∨麻豆精品| 晚上一个人看的免费电影| 久久这里有精品视频免费| 久久亚洲国产成人精品v| 国产av一区二区精品久久| 你懂的网址亚洲精品在线观看| 国产麻豆69| 亚洲 欧美一区二区三区| 国产无遮挡羞羞视频在线观看| 亚洲精华国产精华液的使用体验| 久久久久久久久久久久大奶| 国产男女内射视频| 韩国av在线不卡| 国产午夜精品一二区理论片| 香蕉国产在线看| 丰满迷人的少妇在线观看| a级毛片黄视频| 婷婷色av中文字幕| 啦啦啦啦在线视频资源| 欧美3d第一页| 亚洲成人一二三区av| 久久精品国产鲁丝片午夜精品| 日韩视频在线欧美| 尾随美女入室| 亚洲久久久国产精品| 90打野战视频偷拍视频| 插逼视频在线观看| 日韩av不卡免费在线播放| 国产男女内射视频| 一边摸一边做爽爽视频免费| 欧美老熟妇乱子伦牲交| 丝袜人妻中文字幕| 国产综合精华液| 在线观看www视频免费| 免费看不卡的av| 午夜日本视频在线| 久久久久久久精品精品| 日韩制服丝袜自拍偷拍| 免费观看在线日韩| 午夜久久久在线观看| 亚洲欧美中文字幕日韩二区| 久久久欧美国产精品| 亚洲一区二区三区欧美精品| 黑人猛操日本美女一级片| a 毛片基地| 午夜福利乱码中文字幕| 国产精品偷伦视频观看了| 搡老乐熟女国产| 午夜视频国产福利| 国产极品天堂在线| 啦啦啦视频在线资源免费观看| 国产精品蜜桃在线观看| 亚洲精品美女久久av网站| 一区在线观看完整版| 久久精品久久精品一区二区三区| 在线免费观看不下载黄p国产| 赤兔流量卡办理| 亚洲av中文av极速乱| 精品一区在线观看国产| 日韩一区二区三区影片| 97在线人人人人妻| 免费在线观看完整版高清| 久久久欧美国产精品| 久久精品国产亚洲av涩爱| 精品福利永久在线观看| 中文字幕最新亚洲高清| 久久久久久人人人人人| 成人亚洲精品一区在线观看| 色婷婷av一区二区三区视频| 欧美国产精品va在线观看不卡| 精品一品国产午夜福利视频| 亚洲一区二区三区欧美精品| 日日爽夜夜爽网站| 午夜影院在线不卡| 国产精品偷伦视频观看了| 久久久久久久精品精品| 国产亚洲精品第一综合不卡 | 亚洲四区av| 丝袜喷水一区| 国产精品一区二区在线观看99| 国产熟女欧美一区二区| 国产一区二区三区av在线| 久久这里只有精品19| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲情色 制服丝袜| 日韩免费高清中文字幕av| 欧美国产精品va在线观看不卡| 亚洲精品456在线播放app| 乱人伦中国视频| 中国美白少妇内射xxxbb| 午夜福利网站1000一区二区三区| 一级,二级,三级黄色视频| 草草在线视频免费看| 搡老乐熟女国产| 亚洲国产最新在线播放| 少妇 在线观看| 国产又爽黄色视频| 亚洲中文av在线| 亚洲经典国产精华液单| 婷婷色麻豆天堂久久| 亚洲国产av影院在线观看| 成人18禁高潮啪啪吃奶动态图| 最近中文字幕高清免费大全6| 国产av国产精品国产| 久久人人爽人人片av| 伊人久久国产一区二区| 18+在线观看网站| 免费观看在线日韩| 制服诱惑二区| 日韩三级伦理在线观看| 日韩成人av中文字幕在线观看| av女优亚洲男人天堂| 成年av动漫网址| 国产毛片在线视频| 国产精品 国内视频| 久久久精品94久久精品| 丝袜脚勾引网站| 亚洲av在线观看美女高潮| a级片在线免费高清观看视频| 