• <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GoogLeNet深度遷移學(xué)習(xí)的蘋果缺陷檢測方法

    2020-07-24 05:07:50王立揚(yáng)
    關(guān)鍵詞:準(zhǔn)確率卷積蘋果

    薛 勇 王立揚(yáng) 張 瑜 沈 群,4

    (1.中國農(nóng)業(yè)大學(xué)食品科學(xué)與營養(yǎng)工程學(xué)院, 北京 100083;2.中國農(nóng)業(yè)大學(xué)國家果蔬加工工程技術(shù)研究中心, 北京 100083;3.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院, 北京 100083;4.中國農(nóng)業(yè)大學(xué)植物蛋白與谷類加工北京市重點(diǎn)實(shí)驗(yàn)室, 北京 100083)

    0 引言

    蘋果產(chǎn)業(yè)是我國最重要果蔬產(chǎn)業(yè)之一,分級加工是其流通的關(guān)鍵環(huán)節(jié)。蘋果缺陷檢測是蘋果分級的重要指標(biāo),在較低成本下實(shí)現(xiàn)快速、準(zhǔn)確的蘋果缺陷檢測,是目前國內(nèi)外研究的熱點(diǎn)[1-3]。目前,國內(nèi)蘋果分選仍以人工操作為主,成本高、效率低。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展,多種基于機(jī)器學(xué)習(xí)的圖像處理技術(shù)運(yùn)用于蘋果分級與缺陷檢測中,取得良好的效果。BHATT等[4]利用人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)對蘋果進(jìn)行等級評判,準(zhǔn)確率超90%。陳珂等[5]利用蘋果形狀特征提取與支持向量機(jī)(Support vector machine,SVM)結(jié)合,對蘋果進(jìn)行成熟度分類,檢測速度達(dá)0.25 s/個(gè)。邱光應(yīng)等[6]研究了蘋果缺陷檢測方法,提出決策樹、支持向量機(jī)算法,實(shí)驗(yàn)效果良好。李慶中[7]利用遺傳算法進(jìn)行蘋果顏色分級,對蘋果外部品質(zhì)的實(shí)時(shí)檢測進(jìn)行了研究。VAKILIAN等[8]提取蘋果圖像紋理特征,并利用人工神經(jīng)網(wǎng)絡(luò)對不同品種蘋果進(jìn)行識別,測試集的準(zhǔn)確率為75%~90%。傳統(tǒng)機(jī)器學(xué)習(xí)需人工提取特征,易導(dǎo)致相關(guān)特征不夠全面,從而降低識別的準(zhǔn)確率。同時(shí),人為的特征工程費(fèi)時(shí),難以應(yīng)用于產(chǎn)業(yè)化生產(chǎn)。

    深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(Convolution neural network,CNN)可有效克服上述弊端。1999年LECUN等[9]提出了LeNet-5經(jīng)典CNN模型,2012年AlexNet獲得當(dāng)年ImageNet競賽冠軍,深度學(xué)習(xí)迅速應(yīng)用于各個(gè)領(lǐng)域,并在農(nóng)業(yè)領(lǐng)域獲得極大的成效[10-11]。在蘋果分選中,深度學(xué)習(xí)的作用越來越突出。張力超等[12]對LeNet-5架構(gòu)進(jìn)行改進(jìn),用于蘋果種類識別,準(zhǔn)確率達(dá)93.7%。周兆永等[13]基于深度信念網(wǎng)絡(luò)(Deep belief network, DBN)對蘋果霉心病進(jìn)行檢測,并將其與傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行對比,發(fā)現(xiàn)深度學(xué)習(xí)效果優(yōu)于傳統(tǒng)算法。

    近年來,隨著Kaggle等數(shù)據(jù)挖掘挑戰(zhàn)賽熱度不斷上升,出現(xiàn)了越來越多更深層卷積神經(jīng)網(wǎng)絡(luò)(DCNN)[14-15],如VGG16、VGG19、GoogLeNet、ResNet50、ResNet101、ResNet152等。該類算法具有強(qiáng)大的泛化能力和自適應(yīng)性,被廣泛使用。目前,國內(nèi)蘋果缺陷檢測主要運(yùn)用SVM等傳統(tǒng)機(jī)器學(xué)習(xí)算法和LeNet-5等淺層CNN算法,有關(guān)GoogLeNet等深層CNN算法的應(yīng)用較少。本研究利用GoogLeNet深度遷移模型對蘋果缺陷檢測進(jìn)行研究,并與淺層CNN(AlexNet和改進(jìn)型LeNet-5)及傳統(tǒng)機(jī)器學(xué)習(xí)進(jìn)行對比,以評估蘋果缺陷檢測常用算法的性能。

    1 材料與方法

    1.1 實(shí)驗(yàn)材料與系統(tǒng)配置

    選用紅富士蘋果作為實(shí)驗(yàn)對象。視覺采集系統(tǒng)由封閉暗箱裝置、4根內(nèi)置長條LED光源(長度0.3 m,功率10 W,中性燈色溫4 000 K)以及固定距離的單反相機(jī)(Canon EOS 5D Mark Ⅲ型)組成。蘋果以梗萼方向垂直果盤的方式置于果盤,以果軸為中心旋轉(zhuǎn)0°、90°、180°、270°,各拍攝一幅圖像,共拍攝1 376幅圖像,鏡頭和實(shí)物的距離為43.5 cm。根據(jù)NY/T 439—2001《紅富士蘋果分級標(biāo)準(zhǔn)》對數(shù)據(jù)集進(jìn)行預(yù)判。經(jīng)對原始圖像質(zhì)量篩選(將人為拍攝失誤導(dǎo)致的對焦不準(zhǔn)、曝光時(shí)間過長等不合格圖像剔除)后,最終得到實(shí)驗(yàn)圖像836幅(包含209個(gè)完整樣品),其中正常果面561幅,次品果面(包括褐變、腐爛、刀疤等缺陷)275幅。

