• <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(jìn)DINO 的牧場雜草檢測

    2023-10-18 01:19:40任錦濤
    河南農(nóng)業(yè)科學(xué) 2023年9期
    關(guān)鍵詞:主干雜草像素

    鐘 斌,楊 珺,劉 毅,任錦濤

    (江西農(nóng)業(yè)大學(xué) 軟件學(xué)院,江西 南昌 330045)

    雜草會(huì)與農(nóng)作物爭奪水分、養(yǎng)分、光照和空間,從而影響到農(nóng)作物的生長發(fā)育,造成農(nóng)作物產(chǎn)量降低和品質(zhì)下降。因此,清除雜草是保護(hù)農(nóng)作物的一個(gè)重要措施。目前費(fèi)力耗時(shí)的人工化學(xué)除草仍然是國內(nèi)主要的除草方式。隨著智慧農(nóng)業(yè)的不斷發(fā)展,使用深度學(xué)習(xí)的方法精準(zhǔn)識別雜草,實(shí)現(xiàn)安全和高效地保護(hù)農(nóng)作物成為主流趨勢[1-3]。

    在精準(zhǔn)識別領(lǐng)域,國內(nèi)外的研究已經(jīng)取得了一定進(jìn)展。ZHANG 等[4]通過傳統(tǒng)的機(jī)器學(xué)習(xí)方法對圖像紋理的信息進(jìn)行處理,使用LBP 作為特征提取器和二次支持向量機(jī)作為分類器的方法提高了對闊葉雜草的識別精度,但此類基于紋理顏色的傳統(tǒng)方法泛化能力較弱。尚文卿等[5]則使用目標(biāo)檢測框架Faster R-CNN 結(jié)合遷移學(xué)習(xí)來進(jìn)行農(nóng)田雜草的識別,將改進(jìn)的雙閾值非極大抑制運(yùn)用在Faster RCNN 上,提升精度的同時(shí)并有很好的泛化能力,但會(huì)產(chǎn)生大量額外的候選框、增加運(yùn)算量。李兆旭等[6]提出的輕量化雜草檢測模型更是讓實(shí)用性大大增強(qiáng)。

    隨著Transformer[7]在計(jì)算機(jī)視覺領(lǐng)域越來越流行,Transformer 和計(jì)算機(jī)視覺兩者結(jié)合應(yīng)用的次數(shù)也越來越多,其中以Detection Transformer(DETR)[8]為目標(biāo)檢測領(lǐng)域的代表。它采用了Transformer 和神經(jīng)網(wǎng)絡(luò)的混合結(jié)構(gòu),將目標(biāo)檢測視為集合預(yù)測問題,解耦了位置和預(yù)測之間的綁定關(guān)系,簡化了目標(biāo)檢測的整體流程,刪除了NMS[9]等其他影響檢測性能的操作,并且有著與高度優(yōu)化的Faster R-CNN相當(dāng)?shù)男阅埽諗克俣缺容^慢。后來孫艷霞等[10]使用可變形卷積良好的稀疏空間采樣能力改善了DETR 收斂速度慢的問題,因此結(jié)合兩者優(yōu)點(diǎn)的Deformable DETR 更有利于精確檢測。ZHANG 等[11]基于Deformable DETR 提出了DINO(DETR with improved denoising anchor boxes for end-to-end object detection)模型。該模型為查詢提供位置先驗(yàn)并提出帶有數(shù)量一致的正負(fù)樣本的去噪訓(xùn)練,可以加快模型的收斂速度。劉珩等[12]將DETR 應(yīng)用在了識別迷彩偽裝上,實(shí)現(xiàn)了DETR 在不同領(lǐng)域的多樣應(yīng)用。以上研究極大提高了精準(zhǔn)識別領(lǐng)域的精度,但在面對目標(biāo)和背景屬于類似種類的情況下仍存在精度下降的問題。因此提出一種改進(jìn)DINO 的目標(biāo)檢測算法,該算法將改進(jìn)后的CBAM[13-14]模塊添加進(jìn)特征提取網(wǎng)絡(luò),加強(qiáng)捕捉特征信息的能力,幫助分辨相似種類的目標(biāo)和背景,在頸部采用改進(jìn)后的特征金字塔SFPN(Simple feature pyramid networks)[15-16],融合更深層的特征后能夠更準(zhǔn)確地完成識別,從而實(shí)現(xiàn)對牧場雜草的精確識別。

    1 材料和方法

    1.1 數(shù)據(jù)來源

    數(shù)據(jù)集來自Kaggle 提供的Weed detection on pastures雜草數(shù)據(jù)集,主要是分辨率為640像素×480像素的雜草圖像,包含著圖像對應(yīng)的像素級標(biāo)簽。該數(shù)據(jù)集共有2 500張圖片,按照8∶2的比例劃分訓(xùn)練集2 000張圖片,測試集500張圖片。為了提高模型的魯棒性和泛化能力,對圖片進(jìn)行隨機(jī)裁剪和尺度變化,可以隨機(jī)調(diào)整輸入圖像的尺寸,使其寬調(diào)整在480~800像素,長最大調(diào)整至1 333像素。

    1.2 試驗(yàn)環(huán)境

    試驗(yàn)是在Windows 10 64bit 操作系統(tǒng)下進(jìn)行的,CPU 采 用12 核Intel(R)Xeon(R)Platinum 8255C CPU @ 2.50 GHz,GPU 采用NVIDIA GeForce RTX3090,顯存為24 GB。使用的cuda 版本為11.1,Python 3.7,pytorch 1.9.0,開發(fā)工具為pycharm。

