• <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MobileNet V2和遷移學習的番茄病害識別

    2023-06-04 23:20:10王哲豪范麗麗何前
    江蘇農(nóng)業(yè)科學 2023年9期
    關鍵詞:遷移學習番茄

    王哲豪 范麗麗 何前

    摘要:番茄葉部病害嚴重影響了番茄的產(chǎn)量和質(zhì)量,為實現(xiàn)在移動設備實時對番茄進行病害識別,提高番茄的產(chǎn)量,減少種植者的損失。本研究提出將輕量級網(wǎng)絡模型MobileNet V2和遷移學習的方式相結合,對番茄早疫病、番茄細菌性斑疹病、番茄晚疫病、番茄葉霉病、番茄斑枯病、番茄紅蜘蛛病、番茄褐斑病、番茄花葉病、番茄黃化曲葉病等9種葉部病害圖像以及健康番茄葉片圖像進行分類識別,首先將數(shù)據(jù)集按照9 ∶?1的比例分為訓練集和驗證集,對于訓練模型根據(jù)遷移學習的方式分別采用不凍結卷積層、凍結部分卷積層、全部凍結卷積層的方式獲得3種模型,然后在模型最后加上2層全連接層并用Dropout層防止過擬合,接著通過Softmax層輸出實現(xiàn)對番茄病害圖像分類識別,最后利用驗證集來統(tǒng)計模型的準確率和損失值。其中,凍結部分卷積層準確率最高,達到93.67%。另外,通過試驗對比傳統(tǒng)網(wǎng)絡VGG16、ResNet50訓練集和驗證集的準確率、損失值及運行時間,其中遷移學習的MobileNet V2模型的準確率最高,運行時間最短。該研究提出的基于MobileNet V2和遷移學習的番茄病害識別研究方法識別效果較佳,速度較快,為在移動設備實時對番茄病害識別提供了技術支持。

    關鍵詞:MobileNet V2;遷移學習;病害識別;番茄

    中圖分類號:TP391.41??文獻標志碼:A??文章編號:1002-1302(2023)09-0215-07

    基金項目:湖北省教育廳創(chuàng)新團隊項目(編號:T2021009);國家自然科學基金(編號:11871388)。

    作者簡介:王哲豪(1996—),男,湖北武漢人,碩士研究生,研究方向為農(nóng)業(yè)圖像處理。E-mail:1030922418@qq.com。

    通信作者:范麗麗,博士,副教授,碩士生導師,從事偏微分方程方面的研究。E-mail:23404587@qq.com。

    我國自古以來都是農(nóng)業(yè)大國,目前我國農(nóng)業(yè)經(jīng)濟十分發(fā)達,是我國國民經(jīng)濟中的中流砥柱。番茄作為我國主要農(nóng)作物之一,無論是出口還是在國內(nèi)都有相當大的市場。番茄整個生長周期都會受到不同病害的侵襲,其中在番茄葉部的病害對番茄有較為嚴重的影響[1],番茄葉部病害種類繁多,包括番茄早疫病、番茄細菌性斑疹病、番茄晚疫病、番茄葉霉病、番茄斑枯病、番茄紅蜘蛛病、番茄褐斑病、番茄花葉病、番茄黃化曲葉病,每種病害都會直接影響番茄的質(zhì)量和產(chǎn)量。因此對番茄病害的研究與防治就顯得十分有必要。

    近年來,隨著機器學習的不斷發(fā)展壯大,將機器學習與農(nóng)業(yè)結合越來越普遍。對農(nóng)作物病害識別也從傳統(tǒng)方法[2]慢慢過渡到機器學習相關方法。趙小虎等將改進的U-Net網(wǎng)絡運用于番茄分割,獲得了較好的分類并為后面識別打下了基礎[3]。賈兆紅等提出EFCA注意力模塊再通過最大池化和concat操作,將番茄葉面型病害分類準確度提高到了86.69%[4]。張洪駿等分別研究了VGG16、InceptionV3、ResNet50、MobileNet V2對番茄病害的識別,不考慮時間成本,準確率達到了94%[5]。胡玲艷等利用輕量級模型SqueezeNet對番茄病害進行識別,并對比了與LeNet、MobileNet模型的差異,證明了輕量級模型的實效性和準確率[6]。方晨晨等采用多尺度卷積代替?zhèn)鹘y(tǒng)卷積,解決了網(wǎng)絡過深引起的退化問題,最終訓練后的模型權重只有19 MB,準確率達到了98.58%,可以有效識別出番茄病害圖像[7]。遷移學習作為深度學習常用的方法,被廣泛地運用于農(nóng)作物病害識別研究[8-11],包括水稻、玉米、茶葉等。但是基于遷移學習和輕量級模型MobileNet V2以實現(xiàn)移動端設備實時對番茄病害識別的研究較少。

    番茄葉部病害種類多,病害之間相似度高,用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(convolutional neural networks,簡稱CNN)網(wǎng)絡訓練需要花費大量時間、精力且準確率不高,不能很好地結合于實際情況。因此,本研究提出基于MobileNet V2和遷移學習的番茄病害識別研究方法,并通過試驗驗證其有效性。