国产熟女欧美一区二区| 日本色播在线视频| 日本猛色少妇xxxxx猛交久久| 水蜜桃什么品种好| 十八禁网站网址无遮挡| 黑人高潮一二区| 少妇 在线观看| 黄色一级大片看看| 18禁裸乳无遮挡动漫免费视频| 亚洲 欧美一区二区三区| av卡一久久| 国产精品国产三级国产专区5o| 高清视频免费观看一区二区| 亚洲av福利一区| 99热6这里只有精品| www.av在线官网国产| 一级毛片 在线播放| 午夜福利视频精品| 黄色 视频免费看| 中国美白少妇内射xxxbb| 久久久久久久久久久免费av| 亚洲熟女精品中文字幕| 在线观看国产h片| 亚洲av免费高清在线观看| 国产日韩欧美亚洲二区| videosex国产| 22中文网久久字幕| 日日撸夜夜添| 国产av国产精品国产| 51国产日韩欧美| av线在线观看网站| 亚洲精品日韩在线中文字幕| 午夜91福利影院| 午夜福利乱码中文字幕| 极品人妻少妇av视频| 97人妻天天添夜夜摸| 亚洲精品美女久久久久99蜜臀 | 一级爰片在线观看| 少妇被粗大猛烈的视频| 亚洲欧美日韩另类电影网站| 一级毛片黄色毛片免费观看视频| 黄色怎么调成土黄色| 国产日韩欧美亚洲二区| av在线观看视频网站免费| 好男人视频免费观看在线| 精品视频人人做人人爽| 亚洲熟女精品中文字幕| 日韩 亚洲 欧美在线| 国产一区二区激情短视频 | 一级毛片我不卡| 另类亚洲欧美激情| 亚洲美女视频黄频| 韩国av在线不卡| 久久女婷五月综合色啪小说| 大码成人一级视频| 天天影视国产精品| 亚洲色图 男人天堂 中文字幕 | 深夜精品福利| 爱豆传媒免费全集在线观看| 热re99久久精品国产66热6| 老司机影院毛片| 夫妻午夜视频| 涩涩av久久男人的天堂| 中文字幕人妻熟女乱码| 曰老女人黄片| 中文字幕另类日韩欧美亚洲嫩草| 久久 成人 亚洲| 男人添女人高潮全过程视频| 国产一区二区在线观看av| 日韩 亚洲 欧美在线| 性高湖久久久久久久久免费观看| 欧美性感艳星| 青春草视频在线免费观看| 欧美日韩精品成人综合77777| 亚洲精品日本国产第一区| 国产探花极品一区二区| 狂野欧美激情性xxxx在线观看| 高清毛片免费看| 免费高清在线观看日韩| 亚洲av.av天堂| 国产精品久久久久久av不卡| 久久精品久久久久久久性| 免费在线观看完整版高清| 国产精品偷伦视频观看了| 亚洲国产精品一区三区| 青春草国产在线视频| 少妇高潮的动态图| 大片电影免费在线观看免费| 国产欧美日韩一区二区三区在线| 欧美精品一区二区大全| 高清不卡的av网站| 欧美变态另类bdsm刘玥| 五月玫瑰六月丁香| 99久久人妻综合| 2022亚洲国产成人精品| 男人爽女人下面视频在线观看| 国产在线视频一区二区| 久久午夜综合久久蜜桃| 男人添女人高潮全过程视频| 最近最新中文字幕免费大全7| 成人二区视频| 日产精品乱码卡一卡2卡三| 一本久久精品| 午夜福利,免费看| 日韩三级伦理在线观看| 国产乱人偷精品视频| 日本与韩国留学比较| 久久韩国三级中文字幕| 免费黄频网站在线观看国产| 交换朋友夫妻互换小说| 国产精品免费大片| 亚洲精品第二区| 亚洲精华国产精华液的使用体验| 国产极品天堂在线| 综合色丁香网| 天堂俺去俺来也www色官网| 亚洲在久久综合| 最新中文字幕久久久久| 一级毛片我不卡| 在线观看人妻少妇| 全区人妻精品视频| 啦啦啦在线观看免费高清www| 