• <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
    亚洲国产精品国产精品| 国产久久久一区二区三区| 国产精品久久视频播放| 免费人成视频x8x8入口观看| 嫩草影视91久久| 三级国产精品欧美在线观看| 99热这里只有精品一区| 中国国产av一级| 国产一区二区在线av高清观看| 五月伊人婷婷丁香| 成人毛片a级毛片在线播放| 国产高清三级在线| 99在线视频只有这里精品首页| 中国美女看黄片| 性插视频无遮挡在线免费观看| 综合色丁香网| 黄色视频,在线免费观看| 国产一区二区在线av高清观看| 国产黄a三级三级三级人| 国产高清有码在线观看视频| 久久午夜亚洲精品久久| 淫秽高清视频在线观看| 亚洲性久久影院| 人妻制服诱惑在线中文字幕| 免费看光身美女| 身体一侧抽搐| 午夜福利18| 香蕉av资源在线| 少妇的逼好多水| 黄色视频,在线免费观看| a级毛片免费高清观看在线播放| 一个人免费在线观看电影| 久久天躁狠狠躁夜夜2o2o| 少妇裸体淫交视频免费看高清| 99国产精品一区二区蜜桃av| 99热网站在线观看| 国产私拍福利视频在线观看| 男女边吃奶边做爰视频| 深爱激情五月婷婷| 美女内射精品一级片tv| 午夜免费激情av| 亚洲av免费在线观看| 免费av毛片视频| 婷婷六月久久综合丁香| 黄片wwwwww| 亚洲国产精品国产精品| 熟女人妻精品中文字幕| 欧美色视频一区免费| 在线观看午夜福利视频| 国产精华一区二区三区| 久久久色成人| 国产亚洲精品久久久com| 亚洲精品国产成人久久av| 亚洲真实伦在线观看| 国产麻豆成人av免费视频| 18禁在线无遮挡免费观看视频 | 久久久久性生活片| 成熟少妇高潮喷水视频| 99热6这里只有精品| 麻豆乱淫一区二区| 久久精品国产亚洲网站| 一边摸一边抽搐一进一小说| 男女之事视频高清在线观看| 香蕉av资源在线| 欧美又色又爽又黄视频| 永久网站在线| 国产精品1区2区在线观看.| 日本熟妇午夜| 久久久久国产精品人妻aⅴ院| 天堂网av新在线| av中文乱码字幕在线| 亚洲,欧美,日韩| 老司机福利观看| 亚洲精品影视一区二区三区av| 丝袜美腿在线中文| 最近中文字幕高清免费大全6| 国产精品精品国产色婷婷| 狂野欧美激情性xxxx在线观看| 久久久精品94久久精品| 欧美性猛交╳xxx乱大交人| 天美传媒精品一区二区| 搡老妇女老女人老熟妇| 性插视频无遮挡在线免费观看| 亚洲最大成人手机在线| 日韩 亚洲 欧美在线| 人妻丰满熟妇av一区二区三区| 麻豆久久精品国产亚洲av| 亚洲欧美日韩高清在线视频| 日本-黄色视频高清免费观看| 精品乱码久久久久久99久播| 国产黄色视频一区二区在线观看 | 免费在线观看成人毛片| 久久久久免费精品人妻一区二区| 午夜a级毛片| 少妇猛男粗大的猛烈进出视频 | 人人妻人人澡人人爽人人夜夜 | 女的被弄到高潮叫床怎么办| 亚洲色图av天堂| 亚洲欧美成人综合另类久久久 | 中国国产av一级| 久久精品夜色国产| 欧美人与善性xxx| 亚洲精品成人久久久久久| а√天堂www在线а√下载| 欧美极品一区二区三区四区| 国产精品久久久久久久电影| 九色成人免费人妻av| 乱系列少妇在线播放| 一级毛片aaaaaa免费看小| 日韩av不卡免费在线播放| 乱人视频在线观看| 欧美另类亚洲清纯唯美| 国产极品精品免费视频能看的| 变态另类丝袜制服| 国产精品伦人一区二区| h日本视频在线播放| 久久这里只有精品中国| 麻豆成人午夜福利视频| 内射极品少妇av片p| 少妇被粗大猛烈的视频| 