• <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 ?

    一種應用于云南省外侵物種識別的邊緣計算模型

    2023-11-07 06:27:06資彩飛杜銘銘孫仲享曹志勇
    湖北農(nóng)業(yè)科學 2023年10期
    關鍵詞:倍率云南省物種

    羅 玲,宋 科,王 皓,資彩飛,奉 偉,杜銘銘,孫仲享,曹志勇

    (1.云南農(nóng)業(yè)大學,a.大數(shù)據(jù)學院;b.植物保護學院,昆明 650500;2.云南高創(chuàng)人才服務有限公司,昆明 650221)

    外來入侵物種是指在中華人民共和國境內(nèi)無天然分布,經(jīng)自然或人為途徑傳入,并對生態(tài)系統(tǒng)、生境、物種帶來威脅或者危害,影響中國生態(tài)環(huán)境,損害農(nóng)林牧漁業(yè)可持續(xù)發(fā)展和生物多樣性的外來物種。云南省是中國重要的生物多樣性寶庫和全球34 個物種最豐富的熱點地區(qū)之一,同時也是中國西南生態(tài)安全屏障,是外來入侵物種侵入中國的南大門。近年來,云南省重大植物疫情呈嚴重態(tài)勢,植物界“頭號殺手”紫莖澤蘭已遍布云南省80%的土地,并以每年10~30 km2北進,給中國的農(nóng)業(yè)生產(chǎn)帶來巨大損失,對生態(tài)安全造成嚴重威脅。入侵物種防治迫在眉睫,準確識別外來入侵物種至關重要,這對保障中國糧食安全、生物安全和生態(tài)安全有著重要意義,而農(nóng)業(yè)技術與信息技術結合是未來中國農(nóng)業(yè)的發(fā)展方向,二者融合也是中國農(nóng)業(yè)生產(chǎn)智能化、現(xiàn)代化的關鍵[1]。2018 年喬曦等[2]采用卷積神經(jīng)網(wǎng)絡模型對野外薇甘菊圖像進行識別,GoogLeNet、VGG-16 的準確率分別達95.5%、97.5%;2022 年閆瑞華[3]提出基于百度AI 開發(fā)平臺圖像識別接口服務的濕地外來入侵物種監(jiān)測系統(tǒng),可有效支持濕地外來入侵物種監(jiān)測工作。上述研究均取得不錯的效果,可見在過去的幾年中,深度神經(jīng)網(wǎng)絡已經(jīng)取得了顯著的發(fā)展,但這些網(wǎng)絡的計算復雜度和資源消耗也不斷增加,要將其部署在實時應用程序或者資源受限的設備中,無疑是一個巨大的挑戰(zhàn)[4],終端設備產(chǎn)生的數(shù)據(jù)需發(fā)送到服務器端,利用龐大的計算資源進行訓練后返回結果,需保證高質量的網(wǎng)絡信號。然而云南省地形特征以山地高原為主,地勢起伏較大,通信網(wǎng)絡覆蓋率較低,若位于無網(wǎng)或者網(wǎng)絡延時較長的地區(qū),以上研究則無法滿足實時性需求,不能很好地應用于實際。隨著外侵物種數(shù)據(jù)越來越多地在介于終端和云端之間的網(wǎng)絡邊緣設備中產(chǎn)生,邊緣端不僅在靠近數(shù)據(jù)源頭的一側匯集數(shù)據(jù),而且通過計算機系統(tǒng)就近提供服務,所以在邊緣端處理數(shù)據(jù)會更有效,而智能手機的普及度及圖像處理能力和傳輸能力大幅提升,其輕巧便捷性和精確性更能滿足采樣的特殊要求[5],且為了向公眾普及農(nóng)業(yè)外來入侵物種知識,便于廣泛開展宣傳培訓,提高廣大人民群眾對外來入侵物種的識別能力和防控意識,可以在物聯(lián)網(wǎng)設備及其附近部署的網(wǎng)絡節(jié)點上實現(xiàn)人工智能算法的能力,將數(shù)據(jù)的處理、分析和應用推到離用戶更近的地方,更加快速、準確地響應用戶需求的邊緣智能無疑更加可行,所以外侵物種識別技術需要在邊緣端發(fā)力,將傳統(tǒng)數(shù)據(jù)中心的算力向邊緣側遷移。本研究使用MobileNet-v2 模型進行遷移學習,并對網(wǎng)絡模型作出改進,旨在建立一種能夠快速訪問邊緣設備生成的實時數(shù)據(jù)、響應實時識別事件的邊緣計算模型,這將是云南省外侵物種防治新途徑,是中國外來物種入侵精準防控、保障生物安全、生態(tài)安全和糧食安全的重要支撐。

    1 材料與方法

    1.1 數(shù)據(jù)采集

    試驗數(shù)據(jù)集主要來自云南農(nóng)業(yè)大學外侵物種數(shù)據(jù)系統(tǒng)和云南省外侵物種監(jiān)管部門無人機采集數(shù)據(jù),試驗共采集到5 000 余張圖像,最終挑選出4 720個合格樣本構成云南省主要外侵物種樣本集,包含鬼針草、喀西茄、水花生和紫莖澤蘭4 種云南省主要外侵物種。將樣本集以8∶1∶1 的比例劃分為訓練集、驗證集和測試集。在訓練網(wǎng)絡模型之前,將獲取的原始圖像裁剪成大小為224 px×224 px 的圖像,外侵物種部分樣本如圖1 所示。