免费日韩欧美在线观看| 久久精品aⅴ一区二区三区四区 | 波多野结衣一区麻豆| 久久久久网色| 免费观看在线日韩| 一级毛片我不卡| 免费大片黄手机在线观看| 91久久精品国产一区二区三区| 老女人水多毛片| 欧美bdsm另类| 晚上一个人看的免费电影| 日韩av在线免费看完整版不卡| 婷婷色综合www| 在线天堂中文资源库| 国产国拍精品亚洲av在线观看| 高清毛片免费看| 国产精品成人在线| 秋霞在线观看毛片| 久久99一区二区三区| 国产免费一区二区三区四区乱码| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 午夜日本视频在线| av又黄又爽大尺度在线免费看| 久久99热这里只频精品6学生| av线在线观看网站| 香蕉丝袜av| 国产一区亚洲一区在线观看| 五月天丁香电影| 午夜免费观看网址| 日韩大码丰满熟妇| 看黄色毛片网站| 丁香欧美五月| 1024视频免费在线观看| 夜夜躁狠狠躁天天躁| 女人被躁到高潮嗷嗷叫费观| 久久亚洲真实| 老司机在亚洲福利影院| 亚洲aⅴ乱码一区二区在线播放 | 欧美成人午夜精品| 91成年电影在线观看| 少妇的丰满在线观看| 变态另类成人亚洲欧美熟女 | 99久久99久久久精品蜜桃| 免费在线观看完整版高清| 亚洲国产中文字幕在线视频| av在线播放免费不卡| 久久久久久亚洲精品国产蜜桃av| 亚洲精品在线观看二区| aaaaa片日本免费| 三上悠亚av全集在线观看| 国产黄色免费在线视频| 真人做人爱边吃奶动态| 午夜免费成人在线视频| 一级片免费观看大全| 9色porny在线观看| 国产一卡二卡三卡精品| 国产高清国产精品国产三级| 国产一卡二卡三卡精品| 久久影院123| 国产免费av片在线观看野外av| 久久久国产一区二区| 色在线成人网| 十分钟在线观看高清视频www| www.自偷自拍.com| 精品久久久久久电影网| 午夜免费成人在线视频| 国产区一区二久久| 不卡一级毛片| 99精国产麻豆久久婷婷| 色综合欧美亚洲国产小说| 妹子高潮喷水视频| www.999成人在线观看| 大码成人一级视频| 欧美av亚洲av综合av国产av| 18禁裸乳无遮挡动漫免费视频| 老熟女久久久| 亚洲人成伊人成综合网2020| 国产日韩欧美亚洲二区| 亚洲精品乱久久久久久| 国产xxxxx性猛交| 操美女的视频在线观看| 亚洲三区欧美一区| 黑丝袜美女国产一区| 成人三级做爰电影| 国产成人免费无遮挡视频| 1024香蕉在线观看| 亚洲情色 制服丝袜| 久久中文看片网| 国产人伦9x9x在线观看| 欧美黄色片欧美黄色片| 人人妻人人添人人爽欧美一区卜| www.999成人在线观看| 黄片播放在线免费| 国产精品久久久av美女十八| 国产熟女午夜一区二区三区| 成年人午夜在线观看视频| 欧美激情 高清一区二区三区| 操出白浆在线播放| 精品一区二区三区视频在线观看免费 | 变态另类成人亚洲欧美熟女 | 老汉色av国产亚洲站长工具| 午夜免费鲁丝| 精品乱码久久久久久99久播| 欧美久久黑人一区二区| 久久久水蜜桃国产精品网| 夜夜躁狠狠躁天天躁| 亚洲久久久国产精品| 午夜免费鲁丝| 女人久久www免费人成看片| av国产精品久久久久影院| 啦啦啦 在线观看视频| 窝窝影院91人妻| 国产一区二区激情短视频| 久久 成人 亚洲| 久久香蕉国产精品| 国产1区2区3区精品| 国产日韩一区二区三区精品不卡| 