• <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Fast-SCNN的塑瓶氣泡缺陷實時分割算法

    2020-06-20 12:01:42任德均吳華運胡云起
    計算機應(yīng)用 2020年6期
    關(guān)鍵詞:池化氣泡像素

    付 磊,任德均,吳華運,郜 明,邱 呂,胡云起

    (四川大學(xué)機械工程學(xué)院,成都 610065)

    (?通信作者電子郵箱rendejun@scu.edu.cn)

    0 引言

    隨著生活水平的提升,人們對健康的重視程度增加,醫(yī)藥消費逐漸增大。據(jù)文獻[1]可知,2014 年國內(nèi)在輸液瓶上的生產(chǎn)量就高達136.92 億袋,其中軟袋、塑瓶所占比例超過50%。軟袋、塑瓶的瓶體是由吹塑機器通過模具吹塑成型,瓶體的質(zhì)量與藥液污染密切相關(guān),然而在吹塑過程中由于工藝不足與模具質(zhì)量問題產(chǎn)生如圖1所示的缺陷。

    圖1 塑瓶瓶身缺陷類型Fig.1 Plastic bottle body defect types

    其中黑點、殘缺瓶缺陷可以通過閾值分割及模板匹配檢測出來;但是氣泡缺陷其邊緣特征的相似性,對其檢測產(chǎn)生較大的干擾。以往瓶身氣泡缺陷檢測是通過人工在光照條件下進行眼檢,其檢測的準確性隨著工人檢測時間的增加而降低。文獻[2]采用逆向P-M(Perona-Malik)擴散、二值化差分圖像算法確定缺陷區(qū)域,并采用支持向量機(Support Vector Machine,SVM)對缺陷進行分類,其對組合蓋的明顯氣泡、黑點、毛發(fā)能達到實時檢測效果;但算法性能對擴散模型參數(shù)較為敏感,對氣泡缺陷存在一定的漏檢。文獻[3]中采用太赫茲技術(shù)對滾塑制品氣泡缺陷檢測,其基于太赫茲波在有氣泡的區(qū)域反射圖譜嚴重衰減原理,對氣泡缺陷檢測效果較好;但太赫茲設(shè)備昂貴且在氣泡檢測工業(yè)應(yīng)用方面尚未成熟。文獻[4]采用動態(tài)閾值分割的方法對X 射線照射的BGA(Ball Grid Array)焊點連接電路板圖進行氣泡缺陷提取,其主要應(yīng)用于金屬內(nèi)氣泡缺陷的檢測。

    語義分割技術(shù)用于尋找圖像不同實體的邊界,可實現(xiàn)像素級定位相關(guān)對象,按照其方法可以分為深度卷積神經(jīng)網(wǎng)絡(luò)、自動編碼卷積網(wǎng)絡(luò)、基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bi-directional Recurrent Neural Network,Bi-RNN)模型等,其中熱點研究集中在深度卷積神經(jīng)網(wǎng)絡(luò),通過非線性映射及激活函數(shù)提取目標分割信息,進而可對圖像進行逐像素分類以實現(xiàn)對缺陷的檢測[5]。最具代表性的深度卷積神經(jīng)網(wǎng)絡(luò)為全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks,F(xiàn)CN)[6]與DeepLab[7-8]系列,基于自動編碼卷積為U-Net 網(wǎng)絡(luò)[9]及基于Bi-RNN 的ReSeg 模型[10]。FCN 在圖片上進行非對稱卷積與反卷積操作,并在最后一層對其進行像素分類,其對復(fù)雜背景下物體邊緣提取不足[11]。U-Net采用對稱的下采樣與上采樣,在醫(yī)學(xué)影像處理中得到廣泛應(yīng)用。該網(wǎng)絡(luò)同時也被借鑒到其他領(lǐng)域,如劉暢等[12]采用改進U-Net 與分類神經(jīng)網(wǎng)絡(luò)的方法對磁瓦缺陷進行檢測分類,效果上能預(yù)測93%的磁瓦缺陷區(qū)域,類別準確率達94%。同時,Bi-RNN 考慮全局上下文關(guān)系耗時導(dǎo)致推理時間較長,而不適用工業(yè)檢測。

    基于目前沒有對醫(yī)用塑瓶氣泡的有效檢測方法及深度卷積神經(jīng)網(wǎng)絡(luò)對非明顯特征的檢測優(yōu)勢,本文提出了一種改進快速分割卷積神經(jīng)網(wǎng)絡(luò)(Fast Segmentation Convolutional Neural Network,F(xiàn)ast-SCNN)[13]的分割檢測算法,其在低圖形處理器(Graphics Processing Unit,GPU)性能的硬件上也有較高的分割速度,滿足現(xiàn)有的工程要求。本文研究對圖像數(shù)據(jù)進行了預(yù)處理及增強,并引入了多級跳躍連接與注意力機制改進網(wǎng)絡(luò)以實現(xiàn)高精度端到端的缺陷分割,通過對比實驗得出所提算法獲得了網(wǎng)絡(luò)檢測精度與時間消耗量的平衡。

