• <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U-Net網絡的混凝土橋梁裂縫自檢測方法

    2023-11-28 11:14:54周志達吳怡寧文旭光蒲黔輝
    四川水泥 2023年11期

    周 童 周志達 吳怡寧,3 文旭光 蒲黔輝*

    (1.西南交通大學 土木工程學院,四川 成都 610031;2.廣西中國-東盟綜合交通國際聯合重點實驗室南寧學院,廣西 南寧 530000;3.浙江大學建筑設計研究院有限公司,浙江 杭州 310028)

    0 引言

    在各種橋梁病害中,裂縫是橋梁多病害的早期表現形式之一,危害程度極大。采用傳統人工裂縫檢測存在橋下空間小、耗時長、主觀性強、效率低等缺點,難以滿足量大面廣的橋梁養(yǎng)護和維修需求。而無損檢測路面裂縫的方法,例如激光全息技術[1],具有靈敏度高且響應速度快的特點,但該技術適用于平整路面,對于橋梁這類較為復雜的結構可用性不佳,且系統結構復雜,成本高,在現階段難以推廣應用。因此,傳統的橋梁裂縫檢測方法已不能滿足需求越來越大的橋梁維保檢測任務。

    近些年來,機器學習技術發(fā)展迅速,其中深度學習技術在大數據[2]的加持下更是在醫(yī)療[3]、網絡安全[4]等領域取得了顯著進展,為橋梁裂縫檢測研究提供了新方法。在2016 年,Zhang 等人[5]首次將卷積神經網絡應用于道路裂縫檢測,相比于傳統的人工特征提取方法,CNN提取特征的效率更高,并且排除了主觀性等不利因素,使得檢測的準確性和可靠性顯著提升,從而帶來顯著的經濟收益。隨后,研究人員[6-7]構建了多個基于CNN的病害識別和特征提取模型,實現了對路面病害的高效、精準識別和測量。此外,全卷積神經網絡(FCN)的使用實現了對圖像中裂縫等多種病害的像素級分割[8]。目前基于深度學習的裂縫檢測方法可以大致分為圖像分類、圖像檢測和圖像分割三類[9]。

    本文基于圖像語義分割對橋梁的裂縫進行識別。圖像語義分割技術可分為兩大類:基于區(qū)域的圖像語義分割技術和基于像素的圖像語義分割技術,后者的分割精度和分割速度更好。本研究使用基于編碼器-解碼器框架的U-net模型,并對其做出改進,以解決當前針對較細微裂縫圖像檢測結果精度不高的問題,實現了自動、準確的裂縫圖像像素級分割。

    1 模型描述

    1.1 原始U-Net網絡

    U-net 模型結構如圖1 所示,包含編碼器、解碼器、跳躍連接等主要組成部分。編碼器部分由連續(xù)的卷積和池化層組成,用于逐步降低特征圖的空間分辨率,同時增加特征圖的通道數,可以捕獲圖像的全局特征,提取語義信息。解碼器部分由連續(xù)的卷積和上采樣層組成,用于逐步恢復特征圖的空間分辨率,同時減少特征圖的通道數,通過跳躍連接將編碼器中的低級特征與高級特征融合,從而保留圖像細節(jié)和局部信息。

    圖1 原始U-net模型示意圖

    在編碼部分,主要對輸入圖像進行卷積和池化操作,得到五個大小不同的特征圖,且每次卷積、池化操作后獲得的特征圖尺寸減少為原來的一半;在解碼部分,首先對第五次卷積之后所得到的特征圖進行上采樣,將其結果與第四次池化所得到的特征圖進行特征融合和卷積操作,之后依次對其余特征圖進行同樣的操作,直到得到最終的分割結果。

    該網絡的輸入圖像將原始圖像邊緣像素進行對稱復制,增大了圖片尺寸。對于本文選取的Crack 500數據集,其像素大小為640×360,若將其作為網絡的輸出反推各階段特征圖大小,會在第二次下采樣中出現奇數。為避免這個問題,將輸出圖像周圍進行填充使其變?yōu)?44×372的大小,同時將原始圖像的邊緣像素進行復制擴充使輸入特征圖變?yōu)?28×556的大小。

    1.2 改進U-Net網絡

    1.2.1 全零填充

    在圖像處理中,卷積是一種對圖像進行特征提取的操作,通過在輸入圖像上滑動卷積核來提取不同位置的特征。為了保持輸出特征圖的大小與輸入圖像相同,可以在輸入圖像的周圍加上合適數量的零像素,從而進行卷積操作而不改變特征圖的尺寸。全零填充操作有助于對各階段特征圖信息進行充分利用并傳遞。