    1?數(shù)據(jù)集

    本研究的數(shù)據(jù)集選自Plant-Village數(shù)據(jù)集,包括54 303張健康和染病葉片的圖片,分為38個類別。本研究選取其中番茄健康和染病圖片,分為10個類別,分別是番茄健康葉片圖片、番茄早疫病圖片、番茄細菌性斑疹病圖片、番茄晚疫病圖片、番茄葉霉病圖片、番茄斑枯病圖片、番茄紅蜘蛛病圖片、番茄褐斑病圖片、番茄花葉病圖片、番茄黃化曲葉病圖片,共有18 835張照片。每個類別按照9 ∶?1劃分為訓練集和驗證集,具體的數(shù)據(jù)集數(shù)量見表1,部分示例圖像見圖1。

    由表1可知,番茄葉部病害數(shù)據(jù)集數(shù)量偏少且分布不均勻,模型在訓練過程中將不可避免地將數(shù)據(jù)集中數(shù)量少的病害分類到數(shù)據(jù)集中數(shù)量多的病害中。除此之外,由圖1可知,番茄細菌性斑疹病和番茄健康葉片在形狀、紋理上非常相似,番茄紅蜘蛛病和番茄褐斑病在外觀、顏色上同樣非常相似,這就導致模型直接訓練會難以區(qū)分。

    2?MobileNet V2

    2.1?模型提出

    隨著計算機視覺領域的發(fā)展,卷積神經(jīng)網(wǎng)絡也在不斷地迭代更新。為追求更高的準確率,相繼出現(xiàn)了AlexNet、VGG、NiN、GooLeNet、ResNet。卷積神經(jīng)網(wǎng)絡的層數(shù)在不斷加深,內(nèi)存需求不斷增大,計算量也在成倍增加[12]。比如,VGG16權重文件大小就高達490 M,ResNet50更是達到了644 M。

    如此巨大的內(nèi)存需求和計算量導致這些網(wǎng)絡模型局限于實驗室,不能在移動設備和嵌入式設備運行,由此Google團隊在2017年提出專注于移動端和嵌入式設備中的輕量級CNN——MobileNet V1。

    通過文獻[13]可知,MobileNet V1模型參數(shù)只有VGG16的1/32,準確率卻只下降了0.9%。模型最大的創(chuàng)新點就是提出了深度可分離卷積(depthwise separable convolution)。深度可分離卷積包括逐通道卷積(depthwise convolution,簡稱DW)和逐點卷積(pointwise convolution,簡稱PW)。

    圖2中傳統(tǒng)卷積,卷積核的channel等于輸入特征圖的channel,輸出特征矩陣的channel等于卷積核個數(shù)。圖3中深度可分離卷積前半部分是逐通道卷積后半部分是逐點卷積。其中逐通道卷積和傳統(tǒng)卷積的區(qū)別在于,卷積核channel等于1,輸入特征矩陣channel等于卷積核個數(shù)等于輸出特征矩陣channel。

    假設輸入特征矩陣的高和寬為DF,卷積核的高和寬為DK,輸入特征矩陣的深度為M,輸出特征矩陣的深度為N。對于普通卷積而言計算量如下:

    對于深度可分離卷積,計算量如下:

    兩者對比:

    深度可分離卷積計算量普通卷積計算量=DK×DK×M×DF×DF+M×N×DF×DFDK×DK×M×N×DF×DF=1N+1DK×DK。(3)

    而在MobileNet網(wǎng)絡中卷積核大小一般取值為3×3,即DK=3,同時N取值一般較大,則由公式(3)推導得到兩者比值為1N+19,使用深度可分離卷積計算量是傳統(tǒng)卷積計算量的1/9到1/8,大大減少了運算量和參數(shù)數(shù)量。

    本研究還提出寬度因子α和分辨率因子ρ,通過調(diào)整寬度乘法器和分辨率乘法器來權衡網(wǎng)絡計算量和準確率。具體計算量如下:

    權衡后的深度可分離卷積計算量=DK×DK×αM×ρDF×ρDF+αM×ρN×ρDF×ρDF。(4)

    對于MobileNet V1網(wǎng)絡模型有一些顯而易見的缺點,比如V1結構相對簡單沒有圖形復用、在處理低維度問題上使用ReLU函數(shù)容易造成信息丟失,針對以上問題Google團隊在2018年提出了MobileNet V2網(wǎng)絡模型,其中最大創(chuàng)新點是提出了倒殘差結構(inverted residual)以及在倒殘差結構最后一層用線性函數(shù)(linear bottlenecks)[14-15]代替ReLU激活函數(shù)。

    2.2?模型結構

    MobileNet V2借鑒了ResNet中的殘差模塊,在ResNet殘差結構先降維,再卷積,最后升維。而根據(jù)深度可分離卷積計算量小的特點提出的倒殘差結構,先通過1×1的卷積核升維操作,再通過3×3深度可分離卷積,最后通過1×1卷積降維。以較小的計算量獲得較好的性能。

    由圖4可知,倒殘差結構分為步距為1和步距為2等2種情況。其中,只有當步距等于1且輸入特征矩陣和輸出特征矩陣大小和深度相同才有捷徑分支連接。由圖4還可以看出,在倒殘差結構中后面采用線性激活函數(shù)代替ReLU激活函數(shù),這是因為對于低維運算ReLU容易造成信息損失。同時對于移動端和嵌入式設備低精度float16/int8 也能反映較好的數(shù)值分辨率,在倒殘差結構中使用ReLU6激活函數(shù)來代替ReLU激活函數(shù),ReLU6激活函數(shù)見圖5。