    試驗(yàn)中原模型和改進(jìn)版模型均使用相同超參數(shù),綜合考慮訓(xùn)練效果和設(shè)備性能,設(shè)置批處理大?。˙atch size)為1,學(xué)習(xí)率(lr)為0.000 1,且采用lr調(diào)度器,使用6 層Transformer 編碼器和6 層Transformer 解碼器,256 作為隱藏特征維度(Hidden dim),選用權(quán)重衰減率(Weight decay)設(shè)置為0.000 1的AdamW 優(yōu)化器,訓(xùn)練迭代次數(shù)(Epoch)為24。此外,試驗(yàn)中利用遷移學(xué)習(xí)思想在訓(xùn)練前先載入主干網(wǎng)絡(luò)ResNet 的新預(yù)訓(xùn)練模型權(quán)重,將預(yù)訓(xùn)練參數(shù)更新至改進(jìn)網(wǎng)絡(luò)中訓(xùn)練,使得模型能夠加速收斂。

    1.3 網(wǎng)絡(luò)設(shè)計(jì)

    改進(jìn)的DINO方法總體框架如圖1所示,它是一個(gè)類似于DETR 的模型,由一個(gè)主干網(wǎng)絡(luò)、頸部、一個(gè)多層Transformer 編碼器、一個(gè)多層Transformer 解碼器和多個(gè)預(yù)測頭組成。輸入的圖片經(jīng)過改進(jìn)后的ResNet[17]主干網(wǎng)絡(luò)提取特征,該主干網(wǎng)絡(luò)增加了深度并添加了CBAM-G(Convolutional block attention module-gaussian)注意力機(jī)制模塊和預(yù)訓(xùn)練權(quán)重[18],主干網(wǎng)絡(luò)提取到的4 個(gè)不同尺度的特征圖被輸入進(jìn)頸部特征融合模塊SFPN,經(jīng)過改進(jìn)的SFPN 模塊通過對特征圖的兩兩融合獲得更準(zhǔn)確的語義信息。然后將融合后的特征圖和位置信息輸入進(jìn)可變形Transformer 的編碼器(Encoder)和解碼器(Decoder),最后把在參考點(diǎn)附近提取到的圖像特征送入多個(gè)預(yù)測頭(Prediction heads),完成整個(gè)端到端的精確識別。

    1.3.1 CBAM-G 注意力機(jī)制模塊 ResNet 網(wǎng)絡(luò)在識別和分類領(lǐng)域都有很好的效果,但對于和背景類似的雜草而言,較小差異的特征使得網(wǎng)絡(luò)難以提取更深層次的像素信息,這樣會(huì)降低主干網(wǎng)絡(luò)的性能。此外,DINO 使用的是x、y、w、h4 個(gè)維度的可學(xué)習(xí)向量[19],更加注重空間的信息,而ResNet 網(wǎng)絡(luò)的卷積操作僅在平面上從而丟失了空間特征信息。為了解決以上2 個(gè)問題,本研究在該網(wǎng)絡(luò)的Bottleneck block 中加入了基于CBAM 改進(jìn)的CBAM-G 注意力模塊。注意力機(jī)制主要通過圖像中整體位置和局部位置的依賴關(guān)系,達(dá)到模仿人類視覺的效果。在擁有更準(zhǔn)確語義信息的深層特征里需要進(jìn)一步減少次要信息和背景信息的干擾,自動(dòng)關(guān)注更重要更有用的信息,提高模型的識別精度。因此,在該注意力模塊中添加一個(gè)檢測機(jī)制,使其僅在深層特征中使用注意力機(jī)制,有針對地提取需要的像素信息。但在加入注意力機(jī)制模塊后,特征提取網(wǎng)絡(luò)和Transformer 之間較為不穩(wěn)定,精確度有所浮動(dòng)。因此在CBAM 注意力模塊中使用高斯誤差線性單元(Gaussian error linear units)[20],這樣可以更好地平衡空間特征信息,增加非線性和統(tǒng)計(jì)特性,在提升特征提取網(wǎng)絡(luò)獲取目標(biāo)特征性能的同時(shí),保持特征提取網(wǎng)絡(luò)和Transformer之間的穩(wěn)定性。

    CBAM-G 主要包括2 個(gè)子模塊,分別是CAM-G(Channel attention module-gaussian)和 SAM-G(Spatial attention module-gaussian)。CAM-G 的結(jié)構(gòu)如圖2所示。特征圖的每一個(gè)通道都可以起到對關(guān)鍵信息的檢測作用,因此利用好特征圖的通道關(guān)系至關(guān)重要。在該模塊中使用最大池化和平均池化的并行連接可以提取到更豐富的高層次特征,并行連接讓2 個(gè)池化的過程互相不干擾,同時(shí)全局最大池化可以保留數(shù)據(jù)的局部特征,而全局平均池化則對數(shù)據(jù)的整體特征有更好的提取效果。然后通過2個(gè)具有非線性的完全連接層Fc1 和Fc2 來捕捉通道之間的交互信息,在完全連接層Fc1 和Fc2 中間插入了高斯誤差線性單元,給模塊加入非線性因子,提高模塊泛化能力和穩(wěn)定性。最后通過Sigmoid[21]函數(shù)生成權(quán)重值,該模塊增加了對重要信息的關(guān)注度,加強(qiáng)了目標(biāo)信息的提取能力。

    圖2 CAM-G結(jié)構(gòu)圖Fig.2 CAM-G structure diagram

    另一個(gè)子模塊SAM-G 的結(jié)構(gòu)如圖3 所示。該模塊首先將特征分別進(jìn)行平均池化和最大池化,再將池化后的2 個(gè)特征圖進(jìn)行拼接操作,然后對拼接后的特征圖進(jìn)行一次7×7 的卷積操作,最后利用Sigmoid 函數(shù)生成空間權(quán)重值。該模塊通過保持特征空間維度的一致性,增強(qiáng)了特征對空間信息和位置信息的關(guān)注度。