    1.2.2 空洞卷積

    與傳統的卷積操作不同,空洞卷積在卷積核內部引入了固定間隔(膨脹率)的空洞,使得卷積核在輸入數據上的感受野增大,從而能夠捕捉更大范圍的特征。相比于增大卷積核的尺寸來捕獲更大感受野,空洞卷積能夠在保持卷積核尺寸不變的情況下增加感受野,從而減少了模型所需學習的參數量[10]。

    如圖2 所示,在卷積核大小不變的情況下,感受野會隨著間隔的增加而提高。本文將膨脹率設置為2。

    圖2 空洞卷積示意圖

    改進U-net模型結構如圖3 所示,該網絡最后一個池化層的輸入行數是45,在進行2×2最大池化時會導致最后一行像素點被拋棄,因此在后續(xù)的反卷積過程中將其添加到對應位置。輸出端采用一個卷積核大小為1×1的卷積組,將圖像變?yōu)?×640×360的大小,并且采用Sigmoid激活函數將每個像素是否為裂縫的概率映射到0-1之間,若該點的值大于0.5,則認定其為裂縫,反之為背景。同時,本文對網絡層進行了增添,在各池化層之后增加一次上采樣作為特征圖,將每個階段的特征圖進行通道融合,提升了網絡的全局表達能力。

    圖3 改進U-net模型示意圖

    由于網絡輸入特征圖沒有經過擴充操作,因此在經過卷積操作時大大減少了訓練參數,有效提高了網絡計算效率。

    2 試驗方法

    2.1 圖像數據集與預處理

    本文以Crack 500公共數據集作為實驗數據進行實驗,其中包含3368張路面裂縫圖片,隨機選取3000張作為訓練集,剩余的作為測試集進行驗證。對于圖像標簽,在GitHub上找到了其他學者標記的標簽文件并用于本文模型的訓練,并利用訓練好的模型參數對橋梁混凝土裂縫進行再訓練,最終得到分割檢測的結果。對于Crack 500數據集,其圖像大小為640×360,而用于遷移訓練的橋梁混凝土裂縫圖像大小為1024×1024,為使得模型輸入尺寸一致,將橋梁裂縫進行剪裁使其變?yōu)?40×640的大小。

    由于裂縫圖像主要以灰度值的變化為主,因此只需要通過單通道圖像,對灰度信息進行圖像處理,判斷該像素點是否為裂縫像素。并且相較于彩色圖像,灰度圖像占的內存更小,處理速度更快,同時將原裂縫圖像轉換為灰度圖像后,在神經網絡中訓練所需的時間復雜度也更小。

    常用的獲取圖像灰度圖像算法包括:均值法;最大值法;加權平均法。本文采用的灰度處理方法是計算各個像素點三通道像素值的平均值,使其作為該點的灰度值,如公式(1)所示。

    式中:Gray(x,y)——灰度值;

    R(x,y)——紅色像素值;

    G(x,y)——綠色像素值;

    B(x,y)——藍色像素值。

    2.2 試驗環(huán)境配置

    本文實驗運行環(huán)境是基于Keras 框架進行的,Keras的主要優(yōu)點是模塊化程度高,支持當前提出以卷積神經網絡為框架的模型,使用Keras框架編輯的代碼可以使程序可讀性強、通俗易懂、更加簡練、靈活性更強。Keras框架與其他Python基礎框架相比是相對較為高級別的基礎框架,它以構造塊形式去封裝常用的深度學習訓練模塊及計算操作,使用者不需考慮其內部模塊結構的復雜性。其中,本研究的代碼是基于GitHub 已有程序“Road Crack Segmentation Keras”結合其他部分網絡代碼改進而來。該代碼的適配環(huán)境為Python 3.7,Tensorflow-gpu 2.2.0,Keras 2.3.1等一系列適配版本的相關插件。

    2.3 參數選取

    2.3.1 學習率(Learning Rate)

    學習率是深度學習中幾個最為重要的參數之一,它決定著模型能否快速收斂以及精確度等問題[16]。在一個神經網絡模型中,學習率過大或過小都會對網絡產生較大影響。在訓練網絡模型的時候,在開始訓練的前期,網絡需要一個較大的學習率以此快速地收斂到最優(yōu)點附近,但隨著訓練的深入,學習率則需要不斷變小,以此來靠近最優(yōu)點,此時過大的學習率會讓模型在最優(yōu)點附近來回震蕩且幅度較大。因此隨著模型訓練次數的增加,學習率應該先大后小,才可以保證網絡模型在訓練結束時達到或最大限度地靠近最優(yōu)點。本次試驗中采用余弦退火的方法自動調整學習率,如式(2)所示。