    最終通過類似于ResNet網(wǎng)絡不斷堆疊殘差結構形成MobileNet V2模型。由表2可知,t表示擴展因子,c表示輸出特征矩陣深度,n表示bottleneck次數(shù),s是步距,k是深度。MobileNet V2模型首先通過一層卷積層,接著不斷通過DW卷積,通過平均池化下采樣,最后通過類似于全連接層的卷積層輸出。

    3?遷移學習

    在傳統(tǒng)模型訓練中往往不可避免會出現(xiàn)以下幾個問題:(1)數(shù)據(jù)量少,數(shù)據(jù)量分布不均勻,導致過擬合。(2)需要不斷地調(diào)整各種參數(shù),效率低且花費精力。(3)面對模型層數(shù)深,計算量大,耗費時間長。面對以上問題提出了遷移學習,遷移學習可以簡化模型,加快模型收斂,減少數(shù)據(jù)量對訓練的依賴[16-18]。遷移學習已經(jīng)成為深度學習中十分常見的方法之一。

    遷移學習使用方法是相同模型下,將已經(jīng)訓練好的模型參數(shù)引入到自己需要訓練的模型中。模型訓練本質(zhì)就是對數(shù)據(jù)進行特征提取,以此讓計算機更好地識別。具體過程是對于一個給定的深度神經(jīng)網(wǎng)絡,用數(shù)據(jù)集去訓練它,在學習過程中,第1層學會了識別一些很簡單的特征,緊接著后面的層將開始對這些簡單特征進行組合。隨著特征的增加,就能得到很復雜的特征表示。也就是說底層這些簡單的特征是相通的,而遷移學習就是要遷移這些共性的信息和特征從而避免再次學習到這類知識,實現(xiàn)快速學習。反映到具體模型訓練中就是權重參數(shù)和偏置參數(shù)。

    遷移學習結合到模型訓練中主要分為3種情況:(1)不凍結。遷移卷積層參數(shù)作為模型初始化繼續(xù)訓練。載入權重之后,只作為預訓練和初始化并重新訓練所有參數(shù)。(2)部分凍結。凍結一部分卷積層,只對另一部分卷積層訓練。(3)全部凍結。直接將已經(jīng)訓練好的模型參數(shù)作為自己的模型參數(shù)。在遷移策略中往往在模型的最后根據(jù)自己的分類個數(shù)結合以上3種情況設計不同的輸出層。

    本研究的遷移學習是基于TensorFlow官方提供的MobileNet V2 1.0 224預訓練模型權重。在遷移之前首先需要將數(shù)據(jù)做和TensorFlow模型權重一樣的預處理,將圖片從[0,255]分布轉(zhuǎn)化到[0,1]之間,然后減去0.5,最后再乘以2。然后根據(jù)以上3種情況對模型進行凍結訓練,具體見圖6。

    由圖6可知,本研究在利用遷移學習方法之后在模型后面加入了2層全連接層,并在最后利用Softmax函數(shù)分類。情況二部分凍結,選擇在模型倒殘差模塊訓練中凍結一部分卷積層,訓練一部分模型權重參數(shù)。

    4?結果與分析

    4.1?試驗環(huán)境

    試驗硬件環(huán)境:CPU為Intel CoreTM i7-10750H CPU @ 2.60 GHz 2.59 GHz;RAM為16.0 GB。軟件環(huán)境:64 位操作系統(tǒng),基于 ×64 的處理器;IDE為PyCharm;軟件環(huán)境為Python 3.7;學習框架為TensorFlow 2.0,Keras 2.3.1。

    4.2?試驗方法與結果

    為了驗證本研究選取的MobileNet V2模型對番茄病害識別的準確性與實時性,選取準確率優(yōu)秀的傳統(tǒng)網(wǎng)絡模型VGG16網(wǎng)絡模型和ResNet50網(wǎng)絡模型進行對比試驗。對3種網(wǎng)絡都是采取全部凍結的遷移學習方式,并且在模型最后加上2層全連接層,最后利用Softmax分類輸出,進行訓練,batch設置為16,epochs設置為50,學習率設置為0.000 5,試驗結果見圖7、圖8、圖9、表3。

    由圖7、圖9可知,VGG16模型和MobileNet V2模型收斂速度快,準確率好。而在圖8中ResNet50模型,隨著迭代次數(shù)的增加,訓練集準確率很高但是驗證集準確率卻沒有提升。由表3可知,MobileNet V2模型無論在訓練集還是驗證集的準確率和損失值都優(yōu)于VGG16模型,且MobileNet V2模型訓練時間明顯更短。

    表4是分辨率因子ρ取224,不同寬度因子α對模型性能和訓練時間的影響;表5是寬度因子α取1.0,不同分辨率因子ρ對模型性能和訓練時間的影響。

    由表4和表5可知,寬度因子取1.0,分辨率因子取224,模型準確率最高,雖然減少寬度因子和分辨率因子的取值可以降低運行時間,但是準確率也會有不同程度的降低,況且輕量級模型MobileNet

    V2的運行時間本來就比傳統(tǒng)模型短很多,每個epoch訓練時間只有122 s。相比于準確率對模型的影響,運行時間并沒有明顯降低,因此對于本試驗模型在選取寬度因子1.0,分辨率因子224情況下表現(xiàn)最好。

