• <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 ?

    基于多尺度特征度量元學習的玉米葉片病害識別模型研究

    2023-06-04 23:20:10惠巧娟孫婕
    江蘇農(nóng)業(yè)科學 2023年9期

    惠巧娟 孫婕

    摘要:傳統(tǒng)基于深度學習的玉米葉片病害檢測模型檢測精度不高、模型參數(shù)量大,基于此,提出一種融合多尺度、無參數(shù)度量學習的玉米葉片病害識別算法模型。首先,利用Vgg-16、Swin Transformer網(wǎng)絡(luò),將玉米葉片病害圖片映射到全局和局部特征空間;然后,利用多尺度特征融合網(wǎng)絡(luò),實現(xiàn)全局和局部特征的深度融合,強化特征的分類能力;最后,利用無參數(shù)元學習網(wǎng)絡(luò),實現(xiàn)待測玉米葉片病害圖片與特征集之間的度量,根據(jù)度量結(jié)果,實現(xiàn)玉米葉片病害的快速定位與識別。在開源Plant Village數(shù)據(jù)集、自建玉米葉片病害數(shù)據(jù)集上進行了測試,所提出模型的識別準確率分別為97.45%、96.39%,同時保持了較低的識別時間開銷;相比其他經(jīng)典玉米葉片病害識別模型,具有更強的魯棒性和泛化性能。

    關(guān)鍵詞:玉米葉片病害識別;多尺度特征;度量元學習;全局和局部特征;Swin Transformer

    中圖分類號:TP391.41??文獻標志碼:A??文章編號:1002-1302(2023)09-0199-06

    基金項目:寧夏高等學校科學研究項目(編號:NGY2020114);寧夏種業(yè)提升工程農(nóng)作物新品種展示示范項目。

    作者簡介:惠巧娟(1981—),女,寧夏隆德人,副教授,主要研究方向為計算機視覺、智能農(nóng)業(yè)。E-mail:huiqj0308@sina.com。

    玉米具有產(chǎn)量高、適應環(huán)境能力強的優(yōu)點,是畜牧業(yè)、養(yǎng)殖業(yè)、化工業(yè)等領(lǐng)域重要的食品和飼料加工原料。然而,近年來由于全球氣候變化反常以及過度使用農(nóng)藥等,導致玉米葉片病害的發(fā)病率明顯增加,直接影響玉米的產(chǎn)量和質(zhì)量[1]??焖贉蚀_地識別玉米葉片病害,對玉米作物的穩(wěn)定生產(chǎn)具有重要意義。

    常見的玉米葉片病害包括銹病、葉斑病、紋枯病等多種類型[2],傳統(tǒng)識別方法主要依靠人工觀察玉米葉片上形成的斑點顏色和形狀進行判斷[3]。然而,缺乏經(jīng)驗的觀察者容易出現(xiàn)診斷錯誤,極易錯過最佳治療時間;同時,人工識別方法費時費力,在一定程度上存在主觀性。近年來,深度學習技術(shù)在計算機視覺領(lǐng)域應用廣泛,并且取得了突破性的進展[4]。眾多研究者開始嘗試將深度學習相關(guān)算法應用于農(nóng)作物的葉片病害檢測任務中。Sun等提出了一種基于遷移學習的玉米葉片病害檢測模型,并在Inception-V3、Inception-V4、Vgg-16、AlexNet等分類模型上進行改進與測試[5]。鄧朋飛等利用遷移學習的方法提出了一種玉米病害識別模型,首先利用Inception對VGG-16網(wǎng)絡(luò)的卷積塊進行改進,并借助遷移學習和壓縮迭代技術(shù)對深度特征進行編碼壓縮,降低模型的參數(shù)[6]。董萍等為了進一步降低玉米病害識別模型的時間開銷,將Inception V3模型中的5×5卷積核分解成2個大小為3×3卷積核,并借助遷移學習的思想提升了模型的泛化性能[7]。Bao等針對傳統(tǒng)卷積網(wǎng)絡(luò)參數(shù)多、收斂慢、泛化能力局限的問題,通過重新組合卷積層和池化層對原始卷積網(wǎng)絡(luò)進行改進,并應用到玉米葉片病害檢測任務中[8]。雖然上述玉米葉片病害識別模型在一定程度上可以緩解模型識別時間開銷大的問題,但改進后的模型仍然需要在大規(guī)模數(shù)據(jù)集上進行預訓練;同時,該類基于遷移學習的玉米葉片病害識別模型對于新品種病害葉片的泛化性能具有局限性。曹藤寶等針對傳統(tǒng)玉米葉片病害識別模型精度不高的問題,利用注意力機制和稠密塊網(wǎng)絡(luò)強化模型對玉米葉片病害區(qū)域的定位精度與識別性能[9]。Chen等提出了一種基于注意力嵌入的輕量級玉米葉片病害識別模型,通過利用深度可分離卷積替換DenseNet網(wǎng)絡(luò)中的卷積塊,降低了模型的識別時間開銷;此外,在每一層卷積層嵌入注意力機制,聚焦葉片病害區(qū)域的特征,強化特征的分類能力[10]。

    雖然上述模型在一定程度上降低了模型的時間開銷、提高了識別精度,然而大多模型仍然存在如下問題:(1)現(xiàn)有模型大多采用遷移學習的思想或改進卷積網(wǎng)絡(luò)降低模型時間開銷;然而,該類方法仍需要在大規(guī)模數(shù)據(jù)集上做進一步微調(diào)或預訓練,限制了模型對于新品種玉米葉片病害檢測的泛化性能。(2)現(xiàn)有的主流玉米葉片病害檢測模型大多采用單一的局部或全局特征進行下游病害識別任務,極易導致信息利用不充分。針對上述問題,提出一種基于多尺度特征無參數(shù)度量學習的玉米葉片病害檢測新模型,結(jié)合玉米葉片病害圖片的局部特征和全局特征,構(gòu)造多尺度特征;其次,利用無參數(shù)的度量學習算法緩解模型時間開銷大的問題,快速定位與識別玉米葉片病害區(qū)域。