    式中:lr——灰度值;

    base_lr——初始學習率,本文設置為10-3;

    epoch——當前的訓練輪次;

    T_max——學習率退火的最大epoch 數,設置為300。

    2.3.2 迭代周期(epoch)

    迭代周期決定了訓練過程中數據集在神經網絡上迭代的次數,直接影響到模型的訓練效果和性能。在訓練過少的epoch后,模型可能沒有充分學習數據集,導致欠擬合;而訓練過多的epoch,模型可能會過度擬合訓練數據,而泛化能力較差。本文選取迭代次數為300輪。

    2.3.3 批大小(Batch-Size)

    在訓練神經網絡時,通常將數據集分成若干個小批次,每個小批次包含一定數量的樣本。Batch-Size 決定了每個小批次中包含的樣本數量。較大的Batch-Size通??梢约涌煊柧毸俣?,因為每個小批次中的樣本數增加,從而減少了參數更新的次數,這樣可以利用矩陣運算和并行計算的優(yōu)勢,提高訓練的效率;并且可以使訓練過程更加穩(wěn)定,有助于避免訓練過程中的震蕩或發(fā)散問題。

    然而,較大的Batch-Size需要更多的內存來存儲參數和梯度,特別是在GPU 上進行訓練時。如果內存不足,可能需要減小Batch-Size 或使用更大的顯存設備。根據電腦的顯存,本文將批大小設置為6。

    3 評價指標

    3.1 精確率(Precision)&召回率(Recall)

    精確率從預測結果角度出發(fā),描述了二分類器預測出來的正例結果中有多少是真實正例,即該二分類器預測的正例有多少是準確的;召回率從真實結果角度出發(fā),描述了測試集中的真實正例有多少被二分類器挑選了出來,即真實的正例有多少被該二分類器召回。Precision和Recall僅適用于二分類問題,如式(3)、(4)所示。

    式中:TP——預測為正類別且真實為正類別的樣本數量;

    FP——預測為正類別但實際為負類別的樣本數量;

    FN——預測為負類別但實際為正類別的樣本數量。

    3.2 F1-Score

    F1-Score 是精確率和召回率的調和平均值。由于精確率和召回率通常是相互牽制的,優(yōu)化其中一個指標可能會導致另一個指標下降,F1-Score可以幫助綜合考慮這兩者,從而更全面地評估分類器的性能。計算公式如式(5)所示。

    式中:P——精確率;

    R——召回率。

    3.3 交并比(Intersection-over-Union)

    交并比可以用于評估模型預測的邊界框或分割結果與真實標注之間的重疊程度,取值范圍在0到1之間。當IOU等于1時,表示預測結果完全和真實標注一致;當IOU等于0時,表示預測結果和真實標注沒有任何重疊。計算公式如式(6)所示。

    式中:Area of Intersection——預測區(qū)域和真實標注區(qū)域的交集面積;

    Area of Union——預測區(qū)域和真實標注區(qū)域的并集面積。

    4 試驗結果分析

    4.1 Crack 500數據集

    本文首先利用Crack 500[10]公共數據集作為算例。該數據集經過處理后包含3368張裂縫圖像,其中訓練數據集3000張圖像,驗證數據集368張圖像。所有圖像均配備有像素級人工標注的裂縫真值圖像。如圖4所示,為部分Crack 500圖像的分割效果對比,將原始圖像和標記以及改進前后模型的分割二值化圖像直觀展示了出來。從圖4 中可以觀察到,采用原始U-net 網絡對測試集識別的結果會使得原本連續(xù)的裂縫出現斷裂;而本文算法對于較淺裂縫的識別較原U-net網絡更加精確,同時對裂縫形態(tài)的提取更加完整。

    圖4 Crack 500效果對比圖

    4.2 橋梁混凝土裂縫自檢查數據集

    由于路面裂縫與橋梁混凝土裂縫的特征表現形式相同,因此使用遷移學習對較少的橋梁裂縫圖像進行快速訓練,本文設置迭代輪數為30輪。將原始圖像進行剪裁,每張圖像劃分為6個640×360大小的圖片。自數據集總共拍攝了30張圖片,經過預處理之后將180張圖片隨機抽取150張用于訓練,其余30張用于驗證,并對其手動添加標簽文件。

    圖5中選取了三張剪裁后的裂縫圖像,對其原始標記和輸入模型得到的標記進行對比。從圖5中可以觀察到,由于橋梁混凝土裂縫相對與路面裂縫所含噪聲較小,最終模型預測出的裂縫形態(tài)與自制標簽裂縫形態(tài)吻合情況出色。