    1.3.2 SFPN 特征融合 DINO 的編碼器使用的是Deformable transformer,它對主干網(wǎng)絡(luò)產(chǎn)生的4 種不同尺度大小的特征圖僅使用了步長為1 的1×1 的卷積操作將通道統(tǒng)一降成256,這種不同尺度的特征圖往往包含更多的信息,其中淺層的特征包含更加細(xì)粒度的特征,擁有像素級的定位精度,而深層特征帶有更準(zhǔn)確的上下文信息和語義信息。因此充分融合底層特征和高層特征可以獲得更有用的特征表達(dá),也能減少無用信息的干擾。另外由于批處理的大小較小,使用Group normalization[22]替換了原本的Batch normalization,從而提高網(wǎng)絡(luò)對雜草精準(zhǔn)識別的精度并減少模型計(jì)算開銷。因此,本研究使用一種簡單的輕量化的特征金字塔SFPN,與算法中原有的特征融合模塊相對比,減少了計(jì)算開銷,它是在FPN 的基礎(chǔ)上進(jìn)行的改進(jìn)(圖4)。對主干網(wǎng)絡(luò)生產(chǎn)的特征圖進(jìn)行融合操作,將原圖1/2 大小的特征圖F1、原圖1/4 大小的特征圖F2 和原圖1/8 大小的特征圖F3 作為輸入。對F1 進(jìn)行步長為8 的3×3 的卷積操作,對F2 進(jìn)行步長為4 的3×3 的卷積操作,對F3進(jìn)行步長為2的3×3的卷積操作,同時(shí)使特征通道數(shù)都為256,然后使用一次組數(shù)為32 的組歸一化(Group normalization)層對F1、F2 和F3 做標(biāo)準(zhǔn)化,最后特征F1 與特征F3 相加,特征F2 與特征F3相加,分別經(jīng)過激活函數(shù)Relu 后得到融合特征P1和P2。

    圖4 SFPN 結(jié)構(gòu)圖Fig.4 SFPN structure diagram

    1.3.3 ResNet 網(wǎng)絡(luò) 主干網(wǎng)絡(luò)ResNet 被廣泛應(yīng)用于特征提取,其殘差模塊可以有效地緩解梯度消失和梯度爆炸等問題,同時(shí)它有很好的分類性能。原始模型DINO 使用的ResNet 網(wǎng)絡(luò)一共有4 個(gè)Block,分別有3、4、6、3 個(gè)Bottleneck。由于前2 個(gè)Block 分辨率較高,增加深度會(huì)使計(jì)算量增加,因此將第3個(gè)Block 的數(shù)量增加至23 個(gè),可以提高ResNet 特征提取的能力,同時(shí)只會(huì)增加極少的計(jì)算量。圖5 顯示的是第3個(gè)Block的結(jié)構(gòu)圖。

    獲得之前2個(gè)Block處理后的特征圖,先經(jīng)過一次1×1 的卷積操作,使用尺度歸一化[23]對特征進(jìn)行標(biāo)準(zhǔn)化,穩(wěn)定網(wǎng)絡(luò),再使用高斯誤差線性單元進(jìn)行激活,增加各層非線性關(guān)系,同時(shí)防止出現(xiàn)過擬合的現(xiàn)象,提高與Transformer 之間的匹配度和穩(wěn)定性,然后再經(jīng)過一次3×3的卷積操作,重復(fù)歸一化和激活函數(shù)后再進(jìn)行1×1 的卷積操作,再一次使用尺度歸一化,最后與Identity 相加,一起被激活函數(shù)激活。

    1.4 試驗(yàn)評價(jià)指標(biāo)

    在目標(biāo)檢測領(lǐng)域里,為了更好地驗(yàn)證改進(jìn)后DINO 模型的識別性能并進(jìn)行對比,采用目前常用的AP50、AP75和平均像素精度(mAP0.50:0.95)作為性能評估指標(biāo)。其中,AP50和AP75分別表示交并比(IOU)閾值為0.50 和0.75 情況下的檢測精度。mAP0.50:0.95表示的是交并比閾值0.50 和0.95 之間每0.05 情況下檢測精度的平均值。通過計(jì)算mAP0.50:0.95的高低,來衡量該模型的性能。

    2 結(jié)果與分析

    2.1 消融試驗(yàn)對比結(jié)果

    如表1 所示,組別1 表示原DINO 模型不使用預(yù)訓(xùn) 練 權(quán) 重 的 結(jié) 果,mAP0.50:0.95為78.16%,AP50為92.85%,AP75為85.53%。組別2 表示在原主干網(wǎng)絡(luò)ResNet 的基礎(chǔ)上增加深度并使用改良的預(yù)訓(xùn)練權(quán)重,mAP0.50:0.95、AP50、AP75分別提升了4.35、2.70、3.59個(gè)百分點(diǎn),增加深度可以讓主干網(wǎng)絡(luò)提取到更深層的特征。組別3 是在組別2 的基礎(chǔ)上使用SFPN 模塊改進(jìn)原本的特征融合模塊,對更深層的特征與原有淺層特征進(jìn)行融合,同樣在IOU 比較低時(shí)的精度方面有一定的提升。組別4 是在組別2 的基礎(chǔ)上在主干網(wǎng)絡(luò)中引入了CBAM-G 注意力機(jī)制模塊,該模塊在減少負(fù)面特征的影響后,能夠提升提取關(guān)鍵特征的性能,相較于組別2 的mAP0.50:0.95提升0.98 個(gè)百分點(diǎn),但I(xiàn)OU 比較低時(shí)提升較小。由此可見,組別3和組別4分別提升模型在IOU 閾值低和高時(shí)的識別精度,兩者互補(bǔ)互利。因此,組別5 在組別2 的基礎(chǔ)上同時(shí)使用SFPN 模塊和CBAM-G 模塊,mAP0.50:0.95、AP50和AP75都有一個(gè)大的提升,驗(yàn)證了本研究引用的特征融合和注意力機(jī)制對精確識別起到了一定效果。