    混淆矩陣是結果的一種指標,可以更加直觀地看到預測結果,對于3種遷移學習方式,batch設置為16,epochs設置為50,學習率設置為0.000 5,寬度因子設置為1.0,分辨率因子設置為224?;煜仃囈妶D10至圖12,準確率和損失值見表6。

    由圖10、圖12可知,對于番茄細菌斑疹病和健康番茄的分類效果并不好,除此之外對番茄紅蜘蛛病和番茄褐斑病的分類效果也比較差。由圖11可知,部分凍結卷積層中番茄早疫病和番茄葉霉病的分類完全正確,而且番茄斑枯病和番茄花葉病也有較好的分類效果。

    由表6可知,本試驗模型對于部分凍結的遷移學習方式表現(xiàn)效果最好,驗證集準確率最高,達到了93.67%,能夠有效地對番茄葉部病害進行識別。

    5?結論

    針對移動端和嵌入式設備能夠快速準確識別番茄病害,本研究提出了基于MobileNet V2和遷移學習的番茄病害識別研究方法。利用遷移學習對淺層特征的提取,對MobileNet V2模型卷積層參數(shù)部分凍結,部分保留,并在模型最后加上2層全連接層,1層Softmax層輸出,實現(xiàn)模型對番茄病害區(qū)域的快速訓練與準確識別。試驗結果表明,本研究對番茄病害識效果較好,準確率達到了93.67%,同時滿足了在移動設備上實時識別。但本試驗通過測試發(fā)現(xiàn)識別準確率還有進一步提升的空間。因此下一步研究工作考慮細化遷移學習對模型的影響,進一步提高準確率以滿足商業(yè)需求。

    參考文獻:

    [1]Chandra N V,Megha Reddy K,Ashish Sushanth G,et al. A versatile approach based on convolutional neural networks for early identification of diseases in tomato plants[J]. International Journal of Wavelets,Multiresolution and Information Processing,2022,20(1):12-21.

    [2]張?寧,吳華瑞,韓?笑,等. 基于多尺度和注意力機制的番茄病害識別方法[J]. 浙江農(nóng)業(yè)學報,2021,33(7):1329-1338.

    [3]趙小虎,李?曉,葉?圣,等. 基于改進U-Net網(wǎng)絡的多尺度番茄病害分割算法[J]. 計算機工程與應用,2022,58(10):216-223.

    [4]賈兆紅,張袁源,王海濤,等. 基于Res2Net和雙線性注意力的番茄病害時期識別方法[J]. 農(nóng)業(yè)機械學報,2022,53(7):259-266.

    [5]張洪駿. 基于CNN的番茄葉片病害圖像識別方法研究[D]. 哈爾濱:哈爾濱工業(yè)大學,2021.

    [6]胡玲艷,周?婷,許?巍,等. 面向番茄病害識別的改進型SqueezeNet輕量級模型[J]. 鄭州大學學報(理學版),2022,54(4):71-77.

    [7]方晨晨,石繁槐. 基于改進深度殘差網(wǎng)絡的番茄病害圖像識別[J]. 計算機應用,2020,40(增刊1):203-208.

    [8]王忠培,張?萌,董?偉,等. 基于遷移學習的多模型水稻病害識別方法研究[J]. 安徽農(nóng)業(yè)科學,2021,49(20):236-242.

    [9]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.

    [10]徐?杰. 基于ResNet的茶葉病害識別系統(tǒng)設計與實現(xiàn)[J]. 電子技術與軟件工程,2022(12):167-170.

    [11]周?維,牛永真,王亞煒,等. 基于改進的YOLOv4-GhostNet水稻病蟲害識別方法[J]. 江蘇農(nóng)業(yè)學報,2022,38(3):685-695.

    [12]孫?俊,朱偉棟,羅元秋,等. 基于改進MobileNet-V2的田間農(nóng)作物葉片病害識別[J]. 農(nóng)業(yè)工程學報,2021,37(22):161-169.

    [13]孟?琭,徐?磊,郭嘉陽.一種基于改進的MobileNet V2網(wǎng)絡語義分割算法[J]. 電子學報,2020,48(9):1769-1776.

    [14]劉合兵,魯?笛,席?磊. 基于MobileNet V2和遷移學習的玉米病害識別研究[J]. 河南農(nóng)業(yè)大學學報,2022,56(6):1041-1051.

    [15]Shahi T B,Sitaula C,Neupane A,et al. Fruit classification using attention-based MobileNet V2 for industrial applications[J]. PLoS One,2022,17(2):e0264586.

    [16]林?禹. 深度神經(jīng)網(wǎng)絡傳遞遷移學習遙感影像分類[D]. 阜新:遼寧工程技術大學,2021.

    [17]馬?錚. 基于深度-遷移學習的玉米葉部病害識別方法研究[D]. 哈爾濱:東北農(nóng)業(yè)大學,2021.

    [18]周宏威,沈恒宇,袁新佩,等. 基于遷移學習的蘋果樹葉片病蟲害識別方法研究[J]. 中國農(nóng)機化學報,2021,42(11):151-158.

