• <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
    欧美日韩视频精品一区| 男人舔女人的私密视频| 久久 成人 亚洲| 观看av在线不卡| 啦啦啦 在线观看视频| 国产免费又黄又爽又色| av天堂在线播放| 国产亚洲一区二区精品| 老司机深夜福利视频在线观看 | 欧美日韩亚洲综合一区二区三区_| 免费黄频网站在线观看国产| 一二三四在线观看免费中文在| 91老司机精品| 亚洲国产欧美日韩在线播放| 50天的宝宝边吃奶边哭怎么回事| 午夜久久久在线观看| 老司机午夜十八禁免费视频| 中文欧美无线码| 欧美日韩成人在线一区二区| 精品福利永久在线观看| 人体艺术视频欧美日本| 久久鲁丝午夜福利片| 另类亚洲欧美激情| videos熟女内射| 免费看av在线观看网站| 欧美日韩av久久| 亚洲精品一二三| 黄网站色视频无遮挡免费观看| 啦啦啦在线免费观看视频4| 国产精品一区二区在线不卡| 日韩中文字幕视频在线看片| 色婷婷av一区二区三区视频| 日本wwww免费看| 亚洲精品国产区一区二| 国产精品久久久久成人av| 啦啦啦视频在线资源免费观看| av天堂久久9| 一区二区三区四区激情视频| 又粗又硬又长又爽又黄的视频| 一区二区av电影网| 视频区图区小说| 亚洲人成电影免费在线| 老鸭窝网址在线观看| 精品国产一区二区三区久久久樱花| 女人久久www免费人成看片| 80岁老熟妇乱子伦牲交| 国产女主播在线喷水免费视频网站| 亚洲伊人色综图| 99热全是精品| 丰满少妇做爰视频| 久久久久久久精品精品| 欧美久久黑人一区二区| 中国国产av一级| 熟女少妇亚洲综合色aaa.| 一级毛片 在线播放| 汤姆久久久久久久影院中文字幕| 看十八女毛片水多多多| 岛国毛片在线播放| 黄频高清免费视频| 国产成人精品久久二区二区91| 女人久久www免费人成看片| 午夜视频精品福利| 蜜桃国产av成人99| 国产精品99久久99久久久不卡| 国产日韩一区二区三区精品不卡| 亚洲av成人精品一二三区| 99国产精品一区二区蜜桃av | 美女国产高潮福利片在线看| 国精品久久久久久国模美| 中文字幕最新亚洲高清| 亚洲欧洲日产国产| 亚洲综合色网址| 亚洲国产中文字幕在线视频| 亚洲精品国产一区二区精华液| 又粗又硬又长又爽又黄的视频| 国产精品三级大全| 两个人看的免费小视频| 久久久久精品国产欧美久久久 | 亚洲av欧美aⅴ国产| 成年美女黄网站色视频大全免费| 免费观看av网站的网址| 性高湖久久久久久久久免费观看| 高清视频免费观看一区二区| 亚洲男人天堂网一区| 久久av网站| 日韩,欧美,国产一区二区三区| 91精品三级在线观看| 精品人妻熟女毛片av久久网站| 岛国毛片在线播放| 免费女性裸体啪啪无遮挡网站| 天天影视国产精品| 自线自在国产av| 欧美日韩av久久| 国产亚洲一区二区精品| 桃花免费在线播放| 免费在线观看完整版高清| 欧美黑人欧美精品刺激| 老汉色av国产亚洲站长工具| 精品久久久久久久毛片微露脸 | 国产精品一区二区精品视频观看| 一边摸一边抽搐一进一出视频| 中文字幕精品免费在线观看视频| 啦啦啦中文免费视频观看日本| 国产99久久九九免费精品| 亚洲,一卡二卡三卡| 日日爽夜夜爽网站| 日韩免费高清中文字幕av| 国产片特级美女逼逼视频| 欧美精品亚洲一区二区| 超碰97精品在线观看| 丝瓜视频免费看黄片| 亚洲第一av免费看| 午夜福利一区二区在线看| 欧美黑人欧美精品刺激| 国产高清不卡午夜福利| 成在线人永久免费视频| 国产精品一区二区在线观看99| 国产免费现黄频在线看| 老司机影院毛片| 国产精品一区二区在线观看99| 人成视频在线观看免费观看| 精品国产乱码久久久久久男人| 日韩熟女老妇一区二区性免费视频| 亚洲成人国产一区在线观看 | 欧美xxⅹ黑人| 国产伦理片在线播放av一区| 蜜桃在线观看..