    表1 消融試驗(yàn)結(jié)果Tab.1 Ablation experiment results %

    2.2 不同網(wǎng)絡(luò)對比結(jié)果

    在牧場雜草數(shù)據(jù)集上驗(yàn)證CBAM-G 注意力機(jī)制和SFPN 融合的有效性,并與原DINO 算法進(jìn)行比較,如圖6所示,虛線為改進(jìn)后DINO算法,實(shí)線為原DINO 算法,兩者在0 輪到1 輪左右精度差距較小,第3 輪的時(shí)候精度差距最大,隨后就保持10 個(gè)百分點(diǎn)左右的精度差距不變,證明了CBAM-G 和SFPN對提升檢測精度有一定作用。圖6 和圖7 曲線都較為平穩(wěn),說明模型比較穩(wěn)定。

    圖6 平均像素精度對比圖Fig.6 mAP0.50:0.95 comparison chart

    圖7 像素精度mAP50對比圖Fig.7 mAP50 comparsion chart

    為了驗(yàn)證本研究算法改進(jìn)的有效性,將其與EfficientDet[24]、DETR 和DINO 不同網(wǎng)絡(luò)的版本進(jìn)行對比試驗(yàn),如表2所示,不同的模型均使用相同的數(shù)據(jù)集和參數(shù),DETR 由于收斂速度較慢,在相同的24輪情況下mAP0.50:0.95僅有41.10%,輪數(shù)到500 輪時(shí)主干mAP0.50:0.95可以達(dá)到66.21%,EfficientDet 則比DETR 略高2.49 個(gè)百分點(diǎn),EfficientDet 在IOU 閾值為50 的情況下表現(xiàn)較好,在24 輪的情況下依舊可以達(dá)到86.41%。DINO 因?yàn)槭褂玫闹鞲删W(wǎng)絡(luò)不同,因此性能有一定的差距,在不使用數(shù)據(jù)集專屬預(yù)訓(xùn)練權(quán)重的情況下,改進(jìn)后DINO 模型的主干網(wǎng)絡(luò)ResNet+比原DINO 的ResNet50 在mAP0.50:0.95上提升5.36 個(gè)百分點(diǎn),由此可見,不同主干網(wǎng)絡(luò)和相同主干網(wǎng)絡(luò)不同的深度對精確度都有很大的影響。通過對比試驗(yàn)可知,本研究改進(jìn)的算法無論是在mAP0.50:0.95還是AP50和AP75上都有很好的表現(xiàn),實(shí)現(xiàn)了對雜草識別精度的提升。

    表2 不同網(wǎng)絡(luò)的對比結(jié)果Tab.2 Comparative experiment of different networks %

    2.3 預(yù)測結(jié)果對比

    改進(jìn)前DINO 和改進(jìn)后DINO 的目標(biāo)檢測效果對比如圖8—9 所示,改進(jìn)前DINO 模型的目標(biāo)框準(zhǔn)確率僅為78.1%,通過對比圖中不同模型所畫出的目標(biāo)檢測框,可以發(fā)現(xiàn),改進(jìn)前DINO 模型在對牧場里雜草進(jìn)行精確識別時(shí)不能準(zhǔn)確地找到雜草邊緣,有10%左右的誤差偏移。這是因?yàn)樵镜腄INO模型在編碼和解碼過程中直接使用主干網(wǎng)絡(luò)提取的深層語義信息和淺層語義信息,未能充分將兩者結(jié)合并利用輸入特征的其他細(xì)節(jié)信息,從而在相似環(huán)境下的識別效果不佳,而改進(jìn)后DINO 模型使用了輕量化和實(shí)用的SFPN 模塊,讓深層語義信息和淺層語義信息充分融合,加強(qiáng)了上下文語義信息的聯(lián)系,對于雜草邊緣的識別更加清晰,更能找出環(huán)境和目標(biāo)之間的差異。從最后一行識別效果可以看出,改進(jìn)前DINO 模型對于小目標(biāo)的識別精度不高,未能準(zhǔn)確地框出小目標(biāo)的邊緣,而本方法效果更好。綜上所述,本研究方法在相似環(huán)境下的牧場雜草圖像數(shù)據(jù)集上的識別更加精細(xì)和準(zhǔn)確,效果更優(yōu),但是也存在小目標(biāo)邊界不夠準(zhǔn)確的問題。

    圖8 改進(jìn)前DINO效果圖Fig.8 Rendering of DINO before improvement

    圖9 改進(jìn)后DINO效果圖Fig.9 Rendering of DINO after improvement

    3 結(jié)論與討論

    針對DINO 模型應(yīng)用于背景和目標(biāo)較為相似的雜草精確識別時(shí)出現(xiàn)的精確度下降和穩(wěn)定性較差的問題,本研究在DINO 模型的基礎(chǔ)上進(jìn)行改進(jìn)。為了保持特征提取網(wǎng)絡(luò)和Transformer 之間的穩(wěn)定性,減少次要特征信息的影響和提高對重要特征信息的把握,在特征提取主干網(wǎng)絡(luò)ResNet 中增加改進(jìn)后的CBAM-G 模塊,同時(shí)引入輕量化特征融合SFPN 模塊,增強(qiáng)底層特征信息和高層特征信息的聯(lián)系,實(shí)現(xiàn)對多尺度特征信息的有效利用,從而提高模型的精確識別性能。在牧場雜草數(shù)據(jù)集上通過消融試驗(yàn)以及與其他經(jīng)典算法的對比試驗(yàn)證明了改進(jìn)后的模型各方面都優(yōu)于原模型,有較好的精確識別效果,其中mAP50達(dá)到了95.89%。