    實(shí)驗(yàn)在Windows 10操作系統(tǒng)上完成,計(jì)算機(jī)配置為Intel 酷睿 I7-6700HQ CPU,3.5 GHz,內(nèi)存4 GB。其中,相關(guān)編程均在Matlab R2018a中進(jìn)行。

    1.2 研究方法

    本研究對采集圖像進(jìn)行預(yù)處理,包括數(shù)據(jù)擴(kuò)增、圖像分割、空間轉(zhuǎn)換以及圖像增強(qiáng)等,使之更符合計(jì)算機(jī)視覺處理的形式。之后分別利用淺層和深層CNN模型對其進(jìn)行端到端的訓(xùn)練,為驗(yàn)證CNN模型的優(yōu)越性,實(shí)驗(yàn)同時(shí)進(jìn)行傳統(tǒng)特征工程與分類器檢測。

    1.2.1預(yù)處理

    由于蘋果數(shù)據(jù)種類不平衡,因此在實(shí)驗(yàn)前先進(jìn)行數(shù)據(jù)擴(kuò)增。數(shù)據(jù)擴(kuò)增是機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)中一種常用的處理手段,它能防止因數(shù)據(jù)不足而造成的過擬合,也能平衡不同種類數(shù)據(jù)以獲得更佳效果。數(shù)據(jù)擴(kuò)增方法包括圖像平移、旋轉(zhuǎn)、翻轉(zhuǎn)、隨機(jī)裁剪等?;诒狙芯咳毕萏O果數(shù)量不足的情況,實(shí)驗(yàn)前對缺陷蘋果進(jìn)行旋轉(zhuǎn)90°、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)的處理,對正常蘋果進(jìn)行旋轉(zhuǎn)180°的處理,最終得到2 167幅圖像數(shù)據(jù)。對圖像進(jìn)行批量裁剪,方法為沿果形邊緣剪裁以獲得最大目標(biāo)區(qū)域。

    圖像背景分割是為減少周圍區(qū)域干擾,能有效突出感興趣區(qū)域(Region of interest,RoI),經(jīng)典的分割算法包括最大類間方差(Otsu)、分水嶺、K-means聚類、U-Net分割等[16]。本文采用K-means聚類分割法對蘋果圖像背景進(jìn)行分割。Lab空間是色域?qū)掗煹念伾P停粌H包含RGB、CMYK的所有色域,還能表現(xiàn)它們不能表現(xiàn)的色彩?;谝陨蟽?yōu)勢,本文在預(yù)處理時(shí)將原始圖像RGB模式轉(zhuǎn)換為Lab模式。之后,再對實(shí)驗(yàn)材料進(jìn)行直方圖均衡化(Histogram equalization)以增強(qiáng)對比度,設(shè)置直方圖離散水平為64。圖像預(yù)處理前后對比如圖1所示。

    圖1 圖像預(yù)處理前后對比Fig.1 Comparison before and after pre-treatment

    1.2.2模型構(gòu)建

    (1)GoogLeNet是將識別錯(cuò)誤率降低到6.67%的一種深層CNN模型,共22層。與VGG網(wǎng)絡(luò)不同的是,GoogLeNet沒有使用LeNet及AlexNet的框架,該模型雖有22層,但卻比AlexNet和VGG規(guī)模都小,而性能卻更優(yōu)越。目前該模型主要運(yùn)用于醫(yī)療影像領(lǐng)域[17],在食品領(lǐng)域鮮見報(bào)道。本文以GoogLeNet的經(jīng)典版本Inception V1為原始模板,將在ImageNet上做預(yù)訓(xùn)練后的深度遷移模型作為核心算法,開展蘋果缺陷檢測的研究。

    Inception是GoogLeNet引入的基礎(chǔ)模塊單元,主要實(shí)現(xiàn)多尺度卷積提取多尺度局部特征,并經(jīng)過優(yōu)化訓(xùn)練得到最優(yōu)參數(shù)配置(參數(shù)量5×106)。Inception基本組成結(jié)構(gòu)分為4部分,包括1×1卷積層(Conv)、3×3卷積層、5×5卷積層、3×3池化層(maxpooling)。本文采用的Inception結(jié)構(gòu)如圖2所示。由圖2可知,Inception結(jié)構(gòu)在3×3卷積層和5×5卷積層前加入1×1卷積層,在3×3 maxpooling之后加入1×1卷積層,這樣先進(jìn)行降維,從而進(jìn)一步減少參數(shù)量。Inception模塊允許前一層輸入,然后通過不同尺度和功能分支的并行處理后級聯(lián)形成 Inception 模塊的輸出,實(shí)現(xiàn)多尺度特征融合[18]。

    圖2 Inception結(jié)構(gòu)示意圖Fig.2 Schematic of Inception structure

    最終的Inception V1是由9個(gè)Inception 模塊堆疊而成。該網(wǎng)絡(luò)輸入圖像為224×224×3,Inception模塊的所有卷積都用了修正線性單元(ReLU)。GoogLeNet不同于VGG、AlexNet等其他CNN,是因?yàn)槠洳捎媚K化的結(jié)構(gòu),方便增添和修改。網(wǎng)絡(luò)最后采用全局平均池化(Global average pooling,GAP) 來代替全連接層;雖然該模型移除全連接層,但網(wǎng)絡(luò)中依然使用Dropout層防止過擬合;而且為避免梯度消失,額外增加了2個(gè)輔助Softmax用于向前傳導(dǎo)梯度?;谝陨蟽?yōu)勢,GoogLeNet模型能在不增加計(jì)算量的同時(shí)最大程度的優(yōu)化性能,適用于工廠大規(guī)模的高效檢測缺陷蘋果。

