• <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.

    国语自产精品视频在线第100页| 国产av不卡久久| 啪啪无遮挡十八禁网站| 亚洲国产精品久久男人天堂| 欧美激情久久久久久爽电影| 人人妻人人澡欧美一区二区| 19禁男女啪啪无遮挡网站| a在线观看视频网站| 美女扒开内裤让男人捅视频| 欧美不卡视频在线免费观看| 热99在线观看视频| 精品国产乱码久久久久久男人| 嫩草影院精品99| 亚洲九九香蕉| 亚洲九九香蕉| 成人午夜高清在线视频| 嫩草影院精品99| 国产黄a三级三级三级人| 国产亚洲欧美在线一区二区| 亚洲国产欧美人成| 成在线人永久免费视频| 极品教师在线免费播放| 色精品久久人妻99蜜桃| 狂野欧美白嫩少妇大欣赏| 老司机午夜福利在线观看视频| 亚洲欧美精品综合久久99| 亚洲avbb在线观看| 首页视频小说图片口味搜索| 国产成人欧美在线观看| e午夜精品久久久久久久| 欧美中文综合在线视频| 天堂影院成人在线观看| 啦啦啦观看免费观看视频高清| 国产亚洲精品综合一区在线观看| 国产爱豆传媒在线观看| a级毛片a级免费在线| 成人av在线播放网站| 久久久久久久久免费视频了| 一进一出抽搐gif免费好疼| 国产精品免费一区二区三区在线| 国产亚洲精品久久久久久毛片| 亚洲国产精品sss在线观看| 听说在线观看完整版免费高清| 99精品久久久久人妻精品| 午夜精品一区二区三区免费看| 又紧又爽又黄一区二区| 日韩欧美三级三区| 国产真实乱freesex| 日本一本二区三区精品| 免费在线观看影片大全网站| 国产精品日韩av在线免费观看| 久久久国产成人免费| 国产在线精品亚洲第一网站| 一区二区三区高清视频在线| 麻豆国产97在线/欧美| 亚洲欧美日韩高清专用| 99久久精品一区二区三区| 悠悠久久av| 97超视频在线观看视频| 99riav亚洲国产免费| 丰满人妻熟妇乱又伦精品不卡| 757午夜福利合集在线观看| 久久人人精品亚洲av| or卡值多少钱| 美女高潮的动态| 丁香六月欧美| 国产精品综合久久久久久久免费| 欧美日韩中文字幕国产精品一区二区三区| 亚洲人成电影免费在线| 日韩欧美在线乱码| 亚洲欧美日韩无卡精品| 免费看美女性在线毛片视频| 老司机福利观看| 超碰成人久久| 中文字幕人成人乱码亚洲影| 欧美激情在线99| 中出人妻视频一区二区| 成年版毛片免费区| 一进一出好大好爽视频| 给我免费播放毛片高清在线观看| 久久久久精品国产欧美久久久| 手机成人av网站| 久久人人精品亚洲av| 亚洲精品色激情综合| 天天添夜夜摸| 91久久精品国产一区二区成人 | 身体一侧抽搐| 中文字幕人妻丝袜一区二区| 午夜精品久久久久久毛片777| 淫妇啪啪啪对白视频| 午夜福利在线观看免费完整高清在 | 九九热线精品视视频播放| 午夜精品久久久久久毛片777| 成人一区二区视频在线观看| 男女午夜视频在线观看| 一个人免费在线观看电影 | 中文字幕人妻丝袜一区二区| x7x7x7水蜜桃| 国产乱人伦免费视频| 午夜a级毛片| 午夜福利在线观看吧| 精品久久久久久久久久久久久| 日本黄色视频三级网站网址| 视频区欧美日本亚洲| 精品无人区乱码1区二区| 9191精品国产免费久久| 在线观看一区二区三区| 国产亚洲av嫩草精品影院| 日本一本二区三区精品| 成人国产一区最新在线观看| 搡老妇女老女人老熟妇| 在线播放国产精品三级| 老汉色∧v一级毛片| 亚洲熟妇熟女久久| 狂野欧美白嫩少妇大欣赏| 小蜜桃在线观看免费完整版高清| 精品久久久久久,| 在线观看美女被高潮喷水网站 | 国产精品日韩av在线免费观看| 