    圖1 外侵物種部分樣本

    1.2 方案設計

    MobileNet 網(wǎng)絡是針對于邊緣端或嵌入式設備的輕量級卷積神經(jīng)網(wǎng)絡,與傳統(tǒng)的神經(jīng)網(wǎng)絡相比,MobileNet 網(wǎng)絡在準確率小幅降低的同時大大減少了模型的參數(shù)量和運算量,能夠實現(xiàn)外侵物種圖像的實時識別[6,7]。

    在外侵物種識別領域,由于外侵物種的各個部位(花、果、葉)受季節(jié)影響,短期內(nèi)無法獲得每個部位大量的高質量訓練數(shù)據(jù)用于模型的訓練,而利用深度學習解決圖像識別問題往往需要大量的訓練樣本,數(shù)據(jù)量過少時,模型結構層次一旦加深就容易出現(xiàn)過擬合的問題,導致訓練得出的模型泛化能力不足。遷移學習是指通過從已經(jīng)學習的相關任務中轉移知識來改進在新任務中的學習,目前已成為機器學習的一個熱門領域[8],基于遷移學習的方法能在一定程度上減緩過擬合問題[9]。

    由于大部分數(shù)據(jù)集存在相關性,所以通過遷移學習可以將已經(jīng)學習到的模型權重遷移到新模型中,從而加快新模型的訓練效率。本研究的數(shù)據(jù)集為4 種植物圖片,而ImageNet 數(shù)據(jù)集一直是評估圖像分類算法性能的基準,涵蓋了大部分生活中的圖片類別,因此試驗將已在ImageNet 數(shù)據(jù)集上預訓練好的MobileNet 模型作為基礎模型,用于解決云南省主要外侵物種識別問題,實現(xiàn)機器學習在相似領域的遷移。

    輕量化模型設計的思想是在不損失網(wǎng)絡準確度的前提下,降低網(wǎng)絡的參數(shù)量,使模型更簡單化。目前輕量化主要沿著2 個方向進行展開,一是將已經(jīng)訓練好的網(wǎng)絡模型進行壓縮等操作后得到輕量化模型,二是直接設計較小的卷積神經(jīng)網(wǎng)絡再進行訓練,本研究采用后者。2017 年,Google 團隊提出了MobileNet-v1 網(wǎng)絡,它是一種專門針對移動端或者嵌入式設備的輕量級卷積神經(jīng)網(wǎng)絡[10];與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡相比,MobileNet-v1 網(wǎng)絡在準確率上有小幅降低,但減少了模型的參數(shù)量和計算量。MobileNet-v1 模型由多個深度可分解卷積[11]構成。在每個卷積后進行批歸一化[12](Batch normalization,BN)和ReLU 操作,在MobileNet-v1 模型中主要有2個值得注意的地方,一是引入深度可分解卷積,減少了模型參數(shù)量,二是增加了超參數(shù)α、β(α為寬度倍率,主要用來控制卷積過程中所采用卷積核的個數(shù),當α取不同值時,其效果也不一致;β為輸入圖像分辨率,不同分辨率也會影響網(wǎng)絡模型的準確度),本研究采用分辨率為224 px×224 px的圖像作為研究對象。2018 年,Google 團隊提出MobileNet-v2 模型,相比MobileNet-v1 模型其準確率更高,模型更?。?3],與MobileNet-v1模型相比主要進行了以下方面的改進。

    1)提出了倒殘差(Inverted residual)結構[14]。首先采用1 ×1 的卷積核進行升維,然后采用3×3 的卷積核進行深度卷積操作,最后通過1×1 的卷積核進行降維,采用ReLU6 激活函數(shù),其與ReLU 相比,具有更強的非線性特性,對于更復雜的數(shù)據(jù)分布和模型擬合能力有更好的表現(xiàn)。ReLU6 激活函數(shù)將最大輸出設為6,更容易出現(xiàn)權重不更新的現(xiàn)象;使用ReLU6 激活函數(shù)可以防止數(shù)值爆炸;由于整數(shù)位最大為6,只占3 個bit ,其他bit 將全部用于表示小數(shù)位,可以增強浮點數(shù)的小數(shù)位表達能力。

    2)使用了線性瓶頸(Linear bottlenecks)。在倒殘差結構最后一個1×1 卷積層中使用了線性的激活函數(shù)。倒殘差結構是一種兩端細中間粗的結構,輸出時是一個低維的特征向量,而ReLU6 激活函數(shù)對低維特征信息造成的損失較大,對高維特征信息造成的損失較小,因此需使用線性激活函數(shù)替代Re-LU6 激活函數(shù)來避免信息損失。

    1.3 訓練與結果

    針對ImageNet 數(shù)據(jù),集取MobileNet-v2 模型中不同寬度倍率α的識別結果[13]。由表1 可知,MobileNet-v2 模型中的寬度倍率越大其準確率越高,模型參數(shù)量越大[13]。

    表1 不同寬度倍率α 在ImageNet上的試驗結果

    分別將α為1.0 和1.4 的MobileNet-v2 模型應用在本研究數(shù)據(jù)集上,結果如表2 所示。寬度倍率增大后的網(wǎng)絡模型識別準確率反而更低。由此可見,網(wǎng)絡模型越復雜,其識別效果并不一定越好;相同的超參數(shù)取值在不同的數(shù)據(jù)集上表現(xiàn)結果可能不一致。這可能是因為寬度倍率直接控制卷積過程中的卷積核個數(shù),將寬度倍率由1.0 調整到1.4 意味著卷積過程中采用了更多的卷積核個數(shù),使得模型更復雜、參數(shù)量更大,但本研究的數(shù)據(jù)集有限,不適合用過于復雜的網(wǎng)絡模型。這也驗證了模型越復雜,越需要大量的數(shù)據(jù)對其進行訓練,以保證模型的收斂性和泛化性能[15]。