    猜你喜歡
    遷移學習番茄
    番茄炒蛋
    秋茬番茄“疑難雜癥”如何挽救
    番茄果實“起棱”怎么辦
    冬天的番茄為啥不太好吃
    啟蒙(3-7歲)(2018年2期)2018-03-15 08:03:44
    遷移學習研究綜述
    從認知角度探討大學英語網(wǎng)絡教學模式
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學習在電機故障診斷中的應用
    番茄炒蛋做成功啦
    一種基于遷移極速學習機的人體行為識別模型
    人人澡人人妻人| 免费观看a级毛片全部| 伦理电影免费视频| 亚洲熟女精品中文字幕| 搡女人真爽免费视频火全软件| 桃花免费在线播放| 国产精品免费大片| 国产精品女同一区二区软件| av国产精品久久久久影院| 一本久久精品| 777久久人妻少妇嫩草av网站| 亚洲三区欧美一区| 亚洲少妇的诱惑av| 美女午夜性视频免费| 日韩在线高清观看一区二区三区| 成人毛片a级毛片在线播放| 性少妇av在线| 好男人视频免费观看在线| 欧美 日韩 精品 国产| 欧美黄色片欧美黄色片| 男人操女人黄网站| 国产av国产精品国产| 国产无遮挡羞羞视频在线观看| 国产成人午夜福利电影在线观看| 久久99蜜桃精品久久| 亚洲欧洲精品一区二区精品久久久 | 欧美日韩视频精品一区| 久久97久久精品| 超碰97精品在线观看| 熟女av电影| 视频在线观看一区二区三区| 男女边吃奶边做爰视频| 麻豆乱淫一区二区| 亚洲成av片中文字幕在线观看 | 老司机亚洲免费影院| 国产亚洲精品第一综合不卡| 久久精品国产亚洲av高清一级| 一级毛片我不卡| 国产精品99久久99久久久不卡 | 肉色欧美久久久久久久蜜桃| av免费在线看不卡| www日本在线高清视频| 国产亚洲av片在线观看秒播厂| 久久久国产精品麻豆| 欧美bdsm另类| 国产免费视频播放在线视频| 丝瓜视频免费看黄片| 伦理电影大哥的女人| 五月伊人婷婷丁香| 精品少妇内射三级| 九九爱精品视频在线观看| 亚洲国产日韩一区二区| 色婷婷av一区二区三区视频| 99久国产av精品国产电影| 丝瓜视频免费看黄片| 亚洲成色77777| 菩萨蛮人人尽说江南好唐韦庄| 亚洲成人手机| 亚洲第一av免费看| 男的添女的下面高潮视频| 久久久久国产一级毛片高清牌| 亚洲综合色网址| 97人妻天天添夜夜摸| 又黄又粗又硬又大视频| 婷婷色av中文字幕| 亚洲精华国产精华液的使用体验| 色94色欧美一区二区| 你懂的网址亚洲精品在线观看| 边亲边吃奶的免费视频| 欧美亚洲 丝袜 人妻 在线| 99热国产这里只有精品6| 一本—道久久a久久精品蜜桃钙片| 日韩av免费高清视频| 亚洲一区二区三区欧美精品| 你懂的网址亚洲精品在线观看| 中文字幕人妻熟女乱码| 亚洲内射少妇av| av电影中文网址| 丝瓜视频免费看黄片| 看免费成人av毛片| 精品国产乱码久久久久久男人| 国产黄色免费在线视频| 免费播放大片免费观看视频在线观看| 性少妇av在线| av免费在线看不卡| 国产成人av激情在线播放| 国产在视频线精品| 婷婷成人精品国产| 亚洲三级黄色毛片| 成年人免费黄色播放视频| 国产精品av久久久久免费| 交换朋友夫妻互换小说| 久久精品国产自在天天线| 免费av中文字幕在线| 亚洲欧美一区二区三区久久| 三级国产精品片| 在线观看一区二区三区激情| 五月开心婷婷网| 亚洲激情五月婷婷啪啪| 亚洲国产欧美在线一区| 欧美国产精品一级二级三级| 免费看不卡的av| 成年动漫av网址| kizo精华| 超碰97精品在线观看| 一本久久精品| 国产成人a∨麻豆精品| 免费观看无遮挡的男女| 国语对白做爰xxxⅹ性视频网站| 国产乱来视频区| 亚洲三级黄色毛片| 亚洲人成77777在线视频| 日产精品乱码卡一卡2卡三| 啦啦啦在线观看免费高清www| 亚洲精品av麻豆狂野| 一级黄片播放器| 日韩视频在线欧美| 美女脱内裤让男人舔精品视频| 一区在线观看完整版| 伦理电影免费视频| 午夜激情av网站| 精品视频人人做人人爽| 国产在线视频一区二区| 久久久久国产网址| 午夜日韩欧美国产| 日韩成人av中文字幕在线观看| 精品少妇内射三级| 美女视频免费永久观看网站| 久久这里有精品视频免费| 国产高清不卡午夜福利| 日本av免费视频播放| 国产精品 欧美亚洲| 国产在视频线精品| 精品99又大又爽又粗少妇毛片| 久久av网站| 91午夜精品亚洲一区二区三区| 一级毛片 在线播放| 亚洲精品久久午夜乱码| 一级a爱视频在线免费观看| av在线app专区| 