| 人人妻,人人澡人人爽秒播 | 国产伦理片在线播放av一区| 在线精品无人区一区二区三| 19禁男女啪啪无遮挡网站| 尾随美女入室| 男女午夜视频在线观看| 国产一级毛片在线| 嫩草影视91久久| 国产亚洲av片在线观看秒播厂| 亚洲少妇的诱惑av| 亚洲国产看品久久| 成人午夜精彩视频在线观看| 亚洲国产看品久久| 91麻豆精品激情在线观看国产 | 亚洲国产av新网站| bbb黄色大片| 一区二区av电影网| 成人三级做爰电影| 中文字幕最新亚洲高清| 激情五月婷婷亚洲| 国产成人欧美在线观看 | 成年女人毛片免费观看观看9 | 99热国产这里只有精品6| 成在线人永久免费视频| 国产男女超爽视频在线观看| 国产精品久久久久久人妻精品电影 | av网站免费在线观看视频| 久久九九热精品免费| 麻豆国产av国片精品| 色婷婷av一区二区三区视频| 在线观看国产h片| 午夜福利视频精品| 国产精品久久久久成人av| 九色亚洲精品在线播放| 每晚都被弄得嗷嗷叫到高潮| 91成人精品电影| h视频一区二区三区| 久久精品国产亚洲av涩爱| 国产成人精品在线电影| 肉色欧美久久久久久久蜜桃| 天天躁夜夜躁狠狠久久av| 青草久久国产| 亚洲免费av在线视频| 欧美国产精品一级二级三级| 午夜91福利影院| 一级a爱视频在线免费观看| 午夜精品国产一区二区电影| 国产亚洲av片在线观看秒播厂| 亚洲国产成人一精品久久久| videos熟女内射| 一本一本久久a久久精品综合妖精| 国产精品一区二区在线观看99| 男女边摸边吃奶| 欧美少妇被猛烈插入视频| 色综合欧美亚洲国产小说| 久久久久久久久免费视频了| 97人妻天天添夜夜摸| 丝袜喷水一区| 精品一品国产午夜福利视频| 中文字幕人妻丝袜一区二区| 天堂中文最新版在线下载| 国产一区二区三区av在线| 老司机午夜十八禁免费视频| 日本猛色少妇xxxxx猛交久久| 一级毛片女人18水好多 | 亚洲男人天堂网一区| 免费观看人在逋| 如日韩欧美国产精品一区二区三区| 国产成人91sexporn| 中国国产av一级| 又紧又爽又黄一区二区| 少妇被粗大的猛进出69影院| 美女高潮到喷水免费观看| 色网站视频免费| 又大又爽又粗| 99精品久久久久人妻精品| 狂野欧美激情性xxxx| 亚洲精品久久午夜乱码| 国语对白做爰xxxⅹ性视频网站| 一边摸一边抽搐一进一出视频| 视频区图区小说| 国产高清国产精品国产三级| 一级黄片播放器| 啦啦啦啦在线视频资源| 每晚都被弄得嗷嗷叫到高潮| 欧美97在线视频| 亚洲精品美女久久久久99蜜臀 | 久久精品久久精品一区二区三区| 欧美日韩国产mv在线观看视频| 国产黄色视频一区二区在线观看| 婷婷成人精品国产| 精品亚洲成国产av| 午夜影院在线不卡| 欧美激情极品国产一区二区三区| 国产女主播在线喷水免费视频网站| 日本色播在线视频| 波多野结衣一区麻豆| 国产男人的电影天堂91| 精品少妇久久久久久888优播| 亚洲av片天天在线观看| 九色亚洲精品在线播放| 国产亚洲精品第一综合不卡| 一二三四社区在线视频社区8| 欧美精品一区二区大全| 一区二区av电影网| 精品第一国产精品| 不卡av一区二区三区| 999精品在线视频| kizo精华| 永久免费av网站大全| 婷婷色综合大香蕉| 国产精品 欧美亚洲| netflix在线观看网站| 欧美 日韩 精品 国产| 成年动漫av网址| 久久中文字幕一级| 嫁个100分男人电影在线观看 | 国产一级毛片在线| h视频一区二区三区| 丝袜美腿诱惑在线| 超色免费av| 欧美黄色淫秽网站| 亚洲情色 制服丝袜| 日韩免费高清中文字幕av| 啦啦啦啦在线视频资源| 国产主播在线观看一区二区 | 久久久久久久久免费视频了| 一本综合久久免费| 少妇粗大呻吟视频| 国产精品久久久人人做人人爽| 国产av精品麻豆| 国产女主播在线喷水免费视频网站| 亚洲天堂av无毛| 国产亚洲欧美精品永久| 国产成人a∨麻豆精品| 国产精品免费视频内射| 嫩草影视91久久| 国产一卡二卡三卡精品| 亚洲国产日韩一区二区| 欧美精品人与动牲交sv欧美| 亚洲人成电影免费在线| www.精华液| 亚洲av片天天在线观看| 亚洲av综合色区一区| 国产成人系列免费观看| 1024香蕉在线观看| 午夜福利在线免费观看网站| 纵有疾风起免费观看全集完整版| 成人黄色视频免费在线看| 女人精品久久久久毛片| 久久午夜综合久久蜜桃| 亚洲av片天天在线观看| 国产亚洲一区二区精品| 亚洲精品成人av观看孕妇| 亚洲午夜精品一区,二区,三区| 一区二区三区乱码不卡18| a级毛片黄视频| 欧美人与性动交α欧美软件| 欧美日韩国产mv在线观看视频| 脱女人内裤的视频| 欧美久久黑人一区二区| 亚洲欧洲精品一区二区精品久久久| 性色av乱码一区二区三区2| 美女高潮到喷水免费观看| 国产男女超爽视频在线观看| 久久女婷五月综合色啪小说| 叶爱在线成人免费视频播放| 男女免费视频国产| 亚洲天堂av无毛| 50天的宝宝边吃奶边哭怎么回事| 97人妻天天添夜夜摸| 亚洲国产看品久久| 日韩一本色道免费dvd| www.精华液| 97人妻天天添夜夜摸| 亚洲精品久久成人aⅴ小说| 大话2 男鬼变身卡| 一级片'在线观看视频| 国产精品久久久久久精品电影小说| 国产亚洲精品第一综合不卡| 90打野战视频偷拍视频| 日韩制服骚丝袜av| 午夜日韩欧美国产| 久久久国产欧美日韩av| 免费观看人在逋| 日韩av免费高清视频| 我要看黄色一级片免费的| 亚洲av成人不卡在线观看播放网 | 老司机在亚洲福利影院| 亚洲第一av免费看| 亚洲欧美一区二区三区黑人| 可以免费在线观看a视频的电影网站| netflix在线观看网站| 亚洲欧美色中文字幕在线| 人人妻人人澡人人爽人人夜夜| 国产精品一国产av| 制服人妻中文乱码| 一级黄色大片毛片| 赤兔流量卡办理| 十八禁人妻一区二区| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美日韩另类电影网站| 另类亚洲欧美激情| 亚洲精品日韩在线中文字幕| 日本猛色少妇xxxxx猛交久久| 国产精品一二三区在线看| 黄片小视频在线播放| 日本av免费视频播放| 人人妻人人添人人爽欧美一区卜| 好男人电影高清在线观看| 成人免费观看视频高清| 一区在线观看完整版| 国产成人精品久久二区二区免费| 久久久久久久国产电影| 亚洲成人国产一区在线观看 | 日本欧美国产在线视频| 欧美av亚洲av综合av国产av| 免费女性裸体啪啪无遮挡网站| 一边亲一边摸免费视频| 亚洲精品成人av观看孕妇| 亚洲国产精品999| 波多野结衣一区麻豆| 精品一区二区三区av网在线观看 | 一个人免费看片子| 亚洲av日韩在线播放| 国产精品欧美亚洲77777| 欧美日韩精品网址| 亚洲欧美一区二区三区黑人| 成人三级做爰电影| 亚洲精品一卡2卡三卡4卡5卡 | 夜夜骑夜夜射夜夜干| 99久久人妻综合| 亚洲,欧美,日韩| 精品熟女少妇八av免费久了| 高清不卡的av网站| 纯流量卡能插随身wifi吗| 亚洲中文av在线| 精品欧美一区二区三区在线| 中文字幕精品免费在线观看视频| 