    圖5 橋梁裂縫效果對比圖

    4.3 指標分析

    針對不同模型在不同數據集上的精確率、召回率、F1分數以及交并比進行計算,如表1所示。

    表1 模型評價

    改進的U-Net在Crack 500數據集上取得了良好的分割效果,精確率為96.53%,召回率為97.29%,F1分數為96.91%,IOU 為93.42%。與原U-Net 相比,改進UNet的Precision 提升了4.42%,Recall 提升了3.75%,F1-Score 提升了4.09%,Intersection-over-Union 提升了4.85%,并在橋梁裂縫自數據集上展現出優(yōu)于Crack 500數據集的各項指標,充分體現了本文所提出的改進U-Net模型在橋梁混凝土裂縫自檢測中的實用性。

    5 結束語

    本文基于U-Net 提出了性能更優(yōu)的橋梁裂縫檢測模型,實驗結果證明其能較好地檢測混凝土橋梁裂縫。主要結論如下:

    (1)通過在原始U-Net的結構中增加一次上采樣過程,使得模型能夠獲得更多的裂縫細節(jié)信息。上采樣過程則能夠恢復圖像的細節(jié)信息,這樣可以使得模型更加準確地檢測到混凝土橋梁裂縫。

    (2)在卷積過程中,通過使用全零填充的方式,保護圖像邊緣不受卷積操作的影響,同時使圖像每次卷積后的規(guī)格不變,保證輸入輸出尺寸一致,這樣可以避免在卷積過程中損失圖像的邊緣信息,從而提高了模型的檢測性能。

    (3)與原U-Net 相比,改進U-Net 在Crack 500 數據集中Precision提升了4.42%,Recall提升了3.75%,F1-Score 提升了4.09%,Intersection-over-Union 提升了4.85%,并在橋梁裂縫自數據上表現更佳,取得了良好的分割效果。