    表2 不同寬度倍率α 在本研究數(shù)據(jù)集上的試驗結果

    試驗將MobileNet-v2 模型中的超參數(shù)α賦值為1.0,對測試集中472 個樣本進行識別測試,其中,有452 個樣本被正確識別,20 個被錯誤識別。圖2 為部分錯誤識別樣本,每一個被錯誤識別的樣本都可以清晰辨認,但MobileNet-v2 模型卻不能正確識別。

    圖2 MobileNet-v2 模型部分錯誤識別樣本

    2 結果與分析

    針對MobileNet-v2 模型識別不穩(wěn)定的問題,分析其原因可能是MobileNet 的直筒結構使其缺乏網(wǎng)絡層之間的交流,對不同的特征圖都賦予相同的權重,不利于有效特征的學習。因此,基于以上問題提出3 點改進方法:①增加通道注意力機制模塊;②更新激活函數(shù);③壓縮倒殘差塊數(shù)量。

    2.1 嵌入SE 模塊

    在模型中加入通道注意力機制模塊,提高網(wǎng)絡模型對特征的獲取能力。Tang 等[16]等在輕量型神經(jīng)網(wǎng)絡模型Shuffle Net-V1 和Shuffle Net-V2 中添加了注意力機制模塊,經(jīng)過改進后的2 種模型具有較高的實時性和識別性能。本研究通過嵌入通道注意力機制的代表網(wǎng)絡壓縮-激勵網(wǎng)絡[17](Squeezeand-Excitation network,SE 網(wǎng)絡)來更新基礎網(wǎng)絡模型的倒殘差結構,SE 網(wǎng)絡會對特征圖向量進行1 次平均池化和1 次全連接操作,假設輸入特征圖的通道數(shù)為2,先對每個通道上的特征圖進行平均池化操作得到一個元素個數(shù)為2 的向量,然后依次通過2個全連接層,輸出向量中的每個元素對應輸入特征圖中每個通道的權重,最終將得到的權重和輸入特征圖的對應通道數(shù)據(jù)相乘得到最終SE 模塊的輸出。

    2.2 更新激活函數(shù)

    MobileNet-v2 模型中使用ReLU6 激活函數(shù),僅在ReLU 激活函數(shù)的基礎上限制了最大輸出,仍然存在當x=0 時不可微,不能保證模型在優(yōu)化過程中梯度的可計算性,并且ReLU6激活函數(shù)在x≤0或x≥6時,函數(shù)的導數(shù)為0,在反向傳遞中,梯度完全為0,權重不再更新,從而網(wǎng)絡不能學習到有效的特征。目前,Swish 激活函數(shù)已被證明比ReLU 激活函數(shù)具有更好地傳播信息能力[18],Swish 激活函數(shù)的表達式如下:

    式中,x代表輸入的變量,可以是一個實數(shù)、向量或矩陣;σ(x)為Sigmoid 函數(shù),Sigmoid 函數(shù)的曲線是平滑的,并且在所有點上都是可微的,從而保證了模型優(yōu)化過程中梯度的可計算性,且在正半軸不存在導數(shù)為0 的區(qū)域,當輸入值為0 時,Sigmoid 函數(shù)的導數(shù)達最大值,為0.25,而輸入在任一方向上離0 點越遠,導數(shù)越接近0。使用Swish 激活函數(shù)后確實能夠提高網(wǎng)絡模型的準確率,但是也存在一些問題,如計算、求導以及量化過程復雜,特別針對移動端的設備,為了加快速度通常采取量化操作。

    因此,本研究提出了h-swish(hard-swish)激活函數(shù)[19],該激活函數(shù)可以提高模型的準確率,且不會增加計算的復雜度,更有利于將模型部署在邊緣設備或者移動設備上。h-swish 激活函數(shù)的表達式如式(2)所示,函數(shù)曲線如圖3 所示。

    圖3 Swish 激活函數(shù)、h-swish 激活函數(shù)曲線

    式中,x為輸入變量,可以是實數(shù)、向量或矩陣。

    2.3 壓縮網(wǎng)絡層數(shù)

    對于小數(shù)量的數(shù)據(jù)集,當網(wǎng)絡模型過深時,不但模型的參數(shù)量較多,而且識別準確率可能降低。在MobileNet-v2 模型中,除卷積層和池化層外,用到17個倒殘差結構,改進后將倒殘差結構減少至12 個,減少了模型參數(shù)量。

    2.4 改進后的試驗結果

    由表3 可知,改進后的MobileNet-v2 模型在測試集上的準確率為96.8%,參數(shù)量為1 535 093;上述被錯誤識別的樣本采用改進后的MobileNet-v2 模型進行識別,結果如圖4 所示,除D1 樣本被錯誤識別為紫莖澤蘭外,其余樣本均被正確識別,其原因可能是該樣本中的鬼針草和其他大多數(shù)鬼針草形狀不相似,該類型鬼針草樣本的試驗數(shù)據(jù)集較少,因此導致其被錯誤識別。