欧美在线黄色| 天天操日日干夜夜撸| 国产人伦9x9x在线观看| 侵犯人妻中文字幕一二三四区| 午夜福利,免费看| 欧美成狂野欧美在线观看| 99久久99久久久精品蜜桃| 久久精品熟女亚洲av麻豆精品| 嫁个100分男人电影在线观看 | 国产精品国产av在线观看| 国产福利在线免费观看视频| 国产精品欧美亚洲77777| 欧美成人精品欧美一级黄| 亚洲人成77777在线视频| 国产成人啪精品午夜网站| 婷婷色av中文字幕| 老司机影院毛片| 亚洲精品国产一区二区精华液| 国产亚洲一区二区精品| 久久国产精品大桥未久av| 男女边吃奶边做爰视频| 亚洲av综合色区一区| 最近中文字幕2019免费版| 在线av久久热| 国产亚洲av高清不卡| 国产精品.久久久| 久久久久视频综合| 欧美成人午夜精品| 老司机影院毛片| 国产精品 欧美亚洲| 婷婷成人精品国产| 你懂的网址亚洲精品在线观看| 欧美少妇被猛烈插入视频| 老汉色∧v一级毛片| 国产亚洲精品久久久久5区| 国产精品欧美亚洲77777| 久久久久久久大尺度免费视频| 性色av乱码一区二区三区2| 精品一区在线观看国产| 嫩草影视91久久| 精品福利永久在线观看| 久久99热这里只频精品6学生| 新久久久久国产一级毛片| 男女边摸边吃奶| 99久久99久久久精品蜜桃| 人妻 亚洲 视频| 人人妻人人澡人人看| 亚洲中文日韩欧美视频| 亚洲精品国产av蜜桃| 伊人亚洲综合成人网| 91老司机精品| 亚洲第一av免费看| 国产一区二区三区av在线| 婷婷色综合www| 免费看不卡的av| 国产成人一区二区三区免费视频网站 | 国产精品一区二区在线不卡| 亚洲av成人不卡在线观看播放网 | 亚洲国产欧美一区二区综合| 一级毛片女人18水好多 | 精品一区二区三区四区五区乱码 | 日本五十路高清| 亚洲激情五月婷婷啪啪| 国产成人免费无遮挡视频| 精品人妻在线不人妻| 亚洲欧美成人综合另类久久久| 老司机影院成人| av有码第一页| 国产精品 欧美亚洲| 国产成人影院久久av| 亚洲欧洲精品一区二区精品久久久| 精品亚洲乱码少妇综合久久| 欧美日韩成人在线一区二区| 午夜91福利影院| 黄片小视频在线播放| 免费不卡黄色视频| 天堂俺去俺来也www色官网| 国产av精品麻豆| 高潮久久久久久久久久久不卡| h视频一区二区三区| 日韩伦理黄色片| 国产精品99久久99久久久不卡| 成人亚洲精品一区在线观看| 欧美日韩视频高清一区二区三区二| 波多野结衣av一区二区av| 两性夫妻黄色片| 国产精品熟女久久久久浪| 五月开心婷婷网| 精品一区在线观看国产| 国产野战对白在线观看| 制服诱惑二区| 色婷婷久久久亚洲欧美| 国产精品.久久久| 青春草亚洲视频在线观看| 搡老岳熟女国产| 欧美日韩一级在线毛片| 亚洲精品一卡2卡三卡4卡5卡 | 一个人免费看片子| 超色免费av| 午夜激情av网站| 99国产综合亚洲精品| 久久青草综合色| h视频一区二区三区| 日韩大片免费观看网站| 丝袜在线中文字幕| 久久人妻熟女aⅴ| 国产99久久九九免费精品| 久久亚洲精品不卡| 国产97色在线日韩免费| 免费看av在线观看网站| 国产精品久久久久久人妻精品电影 | 中文字幕亚洲精品专区| 人成视频在线观看免费观看| 精品高清国产在线一区| 人妻一区二区av| 亚洲国产中文字幕在线视频| 女人高潮潮喷娇喘18禁视频| 日韩伦理黄色片| 啦啦啦啦在线视频资源| 精品福利永久在线观看| 欧美乱码精品一区二区三区| 欧美黑人欧美精品刺激| 亚洲精品国产一区二区精华液| 国产日韩欧美亚洲二区| 日本色播在线视频| 国产精品一区二区精品视频观看| 亚洲人成77777在线视频| 