老司机靠b影院| 老汉色∧v一级毛片| 国产一区二区激情短视频| 国产精品永久免费网站| 亚洲伊人色综图| 一区二区三区精品91| 亚洲色图av天堂| 91av网站免费观看| 夜夜躁狠狠躁天天躁| 一级a爱片免费观看的视频| 欧美成狂野欧美在线观看| 欧美国产精品va在线观看不卡| 日韩熟女老妇一区二区性免费视频| 精品国产乱子伦一区二区三区| 黄色女人牲交| 久久久国产一区二区| 自线自在国产av| 国产精品自产拍在线观看55亚洲 | 美女国产高潮福利片在线看| 黄片小视频在线播放| 免费久久久久久久精品成人欧美视频| 欧美午夜高清在线| 一级毛片女人18水好多| 日韩视频一区二区在线观看| 韩国av一区二区三区四区| 免费高清在线观看日韩| 色婷婷久久久亚洲欧美| 亚洲aⅴ乱码一区二区在线播放 | 一进一出好大好爽视频| 亚洲精品久久午夜乱码| 久久久国产精品麻豆| 精品高清国产在线一区| 成人亚洲精品一区在线观看| av不卡在线播放| 老司机影院毛片| 国产免费男女视频| 久久精品91无色码中文字幕| 美女视频免费永久观看网站| 日韩一卡2卡3卡4卡2021年| 天天躁狠狠躁夜夜躁狠狠躁| 免费av中文字幕在线| 在线免费观看的www视频| 国产99久久九九免费精品| 亚洲av日韩精品久久久久久密| 咕卡用的链子| av网站免费在线观看视频| 欧美成人午夜精品| 免费在线观看黄色视频的| 极品少妇高潮喷水抽搐| 成熟少妇高潮喷水视频| 国产一卡二卡三卡精品| 免费一级毛片在线播放高清视频 | 国产精品二区激情视频| 国精品久久久久久国模美| 久久精品人人爽人人爽视色| 一本综合久久免费| 18禁美女被吸乳视频| 色婷婷久久久亚洲欧美| 男人的好看免费观看在线视频 | 亚洲国产毛片av蜜桃av| 亚洲精品国产色婷婷电影| 亚洲av成人av| 香蕉久久夜色| 国产精品久久视频播放| 国产精品综合久久久久久久免费 | 午夜福利一区二区在线看| 黄片播放在线免费| 日韩视频一区二区在线观看| 下体分泌物呈黄色| 亚洲熟女精品中文字幕| 91字幕亚洲| 久久久国产成人精品二区 | 亚洲国产精品一区二区三区在线| 欧美 亚洲 国产 日韩一| 亚洲一码二码三码区别大吗| 中文亚洲av片在线观看爽 | 巨乳人妻的诱惑在线观看| 国产亚洲欧美98| 国产又色又爽无遮挡免费看| 精品久久久久久久久久免费视频 | 老鸭窝网址在线观看| 精品国产亚洲在线| 国产成人av教育| 日本欧美视频一区| 成人18禁高潮啪啪吃奶动态图| 大香蕉久久网| 757午夜福利合集在线观看| 18在线观看网站| 中文字幕制服av| 久久久久视频综合| 国产一卡二卡三卡精品| 看黄色毛片网站| 亚洲av熟女| 欧美成人午夜精品| 国产麻豆69| 精品视频人人做人人爽| 看免费av毛片| 18禁美女被吸乳视频| 国产亚洲精品久久久久久毛片 | 国产淫语在线视频| 人人妻人人添人人爽欧美一区卜| 久久人妻福利社区极品人妻图片| 国产精品免费视频内射| 99精品久久久久人妻精品| 精品久久久久久,| 国产高清videossex| 久久香蕉国产精品| 亚洲国产精品合色在线| 男人操女人黄网站| 欧美精品高潮呻吟av久久| 国产高清国产精品国产三级| 精品久久久久久久毛片微露脸| 757午夜福利合集在线观看| 国产精品成人在线| 村上凉子中文字幕在线| 久久国产精品人妻蜜桃| 大陆偷拍与自拍| av免费在线观看网站| 在线观看免费午夜福利视频| 