    1 本文算法

    1.1 原始Fast-SCNN

    檢測算法應(yīng)用于工業(yè)檢測中往往需要在檢測硬件成本低、應(yīng)用性能不足的情況下滿足一定的檢測精度和耗時少等要求。為了解決氣泡實時檢測難點問題,選擇圖2(a)所示的Fast-SCNN為基礎(chǔ)進行優(yōu)化,并將分割好的掩碼圖像采用輪廓尋找以實現(xiàn)對圖像缺陷的信息統(tǒng)計。該網(wǎng)絡(luò)借鑒了Zhao等[14]提出的金字塔場景解析網(wǎng)絡(luò)(Pyramid Scene Parsing Network,PSPNet)中的多級池化提取全局信息及當前較為流行的多分支結(jié)構(gòu)[15-17],具體為:卷積下采樣后,多級池化提取圖像由淺到深的多層特征;第二分支學(xué)習(xí)淺層高分辨率信息,簡單補充多級池化所帶來的空間信息的損失;同時,網(wǎng)絡(luò)中卷積為深度可分離卷積,進一步減小模型的規(guī)模及減少推理時間。在Cityscapes 數(shù)據(jù)集輸入大小為512×1 024 像素、設(shè)備為單個Nvidia Titan X 時,該網(wǎng)絡(luò)的類別精度為62.8%、平均交并比(Mean Intersection Over Union,MIoU)為68.0%。Fast-SCNN 中包含了卷積下采樣、上采樣、DSConv(Distribution Shifting Convolution)、DWConv(DepthWise Convolution)、金字塔池化、Softmax等網(wǎng)絡(luò)部分。

    1.2 網(wǎng)絡(luò)層操作及改進原理

    卷積操作(Conv2d):采用卷積核以一定間隔(Stride)在圖片上行掃描乘積方式學(xué)習(xí)圖片特征,同一層中卷積核參數(shù)相同。每一次卷積操作都是將淺層特征語義化,同時卷積過程是線性的,可以改變特征的大小。

    批標準化(Batch normalization)[18]是由Google 于2015 年提出,其目的在于加速網(wǎng)絡(luò)的收斂、按照一定規(guī)則打亂特征數(shù)據(jù)減少網(wǎng)絡(luò)的過擬合,采用的方法是使每層輸入符合一定的數(shù)據(jù)分布。具體算法流程為:1)獲取批次的均值,如式(1);2)獲取批次的協(xié)方差,如式(2);3)對批次數(shù)據(jù)進行歸一化,如式(3);4)對批次數(shù)據(jù)進行縮放平移,如式(4)。

    其中:m為批次的大??;xi為一批次的數(shù)據(jù)值;γ與β是要學(xué)習(xí)的參數(shù);而添加常量參數(shù)ε是為了保證數(shù)值穩(wěn)定性。

    交叉熵損失函數(shù)(Cross Entropy Error Function)用來描述兩個概率分布之間的接近程度,且該函數(shù)描述出來的曲線為凸函數(shù)曲線,在現(xiàn)有的數(shù)學(xué)證明上其為收斂函數(shù),其損失函數(shù)公式如式(5)~(6)所示,式(5)為樣本均衡時的損失函數(shù),式(6)為樣本不均衡時的損失函數(shù)。

    其中:x為網(wǎng)絡(luò)模型的輸出;class為單個類,本文為[0,1];j為所有類;文中的weight為類權(quán)重向量,用于減輕類不平衡對性能的影響。

    上采樣(upsample):采用某種插值方式對原有特征進行尺寸維度上擴展。改進Fast-SCNN 采用的上采樣方式為雙線性插值方式,該上采樣是通過在兩個維度上分別進行一次插值,從而達到特征的縮放。

    金字塔池化操作借鑒了PSPNet、DeepLab[19]獲取全局信息方法,主要為對同一特征層采用不同的池化核得到一系列從大到小特征層的方法學(xué)習(xí)不同深度特征,再經(jīng)過不同的上采樣倍數(shù),使池化后的特征層大小相同,再與輸入特征進行拼接,進而在單分支獲得不同深度的特征信息。在改進Fast-SCNN中該部分如圖3所示。

    圖2 原始Fast-SCNN與改進Fast-SCNN的結(jié)構(gòu)Fig.2 Structures of original Fast-SCNN and improved Fast-SCNN

    圖3 金字塔池化操作Fig.3 Pyramid pooling operation

    SENet(Sequeeze and Excitation Networks)[20]是由Momenta公司于2017 年提出的網(wǎng)絡(luò),如圖4 所示。該網(wǎng)絡(luò)首次提出利用通道間的信息促進網(wǎng)絡(luò)對目標對象局部特征的學(xué)習(xí),同時在一定程度上減少其他噪聲信息的干擾。SE 模塊主要分為兩部分:一為壓縮特征(Squeeze),利用自適應(yīng)全局平均池化獲得輸入特征的特征通道間數(shù)值分布數(shù)據(jù);二為激發(fā)特征(Excitation),利用兩個全連接中夾取一個ReLU(Rectified Linear Units)層來降低計算量,其后用一個Sigmoid 層來學(xué)習(xí)每個特征通道的重要性,進而再與原來的通道進行相乘,獲得具有通道間信息的特征層。