    1?數(shù)據(jù)集

    利用開源數(shù)據(jù)集和自建數(shù)據(jù)集進行模型的訓練與測試,其中開源數(shù)據(jù)集選擇Plant Village數(shù)據(jù)集[11],選取數(shù)據(jù)集中的3 852幅玉米病害及健康葉片圖像,主要為健康葉片、銹病、葉斑病、紋枯病4種類型。自建數(shù)據(jù)集主要來源于寧夏當?shù)赜衩追N植基地,包括大小斑病、銹病、灰斑病、健康葉片4類,總共包含1 380幅玉米病害及健康葉片圖像。上述數(shù)據(jù)集均按照8 ∶?2的比例劃分為訓練集和測試集,詳細數(shù)據(jù)信息見表1,數(shù)據(jù)集的部分可視化樣本見圖1。

    2?方法論

    2.1?模型結(jié)構(gòu)

    基于多尺度特征度量元學習的玉米葉片病害識別模型結(jié)構(gòu)如圖2所示。主要包括全局和局部特征提取、多尺度特征融合模塊、無參數(shù)度量學習模塊。首先,利用Vgg-16網(wǎng)絡(luò)、Swin Transformer網(wǎng)絡(luò)將玉米葉片病害圖片分別映射到全局特征空間和局部特征空間;其次,提出一種多尺度特征融合模塊,將全局和局部特征進行深度特征融合;最后,利用元學習網(wǎng)絡(luò)框架并結(jié)合無參數(shù)的度量學習算法,實現(xiàn)待測試玉米葉片的定位與識別。

    2.2?特征提取

    當前主流玉米葉片病害檢測模型大多僅利用傳統(tǒng)卷積網(wǎng)絡(luò),提取單一的全局特征,導致給定圖片信息利用不充分,尤其是對于早期農(nóng)作物病害區(qū)域小、特征不明顯的測試樣本,極易造成漏報或誤報,進而耽誤最佳治療時間。為此,本研究通過提取全局和局部特征,深度挖掘玉米病害區(qū)域的深層次特征,提高特征的區(qū)分能力。

    2.2.1?全局特征提取?為了將玉米葉片病害圖片映射到深度全局特征空間,采用圖3所示的Vgg-16網(wǎng)絡(luò)[12]挖掘玉米葉片病害區(qū)域的整體屬性,包括顏色、紋理、形狀特征。其中,Vgg-16網(wǎng)絡(luò)由13個卷積層和5個池化層組成,此處,將全連接層截斷,僅將第5個池化層的輸出作為全局特征。具體計算如公式(1)所示。

    式中:Fsvgg表示全局特征;Pool(·)表示全局平均池化層;Conv13(·)表示卷積層操作;Is表示玉米葉片病害圖片。

    2.2.2?局部特征提取?現(xiàn)有玉米葉片病害識別模型大多僅采用單一的全局特征,對于局部特征利用不充分。受SwinTransformer網(wǎng)絡(luò)在小目標檢測任務中應用成功的啟發(fā)[13-14],本研究嘗試利用SwinTransformer將玉米葉片病害圖片映射到局部特征空間。SwinTransformer網(wǎng)絡(luò)在VisionTransformer網(wǎng)絡(luò)的基礎(chǔ)上,利用多倍率的下采樣操作,細粒度地捕獲多層次特征,緩解玉米葉片早期病害區(qū)域小、特征不明顯造成的特征丟失問題。此外,SwinTransformer網(wǎng)絡(luò)引入了窗口機制,進一步提高了對目標區(qū)域細節(jié)特征的捕獲能力。SwinTransformer網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

    SwinTransfromer網(wǎng)絡(luò)的核心部分主要為窗口多頭自注意力(windows multi-head self-attention,W-MHSA)和偏移窗口多頭自注意力(shifted windows multi-head self-attention,SW-MHSA)模塊。假設(shè)玉米葉片病害圖片經(jīng)過Patch Partition后,首先在W-MHSA窗口內(nèi)將整個映射特征圖劃分為W個窗口;Swin Transformer網(wǎng)絡(luò)4個階段的窗口個數(shù)分別為4、8、16、32;然后,在窗口內(nèi)部計算多頭自注意力,具體計算如公式(2)、公式(3)所示。

    式中:FW-MHSA′表示窗口多頭自注意力機制的輸出特征圖;W_MHSA(·)表示窗口多頭自注意力機制;LN表示特征標準化;FW-MHSA表示窗口多頭自注意力模塊的最終輸出; MLP表示多層感知機。雖然利

    用窗口機制可以捕獲玉米葉片病害區(qū)域的局部特征,然而僅在窗口內(nèi)部進行多頭注意力運算,極易忽略窗口間的信息流動。為此,將多頭自注意力機制的輸出,作為偏移窗口多頭自注意力SW-MHSA的輸入,利用窗口之間的偏移量,來細粒度劃分玉米葉片病害特征圖,在保持窗口間信息交互的同時,捕獲玉米葉片病害區(qū)域的細粒度局部特征。偏移窗口多頭自注意力SW-MHSA內(nèi)部運算流程如公式(4)、公式(5)所示。