人体艺术视频欧美日本| 欧美国产精品一级二级三级| 欧美成人精品欧美一级黄| 波野结衣二区三区在线| 丰满乱子伦码专区| 国产精品久久久久久精品古装| 亚洲国产日韩一区二区| 99热网站在线观看| 男人爽女人下面视频在线观看| 国产av一区二区精品久久| 免费高清在线观看视频在线观看| 亚洲婷婷狠狠爱综合网| 80岁老熟妇乱子伦牲交| 成人国产麻豆网| 春色校园在线视频观看| 少妇被粗大的猛进出69影院| 美女大奶头黄色视频| 丰满迷人的少妇在线观看| 国产精品国产三级国产专区5o| 91精品三级在线观看| 国产欧美日韩综合在线一区二区| 欧美 亚洲 国产 日韩一| 一区福利在线观看| 亚洲美女黄色视频免费看| 黄色毛片三级朝国网站| 成年动漫av网址| av在线观看视频网站免费| av国产精品久久久久影院| 日本91视频免费播放| 亚洲国产日韩一区二区| 日韩一区二区视频免费看| 大片免费播放器 马上看| www日本在线高清视频| 纯流量卡能插随身wifi吗| 日韩精品免费视频一区二区三区| 免费高清在线观看日韩| 观看av在线不卡| 国产精品三级大全| 又黄又粗又硬又大视频| 亚洲精品国产av蜜桃| 欧美黄色片欧美黄色片| 亚洲一区二区三区欧美精品| 高清av免费在线| 国产精品久久久久成人av| 黑人巨大精品欧美一区二区蜜桃| 欧美人与善性xxx| 婷婷色麻豆天堂久久| 2018国产大陆天天弄谢| 欧美人与性动交α欧美软件| 久久人人97超碰香蕉20202| 国产欧美日韩综合在线一区二区| 亚洲伊人久久精品综合| 中国国产av一级| 丰满饥渴人妻一区二区三| 丝袜喷水一区| 日韩精品免费视频一区二区三区| 午夜福利,免费看| 90打野战视频偷拍视频| 一区二区av电影网| 国语对白做爰xxxⅹ性视频网站| 欧美av亚洲av综合av国产av | 国产不卡av网站在线观看| 日韩欧美一区视频在线观看| 午夜日本视频在线| 欧美精品av麻豆av| 久久国内精品自在自线图片| 久久久久久免费高清国产稀缺| 欧美成人午夜精品| 香蕉精品网在线| 男人添女人高潮全过程视频| 制服丝袜香蕉在线| 啦啦啦在线观看免费高清www| 五月天丁香电影| 999精品在线视频| 午夜免费观看性视频| 少妇被粗大猛烈的视频| 国产精品国产三级国产专区5o| 人体艺术视频欧美日本| 一二三四中文在线观看免费高清| 国产伦理片在线播放av一区| 男女边吃奶边做爰视频| 在线观看一区二区三区激情| 日韩制服骚丝袜av| 丝袜在线中文字幕| 国产成人精品无人区| 一区二区三区四区激情视频| kizo精华| 国产亚洲午夜精品一区二区久久| 国产乱人偷精品视频| 国产精品国产三级专区第一集| 天天躁日日躁夜夜躁夜夜| 人人妻人人爽人人添夜夜欢视频| 日韩中文字幕视频在线看片| 成年av动漫网址| 国产黄色免费在线视频| 一本久久精品| 亚洲av电影在线进入| 国产日韩一区二区三区精品不卡| 精品一品国产午夜福利视频| 街头女战士在线观看网站| 综合色丁香网| 1024视频免费在线观看| 中文欧美无线码| 久久久久国产一级毛片高清牌| a级毛片黄视频| 两个人免费观看高清视频| 久久久久久久久久久久大奶| 国产片内射在线| 另类精品久久| 五月开心婷婷网| 亚洲欧洲精品一区二区精品久久久 | 久久 成人 亚洲| 午夜免费观看性视频| 日韩一卡2卡3卡4卡2021年| 日韩一区二区三区影片| 永久免费av网站大全| 国产1区2区3区精品| 赤兔流量卡办理| 一本—道久久a久久精品蜜桃钙片| 欧美 日韩 精品 国产| 麻豆av在线久日| 中文字幕精品免费在线观看视频| 午夜福利在线免费观看网站| 日日摸夜夜添夜夜爱| 1024香蕉在线观看| www.精华液| 伊人久久国产一区二区| 五月伊人婷婷丁香| 婷婷成人精品国产| 青草久久国产| 天堂俺去俺来也www色官网| 免费女性裸体啪啪无遮挡网站| 啦啦啦中文免费视频观看日本| 久久久精品免费免费高清| 亚洲一级一片aⅴ在线观看| 纯流量卡能插随身wifi吗| 日产精品乱码卡一卡2卡三| 老司机影院成人| 成人亚洲欧美一区二区av| 免费观看性生交大片5| 赤兔流量卡办理| 成年女人毛片免费观看观看9 | 免费观看无遮挡的男女| 欧美成人午夜免费资源| 精品少妇内射三级| av电影中文网址| 精品一区二区三卡| 最近最新中文字幕大全免费视频 | h视频一区二区三区| 亚洲人成电影观看| 久久 成人 亚洲| videos熟女内射| 亚洲av中文av极速乱| 黄片播放在线免费| 日韩制服丝袜自拍偷拍| 深夜精品福利| 黄片无遮挡物在线观看| 观看美女的网站| 