• <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
    亚洲七黄色美女视频| 亚洲欧洲精品一区二区精品久久久| 欧美国产日韩亚洲一区| 久久精品国产综合久久久| 又紧又爽又黄一区二区| 男女下面进入的视频免费午夜 | 欧美日韩亚洲综合一区二区三区_| 一级片免费观看大全| 很黄的视频免费| 人人澡人人妻人| 国产成+人综合+亚洲专区| 老熟妇仑乱视频hdxx| 免费在线观看完整版高清| 成人午夜高清在线视频 | 久久久国产欧美日韩av| 免费高清在线观看日韩| 麻豆成人午夜福利视频| 成人欧美大片| 麻豆久久精品国产亚洲av| 日韩欧美三级三区| 午夜精品在线福利| 日日爽夜夜爽网站| 妹子高潮喷水视频| 天堂√8在线中文| 嫁个100分男人电影在线观看| 女人被狂操c到高潮| 精品卡一卡二卡四卡免费| 欧美乱妇无乱码| www.熟女人妻精品国产| 日本熟妇午夜| 两个人免费观看高清视频| 亚洲九九香蕉| 亚洲成a人片在线一区二区| 一级毛片高清免费大全| 国产男靠女视频免费网站| 90打野战视频偷拍视频| 国产成人一区二区三区免费视频网站| 99国产精品99久久久久| 男女午夜视频在线观看| 免费看美女性在线毛片视频| 久久精品国产99精品国产亚洲性色| 久久青草综合色| 亚洲一区二区三区色噜噜| 午夜福利一区二区在线看| 两个人免费观看高清视频| 91成人精品电影| 丁香欧美五月| 久久精品国产亚洲av香蕉五月| 久久久久亚洲av毛片大全| 久久精品夜夜夜夜夜久久蜜豆 | 变态另类成人亚洲欧美熟女| 丝袜在线中文字幕| 午夜免费成人在线视频| avwww免费| 99热只有精品国产| 国产精品精品国产色婷婷| 亚洲精华国产精华精| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲人成伊人成综合网2020| 97超级碰碰碰精品色视频在线观看| 国产成人欧美在线观看| 国产在线精品亚洲第一网站| 亚洲av片天天在线观看| 欧美日韩精品网址| 黄网站色视频无遮挡免费观看| 免费在线观看影片大全网站| 2021天堂中文幕一二区在线观 | 亚洲第一欧美日韩一区二区三区| 亚洲国产中文字幕在线视频| 日韩大尺度精品在线看网址| 欧美 亚洲 国产 日韩一| 亚洲va日本ⅴa欧美va伊人久久| 一二三四在线观看免费中文在| 999久久久精品免费观看国产| 国产一区二区三区视频了| 天天躁狠狠躁夜夜躁狠狠躁| 欧美黑人精品巨大| 国产三级黄色录像| 欧美在线一区亚洲| av福利片在线| 可以免费在线观看a视频的电影网站| 成人18禁在线播放| 麻豆一二三区av精品| 亚洲国产精品合色在线| 一边摸一边做爽爽视频免费| 少妇粗大呻吟视频| 精品国产一区二区三区四区第35| 亚洲自拍偷在线| 日韩欧美三级三区| 午夜亚洲福利在线播放| 给我免费播放毛片高清在线观看| 99久久国产精品久久久| 国产亚洲欧美精品永久| 午夜免费鲁丝| 国产精品乱码一区二三区的特点| 亚洲人成网站在线播放欧美日韩| 久久久久久人人人人人| 91成人精品电影| 亚洲精品久久成人aⅴ小说| 亚洲国产欧洲综合997久久, | 在线国产一区二区在线| 欧美激情久久久久久爽电影| 99久久久亚洲精品蜜臀av| 午夜福利欧美成人| 国产精品九九99| 母亲3免费完整高清在线观看| 禁无遮挡网站| 99久久综合精品五月天人人| 脱女人内裤的视频| 欧美精品亚洲一区二区| 亚洲美女黄片视频| 久久精品国产清高在天天线| 国产精品爽爽va在线观看网站 | www.