    遷移學(xué)習(xí)是運(yùn)用已有的知識對不同的相關(guān)領(lǐng)域問題進(jìn)行求解的一種機(jī)器學(xué)習(xí)方法[19]。深度遷移學(xué)習(xí)具有減小數(shù)據(jù)依賴性、加快訓(xùn)練速度、提高訓(xùn)練效率等諸多優(yōu)勢。本文利用GoogLeNet模型在ImageNet上進(jìn)行預(yù)訓(xùn)練得到初始化深度模型,在遷移中取代網(wǎng)絡(luò)的最后3層。最后3層為loss3-classifier、prob和output,包含將網(wǎng)絡(luò)提取的功能組合為類概率和標(biāo)簽的信息。在層次圖中添加fully connected layer、Softmax layer和classification output layer, 將全連接層設(shè)置為與新的數(shù)據(jù)集中類數(shù)目相同(本文為2)。為了使添加層比傳輸層學(xué)習(xí)更快,增加全連接層的學(xué)習(xí)因子,最后將網(wǎng)絡(luò)中最后一個(gè)傳輸層(pool5-drop_7x7_s1)連接到新層。為防止過擬合,本研究通過設(shè)置初始層的學(xué)習(xí)速率為0來“凍結(jié)”網(wǎng)絡(luò)中早期層的權(quán)重。

    (2)AlexNet模型是ALEX等于2012年提出的新一代卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。本文利用在ImageNet上預(yù)訓(xùn)練好的AlexNet模型進(jìn)行遷移學(xué)習(xí),并與GoogLeNet遷移模型進(jìn)行對比。初始化AlexNet,包括5個(gè)卷積層和3個(gè)全連接層,輸入層圖像尺寸為227×227×3。遷移學(xué)習(xí)過程中第23層原本是1 000個(gè)神經(jīng)元,用于識別1 000種圖像,現(xiàn)改為2個(gè)神經(jīng)元,并更新最后一層。

    (3)利用卷積神經(jīng)網(wǎng)絡(luò)LeNet-5并加以改進(jìn),與深層CNN模型進(jìn)行對比。該網(wǎng)絡(luò)具有3個(gè)卷積層,每個(gè)卷積層后添加下采樣層和1個(gè)全連接層。將原始LeNet-5中的激活函數(shù)改為ReLU,采用Softmax分類器,并設(shè)置步長為1,填充為2,初始輸入層圖像為40×40×3。

    1.2.3對比實(shí)驗(yàn)

    為體現(xiàn)深度卷積神經(jīng)網(wǎng)絡(luò)在蘋果缺陷檢測中的優(yōu)越性,選取目前主流的傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行對比。方向梯度直方圖(Histogram of oriented gradient, HOG)特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子,具有幾何和光學(xué)轉(zhuǎn)換不變性,最早用于靜態(tài)行人檢測[20]。實(shí)驗(yàn)提取蘋果圖像的HOG特征描述子,改變圖像分辨率為200像素×200像素,設(shè)置單元格為32像素×32像素,劃分2×2個(gè)單元格為1個(gè)區(qū)塊,并采取重疊方式。因此,每幅圖像得到900維的特征向量,將此作為分類器輸入量。實(shí)驗(yàn)選取SVM、隨機(jī)森林(Random forest,RF)與K最近鄰(K-nearest neighbor,K-NN)作為分類器,采用上述數(shù)據(jù)集訓(xùn)練并進(jìn)行五折交叉驗(yàn)證。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 CNN訓(xùn)練

    對建好的GoogLeNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練,選取235幅圖像作為測試樣本(包括135個(gè)正樣本與100個(gè)負(fù)樣本),其余1 932幅為訓(xùn)練樣本(1 032個(gè)正樣本和900個(gè)負(fù)樣本),訓(xùn)練樣本按照4∶1劃分為訓(xùn)練集與驗(yàn)證集。經(jīng)多次實(shí)驗(yàn)后依據(jù)精度最優(yōu)原則,設(shè)置動(dòng)量因子為0.9,初始學(xué)習(xí)率為0.000 1,MaxEpochs為6,同時(shí)規(guī)定MiniBatchSize為10。大約迭代1 500次后準(zhǔn)確率趨于穩(wěn)定,若再增加迭代次數(shù),則會出現(xiàn)過擬合等情況,因此選取迭代1 500次時(shí)的訓(xùn)練結(jié)果進(jìn)行測試。

    另外,利用上述訓(xùn)練集、測試集對AlexNet與改進(jìn)型LeNet-5進(jìn)行訓(xùn)練,在最優(yōu)參數(shù)下對訓(xùn)練迭代穩(wěn)定時(shí)的模型進(jìn)行測試。

    2.2 CNN測試結(jié)果對比

    針對上述深度學(xué)習(xí)訓(xùn)練過程,實(shí)驗(yàn)選取測試集準(zhǔn)確率和受試者工作特征(Receiver operating characteristic,ROC) 曲線及曲線下面積(Area under curve,AUC)等指標(biāo)作為模型質(zhì)量判定標(biāo)準(zhǔn)。上述3種模型經(jīng)過Softmax分類器進(jìn)行分類,輸出2個(gè)神經(jīng)元,測試結(jié)果如表1所示。GoogLeNet遷移學(xué)習(xí)具有最高的測試準(zhǔn)確率,達(dá)91.91%,與其接近的是改進(jìn)型LeNet-5,測試準(zhǔn)確率為91.49%。說明深層卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力,該精度能夠滿足工廠對蘋果缺陷的篩選。