日韩高清综合在线| 国产人妻一区二区三区在| 日本五十路高清| 欧美bdsm另类| 97人妻精品一区二区三区麻豆| 亚洲国产欧美人成| 禁无遮挡网站| 精品无人区乱码1区二区| 欧美3d第一页| 九九爱精品视频在线观看| 国产精品久久久久久久久免| 久久久a久久爽久久v久久| 久久久久久久久久成人| 三级国产精品欧美在线观看| 亚洲成人中文字幕在线播放| 国产精品人妻久久久影院| 少妇裸体淫交视频免费看高清| 国产欧美日韩一区二区精品| 校园春色视频在线观看| 精品国内亚洲2022精品成人| 天天一区二区日本电影三级| 99久久久亚洲精品蜜臀av| avwww免费| 亚洲精品影视一区二区三区av| 老师上课跳d突然被开到最大视频| 网址你懂的国产日韩在线| 男女啪啪激烈高潮av片| 欧美性感艳星| 国产av一区在线观看免费| 国产成人精品久久久久久| 亚洲熟妇熟女久久| 成熟少妇高潮喷水视频| 亚洲成人久久性| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品影视一区二区三区av| 国产精品久久久久久久久免| 亚洲,欧美,日韩| av天堂在线播放| 日韩三级伦理在线观看| 国模一区二区三区四区视频| 亚洲精品影视一区二区三区av| 久久99热6这里只有精品| 又黄又爽又刺激的免费视频.| 大香蕉久久网| 国产三级中文精品| 色哟哟·www| 亚洲va在线va天堂va国产| 日本一二三区视频观看| 成年免费大片在线观看| 国内精品久久久久精免费| 欧美最新免费一区二区三区| 自拍偷自拍亚洲精品老妇| 有码 亚洲区| 男人的好看免费观看在线视频| 免费黄网站久久成人精品| 欧美激情国产日韩精品一区| 人妻夜夜爽99麻豆av| 高清日韩中文字幕在线| 女人十人毛片免费观看3o分钟| 中文亚洲av片在线观看爽| 免费不卡的大黄色大毛片视频在线观看 | 国产成人a区在线观看| 中文字幕av成人在线电影| 我要搜黄色片| 亚洲在线自拍视频| 久久国产乱子免费精品| 99在线视频只有这里精品首页| 色5月婷婷丁香| 久久精品国产清高在天天线| 老司机午夜福利在线观看视频| 精品不卡国产一区二区三区| 少妇裸体淫交视频免费看高清| 国产又黄又爽又无遮挡在线| 自拍偷自拍亚洲精品老妇| 97热精品久久久久久| 啦啦啦韩国在线观看视频| 亚洲乱码一区二区免费版| 国产成人a∨麻豆精品| 男女那种视频在线观看| 日韩精品中文字幕看吧| 乱码一卡2卡4卡精品| 久久精品国产99精品国产亚洲性色| 欧美色欧美亚洲另类二区| av黄色大香蕉| 中国美白少妇内射xxxbb| 国内精品美女久久久久久| 久久久久久久久大av| 欧美激情在线99| 国产中年淑女户外野战色| 亚洲丝袜综合中文字幕| 国产精品亚洲一级av第二区| 国产精品无大码| 亚洲无线在线观看| 午夜爱爱视频在线播放| 可以在线观看毛片的网站| av在线观看视频网站免费| 中国美女看黄片| 日韩在线高清观看一区二区三区| 高清日韩中文字幕在线| 晚上一个人看的免费电影| 寂寞人妻少妇视频99o| 天美传媒精品一区二区| 赤兔流量卡办理| 菩萨蛮人人尽说江南好唐韦庄 | 在线观看一区二区三区| 少妇人妻精品综合一区二区 | 身体一侧抽搐| 18禁在线无遮挡免费观看视频 | 丝袜美腿在线中文| 尾随美女入室| 国产一区二区在线av高清观看| 成熟少妇高潮喷水视频| 国产乱人视频| 好男人在线观看高清免费视频| 亚洲最大成人中文| 九色成人免费人妻av| 蜜桃久久精品国产亚洲av| 成人毛片a级毛片在线播放| 亚洲aⅴ乱码一区二区在线播放| av在线老鸭窝| 五月伊人婷婷丁香| 