熟女人妻精品国产| 成人精品一区二区免费| 欧美不卡视频在线免费观看 | 婷婷精品国产亚洲av| 久久欧美精品欧美久久欧美| 宅男免费午夜| av有码第一页| 免费人成视频x8x8入口观看| 日韩有码中文字幕| 午夜久久久久精精品| 不卡av一区二区三区| 999久久久精品免费观看国产| 色在线成人网| 国产欧美日韩精品亚洲av| 一个人观看的视频www高清免费观看 | 无遮挡黄片免费观看| 99热只有精品国产| 亚洲av熟女| 精品无人区乱码1区二区| 久久国产精品人妻蜜桃| 欧美国产精品va在线观看不卡| 国产野战对白在线观看| 国产一卡二卡三卡精品| 国内毛片毛片毛片毛片毛片| 青草久久国产| 欧美中文日本在线观看视频| 久久 成人 亚洲| 亚洲中文字幕日韩| 巨乳人妻的诱惑在线观看| 男女床上黄色一级片免费看| 色播亚洲综合网| 欧美黄色淫秽网站| 一级毛片精品| 成人特级黄色片久久久久久久| 久久国产乱子伦精品免费另类| 久久婷婷人人爽人人干人人爱| 国内毛片毛片毛片毛片毛片| 亚洲成av人片免费观看| 欧洲精品卡2卡3卡4卡5卡区| 国产成+人综合+亚洲专区| 国产爱豆传媒在线观看 | 日韩欧美一区二区三区在线观看| 国产精品日韩av在线免费观看| 夜夜爽天天搞| 国产单亲对白刺激| 色播在线永久视频| 亚洲熟女毛片儿| 2021天堂中文幕一二区在线观 | 国产在线精品亚洲第一网站| 国产精品99久久99久久久不卡| 亚洲av成人不卡在线观看播放网| 久久99热这里只有精品18| 51午夜福利影视在线观看| 午夜激情福利司机影院| 精品久久久久久久久久免费视频| 亚洲自偷自拍图片 自拍| 好男人电影高清在线观看| 亚洲男人天堂网一区| 最近最新中文字幕大全免费视频| 女警被强在线播放| 啦啦啦观看免费观看视频高清| 欧美不卡视频在线免费观看 | 国内揄拍国产精品人妻在线 | 国产av又大| 亚洲第一电影网av| 亚洲一区中文字幕在线| 波多野结衣高清无吗| 亚洲精品美女久久久久99蜜臀| 久久亚洲真实| 欧美日韩亚洲国产一区二区在线观看| 中文字幕高清在线视频| 18禁观看日本| 1024香蕉在线观看| 狠狠狠狠99中文字幕| 女警被强在线播放| 啦啦啦韩国在线观看视频| 一区二区三区激情视频| 在线观看一区二区三区| 51午夜福利影视在线观看| 欧美黄色淫秽网站| 精品卡一卡二卡四卡免费| 亚洲国产高清在线一区二区三 | 色播亚洲综合网| 人妻久久中文字幕网| 超碰成人久久| 国产精品久久久久久亚洲av鲁大| 亚洲av美国av| 大香蕉久久成人网| 日本在线视频免费播放| 亚洲av五月六月丁香网| 久久国产精品男人的天堂亚洲| 黑丝袜美女国产一区| 18禁黄网站禁片午夜丰满| 欧美最黄视频在线播放免费| 成人三级黄色视频| av视频在线观看入口| 国产精品美女特级片免费视频播放器 | 伦理电影免费视频| 9191精品国产免费久久| 免费看a级黄色片| 久久99热这里只有精品18| videosex国产| 国产熟女午夜一区二区三区| 看片在线看免费视频| 欧美日本亚洲视频在线播放| 国产成人精品久久二区二区91| 成熟少妇高潮喷水视频| 亚洲成人免费电影在线观看| 黄片小视频在线播放| 国产精品久久久久久人妻精品电影| 精品欧美一区二区三区在线| 少妇 在线观看| 亚洲精品美女久久av网站| 日韩大码丰满熟妇| 99热只有精品国产| 国产精品精品国产色婷婷| 色av中文字幕| 不卡一级毛片| 制服丝袜大香蕉在线| 法律面前人人平等表现在哪些方面| 亚洲色图 男人天堂 中文字幕| 又大又爽又粗| 高清在线国产一区| 中文字幕高清在线视频| 久久伊人香网站| 亚洲电影在线观看av| 国产亚洲欧美在线一区二区| 国产v大片淫在线免费观看| 成人国语在线视频| 