一a级毛片在线观看| 怎么达到女性高潮| 日本a在线网址| 亚洲精品在线美女| 两人在一起打扑克的视频| 日韩欧美一区二区三区在线观看 | 日韩欧美三级三区| 午夜91福利影院| 亚洲一区二区三区欧美精品| 老熟女久久久| 国产片内射在线| 日韩熟女老妇一区二区性免费视频| 欧美日韩瑟瑟在线播放| 免费观看a级毛片全部| 国产一区有黄有色的免费视频| 视频在线观看一区二区三区| 男人舔女人的私密视频| 免费久久久久久久精品成人欧美视频| 女人精品久久久久毛片| 无遮挡黄片免费观看| 国产aⅴ精品一区二区三区波| videosex国产| 在线观看66精品国产| 免费在线观看黄色视频的| 国产淫语在线视频| 久久 成人 亚洲| 大型av网站在线播放| 成人av一区二区三区在线看| 欧美另类亚洲清纯唯美| 亚洲精品国产精品久久久不卡| 岛国在线观看网站| 久久香蕉激情| 成年动漫av网址| 免费一级毛片在线播放高清视频 | 欧美激情高清一区二区三区| 热re99久久精品国产66热6| 亚洲成国产人片在线观看| 99精品欧美一区二区三区四区| 精品久久久精品久久久| 91国产中文字幕| 极品少妇高潮喷水抽搐| 国产在线精品亚洲第一网站| 日本a在线网址| 每晚都被弄得嗷嗷叫到高潮| 亚洲综合色网址| 岛国毛片在线播放| 亚洲精品一卡2卡三卡4卡5卡| 热99re8久久精品国产| 国产高清激情床上av| 亚洲成人手机| 欧美亚洲 丝袜 人妻 在线| 精品亚洲成国产av| 亚洲欧美日韩高清在线视频| 亚洲七黄色美女视频| 国产高清视频在线播放一区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲av电影在线进入| 一边摸一边做爽爽视频免费| 欧美黄色淫秽网站| 亚洲av成人av| 午夜激情av网站| 很黄的视频免费| a级片在线免费高清观看视频| 在线观看舔阴道视频| 国产色视频综合| 国产真人三级小视频在线观看| 国产激情欧美一区二区| 交换朋友夫妻互换小说| 午夜视频精品福利| 亚洲avbb在线观看| 啦啦啦 在线观看视频| 一边摸一边抽搐一进一出视频| 亚洲人成电影免费在线| 少妇被粗大的猛进出69影院| 色综合婷婷激情| 99riav亚洲国产免费| 国产亚洲精品第一综合不卡| 国产精品一区二区免费欧美| 久久中文字幕一级| 每晚都被弄得嗷嗷叫到高潮| 欧美国产精品一级二级三级| 极品教师在线免费播放| 久久婷婷成人综合色麻豆| 午夜久久久在线观看| 成在线人永久免费视频| 亚洲精品国产区一区二| 欧洲精品卡2卡3卡4卡5卡区| 极品教师在线免费播放| 久久婷婷成人综合色麻豆| 欧洲精品卡2卡3卡4卡5卡区| 99精国产麻豆久久婷婷| 美女视频免费永久观看网站| 国产精品欧美亚洲77777| 久久中文字幕人妻熟女| 丝袜在线中文字幕| av一本久久久久| 黄频高清免费视频| 大型黄色视频在线免费观看| 成人18禁高潮啪啪吃奶动态图| 久久精品国产亚洲av高清一级| 自线自在国产av| 黑人欧美特级aaaaaa片| 亚洲黑人精品在线| videos熟女内射| 亚洲精品久久午夜乱码| 久久天躁狠狠躁夜夜2o2o| 在线视频色国产色| 亚洲精品av麻豆狂野| 麻豆av在线久日| 丁香欧美五月| 在线国产一区二区在线| 国产av又大| 久久精品aⅴ一区二区三区四区| 香蕉久久夜色| 欧美日韩一级在线毛片| 国产欧美日韩一区二区三| 欧美性长视频在线观看|