欧美丝袜亚洲另类| 三级国产精品欧美在线观看| 国产成人影院久久av| 国产午夜精品论理片| 在线免费观看的www视频| 一级av片app| 免费在线观看影片大全网站| 国产精华一区二区三区| 国产精品99久久久久久久久| 看非洲黑人一级黄片| 观看美女的网站| 欧美中文日本在线观看视频| 18+在线观看网站| 国产视频一区二区在线看| 在线观看一区二区三区| 日韩欧美精品免费久久| 国内精品久久久久精免费| 在线观看av片永久免费下载| 久久久久久伊人网av| 国产成人影院久久av| 中文字幕av在线有码专区| 色综合亚洲欧美另类图片| 国产精品一二三区在线看| 国产一级毛片七仙女欲春2| 一夜夜www| 日日摸夜夜添夜夜添小说| 久久亚洲精品不卡| 一级av片app| 中文字幕av成人在线电影| 国产成人影院久久av| 91狼人影院| 色在线成人网| 天美传媒精品一区二区| 麻豆av噜噜一区二区三区| 欧美日韩国产亚洲二区| 国产精品久久久久久亚洲av鲁大| 日本精品一区二区三区蜜桃| 嫩草影院入口| 成年av动漫网址| 欧美最新免费一区二区三区| 亚洲自偷自拍三级| 麻豆成人午夜福利视频| a级一级毛片免费在线观看| 国产精品综合久久久久久久免费| 久久久精品欧美日韩精品| 麻豆精品久久久久久蜜桃| 亚洲国产精品合色在线| 精品一区二区免费观看| 久久午夜亚洲精品久久| 国产伦精品一区二区三区四那| 亚洲精品一区av在线观看| 一本久久中文字幕| 插逼视频在线观看| 亚洲精品久久国产高清桃花| .国产精品久久| 最近中文字幕高清免费大全6| 少妇的逼水好多| 欧美精品国产亚洲| 国产又黄又爽又无遮挡在线| av免费在线看不卡| 色尼玛亚洲综合影院| 一级a爱片免费观看的视频| 精品无人区乱码1区二区| 国内精品美女久久久久久| 午夜老司机福利剧场| 日韩精品中文字幕看吧| 搡老妇女老女人老熟妇| av在线亚洲专区| 日日撸夜夜添| 简卡轻食公司| 国产精品人妻久久久影院| 久久国内精品自在自线图片| 国产aⅴ精品一区二区三区波| 成人毛片a级毛片在线播放| 欧美日韩乱码在线| 啦啦啦啦在线视频资源| 色综合色国产| av黄色大香蕉| 欧美激情久久久久久爽电影| 日韩欧美一区二区三区在线观看| 99久久精品国产国产毛片| 麻豆一二三区av精品| 精华霜和精华液先用哪个| 欧美xxxx黑人xx丫x性爽| 亚洲在线自拍视频| 国内少妇人妻偷人精品xxx网站| 久久久久久国产a免费观看| 一级黄片播放器| 国产白丝娇喘喷水9色精品| 亚洲自偷自拍三级| 如何舔出高潮| 精品人妻视频免费看| 久久99热6这里只有精品| 男女啪啪激烈高潮av片| 99热全是精品| 亚洲精品在线观看二区| 国产日本99.免费观看| 国产乱人视频| 国产成人aa在线观看| 精品一区二区三区视频在线观看免费| 俺也久久电影网| 欧美日韩综合久久久久久| 99久久无色码亚洲精品果冻| 啦啦啦韩国在线观看视频| 成人毛片a级毛片在线播放| 尾随美女入室| 男人舔奶头视频| 亚洲av第一区精品v没综合| 日日摸夜夜添夜夜添小说| 久久精品夜夜夜夜夜久久蜜豆| 午夜福利视频1000在线观看| 人妻丰满熟妇av一区二区三区| 欧美一区二区精品小视频在线| 欧美性猛交╳xxx乱大交人| 国内久久婷婷六月综合欲色啪| 国产免费一级a男人的天堂| 免费大片18禁| 在线播放国产精品三级| 久久热精品热| 午夜亚洲福利在线播放| 高清毛片免费看| 高清午夜精品一区二区三区 | 久久人人爽人人爽人人片va| 精品午夜福利视频在线观看一区| 欧美日韩综合久久久久久| 国产一区二区三区在线臀色熟女| 