• <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 ?

    基于輕量化YOLO模型的花椒簇檢測研究

    2025-04-29 00:00:00丁展博徐健朱耀麟張勇進(jìn)劉晨雨
    關(guān)鍵詞:深度學(xué)習(xí)

    摘要:花椒簇的自動化采摘是實現(xiàn)花椒智能化生產(chǎn)、降低生產(chǎn)成本的重要部分,花椒簇在自動化采摘時快速準(zhǔn)確檢測是其重要前提。以花椒簇為研究對象,提出一種基于YOLOv5s的輕量化花椒簇檢測模型GGL—YOLO。首先,在GhostNet淺層添加SE注意力機(jī)制,并且刪除GhostNet較深的冗余層,用優(yōu)化后的GhostNet作為YOLOv5s的主干;其次,在模型的頸部采用更加輕量的GSConv卷積方法和C2f模塊;最后,在P3、P4、P5特征圖輸出層使用動態(tài)感受野的方法。結(jié)果表明,GGL—YOLO模型相比于YOLOv5s模型,平均精確度均值mAP提升1.5%、參數(shù)量降低58.6%、浮點(diǎn)運(yùn)算數(shù)FLOPs降低66.7%,檢測速度提高13.2%。該模型對花椒簇檢測準(zhǔn)確度高、速度快、參數(shù)量低,具有可行性。

    關(guān)鍵詞:花椒簇;目標(biāo)檢測;YOLOv5;輕量化;深度學(xué)習(xí)

    中圖分類號:S573+.9; TP391.4" " " 文獻(xiàn)標(biāo)識碼:A" " " 文章編號:2095?5553 (2025) 04?0120?06

    Research on prickly ash cluster detection based on lightweight YOLO model

    Ding Zhanbo, Xu Jian, Zhu Yaolin, Zhang Yongjin, Liu Chenyu

    (School of Electronics and Information, Xi'an Polytechnic University, Xi'an, 710048, China)

    Abstract: The automation of prickly ash cluster harvesting is a crucial step towards achieving intelligent production of prickly ash and reducing production costs. Accurate and efficient detection of prickly ash clustersis an important prerequisite for automated harvesting systems. This study introduces a lightweight prickly ash cluster detection model, GGL—YOLO, based on YOLOv5s, specifically designed for this task. The model incorporates several enhancements. First, the SE attention mechanism is integrated into the shallow layers of GhostNet, while its redundant deeper layers are removed, resulting in an optimized GhostNet serving as the YOLOv5s backbone. Second, the neck of the model is improved by introducing a lighter GSConv convolution method and the C2f module. Finally, a dynamic receptive field is applied to the P3, P4, and P5 feature map outputs. Experimental results show that, compared tothe YOLOv5s model, the GGL—YOLO model achieved a 1.5% increase in the mean average precision(mAP), a 58.6% reduction in parameter volume, a 66.7% reduction in FLOPs, and a 13.2% increase in detection speed. These results confirm that the GGL—YOLO model offers a feasible solution for the fast and accurate detection of prickly ash clusters, thereby advancing the automation of their harvesting process.

    Keywords: prickly ash cluster; object detection; YOLOv5; lightweight; deep learning

    0 引言

    隨著計算機(jī)視覺和深度學(xué)習(xí)技術(shù)的飛速發(fā)展,果實識別、機(jī)器人自動采摘、果實產(chǎn)量預(yù)測等領(lǐng)域逐漸成為研究焦點(diǎn)?;ń反貦z測作為一項關(guān)鍵的農(nóng)業(yè)應(yīng)用技術(shù),對農(nóng)業(yè)生產(chǎn)的優(yōu)化和智能化至關(guān)重要。其中,對花椒簇進(jìn)行快速、準(zhǔn)確的檢測是實現(xiàn)自動化采摘的關(guān)鍵[1]。

    傳統(tǒng)的目標(biāo)檢測算法通常需要先對花椒圖像進(jìn)行分割,去除背景信息,再提取尺度不變特征轉(zhuǎn)換[2]或方向梯度直方圖[3]等紋理特質(zhì),然后進(jìn)行目標(biāo)定位和識別。萬芳新等[4]提出一種采用色差法進(jìn)行圖像分割,并用膨脹腐蝕等去除非目標(biāo)花椒串果實,來實現(xiàn)花椒果實的識別和定位。齊銳麗等[5]提出一種基于HSV顏色空間與改進(jìn)的Otsu算法相結(jié)合的圖像分割方法,達(dá)到對花椒的識別。但由于實際采摘過程中背景復(fù)雜、花椒簇目標(biāo)大小不一、形狀變化大等因素,傳統(tǒng)的檢測算法對花椒簇的檢測效果差、魯棒性低。