    式中:SW_MHSA(·)表示偏移窗口多頭自注意力機制;FSW-MHSA表示偏移窗口多頭自注意力機制的輸出特征圖,即玉米葉片映射到局部特征空間中的局部特征圖。

    2.3?多尺度特征融合

    為了強化玉米葉片病害特征的區(qū)分能力,將提取的全局和局部特征進行深度融合,構(gòu)造多尺度特征集F,緩解傳統(tǒng)玉米葉片病害識別模型僅利用單一特征而造成信息丟失的問題。特征融合詳細流程如圖5所示。

    首先,計算全局特征Fsvgg和局部特征FSW-MHSA的融合矩陣F′,用于多尺度特征之間的信息交互,計算如公式(6)所示。

    然后,利用SoftMax函數(shù)按矩陣行計算注意力分布權(quán)重w,權(quán)重值越大表示特征相關(guān)性越大,融合特征更具有區(qū)分能力,計算如公式(7)所示。

    最后,將全局特征與注意力分布權(quán)重進行矩陣乘法運算,獲取全局特征注意力圖Fsvgg′;并在此基礎(chǔ)上將局部特征FSW-MHSA與全局特征注意力圖進行相乘,得到最終的多尺度融合特征集F,用于表示玉米葉片病害區(qū)域的分類特征。計算如公式(8)、公式(9)所示。

    2.4?無參數(shù)度量學習

    為了降低玉米葉片病害識別模型的時間開銷,采用無參數(shù)的度量學習計算融合特征集和待識別玉米葉片映射特征之間的相似度,根據(jù)相似度值快速定位與識別葉片的病害區(qū)域。首先利用卷積網(wǎng)絡(luò)將待測試玉米葉片圖片映射到深度特征空間;然后,利用余弦相似度,逐區(qū)域逐位置計算映射到深度特征空間的待測試圖片特征與融合特征F之間的相似度分數(shù),并借助argmax函數(shù)計算每個位置處的最大相似度值,最終將所有位置的識別結(jié)果進行拼接,得到玉米葉片病害區(qū)域的識別結(jié)果。具體計算如公式(10)至公式(12)所示。

    式中:S′(x,y)i表示位置(x,y)處映射到深度特征空間的待測試圖片特征F(x,y)test與融合特征F(x,y)之間的相似度分數(shù);cos(·)表示余弦相似度函數(shù);S(x,y)i表示第i個區(qū)域位置(x,y)處的最大相似度分數(shù);cat(·) 表示拼接函數(shù);Rs表示待測玉米葉片病害區(qū)域的總分數(shù)值。最后,為了優(yōu)化所提出玉米葉片病害檢測模型的識別性能,采用交叉熵損失函數(shù)進行損失計算,根據(jù)損失值實現(xiàn)模型端到端的優(yōu)化。

    3?試驗與分析

    3.1?試驗環(huán)境與評價指標

    選擇64位Windows 10操作系統(tǒng),搭載NVIDIA V100的32 GB GPU,并采用PyTorch 1.7.1深度學習框架編碼,編程語言采用Python 3.7,顯卡Cuda版本為10.0;優(yōu)化器選擇SGD,初始學習率為1×10-3,batch大小設(shè)定為8。模型在訓練集、測試集上的準確率變化、損失函數(shù)曲線如圖6所示。模型約經(jīng)過60個epoch后基本收斂,并且此時準確率已超過97%,loss值也達到了最低;為此,所提出模型的所有試驗均在epoch為60的基礎(chǔ)上進行。

    選擇當前主流的評價指標:準確率(Accuracy)、精準率(Precision)和召回率(Recall),計算如公式(13)至(15)所示。

    式中:TP表示模型判斷為正樣本的個數(shù);TN表示模型判斷為負樣本的個數(shù);FN表示將樣本錯誤判斷為負樣本的個數(shù);FP表示將樣本錯誤判斷為正樣本的個數(shù)。

    3.2?消融試驗

    為了分析玉米葉片病害圖片的全局和局部特征對所提出模型識別性能的影響,在2個數(shù)據(jù)集上進行了表2所示的消融試驗??梢钥闯觯陂_源的Plant Village數(shù)據(jù)集上,雖然單一使用局部或全局特征可以實現(xiàn)91%以上的識別準確率,但結(jié)合局部和全局多尺度特征,所提出模型可以實現(xiàn)96.39%的準確率、96.22%的精準率、97.63%的召回率。此外,在自建的玉米葉片病害小樣本數(shù)據(jù)集上有類似的發(fā)現(xiàn),即單一使用全局特征或局部特征不足以充分表示玉米葉片的病害區(qū)域,結(jié)合多尺度特征可以有效提高識別性能。

    3.3?對比試驗

    3.3.1?識別性能分析?為了驗證所提出模型的有效性,在開源Plant Village數(shù)據(jù)集上與當前經(jīng)典玉米葉片病害識別模型進行對比試驗,結(jié)果如表3所示。

    由表3可以看出,所提出模型在準確率、精準率、召回率上均具有較強的競爭力。雖然在精準率上,所提出模型比Improved-CNN模型有所差距,但Improved-CNN模型的識別性能是在原始數(shù)據(jù)樣本經(jīng)過平移、濾鏡等數(shù)據(jù)增強操作場景下取得。尤其是在準確率上,所提出模型比識別性能最好的LeNet-5、TNN模型分別提高了0.15、1.11百分點;在精準率上,比AEL-Net模型提高了14.73百分點;在召回率上,比Improved-CNN、AEL-Net模型,分別提升了0.16、14.07百分點。究其原因,所提出模型結(jié)合全局和局部特征構(gòu)造了多尺度特征,充分挖掘了玉米葉片病害區(qū)域的特征,強化了特征的區(qū)分能力。