    1.3 改進Fast-SCNN

    Fast-SCNN 多次卷積下采樣操作與金字塔池化生成的語義特征丟失了圖像小型物體的淺層特征,導(dǎo)致該網(wǎng)絡(luò)不能檢測小于一定尺寸的氣泡缺陷,同時該網(wǎng)絡(luò)在金字塔池化后上采樣4 倍,擴大了對1/8 圖像特征學(xué)習(xí)的誤差,從而影響網(wǎng)絡(luò)對氣泡邊緣像素標簽的預(yù)測。最后,該網(wǎng)絡(luò)在上采樣后直接與第二分支特征進行融合,未對上采樣的特征進行通道重要性區(qū)分,在一定程度上降低了該網(wǎng)絡(luò)對氣泡的分割精度,從而最終影響對氣泡缺陷的檢測。針對原始Fast-SCNN 的不足,本文提出如圖2(b)所示的改進Fast-SCNN,其改進由以下幾個方面組成:1)增加卷積下采樣的次數(shù),促進網(wǎng)絡(luò)學(xué)習(xí)到氣泡缺陷圖更高層的語義特征,使網(wǎng)絡(luò)對氣泡缺陷具有更好的識別能力;2)在網(wǎng)絡(luò)進行金字塔池化后,網(wǎng)絡(luò)上采樣的倍數(shù)改為2 倍,減少擴張計算帶來的誤差;3)借鑒U-Net 對稱式的下采樣與上采樣思想,但也考慮到網(wǎng)絡(luò)的檢測時間,僅將1/4特征、1/8 特征、1/16 特征分別與高層語義特征上采樣后特征融合,減少網(wǎng)絡(luò)對淺層細節(jié)信息的丟失;4)在高層語義特征上采樣后、融合淺層信息前增加通道信息的學(xué)習(xí),從而使網(wǎng)絡(luò)具有區(qū)分缺陷通道信息的能力?;谝陨蠈W(wǎng)絡(luò)結(jié)構(gòu)的改進,增強了網(wǎng)絡(luò)對圖像特征提取的能力,避免了在降采樣時小型缺陷的信息丟失造成對小型缺陷的未分割,從而顯著提高了對氣泡缺陷檢測的性能。

    圖4 SELayer模塊Fig.4 SELayer module

    2 實驗與結(jié)果分析

    2.1 實驗數(shù)據(jù)與硬件

    本文研究采用的數(shù)據(jù)為工業(yè)相機對某醫(yī)用塑瓶制造廠生產(chǎn)中含有氣泡塑瓶拍攝圖,共計2 841 張,因Fast-SCNN 采用監(jiān)督學(xué)習(xí)對其2 541 張圖片數(shù)據(jù)用LabelMe 軟件進行標記,并將其標注數(shù)據(jù)中隨機選取1 936 張圖片為訓(xùn)練集,605 張圖片為測試集。在標注數(shù)據(jù)之前,對圖片數(shù)據(jù)進行預(yù)處理,提取塑瓶區(qū)域,排除非塑瓶區(qū)域?qū)z測的影響,并減小圖片尺寸以縮短檢測時間。對得到的JSON(JavaScript Object Notation)文件進行處理獲得標注圖片,氣泡原圖與氣泡標注圖如圖5所示。

    由于數(shù)據(jù)集較小,借鑒Fast-SCNN 在leftImg8bit 的數(shù)據(jù)集數(shù)目,考慮塑瓶可左右傾斜將訓(xùn)練數(shù)據(jù)集進行左右翻轉(zhuǎn)擴充數(shù)據(jù),最終獲得的訓(xùn)練集的樣本數(shù)為3 872張。本文檢測采用的實驗環(huán)境是Pytorch框架,在Window 10系統(tǒng)下運行,使用的GPU為英偉達GTX1070,RAM為8 GB。

    2.2 實驗評價指標

    實驗采用國際計算機視覺與模式識別會議(conference on Computer Vision and Pattern Recognition,CVPR)中有關(guān)語義分割的評價指標:執(zhí)行時間、內(nèi)存占用及精確度。精確度分為像素精度(Pixel Accuracy,PA)、均像素精度(Mean Pixel Accuracy,MPA)、平均交并比(MIoU)及頻權(quán)交并比(Frequency Weighted Intersection over Union,F(xiàn)WIoU)四種,由于只檢測氣泡缺陷,本文僅采用像素精度與平均交并比兩種。像素精度為正確預(yù)測的像素數(shù)占總的像素數(shù)的比值,其計算式如式(7)所示;平均交并比為真實值集合與預(yù)測值集合的交集除以其并集,計算式如式(8)所示。