    国产国语露脸激情在线看| 欧美成人免费av一区二区三区 | 最近最新中文字幕大全电影3 | 91精品三级在线观看| 极品少妇高潮喷水抽搐| 999久久久国产精品视频| 亚洲国产欧美日韩在线播放| 999精品在线视频| 麻豆成人av在线观看| 国产亚洲精品一区二区www | 日韩三级视频一区二区三区| 免费少妇av软件| 精品久久久久久,| 日韩免费av在线播放| 999久久久国产精品视频| 男人舔女人的私密视频| 大型黄色视频在线免费观看| 亚洲国产欧美日韩在线播放| 丰满饥渴人妻一区二区三| 国产精品久久久久成人av| 亚洲va日本ⅴa欧美va伊人久久| 国产免费男女视频| 一二三四在线观看免费中文在| 久久久久久免费高清国产稀缺| 国产视频一区二区在线看| 下体分泌物呈黄色| 美女国产高潮福利片在线看| 欧美国产精品va在线观看不卡| 国产精品国产高清国产av | 欧美激情高清一区二区三区| 极品教师在线免费播放| 精品国产乱码久久久久久男人| 精品免费久久久久久久清纯 | 欧美国产精品va在线观看不卡| 中文字幕精品免费在线观看视频| 亚洲av成人一区二区三| 王馨瑶露胸无遮挡在线观看| 一区二区三区国产精品乱码| 热re99久久国产66热| 精品少妇久久久久久888优播| 黑人欧美特级aaaaaa片| 久久热在线av| 人人澡人人妻人| 色尼玛亚洲综合影院| 一级片'在线观看视频| 亚洲免费av在线视频| 国产麻豆69| 国产亚洲欧美98| av福利片在线| 国产色视频综合| 国产av又大| 麻豆国产av国片精品| 午夜精品在线福利| 亚洲色图 男人天堂 中文字幕| 啪啪无遮挡十八禁网站| 国产成人系列免费观看| 9191精品国产免费久久| 国产免费男女视频| 国产免费男女视频| 国产亚洲精品一区二区www | 久久天堂一区二区三区四区| 欧美老熟妇乱子伦牲交| av视频免费观看在线观看| 久久精品国产清高在天天线| 午夜福利一区二区在线看| 久久中文看片网| 日本黄色日本黄色录像| 国产精品二区激情视频| 国产真人三级小视频在线观看| 日韩免费av在线播放| 午夜精品国产一区二区电影| 免费在线观看影片大全网站| 欧美+亚洲+日韩+国产| tube8黄色片| 国产蜜桃级精品一区二区三区 | 国产97色在线日韩免费| 99热国产这里只有精品6| 美女 人体艺术 gogo| 久久草成人影院| 男女高潮啪啪啪动态图| 丰满人妻熟妇乱又伦精品不卡| svipshipincom国产片| 黑人欧美特级aaaaaa片| 国精品久久久久久国模美| 国产aⅴ精品一区二区三区波| 超色免费av| 亚洲精品在线美女| 国产成人影院久久av| 久久影院123| 亚洲av欧美aⅴ国产| 女性生殖器流出的白浆| 欧美av亚洲av综合av国产av| 午夜影院日韩av| 精品国产超薄肉色丝袜足j| 欧美日韩精品网址| 在线观看66精品国产| 999久久久国产精品视频| 亚洲国产毛片av蜜桃av| 久久精品aⅴ一区二区三区四区| 日韩欧美一区二区三区在线观看 | 制服诱惑二区| 日韩一卡2卡3卡4卡2021年| 精品久久蜜臀av无| 亚洲国产中文字幕在线视频| 50天的宝宝边吃奶边哭怎么回事| 男男h啪啪无遮挡| 免费在线观看视频国产中文字幕亚洲| 777久久人妻少妇嫩草av网站| 久久久久国产精品人妻aⅴ院 | 欧美日韩乱码在线| 欧美亚洲 丝袜 人妻 在线| 女警被强在线播放| 狂野欧美激情性xxxx| 国产精品永久免费网站| 久久 成人 亚洲| 搡老熟女国产l中国老女人| 手机成人av网站| 亚洲精品国产区一区二| 丝瓜视频免费看黄片| 国产野战对白在线观看| 人妻 亚洲 视频| 精品久久久久久久毛片微露脸| 国产精品久久久久久人妻精品电影| 91国产中文字幕| 在线观看日韩欧美| 可以免费在线观看a视频的电影网站| 国产男女内射视频| 欧美精品av麻豆av| 看免费av毛片| 亚洲午夜精品一区,二区,三区| 不卡一级毛片| 午夜影院日韩av| 亚洲成人国产一区在线观看| 久久香蕉国产精品| 性色av乱码一区二区三区2| 久久精品成人免费网站| 在线观看日韩欧美| 国产成人啪精品午夜网站| 男男h啪啪无遮挡| 亚洲欧美日韩另类电影网站| 国产在线一区二区三区精| 精品久久久久久,| 亚洲片人在线观看| 欧美黄色片欧美黄色片| 视频区欧美日本亚洲| 国产精品自产拍在线观看55亚洲 | 看片在线看免费视频| 欧美乱色亚洲激情| 麻豆成人av在线观看| 自线自在国产av| 精品视频人人做人人爽| 国产欧美日韩精品亚洲av| 欧美激情极品国产一区二区三区| 