    3.3.2?時間性能分析?傳統(tǒng)玉米葉片病害識別模型大多利用遷移學習或利用深度可分離卷積改進傳統(tǒng)卷積塊,通過降低模型參數(shù)量來降低時間開銷;然而,該類模型仍然需要在大規(guī)模數(shù)據(jù)集上進行微調(diào)或預訓練,并且對于新測試類型的玉米葉片病害圖片的泛化能力具有局限性。針對上述問題,本研究從無參數(shù)度量學習角度出發(fā),利用無參數(shù)學習的余弦相似度來計算特征之間的相似度值,根據(jù)相似度值快速定位與識別玉米葉片病害區(qū)域,進而緩解模型的時間開銷。為了驗證所提出模型在時間開銷方面的性能,選擇當前經(jīng)典的玉米葉片病害模型TNN、YOLOv5、AEL-Net、ResNet、AlexNet[18]等進行時間開銷對比,結(jié)果如圖7所示。

    由圖7可以看出,所有對比模型中,所提出模型在時間開銷方面表現(xiàn)仍然具有較強的競爭力。進一步驗證了所提出模型在利用多尺度特征提高識別性能的同時,還可以利用無參數(shù)度量學習緩解模型的時間開銷。

    3.4?不同類型病害的識別效果分析

    由于玉米葉片病害類型不同,病害區(qū)域的紋理、顏色、形狀也不盡相同,為了測試所提出模型對多類型玉米葉片病害的識別性能,進行了多個分類測試。圖8給出了所提出模型在Plant Village和自建數(shù)據(jù)集的測試圖像上進行預測的混淆矩陣。所提出模型在Plant Village數(shù)據(jù)集上對銹病、健康葉片、葉斑病、紋枯病的平均識別準確率分別為92.00%、97.00%、95.00%、97.00%。在自建數(shù)據(jù)集上對銹病、健康葉片、灰斑病、大小斑病的平均識別準確率分別為93.00%、97.00%、96.00、94.00%。圖9給出了所提出模型在2個數(shù)據(jù)集上對多類型玉米葉片病害的可視化測試結(jié)果??梢钥闯觯岢瞿P蜔o論在開源Plant Village數(shù)據(jù)集上還是自建數(shù)據(jù)集上均實現(xiàn)了較好的識別性能,進一步驗證了局部和全局特征聯(lián)合使用對于識別性能提升的積極作用。

    4?討論和結(jié)論

    本研究探究了玉米葉片病害圖片的全局和局部特征對于玉米葉片病害識別模型的影響程度,并結(jié)合無參數(shù)度量學習緩解模型識別時間開銷大的問題。通過在開源數(shù)據(jù)集和自建數(shù)據(jù)集上,對多種玉米葉片病害進行識別與分類,試驗結(jié)果與相關(guān)結(jié)論如下。

    (1)在開源的Plant Village數(shù)據(jù)集上,實現(xiàn)了97.45%的準確率、98.18%的精準率、97.52%的召回率;在自建數(shù)據(jù)集上,實現(xiàn)了96.39%的準確率、96.22%的精準率、97.63%的召回率。

    (2)所提出模型在Plant Village開源數(shù)據(jù)集上的測試時間為17.8 s,驗證了使用無參數(shù)度量學習可以較好地降低玉米葉片病害識別模型的時間開銷。

    (3)雖然單一的局部或全局特征可以實現(xiàn)部分玉米葉片病害的定位與識別;但是,結(jié)合全局和局部特征,構(gòu)造多尺度融合特征,可以有效提升模型的識別性能。

    參考文獻:

    [1]Zhang X H,Qiao Y,Meng F F,et al. Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access,2018,6:30370-30377.

    [2]Lin Z Q,Mu S M,Shi A J,et al. A novel method of maize leaf disease image identification based on a multichannel convolutional neural network[J]. Transactions of the ASABE,2018,61:1461-1474.

    [3]Ahila Priyadharshini R,Arivazhagan S,Arun M,et al. Maize leaf disease classification using deep convolutional neural networks[J]. Neural Computing and Applications,2019,31(12):8887-8895.

    [4]Li Z C,Zhou G X,Hu Y W,et al. Maize leaf disease identification based on WG-MARNet[J]. PLoS One,2022,17(4):e0267650.

    [5]Sun X L,Wei J S. Identification of maize disease based on transfer learning[J]. Journal of Physics:Conference Series,2020,1437(1):012080.

    [6]鄧朋飛,官?錚,王宇陽,等. 基于遷移學習和模型壓縮的玉米病害識別方法[J]. 計算機科學,2022,49(S2):444-449.

    [7]董?萍,衛(wèi)夢華,時?雷,等. 遷移學習在玉米葉片病害識別中的研究與應用[J]. 中國農(nóng)機化學報,2022,43(3):146-152.

    [8]Bao W X,Huang X F,Hu G S,et al. Identification of maize leaf diseases using improved convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering,2021,37(6)

    [9]曹藤寶,張?欣,陳孝玉龍,等. 融合空間注意力機制和DenseNet的玉米病害分類方法[J]. 無線電工程,2022,52(10):1710-1717.

    [10]Chen J D,Wang W H,Zhang D F,et al. Attention embedded lightweight network for maize disease recognition[J]. Plant Pathology,2021,70(3):630-642.

    [11]張開興,呂高龍,賈?浩,等. 基于圖像處理和BP神經(jīng)網(wǎng)絡(luò)的玉米葉部病害識別[J]. 中國農(nóng)機化學報,2019,40(8):122-126.