    其中:pii是類別為i的同時也被預(yù)測為i類的像素之和;pij是類別為i的被預(yù)測為j類的像素之和;k為類別數(shù)。

    2.3 對比分析

    為了驗證本文所提改進Fast-SCNN 的有效性與可行性,對比三組不同的Fast-SCNN 改進網(wǎng)絡(luò),三組改進網(wǎng)絡(luò)如下:1)二級淺層特征Fast-SCNN(Both Shallow Feature Fast-SCNN,BSF Fast-SCNN)??紤]到原網(wǎng)絡(luò)在全局特征提取并融合淺層特征后直接上采樣8 倍,在一定程度忽略網(wǎng)絡(luò)的細節(jié)信息,故將網(wǎng)絡(luò)下采樣1/4后的特征添加進網(wǎng)絡(luò)的后繼預(yù)測層之前,使網(wǎng)絡(luò)在預(yù)測時上采樣為4 倍。2)三級淺層特征Fast-SCNN(Three Shallow Feature Fast-SCNN,TSF Fast-SCNN)。在BSF Fast-SCNN 的基礎(chǔ)上對金字塔池化后的上采樣4 倍改為2 倍,同時在下采樣到1/8后繼續(xù)下采樣到1/16,并添加兩次特征融合,其網(wǎng)絡(luò)結(jié)構(gòu)圖為圖2(b)去除SELayer 模塊后所示。3)四級融合SElayer 淺特征Fast-SCNN(Four SELayer Shallow Feature Fast-SCNN,F(xiàn)SSF Fast-SCNN)。將網(wǎng)絡(luò)下采樣1/2 的特征添加進改進Fast-SCNN,同時在網(wǎng)絡(luò)上采樣為1/2 特征時融合SELayer 特征。在氣泡訓(xùn)練數(shù)據(jù)集上對原始Fast-SCNN網(wǎng)絡(luò)、改進Fast-SCNN 與上述三個改進網(wǎng)絡(luò)(BSF Fast-SCNN、TSF Fast-SCNN、FSSF Fast-SCNN)進行實驗,其中網(wǎng)絡(luò)的超參數(shù)為:輸入圖片尺寸為320×450像素,學(xué)習(xí)率為0.001,訓(xùn)練輪數(shù)為96。在605張測試圖片上得到如表1所示的分割性能。

    從總體上看,隨著對網(wǎng)絡(luò)的改進,網(wǎng)絡(luò)結(jié)構(gòu)逐漸復(fù)雜,單張檢測時間也從原來的19.4 ms 增加到27.19 ms,MIoU 也增加了2.36 個百分點;從檢測性能上看,F(xiàn)SSF Fast-SCNN 較改進Fast-SCNN 的MIoU 僅提高了0.16個百分點,但單張檢測時間增加了2.79 ms;綜合考慮MIoU 精度與效率,采用改進Fast-SCNN 用于工業(yè)現(xiàn)場氣泡缺陷的檢測。同時表1 結(jié)果表明,采用合理的跳躍連接次數(shù)能促進網(wǎng)絡(luò)對缺陷區(qū)域預(yù)測的精度;SELayer模塊增加網(wǎng)絡(luò)對上采樣模塊通道特征重要性的理解,在網(wǎng)絡(luò)性能上MIoU值上升了0.23個百分點。

    表1 優(yōu)化網(wǎng)絡(luò)結(jié)果對比Tab.1 Comparison of improved network results

    對醫(yī)用塑瓶分別采用Fast-SCNN、改進Fast-SCNN 進行測試,保存預(yù)處理后的圖片及檢測后的圖片,結(jié)果如圖6 所示。由圖6 可知,改進Fast-SCNN 較Fast-SCNN 對氣泡邊緣預(yù)測更加精確,能夠有效地檢測出較小的氣泡缺陷。

    圖6 氣泡檢測示例Fig.6 Bubble detection examples

    比較改進Fast-SCNN 與典型的深度卷積神經(jīng)網(wǎng)絡(luò)性能差異,在相同的數(shù)據(jù)下,分別對各網(wǎng)絡(luò)的訓(xùn)練參數(shù)進行優(yōu)化、推理后得到如表2 所示評估結(jié)果,其中FCN-8s 為FCN 的子模型結(jié)構(gòu)。在像素精度上四個網(wǎng)絡(luò)均超過99.5%,其間相差不超過0.2 個百分點,但在MIoU 分割評價指標上改進Fast-SCNN超過U-Net,并在檢測時間上低于U-Net,降低了7.5 ms,可以較好地滿足工業(yè)檢測的需求。

    表2 改進Fast-SCNN網(wǎng)絡(luò)與流行網(wǎng)絡(luò)性能比較Tab.2 Performance comparison between improved Fast-SCNN and popular networks

    3 結(jié)語

    針對塑瓶氣泡特征與瓶身特征的相似性及大小不確定性等造成氣泡缺陷檢測困難,提出一種改進Fast-SCNN。在現(xiàn)有的氣泡數(shù)據(jù)集上實驗可得,改進Fast-SCNN 的MIoU 超過U-Net,但檢測時間下降了7.5 ms,同時改進Fast SCNN 較原Fast-SCNN的MIoU 提升了2.3%,檢測時間只增加了5 ms。同時采用該算法在工業(yè)現(xiàn)場上對塑瓶氣泡檢測,發(fā)現(xiàn)其具有較好的檢測精度與穩(wěn)定性。但對于工業(yè)現(xiàn)場缺陷數(shù)據(jù)不足的情況,該檢測算法會降低對氣泡缺陷區(qū)域預(yù)測的精度,接下來將研究如何在少量氣泡缺陷數(shù)據(jù)下實現(xiàn)對氣泡缺陷的高效穩(wěn)定的檢測。