    表1 CNN指標(biāo)評估Tab.1 CNN indicators evaluation

    GoogLeNet遷移模型的AUC最大(0.856 5),表明此模型具有很強(qiáng)的泛化能力和魯棒性。而在該數(shù)據(jù)集中,AlexNet遷移模型測試準(zhǔn)確率最低(86.81%),但AUC達(dá)到0.823 4,出現(xiàn)該情況可能原因是準(zhǔn)確率所基于的較佳截?cái)嘀挡⒉皇强傮w分布中的較佳截?cái)嘀?,?zhǔn)確率只是某個(gè)隨機(jī)樣本的一個(gè)屬性指標(biāo)。而AUC不關(guān)注某個(gè)截?cái)嘀档谋憩F(xiàn),而是綜合所有截?cái)嘀档念A(yù)測性能,因此二者有時(shí)可能出現(xiàn)矛盾。但值得注意,AUC在偏態(tài)樣本中反映的模型指標(biāo)更加“穩(wěn)健”,更能有效且全面地評估模型性能,因此在本實(shí)驗(yàn)中AlexNet依然具有較強(qiáng)的學(xué)習(xí)能力。

    綜合上述分析,GoogLeNet遷移學(xué)習(xí)憑借自身模型優(yōu)勢,在實(shí)驗(yàn)中表現(xiàn)最佳,其中,對較大訓(xùn)練集的準(zhǔn)確率達(dá)到100%,測試集準(zhǔn)確率達(dá)到91.91%,在同類研究中精度較高。同時(shí),深層卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端到端的學(xué)習(xí),減少人工提取特征的時(shí)間,操作簡便且效率高,利于工廠實(shí)現(xiàn)產(chǎn)業(yè)化生產(chǎn)。經(jīng)反復(fù)實(shí)驗(yàn)發(fā)現(xiàn),用GoogLeNet遷移模型測試235幅蘋果圖像所需要的時(shí)間為18~20 s,完全符合生產(chǎn)需求。

    ROC曲線是根據(jù)不同的二分類方法(分界值或決定閾)、以真陽性率(靈敏度)為縱坐標(biāo)、假陽性率(1-特異度)為橫坐標(biāo)繪制的曲線, AUC是衡量機(jī)器學(xué)習(xí)算法的重要指標(biāo),圖3為3種深度學(xué)習(xí)算法的ROC曲線。

    圖3 CNN模型對應(yīng)的ROC曲線Fig.3 ROC curves corresponding to CNN models

    2.3 傳統(tǒng)機(jī)器學(xué)習(xí)分析

    在提取HOG特征描述子時(shí),利用分類器進(jìn)行訓(xùn)練與測試,測試結(jié)果表明,3種分類器準(zhǔn)確率均低于CNN模型。其中,5次實(shí)驗(yàn)后的RF表現(xiàn)最好,平均準(zhǔn)確率為82.98%,其次是SVM(80.33%)和K-NN(74.87%)。在準(zhǔn)確率上,深度學(xué)習(xí)效果優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí),原因?yàn)镃NN不需人工提取特征,而由機(jī)器自主提取,隨著網(wǎng)絡(luò)深度的增加,所學(xué)習(xí)到的特征更加復(fù)雜,所以相比SVM等算法具有更強(qiáng)的泛化能力[12]。

    3 討論

    利用目前主流的深度神經(jīng)網(wǎng)絡(luò)GoogLeNet進(jìn)行蘋果缺陷檢測,經(jīng)過與蘋果檢測領(lǐng)域主要算法對比后發(fā)現(xiàn),本文方法優(yōu)于目前常用的淺層CNN模型和傳統(tǒng)機(jī)器學(xué)習(xí)。本文方法能精確地識別缺陷果面。

    利用已預(yù)訓(xùn)練好的CNN模型進(jìn)行遷移學(xué)習(xí),在確保模型效果的同時(shí)極大提升了模型訓(xùn)練速度。深度遷移學(xué)習(xí)預(yù)訓(xùn)練模型具有初始紋理記憶的基本性能,通過在新數(shù)據(jù)集上添加層或稍微修改預(yù)先訓(xùn)練的分類模型即可完成工作[21-22]。這樣能減少實(shí)驗(yàn)所需的數(shù)據(jù),并且讓模型具有更強(qiáng)的泛化能力。從蘋果分選產(chǎn)業(yè)化角度考慮,將深度遷移學(xué)習(xí)引入蘋果缺陷檢測的核心算法,能減少構(gòu)建深度學(xué)習(xí)模型所需的訓(xùn)練數(shù)據(jù)和計(jì)算能力,從而減少生產(chǎn)成本。

    另外,鑒于產(chǎn)業(yè)化蘋果缺陷在線檢測需考慮設(shè)備成本及檢測效率等問題,深層CNN如GoogLeNet雖在檢測準(zhǔn)確率等方面優(yōu)于其他模型,但不可忽視的網(wǎng)絡(luò)深度帶來的訓(xùn)練時(shí)長增加與設(shè)備要求提高等劣勢,也會給工廠化生產(chǎn)帶來困擾[23-24]。因此,尋找最優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、在保證檢測效率的同時(shí)盡可能的輕化網(wǎng)絡(luò)、提升訓(xùn)練速度是今后的研究方向。