可以在线观看的亚洲视频| 日日摸夜夜添夜夜添小说| 一进一出抽搐gif免费好疼| 深夜精品福利| 日本 欧美在线| 久久久久国产一级毛片高清牌| 又黄又粗又硬又大视频| 日韩欧美一区二区三区在线观看| 美女cb高潮喷水在线观看 | 精品国产乱码久久久久久男人| 国产v大片淫在线免费观看| 色老头精品视频在线观看| 婷婷六月久久综合丁香| 国产亚洲av嫩草精品影院| 欧美最黄视频在线播放免费| 国产成人系列免费观看| 青草久久国产| 亚洲国产日韩欧美精品在线观看 | 国产成人精品久久二区二区91| 欧美中文综合在线视频| 1000部很黄的大片| 日韩欧美免费精品| 欧美大码av| 一区二区三区高清视频在线| 一个人免费在线观看电影 | 视频区欧美日本亚洲| 欧美3d第一页| 国产一级毛片七仙女欲春2| 19禁男女啪啪无遮挡网站| 欧美xxxx黑人xx丫x性爽| 午夜久久久久精精品| 国产一区二区三区视频了| 90打野战视频偷拍视频| 99久久成人亚洲精品观看| 亚洲中文字幕一区二区三区有码在线看 | 亚洲精品456在线播放app | 国产成人一区二区三区免费视频网站| 国内精品一区二区在线观看| 老汉色av国产亚洲站长工具| 久久久久性生活片| 在线观看66精品国产| 88av欧美| 欧美中文日本在线观看视频| 亚洲精品在线美女| 我要搜黄色片| 日本一本二区三区精品| 精品久久久久久,| 日本 欧美在线| 国内精品久久久久精免费| 国产99白浆流出| or卡值多少钱| 国产aⅴ精品一区二区三区波| 国内精品美女久久久久久| 久久久久久国产a免费观看| 首页视频小说图片口味搜索| 精品一区二区三区视频在线观看免费| 91av网站免费观看| 午夜久久久久精精品| 一进一出抽搐gif免费好疼| 香蕉丝袜av| 国产久久久一区二区三区| 午夜福利在线观看免费完整高清在 | 日本黄色视频三级网站网址| 99国产综合亚洲精品| 人妻久久中文字幕网| 麻豆成人av在线观看| 国产午夜精品久久久久久| 国产精品亚洲av一区麻豆| 黄色成人免费大全| 一二三四社区在线视频社区8| 97超级碰碰碰精品色视频在线观看| 成年版毛片免费区| 国产黄a三级三级三级人| 欧美中文日本在线观看视频| 日本黄色视频三级网站网址| 日日干狠狠操夜夜爽| 观看免费一级毛片| 国产成人系列免费观看| 操出白浆在线播放| 久久国产精品影院| 精品国产乱码久久久久久男人| 高清在线国产一区| 91字幕亚洲| 哪里可以看免费的av片| 久久天躁狠狠躁夜夜2o2o| 午夜福利视频1000在线观看| 欧美色欧美亚洲另类二区| 国产高清videossex| 国产精品国产高清国产av| 免费看a级黄色片| 亚洲熟妇中文字幕五十中出| 嫁个100分男人电影在线观看| 日本三级黄在线观看| 亚洲va日本ⅴa欧美va伊人久久| 国产男靠女视频免费网站| 成人特级av手机在线观看| 成人av在线播放网站| 日韩欧美在线乱码| 亚洲精品美女久久久久99蜜臀| 亚洲成a人片在线一区二区| 小说图片视频综合网站| 51午夜福利影视在线观看| 高潮久久久久久久久久久不卡| 欧美日本亚洲视频在线播放| tocl精华| 一二三四在线观看免费中文在| 亚洲精品国产精品久久久不卡| 午夜福利成人在线免费观看| 91字幕亚洲| 18美女黄网站色大片免费观看| 亚洲中文日韩欧美视频| 国产精品免费一区二区三区在线| 成人三级做爰电影| av中文乱码字幕在线| 这个男人来自地球电影免费观看| 熟妇人妻久久中文字幕3abv| 国产午夜精品久久久久久| 国产精品 欧美亚洲| 伊人久久大香线蕉亚洲五| 日本 欧美在线| 日韩欧美在线乱码| 香蕉av资源在线| 欧美3d第一页| 久久精品人妻少妇| 