    猜你喜歡
    池化氣泡像素
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    檸檬氣泡水
    欣漾(2024年2期)2024-04-27 15:19:49
    趙運哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    基于Sobel算子的池化算法設(shè)計
    像素前線之“幻影”2000
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    SIAU詩杭便攜式氣泡水杯
    新潮電子(2021年7期)2021-08-14 15:53:12
    浮法玻璃氣泡的預(yù)防和控制對策
    “像素”仙人掌
    冰凍氣泡
    色噜噜av男人的天堂激情| 特大巨黑吊av在线直播| 国产黄色小视频在线观看| 一个人观看的视频www高清免费观看| 国产真实乱freesex| 欧美高清性xxxxhd video| 少妇的逼水好多| 九九在线视频观看精品| 精品一区二区免费观看| 亚洲va在线va天堂va国产| 夜夜夜夜夜久久久久| 联通29元200g的流量卡| 不卡一级毛片| 亚洲18禁久久av| 丝袜美腿在线中文| 亚洲av电影不卡..在线观看| 国产伦理片在线播放av一区 | 在线免费观看的www视频| av在线播放精品| 久久人人爽人人片av| 日韩大尺度精品在线看网址| av福利片在线观看| 久久久成人免费电影| 午夜亚洲福利在线播放| 99热这里只有是精品在线观看| 天堂影院成人在线观看| 黄色日韩在线| 国产高清激情床上av| 观看美女的网站| 日韩 亚洲 欧美在线| 久久久a久久爽久久v久久| 成年版毛片免费区| 色播亚洲综合网| 在线观看美女被高潮喷水网站| 偷拍熟女少妇极品色| 天堂√8在线中文| 黄片无遮挡物在线观看| av在线蜜桃| 日本免费一区二区三区高清不卡| 亚洲精品乱码久久久久久按摩| 自拍偷自拍亚洲精品老妇| 欧美日韩在线观看h| avwww免费| 免费av毛片视频| 爱豆传媒免费全集在线观看| 国产国拍精品亚洲av在线观看| 少妇的逼好多水| 日韩高清综合在线| 亚洲av成人精品一区久久| 欧美区成人在线视频| 亚洲av.av天堂| 美女内射精品一级片tv| 丝袜喷水一区| 寂寞人妻少妇视频99o| 丰满人妻一区二区三区视频av| 99久久无色码亚洲精品果冻| 中文在线观看免费www的网站| 夫妻性生交免费视频一级片| 色综合亚洲欧美另类图片| 一区二区三区四区激情视频 | 欧美又色又爽又黄视频| 久久久久久国产a免费观看| 日韩高清综合在线| 久久久精品大字幕| 国内精品美女久久久久久| 黑人高潮一二区| 禁无遮挡网站| 天堂av国产一区二区熟女人妻| 成年女人看的毛片在线观看| 一边亲一边摸免费视频| 久99久视频精品免费| 成人一区二区视频在线观看| 国产精品久久久久久亚洲av鲁大| 国产黄片视频在线免费观看| 亚洲图色成人| 国内精品美女久久久久久| 精品久久久久久久久av| 亚洲成a人片在线一区二区| 久久亚洲国产成人精品v| 国产高潮美女av| 九色成人免费人妻av| 成人av在线播放网站| 啦啦啦观看免费观看视频高清| 日本-黄色视频高清免费观看| 久久久久久久久久黄片| 久久午夜亚洲精品久久| 麻豆久久精品国产亚洲av| 亚洲精品日韩在线中文字幕 | 特级一级黄色大片| 26uuu在线亚洲综合色| 欧美日韩乱码在线| 蜜桃久久精品国产亚洲av| 伦理电影大哥的女人| 一区福利在线观看| 午夜老司机福利剧场| 人妻系列 视频| 精品国内亚洲2022精品成人| 国产午夜精品久久久久久一区二区三区| 偷拍熟女少妇极品色| 国产精品蜜桃在线观看 | 欧美精品国产亚洲| 久久久色成人| 日韩一区二区视频免费看| 国内少妇人妻偷人精品xxx网站| or卡值多少钱| 中文字幕制服av| 两性午夜刺激爽爽歪歪视频在线观看| 边亲边吃奶的免费视频| 18禁在线播放成人免费| 日韩欧美国产在线观看| 欧美日韩一区二区视频在线观看视频在线 | 亚洲中文字幕日韩| 精品午夜福利在线看| 亚洲欧美日韩高清专用| 免费人成在线观看视频色| 日韩欧美 国产精品| 国产一区二区在线av高清观看| 一进一出抽搐动态| 亚洲欧美成人精品一区二区| 日韩精品有码人妻一区| 久久久色成人| 在线播放无遮挡| 国产真实伦视频高清在线观看| av天堂中文字幕网| 国产精品1区2区在线观看.