    表3 MobileNet-v2 模型改進前后的結果對比

    圖4 改進后的MobileNet-v2 模型部分樣本識別結果

    3 討論

    3.1 改進后的MobileNet-v2 模型優(yōu)勢

    通過對現(xiàn)有模型分析發(fā)現(xiàn),MobileNet-v2 模型無法完全解決外侵物種識別這一特定問題,仍存在潛在的改進空間,可以進一步優(yōu)化模型的表現(xiàn)。在MobileNet-v2 模型的改進過程中,多個優(yōu)點的疊加為其性能提供了強大的助力,從而使其在多個方面有突出的表現(xiàn)。改進后的MobileNet-v2 模型不僅在準確率上有所提升,還在模型輕量化、特征強化和移動端應用方面帶來了多重優(yōu)勢。

    1)改進后的MobileNet-v2 模型在測試集上的準確率提升了1 個百分點,但模型參數(shù)量僅為改進前的67.80%。改進后的模型不僅有了更高的識別準確率,而且參數(shù)量更少。

    2)SE 模塊建立了模型內(nèi)部特征圖中通道信息之間的關系,將全局平均池化后注入到模型的通道中,對特征圖張量中各通道特征進行權重分配,強化擁有較多重要特征的通道對當前任務所起的作用,提高了卷積神經(jīng)網(wǎng)絡對不同通道特征的敏感性,對特征向量的每個通道分析出了一個權重關系,把認為比較重要的通道賦予更大的權重,從而提高模型的識別準確率[20]。

    3)Swish 激活函數(shù)相對于ReLU 激活函數(shù)能實現(xiàn)更高的神經(jīng)網(wǎng)絡測試準確度[21],改進的h-swish 激活函數(shù)更利于在移動端部署與優(yōu)化,同時也保持了與Swish 激活函數(shù)相當?shù)木龋?2]。

    4)通過壓縮網(wǎng)絡層數(shù)可以減少網(wǎng)絡的冗余參數(shù),使模型參數(shù)量更少[23],更適合移動終端,通過將任務從資源受限的設備轉移到功能強大的邊緣設備上,可以減少系統(tǒng)整體延遲和能耗[24]。

    3.2 模型優(yōu)化限制與待改進方向

    雖然試驗方法得到了不錯的準確率和模型參數(shù)量,但模型優(yōu)化在實踐中也受到資源、數(shù)據(jù)和場景的限制,同時有一些方向可以繼續(xù)改進,使模型達到更好的性能和適應性。

    1)由于時間限制,本研究僅對比了MobileNet-v2模型的2 個寬度倍率,可能無法充分利用寬度倍率的優(yōu)勢,如果時間更充足,可以調整寬度倍率的間隔,探究更佳的寬度倍率。

    2)用于訓練機器學習網(wǎng)絡模型的數(shù)據(jù)不能完全代表鬼針草、喀西茄、水花生和紫莖澤蘭的多樣性,例如,鬼針草葉片、花和果實的形狀、紋理和顏色不相同,而試驗數(shù)據(jù)集中大部分樣本為葉片,降低了模型的泛化能力。

    3)由于時間有限,本研究的數(shù)據(jù)集中只包含4種云南省主要外侵物種圖像,后續(xù)需要采集更多種類的外侵物種圖像來豐富訓練集,完善識別模型,進一步提高模型的識別準確率。

    4)由于外侵物種野外環(huán)境復雜,干擾因素較多,存在目標物被遮擋的情況,之后可以在模型中嵌入算法將圖像補全;此外,使用無人機采集圖像時不能保證每一張圖像的清晰度,可以引入相關算法對圖像進行去模糊處理,從而提高模型的識別準確率。

    5)將來通過無人機在野外采集和識別外侵物種時,記錄其入侵地的經(jīng)緯度、地形部位、發(fā)生面積等信息,當收集到大量數(shù)據(jù)后,根據(jù)外侵物種發(fā)生地的特征進行預測,提前采取有效措施防止外侵物種發(fā)生。

    4 小結

    云南省是中國外來物種入侵重災區(qū),現(xiàn)有外侵物種的識別工作需要工作人員到達外侵物種發(fā)生地進行識別,但云南省地處低緯度高原,地理位置特殊、地形地貌復雜,外侵物種識別的應用場景通常都是邊緣端的設備?,F(xiàn)有外侵物種識別模型復雜度較高,模型部署對硬件資源要求高,且模型的訓練、保存需要很大的存儲空間,增加了研究成本,很難投入實際應用。針對云南省主要外侵物種識別面臨的挑戰(zhàn),本研究首先采用一種應用于云南省主要外侵物種識別的邊緣計算模型,采用輕量級卷積神經(jīng)網(wǎng)絡MobileNet-v2 模型對云南省主要外侵物種進行識別,但經(jīng)訓練、驗證和測試發(fā)現(xiàn)模型識別結果不穩(wěn)定;針對MobileNet 直筒結構不利于有效特征學習的問題,對MobileNet-v2 網(wǎng)絡結構進行嵌入SE 模塊、更新激活函數(shù)和壓縮網(wǎng)絡層數(shù)3 方面的改進,最終識別準確率達96.8%,模型參數(shù)量僅為1 535 093,改進算法分類準確率高,網(wǎng)絡參數(shù)量少,適合部署于邊緣設備和移動端,能更好地應用于云南省防治外侵物種領域。邊緣計算模型在云南省主要外侵物種識別中很有前途,顯著降低了將數(shù)據(jù)發(fā)送到云進行處理的延遲和成本,可以推動深度學習在外侵物種防治領域的廣泛應用,提高公眾防范生物入侵的意識和對外侵物種相關法律法規(guī)、形態(tài)識別、防控技術等知識的普及。