    [12]Sibiya M,Sumbwanyambe M. Automatic fuzzy logic-based maize common rust disease severity predictions with thresholding and deep learning[J]. Pathogens,2021,10(2):131.

    [13]Bi C G,Hu N,Zou Y Q,et al. Development of deep learning methodology for maize seed variety recognition based on improved swin transformer[J]. Agronomy,2022,12(8):1843.

    [14]Tao Y,Chang F L,Huang Y H,et al. Cotton disease detection based on ConvNeXt and attention mechanisms[J]. IEEE Journal of Radio Frequency Identification,2022,6:805-809.

    [15]蘇俊楷,段先華,葉趙兵. 改進YOLOv5算法的玉米病害檢測研究[J]. 計算機科學與探索,2023,17(4):933-941.

    [16]熊夢園,詹?煒,桂連友,等. 基于ResNet模型的玉米葉片病害檢測與識別[J]. 江蘇農(nóng)業(yè)科學,2022,50(23):1-8.

    [17]何?前,郭峰林,方皓正,等. 基于改進LeNet-5模型的玉米病害識別[J]. 江蘇農(nóng)業(yè)科學,2022,50(20):35-41.

    [18]Lv M J,Zhou G X,He M F,et al. Maize leaf disease identification based on feature enhancement and DMS-robust alexnet[J]. IEEE Access,2020,8:57952-57966.