高清毛片免费看| 一进一出抽搐gif免费好疼| 精品久久久久久久末码| 亚洲人成网站在线播放欧美日韩| 高清毛片免费观看视频网站| 身体一侧抽搐| 精品一区二区三区视频在线| 欧美人与善性xxx| 男女做爰动态图高潮gif福利片| 给我免费播放毛片高清在线观看| 国产高清三级在线| 国产黄片美女视频| 十八禁网站免费在线| 麻豆精品久久久久久蜜桃| 在线天堂最新版资源| 国产精品爽爽va在线观看网站| 成年av动漫网址| 久久热精品热| а√天堂www在线а√下载| 免费观看精品视频网站| 3wmmmm亚洲av在线观看| 成人性生交大片免费视频hd| 91狼人影院| 99久久中文字幕三级久久日本| 国产日本99.免费观看| 你懂的网址亚洲精品在线观看 | 不卡一级毛片| 欧美在线一区亚洲| 大香蕉久久网| 在线观看午夜福利视频| 人妻夜夜爽99麻豆av| 乱系列少妇在线播放| 又粗又爽又猛毛片免费看| 国产日本99.免费观看| 午夜影院日韩av| 国产v大片淫在线免费观看| 五月伊人婷婷丁香| 级片在线观看| АⅤ资源中文在线天堂| 国产精品人妻久久久久久| av在线天堂中文字幕| 久久久久久久久久成人| 一个人观看的视频www高清免费观看| 亚洲经典国产精华液单| 18禁裸乳无遮挡免费网站照片| 午夜福利在线观看免费完整高清在 | 国产精华一区二区三区| 成人av一区二区三区在线看| 亚洲成a人片在线一区二区| 欧美日本亚洲视频在线播放| 亚洲人成网站在线播| 国产精品久久久久久精品电影| 国产高清三级在线| 久久精品综合一区二区三区| 久久精品国产亚洲av涩爱 | 九九爱精品视频在线观看| 亚洲欧美成人综合另类久久久 | 午夜精品国产一区二区电影 | 久久精品综合一区二区三区| 国产伦在线观看视频一区| 久久6这里有精品| av天堂中文字幕网| 久久久久九九精品影院| 午夜福利高清视频| 日本黄色片子视频| 亚洲欧美成人综合另类久久久 | 内地一区二区视频在线| 在线免费观看的www视频| av在线亚洲专区| 久久精品综合一区二区三区| 欧美日韩国产亚洲二区| 少妇猛男粗大的猛烈进出视频 | 国产亚洲91精品色在线| 免费一级毛片在线播放高清视频| 午夜亚洲福利在线播放| 在线观看66精品国产| 国产精品嫩草影院av在线观看| 两个人的视频大全免费| 欧美丝袜亚洲另类| 国产真实伦视频高清在线观看| 中出人妻视频一区二区| 免费av毛片视频| 成人综合一区亚洲| 18禁在线播放成人免费| 婷婷亚洲欧美| 国产亚洲av嫩草精品影院| 久久热精品热| 欧美成人免费av一区二区三区| 久久精品国产亚洲av香蕉五月| 亚洲av成人精品一区久久| 国产精品三级大全| 国产精品嫩草影院av在线观看| 99视频精品全部免费 在线| 老司机影院成人| 男人舔奶头视频| 欧美成人精品欧美一级黄| 精品国产三级普通话版| 精品国内亚洲2022精品成人| 免费大片18禁| 欧美日韩综合久久久久久| 精品一区二区三区视频在线| 无遮挡黄片免费观看| 久久精品国产亚洲av天美| 久久久久久久久久黄片| 波多野结衣巨乳人妻| 国产高清有码在线观看视频| 日本黄色视频三级网站网址| 韩国av在线不卡| 色噜噜av男人的天堂激情| 亚洲人成网站高清观看| 乱人视频在线观看| 三级男女做爰猛烈吃奶摸视频| 在现免费观看毛片| 国产精品福利在线免费观看| 别揉我奶头 嗯啊视频| 欧美精品国产亚洲| 欧美绝顶高潮抽搐喷水| 久久久久九九精品影院| 日本五十路高清| 欧美高清性xxxxhd video| 欧美精品国产亚洲| 欧美+日韩+精品| 欧美成人一区二区免费高清观看| 