国产成人av教育| 亚洲 欧美一区二区三区| 男人舔奶头视频| 久久久久久久精品吃奶| 国产激情久久老熟女| 成人国产综合亚洲| 欧美激情 高清一区二区三区| 国产色视频综合| 国产亚洲精品综合一区在线观看 | 又黄又粗又硬又大视频| 久久欧美精品欧美久久欧美| 国产亚洲精品久久久久5区| 丰满人妻熟妇乱又伦精品不卡| 熟妇人妻久久中文字幕3abv| 国产午夜福利久久久久久| 欧美精品亚洲一区二区| 啦啦啦 在线观看视频| 国内精品久久久久久久电影| www.www免费av| 在线av久久热| 白带黄色成豆腐渣| 免费av毛片视频| 午夜福利免费观看在线| 日韩欧美免费精品| 日韩欧美国产在线观看| 国产高清视频在线播放一区| 黄色女人牲交| 99国产极品粉嫩在线观看| 国产成人精品久久二区二区91| 校园春色视频在线观看| 亚洲最大成人中文| 亚洲av成人不卡在线观看播放网| 最近在线观看免费完整版| 久久欧美精品欧美久久欧美| 精品国产乱子伦一区二区三区| 麻豆一二三区av精品| 亚洲国产欧美日韩在线播放| 在线免费观看的www视频| 制服诱惑二区| 国产99久久九九免费精品| 男人舔奶头视频| 国产伦人伦偷精品视频| 精品欧美一区二区三区在线| 黄色成人免费大全| 亚洲精品色激情综合| bbb黄色大片| 亚洲一区二区三区不卡视频| 美女午夜性视频免费| 免费观看人在逋| 久久伊人香网站| 国产亚洲精品久久久久久毛片| 1024香蕉在线观看| 91国产中文字幕| 国产在线精品亚洲第一网站| 国产爱豆传媒在线观看 | 男人舔女人下体高潮全视频| 久久精品成人免费网站| 欧美一级a爱片免费观看看 | 精品电影一区二区在线| 日韩视频一区二区在线观看| 欧美成人免费av一区二区三区| 不卡av一区二区三区| 欧美在线黄色| 午夜福利在线观看吧| 中文字幕久久专区| 日本五十路高清| av视频在线观看入口| 男女那种视频在线观看| 日韩欧美国产一区二区入口| 大型av网站在线播放| 午夜久久久久精精品| 老熟妇仑乱视频hdxx| 制服丝袜大香蕉在线| 精品久久久久久久久久久久久 | 国产av不卡久久| 日韩一卡2卡3卡4卡2021年| 好看av亚洲va欧美ⅴa在| 国产主播在线观看一区二区| 国产色视频综合| 国产成+人综合+亚洲专区| 色综合亚洲欧美另类图片| 真人一进一出gif抽搐免费| 看黄色毛片网站| 国产又爽黄色视频| 1024视频免费在线观看| 最新美女视频免费是黄的| 午夜福利在线在线| 国产成人精品久久二区二区91| 国产精品永久免费网站| 午夜视频精品福利| 日本a在线网址| 国产aⅴ精品一区二区三区波| 麻豆久久精品国产亚洲av| 极品教师在线免费播放| 法律面前人人平等表现在哪些方面| 国产视频一区二区在线看| 琪琪午夜伦伦电影理论片6080| 国产97色在线日韩免费| 757午夜福利合集在线观看| 99热只有精品国产| 在线看三级毛片| 777久久人妻少妇嫩草av网站| 18禁国产床啪视频网站| 国产欧美日韩一区二区精品| 久久精品亚洲精品国产色婷小说| 一区二区日韩欧美中文字幕| 日韩大码丰满熟妇| 中文字幕av电影在线播放| 久久人人精品亚洲av| 99riav亚洲国产免费| 一级毛片高清免费大全| 国内揄拍国产精品人妻在线 | 啦啦啦观看免费观看视频高清| 不卡av一区二区三区| 中文字幕人成人乱码亚洲影| 在线观看日韩欧美| 久久久久国产精品人妻aⅴ院| 久久婷婷人人爽人人干人人爱| 给我免费播放毛片高清在线观看| 波多野结衣巨乳人妻| 一区福利在线观看| 欧美人与性动交α欧美精品济南到| 国产亚洲精品综合一区在线观看 | 国产一区二区三区视频了| 免费在线观看完整版高清| 国产成人一区二区三区免费视频网站| 99国产精品一区二区三区| 国产精品二区激情视频| 国产日本99.