| 寂寞人妻少妇视频99o| 只有这里有精品99| 亚洲综合色惰| 国产视频首页在线观看| 嫩草影院入口| 春色校园在线视频观看| 免费看日本二区| 日韩在线高清观看一区二区三区| 欧美激情久久久久久爽电影| 欧美精品一区二区大全| 老女人水多毛片| 又黄又爽又刺激的免费视频.| 国产探花极品一区二区| 国产高潮美女av| av免费在线看不卡| 搡老妇女老女人老熟妇| 亚洲成人久久爱视频| 日本三级黄在线观看| 亚洲国产日韩欧美精品在线观看| 亚洲欧美精品自产自拍| 日本五十路高清| 免费不卡的大黄色大毛片视频在线观看 | 日韩欧美在线乱码| 九九在线视频观看精品| 亚洲欧洲国产日韩| 日日干狠狠操夜夜爽| 成人亚洲精品av一区二区| 在线国产一区二区在线| 天天躁夜夜躁狠狠久久av| 日韩强制内射视频| 少妇人妻精品综合一区二区 | 蜜臀久久99精品久久宅男| 丰满乱子伦码专区| 国产黄色视频一区二区在线观看 | 亚洲三级黄色毛片| 国产精品一区二区性色av| 亚洲欧洲国产日韩| av视频在线观看入口| 人妻少妇偷人精品九色| 中文字幕久久专区| 身体一侧抽搐| 99热网站在线观看| 听说在线观看完整版免费高清| 卡戴珊不雅视频在线播放| 嫩草影院精品99| 欧美色视频一区免费| 欧洲精品卡2卡3卡4卡5卡区| 久久精品国产亚洲av涩爱 | 亚洲欧美中文字幕日韩二区| 久久久a久久爽久久v久久| 变态另类成人亚洲欧美熟女| 亚洲欧美精品专区久久| 亚洲av.av天堂| 六月丁香七月| 国产精品久久电影中文字幕| 国产午夜精品一二区理论片| 男的添女的下面高潮视频| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲精品久久久久久婷婷小说 | 麻豆国产av国片精品| 亚洲av不卡在线观看| 久久这里有精品视频免费| 九九在线视频观看精品| 亚洲自拍偷在线| 亚洲自偷自拍三级| 成人午夜高清在线视频| 免费看av在线观看网站| 国产午夜精品一二区理论片| 亚洲激情五月婷婷啪啪| 国产国拍精品亚洲av在线观看| 毛片女人毛片| 老师上课跳d突然被开到最大视频| 国产老妇伦熟女老妇高清| 久久人人爽人人片av| 人人妻人人看人人澡| 91午夜精品亚洲一区二区三区| 中国国产av一级| 中文字幕精品亚洲无线码一区| 亚洲欧美日韩高清在线视频| 亚洲av中文字字幕乱码综合| 一级黄片播放器| av黄色大香蕉| 99视频精品全部免费 在线| 成人三级黄色视频| 日韩强制内射视频| 夜夜爽天天搞| 中出人妻视频一区二区| 亚洲国产日韩欧美精品在线观看| 亚洲精品久久久久久婷婷小说 | 夜夜看夜夜爽夜夜摸| 久久亚洲精品不卡| 亚洲最大成人av| 春色校园在线视频观看| 精品99又大又爽又粗少妇毛片| 日韩成人伦理影院| 99热只有精品国产| 欧美成人精品欧美一级黄| 全区人妻精品视频| 日日干狠狠操夜夜爽| 亚洲欧美日韩高清在线视频| 国产精品av视频在线免费观看| 麻豆国产av国片精品| 黄色一级大片看看| 日韩强制内射视频| 99热精品在线国产| 久久婷婷人人爽人人干人人爱| 成人性生交大片免费视频hd| 在线天堂最新版资源| 激情 狠狠 欧美| 在线播放国产精品三级| 亚洲欧美日韩无卡精品| 99热6这里只有精品| 欧美区成人在线视频| 深爱激情五月婷婷| 联通29元200g的流量卡| av免费在线看不卡| 欧美高清性xxxxhd video| 波多野结衣高清无吗| 六月丁香七月| 成人高潮视频无遮挡免费网站| 亚洲国产欧洲综合997久久,| 别揉我奶头 嗯啊视频| 日产精品乱码卡一卡2卡三| 春色校园在线视频观看| 免费av不卡在线播放| 日韩强制内射视频| 国产乱人偷精品视频| 国产三级在线视频| 国产精品一区www在线观看| 国产精品.久久久| a级毛片a级免费在线| 99久久成人亚洲精品观看| 国产精品久久久久久亚洲av鲁大| 国产淫片久久久久久久久| 亚洲经典国产精华液单| 青青草视频在线视频观看| 亚洲av成人精品一区久久| 精品久久久久久久久亚洲| 三级毛片av免费| 你懂的网址亚洲精品在线观看 | 日本黄色片子视频| 男人舔奶头视频| 午夜福利视频1000在线观看| 在线a可以看的网站| 中国国产av一级| 天堂网av新在线| 搡女人真爽免费视频火全软件| 三级毛片av免费| 亚洲国产高清在线一区二区三| av视频在线观看入口| 久久久欧美国产精品| 国产成年人精品一区二区| 国产91av在线免费观看| 国产一区二区三区av在线 | av国产免费在线观看| 人妻少妇偷人精品九色| 国产免费一级a男人的天堂| 少妇猛男粗大的猛烈进出视频 | 亚洲精品影视一区二区三区av| 国产伦理片在线播放av一区 | 