熟妇人妻不卡中文字幕| 狠狠婷婷综合久久久久久88av| 国产亚洲午夜精品一区二区久久| 久久久久久免费高清国产稀缺| 人人妻人人澡人人爽人人夜夜| 国产精品一区二区在线不卡| 成人午夜精彩视频在线观看| 又粗又硬又长又爽又黄的视频| 国产亚洲精品第一综合不卡| 99久久中文字幕三级久久日本| 成年av动漫网址| 亚洲天堂av无毛| 亚洲精品成人av观看孕妇| 最近最新中文字幕大全免费视频 | 色视频在线一区二区三区| 不卡av一区二区三区| 国产av一区二区精品久久| 欧美精品一区二区免费开放| av国产精品久久久久影院| 如何舔出高潮| 欧美激情极品国产一区二区三区| 成人国产av品久久久| 老鸭窝网址在线观看| 久久午夜综合久久蜜桃| 欧美日韩亚洲高清精品| 欧美激情高清一区二区三区 | 天美传媒精品一区二区| 国产精品国产三级国产专区5o| 亚洲第一青青草原| 性少妇av在线| 亚洲一区中文字幕在线| 欧美人与善性xxx| 日韩制服骚丝袜av| 最近手机中文字幕大全| 久久久精品免费免费高清| 寂寞人妻少妇视频99o| 免费久久久久久久精品成人欧美视频| 性色av一级| 午夜福利一区二区在线看| 这个男人来自地球电影免费观看 | 一区二区三区乱码不卡18| 91成人精品电影| 日本午夜av视频| 亚洲一区中文字幕在线| 国产精品二区激情视频| 中文字幕色久视频| 亚洲一区中文字幕在线| 另类亚洲欧美激情| 最黄视频免费看| 韩国高清视频一区二区三区| 国产福利在线免费观看视频| xxxhd国产人妻xxx| 精品视频人人做人人爽| 成人手机av| 亚洲成人手机| 午夜福利,免费看| www.精华液| 国产日韩欧美在线精品| 99热国产这里只有精品6| 少妇人妻精品综合一区二区| 国产一区二区激情短视频 | 亚洲国产色片| 五月开心婷婷网| 色哟哟·www| 国产精品久久久久久久久免| 夫妻性生交免费视频一级片| 一级毛片 在线播放| 在线免费观看不下载黄p国产| 欧美激情极品国产一区二区三区| 国产激情久久老熟女| 欧美日韩亚洲高清精品| 国产成人精品无人区| 国产免费视频播放在线视频| 国产xxxxx性猛交| 久久精品国产鲁丝片午夜精品| 亚洲第一av免费看| 欧美xxⅹ黑人| 人人澡人人妻人| 人人妻人人爽人人添夜夜欢视频| 久久97久久精品| 国产一区二区激情短视频 | 亚洲国产日韩一区二区| 大片免费播放器 马上看| 久久久久久久久久人人人人人人| 亚洲国产最新在线播放| 欧美xxⅹ黑人| 久久久久国产精品人妻一区二区| 两性夫妻黄色片| 精品国产超薄肉色丝袜足j| 制服诱惑二区| 久久精品国产亚洲av天美| 国产成人91sexporn| 国产野战对白在线观看| 2018国产大陆天天弄谢| 18禁国产床啪视频网站| 久久97久久精品| videosex国产| 日韩免费高清中文字幕av| 欧美xxⅹ黑人| 侵犯人妻中文字幕一二三四区| 亚洲精品视频女| 国产精品一二三区在线看| av在线观看视频网站免费| 国产无遮挡羞羞视频在线观看| 观看av在线不卡| 欧美成人午夜免费资源| 日韩中文字幕视频在线看片| 考比视频在线观看| 精品少妇久久久久久888优播| 看免费成人av毛片| 性色avwww在线观看| 亚洲第一区二区三区不卡| 美女国产高潮福利片在线看| av在线观看视频网站免费| 美女视频免费永久观看网站| 精品久久久久久电影网| 美女午夜性视频免费| 97在线视频观看| 亚洲欧美成人精品一区二区| 久久精品久久精品一区二区三区| 色网站视频免费| 免费日韩欧美在线观看| 这个男人来自地球电影免费观看 | 国产在线视频一区二区| 午夜91福利影院| 免费女性裸体啪啪无遮挡网站| 国产精品久久久久久精品电影小说| 1024视频免费在线观看| 欧美成人精品欧美一级黄| 久久这里只有精品19| 欧美av亚洲av综合av国产av | 少妇熟女欧美另类| 一区在线观看完整版| www.自偷自拍.com| 国产成人精品婷婷| 18+在线观看网站| 我的亚洲天堂| 色网站视频免费| 国产xxxxx性猛交| 午夜久久久在线观看| 欧美老熟妇乱子伦牲交| 午夜福利视频精品| 在线看a的网站| 欧美成人午夜精品| 亚洲欧洲国产日韩| 亚洲三级黄色毛片| 国产精品女同一区二区软件| 人人妻人人澡人人爽人人夜夜| 99久久精品国产国产毛片| 老鸭窝网址在线观看| 啦啦啦啦在线视频资源| 久久精品久久久久久噜噜老黄| 涩涩av久久男人的天堂| 男女高潮啪啪啪动态图| 国产在线免费精品| 欧美国产精品va在线观看不卡| 精品人妻偷拍中文字幕| 欧美成人精品欧美一级黄| 99热网站在线观看| 赤兔流量卡办理| 日本爱情动作片www.