    近年來,基于深度學(xué)習(xí)的目標(biāo)檢測算法在農(nóng)業(yè)自動化領(lǐng)域得到廣泛的應(yīng)用,如橘子檢測[6]、棗檢測[7]、梨檢測[8]等。常用的深度學(xué)習(xí)檢測算法分為兩類,第一類是基于候選區(qū)域的目標(biāo)檢測算法,主要有R—CNN、Faster R—CNN、SPPNet等。另一類是基于回歸的目標(biāo)檢測算法,主要有YOLO系列和SSD系列等。YOLO算法在檢測速度和精度上具有較好的表現(xiàn),被廣泛應(yīng)用于農(nóng)作物檢測。楊前等[9]向YOLOv4目標(biāo)檢測網(wǎng)絡(luò)中加入枝干分割模塊,形成檢測—分割多任務(wù)網(wǎng)絡(luò)準(zhǔn)確檢測近景花椒。李光明等[10]使用ShuffleNet替換YOLOv5模型主干實現(xiàn)輕量化,完成對花椒簇的檢測。徐楊等[11]利用優(yōu)化后的EfficientViT網(wǎng)絡(luò)替換YOLOv5s的主干,減少模型參數(shù),增強(qiáng)模型對重要特征的表達(dá)能力,在模型大小與準(zhǔn)確率兼顧的情況下實現(xiàn)對花椒簇的檢測。目前研究表明,基于深度學(xué)習(xí)的檢測算法對不同環(huán)境下花椒簇檢測效果較好,但通常自動化采摘設(shè)備搭載的嵌入式設(shè)備計算性能有限,并且實際采摘過程中對檢測速度要求很高,現(xiàn)有的深度學(xué)習(xí)模型算法由于參數(shù)量大,計算復(fù)雜導(dǎo)致檢測速度低,很難部署到嵌入式設(shè)備中,因此,在保證檢測精度與速度的同時,減少模型的參數(shù)量和計算量是花椒簇檢測問題的難點(diǎn)。

    本文以花椒簇為研究對象,提出基于改進(jìn)YOLOv5s模型的輕量化花椒簇檢測模型GGL—YOLO,針對花椒簇復(fù)雜的形態(tài)特征進(jìn)行識別與定位,以提高花椒簇識別精確率與識別速度,實現(xiàn)對花椒簇的快速檢測,為花椒簇的自動化采摘裝備搭建提供一定的支持。

    1 材料與方法

    1.1 數(shù)據(jù)集制作

    以成熟的花椒簇為研究對象,花椒品種為大紅袍,圖像采集于甘肅省某種植園,采集設(shè)備為佳能700D相機(jī),分辨率為2 592像素×1 728像素,拍攝時間為2023年6月。為提高網(wǎng)絡(luò)模型的檢測精度和泛化能力,在不同距離、不同光照、不同位置條件下對花椒進(jìn)行實地拍照,共獲得成熟花椒簇圖像800張。對收集到的每張圖片隨機(jī)選擇鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、改變亮度3種方式中的任意一種方式進(jìn)行變換擴(kuò)充,共得到1 600張圖片。之后使用LabelImg工具對收集到的花椒簇圖像用最小外接矩形框的方法進(jìn)行標(biāo)注,標(biāo)注后得到Y(jié)OLO數(shù)據(jù)格式的.txt標(biāo)注文件。將數(shù)據(jù)集按照8∶1∶1的比例隨機(jī)劃分為訓(xùn)練集、驗證集及測試集,其中訓(xùn)練集包含1 280張圖片,驗證集包含160張,測試集包含120張圖片。數(shù)據(jù)集部分圖像如圖1所示。

    1.2 YOLO模型改進(jìn)

    1.2.1 改進(jìn)GhostNet網(wǎng)絡(luò)

    為壓縮原有YOLOv5s模型的大小,用改進(jìn)后的GhostNet網(wǎng)絡(luò)替換原有模型的主干。GhostNet是一種輕量級的深度學(xué)習(xí)網(wǎng)絡(luò),其創(chuàng)新之處在于Ghost模塊,Ghost模塊的卷積過程如圖2所示。首先,是一個普通卷積,接著,用普通卷積生成的特征圖進(jìn)行線性變換(計算量較少的)生成額外的Ghost特征圖,最后,把兩次生成的特征圖合并輸出,得到最終總的特征圖。Ghost模塊通過參數(shù)共享來減少模型參數(shù),同時通過共享權(quán)重的方式,不同卷積層可以相互交流信息,從而提高模型的表示能力。使其在圖像分類、目標(biāo)檢測和語義分割等任務(wù)中表現(xiàn)卓越[12]。

    GhostNet采用輕量化G_bneck(Ghost bottleneck)模塊遵循MobileNetV3架構(gòu)來進(jìn)行設(shè)計的,一個G_bneck由兩個Ghost模塊堆疊而成,G_bneck結(jié)構(gòu)如圖3所示。SE模塊通過平均池化將輸入特征圖壓縮為一個一維向量,這個向量包含每個通道的全局信息,接著通過兩層全連接層,計算每個通道的重要性權(quán)重,并使用這些權(quán)重來重新加權(quán)原始特征圖的每個通道。SE注意力機(jī)制通過“擠壓”和“激發(fā)”兩個階段來學(xué)習(xí)并應(yīng)用通道權(quán)重,使得模型能夠自適應(yīng)地關(guān)注重要的特征通道,從而提高模型的性能和表達(dá)能力。

    為獲取更多的梯度流信息,刪除原GhostNet較深的冗余層,在淺層添加SE注意力機(jī)制。具體改進(jìn)細(xì)節(jié)如圖4所示,在第一個G_bneck上添加SE模塊,將最后一層CBS層上面原有的5個G_bneck減少為3個。

    1.2.2 輕量化卷積方法GSConv

    GSConv在無人駕駛領(lǐng)域有著非常出色的表現(xiàn)[13]。無人駕駛領(lǐng)域?qū)δP退俣群途纫筝^高,考慮到后期實際應(yīng)用時,同樣需要對速度和精度有較高的要求。所以在YOLOv5s的頸部網(wǎng)絡(luò)融入GSConv卷積,如圖5所示。GSConv卷積提供一種實現(xiàn)檢測器更高計算成本效益的方法,通過使用混洗操作將標(biāo)準(zhǔn)卷積生成的信息滲透到深度可分離卷積生成的每一部分信息中,減輕模型復(fù)雜度,保證精度,且計算成本僅為標(biāo)準(zhǔn)卷積的60%~70%,更好地平衡模型準(zhǔn)確度和速度。