    国产中年淑女户外野战色| 亚洲成人精品中文字幕电影| 神马国产精品三级电影在线观看| 国产精品久久久久久精品电影| 国产一区亚洲一区在线观看| 国产精品女同一区二区软件| 午夜福利在线观看吧| 国内精品宾馆在线| 午夜福利在线观看吧| 亚洲国产精品成人久久小说| 蜜桃亚洲精品一区二区三区| 午夜视频国产福利| 夜夜看夜夜爽夜夜摸| 一区二区三区高清视频在线| 精品一区在线观看国产| 日日摸夜夜添夜夜爱| 插阴视频在线观看视频| 99久国产av精品| 又黄又爽又刺激的免费视频.| 久久这里有精品视频免费| 一级爰片在线观看| 亚洲第一区二区三区不卡| 久久久午夜欧美精品| 日韩制服骚丝袜av| 欧美一区二区亚洲| 五月天丁香电影| 国产精品久久视频播放| 国产乱人偷精品视频| 午夜免费观看性视频| 伦理电影大哥的女人| 1000部很黄的大片| 国产精品一及| 国产精品女同一区二区软件| 中文字幕亚洲精品专区| 免费看不卡的av| 亚洲成色77777| 在线观看av片永久免费下载| 国产成人免费观看mmmm| 五月天丁香电影| 国产精品蜜桃在线观看| 国产成人午夜福利电影在线观看| 欧美三级亚洲精品| 91av网一区二区| 日本av手机在线免费观看| 一本一本综合久久| 又爽又黄a免费视频| 中文在线观看免费www的网站| 九九爱精品视频在线观看| 男人爽女人下面视频在线观看| 亚洲国产最新在线播放| 极品教师在线视频| 免费看不卡的av| 美女脱内裤让男人舔精品视频| 精品人妻偷拍中文字幕| 男人舔女人下体高潮全视频| 国产亚洲午夜精品一区二区久久 | 又大又黄又爽视频免费| 最近视频中文字幕2019在线8| 国模一区二区三区四区视频| 99久国产av精品| 国内精品一区二区在线观看| 久久99蜜桃精品久久| 丰满人妻一区二区三区视频av| 99九九线精品视频在线观看视频| 国产精品久久久久久精品电影小说 | 国产精品一区二区三区四区免费观看| 中文字幕av成人在线电影| 欧美日韩在线观看h| 国产精品久久久久久精品电影| 乱人视频在线观看| 国产黄色视频一区二区在线观看| 又黄又爽又刺激的免费视频.| 国产 一区 欧美 日韩| 精品不卡国产一区二区三区| 少妇丰满av| 亚洲国产欧美人成| 老司机影院成人| 如何舔出高潮| 欧美激情久久久久久爽电影| 免费观看a级毛片全部| 亚洲欧洲日产国产| 国产亚洲av嫩草精品影院| 午夜爱爱视频在线播放| 国产成人午夜福利电影在线观看| 一区二区三区高清视频在线| 美女黄网站色视频| 一区二区三区乱码不卡18| 直男gayav资源| 亚洲在久久综合| 91久久精品电影网| 亚洲18禁久久av| av在线播放精品| 国产亚洲精品久久久com| 秋霞在线观看毛片| 久久精品国产鲁丝片午夜精品| 天堂网av新在线| 啦啦啦韩国在线观看视频| h日本视频在线播放| 久久久午夜欧美精品| 国产精品一区二区三区四区久久| 一个人观看的视频www高清免费观看| 亚洲av在线观看美女高潮| 日韩成人伦理影院| 在线观看av片永久免费下载| 美女内射精品一级片tv| 久久这里有精品视频免费| 精品国产一区二区三区久久久樱花 | 国产精品三级大全| 在线免费十八禁| 亚洲图色成人| 亚洲精品一二三| 亚洲欧美精品专区久久| 久久精品综合一区二区三区| 国产淫片久久久久久久久| 天堂影院成人在线观看| 日韩一本色道免费dvd| 国产欧美另类精品又又久久亚洲欧美| 久久久色成人| 欧美高清性xxxxhd video| 国产有黄有色有爽视频| 身体一侧抽搐| 欧美精品一区二区大全| 亚洲av日韩在线播放| 日韩欧美精品v在线| 亚洲内射少妇av| 18禁裸乳无遮挡免费网站照片| 天堂俺去俺来也www色官网 | 亚洲精品日韩在线中文字幕| 有码 亚洲区| 日本免费a在线| 成人性生交大片免费视频hd| 国产探花在线观看一区二区| av在线蜜桃| av一本久久久久| 国产老妇伦熟女老妇高清| 亚洲av在线观看美女高潮| 天天一区二区日本电影三级| 国内精品美女久久久久久| 最近最新中文字幕免费大全7| 日本免费a在线| 三级国产精品片| 亚洲最大成人中文| 亚洲自拍偷在线| or卡值多少钱| 亚洲精品一区蜜桃| 高清午夜精品一区二区三区| 国产 亚洲一区二区三区 | 中文欧美无线码| 亚洲欧美日韩卡通动漫| 欧美日韩亚洲高清精品| av福利片在线观看| 淫秽高清视频在线观看| 免费在线观看成人毛片| 亚洲精品乱码久久久v下载方式| 亚洲欧美精品自产自拍| 亚洲18禁久久av| 欧美日韩国产mv在线观看视频 | 亚洲自偷自拍三级| 干丝袜人妻中文字幕| 波多野结衣巨乳人妻| av网站免费在线观看视频 | 亚洲精品乱久久久久久| 精品不卡国产一区二区三区| 国产探花极品一区二区| 久久久久久久久久人人人人人人| 免费观看av网站的网址| 边亲边吃奶的免费视频| av在线观看视频网站免费| 哪个播放器可以免费观看大片| 久久精品夜夜夜夜夜久久蜜豆| 最新中文字幕久久久久| 国产精品久久久久久精品电影| 一级片'在线观看视频| 成人特级av手机在线观看| 校园人妻丝袜中文字幕| 偷拍熟女少妇极品色| 成年人午夜在线观看视频 | 日日摸夜夜添夜夜添av毛片| av国产免费在线观看| 国产综合精华液| 成人鲁丝片一二三区免费| 精品国内亚洲2022精品成人| 中文字幕av成人在线电影| 亚洲av成人av| 三级毛片av免费| 国产一区二区三区综合在线观看 | 赤兔流量卡办理| 麻豆久久精品国产亚洲av| 99久久精品热视频| 一个人观看的视频www高清免费观看| 欧美一级a爱片免费观看看| 欧美高清成人免费视频www| 两个人的视频大全免费| 九九久久精品国产亚洲av麻豆| 精品久久国产蜜桃| 成年人午夜在线观看视频 | 国产精品人妻久久久久久| 久久97久久精品| eeuss影院久久| 人妻夜夜爽99麻豆av| 三级男女做爰猛烈吃奶摸视频| 