在线观看| 欧美最新免费一区二区三区| a 毛片基地| 成人手机av| 亚洲av在线观看美女高潮| 午夜激情久久久久久久| 亚洲成av片中文字幕在线观看 | 十八禁网站网址无遮挡| 最近手机中文字幕大全| freevideosex欧美| 国产无遮挡羞羞视频在线观看| 精品一区二区三区四区五区乱码 | 最新中文字幕久久久久| 男人舔女人的私密视频| 久久精品国产自在天天线| 亚洲欧美中文字幕日韩二区| 老司机影院毛片| 亚洲成人手机| 老司机影院毛片| 亚洲欧美中文字幕日韩二区| 一区在线观看完整版| 新久久久久国产一级毛片| 日本猛色少妇xxxxx猛交久久| 欧美+日韩+精品| 亚洲欧美一区二区三区久久| 91午夜精品亚洲一区二区三区| 建设人人有责人人尽责人人享有的| 亚洲精品久久久久久婷婷小说| 免费黄色在线免费观看| videosex国产| 只有这里有精品99| 2021少妇久久久久久久久久久| 国产熟女欧美一区二区| 9191精品国产免费久久| 大香蕉久久网| 最近中文字幕高清免费大全6| 国产成人一区二区在线| 啦啦啦在线免费观看视频4| av.在线天堂| 色婷婷久久久亚洲欧美| 亚洲av日韩在线播放| 99香蕉大伊视频| 又黄又粗又硬又大视频| 欧美日本中文国产一区发布| 青春草亚洲视频在线观看| 亚洲欧美成人精品一区二区| 777米奇影视久久| 亚洲国产毛片av蜜桃av| 亚洲国产欧美在线一区| 少妇的逼水好多| 国产精品三级大全| 亚洲国产毛片av蜜桃av| 精品一区二区免费观看| 久热这里只有精品99| 久久99热这里只频精品6学生| 狠狠婷婷综合久久久久久88av| 亚洲三区欧美一区| 成人国产麻豆网| 国产色婷婷99| av国产精品久久久久影院| 欧美日韩综合久久久久久| 在线 av 中文字幕| 免费观看a级毛片全部| 亚洲第一av免费看| 最近中文字幕高清免费大全6| 午夜福利在线观看免费完整高清在| 久久久精品区二区三区| 久久久久视频综合| 亚洲在久久综合| 中文字幕精品免费在线观看视频| 两性夫妻黄色片| 欧美精品高潮呻吟av久久| 国产成人av激情在线播放| 成年美女黄网站色视频大全免费| 蜜桃国产av成人99| 久久久国产一区二区| 九草在线视频观看| 欧美精品亚洲一区二区| 精品一区二区三区四区五区乱码 | 精品国产国语对白av| 亚洲av中文av极速乱| 精品亚洲乱码少妇综合久久| 国产亚洲最大av| 久久国产精品大桥未久av| 欧美成人午夜精品| 成人国语在线视频| 欧美人与善性xxx| 热99国产精品久久久久久7| 波多野结衣一区麻豆| 亚洲国产看品久久| 免费观看无遮挡的男女| 亚洲激情五月婷婷啪啪| 国产日韩欧美亚洲二区| 欧美日韩视频高清一区二区三区二| 熟女电影av网| 精品国产超薄肉色丝袜足j| 成年女人毛片免费观看观看9 | 久久人人爽人人片av| 日日撸夜夜添| 91精品三级在线观看| 中文乱码字字幕精品一区二区三区| 欧美bdsm另类| 国产午夜精品一二区理论片| 好男人视频免费观看在线| av在线观看视频网站免费| 国产精品蜜桃在线观看| 少妇被粗大猛烈的视频| 国产一级毛片在线| 欧美av亚洲av综合av国产av | 观看av在线不卡| 伊人久久大香线蕉亚洲五| 桃花免费在线播放| 国产色婷婷99| av天堂久久9| 岛国毛片在线播放| 王馨瑶露胸无遮挡在线观看| 免费观看av网站的网址| 一级a爱视频在线免费观看| 日本av免费视频播放| 丝瓜视频免费看黄片| 国产精品人妻久久久影院| 成年女人在线观看亚洲视频| 免费高清在线观看日韩| 日韩一区二区三区影片| 日韩中文字幕视频在线看片| av有码第一页| 麻豆精品久久久久久蜜桃| av又黄又爽大尺度在线免费看| 国产一区二区激情短视频 | 精品久久久久久电影网| 国产成人一区二区在线| 美女国产高潮福利片在线看| 极品人妻少妇av视频| 国产精品二区激情视频| 午夜激情av网站| 桃花免费在线播放| 老汉色av国产亚洲站长工具| 亚洲欧美精品综合一区二区三区 | 欧美成人午夜免费资源| 精品第一国产精品| 久久99一区二区三区| 亚洲av在线观看美女高潮| 黄片播放在线免费| 母亲3免费完整高清在线观看 | 国产国语露脸激情在线看| 国产不卡av网站在线观看| 免费日韩欧美在线观看| 亚洲国产av新网站| 91精品三级在线观看| 国产精品免费视频内射| 日韩三级伦理在线观看| videosex国产| 妹子高潮喷水视频| 国产精品欧美亚洲77777| 国产av码专区亚洲av| 免费看av在线观看网站| 国产精品三级大全|