日本av手机在线免费观看| 精品一品国产午夜福利视频| 国产一区二区在线观看av| 每晚都被弄得嗷嗷叫到高潮| 日韩av在线免费看完整版不卡| 高清欧美精品videossex| 成人亚洲精品一区在线观看| 久久久久久久精品精品| 一区二区日韩欧美中文字幕| 首页视频小说图片口味搜索 | 如日韩欧美国产精品一区二区三区| 欧美日韩av久久| 少妇裸体淫交视频免费看高清 | 国产成人免费无遮挡视频| kizo精华| 高清av免费在线| 亚洲国产毛片av蜜桃av| 黄色片一级片一级黄色片| 性色av一级| 在线看a的网站| 91九色精品人成在线观看| 久久久久精品人妻al黑| 亚洲欧洲精品一区二区精品久久久| 两个人免费观看高清视频| 成人国语在线视频| 十八禁高潮呻吟视频| av福利片在线| 精品国产超薄肉色丝袜足j| 欧美日韩成人在线一区二区| 一级a爱视频在线免费观看| 满18在线观看网站| 婷婷色综合www| 国产欧美亚洲国产| av网站免费在线观看视频| 亚洲欧洲精品一区二区精品久久久| 亚洲第一av免费看| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久久网色| 成人免费观看视频高清| 精品久久久久久电影网| 精品国产超薄肉色丝袜足j| 1024视频免费在线观看| 2021少妇久久久久久久久久久| 久久国产精品大桥未久av| 精品一区二区三区四区五区乱码 | 国产亚洲精品第一综合不卡| 成人黄色视频免费在线看| 亚洲欧美日韩另类电影网站| 永久免费av网站大全| av不卡在线播放| 欧美激情高清一区二区三区| 国语对白做爰xxxⅹ性视频网站| 天天添夜夜摸| 丰满少妇做爰视频| 最近中文字幕2019免费版| 精品卡一卡二卡四卡免费| 看免费成人av毛片| xxxhd国产人妻xxx| 一二三四社区在线视频社区8| 久久99热这里只频精品6学生| 国产精品二区激情视频| 久久国产精品人妻蜜桃| 国产精品国产av在线观看| 男女边吃奶边做爰视频| 午夜福利乱码中文字幕| 国产成人啪精品午夜网站| 美女午夜性视频免费| 国产男人的电影天堂91| 日韩视频在线欧美| 精品久久蜜臀av无| 久久精品熟女亚洲av麻豆精品| 成年女人毛片免费观看观看9 | 亚洲中文字幕日韩| 精品福利永久在线观看| 下体分泌物呈黄色| av网站免费在线观看视频| 精品福利观看| 男女下面插进去视频免费观看| 欧美国产精品va在线观看不卡| 丝袜美腿诱惑在线| 亚洲精品日本国产第一区| 天天操日日干夜夜撸| 97精品久久久久久久久久精品| 亚洲人成电影观看| 欧美成人午夜精品| 欧美亚洲 丝袜 人妻 在线| 天堂俺去俺来也www色官网| 亚洲人成电影观看| 另类精品久久| 中文字幕人妻熟女乱码| 18禁观看日本| 日韩一卡2卡3卡4卡2021年| 精品亚洲成a人片在线观看| 首页视频小说图片口味搜索 | 国产麻豆69| 国产日韩欧美亚洲二区| 久久久久久亚洲精品国产蜜桃av| 精品人妻1区二区| 狂野欧美激情性xxxx| 一区福利在线观看| 国产高清videossex| 亚洲男人天堂网一区| 亚洲精品av麻豆狂野| 色94色欧美一区二区| 又黄又粗又硬又大视频| 日本a在线网址| 久久国产精品影院| 如日韩欧美国产精品一区二区三区| 飞空精品影院首页| 久久久精品国产亚洲av高清涩受| 在线观看人妻少妇| 婷婷丁香在线五月| 日韩精品免费视频一区二区三区| 免费av中文字幕在线| 久久毛片免费看一区二区三区| 天堂8中文在线网| 日日摸夜夜添夜夜爱| 久久鲁丝午夜福利片| 热re99久久国产66热| 51午夜福利影视在线观看| 国产精品一区二区精品视频观看| 日韩大码丰满熟妇|