    在農(nóng)業(yè)雜草防除的研究中,如何精確識別雜草是保護(hù)農(nóng)作物的基礎(chǔ),同時(shí)也是雜草防除的大前提,對于推動(dòng)雜草的研究有很大的發(fā)展意義。因此,考慮如何增加方法的實(shí)用性,提高識別雜草的類別數(shù)量并拓寬應(yīng)用環(huán)境會(huì)成為未來試驗(yàn)和工作的重點(diǎn),并且在不降低雜草識別準(zhǔn)確率的情況下,往模型中引入掩碼機(jī)制,生成掩碼矩陣過濾無用特征,提升模型效率和準(zhǔn)確率。此外還需要豐富模型的識別種類,深入研究雜草在水田和蔬菜園等復(fù)雜場景下的精確識別,進(jìn)一步提升模型的實(shí)際應(yīng)用價(jià)值和性能。

    猜你喜歡
    主干雜草像素
    全球首條1.2T超高速下一代互聯(lián)網(wǎng)主干通路
    軍事文摘(2024年2期)2024-01-10 01:58:34
    趙運(yùn)哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    拔雜草
    像素前線之“幻影”2000
    抓主干,簡化簡單句
    二代支架時(shí)代數(shù)據(jù)中糖尿病對無保護(hù)左主干患者不同血運(yùn)重建術(shù)預(yù)后的影響
    “像素”仙人掌
    高齡無保護(hù)左主干病變患者血運(yùn)重建術(shù)的長期預(yù)后
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    水稻田幾種難防雜草的防治
    一二三四中文在线观看免费高清| 91在线精品国自产拍蜜月| 一级二级三级毛片免费看| 精品久久久精品久久久| 日本91视频免费播放| 国产精品99久久久久久久久| 日产精品乱码卡一卡2卡三| 国产精品国产三级国产av玫瑰| 中文字幕av电影在线播放| 国产亚洲一区二区精品| 赤兔流量卡办理| 满18在线观看网站| 久久久国产一区二区| 一区二区三区乱码不卡18| 18禁观看日本| 伊人久久精品亚洲午夜| 欧美bdsm另类| 久久99热这里只频精品6学生| 久久人人爽人人片av| 精品一品国产午夜福利视频| 天天躁夜夜躁狠狠久久av| 日日撸夜夜添| 精品久久久精品久久久| 精品久久久噜噜| 国产av精品麻豆| 成人国产麻豆网| 国产高清有码在线观看视频| 久久久久久人妻| 亚洲国产日韩一区二区| av播播在线观看一区| av又黄又爽大尺度在线免费看| 午夜91福利影院| 精品99又大又爽又粗少妇毛片| 亚洲精品美女久久av网站| 91国产中文字幕| 亚洲av电影在线观看一区二区三区| 亚洲欧美一区二区三区国产| 久久婷婷青草| 寂寞人妻少妇视频99o| 美女国产视频在线观看| 大片免费播放器 马上看| 亚洲人成网站在线播| 免费大片黄手机在线观看| 亚洲天堂av无毛| 在线观看美女被高潮喷水网站| 久久精品国产亚洲网站| 午夜免费男女啪啪视频观看| 国产精品 国内视频| 国产亚洲午夜精品一区二区久久| 国产老妇伦熟女老妇高清| 亚洲第一av免费看| av.在线天堂| 亚州av有码| 亚洲精品国产av成人精品| 国产日韩欧美亚洲二区| 久久国产精品大桥未久av| 一区二区av电影网| 国产成人a∨麻豆精品| 黑人巨大精品欧美一区二区蜜桃 | 欧美亚洲 丝袜 人妻 在线| 国国产精品蜜臀av免费| 国产精品久久久久久精品电影小说| 日本欧美视频一区| 久久人妻熟女aⅴ| 大码成人一级视频| 国产片特级美女逼逼视频| 亚洲第一av免费看| 我的老师免费观看完整版| 黑人高潮一二区| 亚洲欧美清纯卡通| 国产精品麻豆人妻色哟哟久久| 狠狠婷婷综合久久久久久88av| 我的女老师完整版在线观看| 亚洲国产最新在线播放| 丝瓜视频免费看黄片| 亚洲av二区三区四区| 精品国产一区二区久久| 男男h啪啪无遮挡| 久久精品国产a三级三级三级| 色94色欧美一区二区| 国产伦精品一区二区三区视频9| 亚洲高清免费不卡视频| 伊人久久国产一区二区| 免费av不卡在线播放| 日日撸夜夜添| 中文字幕精品免费在线观看视频 | 成年美女黄网站色视频大全免费 | 亚洲无线观看免费| 亚洲精品,欧美精品| 日本av手机在线免费观看| 国产一级毛片在线| 欧美激情极品国产一区二区三区 | 亚洲av男天堂| 91精品伊人久久大香线蕉| 国产乱来视频区| 国产男女内射视频| 中国三级夫妇交换| 亚洲伊人久久精品综合| 九色成人免费人妻av| 国产综合精华液| 一本久久精品| 少妇 在线观看| 亚洲图色成人| 亚洲欧美成人精品一区二区| 99re6热这里在线精品视频| 永久网站在线| 日本色播在线视频| 亚洲精品色激情综合| 男女边吃奶边做爰视频| av国产久精品久网站免费入址| 