    4 結(jié)束語

    針對蘋果的高精度篩選要求,利用GoogLeNet的深度遷移模型算法對蘋果缺陷進(jìn)行檢測。在擴(kuò)充后的1 932個(gè)訓(xùn)練樣本中獲得訓(xùn)練集識別準(zhǔn)確率為100%,在235個(gè)測試樣本中獲得測試集識別準(zhǔn)確率為91.91%,高于AlexNet、改進(jìn)型LeNet-5以及傳統(tǒng)機(jī)器學(xué)習(xí)算法,表明本文方法具有較好的泛化能力與魯棒性。

    猜你喜歡
    準(zhǔn)確率卷積蘋果
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗(yàn)證法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    收獲蘋果
    有毒的蘋果
    拿蘋果
    久久这里只有精品19| 在线视频色国产色| 亚洲美女黄片视频| 色老头精品视频在线观看| 精品少妇久久久久久888优播| 亚洲avbb在线观看| 亚洲国产中文字幕在线视频| aaaaa片日本免费| 日韩大码丰满熟妇| 免费女性裸体啪啪无遮挡网站| 99热只有精品国产| 久热这里只有精品99| 在线观看一区二区三区激情| 亚洲五月色婷婷综合| 久久精品亚洲精品国产色婷小说| 欧美最黄视频在线播放免费 | 黄网站色视频无遮挡免费观看| 国产成+人综合+亚洲专区| 91精品国产国语对白视频| 中文字幕最新亚洲高清| 波多野结衣一区麻豆| 国产黄色免费在线视频| 亚洲黑人精品在线| 精品久久久久久久毛片微露脸| 欧美黑人精品巨大| 少妇被粗大的猛进出69影院| 无遮挡黄片免费观看| 岛国在线观看网站| 国产日韩一区二区三区精品不卡| 久99久视频精品免费| 国产黄色免费在线视频| 色精品久久人妻99蜜桃| 亚洲国产精品一区二区三区在线| 欧美日本中文国产一区发布| 国产精品久久久人人做人人爽| 国产精品久久久av美女十八| 久久人人97超碰香蕉20202| 亚洲精品中文字幕在线视频| 麻豆乱淫一区二区| 欧美不卡视频在线免费观看 | 中文字幕精品免费在线观看视频| 1024视频免费在线观看| 亚洲av日韩精品久久久久久密| 成年动漫av网址| 国产精品久久久av美女十八| 十八禁高潮呻吟视频| 欧美不卡视频在线免费观看 | 日韩欧美国产一区二区入口| 老司机亚洲免费影院| 精品高清国产在线一区| 成人18禁高潮啪啪吃奶动态图| 久久久国产一区二区| 777米奇影视久久| 老司机午夜十八禁免费视频| 国产欧美日韩一区二区精品| 一边摸一边抽搐一进一小说 | 人人澡人人妻人| 多毛熟女@视频| 成人三级做爰电影| av福利片在线| 国产熟女午夜一区二区三区| 国产黄色免费在线视频| 国产精品久久久久久人妻精品电影| 国产三级黄色录像| 亚洲精品美女久久av网站| 啦啦啦 在线观看视频| 男女床上黄色一级片免费看| 成年动漫av网址| 久久国产亚洲av麻豆专区| 国产不卡av网站在线观看| 一区二区日韩欧美中文字幕| avwww免费| 成年动漫av网址| 国产不卡一卡二| 国产xxxxx性猛交| 久久国产乱子伦精品免费另类| 女人被躁到高潮嗷嗷叫费观| 999久久久精品免费观看国产| 久久香蕉精品热| 国产亚洲av高清不卡| 国产精品1区2区在线观看. | 精品人妻1区二区| 亚洲伊人色综图| 乱人伦中国视频| 天天躁夜夜躁狠狠躁躁| 人人妻,人人澡人人爽秒播| 婷婷精品国产亚洲av在线 | 黄片大片在线免费观看| 黄片大片在线免费观看| 嫁个100分男人电影在线观看| 黄片大片在线免费观看| 十八禁人妻一区二区| 国产欧美日韩一区二区精品| 后天国语完整版免费观看| av超薄肉色丝袜交足视频| 视频在线观看一区二区三区| 香蕉国产在线看| 别揉我奶头~嗯~啊~动态视频| 大香蕉久久成人网| 一边摸一边抽搐一进一小说 | 777久久人妻少妇嫩草av网站| 又紧又爽又黄一区二区| 久久久久久免费高清国产稀缺| 国产一区二区三区视频了| 中文字幕制服av| 午夜免费成人在线视频| 精品久久久久久,| 久久天堂一区二区三区四区| 99re6热这里在线精品视频| 中文字幕人妻丝袜一区二区| 99热只有精品国产| 人人妻人人爽人人添夜夜欢视频| 日韩欧美三级三区| 视频区欧美日本亚洲| 国产成人精品无人区| 男人的好看免费观看在线视频 | 欧美老熟妇乱子伦牲交| 国产精品二区激情视频| 亚洲精品国产精品久久久不卡| 五月开心婷婷网| 免费观看人在逋| 精品国产一区二区三区久久久樱花| 国产有黄有色有爽视频| 中文字幕另类日韩欧美亚洲嫩草| 亚洲人成77777在线视频| 久久久久精品人妻al黑| 女性生殖器流出的白浆| 一个人免费在线观看的高清视频| 