免费观看| 国产精品免费视频内射| 哪里可以看免费的av片| 老司机午夜福利在线观看视频| 精品少妇一区二区三区视频日本电影| 亚洲成av片中文字幕在线观看| 日韩一卡2卡3卡4卡2021年| 精品福利观看| 久久久久久大精品| 午夜久久久久精精品| 欧美日本亚洲视频在线播放| 大香蕉久久成人网| 中文资源天堂在线| 岛国视频午夜一区免费看| 夜夜夜夜夜久久久久| 亚洲 欧美 日韩 在线 免费| 免费女性裸体啪啪无遮挡网站| 天堂影院成人在线观看| 女人高潮潮喷娇喘18禁视频| 精品久久久久久久末码| 久久精品国产综合久久久| 国产蜜桃级精品一区二区三区| 日韩有码中文字幕| 变态另类成人亚洲欧美熟女| 日韩视频一区二区在线观看| 人人澡人人妻人| 午夜影院日韩av| 国产精华一区二区三区| 搡老熟女国产l中国老女人| 国产精品免费一区二区三区在线| 中文字幕精品亚洲无线码一区 | 午夜a级毛片| 国产真实乱freesex| 亚洲一区中文字幕在线| 免费高清视频大片| 校园春色视频在线观看| www.自偷自拍.com| 亚洲国产欧美一区二区综合| 中文字幕高清在线视频| 18禁国产床啪视频网站| av片东京热男人的天堂| 变态另类成人亚洲欧美熟女| 精品国产乱码久久久久久男人| 黑人欧美特级aaaaaa片| 久久国产乱子伦精品免费另类| 国产精华一区二区三区| 美国免费a级毛片| 亚洲激情在线av| 欧美丝袜亚洲另类 | av有码第一页| 法律面前人人平等表现在哪些方面| 18禁观看日本| 色精品久久人妻99蜜桃| 欧美乱色亚洲激情| 欧美激情极品国产一区二区三区| 校园春色视频在线观看| av天堂在线播放| 精品欧美国产一区二区三| 亚洲午夜精品一区,二区,三区| 十八禁网站免费在线| 国产精品 欧美亚洲| 日韩欧美国产一区二区入口| 久久九九热精品免费| 精品欧美国产一区二区三| 又黄又爽又免费观看的视频| 一个人免费在线观看的高清视频| 成人18禁在线播放| 国产真人三级小视频在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美激情久久久久久爽电影| 亚洲性夜色夜夜综合| 久久青草综合色| 午夜免费观看网址| 精品日产1卡2卡| 亚洲自拍偷在线| 别揉我奶头~嗯~啊~动态视频| 国产精品免费视频内射| a级毛片a级免费在线| 精品久久久久久久久久免费视频| www日本黄色视频网| 非洲黑人性xxxx精品又粗又长| 亚洲熟女毛片儿| 啪啪无遮挡十八禁网站| 成人永久免费在线观看视频| 欧美激情极品国产一区二区三区| 午夜成年电影在线免费观看| 国产男靠女视频免费网站| 亚洲一卡2卡3卡4卡5卡精品中文| 成年版毛片免费区| 男女之事视频高清在线观看| 日日夜夜操网爽| 99精品欧美一区二区三区四区| 色av中文字幕| 91成人精品电影| 国产真实乱freesex| 久久精品91蜜桃| 亚洲精华国产精华精| 亚洲国产精品合色在线| 欧美日韩乱码在线| 国产熟女xx| 色综合站精品国产| 中文字幕av电影在线播放| 久热这里只有精品99| 免费看日本二区| 人人妻人人澡欧美一区二区| 日本一区二区免费在线视频| 国产一级毛片七仙女欲春2 | 国产精品免费视频内射| 免费看美女性在线毛片视频| 人人妻人人看人人澡| 女生性感内裤真人,穿戴方法视频| 国产精品永久免费网站| avwww免费| 色av中文字幕| 99re在线观看精品视频| 可以免费在线观看a视频的电影网站| 国内少妇人妻偷人精品xxx网站 | 99re在线观看精品视频| 精品久久蜜臀av无| 