    猜你喜歡
    倍率云南省物種
    大型桅桿起重機起升變倍率方法及其應用
    吃光入侵物種真的是解決之道嗎?
    英語世界(2023年10期)2023-11-17 09:18:18
    云南省安寧市老年大學之歌
    民國初期云南省議會述論
    回首2018,這些新物種值得關注
    FANUC0iD系統(tǒng)速度倍率PMC控制方法
    電咖再造新物種
    汽車觀察(2018年10期)2018-11-06 07:05:26
    云南省瑞麗市老年大學之歌
    一種智能加工系統(tǒng)中的機床倍率控制方法
    近31年來云南省潛在蒸散量的時空演變
    精品久久久精品久久久| 亚洲国产日韩一区二区| 亚洲国产欧美一区二区综合| 各种免费的搞黄视频| 高潮久久久久久久久久久不卡| 欧美激情久久久久久爽电影 | 亚洲av美国av| 人成视频在线观看免费观看| 成人国产av品久久久| 人妻人人澡人人爽人人| 亚洲专区中文字幕在线| 日韩,欧美,国产一区二区三区| av超薄肉色丝袜交足视频| 最新在线观看一区二区三区| 美国免费a级毛片| 老司机靠b影院| 精品一品国产午夜福利视频| 男女免费视频国产| 国产亚洲欧美精品永久| 久久 成人 亚洲| 又紧又爽又黄一区二区| 国产主播在线观看一区二区| 亚洲av欧美aⅴ国产| 久久久久久亚洲精品国产蜜桃av| 欧美性长视频在线观看| 亚洲第一av免费看| 大型av网站在线播放| 在线av久久热| 一本久久精品| 亚洲欧美色中文字幕在线| 视频区欧美日本亚洲| 亚洲天堂av无毛| 久久影院123| 午夜激情av网站| 欧美在线黄色| 美女大奶头黄色视频| 十分钟在线观看高清视频www| 少妇猛男粗大的猛烈进出视频| 国产精品国产三级国产专区5o| 国产精品香港三级国产av潘金莲| 亚洲国产精品一区二区三区在线| 久久久久久亚洲精品国产蜜桃av| 五月天丁香电影| av在线app专区| 女性生殖器流出的白浆| 最近中文字幕2019免费版| 国产精品偷伦视频观看了| 国产片内射在线| 老熟妇乱子伦视频在线观看 | 女警被强在线播放| 丁香六月欧美| 涩涩av久久男人的天堂| 亚洲av日韩在线播放| 操美女的视频在线观看| 夜夜骑夜夜射夜夜干| 男人舔女人的私密视频| 成人免费观看视频高清| e午夜精品久久久久久久| 久久国产亚洲av麻豆专区| 亚洲精品中文字幕在线视频| 成人亚洲精品一区在线观看| 两人在一起打扑克的视频| 91精品伊人久久大香线蕉| 精品少妇一区二区三区视频日本电影| 国产伦理片在线播放av一区| 汤姆久久久久久久影院中文字幕| 啦啦啦中文免费视频观看日本| 欧美亚洲日本最大视频资源| videosex国产| 成人国语在线视频| 我要看黄色一级片免费的| 精品人妻1区二区| 黑丝袜美女国产一区| 午夜老司机福利片| 日韩免费高清中文字幕av| 精品人妻1区二区| 大陆偷拍与自拍| 午夜老司机福利片| 在线观看舔阴道视频| 亚洲精品一区蜜桃| 欧美黑人欧美精品刺激| 操出白浆在线播放| 日日爽夜夜爽网站| 亚洲国产欧美日韩在线播放| 久久精品人人爽人人爽视色| bbb黄色大片| 黄色毛片三级朝国网站| 免费黄频网站在线观看国产| 一个人免费在线观看的高清视频 | 啦啦啦啦在线视频资源| 五月开心婷婷网| 国产欧美日韩综合在线一区二区| 99久久综合免费| 狠狠精品人妻久久久久久综合| 黄色视频不卡| 日本撒尿小便嘘嘘汇集6| 午夜日韩欧美国产| 啦啦啦免费观看视频1| 69av精品久久久久久 | av免费在线观看网站| 国产主播在线观看一区二区| 欧美成狂野欧美在线观看| 欧美久久黑人一区二区| 飞空精品影院首页| 亚洲精品美女久久av网站| 免费观看a级毛片全部| 人人澡人人妻人| 成年人午夜在线观看视频| 国产精品久久久av美女十八| 国产成人精品无人区| 免费av中文字幕在线| 久久人人爽人人片av| 欧美黄色片欧美黄色片| 亚洲伊人久久精品综合| 黄色视频在线播放观看不卡| 精品乱码久久久久久99久播| 亚洲国产av影院在线观看| 午夜福利视频精品| 国产淫语在线视频| 汤姆久久久久久久影院中文字幕| 丁香六月欧美| 精品人妻1区二区| 亚洲国产日韩一区二区| 午夜福利在线观看吧| 久久久久国内视频| 亚洲伊人久久精品综合| 制服人妻中文乱码| 真人做人爱边吃奶动态| 欧美日韩精品网址| 国产精品影院久久| 蜜桃在线观看..