久久精品人人爽人人爽视色| 亚洲av欧美aⅴ国产| 91成年电影在线观看| 51午夜福利影视在线观看| 中亚洲国语对白在线视频| 青草久久国产| 国产区一区二久久| 黑人欧美特级aaaaaa片| 亚洲av片天天在线观看| 精品少妇一区二区三区视频日本电影| 999精品在线视频| 波多野结衣av一区二区av| 热99久久久久精品小说推荐| 国产亚洲欧美在线一区二区| 亚洲aⅴ乱码一区二区在线播放 | 黄网站色视频无遮挡免费观看| 国产精品综合久久久久久久免费 | 黑丝袜美女国产一区| 满18在线观看网站| 成人手机av| 成年女人毛片免费观看观看9 | 亚洲中文日韩欧美视频| 一本综合久久免费| 亚洲中文字幕日韩| 黑人巨大精品欧美一区二区蜜桃| 搡老岳熟女国产| 亚洲视频免费观看视频| 成在线人永久免费视频| 久久九九热精品免费| 亚洲人成伊人成综合网2020| av天堂久久9| 高清欧美精品videossex| 欧美成人午夜精品| 国产在线一区二区三区精| 日本精品一区二区三区蜜桃| 69av精品久久久久久| 69精品国产乱码久久久| 美女扒开内裤让男人捅视频| 免费在线观看日本一区| 久久国产精品影院| 欧美日韩亚洲高清精品| 一区福利在线观看| 深夜精品福利| 亚洲精华国产精华精| 在线观看日韩欧美| 黄色丝袜av网址大全| 一本综合久久免费| 久久久久久人人人人人| 免费少妇av软件| 老汉色av国产亚洲站长工具| 满18在线观看网站| 操美女的视频在线观看| 脱女人内裤的视频| 午夜激情av网站| 日本五十路高清| 91精品三级在线观看| 亚洲精华国产精华精| 日韩一卡2卡3卡4卡2021年| 黄色丝袜av网址大全| 久久精品亚洲精品国产色婷小说| 日韩中文字幕欧美一区二区| 亚洲国产精品sss在线观看 | 9热在线视频观看99| 久久久精品区二区三区| 亚洲第一av免费看| 亚洲人成77777在线视频| 黄片大片在线免费观看| 久久久久国产一级毛片高清牌| 一区二区三区国产精品乱码| 精品国产亚洲在线| 美女午夜性视频免费| 精品国产一区二区三区久久久樱花| 欧美乱妇无乱码| 正在播放国产对白刺激| 国产亚洲精品一区二区www | 久久久久国内视频| 亚洲精品乱久久久久久| 99精品在免费线老司机午夜| 麻豆成人av在线观看| 亚洲欧美色中文字幕在线| av有码第一页| 久9热在线精品视频| 在线播放国产精品三级| 亚洲一区中文字幕在线| 国产男靠女视频免费网站| 黄片小视频在线播放| 一级,二级,三级黄色视频| 狂野欧美激情性xxxx| 咕卡用的链子| 欧美日韩亚洲高清精品| 欧美激情 高清一区二区三区| 少妇裸体淫交视频免费看高清 | 人人妻人人添人人爽欧美一区卜| 757午夜福利合集在线观看| 婷婷精品国产亚洲av在线 | 老司机福利观看| 精品国产国语对白av| 悠悠久久av| 久热这里只有精品99| 亚洲七黄色美女视频| 无人区码免费观看不卡| 高潮久久久久久久久久久不卡| 精品少妇一区二区三区视频日本电影| 日韩 欧美 亚洲 中文字幕| 亚洲中文av在线| 丝袜人妻中文字幕| 丰满人妻熟妇乱又伦精品不卡| 97人妻天天添夜夜摸| 丝袜美足系列| 飞空精品影院首页| 丰满的人妻完整版| 欧美日韩中文字幕国产精品一区二区三区 | 老司机深夜福利视频在线观看| 国产精品久久久久久精品古装| 久久中文看片网| 啪啪无遮挡十八禁网站| 两人在一起打扑克的视频| 亚洲精品国产色婷婷电影| 老司机亚洲免费影院| 久久国产乱子伦精品免费另类| 久久久久久久午夜电影 | 超色免费av| 午夜成年电影在线免费观看| 一本综合久久免费| 午夜免费成人在线视频| 亚洲精品粉嫩美女一区| 一区在线观看完整版| 亚洲欧美日韩高清在线视频| 一区二区三区激情视频| 一区福利在线观看| 狠狠婷婷综合久久久久久88av| e午夜精品久久久久久久| xxxhd国产人妻xxx| 亚洲精品中文字幕在线视频| 午夜免费观看网址| 欧美成狂野欧美在线观看| 国产精品一区二区免费欧美| 建设人人有责人人尽责人人享有的| 一区二区日韩欧美中文字幕| 亚洲国产精品一区二区三区在线| 婷婷丁香在线五月| 香蕉久久夜色| 黑人巨大精品欧美一区二区蜜桃| 老汉色av国产亚洲站长工具| 十八禁人妻一区二区| 欧美黄色淫秽网站| 咕卡用的链子| 国产日韩欧美亚洲二区| 中文字幕另类日韩欧美亚洲嫩草| 国产成人av教育| av电影中文网址| 久久精品国产a三级三级三级| 亚洲精品美女久久av网站| 麻豆av在线久日| 法律面前人人平等表现在哪些方面| 女同久久另类99精品国产91| 亚洲成av片中文字幕在线观看| 中文字幕人妻熟女乱码| 国产精品电影一区二区三区 | av有码第一页| 高清黄色对白视频在线免费看| 人妻久久中文字幕网| 色婷婷久久久亚洲欧美| 亚洲五月色婷婷综合| 日韩 欧美 亚洲 中文字幕| 天堂动漫精品| 免费看十八禁软件| 久久ye,这里只有精品| 亚洲熟女毛片儿| 亚洲,欧美精品.