    1.2.3 C2f模塊

    C2f模塊是YOLOv8中新增的一種特征融合模塊,參考C3模塊以及ELAN的思想,從梯度優(yōu)化的角度來考慮模型設(shè)計,只在每一個模塊的最后階段進(jìn)行特征的聚合,這樣既保留了密集連接機(jī)制的優(yōu)點(diǎn),又優(yōu)化了對GPU的利用。在YOLOv5s頸部網(wǎng)絡(luò)采用C2f模塊,在增加梯度信息的同時減少計算塊中的計算量。圖6為C3模塊和C2f模塊的結(jié)構(gòu)對比。

    1.2.4 動態(tài)感受野

    LSKNet在遙感數(shù)據(jù)集上對小目標(biāo)和遮擋目標(biāo)識別方面有非常好的表現(xiàn)[14]??紤]到本文對花椒簇的檢測同樣存在著一些遮擋目標(biāo)及其小目標(biāo),因此,在GGL—YOLO頸部網(wǎng)絡(luò)P3、P4、P5特征圖輸出節(jié)點(diǎn)添加動態(tài)感受野LSK模塊,LSK模塊通過動態(tài)地自適應(yīng)調(diào)整其空間感受野,獲取更豐富的上下文信息,提高檢測精度。LSK模塊具體結(jié)構(gòu)如圖7所示。改進(jìn)后的GGL—YOLO整體網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

    首先,為從輸入數(shù)據(jù)X的不同區(qū)域獲取豐富的背景信息特征,應(yīng)用具有不同感受野大小的一系列深度可分離卷積

    1.3 試驗環(huán)境與評價指標(biāo)

    1.3.1 試驗環(huán)境

    試驗在Windows10操作系統(tǒng)上進(jìn)行,訓(xùn)練顯卡為NVIDIA GeForce GTX3090Ti。軟件環(huán)境為Python3.8.17、Pytorch1.12.1、CUDA11.3。網(wǎng)絡(luò)訓(xùn)練時批次大小(Batch size)設(shè)置為16,動量因子(Momentum)設(shè)置為0.937,初始學(xué)習(xí)率(Learning rate)設(shè)置為0.01,衰減系數(shù)設(shè)置為0.000 5,共訓(xùn)練200輪。

    1.3.2 評價指標(biāo)

    采取平均精度均值mAP、浮點(diǎn)運(yùn)算數(shù)FLOPs、模型訓(xùn)練參數(shù)量以及幀率FPS作為評價指標(biāo)來評估模型的整體性能。mAP是通過計算每個類別的平均精度AP,然后將所有類別的AP取平均得到的。本文檢測類別只有一類,所以mAP等于AP。P、R及AP的計算如式(9)~式(11)所示。

    2 結(jié)果與分析

    2.1 消融試驗

    為驗證和評估所提出的不同模塊對模型性能的影響,以YOLOv5s模型為基線,通過移除或添加不同的模塊,共進(jìn)行6組對比試驗,結(jié)果如表1所示。由試驗1可知,當(dāng)YOLOv5s主干網(wǎng)絡(luò)替換為GhostNet后,mAP有所下降,但模型參數(shù)量減少36%,浮點(diǎn)運(yùn)算數(shù)從15.9 G減少到7.1 G,減少55%。試驗2采用改進(jìn)后的New_Ghost作為YOLOv5s主干,相比于試驗1,模型更加輕量化的同時,mAP上升0.2%,使用New_GhostNet作為主干在減少參數(shù)的同時增強(qiáng)了多尺度學(xué)習(xí)能力和對重要特征的表達(dá)能力。在試驗2基礎(chǔ)上,試驗3在頸部網(wǎng)絡(luò)使用GSConv卷積,相比于試驗2,mAP上升0.6%,GSConv卷積通過引入全局上下文信息,來提高模型的感受野大小和語義理解能力,同時,參數(shù)量和計算復(fù)雜度也有一定的下降。在試驗3基礎(chǔ)上,試驗4在模型頸部采用C2f,mAP上升0.8%,同時參數(shù)量相較于基線下降64%,浮點(diǎn)運(yùn)算數(shù)下降74%,C2f模塊在增加梯度信息的同時,減少計算塊中的計算量。試驗5將YOLOv5s的主干替換為改進(jìn)后的New_GhostNet,并在頸部網(wǎng)絡(luò)采用GSConv和C2f,在特征輸出層采用動態(tài)感受野方法LSK,得到最終模型GGL—YOLO;參數(shù)量僅為2.9 M,相比于基線YOLOv5s的7.0 M下降58.6%;浮點(diǎn)運(yùn)算數(shù)FLOPs僅為5.3 G,相比于基線YOLOv5s的15.9 G下降66.7%;同時,改進(jìn)后的模型mAP較基線YOLOv5s提升1.5%,速度達(dá)到129.6幀/s,提升13.2%。YOLOv5s模型采用New_GhostNet作為特征提取主干網(wǎng)絡(luò),頸部網(wǎng)絡(luò)融入GSConv卷積、C2f模塊,在特征輸出層采用動態(tài)感受野機(jī)制,大幅降低參數(shù)和模型大小的同時,提高對小目標(biāo)檢測的精度,更適合本文對模型輕量化和高精確率的需求。

    模型訓(xùn)練過程中的損失函數(shù)曲線如圖9(a)所示,box_loss代表邊界框預(yù)測損失,obj_loss代表置信度損失;圖9(b)為模型的精確率與召回率曲線圖。改進(jìn)后的模型大幅降低參數(shù)和復(fù)雜度的同時,訓(xùn)練收斂速度快。