| 黄频高清免费视频| 亚洲人成电影免费在线| 大片电影免费在线观看免费| 丰满人妻熟妇乱又伦精品不卡| 美女国产高潮福利片在线看| 91精品三级在线观看| 亚洲人成电影免费在线| 岛国在线观看网站| a级片在线免费高清观看视频| 国产av又大| 男男h啪啪无遮挡| 新久久久久国产一级毛片| 久久99一区二区三区| 国产亚洲午夜精品一区二区久久| 成人av一区二区三区在线看 | 色婷婷久久久亚洲欧美| 免费在线观看完整版高清| 99精品久久久久人妻精品| 精品久久久精品久久久| 在线永久观看黄色视频| 精品一区二区三区四区五区乱码| 欧美日韩av久久| 美女高潮喷水抽搐中文字幕| 视频区图区小说| 天天躁日日躁夜夜躁夜夜| 日韩视频在线欧美| 一区在线观看完整版| 美女福利国产在线| 日本91视频免费播放| 一级片免费观看大全| 国产成人av激情在线播放| 在线亚洲精品国产二区图片欧美| 大陆偷拍与自拍| 高清av免费在线| 亚洲熟女毛片儿| 亚洲久久久国产精品| 亚洲国产av新网站| 手机成人av网站| 亚洲国产精品999| 三级毛片av免费| 欧美 亚洲 国产 日韩一| 欧美黑人精品巨大| 精品久久久久久电影网| 国产老妇伦熟女老妇高清| 久久天堂一区二区三区四区| 极品人妻少妇av视频| 在线十欧美十亚洲十日本专区| 91麻豆精品激情在线观看国产 | 精品福利观看| 91精品三级在线观看| 极品人妻少妇av视频| 国产精品久久久久久精品电影小说| 高清视频免费观看一区二区| 亚洲成国产人片在线观看| 久久国产精品影院| 亚洲av日韩精品久久久久久密| 大码成人一级视频| 三上悠亚av全集在线观看| 性色av乱码一区二区三区2| 亚洲精品国产色婷婷电影| 12—13女人毛片做爰片一| 国产亚洲精品久久久久5区| 成人三级做爰电影| 国产视频一区二区在线看| 岛国毛片在线播放| 亚洲欧洲日产国产| 好男人电影高清在线观看| 精品免费久久久久久久清纯 | av网站在线播放免费| 啦啦啦啦在线视频资源| 久久人妻熟女aⅴ| 9色porny在线观看| 男女无遮挡免费网站观看| 男人操女人黄网站| av免费在线观看网站| 欧美黄色片欧美黄色片| 久久久国产一区二区| 老汉色∧v一级毛片| 叶爱在线成人免费视频播放| 一级毛片精品| 国产免费av片在线观看野外av| 久久精品久久久久久噜噜老黄| 在线 av 中文字幕| 成人亚洲精品一区在线观看| 久久综合国产亚洲精品| 精品一区二区三卡| 精品一区二区三区四区五区乱码| 动漫黄色视频在线观看| av网站免费在线观看视频| 亚洲 欧美一区二区三区| 国产xxxxx性猛交| 国产色视频综合| 又黄又粗又硬又大视频| 亚洲国产日韩一区二区| 久久ye,这里只有精品| 国产在线一区二区三区精| 大陆偷拍与自拍| 国产97色在线日韩免费| 黑人操中国人逼视频| 老熟女久久久| 欧美精品一区二区大全| 男男h啪啪无遮挡| 考比视频在线观看| 少妇的丰满在线观看| 啦啦啦啦在线视频资源| 国产成人精品久久二区二区91| av国产精品久久久久影院| 青春草视频在线免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 又紧又爽又黄一区二区| 交换朋友夫妻互换小说| 无限看片的www在线观看| 亚洲精品一二三| 亚洲免费av在线视频| 亚洲三区欧美一区| 国产亚洲精品久久久久5区| 50天的宝宝边吃奶边哭怎么回事| 午夜福利视频在线观看免费| 久久精品亚洲av国产电影网| 日韩 亚洲 欧美在线| 久久国产精品大桥未久av| 久久国产精品人妻蜜桃| 久久久精品免费免费高清| 99久久国产精品久久久| 国产精品国产三级国产专区5o| 中文字幕另类日韩欧美亚洲嫩草| 国产成人a∨麻豆精品| 国产欧美日韩一区二区三 | 亚洲精品在线美女| 电影成人av| 亚洲成人手机| 亚洲男人天堂网一区| 国产男人的电影天堂91| 国产在线一区二区三区精| 免费高清在线观看视频在线观看| 老司机影院成人| 国产一区二区三区综合在线观看| 亚洲欧洲日产国产| 精品亚洲成a人片在线观看| 久久精品成人免费网站| 在线 av 中文字幕| 少妇裸体淫交视频免费看高清 | 亚洲久久久国产精品| 高清av免费在线| 韩国精品一区二区三区| 青草久久国产| 日韩 亚洲 欧美在线| 美女脱内裤让男人舔精品视频| 久久热在线av| 国产精品久久久av美女十八| 夜夜夜夜夜久久久久| 啦啦啦啦在线视频资源| 国产成人影院久久av| 超碰成人久久| 日韩欧美免费精品| 国产免费一区二区三区四区乱码| h视频一区二区三区| 国产精品成人在线| 亚洲情色 制服丝袜| 蜜桃国产av成人99| 十八禁网站免费在线| 一区二区三区精品91| 国产99久久九九免费精品| 亚洲专区中文字幕在线| 亚洲av电影在线进入| 久久精品久久久久久噜噜老黄| 午夜91福利影院| 