日本免费一区二区三区高清不卡| 亚洲av不卡在线观看| 精品乱码久久久久久99久播| 日韩在线高清观看一区二区三区| 嫩草影院入口| 精品人妻偷拍中文字幕| 91精品国产九色| 亚州av有码| 国产精品不卡视频一区二区| 国模一区二区三区四区视频| 亚洲精品亚洲一区二区| 亚洲精品乱码久久久v下载方式| 亚洲18禁久久av| 尾随美女入室| 国产成人影院久久av| 97碰自拍视频| 成年av动漫网址| 国产国拍精品亚洲av在线观看| av在线亚洲专区| 久久天躁狠狠躁夜夜2o2o| 在线观看av片永久免费下载| 校园春色视频在线观看| 国产精品三级大全| 国产毛片a区久久久久| 精品一区二区三区视频在线| 18禁黄网站禁片免费观看直播| 国产大屁股一区二区在线视频| 亚洲精品国产成人久久av| 国语自产精品视频在线第100页| 一本一本综合久久| 国产午夜精品久久久久久一区二区三区 | 久久鲁丝午夜福利片| 一本久久中文字幕| 亚洲真实伦在线观看| 天堂影院成人在线观看| av在线天堂中文字幕| 国产老妇女一区| 麻豆乱淫一区二区| 99热网站在线观看| 日韩成人伦理影院| 午夜免费激情av| 村上凉子中文字幕在线| 国产色爽女视频免费观看| 成人漫画全彩无遮挡| 女同久久另类99精品国产91| 久久人人爽人人片av| 国产伦精品一区二区三区视频9| 成人一区二区视频在线观看| 狠狠狠狠99中文字幕| 不卡一级毛片| 极品教师在线视频| 麻豆国产97在线/欧美| 成年版毛片免费区| 欧美xxxx性猛交bbbb| 久久99热这里只有精品18| 午夜视频国产福利| 18禁在线无遮挡免费观看视频 | 内地一区二区视频在线| 九九热线精品视视频播放| 亚洲专区国产一区二区| 国产精品一二三区在线看| 高清日韩中文字幕在线| 伦精品一区二区三区| 俺也久久电影网| 国产精品无大码| 精品一区二区三区av网在线观看| 一个人免费在线观看电影| 人妻夜夜爽99麻豆av| 晚上一个人看的免费电影| 精品久久久久久久久av| 大香蕉久久网| 中文字幕精品亚洲无线码一区| 日韩欧美一区二区三区在线观看| 搡老熟女国产l中国老女人| 久久久久九九精品影院| 搡老岳熟女国产| 美女被艹到高潮喷水动态| 毛片一级片免费看久久久久| 99国产极品粉嫩在线观看| 国产大屁股一区二区在线视频| 在线观看美女被高潮喷水网站| 精品一区二区三区人妻视频| 一卡2卡三卡四卡精品乱码亚洲| 国产一区二区在线av高清观看| 一个人看的www免费观看视频| 久久精品夜色国产| 91麻豆精品激情在线观看国产| 特级一级黄色大片| 麻豆成人午夜福利视频| 久久婷婷人人爽人人干人人爱| 搡老熟女国产l中国老女人| 久久国内精品自在自线图片| 久久精品国产自在天天线| 日韩一区二区视频免费看| 成人无遮挡网站| 久久欧美精品欧美久久欧美| 久久久久久久亚洲中文字幕| 女人十人毛片免费观看3o分钟| 国产乱人视频| 久久人妻av系列| 欧美激情在线99| 国产三级中文精品| 亚洲人成网站高清观看| 欧美在线一区亚洲| 日本五十路高清| 中文字幕久久专区| 99久久无色码亚洲精品果冻| av中文乱码字幕在线| 久久久精品大字幕| 嫩草影院入口| 少妇人妻一区二区三区视频| 啦啦啦观看免费观看视频高清| 精品久久久久久久末码| 亚洲美女黄片视频| 国产伦精品一区二区三区四那| 高清毛片免费观看视频网站| 亚洲精品日韩av片在线观看| 国产在线男女| 美女cb高潮喷水在线观看| 18禁黄网站禁片免费观看直播| 人人妻人人看人人澡| 久久九九热精品免费| 国产精品av视频在线免费观看| 午夜视频国产福利| 99久久精品国产国产毛片|