    2.2 與不同主流模型的性能對比

    為對比所提方法與主流模型的性能差異,將常見的目標(biāo)檢測模型Faster R—CNN、SSD、YOLOv8s、YOLOv5s進(jìn)行對比試驗,結(jié)果如表2所示。不同模型的檢測效果如圖10所示。

    由表2可知,雙階段檢測網(wǎng)絡(luò)模型Faster R—CNN的識別精度低且網(wǎng)絡(luò)參數(shù)多,推理速度慢,單階段目標(biāo)檢測模型SSD、YOLOv5s和YOLOv8s在推理速度上高于Faster R—CNN。GGL—YOLO對比上面4種模型,在參數(shù)量和檢測速度方面都有一定的優(yōu)勢。相比于其他主流模型,本文模型對各種類型的花椒簇均成功檢測,不存在漏檢現(xiàn)象。改進(jìn)后的網(wǎng)絡(luò)不僅更加輕量化,而且網(wǎng)絡(luò)層之間信息交流增加,從而提高學(xué)習(xí)能力,生成的檢測框最為準(zhǔn)確,檢測速度較快,在面對小目標(biāo)、遮擋目標(biāo)以及多目標(biāo)檢測均未出現(xiàn)漏檢、錯檢現(xiàn)象。

    3 結(jié)論

    基于YOLOv5s模型提出改進(jìn)后的輕量化模型GGL—YOLO,首先,對GhostNet進(jìn)行優(yōu)化,刪除較深冗余層,添加SE注意力機(jī)制,以增強(qiáng)不同層次特征的交互和表達(dá)能力,將得到New_GhostNet作為模型的主干網(wǎng)絡(luò)。然后,在頸部采用更加輕量的GSConv卷積和C2f模塊,提高模型的運(yùn)行效率。最后,在P3、P4、P5特征圖輸出層采用動態(tài)感受野機(jī)制,提高對小目標(biāo)檢測的精度,最終得到輕量化檢測模型。

    1) 在自制的花椒簇數(shù)據(jù)集上進(jìn)行驗證,GGL—YOLO模型與基線YOLOv5s相比,mAP提升1.5%、模型參數(shù)量下降58.6%,模型復(fù)雜度FLOPs下降66.7%,檢測速度快13.2%。結(jié)果表明,所提出的模型具有更高的檢測精度和速度,為后續(xù)進(jìn)一步開展花椒采摘器的實時定位調(diào)整提供應(yīng)用研究基礎(chǔ)。

    2) 對模型輕量化的改進(jìn),可以為自動化農(nóng)業(yè)采摘設(shè)備搭建提供一定的技術(shù)支持。將進(jìn)一步研究如何通過蒸餾、剪枝、微調(diào)等方法在精度損失較小的情況下,對模型進(jìn)行更加輕量化的處理,以便于在計算性能有限的邊緣端設(shè)備上搭載。

    參 考 文 獻(xiàn)

    [ 1 ] 阮承治, 趙德安, 陳旭, 等. 雙指型農(nóng)業(yè)機(jī)器人抓取球形果蔬的控制器設(shè)計[J]. 中國農(nóng)機(jī)化學(xué)報, 2019, 40(11): 169-175.

    Ruan Chengzhi, Zhao De'an, Chen Xu, et al. Controller design for realizing double?finger agricultural robot to grasp spherical fruits and vegetables [J]. Journal of Chinese Agricultural Mechanization, 2019, 40(11): 169-175.

    [ 2 ] Lowe D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Computer Vision, 2004, 60: 91-110.

    [ 3 ] Dalal N, Triggs B. Histograms of oriented gradients for human detection [C]. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005, 1: 886-893.

    [ 4 ] 萬芳新, 白明昌, 賀志洋, 等. 自然場景下花椒果實的識別[J]. 中國農(nóng)機(jī)化學(xué)報, 2016, 37(10): 115-119.

    Wan Fangxin, Bai Mingchang, He Zhiyang, et al. Identification of Chinese prickly ash under the natural scenes [J]. Journal of Chinese Agricultural Mechanization, 2016, 37(10): 115-119.

    [ 5 ] 齊銳麗, 陳曼龍, 楊宗浩, 等. 基于HSV模型與改進(jìn)的OTSU算法花椒圖像分割[J]. 中國農(nóng)機(jī)化學(xué)報, 2019, 40(11): 155-160.

    Qi Ruili, Chen Manlong, Yang Zonghao, et al. Image segmentation of Sichuan pepper based on HSV model and improved OTSU algorithm [J]. Journal of Chinese Agricultural Mechanization, 2019, 40(11): 155-160.

    [ 6 ] 呂佳, 李帥軍, 曾夢瑤, 等. 基于半監(jiān)督SPM—YOLOv5的套袋柑橘檢測算法[J]. 農(nóng)業(yè)工程學(xué)報, 2022, 38(18): 204-211.

    [ 7 ] Wang Y, Xing Z, Ma L, et al. Object detection algorithm for Lingwu long jujubes based on the improved SSD [J]. Agriculture, 2022, 12(9): 1456.

    [ 8 ] Parico A I B, Ahamed T. Real time pear fruit detection and counting using YOLOv4 models and deep SORT [J]. Sensors, 2021, 21(14): 4803.

    [ 9 ] 楊前, 劉興科, 羅建橋, 等. 基于多任務(wù)上下文增強(qiáng)的花椒檢測模型[J]. 機(jī)械制造與自動化, 2023, 52(1): 113-118, 149.