老师上课跳d突然被开到最大视频| 日本色播在线视频| 欧美3d第一页| 99国产极品粉嫩在线观看| 麻豆国产av国片精品| 国产老妇女一区| 日本av手机在线免费观看| 亚洲人成网站在线观看播放| 久久精品影院6| 久久精品国产亚洲av天美| 自拍偷自拍亚洲精品老妇| 国产人妻一区二区三区在| 三级男女做爰猛烈吃奶摸视频| 欧美一区二区亚洲| 国产视频内射| 久久亚洲国产成人精品v| 成人国产麻豆网| 夜夜夜夜夜久久久久| 久久久久久九九精品二区国产| 日韩高清综合在线| 国产伦在线观看视频一区| 日本色播在线视频| a级毛色黄片| av福利片在线观看| 久久久精品94久久精品| 亚洲av成人精品一区久久| 草草在线视频免费看| 如何舔出高潮| 国产真实伦视频高清在线观看| 最近的中文字幕免费完整| 三级国产精品欧美在线观看| 亚洲av免费高清在线观看| 小说图片视频综合网站| 69av精品久久久久久| 成人二区视频| 最近2019中文字幕mv第一页| 最近中文字幕高清免费大全6| 欧美xxxx黑人xx丫x性爽| 日本撒尿小便嘘嘘汇集6| 久久久欧美国产精品| 此物有八面人人有两片| 综合色av麻豆| 亚洲一区高清亚洲精品| 婷婷亚洲欧美| 黑人高潮一二区| 国产视频内射| av福利片在线观看| 麻豆国产97在线/欧美| 亚洲欧美精品综合久久99| 熟女电影av网| 中文字幕熟女人妻在线| 尤物成人国产欧美一区二区三区| 国产爱豆传媒在线观看| 久久6这里有精品| 联通29元200g的流量卡| 亚洲内射少妇av| 天堂网av新在线| 免费不卡的大黄色大毛片视频在线观看 | 日韩制服骚丝袜av| 国产在视频线在精品| 国产不卡一卡二| 啦啦啦啦在线视频资源| 97人妻精品一区二区三区麻豆| 免费在线观看成人毛片| 亚洲乱码一区二区免费版| 51国产日韩欧美| 久久久久久九九精品二区国产| 好男人在线观看高清免费视频| 国产熟女欧美一区二区| 男插女下体视频免费在线播放| 亚洲人成网站在线播放欧美日韩| 此物有八面人人有两片| 亚洲在线自拍视频| 亚洲av中文av极速乱| 两个人视频免费观看高清| 一本精品99久久精品77| 一区二区三区高清视频在线| 久久午夜福利片| 一个人看的www免费观看视频| 色播亚洲综合网| 少妇高潮的动态图| 欧美激情在线99| 国产精品国产高清国产av| 国产精品女同一区二区软件| 伦精品一区二区三区| a级毛片a级免费在线| 99精品在免费线老司机午夜| 国产精品三级大全| 美女被艹到高潮喷水动态| 亚洲欧洲日产国产| 亚洲成av人片在线播放无| 成人特级av手机在线观看| 欧美潮喷喷水| 成人特级av手机在线观看| 久久这里有精品视频免费| 久久人人爽人人爽人人片va| 99久久精品一区二区三区| 亚洲av男天堂| 日韩视频在线欧美| 色综合站精品国产| 91精品一卡2卡3卡4卡| 一级毛片电影观看 | 亚洲不卡免费看| 精华霜和精华液先用哪个| 晚上一个人看的免费电影| 日本与韩国留学比较| 久久午夜亚洲精品久久| 免费无遮挡裸体视频| 亚洲av熟女| 网址你懂的国产日韩在线| 国产高清有码在线观看视频| 免费av不卡在线播放| 18禁裸乳无遮挡免费网站照片| 夜夜看夜夜爽夜夜摸| 99久国产av精品国产电影| 日本-黄色视频高清免费观看| 老司机影院成人| 国内少妇人妻偷人精品xxx网站| 久久久久网色| 日韩av不卡免费在线播放| 99热全是精品| 精品人妻视频免费看| 亚洲av不卡在线观看| 少妇丰满av| 亚洲美女搞黄在线观看| av免费在线看不卡| 成人欧美大片| 男女边吃奶边做爰视频| 99国产极品粉嫩在线观看| 美女高潮的动态| 日韩中字成人| 亚洲天堂国产精品一区在线| АⅤ资源中文在线天堂| 人人妻人人看人人澡| 国产精品女同一区二区软件| 白带黄色成豆腐渣| 国产精品久久视频播放| 欧美三级亚洲精品| 简卡轻食公司| 欧美日韩在线观看h| 中文字幕免费在线视频6| 亚洲美女视频黄频| 精品久久久噜噜| 国产黄a三级三级三级人| 啦啦啦韩国在线观看视频| 欧美一区二区国产精品久久精品| 久久久久免费精品人妻一区二区| 亚洲av熟女| 欧美区成人在线视频| 麻豆国产av国片精品| 男人舔奶头视频| 免费看日本二区| 最新中文字幕久久久久| 桃色一区二区三区在线观看| 欧美又色又爽又黄视频| 欧美成人免费av一区二区三区| 国产黄色小视频在线观看| 人妻制服诱惑在线中文字幕| 一边摸一边抽搐一进一小说| 成人毛片a级毛片在线播放| 日韩一区二区三区影片| 一区福利在线观看| 精品久久久噜噜| 久久人人爽人人爽人人片va| 亚洲精华国产精华液的使用体验 | 插逼视频在线观看| 国产成人aa在线观看| av天堂在线播放| 国产一级毛片在线| 丰满的人妻完整版| 黄色欧美视频在线观看| 色综合站精品国产| 亚洲欧美日韩东京热| videossex国产| 悠悠久久av| 麻豆精品久久久久久蜜桃| 精品人妻视频免费看| 国内久久婷婷六月综合欲色啪| 欧美精品国产亚洲| kizo精华| 嫩草影院入口| 一进一出抽搐gif免费好疼| 午夜福利成人在线免费观看| 亚洲乱码一区二区免费版| 亚洲人成网站在线播| 免费不卡的大黄色大毛片视频在线观看 | 麻豆国产97在线/欧美| 亚洲性久久影院| 亚洲国产精品成人综合色| 亚洲第一区二区三区不卡| 人妻少妇偷人精品九色| 18禁黄网站禁片免费观看直播| 亚洲天堂国产精品一区在线| 精品久久久久久久久亚洲| 韩国av在线不卡| 婷婷亚洲欧美| 久久精品91蜜桃| 日日摸夜夜添夜夜爱| 亚洲国产精品合色在线| 国产 一区精品| 99在线视频只有这里精品首页| www.av在线官网国产| 国产精品精品国产色婷婷| 亚洲丝袜综合中文字幕| 亚洲av免费在线观看| 久久精品国产亚洲av天美| av免费观看日本| 麻豆精品久久久久久蜜桃| 亚洲精品日韩在线中文字幕 | 伊人久久精品亚洲午夜| 中国国产av一级| 欧美高清成人免费视频www| 97在线视频观看| 成人午夜精彩视频在线观看| 国产一区二区在线av高清观看| 啦啦啦观看免费观看视频高清| 日韩三级伦理在线观看| 一本精品99久久精品77| 久久久久久伊人网av| 亚洲国产精品国产精品| 免费av毛片视频| 级片在线观看| 久久中文看片网| 99热这里只有是精品50| 中文字幕熟女人妻在线| 成人亚洲欧美一区二区av| 亚洲精品国产av成人精品| 全区人妻精品视频| 麻豆国产av国片精品| 国产 一区精品| 久久久久久久亚洲中文字幕| 黄色视频,在线免费观看| 日本成人三级电影网站| 麻豆乱淫一区二区| 久久人人精品亚洲av| 成人二区视频| www日本黄色视频网| 亚洲av电影不卡..在线观看| 亚洲成人中文字幕在线播放| 国产在线精品亚洲第一网站| 综合色丁香网| 日本黄大片高清| 一级av片app| 国产高清视频在线观看网站| 国产成人freesex在线| 日本一二三区视频观看| 国产精品无大码| 99热这里只有是精品50| 一夜夜www| 国产精品一区二区性色av| 99热这里只有是精品在线观看| 亚洲av.av天堂| 精品久久久噜噜| 午夜亚洲福利在线播放| 欧美三级亚洲精品| 熟女人妻精品中文字幕| 亚洲经典国产精华液单| 日本欧美国产在线视频| av免费观看日本| 精品久久久久久久久久免费视频| 精品免费久久久久久久清纯| 国产一级毛片七仙女欲春2| 嘟嘟电影网在线观看| 国产男人的电影天堂91| 欧美激情久久久久久爽电影| 可以在线观看的亚洲视频| 美女大奶头视频| 亚洲三级黄色毛片| 丝袜美腿在线中文| 91久久精品电影网| 别揉我奶头 嗯啊视频| 淫秽高清视频在线观看| 麻豆成人av视频| 久久6这里有精品| 日本-黄色视频高清免费观看| 国产v大片淫在线免费观看| 少妇的逼好多水| 一个人看的www免费观看视频| 一级黄片播放器| 国产精品免费一区二区三区在线| 搞女人的毛片| 好男人在线观看高清免费视频| 看非洲黑人一级黄片| 国产在线男女| 插阴视频在线观看视频| 91av网一区二区| 可以在线观看毛片的网站| 嫩草影院入口| 国产精品福利在线免费观看| 久久久久久久亚洲中文字幕| 听说在线观看完整版免费高清| 亚洲色图av天堂| 禁无遮挡网站| 欧美日本亚洲视频在线播放| 男女那种视频在线观看| 嫩草影院新地址| 精品人妻偷拍中文字幕| 久久精品国产亚洲av天美| 国产精品精品国产色婷婷| 国产老妇女一区| 亚洲天堂国产精品一区在线| 搡老妇女老女人老熟妇| 精品人妻偷拍中文字幕| 国产在视频线在精品| 一夜夜www| 国产成人精品久久久久久| 国产麻豆成人av免费视频| 悠悠久久av| 一进一出抽搐动态| 亚洲自拍偷在线| 国产又黄又爽又无遮挡在线| 我要搜黄色片| 国内少妇人妻偷人精品xxx网站| 高清在线视频一区二区三区 | 嫩草影院入口| 村上凉子中文字幕在线| 国产精品电影一区二区三区| 亚洲精品久久国产高清桃花| 中文欧美无线码| 国产精品电影一区二区三区| 一边摸一边抽搐一进一小说| 美女大奶头视频| 小蜜桃在线观看免费完整版高清| 美女cb高潮喷水在线观看| 少妇丰满av| 国产伦理片在线播放av一区 | 国产亚洲精品久久久久久毛片| 欧美成人精品欧美一级黄| 男女边吃奶边做爰视频| 你懂的网址亚洲精品在线观看 |