日韩熟女老妇一区二区性免费视频| 国产男女超爽视频在线观看| 黄色视频,在线免费观看| 一夜夜www| 高清黄色对白视频在线免费看| 久久人妻福利社区极品人妻图片| 国产精品自产拍在线观看55亚洲 | 国产人伦9x9x在线观看| 黄色怎么调成土黄色| 人人澡人人妻人| 丁香六月欧美| 啦啦啦视频在线资源免费观看| 好看av亚洲va欧美ⅴa在| 老司机深夜福利视频在线观看| 欧美性长视频在线观看| 又黄又爽又免费观看的视频| 下体分泌物呈黄色| 亚洲中文字幕日韩| 纯流量卡能插随身wifi吗| 好男人电影高清在线观看| 精品久久久久久,| 少妇被粗大的猛进出69影院| 99国产精品免费福利视频| 一个人免费在线观看的高清视频| 日韩欧美免费精品| 满18在线观看网站| 国产熟女午夜一区二区三区| 国产区一区二久久| 久久影院123| 成人18禁高潮啪啪吃奶动态图| 一级毛片女人18水好多| 超碰成人久久| 水蜜桃什么品种好| 丰满饥渴人妻一区二区三| av天堂在线播放| 80岁老熟妇乱子伦牲交| 久久国产精品大桥未久av| 一区二区三区精品91| 热99re8久久精品国产| 久久天堂一区二区三区四区| 高清在线国产一区| 黑人猛操日本美女一级片| 国产高清videossex| 熟女少妇亚洲综合色aaa.| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品 欧美亚洲| 人人妻人人添人人爽欧美一区卜| 免费观看精品视频网站| 9191精品国产免费久久| av免费在线观看网站| 亚洲专区中文字幕在线| videos熟女内射| 亚洲成人国产一区在线观看| 久久人妻福利社区极品人妻图片| 黄频高清免费视频| 1024视频免费在线观看| 精品久久蜜臀av无| 国产aⅴ精品一区二区三区波| 啦啦啦视频在线资源免费观看| 色老头精品视频在线观看| 黄色 视频免费看| 国产精品影院久久| 亚洲精品在线观看二区| 美女高潮喷水抽搐中文字幕| 精品人妻熟女毛片av久久网站| 欧美丝袜亚洲另类 | 美女 人体艺术 gogo| 18禁国产床啪视频网站| 免费黄频网站在线观看国产| 国产精品久久久久久精品古装| 老司机靠b影院| 在线观看66精品国产| 丝袜美足系列| 两个人看的免费小视频| 国产日韩一区二区三区精品不卡| 亚洲国产中文字幕在线视频| 自拍欧美九色日韩亚洲蝌蚪91| 大香蕉久久成人网| 99国产精品一区二区蜜桃av | 亚洲精品粉嫩美女一区| 亚洲精品久久成人aⅴ小说| 国产精品一区二区在线不卡| 午夜精品在线福利| 免费高清在线观看日韩| 波多野结衣av一区二区av| 不卡一级毛片| 色综合婷婷激情| 看片在线看免费视频| 久久人妻av系列| 伦理电影免费视频| bbb黄色大片| 久久久久久免费高清国产稀缺| 亚洲精品国产色婷婷电影| 91麻豆av在线| 欧美丝袜亚洲另类 | 午夜老司机福利片| 欧美亚洲 丝袜 人妻 在线| 亚洲精品中文字幕一二三四区| 国产精品影院久久| 不卡一级毛片| 久久久久久人人人人人| 亚洲国产欧美日韩在线播放| 动漫黄色视频在线观看| 国产亚洲精品久久久久久毛片 | 亚洲色图av天堂| 色老头精品视频在线观看| 热99国产精品久久久久久7| 成年女人毛片免费观看观看9 | 999久久久精品免费观看国产| 亚洲综合色网址| 日韩有码中文字幕| 午夜精品在线福利| 亚洲熟妇中文字幕五十中出 | 久久精品亚洲精品国产色婷小说| 亚洲国产精品一区二区三区在线| 精品电影一区二区在线| 亚洲色图av天堂| 777久久人妻少妇嫩草av网站| 黄色成人免费大全| 欧美不卡视频在线免费观看 | 夜夜躁狠狠躁天天躁| 69精品国产乱码久久久| 老鸭窝网址在线观看| 国产一卡二卡三卡精品| 精品一品国产午夜福利视频| 天天影视国产精品| 午夜两性在线视频| 成人18禁在线播放| 亚洲成国产人片在线观看| 国产精品久久视频播放| 无遮挡黄片免费观看| 日日摸夜夜添夜夜添小说| 丝袜人妻中文字幕| 久久国产精品大桥未久av| 欧美激情高清一区二区三区| 午夜福利欧美成人| 久久精品aⅴ一区二区三区四区| 久久久精品区二区三区| 精品电影一区二区在线| 12—13女人毛片做爰片一| 亚洲午夜精品一区,二区,三区| 欧美性长视频在线观看| 国产aⅴ精品一区二区三区波| 欧美日韩乱码在线| 一a级毛片在线观看| 国产亚洲精品第一综合不卡| 男女午夜视频在线观看| 亚洲中文字幕日韩| 侵犯人妻中文字幕一二三四区| 亚洲国产欧美网| 真人做人爱边吃奶动态| 9191精品国产免费久久| 91麻豆av在线| 久久久久视频综合| 成人国语在线视频| 久久久国产成人精品二区 | 精品久久久久久电影网| 人人妻人人澡人人看| x7x7x7水蜜桃| 久久久久久亚洲精品国产蜜桃av| 欧美精品一区二区免费开放| 