91狼人影院| 大又大粗又爽又黄少妇毛片口| 精品久久久久久成人av| 久久99热6这里只有精品| 亚洲av免费高清在线观看| 六月丁香七月| 免费观看无遮挡的男女| av一本久久久久| 亚洲国产欧美人成| 777米奇影视久久| 亚洲成人精品中文字幕电影| 久久这里只有精品中国| 国产黄频视频在线观看| 麻豆久久精品国产亚洲av| av福利片在线观看| 日韩,欧美,国产一区二区三区| 亚洲丝袜综合中文字幕| 真实男女啪啪啪动态图| 内地一区二区视频在线| 日韩 亚洲 欧美在线| 久久久久九九精品影院| 久久6这里有精品| 亚洲乱码一区二区免费版| 一级毛片 在线播放| 黑人高潮一二区| 一级毛片久久久久久久久女| 亚洲欧美清纯卡通| 婷婷色av中文字幕| av在线老鸭窝| 天堂网av新在线| 午夜视频国产福利| 在线a可以看的网站| 日韩人妻高清精品专区| 七月丁香在线播放| 视频中文字幕在线观看| 亚洲国产精品成人久久小说| 中文字幕人妻熟人妻熟丝袜美| 97超碰精品成人国产| 人人妻人人看人人澡| 国产老妇女一区| 街头女战士在线观看网站| 久久人人爽人人爽人人片va| 亚洲欧美日韩卡通动漫| 国产黄色视频一区二区在线观看| 国产亚洲av片在线观看秒播厂 | 免费黄网站久久成人精品| 亚洲美女搞黄在线观看| 久久久久久久久久成人| 国产精品一及| 国产精品美女特级片免费视频播放器| 色网站视频免费| 午夜激情久久久久久久| 成年人午夜在线观看视频 | 国产精品无大码| 亚洲aⅴ乱码一区二区在线播放| 99久久精品一区二区三区| 亚洲欧美日韩无卡精品| 一个人观看的视频www高清免费观看| 成人一区二区视频在线观看| 国产 一区精品| 日日摸夜夜添夜夜爱| av黄色大香蕉| 成年女人看的毛片在线观看| 91久久精品国产一区二区成人| 色尼玛亚洲综合影院| 亚洲欧美一区二区三区黑人 | 国产单亲对白刺激| 如何舔出高潮| 久久久久久久久中文| 国产老妇女一区| 欧美bdsm另类| 少妇的逼好多水| 97热精品久久久久久| 秋霞在线观看毛片| 久久精品国产亚洲网站| 午夜精品国产一区二区电影 | 高清欧美精品videossex| 中文字幕久久专区| av国产免费在线观看| 亚洲国产欧美人成| 国产亚洲av片在线观看秒播厂 | 亚洲自拍偷在线| 欧美激情在线99| 成人鲁丝片一二三区免费| 亚洲精品aⅴ在线观看| 深爱激情五月婷婷| 成人二区视频| 秋霞伦理黄片| 亚洲精品乱码久久久久久按摩| 看非洲黑人一级黄片| 日本av手机在线免费观看| 尤物成人国产欧美一区二区三区| 男女啪啪激烈高潮av片| 日韩大片免费观看网站| 国产在线一区二区三区精| 亚洲精品视频女| 日本爱情动作片www.在线观看| 又爽又黄a免费视频| 久久久久久九九精品二区国产| 久久久久久国产a免费观看| 午夜激情福利司机影院| 最近中文字幕2019免费版| 九色成人免费人妻av| 麻豆乱淫一区二区| 波野结衣二区三区在线| 久久久久久久午夜电影| 国产欧美日韩精品一区二区| 中文欧美无线码| 久久午夜福利片| 亚洲精品一区蜜桃| www.av在线官网国产| 日韩精品青青久久久久久| 久久99热这里只有精品18| 午夜亚洲福利在线播放| 高清在线视频一区二区三区| 身体一侧抽搐| 成人午夜高清在线视频| 国产激情偷乱视频一区二区| 国产精品福利在线免费观看| 日韩一区二区三区影片| 国内精品一区二区在线观看| 国产成人福利小说| 中文字幕制服av| av天堂中文字幕网| 麻豆国产97在线/欧美| 国产单亲对白刺激| 国产熟女欧美一区二区| 中国国产av一级| 国产色婷婷99| 午夜福利在线在线| 成人性生交大片免费视频hd| 成人亚洲精品一区在线观看 | 51国产日韩欧美| 中国美白少妇内射xxxbb| 26uuu在线亚洲综合色| 少妇人妻精品综合一区二区| 看十八女毛片水多多多| 亚洲最大成人av| 亚洲图色成人| 久久久成人免费电影| 麻豆成人午夜福利视频| 免费无遮挡裸体视频| 亚洲一级一片aⅴ在线观看| 亚洲婷婷狠狠爱综合网| 国产一区二区三区综合在线观看 | 国产91av在线免费观看| 久久热精品热| 一夜夜www| 久久久a久久爽久久v久久| 国产精品无大码| 免费观看的影片在线观看| 夫妻性生交免费视频一级片| 日韩强制内射视频| 久久人人爽人人片av| 日韩一本色道免费dvd| av国产久精品久网站免费入址| 国产激情偷乱视频一区二区| 国产伦精品一区二区三区视频9| 免费看日本二区| 寂寞人妻少妇视频99o| 少妇裸体淫交视频免费看高清| 最近最新中文字幕大全电影3| 男女啪啪激烈高潮av片| 91久久精品国产一区二区成人| 男女那种视频在线观看| 精品熟女少妇av免费看| a级毛片免费高清观看在线播放| 免费观看精品视频网站| 亚洲伊人久久精品综合| 99热全是精品| 在线观看av片永久免费下载| 最后的刺客免费高清国语| 人人妻人人看人人澡| 亚洲美女视频黄频| 晚上一个人看的免费电影| av在线蜜桃| 亚洲国产精品成人综合色| 亚洲av成人精品一区久久| 日日撸夜夜添| 欧美极品一区二区三区四区| 久久精品人妻少妇| 2021少妇久久久久久久久久久| 91狼人影院| 亚洲18禁久久av| 嘟嘟电影网在线观看| 白带黄色成豆腐渣| 国产黄色小视频在线观看| 欧美一级a爱片免费观看看| 日本色播在线视频| 日韩av在线大香蕉| 亚洲精品一二三| 久久久成人免费电影| 久久精品国产亚洲av天美| 婷婷色麻豆天堂久久| 午夜福利视频1000在线观看| 亚洲,欧美,日韩| 青青草视频在线视频观看| 91精品一卡2卡3卡4卡| 久久久精品94久久精品| 欧美激情国产日韩精品一区| 一夜夜www| 天天一区二区日本电影三级| 一级a做视频免费观看| 日日啪夜夜爽| 亚洲精品自拍成人| 天美传媒精品一区二区| 国产v大片淫在线免费观看| 波野结衣二区三区在线| 夫妻午夜视频| 