最近2019中文字幕mv第一页| 亚洲欧美色中文字幕在线| 国产成人精品久久久久久| 国产国拍精品亚洲av在线观看| 国产黄色视频一区二区在线观看| 欧美激情 高清一区二区三区| 黄片无遮挡物在线观看| 最近中文字幕高清免费大全6| 亚洲av不卡在线观看| 成人亚洲精品一区在线观看| 亚洲av男天堂| 国产精品久久久久久精品电影小说| 热99久久久久精品小说推荐| 欧美日韩在线观看h| 91在线精品国自产拍蜜月| 乱人伦中国视频| 欧美日韩一区二区视频在线观看视频在线| 亚洲国产欧美在线一区| 欧美xxxx性猛交bbbb| 亚洲,欧美,日韩| 日韩不卡一区二区三区视频在线| 亚洲综合精品二区| 日韩精品免费视频一区二区三区 | 精品人妻偷拍中文字幕| 成人18禁高潮啪啪吃奶动态图 | 2022亚洲国产成人精品| 视频中文字幕在线观看| 狠狠精品人妻久久久久久综合| 久久久久久久久久人人人人人人| 五月玫瑰六月丁香| 最近的中文字幕免费完整| 91精品三级在线观看| 亚洲国产av新网站| 99久国产av精品国产电影| 人妻 亚洲 视频| 91aial.com中文字幕在线观看| 久久韩国三级中文字幕| 国产色爽女视频免费观看| 人成视频在线观看免费观看| 久久影院123| 午夜精品国产一区二区电影| 夜夜看夜夜爽夜夜摸| 一级毛片电影观看| 国产精品久久久久久精品古装| 国产高清不卡午夜福利| 亚洲av.av天堂| av女优亚洲男人天堂| a级片在线免费高清观看视频| 69精品国产乱码久久久| 国产免费视频播放在线视频| 亚洲av成人精品一区久久| 婷婷色麻豆天堂久久| 中文字幕av电影在线播放| 精品亚洲成国产av| 久久久亚洲精品成人影院| 最近中文字幕高清免费大全6| 91成人精品电影| 日韩av不卡免费在线播放| 国产黄片视频在线免费观看| 99久久人妻综合| 人妻夜夜爽99麻豆av| 亚洲情色 制服丝袜| 国产深夜福利视频在线观看| 欧美xxⅹ黑人| 久久午夜综合久久蜜桃| 丝瓜视频免费看黄片| 91久久精品电影网| 欧美日韩视频高清一区二区三区二| 黑人巨大精品欧美一区二区蜜桃 | 免费av中文字幕在线| 妹子高潮喷水视频| 欧美最新免费一区二区三区| 精品久久久久久久久av| 如何舔出高潮| 一级毛片黄色毛片免费观看视频| 国产精品免费大片| 简卡轻食公司| 亚洲精品乱码久久久v下载方式| 久久ye,这里只有精品| 我要看黄色一级片免费的| 午夜福利视频在线观看免费| 成人免费观看视频高清| 欧美日韩在线观看h| 久久青草综合色| 特大巨黑吊av在线直播| 国产免费现黄频在线看| 一区二区av电影网| av国产精品久久久久影院| 蜜桃国产av成人99| 国产成人精品福利久久| 日本vs欧美在线观看视频| 大香蕉97超碰在线| 亚洲三级黄色毛片| 伦理电影大哥的女人| 久久99精品国语久久久| 久久久久视频综合| 免费观看性生交大片5| 亚洲人与动物交配视频| 国产免费又黄又爽又色| 一级毛片黄色毛片免费观看视频| 亚洲av成人精品一二三区| 最近中文字幕高清免费大全6| 亚洲欧美日韩另类电影网站| 免费人成在线观看视频色| 日本-黄色视频高清免费观看| 18禁裸乳无遮挡动漫免费视频| av在线播放精品| 999精品在线视频| 日韩成人伦理影院| 久久99蜜桃精品久久| 啦啦啦中文免费视频观看日本| 青春草国产在线视频| 麻豆成人av视频| 18在线观看网站| 久久久久久伊人网av| 亚洲精品一二三| 欧美精品一区二区免费开放| 午夜福利视频精品| 国产色婷婷99| 男女边摸边吃奶| 综合色丁香网| 91成人精品电影| 日本黄大片高清| 久久影院123| 国产无遮挡羞羞视频在线观看| 久久毛片免费看一区二区三区| 最黄视频免费看| av不卡在线播放| 免费人成在线观看视频色| 亚洲美女黄色视频免费看| 搡老乐熟女国产| 婷婷成人精品国产| 女人久久www免费人成看片| 欧美日韩精品成人综合77777| av电影中文网址| 国产成人精品一,二区| 满18在线观看网站| 精品一区在线观看国产| 久久人人爽人人片av| 尾随美女入室| 免费播放大片免费观看视频在线观看| 日本av手机在线免费观看| 亚洲图色成人| 精品人妻偷拍中文字幕| 18禁在线播放成人免费| 国产精品99久久99久久久不卡 | 三级国产精品片| kizo精华| 国产精品偷伦视频观看了| 在线观看国产h片| 久久久久精品性色| 国产淫语在线视频| 国产女主播在线喷水免费视频网站| 日韩中文字幕视频在线看片| 春色校园在线视频观看| 国产免费又黄又爽又色| 欧美xxⅹ黑人| 午夜久久久在线观看| 黄色视频在线播放观看不卡| 考比视频在线观看| 91aial.com中文字幕在线观看| 视频中文字幕在线观看| 婷婷成人精品国产| 伦理电影大哥的女人| 国产男人的电影天堂91| 久久精品国产a三级三级三级| 