免费看十八禁软件| 亚洲自偷自拍图片 自拍| 99精品欧美一区二区三区四区| 国产69精品久久久久777片 | 色综合欧美亚洲国产小说| 99久久久亚洲精品蜜臀av| 最近最新中文字幕大全免费视频| 91在线观看av| 天堂√8在线中文| 国产激情久久老熟女| 好男人电影高清在线观看| 国产精品 国内视频| 天堂av国产一区二区熟女人妻| 精品国产美女av久久久久小说| 在线免费观看不下载黄p国产 | 国内精品久久久久久久电影| 身体一侧抽搐| 久久性视频一级片| 网址你懂的国产日韩在线| 成人特级av手机在线观看| 级片在线观看| 一区福利在线观看| 亚洲一区高清亚洲精品| 伊人久久大香线蕉亚洲五| 这个男人来自地球电影免费观看| 国产精品亚洲美女久久久| 波多野结衣高清作品| 99久国产av精品| 亚洲专区中文字幕在线| 午夜福利视频1000在线观看| av福利片在线观看| 99国产精品一区二区蜜桃av| 亚洲专区字幕在线| 女生性感内裤真人,穿戴方法视频| 亚洲精品456在线播放app | 成年免费大片在线观看| 国产高潮美女av| 久久久久久久精品吃奶| 久久精品亚洲精品国产色婷小说| 精品久久久久久久毛片微露脸| 中文字幕最新亚洲高清| 男人舔女人下体高潮全视频| 国产麻豆成人av免费视频| av天堂中文字幕网| 两个人视频免费观看高清| 国产欧美日韩精品一区二区| 在线永久观看黄色视频| 成人三级做爰电影| 国产三级在线视频| 免费在线观看成人毛片| 午夜福利高清视频| 麻豆国产av国片精品| 国产精品98久久久久久宅男小说| 国产精品精品国产色婷婷| 国产av一区在线观看免费| 亚洲精品一区av在线观看| 高清毛片免费观看视频网站| 亚洲午夜精品一区,二区,三区| 成人特级av手机在线观看| 国产人伦9x9x在线观看| avwww免费| 色视频www国产| 免费在线观看影片大全网站| 给我免费播放毛片高清在线观看| 黄色成人免费大全| 男女视频在线观看网站免费| 婷婷亚洲欧美| 亚洲欧美日韩卡通动漫| 特级一级黄色大片| 精品国产乱码久久久久久男人| 精品久久久久久久人妻蜜臀av| 深夜精品福利| xxx96com| 国产精品av视频在线免费观看| 久久久久国产一级毛片高清牌| 男人舔奶头视频| 国产欧美日韩一区二区精品| 一级黄色大片毛片| 色精品久久人妻99蜜桃| 黄色日韩在线| av视频在线观看入口| 国产亚洲精品av在线| 国产av不卡久久| 真实男女啪啪啪动态图| 丰满人妻一区二区三区视频av | 亚洲精品乱码久久久v下载方式 | 亚洲黑人精品在线| 亚洲最大成人中文| 我要搜黄色片| 熟妇人妻久久中文字幕3abv| 舔av片在线| 欧美最黄视频在线播放免费| 99精品欧美一区二区三区四区| 欧美中文综合在线视频| 日韩 欧美 亚洲 中文字幕| 亚洲成a人片在线一区二区| 我的老师免费观看完整版| 天天躁日日操中文字幕| 在线十欧美十亚洲十日本专区| 欧美日韩中文字幕国产精品一区二区三区| 免费在线观看日本一区| 久久久久久久久久黄片| 中文在线观看免费www的网站| 日韩 欧美 亚洲 中文字幕| 在线看三级毛片| 人妻夜夜爽99麻豆av| 午夜福利视频1000在线观看| 九九在线视频观看精品| 亚洲精品久久国产高清桃花| av福利片在线观看| 亚洲五月天丁香| 在线十欧美十亚洲十日本专区| 国产精品自产拍在线观看55亚洲| 中文字幕av在线有码专区| 国产成年人精品一区二区| 法律面前人人平等表现在哪些方面| 在线视频色国产色| 性欧美人与动物交配| 此物有八面人人有两片| 国产成人一区二区三区免费视频网站| 日本免费一区二区三区高清不卡| 1024手机看黄色片| 久久香蕉精品热| 91av网站免费观看| 