| 欧美亚洲 丝袜 人妻 在线| 正在播放国产对白刺激| 激情视频va一区二区三区| 宅男免费午夜| 欧美日韩成人在线一区二区| 一级毛片女人18水好多| 一进一出抽搐gif免费好疼 | 99re在线观看精品视频| videosex国产| av片东京热男人的天堂| 亚洲va日本ⅴa欧美va伊人久久| 美女午夜性视频免费| 国产精品 国内视频| 夫妻午夜视频| 久久久久国产精品人妻aⅴ院 | 国产欧美日韩一区二区精品| 99国产精品99久久久久| 亚洲全国av大片| 欧美激情极品国产一区二区三区| 国产麻豆69| 黑人操中国人逼视频| 亚洲欧美色中文字幕在线| 51午夜福利影视在线观看| 欧美丝袜亚洲另类 | 国产精品av久久久久免费| bbb黄色大片| 久久国产亚洲av麻豆专区| 久久久国产欧美日韩av| 男女之事视频高清在线观看| 成人国语在线视频| 女性被躁到高潮视频| avwww免费| 久久久久久久久久久久大奶| 亚洲第一欧美日韩一区二区三区| 免费在线观看视频国产中文字幕亚洲| 国产又色又爽无遮挡免费看| 国产精品 国内视频| 高潮久久久久久久久久久不卡| 欧美+亚洲+日韩+国产| 男女之事视频高清在线观看| 国产精品永久免费网站| 手机成人av网站| 日韩欧美三级三区| 99香蕉大伊视频| 日韩免费高清中文字幕av| 在线视频色国产色| 黄色视频,在线免费观看| 欧美丝袜亚洲另类 | 欧美 亚洲 国产 日韩一| 757午夜福利合集在线观看| 国产又色又爽无遮挡免费看| 亚洲国产精品一区二区三区在线| 亚洲第一欧美日韩一区二区三区| 手机成人av网站| 国产一卡二卡三卡精品| 久久性视频一级片| 欧美最黄视频在线播放免费 | 一级毛片精品| 黑人巨大精品欧美一区二区蜜桃| 久久99一区二区三区| 亚洲avbb在线观看| 久久久久久免费高清国产稀缺| www.999成人在线观看| 黄色片一级片一级黄色片| 国产精品乱码一区二三区的特点 | 国产精品永久免费网站| 亚洲精品国产区一区二| 丝袜美腿诱惑在线| 大码成人一级视频| 久热爱精品视频在线9| 午夜福利,免费看| 美女 人体艺术 gogo| 老司机深夜福利视频在线观看| av视频免费观看在线观看| 一区在线观看完整版| 国产免费男女视频| 久久精品国产清高在天天线| 亚洲人成电影免费在线| 中文字幕精品免费在线观看视频| av欧美777| 在线观看免费午夜福利视频| 在线十欧美十亚洲十日本专区| 99热只有精品国产| 三级毛片av免费| 国产精品98久久久久久宅男小说| 丰满的人妻完整版| 18在线观看网站| 国产精品电影一区二区三区 | 国产精品秋霞免费鲁丝片| 激情在线观看视频在线高清 | 欧美久久黑人一区二区| 99国产极品粉嫩在线观看| 91成年电影在线观看| 别揉我奶头~嗯~啊~动态视频| 国产成+人综合+亚洲专区| 日韩欧美一区视频在线观看| 免费在线观看黄色视频的| 欧美激情久久久久久爽电影 | xxx96com| 757午夜福利合集在线观看| 高清视频免费观看一区二区| 无人区码免费观看不卡| 欧美乱码精品一区二区三区| 国产野战对白在线观看| 国产精品久久久久久人妻精品电影| 窝窝影院91人妻| 一a级毛片在线观看| 99热国产这里只有精品6| 女性被躁到高潮视频| 美女高潮喷水抽搐中文字幕| 成熟少妇高潮喷水视频| 精品国产亚洲在线| 国产精品av久久久久免费| 久久热在线av| 亚洲第一av免费看| 如日韩欧美国产精品一区二区三区| 亚洲一区二区三区不卡视频| 一本一本久久a久久精品综合妖精| 成人国语在线视频| 黄网站色视频无遮挡免费观看| 欧美日韩乱码在线| 国内久久婷婷六月综合欲色啪| 亚洲专区中文字幕在线| 啪啪无遮挡十八禁网站| 丝袜美足系列| 国产精品久久久人人做人人爽| 99热国产这里只有精品6| 一二三四在线观看免费中文在| 美女视频免费永久观看网站| 在线看a的网站| 啦啦啦视频在线资源免费观看| 另类亚洲欧美激情| 性少妇av在线| 天堂俺去俺来也www色官网| 18禁美女被吸乳视频| 看免费av毛片| 午夜福利乱码中文字幕| 久久香蕉激情| 欧美日韩精品网址| 老司机影院毛片| 久久久久久久久免费视频了| 