中文欧美无线码| 欧美日韩av久久| 国产av码专区亚洲av| 久久青草综合色| 久久毛片免费看一区二区三区| 日韩三级伦理在线观看| 国产深夜福利视频在线观看| 亚洲色图 男人天堂 中文字幕 | 三上悠亚av全集在线观看| 亚洲精品日韩在线中文字幕| 美女内射精品一级片tv| 国产av精品麻豆| 午夜免费鲁丝| 少妇的逼水好多| 亚洲av.av天堂| 在线免费观看不下载黄p国产| 久久这里有精品视频免费| av黄色大香蕉| 久久狼人影院| 中文欧美无线码| 男男h啪啪无遮挡| 美女中出高潮动态图| 国产极品粉嫩免费观看在线 | 亚洲人成网站在线播| 九九在线视频观看精品| 午夜激情久久久久久久| 国产无遮挡羞羞视频在线观看| 精品国产露脸久久av麻豆| 国产亚洲最大av| 亚洲av不卡在线观看| 制服丝袜香蕉在线| 在线观看美女被高潮喷水网站| 国产日韩欧美亚洲二区| 91午夜精品亚洲一区二区三区| 黄色毛片三级朝国网站| 国产色婷婷99| 欧美日韩精品成人综合77777| 亚洲av免费高清在线观看| 亚洲精品一二三| 日韩不卡一区二区三区视频在线| 春色校园在线视频观看| 国产精品99久久久久久久久| 亚洲av男天堂| 国产69精品久久久久777片| av有码第一页| 亚洲国产av新网站| 国产精品久久久久久精品电影小说| 蜜桃在线观看..| 亚洲av中文av极速乱| 国产黄片视频在线免费观看| 99久久人妻综合| 边亲边吃奶的免费视频| 色哟哟·www| 91精品国产九色| 女人久久www免费人成看片| 一级毛片 在线播放| 午夜激情av网站| 色5月婷婷丁香| 久久久久精品久久久久真实原创| 精品国产国语对白av| 日韩电影二区| 亚洲精品亚洲一区二区| 大片免费播放器 马上看| 欧美精品高潮呻吟av久久| 最新的欧美精品一区二区| 久久韩国三级中文字幕| 美女中出高潮动态图| 18禁裸乳无遮挡动漫免费视频| 欧美成人午夜免费资源| 欧美人与性动交α欧美精品济南到 | 成年女人在线观看亚洲视频| 啦啦啦在线观看免费高清www| 午夜福利视频在线观看免费| 我的女老师完整版在线观看| 涩涩av久久男人的天堂| 亚洲综合色惰| 十八禁高潮呻吟视频| 国产极品粉嫩免费观看在线 | 国产极品天堂在线| 国产成人aa在线观看| 22中文网久久字幕| 九色亚洲精品在线播放| 人成视频在线观看免费观看| 国产精品久久久久久精品电影小说| 三级国产精品欧美在线观看| 最近中文字幕高清免费大全6| 久久精品熟女亚洲av麻豆精品| 人妻系列 视频| 亚洲丝袜综合中文字幕| 国产午夜精品久久久久久一区二区三区| 大片免费播放器 马上看| 午夜免费观看性视频| 久久久久精品久久久久真实原创| 午夜激情av网站| 久久这里有精品视频免费| 精品久久久久久久久亚洲| 国产亚洲精品久久久com| 久久久久久久久久成人| 亚洲欧洲国产日韩| 亚洲,一卡二卡三卡| 亚洲欧美色中文字幕在线| 久久久亚洲精品成人影院| 国模一区二区三区四区视频| av视频免费观看在线观看| 少妇人妻 视频| 亚洲欧美日韩另类电影网站| 99视频精品全部免费 在线| 久久综合国产亚洲精品| 亚洲第一av免费看| av福利片在线| 亚洲国产精品成人久久小说| av有码第一页| 国产片内射在线| 国产日韩欧美亚洲二区| 欧美日韩成人在线一区二区| 免费观看的影片在线观看| 国产一区二区三区综合在线观看 | 免费大片18禁| 免费看光身美女| 高清不卡的av网站| 国产成人精品在线电影| 午夜老司机福利剧场| 九九在线视频观看精品| 亚洲av免费高清在线观看| 两个人的视频大全免费| 51国产日韩欧美| av在线观看视频网站免费| 国产无遮挡羞羞视频在线观看| 街头女战士在线观看网站| 国产一级毛片在线| 日韩不卡一区二区三区视频在线| av在线app专区| 18禁裸乳无遮挡动漫免费视频| 精品久久久噜噜| 色哟哟·www| 亚洲精华国产精华液的使用体验| 综合色丁香网| videosex国产| 高清欧美精品videossex| 永久免费av网站大全| 亚洲欧美一区二区三区国产| av在线观看视频网站免费| 91精品国产九色| 搡女人真爽免费视频火全软件| av黄色大香蕉| 自拍欧美九色日韩亚洲蝌蚪91| 秋霞伦理黄片| 美女xxoo啪啪120秒动态图| 国产一区二区三区综合在线观看 | 十八禁高潮呻吟视频| 久久久久视频综合| 久热这里只有精品99| 成人18禁高潮啪啪吃奶动态图 | 成人漫画全彩无遮挡| 国产在线视频一区二区| 王馨瑶露胸无遮挡在线观看| 日本-黄色视频高清免费观看| 下体分泌物呈黄色| freevideosex欧美| 晚上一个人看的免费电影| 日韩制服骚丝袜av| 天天影视国产精品| 精品一区在线观看国产| 麻豆成人av视频| 91精品伊人久久大香线蕉| 大陆偷拍与自拍| 中文乱码字字幕精品一区二区三区| 