两个人看的免费小视频| 国产精品综合久久久久久久免费| 亚洲激情在线av| 最近在线观看免费完整版| 中文亚洲av片在线观看爽| a级毛片在线看网站| 色老头精品视频在线观看| 日日干狠狠操夜夜爽| 不卡av一区二区三区| 偷拍熟女少妇极品色| 一级毛片精品| 老汉色av国产亚洲站长工具| 国产 一区 欧美 日韩| 日本 av在线| 色综合欧美亚洲国产小说| 日韩欧美精品v在线| 免费在线观看亚洲国产| 亚洲精品在线观看二区| 国内精品久久久久久久电影| 日本五十路高清| 非洲黑人性xxxx精品又粗又长| 人妻夜夜爽99麻豆av| 国产亚洲av嫩草精品影院| 黑人巨大精品欧美一区二区mp4| 亚洲国产欧美一区二区综合| 变态另类成人亚洲欧美熟女| 在线观看午夜福利视频| 国产极品精品免费视频能看的| 免费观看的影片在线观看| 久久香蕉精品热| 久久九九热精品免费| 亚洲国产高清在线一区二区三| 十八禁人妻一区二区| 精品国产亚洲在线| 欧美色视频一区免费| 午夜视频精品福利| 精品无人区乱码1区二区| 神马国产精品三级电影在线观看| 欧美丝袜亚洲另类 | 午夜久久久久精精品| 国产精品一及| 免费在线观看日本一区| 舔av片在线| 国产伦在线观看视频一区| 免费看美女性在线毛片视频| 久久久久国产精品人妻aⅴ院| 亚洲国产精品成人综合色| 欧美日韩精品网址| 99riav亚洲国产免费| 国产午夜福利久久久久久| 好男人在线观看高清免费视频| 一进一出抽搐gif免费好疼| 国产精品美女特级片免费视频播放器 | 午夜福利在线观看吧| 女同久久另类99精品国产91| 亚洲欧美日韩高清专用| 国产三级中文精品| 少妇的丰满在线观看| 啦啦啦免费观看视频1| 亚洲avbb在线观看| 国产精品,欧美在线| 亚洲av第一区精品v没综合| 国产亚洲精品一区二区www| 亚洲aⅴ乱码一区二区在线播放| 99国产精品99久久久久| 国产一区二区三区在线臀色熟女| 国产伦一二天堂av在线观看| 日本a在线网址| 亚洲最大成人中文| 嫩草影院入口| 在线a可以看的网站| www.www免费av| 国产亚洲精品久久久久久毛片| 黄片大片在线免费观看| 免费在线观看影片大全网站| 99久久国产精品久久久| 男女午夜视频在线观看| 国产v大片淫在线免费观看| 美女午夜性视频免费| 国产激情久久老熟女| 男女做爰动态图高潮gif福利片| www.熟女人妻精品国产| 黄片小视频在线播放| 啦啦啦韩国在线观看视频| 国产一区二区激情短视频| 国产1区2区3区精品| 欧美一区二区国产精品久久精品| 成人永久免费在线观看视频| a级毛片在线看网站| 午夜两性在线视频| 亚洲成人久久爱视频| 2021天堂中文幕一二区在线观| 91麻豆av在线| 免费av毛片视频| 怎么达到女性高潮| 国产精品爽爽va在线观看网站| 久久久久久久久中文| 国产伦人伦偷精品视频| 一级黄色大片毛片| 99精品久久久久人妻精品| 国产av在哪里看| 99久久综合精品五月天人人| 国产精品久久久久久精品电影| 亚洲欧美日韩高清在线视频| 亚洲狠狠婷婷综合久久图片| 色老头精品视频在线观看| 精品久久久久久久末码| 一区二区三区高清视频在线| 欧美中文日本在线观看视频| 国产精品一及| 波多野结衣巨乳人妻| 亚洲欧美一区二区三区黑人| av福利片在线观看| 国产麻豆成人av免费视频| 男女午夜视频在线观看| 欧美国产日韩亚洲一区| 长腿黑丝高跟| 国产伦在线观看视频一区| 母亲3免费完整高清在线观看| 国产亚洲av高清不卡| 后天国语完整版免费观看| 国产爱豆传媒在线观看| 桃色一区二区三区在线观看| 最新中文字幕久久久久 | 国产不卡一卡二| 久久国产精品人妻蜜桃| 