    [10] 李光明, 弓皓斌, 袁凱. 基于輕量化YOLOv5s的花椒簇檢測研究[J]. 中國農(nóng)機(jī)化學(xué)報, 2023, 44(4): 153-158.

    Li Guangming, Gong Haobin, Yuan Kai. Research on lightweight pepper cluster detection based on YOLOv5s [J]. Journal of Chinese Agricultural Mechanization, 2023, 44(4): 153-158.

    [11] 徐楊, 熊舉舉, 李論, 等. 采用改進(jìn)的YOLOv5s檢測花椒簇[J]. 農(nóng)業(yè)工程學(xué)報, 2023, 39(16): 283-290.

    Xu Yang, Xiong Juju, Li Lun, et al. Detecting pepper cluster using improved YOLOv5s [J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(16): 283-290.

    [12] Han K, Wang Y, Tian Q, et al. GhostNet: More features from cheap operations [C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 1580-1589.

    [13] Li H, Li J, Wei H, et al. Slim?neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles [J]. arXiv preprint arXiv: 2206.02424, 2022.

    [14] Li Y, Hou Q, Zheng Z, et al. Large selective kernel network for remote sensing object detection [C]. Proceedings of the IEEE/CVF International Conference on Computer Vision, 2023: 16794-16805.