日韩人妻高清精品专区| 亚洲精品中文字幕在线视频| 亚洲怡红院男人天堂| av在线老鸭窝| 色哟哟·www| 欧美+日韩+精品| 精品少妇内射三级| 精品久久久精品久久久| 全区人妻精品视频| 最近的中文字幕免费完整| 国产精品一国产av| 久久久久久久久久久丰满| 亚洲综合色网址| 成人午夜精彩视频在线观看| 综合色丁香网| 欧美日韩综合久久久久久| 国产片特级美女逼逼视频| 久久99精品国语久久久| 高清毛片免费看| xxx大片免费视频| 高清在线视频一区二区三区| 免费观看a级毛片全部| 高清在线视频一区二区三区| 国国产精品蜜臀av免费| 久久鲁丝午夜福利片| 国模一区二区三区四区视频| a级毛片在线看网站| 婷婷色av中文字幕| 亚洲av成人精品一二三区| 国产免费又黄又爽又色| 亚洲精品国产色婷婷电影| 亚洲精品一二三| 亚洲精品久久午夜乱码| 久久久国产精品麻豆| 大片免费播放器 马上看| 高清午夜精品一区二区三区| 曰老女人黄片| 18在线观看网站| 欧美丝袜亚洲另类| 亚洲欧洲国产日韩| 国产一区有黄有色的免费视频| 少妇的逼好多水| 亚洲精华国产精华液的使用体验| 国产高清有码在线观看视频| 色网站视频免费| 老司机影院成人| 午夜日本视频在线| 999精品在线视频| 一区二区av电影网| 天天影视国产精品| 伦理电影免费视频| 久久鲁丝午夜福利片| 成人无遮挡网站| 人妻夜夜爽99麻豆av| 美女国产高潮福利片在线看| 全区人妻精品视频| av天堂久久9| 国产视频首页在线观看| 久久久久久久大尺度免费视频| 男的添女的下面高潮视频| 下体分泌物呈黄色| 国产精品久久久久久久电影| 99久久精品国产国产毛片| 欧美老熟妇乱子伦牲交| 伦理电影免费视频| 久久狼人影院| 欧美精品国产亚洲| 久久国产精品男人的天堂亚洲 | 性高湖久久久久久久久免费观看| 丰满迷人的少妇在线观看| 91成人精品电影| 七月丁香在线播放| 精品亚洲乱码少妇综合久久| 日韩不卡一区二区三区视频在线| 欧美日韩亚洲高清精品| 中文欧美无线码| 国产精品一二三区在线看| 国产av精品麻豆| 久久韩国三级中文字幕| 少妇高潮的动态图| 精品卡一卡二卡四卡免费| www.av在线官网国产| 日日摸夜夜添夜夜爱| 女人久久www免费人成看片| 在线观看免费高清a一片| 岛国毛片在线播放| 男男h啪啪无遮挡| 免费av不卡在线播放| 亚洲情色 制服丝袜| 18+在线观看网站| 国产精品欧美亚洲77777| 在线观看一区二区三区激情| 午夜av观看不卡| 最近2019中文字幕mv第一页| 亚洲欧美一区二区三区黑人 | 亚洲美女搞黄在线观看| 男人操女人黄网站| 成人二区视频| 亚洲熟女精品中文字幕| 国产视频内射| 免费高清在线观看视频在线观看| 午夜激情福利司机影院| 亚洲av欧美aⅴ国产| 国产精品熟女久久久久浪| 亚洲欧美精品自产自拍| 午夜91福利影院| 99视频精品全部免费 在线| 国产精品久久久久成人av| 91久久精品电影网| 一边摸一边做爽爽视频免费| 亚洲美女黄色视频免费看| 纯流量卡能插随身wifi吗| 久久久久精品久久久久真实原创| 久久久久久久久久久丰满| 亚州av有码| 两个人免费观看高清视频| 在线观看美女被高潮喷水网站| 欧美激情极品国产一区二区三区 | 亚洲欧美中文字幕日韩二区| 婷婷色麻豆天堂久久| 成人二区视频| 草草在线视频免费看| 久久久久久久亚洲中文字幕| 男女国产视频网站| 五月开心婷婷网| 亚洲精品第二区| 最近最新中文字幕免费大全7| 亚洲无线观看免费| 国产精品嫩草影院av在线观看| 久久精品国产自在天天线| 精品一品国产午夜福利视频| 好男人视频免费观看在线| 免费人妻精品一区二区三区视频| 亚洲av成人精品一区久久| 高清不卡的av网站| 91午夜精品亚洲一区二区三区| 十八禁高潮呻吟视频| 欧美日韩视频高清一区二区三区二| 人妻夜夜爽99麻豆av| 欧美成人午夜免费资源| 欧美性感艳星| 亚洲成人av在线免费| 久久久久精品性色| 中文欧美无线码| 亚洲av在线观看美女高潮| 亚洲一区二区三区欧美精品| 国产av国产精品国产| 超碰97精品在线观看| 亚洲伊人久久精品综合| a 毛片基地| 亚洲精品,欧美精品| 久久久久久久国产电影| 黑人高潮一二区| 亚洲精品一二三| 亚洲高清免费不卡视频| 一级毛片黄色毛片免费观看视频| 少妇 在线观看| 欧美日韩精品成人综合77777| 亚洲国产精品国产精品| 欧美丝袜亚洲另类| 亚洲精品乱码久久久久久按摩| 纯流量卡能插随身wifi吗| 日韩中文字幕视频在线看片| 人人妻人人爽人人添夜夜欢视频| 亚洲国产最新在线播放| 男的添女的下面高潮视频| 美女视频免费永久观看网站| 国产一区亚洲一区在线观看| 在线播放无遮挡| 国产免费一区二区三区四区乱码| 国产成人精品无人区| 国产无遮挡羞羞视频在线观看|