一个人免费在线观看的高清视频| 婷婷精品国产亚洲av| 男人的好看免费观看在线视频| 12—13女人毛片做爰片一| 美女高潮的动态| 久久99热这里只有精品18| 怎么达到女性高潮| 我要搜黄色片| 中文亚洲av片在线观看爽| 亚洲人成伊人成综合网2020| 久久亚洲精品不卡| 怎么达到女性高潮| 精品国产乱码久久久久久男人| 精品不卡国产一区二区三区| 亚洲人与动物交配视频| www日本黄色视频网| 国产精品一区二区免费欧美| 一个人免费在线观看的高清视频| 亚洲色图av天堂| 99精品久久久久人妻精品| 少妇人妻一区二区三区视频| 色综合欧美亚洲国产小说| 国产精品一区二区三区四区久久| 99久久99久久久精品蜜桃| 国产精品久久久久久人妻精品电影| 亚洲人成网站在线播放欧美日韩| 99热6这里只有精品| 久久婷婷人人爽人人干人人爱| 成人一区二区视频在线观看| 日日干狠狠操夜夜爽| 亚洲精品在线美女| 老司机午夜福利在线观看视频| 丰满人妻一区二区三区视频av | 99视频精品全部免费 在线 | 国产精品久久久人人做人人爽| 国内精品久久久久精免费| 叶爱在线成人免费视频播放| 亚洲专区国产一区二区| 在线观看免费午夜福利视频| 国产成人一区二区三区免费视频网站| 美女午夜性视频免费| xxx96com| 黄色视频,在线免费观看| 一级黄色大片毛片| 精品一区二区三区四区五区乱码| avwww免费| 亚洲欧美日韩高清在线视频| 国产精品女同一区二区软件 | 亚洲精品久久国产高清桃花| www.自偷自拍.com| 成人18禁在线播放| 亚洲无线在线观看| 日本成人三级电影网站| 免费在线观看亚洲国产| 精品国产美女av久久久久小说| 在线国产一区二区在线| 十八禁人妻一区二区| 女人高潮潮喷娇喘18禁视频| 日韩欧美国产在线观看| 黄色视频,在线免费观看| 全区人妻精品视频| 亚洲一区高清亚洲精品| 美女高潮喷水抽搐中文字幕| 国产精品亚洲美女久久久| www.www免费av| 国产男靠女视频免费网站| 日韩欧美国产在线观看| 欧美性猛交╳xxx乱大交人| 国产精品一区二区精品视频观看| 久久九九热精品免费| 黄色 视频免费看| 久久午夜亚洲精品久久| 999久久久精品免费观看国产| 嫁个100分男人电影在线观看| 国产精品久久久久久久电影 | 露出奶头的视频| 看片在线看免费视频| 午夜福利免费观看在线| 中文字幕高清在线视频| 亚洲国产欧美人成| 中文字幕av在线有码专区| 国产精品爽爽va在线观看网站| 日韩欧美在线乱码| 精品久久久久久久毛片微露脸| 日韩欧美在线乱码| 听说在线观看完整版免费高清| 香蕉久久夜色| 午夜亚洲福利在线播放| 久久精品亚洲精品国产色婷小说| 亚洲在线自拍视频| 国产伦人伦偷精品视频| 亚洲中文字幕一区二区三区有码在线看 | 亚洲专区国产一区二区| 热99re8久久精品国产| 男人舔女人下体高潮全视频| 美女被艹到高潮喷水动态| cao死你这个sao货| 精品电影一区二区在线| 亚洲国产中文字幕在线视频| 久久久久久国产a免费观看| av天堂中文字幕网| 精品无人区乱码1区二区| 日韩欧美一区二区三区在线观看| 亚洲国产欧美网| 禁无遮挡网站| av中文乱码字幕在线| 精品久久久久久久久久免费视频| 91在线精品国自产拍蜜月 | 天天添夜夜摸| 精品一区二区三区视频在线观看免费| 亚洲av电影不卡..在线观看| 久久久久久久午夜电影| 国产亚洲av高清不卡| 欧美一级毛片孕妇| 国产午夜精品久久久久久| av天堂中文字幕网| www国产在线视频色| 国产黄a三级三级三级人| 一二三四在线观看免费中文在| 少妇的丰满在线观看| 久久香蕉国产精品| 日本黄色视频三级网站网址|