少妇精品久久久久久久| 日本a在线网址| 国产精品欧美亚洲77777| 激情视频va一区二区三区| 国产在线视频一区二区| 亚洲国产av影院在线观看| 国产在视频线精品| 十八禁高潮呻吟视频| 亚洲欧美一区二区三区黑人| 午夜91福利影院| 日韩三级视频一区二区三区| 精品国产乱子伦一区二区三区 | 日日摸夜夜添夜夜添小说| a级片在线免费高清观看视频| 大片电影免费在线观看免费| 免费少妇av软件| 99久久国产精品久久久| 婷婷成人精品国产| 日本av免费视频播放| 丝袜脚勾引网站| 少妇裸体淫交视频免费看高清 | 成人免费观看视频高清| 一级毛片精品| 99re6热这里在线精品视频| 高清在线国产一区| 三上悠亚av全集在线观看| 男女下面插进去视频免费观看| 久久久久久亚洲精品国产蜜桃av| 久久久久国产一级毛片高清牌| 日韩一区二区三区影片| 老司机影院毛片| 免费久久久久久久精品成人欧美视频| 无限看片的www在线观看| 国产不卡av网站在线观看| 久久这里只有精品19| 日韩 亚洲 欧美在线| 精品久久久久久久毛片微露脸 | 欧美精品啪啪一区二区三区 | 日韩一卡2卡3卡4卡2021年| 老熟妇乱子伦视频在线观看 | 色婷婷av一区二区三区视频| 在线十欧美十亚洲十日本专区| 女人高潮潮喷娇喘18禁视频| 午夜福利在线观看吧| netflix在线观看网站| a级片在线免费高清观看视频| 亚洲av男天堂| 午夜两性在线视频| 免费观看人在逋| 亚洲色图综合在线观看| 国产淫语在线视频| 欧美人与性动交α欧美精品济南到| 欧美人与性动交α欧美软件| 国产免费av片在线观看野外av| 菩萨蛮人人尽说江南好唐韦庄| 亚洲熟女毛片儿| 国产成人精品在线电影| 丰满迷人的少妇在线观看| 日韩欧美国产一区二区入口| 1024视频免费在线观看| 精品久久久精品久久久| 欧美黄色片欧美黄色片| 久久久久国产一级毛片高清牌| 亚洲精品国产av蜜桃| a在线观看视频网站| 欧美国产精品va在线观看不卡| 91精品三级在线观看| 成人三级做爰电影| 国产欧美日韩一区二区三区在线| 久久精品国产亚洲av高清一级| 成人18禁高潮啪啪吃奶动态图| 丝瓜视频免费看黄片| 亚洲一码二码三码区别大吗| 法律面前人人平等表现在哪些方面 | 巨乳人妻的诱惑在线观看| 欧美亚洲 丝袜 人妻 在线| 免费在线观看日本一区| 国产一区有黄有色的免费视频| 成年人黄色毛片网站| 亚洲五月色婷婷综合| 亚洲国产欧美一区二区综合| 久热爱精品视频在线9| 最近最新免费中文字幕在线| 久热爱精品视频在线9| 日韩人妻精品一区2区三区| 欧美精品啪啪一区二区三区 | 丁香六月欧美| 日韩视频一区二区在线观看| 国产成+人综合+亚洲专区| 丝袜美腿诱惑在线| 美女国产高潮福利片在线看| 这个男人来自地球电影免费观看| 精品国产超薄肉色丝袜足j| 香蕉国产在线看| 超碰97精品在线观看| 制服诱惑二区| 亚洲av成人不卡在线观看播放网 | 热99久久久久精品小说推荐| 我的亚洲天堂| 亚洲中文av在线| 亚洲国产欧美网| 老司机影院毛片| 亚洲欧美清纯卡通| 亚洲一码二码三码区别大吗| 一二三四在线观看免费中文在| 最新的欧美精品一区二区| 精品国产超薄肉色丝袜足j| 制服诱惑二区| 久久精品国产a三级三级三级| e午夜精品久久久久久久| 国产一区有黄有色的免费视频| 亚洲综合色网址| 久久精品国产亚洲av香蕉五月 | av网站在线播放免费| 久热这里只有精品99| 丰满人妻熟妇乱又伦精品不卡| 久久中文看片网| 看免费av毛片| 亚洲av电影在线进入| 我要看黄色一级片免费的| cao死你这个sao货| 国产亚洲av高清不卡| 亚洲五月婷婷丁香| 91字幕亚洲| 亚洲免费av在线视频| 欧美97在线视频| 国产精品 欧美亚洲| 欧美黄色片欧美黄色片| 亚洲中文日韩欧美视频| 久久精品国产亚洲av高清一级| 欧美精品亚洲一区二区| 国产av又大| 伊人久久大香线蕉亚洲五| 国产成人免费观看mmmm| 亚洲国产看品久久| 丰满迷人的少妇在线观看| 啦啦啦 在线观看视频| 9191精品国产免费久久| 亚洲七黄色美女视频| 一级a爱视频在线免费观看| 两性夫妻黄色片| 国产高清视频在线播放一区 | 男人添女人高潮全过程视频| 一级毛片电影观看| 嫩草影视91久久| 免费一级毛片在线播放高清视频 | 老司机影院毛片| av福利片在线| 亚洲欧洲日产国产| 亚洲 国产 在线| 波多野结衣一区麻豆| 亚洲欧美一区二区三区久久| 午夜福利在线免费观看网站| 黄色a级毛片大全视频| 天天躁狠狠躁夜夜躁狠狠躁| 狂野欧美激情性xxxx| 超碰97精品在线观看| 麻豆国产av国片精品| 