欧美日韩视频精品一区| 久久99一区二区三区| 国产精品永久免费网站| 男女床上黄色一级片免费看| av电影中文网址| 亚洲成国产人片在线观看| 夜夜爽天天搞| 欧美精品一区二区免费开放| 波多野结衣一区麻豆| 亚洲欧美激情综合另类| 国产97色在线日韩免费| 大香蕉久久网| 极品教师在线免费播放| 免费人成视频x8x8入口观看| 少妇裸体淫交视频免费看高清 | 狠狠狠狠99中文字幕| 日韩欧美三级三区| 欧美激情极品国产一区二区三区| av有码第一页| 精品亚洲成a人片在线观看| 18禁裸乳无遮挡动漫免费视频| 日韩人妻精品一区2区三区| 香蕉丝袜av| 久久久久久久久久久久大奶| 最近最新免费中文字幕在线| 亚洲色图 男人天堂 中文字幕| 一边摸一边抽搐一进一小说 | 精品久久久久久电影网| 久久国产精品大桥未久av| 91av网站免费观看| 俄罗斯特黄特色一大片| 麻豆av在线久日| 久久久国产成人免费| 日韩有码中文字幕| 国产麻豆69| 俄罗斯特黄特色一大片| 亚洲五月天丁香| 欧美精品一区二区免费开放| 叶爱在线成人免费视频播放| 大型av网站在线播放| 嫁个100分男人电影在线观看| 精品无人区乱码1区二区| 校园春色视频在线观看| 99国产精品99久久久久| 午夜福利影视在线免费观看| 国产日韩一区二区三区精品不卡| 人妻丰满熟妇av一区二区三区 | 欧美不卡视频在线免费观看 | 欧美日韩瑟瑟在线播放| 99riav亚洲国产免费| 在线观看日韩欧美| 国产精品亚洲av一区麻豆| 成熟少妇高潮喷水视频| 国产麻豆69| 欧美激情极品国产一区二区三区| 日韩欧美国产一区二区入口| 亚洲精品在线观看二区| 在线观看www视频免费| 亚洲性夜色夜夜综合| 亚洲av成人av| 妹子高潮喷水视频| 天天躁日日躁夜夜躁夜夜| 久久 成人 亚洲| 韩国av一区二区三区四区| 精品久久久久久久久久免费视频 | 免费人成视频x8x8入口观看| 亚洲男人天堂网一区| 在线观看免费视频网站a站| 99热只有精品国产| 90打野战视频偷拍视频| 天堂√8在线中文| 黄色视频不卡| 久久人妻福利社区极品人妻图片| 90打野战视频偷拍视频| 亚洲伊人色综图| 精品久久久久久,| 丰满的人妻完整版| 国产高清激情床上av| 欧美老熟妇乱子伦牲交| 日本精品一区二区三区蜜桃| 大陆偷拍与自拍| 一进一出好大好爽视频| 亚洲欧美色中文字幕在线| 日本黄色视频三级网站网址 | 精品欧美一区二区三区在线| 久久热在线av| 免费在线观看视频国产中文字幕亚洲| 激情视频va一区二区三区| 日日爽夜夜爽网站| 女性被躁到高潮视频| 国产99白浆流出| √禁漫天堂资源中文www| 美国免费a级毛片| 亚洲午夜精品一区,二区,三区| 精品国产乱子伦一区二区三区| 亚洲中文日韩欧美视频| 亚洲午夜理论影院| 国产亚洲一区二区精品| 91字幕亚洲| 纯流量卡能插随身wifi吗| 中文字幕制服av| 精品乱码久久久久久99久播| 国产精品一区二区在线观看99| 亚洲av成人不卡在线观看播放网| 欧美+亚洲+日韩+国产| 在线观看66精品国产| 久久久久久久久免费视频了| 亚洲av日韩在线播放| 国产xxxxx性猛交| 高清视频免费观看一区二区| 黑人巨大精品欧美一区二区蜜桃| 天天影视国产精品| 丁香欧美五月| 亚洲全国av大片| 国产一区有黄有色的免费视频| 亚洲熟妇中文字幕五十中出 | 久久人妻福利社区极品人妻图片| 成人免费观看视频高清| 这个男人来自地球电影免费观看| 国产精品 欧美亚洲| 久久久精品国产亚洲av高清涩受| 精品第一国产精品| 变态另类成人亚洲欧美熟女 | 在线观看www视频免费| 美女国产高潮福利片在线看| 久久婷婷成人综合色麻豆| av视频免费观看在线观看| 亚洲精品一二三| av超薄肉色丝袜交足视频| 亚洲欧美激情综合另类| 伦理电影免费视频| 不卡av一区二区三区| 国产精品影院久久| av视频免费观看在线观看| 免费高清在线观看日韩| 在线观看日韩欧美| 国产精品秋霞免费鲁丝片| 欧洲精品卡2卡3卡4卡5卡区| 韩国av一区二区三区四区| 热re99久久精品国产66热6| 亚洲精品在线美女| 国产欧美日韩一区二区三| 69av精品久久久久久| 国产精品.