嘟嘟电影网在线观看| 国产免费一级a男人的天堂| 最近中文字幕高清免费大全6| 成人美女网站在线观看视频| 日韩av不卡免费在线播放| 97热精品久久久久久| 国产亚洲精品av在线| 亚洲一级一片aⅴ在线观看| 国产一级毛片在线| 大话2 男鬼变身卡| 久久97久久精品| 日韩一区二区视频免费看| 亚洲欧美日韩无卡精品| 日韩av在线大香蕉| 又爽又黄a免费视频| 自拍偷自拍亚洲精品老妇| 国产乱来视频区| 精品人妻偷拍中文字幕| 亚洲欧美清纯卡通| 人妻夜夜爽99麻豆av| 大片免费播放器 马上看| 国产在线男女| av在线天堂中文字幕| 中文字幕久久专区| 精品人妻视频免费看| 国产v大片淫在线免费观看| 亚洲精品日韩在线中文字幕| 午夜精品在线福利| 1000部很黄的大片| 男插女下体视频免费在线播放| 日韩国内少妇激情av| av免费在线看不卡| 蜜桃久久精品国产亚洲av| 亚洲真实伦在线观看| 美女cb高潮喷水在线观看| 亚洲国产高清在线一区二区三| 六月丁香七月| 日本熟妇午夜| 久久午夜福利片| 国产一区二区三区综合在线观看 | 成人无遮挡网站| 在线播放无遮挡| 嫩草影院新地址| 免费看不卡的av| 国产精品人妻久久久影院| 别揉我奶头 嗯啊视频| 亚洲精品,欧美精品| 亚洲高清免费不卡视频| 大香蕉久久网| 一个人免费在线观看电影| 欧美日本视频| 一级二级三级毛片免费看| 日韩一区二区视频免费看| 国内揄拍国产精品人妻在线| 最近最新中文字幕大全电影3| 国产亚洲91精品色在线| 欧美高清性xxxxhd video| 免费观看a级毛片全部| 少妇熟女欧美另类| 国产乱人视频| 在线免费观看不下载黄p国产| 三级国产精品欧美在线观看| 国产精品精品国产色婷婷| 亚洲国产日韩欧美精品在线观看| 国国产精品蜜臀av免费| 久久久久久久久久成人| 搡老妇女老女人老熟妇| 极品少妇高潮喷水抽搐| 男女那种视频在线观看| 我的女老师完整版在线观看| videos熟女内射| 亚洲熟妇中文字幕五十中出| 日本三级黄在线观看| 黑人高潮一二区| 午夜久久久久精精品| 日本午夜av视频| 国产在视频线在精品| 久久99热这里只有精品18| 久久人人爽人人片av| 久久热精品热| 久99久视频精品免费| 国产精品1区2区在线观看.| 一区二区三区免费毛片| 三级男女做爰猛烈吃奶摸视频| 成年人午夜在线观看视频 | 精品国内亚洲2022精品成人| 亚洲一级一片aⅴ在线观看| 黄色欧美视频在线观看| 国产精品人妻久久久影院| 国产大屁股一区二区在线视频| 久久久国产一区二区| 免费黄频网站在线观看国产| 亚洲伊人久久精品综合| 成人欧美大片| 综合色av麻豆| 欧美潮喷喷水| 日本av手机在线免费观看| 成人午夜精彩视频在线观看| 久久久久久久久大av| 国产在视频线在精品| 日产精品乱码卡一卡2卡三| 成人午夜高清在线视频| 校园人妻丝袜中文字幕| 夜夜爽夜夜爽视频| 亚洲精品亚洲一区二区| av卡一久久| 免费人成在线观看视频色| 亚洲精品亚洲一区二区| 免费观看无遮挡的男女| 久久这里有精品视频免费| 美女黄网站色视频| 嘟嘟电影网在线观看| 夜夜看夜夜爽夜夜摸| 午夜精品在线福利| 少妇高潮的动态图| 国产视频首页在线观看| 国产乱人偷精品视频| 日韩人妻高清精品专区| 男女视频在线观看网站免费| av专区在线播放| 久久99热这里只有精品18| 99久久精品国产国产毛片| 免费观看在线日韩| 一级二级三级毛片免费看| 国产成人a区在线观看| 少妇人妻一区二区三区视频| 日韩欧美精品免费久久| 天堂影院成人在线观看| 国产伦精品一区二区三区视频9| 国产黄色视频一区二区在线观看| 国产白丝娇喘喷水9色精品| 中文精品一卡2卡3卡4更新| 亚洲欧美一区二区三区国产| 人人妻人人澡人人爽人人夜夜 | 一个人看视频在线观看www免费| 日本免费a在线| 精品亚洲乱码少妇综合久久| 午夜福利在线观看免费完整高清在| 国产亚洲91精品色在线| 成人亚洲精品av一区二区| 寂寞人妻少妇视频99o| av一本久久久久| 三级毛片av免费| 亚洲av中文av极速乱| 少妇猛男粗大的猛烈进出视频 | 欧美激情在线99| 联通29元200g的流量卡| 亚洲av国产av综合av卡| 亚洲av成人av| 超碰97精品在线观看| 美女脱内裤让男人舔精品视频| 免费大片18禁| 啦啦啦韩国在线观看视频| 看非洲黑人一级黄片| 在线免费观看不下载黄p国产| 最近中文字幕2019免费版| 国产黄色小视频在线观看| 国产欧美日韩精品一区二区| 亚洲美女视频黄频| 中文乱码字字幕精品一区二区三区 | 色吧在线观看| 国产中年淑女户外野战色| 欧美xxⅹ黑人| 日日干狠狠操夜夜爽| 国产 一区 欧美 日韩| 欧美97在线视频| 亚洲精品,欧美精品| 午夜福利视频1000在线观看| 欧美激情国产日韩精品一区| 在线免费观看的www视频| 亚洲一区高清亚洲精品| 美女脱内裤让男人舔精品视频| 日韩强制内射视频| 九九爱精品视频在线观看| 亚洲欧美精品自产自拍| av国产久精品久网站免费入址| 高清视频免费观看一区二区 | 国产亚洲午夜精品一区二区久久 | 有码 亚洲区| 国产在线一区二区三区精| 日日啪夜夜撸| 国产精品熟女久久久久浪| 久久精品国产亚洲av涩爱| 床上黄色一级片| 精品人妻一区二区三区麻豆| 黄片无遮挡物在线观看| 亚洲国产精品成人久久小说| .国产精品久久| 深爱激情五月婷婷| 国产精品不卡视频一区二区| 免费看美女性在线毛片视频| 国产伦理片在线播放av一区| 青春草视频在线免费观看| 日韩av在线免费看完整版不卡| 久久精品国产亚洲网站| 亚洲乱码一区二区免费版| 国产精品伦人一区二区| 久久国产乱子免费精品| 日日啪夜夜爽| 国产国拍精品亚洲av在线观看| 在线播放无遮挡| 青青草视频在线视频观看| 免费av不卡在线播放| 2021少妇久久久久久久久久久| 免费无遮挡裸体视频|