久久久国产欧美日韩av| 久久久久久久久久久久大奶| 黄色毛片三级朝国网站| a级片在线免费高清观看视频| 国产区一区二久久| 成人特级黄色片久久久久久久| 亚洲av日韩在线播放| 亚洲 欧美一区二区三区| 国产又色又爽无遮挡免费看| 美女 人体艺术 gogo| 国产一区二区三区视频了| 亚洲av第一区精品v没综合| 两个人看的免费小视频| 在线观看一区二区三区激情| 久久香蕉激情| 日本黄色视频三级网站网址 | 中文字幕av电影在线播放| 91成人精品电影| 狠狠婷婷综合久久久久久88av| 如日韩欧美国产精品一区二区三区| 国产成人一区二区三区免费视频网站| 国产亚洲欧美98| 亚洲欧洲精品一区二区精品久久久| 免费观看精品视频网站| 香蕉久久夜色| 国产精品影院久久| 十八禁人妻一区二区| 黑人操中国人逼视频| 欧美日韩黄片免| 黄频高清免费视频| 亚洲欧美一区二区三区久久| 18禁国产床啪视频网站| 亚洲第一欧美日韩一区二区三区| 亚洲av成人不卡在线观看播放网| 中文欧美无线码| 757午夜福利合集在线观看| 午夜福利在线免费观看网站| av国产精品久久久久影院| 午夜福利一区二区在线看| 成人国语在线视频| 日韩免费av在线播放| 欧美成狂野欧美在线观看| 老司机在亚洲福利影院| 香蕉丝袜av| 少妇猛男粗大的猛烈进出视频| 国产精品香港三级国产av潘金莲| 老司机午夜十八禁免费视频| 飞空精品影院首页| 久久精品亚洲av国产电影网| 精品福利观看| 久久人妻福利社区极品人妻图片| 91精品国产国语对白视频| 宅男免费午夜| 亚洲免费av在线视频| 天天躁夜夜躁狠狠躁躁| 午夜精品在线福利| 欧美日韩av久久| 大香蕉久久网| 黄片播放在线免费| 国产免费av片在线观看野外av| 亚洲第一欧美日韩一区二区三区| 国产欧美日韩一区二区三区在线| 91国产中文字幕| 国产精品亚洲一级av第二区| 大型av网站在线播放| 91九色精品人成在线观看| 国产亚洲欧美在线一区二区| 丁香六月欧美| 午夜福利,免费看| 在线播放国产精品三级| 午夜福利欧美成人| 狂野欧美激情性xxxx| 欧美av亚洲av综合av国产av| aaaaa片日本免费| 亚洲全国av大片| 午夜精品久久久久久毛片777| 久久久久久免费高清国产稀缺| 久久久久久久久久久久大奶| 成年人午夜在线观看视频| 中文字幕人妻丝袜制服| 欧美乱码精品一区二区三区| 成人亚洲精品一区在线观看| 啦啦啦在线免费观看视频4| 老汉色av国产亚洲站长工具| 日日夜夜操网爽| 精品人妻熟女毛片av久久网站| 制服人妻中文乱码| 国产一区有黄有色的免费视频| 一进一出抽搐动态| 亚洲国产欧美日韩在线播放| 欧美乱妇无乱码| 欧美日韩黄片免| 成年人黄色毛片网站| 国产亚洲精品久久久久久毛片 | 不卡av一区二区三区| 国产亚洲精品久久久久5区| 午夜91福利影院| 国产av精品麻豆| 757午夜福利合集在线观看| 精品福利永久在线观看| 欧美日韩精品网址| 国产男女超爽视频在线观看| 精品卡一卡二卡四卡免费| 亚洲人成77777在线视频| 亚洲中文日韩欧美视频| 久久精品人人爽人人爽视色| 色综合婷婷激情| 成人免费观看视频高清| 王馨瑶露胸无遮挡在线观看| 国产成人精品在线电影| 精品久久久精品久久久| 国产亚洲精品久久久久5区| 欧美国产精品va在线观看不卡| 国产亚洲精品久久久久5区| 不卡av一区二区三区| 99国产精品一区二区蜜桃av | 欧美日韩乱码在线| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美人与性动交α欧美精品济南到| 欧美日韩黄片免| 欧美日韩福利视频一区二区| 乱人伦中国视频| 国产成人一区二区三区免费视频网站| 国产在线一区二区三区精| 久久久国产成人精品二区 | 精品一区二区三卡| 国产精品 欧美亚洲| 国产主播在线观看一区二区| 搡老乐熟女国产| 精品乱码久久久久久99久播| 黄色怎么调成土黄色| 深夜精品福利| 国产1区2区3区精品| 叶爱在线成人免费视频播放| 不卡av一区二区三区| 在线看a的网站| 一级a爱视频在线免费观看| 在线观看免费日韩欧美大片| 女人被躁到高潮嗷嗷叫费观| 国产精品美女特级片免费视频播放器 | 欧美人与性动交α欧美软件| 69av精品久久久久久| 曰老女人黄片| 日韩大码丰满熟妇| 每晚都被弄得嗷嗷叫到高潮| 免费不卡黄色视频| 精品一区二区三卡| 男女高潮啪啪啪动态图| 欧美日本中文国产一区发布| 精品卡一卡二卡四卡免费| 男女之事视频高清在线观看|