久久久| 免费观看a级毛片全部| 欧美精品av麻豆av| 色婷婷久久久亚洲欧美| 成人精品一区二区免费| 午夜影院日韩av| 精品国产乱子伦一区二区三区| 欧美成人免费av一区二区三区 | 国产精品久久久久久精品古装| 亚洲全国av大片| 18禁国产床啪视频网站| 母亲3免费完整高清在线观看| 中文字幕人妻熟女乱码| 老司机午夜十八禁免费视频| 我的亚洲天堂| 久久国产亚洲av麻豆专区| 国产精品一区二区免费欧美| av天堂久久9| 王馨瑶露胸无遮挡在线观看| 中文字幕制服av| 岛国毛片在线播放| 日韩欧美三级三区| 一夜夜www| 青草久久国产| 久久影院123| 欧美日韩精品网址| 国产欧美日韩一区二区三区在线| 丰满的人妻完整版| 女性生殖器流出的白浆| 一进一出抽搐动态| 欧美久久黑人一区二区| 精品国产乱子伦一区二区三区| 美女国产高潮福利片在线看| 亚洲少妇的诱惑av| 91精品三级在线观看| 久久精品91无色码中文字幕| 男女免费视频国产| 久久久久视频综合| 岛国在线观看网站| 日韩成人在线观看一区二区三区| 99riav亚洲国产免费| 免费日韩欧美在线观看| 黄片小视频在线播放| 桃红色精品国产亚洲av| 亚洲午夜理论影院| 久久狼人影院| 日本vs欧美在线观看视频| 国产亚洲精品一区二区www | 99国产极品粉嫩在线观看| 国内毛片毛片毛片毛片毛片| 国产成人av激情在线播放| 日本黄色视频三级网站网址 | 男人操女人黄网站| 夜夜躁狠狠躁天天躁| 欧美 亚洲 国产 日韩一| 宅男免费午夜| 中文欧美无线码| 最近最新中文字幕大全电影3 | videos熟女内射| 极品教师在线免费播放| 国产极品粉嫩免费观看在线| 99国产精品一区二区三区| 老汉色∧v一级毛片| 久久精品国产亚洲av高清一级| 777米奇影视久久| 精品人妻1区二区| 18禁裸乳无遮挡免费网站照片 | 天堂俺去俺来也www色官网| 捣出白浆h1v1| 久久久久精品国产欧美久久久| 国产精品1区2区在线观看. | 午夜福利欧美成人| av超薄肉色丝袜交足视频| 亚洲欧美一区二区三区久久| 男女床上黄色一级片免费看| 777米奇影视久久| 男人舔女人的私密视频| 一本一本久久a久久精品综合妖精| 国产精品欧美亚洲77777| 好男人电影高清在线观看| 他把我摸到了高潮在线观看| 亚洲免费av在线视频| a级毛片黄视频| 日韩欧美一区视频在线观看| 18禁黄网站禁片午夜丰满| 亚洲av成人一区二区三| 一区二区日韩欧美中文字幕| 成人三级做爰电影| 亚洲一区二区三区不卡视频| 午夜福利视频在线观看免费| 欧美日韩一级在线毛片| 动漫黄色视频在线观看| 这个男人来自地球电影免费观看| 日韩免费高清中文字幕av| 老司机影院毛片| 一级毛片高清免费大全| av免费在线观看网站| cao死你这个sao货| 免费在线观看日本一区| 国产欧美日韩一区二区三| 无人区码免费观看不卡| 久热爱精品视频在线9| 国产成人精品久久二区二区91| 久久国产精品人妻蜜桃| 亚洲 国产 在线| 成人黄色视频免费在线看| 精品久久久精品久久久| 日韩精品免费视频一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 高清欧美精品videossex| 在线观看免费视频网站a站| 99riav亚洲国产免费| 天堂俺去俺来也www色官网| 91av网站免费观看| 真人做人爱边吃奶动态| 久久久国产欧美日韩av| 亚洲熟女精品中文字幕| 久久婷婷成人综合色麻豆| 51午夜福利影视在线观看| 精品欧美一区二区三区在线| 男女午夜视频在线观看| 国产精品久久视频播放| 一级毛片女人18水好多| 久久久水蜜桃国产精品网| 国产精品欧美亚洲77777| 精品国产一区二区三区四区第35| 久久九九热精品免费| 在线观看免费高清a一片| 成年人免费黄色播放视频| 亚洲综合色网址| 欧美日韩黄片免| 青草久久国产| 男女高潮啪啪啪动态图| 久久国产精品男人的天堂亚洲| 波多野结衣一区麻豆| 在线观看免费高清a一片| 国产成人精品在线电影| 亚洲成人手机| 午夜福利在线免费观看网站| 在线观看免费高清a一片| av天堂在线播放| 国产成人av教育| 又黄又粗又硬又大视频| 男女免费视频国产| 亚洲国产精品合色在线| av网站免费在线观看视频| 女性被躁到高潮视频| 国产精品久久久久久人妻精品电影| 国产精品98久久久久久宅男小说| 99精国产麻豆久久婷婷| av福利片在线| 中文字幕另类日韩欧美亚洲嫩草| 免费在线观看完整版高清| 精品人妻1区二区| 极品少妇高潮喷水抽搐| 丝袜人妻中文字幕| 老司机亚洲免费影院| 午夜福利免费观看在线| 一级毛片精品| 亚洲美女黄片视频| 欧美人与性动交α欧美精品济南到| 在线观看免费视频日本深夜| 国产色视频综合| 久热爱精品视频在线9| 精品熟女少妇八av免费久了| 悠悠久久av| 成熟少妇高潮喷水视频| 涩涩av久久男人的天堂| 91大片在线观看| 精品乱码久久久久久99久播| 国产免费男女视频| 岛国毛片在线播放| 757午夜福利合集在线观看| 91成年电影在线观看| 变态另类成人亚洲欧美熟女 | 天天躁夜夜躁狠狠躁躁| 91成年电影在线观看| 亚洲自偷自拍图片 自拍| 俄罗斯特黄特色一大片| 欧美激情久久久久久爽电影 | 久久久久久久精品吃奶| 纯流量卡能插随身wifi吗| 欧美老熟妇乱子伦牲交|