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    国产欧美亚洲国产| 国产男女内射视频| 中文乱码字字幕精品一区二区三区| 999精品在线视频| 国产精品久久久av美女十八| 制服丝袜香蕉在线| 中文字幕色久视频| www日本在线高清视频| 欧美成人精品欧美一级黄| 欧美av亚洲av综合av国产av | 精品久久久久久电影网| 夫妻午夜视频| 午夜福利影视在线免费观看| 一个人免费看片子| 亚洲七黄色美女视频| av片东京热男人的天堂| 欧美乱码精品一区二区三区| 18禁观看日本| 久久久久久久久久久免费av| 极品人妻少妇av视频| 日本爱情动作片www.在线观看| 一二三四在线观看免费中文在| 在线亚洲精品国产二区图片欧美| 九草在线视频观看| 日本色播在线视频| 一二三四中文在线观看免费高清| 人人妻,人人澡人人爽秒播 | 人成视频在线观看免费观看| 国产黄频视频在线观看| 成年女人毛片免费观看观看9 | 亚洲欧洲国产日韩| 男男h啪啪无遮挡| 国产成人欧美| 黄色一级大片看看| 久久久久精品久久久久真实原创| 啦啦啦在线免费观看视频4| 一边摸一边做爽爽视频免费| 精品视频人人做人人爽| 亚洲欧美一区二区三区黑人| 国产精品欧美亚洲77777| 国产在视频线精品| 丝袜喷水一区| 天天操日日干夜夜撸| 最新在线观看一区二区三区 | 在现免费观看毛片| 一区福利在线观看| 亚洲精品日韩在线中文字幕| www.精华液| 亚洲自偷自拍图片 自拍| 伊人久久国产一区二区| 男女之事视频高清在线观看 | 男女高潮啪啪啪动态图| 在线观看国产h片| 亚洲国产精品成人久久小说| 国产淫语在线视频| 日韩人妻精品一区2区三区| 各种免费的搞黄视频| 99九九在线精品视频| 狠狠精品人妻久久久久久综合| 国产精品二区激情视频| 在线观看免费午夜福利视频| 欧美乱码精品一区二区三区| 日韩视频在线欧美| 国产福利在线免费观看视频| 日韩av免费高清视频| 亚洲精品国产av成人精品| 亚洲伊人色综图| 女性生殖器流出的白浆| 亚洲av成人精品一二三区| 丰满迷人的少妇在线观看| 久久人人爽人人片av| 赤兔流量卡办理| 老鸭窝网址在线观看| 成人国产av品久久久| 男女床上黄色一级片免费看| 免费在线观看黄色视频的| 久久精品久久精品一区二区三区| 国产一级毛片在线| 叶爱在线成人免费视频播放| 国产亚洲欧美精品永久| 侵犯人妻中文字幕一二三四区| 欧美变态另类bdsm刘玥| 日本色播在线视频| 色播在线永久视频| 国产xxxxx性猛交| 亚洲七黄色美女视频| 国产精品免费大片| 一边摸一边做爽爽视频免费| 亚洲,欧美精品.| 欧美日韩成人在线一区二区| 卡戴珊不雅视频在线播放| 自线自在国产av| 久久精品人人爽人人爽视色| 成人国产av品久久久| 色网站视频免费| 亚洲av男天堂| 黄色视频在线播放观看不卡| 中文字幕人妻丝袜一区二区 | 国产亚洲av片在线观看秒播厂| 国产av精品麻豆| 九色亚洲精品在线播放| 午夜影院在线不卡| 久久精品亚洲av国产电影网| 美女福利国产在线| 国产乱人偷精品视频| 一级毛片黄色毛片免费观看视频| 中文精品一卡2卡3卡4更新| 不卡av一区二区三区| 日本欧美视频一区| 51午夜福利影视在线观看| 亚洲精品乱久久久久久| 亚洲三区欧美一区| 女人久久www免费人成看片| 亚洲av成人精品一二三区| 99九九在线精品视频| 国产成人系列免费观看| 伊人亚洲综合成人网| 激情五月婷婷亚洲| 欧美日韩亚洲高清精品| 肉色欧美久久久久久久蜜桃| 国产精品亚洲av一区麻豆 | 亚洲av中文av极速乱| 成人18禁高潮啪啪吃奶动态图| 丰满饥渴人妻一区二区三| 99国产精品免费福利视频| 日本色播在线视频| 欧美 亚洲 国产 日韩一| 国产成人系列免费观看| 久久99精品国语久久久| 毛片一级片免费看久久久久| 巨乳人妻的诱惑在线观看| 永久免费av网站大全| 美女扒开内裤让男人捅视频| 999精品在线视频| 五月开心婷婷网| 精品一区二区免费观看| 韩国av在线不卡| 国产欧美亚洲国产| 午夜久久久在线观看| 一二三四在线观看免费中文在| 亚洲成av片中文字幕在线观看| 婷婷色综合大香蕉| 在现免费观看毛片| 中文字幕人妻丝袜一区二区 | 亚洲国产看品久久| 欧美日韩视频精品一区| 一区二区三区乱码不卡18| 成年动漫av网址| 日韩大码丰满熟妇| 精品久久久精品久久久| 久久毛片免费看一区二区三区| 黄片无遮挡物在线观看| 婷婷色综合www| 人妻 亚洲 视频| 汤姆久久久久久久影院中文字幕| 少妇猛男粗大的猛烈进出视频| 晚上一个人看的免费电影| 老汉色av国产亚洲站长工具| av网站在线播放免费| 一边摸一边做爽爽视频免费| 丝袜美腿诱惑在线| 成人漫画全彩无遮挡| 成年av动漫网址| 制服丝袜香蕉在线| 中文字幕av电影在线播放| 午夜福利视频在线观看免费| 日本av免费视频播放| 99久久99久久久精品蜜桃| 欧美av亚洲av综合av国产av | 中文字幕制服av| 国产有黄有色有爽视频| www.熟女人妻精品国产| 久久精品国产a三级三级三级| 成年美女黄网站色视频大全免费| 我的亚洲天堂| 日韩视频在线欧美| 亚洲欧洲国产日韩| 一级黄片播放器| 女性生殖器流出的白浆| 国产片内射在线| 久久久久久久大尺度免费视频| 精品国产一区二区三区久久久樱花| 多毛熟女@视频| 亚洲成人一二三区av| 最近中文字幕2019免费版| svipshipincom国产片| 亚洲av综合色区一区| 久久国产精品大桥未久av| 亚洲国产中文字幕在线视频| 韩国精品一区二区三区| 国产精品国产三级专区第一集| 丝袜美足系列| 午夜福利一区二区在线看| 免费在线观看黄色视频的| 亚洲精品日本国产第一区| 亚洲,欧美精品.