9热在线视频观看99| 国产精品 国内视频| 99九九在线精品视频| 亚洲人成77777在线视频| 天天添夜夜摸| 亚洲成人免费电影在线观看| a级片在线免费高清观看视频| 免费看十八禁软件| 最新在线观看一区二区三区| 两性午夜刺激爽爽歪歪视频在线观看 | 久久性视频一级片| 国产成人精品久久二区二区免费| 日韩欧美一区二区三区在线观看 | 妹子高潮喷水视频| 大香蕉久久成人网| 一级黄色大片毛片| 日韩有码中文字幕| 亚洲中文字幕日韩| 三级毛片av免费| 水蜜桃什么品种好| a级毛片在线看网站| 亚洲精品在线美女| 最新的欧美精品一区二区| 免费在线观看影片大全网站| tocl精华| 99国产极品粉嫩在线观看| 中国美女看黄片| 丝袜在线中文字幕| 亚洲精华国产精华精| 999久久久精品免费观看国产| cao死你这个sao货| 美女国产高潮福利片在线看| 欧美xxⅹ黑人| 亚洲va日本ⅴa欧美va伊人久久 | 欧美少妇被猛烈插入视频| 日本欧美视频一区| 91大片在线观看| 久久精品国产亚洲av香蕉五月 | 亚洲人成电影观看| 国产精品一区二区精品视频观看| 中文欧美无线码| 麻豆乱淫一区二区| 国产成人一区二区三区免费视频网站| 91字幕亚洲| 欧美一级毛片孕妇| 妹子高潮喷水视频| 一本—道久久a久久精品蜜桃钙片| 亚洲国产毛片av蜜桃av| 国产成人欧美在线观看 | 亚洲国产欧美网| 国产欧美日韩精品亚洲av| 在线观看舔阴道视频| 视频区欧美日本亚洲| 老司机亚洲免费影院| 中文字幕人妻丝袜制服| 黄网站色视频无遮挡免费观看| 色精品久久人妻99蜜桃| 夜夜骑夜夜射夜夜干| 欧美激情高清一区二区三区| 天天躁日日躁夜夜躁夜夜| 中亚洲国语对白在线视频| 人人妻人人添人人爽欧美一区卜| 国产精品av久久久久免费| 亚洲国产欧美网| 麻豆av在线久日| 欧美精品亚洲一区二区| 99香蕉大伊视频| 丝袜在线中文字幕| 成人三级做爰电影| 啦啦啦免费观看视频1| 久久久久久久久免费视频了| 精品乱码久久久久久99久播| 欧美乱码精品一区二区三区| 亚洲性夜色夜夜综合| 欧美成人午夜精品| 十八禁人妻一区二区| 国产深夜福利视频在线观看| 一区二区av电影网| 日韩欧美一区视频在线观看| 大片电影免费在线观看免费| 天天躁狠狠躁夜夜躁狠狠躁| 日韩有码中文字幕| 人妻 亚洲 视频| √禁漫天堂资源中文www| 19禁男女啪啪无遮挡网站| av国产精品久久久久影院| 黄频高清免费视频| 欧美性长视频在线观看| 久久九九热精品免费| 另类精品久久| 18禁裸乳无遮挡动漫免费视频| 久久久国产欧美日韩av| 91大片在线观看| 欧美激情 高清一区二区三区| netflix在线观看网站| 午夜福利免费观看在线| 一级a爱视频在线免费观看| 中亚洲国语对白在线视频| 久久精品国产a三级三级三级| 日本一区二区免费在线视频| 精品一品国产午夜福利视频| 国产男女内射视频| 亚洲精品国产精品久久久不卡| 一级毛片女人18水好多| 高清黄色对白视频在线免费看| 99国产精品一区二区三区| 午夜精品久久久久久毛片777| 999精品在线视频| 久久精品亚洲av国产电影网| 日本91视频免费播放| 中文字幕色久视频| 亚洲精品美女久久久久99蜜臀| 天堂8中文在线网| 国内毛片毛片毛片毛片毛片| 国产免费一区二区三区四区乱码| 最新的欧美精品一区二区| 秋霞在线观看毛片| 操美女的视频在线观看| tube8黄色片| 国产成人av激情在线播放| 高清视频免费观看一区二区| 老司机午夜福利在线观看视频 | 日韩电影二区| 2018国产大陆天天弄谢| 国产亚洲欧美在线一区二区| 亚洲av成人一区二区三| 亚洲精品久久久久久婷婷小说| 久热爱精品视频在线9| 老司机午夜十八禁免费视频| 精品亚洲成国产av| 黄色怎么调成土黄色| 捣出白浆h1v1| 9热在线视频观看99| 亚洲精品自拍成人| 波多野结衣av一区二区av| 欧美一级毛片孕妇| 久久久国产精品麻豆| 免费一级毛片在线播放高清视频 | 日韩制服骚丝袜av| 国产精品国产av在线观看| 色综合欧美亚洲国产小说| 人人妻人人澡人人爽人人夜夜| 手机成人av网站| 欧美日韩成人在线一区二区| 免费黄频网站在线观看国产| 日韩中文字幕视频在线看片| 日本91视频免费播放| 中文字幕最新亚洲高清| 国产免费福利视频在线观看| 欧美国产精品va在线观看不卡| 精品熟女少妇八av免费久了| 女人被躁到高潮嗷嗷叫费观| 国产成人啪精品午夜网站| 日韩精品免费视频一区二区三区| 丰满少妇做爰视频| 大陆偷拍与自拍| 飞空精品影院首页| 女人精品久久久久毛片| 一二三四社区在线视频社区8|