亚洲精品在线观看二区| 一进一出抽搐动态| 天天躁夜夜躁狠狠躁躁| 两性夫妻黄色片| 亚洲专区国产一区二区| 男女视频在线观看网站免费 | 无限看片的www在线观看| 视频区欧美日本亚洲| 欧美一级a爱片免费观看看 | 搡老岳熟女国产| 在线看三级毛片| 亚洲精品中文字幕在线视频| 99久久无色码亚洲精品果冻| 女性被躁到高潮视频| 欧美激情高清一区二区三区| netflix在线观看网站| 色综合站精品国产| 久久 成人 亚洲| 国产一区二区激情短视频| 香蕉久久夜色| 亚洲av电影在线进入| 美女扒开内裤让男人捅视频| 国产成人系列免费观看| 久久久久久亚洲精品国产蜜桃av| 男人舔女人的私密视频| 一区二区三区精品91| 成人特级黄色片久久久久久久| 男女视频在线观看网站免费 | 手机成人av网站| 免费人成视频x8x8入口观看| 亚洲av五月六月丁香网| 久久亚洲真实| av免费在线观看网站| 欧美黑人巨大hd| 国语自产精品视频在线第100页| 男女之事视频高清在线观看| 国产精品乱码一区二三区的特点| 国产亚洲欧美在线一区二区| 国产1区2区3区精品| 欧美激情 高清一区二区三区| svipshipincom国产片| 国产精品久久久久久精品电影 | av欧美777| 国产片内射在线| 婷婷六月久久综合丁香| 中文在线观看免费www的网站 | 亚洲熟妇熟女久久| 看免费av毛片| 十八禁网站免费在线| 成人一区二区视频在线观看| 国产黄a三级三级三级人| 麻豆一二三区av精品| 欧美性猛交╳xxx乱大交人| 欧美国产精品va在线观看不卡| 极品教师在线免费播放| 搞女人的毛片| 亚洲aⅴ乱码一区二区在线播放 | 国产精品亚洲一级av第二区| 国产成人影院久久av| 亚洲精品在线美女| a级毛片在线看网站| 国产精品国产高清国产av| 老鸭窝网址在线观看| 又黄又爽又免费观看的视频| 久久亚洲真实| 中文亚洲av片在线观看爽| 香蕉国产在线看| 动漫黄色视频在线观看| 久9热在线精品视频| 18禁观看日本| 国产麻豆成人av免费视频| 婷婷精品国产亚洲av在线| 国产精品亚洲av一区麻豆| 啦啦啦免费观看视频1| 亚洲男人的天堂狠狠| 国产免费av片在线观看野外av| 久久久久精品国产欧美久久久| 色综合亚洲欧美另类图片| 最近最新中文字幕大全电影3 | 一级作爱视频免费观看| 97碰自拍视频| www国产在线视频色| 久久精品aⅴ一区二区三区四区| 午夜久久久在线观看| 婷婷六月久久综合丁香| 男女那种视频在线观看| 亚洲精品国产精品久久久不卡| 日日爽夜夜爽网站| 成人免费观看视频高清| 搡老熟女国产l中国老女人| 最近最新中文字幕大全免费视频| 欧美日韩瑟瑟在线播放| 欧美成人一区二区免费高清观看 | av片东京热男人的天堂| 国产男靠女视频免费网站| 久久久久国产一级毛片高清牌| www日本黄色视频网| 级片在线观看| 变态另类丝袜制服| 国产亚洲精品av在线| 亚洲一码二码三码区别大吗| 激情在线观看视频在线高清| 1024视频免费在线观看| 亚洲熟女毛片儿| 操出白浆在线播放| 色在线成人网| 黄色丝袜av网址大全| 变态另类丝袜制服| 中文字幕精品免费在线观看视频| 51午夜福利影视在线观看| 少妇 在线观看| 午夜精品久久久久久毛片777| 999久久久国产精品视频| 精品无人区乱码1区二区| 巨乳人妻的诱惑在线观看| 校园春色视频在线观看| 欧美黄色片欧美黄色片| 脱女人内裤的视频| 精品国产乱码久久久久久男人| 岛国在线观看网站| 精品久久久久久久末码| 18禁观看日本| 国产区一区二久久| 国内揄拍国产精品人妻在线 | 欧美亚洲日本最大视频资源| 日韩有码中文字幕|