| 操美女的视频在线观看| 久久久久久免费高清国产稀缺| 成人亚洲精品一区在线观看| 国产高清国产精品国产三级| 在线观看人妻少妇| 亚洲美女黄色视频免费看| 一区二区三区乱码不卡18| 国产不卡av网站在线观看| 99热国产这里只有精品6| 毛片一级片免费看久久久久| 国产伦理片在线播放av一区| 亚洲av男天堂| 久久精品久久久久久久性| 欧美日韩亚洲综合一区二区三区_| 国产精品三级大全| 女人高潮潮喷娇喘18禁视频| 国产精品无大码| 亚洲精品国产av成人精品| 亚洲第一青青草原| 日韩中文字幕视频在线看片| 黑人巨大精品欧美一区二区蜜桃| 丝袜人妻中文字幕| 欧美国产精品va在线观看不卡| 亚洲,欧美,日韩| 桃花免费在线播放| 亚洲国产欧美日韩在线播放| 18在线观看网站| 9191精品国产免费久久| 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 | 亚洲国产成人一精品久久久| 丝袜人妻中文字幕| av女优亚洲男人天堂| 亚洲精品美女久久av网站| 一级片'在线观看视频| 晚上一个人看的免费电影| 国产福利在线免费观看视频| 一级毛片我不卡| 国产成人一区二区在线| 最近最新中文字幕免费大全7| 麻豆乱淫一区二区| 满18在线观看网站| 大片免费播放器 马上看| 午夜福利一区二区在线看| 精品一区二区免费观看| 婷婷成人精品国产| 日韩人妻精品一区2区三区| 大片免费播放器 马上看| 久久天堂一区二区三区四区| 七月丁香在线播放| 久久久久久人妻| 久久免费观看电影| 久久久久网色| 老司机影院毛片| 国产精品女同一区二区软件| 欧美变态另类bdsm刘玥| 一级片'在线观看视频| 国语对白做爰xxxⅹ性视频网站| av在线app专区| 90打野战视频偷拍视频| 久久这里只有精品19| 午夜福利视频精品| 涩涩av久久男人的天堂| 美女脱内裤让男人舔精品视频| 精品一区二区三区四区五区乱码 | 欧美国产精品一级二级三级| 最近2019中文字幕mv第一页| 欧美老熟妇乱子伦牲交| 国产精品成人在线| xxxhd国产人妻xxx| 欧美日韩亚洲高清精品| 国产av码专区亚洲av| 国产成人免费观看mmmm| 老司机深夜福利视频在线观看 | 黄色 视频免费看| 国产精品麻豆人妻色哟哟久久| 免费高清在线观看日韩| 色婷婷av一区二区三区视频| 色播在线永久视频| 久久精品国产a三级三级三级| 99国产综合亚洲精品| 国产成人欧美在线观看 | 美女扒开内裤让男人捅视频| 在线免费观看不下载黄p国产| 国产毛片在线视频| 操出白浆在线播放| 99久久99久久久精品蜜桃| 午夜影院在线不卡| 男女下面插进去视频免费观看| 久久久久精品国产欧美久久久 | 狂野欧美激情性xxxx| 国产爽快片一区二区三区| 在线观看免费日韩欧美大片| 欧美日韩av久久| 免费高清在线观看日韩| 99久久综合免费| 国产探花极品一区二区| 国产日韩一区二区三区精品不卡| 亚洲国产看品久久| 又粗又硬又长又爽又黄的视频| 97在线人人人人妻| 亚洲欧洲国产日韩| 免费黄网站久久成人精品| 91aial.com中文字幕在线观看| 亚洲欧美一区二区三区国产| 男的添女的下面高潮视频| 婷婷色综合www| 久久久久久久久久久免费av| 久久国产亚洲av麻豆专区| 亚洲,欧美,日韩| 黑人猛操日本美女一级片| 男女午夜视频在线观看| 一区二区av电影网| 韩国精品一区二区三区| 精品国产一区二区久久| 在线亚洲精品国产二区图片欧美| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机靠b影院| 亚洲精品视频女| 超碰成人久久| 亚洲国产精品一区二区三区在线| 亚洲综合精品二区| 欧美日韩一区二区视频在线观看视频在线| 亚洲,一卡二卡三卡| 一本一本久久a久久精品综合妖精| 男女边吃奶边做爰视频| avwww免费| 最近最新中文字幕免费大全7| 韩国精品一区二区三区| 亚洲国产av影院在线观看| 欧美日韩亚洲高清精品| 在线观看免费午夜福利视频| 亚洲精品国产av蜜桃| 两性夫妻黄色片| 最近2019中文字幕mv第一页| 亚洲精品自拍成人| 久热爱精品视频在线9| 国产女主播在线喷水免费视频网站| 午夜91福利影院| 国产精品.久久久| 免费观看性生交大片5| 亚洲,欧美精品.| www.熟女人妻精品国产| 亚洲精华国产精华液的使用体验| 青春草亚洲视频在线观看| 在线观看免费视频网站a站| 精品久久蜜臀av无| 搡老岳熟女国产| 色婷婷av一区二区三区视频| 在线观看人妻少妇| 99久久精品国产亚洲精品| 日韩制服丝袜自拍偷拍| 色婷婷av一区二区三区视频| 十八禁高潮呻吟视频| 99香蕉大伊视频| 啦啦啦啦在线视频资源| 中文欧美无线码| 国产亚洲av高清不卡| 男女边摸边吃奶| 亚洲一区中文字幕在线| 永久免费av网站大全| 色婷婷久久久亚洲欧美| 欧美在线一区亚洲| 一级a爱视频在线免费观看| 高清黄色对白视频在线免费看| 超碰成人久久| 精品福利永久在线观看| 午夜激情av网站| 美女大奶头黄色视频| 美女国产高潮福利片在线看| 午夜福利网站1000一区二区三区| 亚洲一区中文字幕在线| 久久天躁狠狠躁夜夜2o2o | 巨乳人妻的诱惑在线观看| 少妇的丰满在线观看| 精品人妻一区二区三区麻豆| 最新在线观看一区二区三区 | 18禁国产床啪视频网站| 亚洲av电影在线观看一区二区三区| av视频免费观看在线观看| svipshipincom国产片| 成人午夜精彩视频在线观看| 精品一区在线观看国产| 久久亚洲国产成人精品v| 青春草亚洲视频在线观看| a级片在线免费高清观看视频| 男女高潮啪啪啪动态图| 人人妻人人爽人人添夜夜欢视频| 亚洲 欧美一区二区三区| 十八禁网站网址无遮挡| 国精品久久久久久国模美| 精品酒店卫生间| av卡一久久| 亚洲av电影在线进入| 丰满少妇做爰视频| 亚洲国产精品一区二区三区在线| 国产片特级美女逼逼视频| 大话2 男鬼变身卡| 欧美国产精品va在线观看不卡| 最近最新中文字幕大全免费视频 | 亚洲三区欧美一区| 男女免费视频国产| av国产久精品久网站免费入址| av有码第一页| 在线观看国产h片| 男人添女人高潮全过程视频| 一区二区av电影网| 亚洲国产成人一精品久久久| 美女大奶头黄色视频| 中文字幕精品免费在线观看视频| 亚洲中文av在线| 久久久久久久久免费视频了| 观看美女的网站| 国产又爽黄色视频| 日本午夜av视频| a 毛片基地| 亚洲色图综合在线观看| 国产一区有黄有色的免费视频| 成人国产麻豆网| 水蜜桃什么品种好| 欧美最新免费一区二区三区| 久久影院123| 欧美97在线视频| 国产极品粉嫩免费观看在线| 免费日韩欧美在线观看| 亚洲国产日韩一区二区| 可以免费在线观看a视频的电影网站 | 日韩 欧美 亚洲 中文字幕| 成人国产麻豆网| 一区二区三区激情视频| 久久人妻熟女aⅴ| 中文字幕av电影在线播放| 久久婷婷青草| 日本wwww免费看| 一区二区三区激情视频| 亚洲av欧美aⅴ国产| 丰满少妇做爰视频| 看免费成人av毛片| 日韩中文字幕视频在线看片| 国产成人欧美| 欧美精品人与动牲交sv欧美| 久久 成人 亚洲| 欧美激情 高清一区二区三区| 日韩大片免费观看网站| 亚洲专区中文字幕在线 | 国产 精品1| 肉色欧美久久久久久久蜜桃| 久久青草综合色| 国产av一区二区精品久久| 精品午夜福利在线看| 丝瓜视频免费看黄片| 亚洲色图 男人天堂 中文字幕| 男人爽女人下面视频在线观看| 一级黄片播放器| 黄网站色视频无遮挡免费观看| 国产在线免费精品| 国产欧美亚洲国产| 成年女人毛片免费观看观看9 | 国产欧美亚洲国产| 男女国产视频网站| 男女无遮挡免费网站观看| 亚洲av成人精品一二三区| 美女视频免费永久观看网站| 国产黄色免费在线视频| 久久久久网色| 一级毛片黄色毛片免费观看视频| 午夜福利视频精品| 十八禁网站网址无遮挡| 日本猛色少妇xxxxx猛交久久| tube8黄色片| 中文字幕人妻熟女乱码| 亚洲精品在线美女| 这个男人来自地球电影免费观看 | 日本色播在线视频| 精品亚洲成国产av| svipshipincom国产片| 亚洲在久久综合| 国产1区2区3区精品| 欧美日韩亚洲综合一区二区三区_| 9热在线视频观看99| 老鸭窝网址在线观看| 亚洲一区中文字幕在线| 欧美日韩综合久久久久久| 免费观看性生交大片5| 深夜精品福利| 成人18禁高潮啪啪吃奶动态图| 亚洲,一卡二卡三卡| 午夜影院在线不卡| 亚洲av男天堂| 天天躁狠狠躁夜夜躁狠狠躁| 制服人妻中文乱码| 国产免费现黄频在线看| 久久 成人 亚洲| 国产成人精品福利久久| 日日爽夜夜爽网站| 十八禁网站网址无遮挡| 9色porny在线观看| 免费在线观看完整版高清| 亚洲av福利一区| 亚洲精品一区蜜桃| 午夜老司机福利片| 亚洲精品在线美女| 人成视频在线观看免费观看| 国语对白做爰xxxⅹ性视频网站| 久久精品国产亚洲av涩爱| 一级毛片电影观看| 日本欧美视频一区| 欧美亚洲 丝袜 人妻 在线| 老司机影院成人| 精品免费久久久久久久清纯 | 久久99精品国语久久久| 少妇 在线观看| 一级片免费观看大全| 老司机亚洲免费影院| 国产有黄有色有爽视频| 午夜91福利影院| 欧美最新免费一区二区三区| 美女福利国产在线| 欧美激情极品国产一区二区三区| 久久青草综合色| 看免费成人av毛片| av卡一久久| 人成视频在线观看免费观看| 女的被弄到高潮叫床怎么办| 久久久久视频综合| 在线精品无人区一区二区三| 99久久综合免费| 久久久亚洲精品成人影院| 欧美 日韩 精品 国产| 少妇的丰满在线观看| 1024香蕉在线观看| 色播在线永久视频| 日韩av不卡免费在线播放| 欧美精品亚洲一区二区| 婷婷色麻豆天堂久久| 少妇 在线观看| 大香蕉久久成人网| 性色av一级| 十八禁人妻一区二区| 一区二区三区激情视频| 两性夫妻黄色片| 久久久久久久大尺度免费视频| 美女主播在线视频| 天堂俺去俺来也www色官网| 国产精品无大码| 欧美亚洲日本最大视频资源| 如日韩欧美国产精品一区二区三区| 麻豆乱淫一区二区| 亚洲激情五月婷婷啪啪| 最近2019中文字幕mv第一页| 制服丝袜香蕉在线| 国产精品熟女久久久久浪| 免费观看av网站的网址| 国语对白做爰xxxⅹ性视频网站| 色网站视频免费| 欧美乱码精品一区二区三区| 人体艺术视频欧美日本| 美国免费a级毛片| 久久人妻熟女aⅴ| www日本在线高清视频| 欧美精品一区二区大全| 男人爽女人下面视频在线观看| 亚洲欧美精品自产自拍| 国产老妇伦熟女老妇高清| 美女脱内裤让男人舔精品视频| 9191精品国产免费久久| 国产av码专区亚洲av| 老司机影院成人| 色精品久久人妻99蜜桃| 久久久久久免费高清国产稀缺| 欧美日韩成人在线一区二区| 亚洲精品国产区一区二| 别揉我奶头~嗯~啊~动态视频 | 欧美日韩亚洲高清精品| av福利片在线| 蜜桃国产av成人99| 欧美日韩一级在线毛片| 狠狠精品人妻久久久久久综合| 少妇被粗大猛烈的视频| 蜜桃国产av成人99| 国产极品粉嫩免费观看在线| 婷婷色av中文字幕| bbb黄色大片| 免费黄网站久久成人精品| 色婷婷av一区二区三区视频| 天天躁狠狠躁夜夜躁狠狠躁| 中国三级夫妇交换| 男女无遮挡免费网站观看| 欧美另类一区| 人人妻人人爽人人添夜夜欢视频| 亚洲 欧美一区二区三区| 久久鲁丝午夜福利片| 啦啦啦视频在线资源免费观看| 99国产综合亚洲精品| 免费日韩欧美在线观看| 永久免费av网站大全| 97精品久久久久久久久久精品| 黄片无遮挡物在线观看| 女性被躁到高潮视频| 美女中出高潮动态图| 男女边吃奶边做爰视频| 在线精品无人区一区二区三| 欧美日韩国产mv在线观看视频| 永久免费av网站大全| 国产亚洲一区二区精品| 欧美亚洲 丝袜 人妻 在线| xxx大片免费视频| 精品一品国产午夜福利视频| 国产日韩一区二区三区精品不卡| 九草在线视频观看| 日韩免费高清中文字幕av| 久久久亚洲精品成人影院| 婷婷成人精品国产| 日韩制服骚丝袜av| 国产色婷婷99| 丝袜脚勾引网站| 五月开心婷婷网| 老司机影院成人| 91aial.com中文字幕在线观看|