• <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
    亚洲专区国产一区二区| 丰满乱子伦码专区| 欧美成人a在线观看| 给我免费播放毛片高清在线观看| 蜜桃亚洲精品一区二区三区| 久久久精品大字幕| h日本视频在线播放| 国产三级在线视频| 哪里可以看免费的av片| 日韩高清综合在线| 夜夜夜夜夜久久久久| 久久久久精品国产欧美久久久| 在线观看舔阴道视频| 免费一级毛片在线播放高清视频| 热99re8久久精品国产| 亚洲电影在线观看av| 精品福利观看| 亚洲专区国产一区二区| 白带黄色成豆腐渣| 伦理电影大哥的女人| 国产成+人综合+亚洲专区| 日韩大尺度精品在线看网址| 欧美又色又爽又黄视频| 国产一区二区三区视频了| 亚洲中文字幕日韩| 国产精品亚洲美女久久久| 啦啦啦韩国在线观看视频| 一级av片app| 亚洲成a人片在线一区二区| 丝袜美腿在线中文| 国产精品三级大全| av在线天堂中文字幕| 天美传媒精品一区二区| 午夜激情福利司机影院| 国产色爽女视频免费观看| 国产探花极品一区二区| 亚洲精品亚洲一区二区| 美女高潮喷水抽搐中文字幕| 欧美日韩乱码在线| 亚洲成a人片在线一区二区| 内地一区二区视频在线| 欧美绝顶高潮抽搐喷水| 不卡一级毛片| 精品久久久久久久久亚洲 | 亚洲 国产 在线| 亚洲片人在线观看| 黄色视频,在线免费观看| 男人的好看免费观看在线视频| 国产69精品久久久久777片| 精品久久久久久久久久免费视频| 国语自产精品视频在线第100页| 麻豆久久精品国产亚洲av| 久久精品国产自在天天线| 国产伦人伦偷精品视频| 中文字幕精品亚洲无线码一区| av黄色大香蕉| 国产单亲对白刺激| 国产免费一级a男人的天堂| h日本视频在线播放| 天堂影院成人在线观看| 性插视频无遮挡在线免费观看| 此物有八面人人有两片| 观看免费一级毛片| 人妻丰满熟妇av一区二区三区| 免费人成在线观看视频色| 日韩欧美免费精品| 亚洲aⅴ乱码一区二区在线播放| 国产精品一及| 久久婷婷人人爽人人干人人爱| av在线蜜桃| 国产精品1区2区在线观看.| 夜夜爽天天搞| 少妇被粗大猛烈的视频| 久久香蕉精品热| 99热这里只有是精品50| 超碰av人人做人人爽久久| 国产成人福利小说| 亚洲av免费在线观看| 日韩欧美精品v在线| 成人国产一区最新在线观看| 国产高清视频在线播放一区| ponron亚洲| 亚洲精品在线观看二区| 午夜免费成人在线视频| 日本与韩国留学比较| 国产极品精品免费视频能看的| 日本黄大片高清| 99国产精品一区二区三区| 韩国av一区二区三区四区| 真人做人爱边吃奶动态| 免费在线观看影片大全网站| 免费高清视频大片| 久99久视频精品免费| 国产av一区在线观看免费| 亚洲午夜理论影院| 免费看a级黄色片| 国产一区二区亚洲精品在线观看| 国产欧美日韩一区二区精品| 真实男女啪啪啪动态图| 伊人久久精品亚洲午夜| 成人国产一区最新在线观看| 国产欧美日韩精品亚洲av| 欧美xxxx黑人xx丫x性爽| 日本撒尿小便嘘嘘汇集6| 欧美一级a爱片免费观看看| 老熟妇乱子伦视频在线观看| 午夜福利欧美成人| 听说在线观看完整版免费高清| 精品欧美国产一区二区三| 亚洲美女搞黄在线观看 | 亚洲欧美清纯卡通| 又爽又黄a免费视频| 久久久久国产精品人妻aⅴ院| 91午夜精品亚洲一区二区三区 | 最近视频中文字幕2019在线8| 成年人黄色毛片网站| 亚洲avbb在线观看| 国产精品一区二区三区四区免费观看 | 国产精品爽爽va在线观看网站| 午夜老司机福利剧场| 男女床上黄色一级片免费看| 欧美成人性av电影在线观看| 国产成人欧美在线观看| 欧美精品啪啪一区二区三区| 免费看a级黄色片| 国产一区二区三区在线臀色熟女| 99久久精品国产亚洲精品| 国产精品亚洲美女久久久| 神马国产精品三级电影在线观看| 亚洲精品粉嫩美女一区| 欧美日韩福利视频一区二区| 看免费av毛片| 内射极品少妇av片p| 91午夜精品亚洲一区二区三区 | 午夜福利在线观看免费完整高清在 | 午夜福利免费观看在线| 无人区码免费观看不卡| 中文资源天堂在线| 人人妻,人人澡人人爽秒播| 亚洲精品粉嫩美女一区| xxxwww97欧美| 国产毛片a区久久久久| 成人国产一区最新在线观看| 欧美一区二区亚洲| 国产单亲对白刺激| 亚洲精品一卡2卡三卡4卡5卡| 精华霜和精华液先用哪个| 久久国产乱子免费精品| 亚洲最大成人av| 国产真实乱freesex| 又爽又黄a免费视频| 国产乱人伦免费视频| 午夜福利18| 国产精品自产拍在线观看55亚洲| 久久草成人影院| 亚洲一区二区三区不卡视频| 男人舔女人下体高潮全视频| 日韩欧美精品免费久久 | 午夜a级毛片| 亚洲七黄色美女视频| 极品教师在线视频| 国产精品98久久久久久宅男小说| 男女做爰动态图高潮gif福利片| 女人十人毛片免费观看3o分钟| 久久久国产成人精品二区| 搡老熟女国产l中国老女人| 人人妻,人人澡人人爽秒播| 亚洲狠狠婷婷综合久久图片| 国产成人欧美在线观看| 变态另类成人亚洲欧美熟女| 久久精品影院6| 免费在线观看亚洲国产| 黄色配什么色好看| av国产免费在线观看| 欧美日韩乱码在线| 99久久成人亚洲精品观看| 国产老妇女一区| 宅男免费午夜| av女优亚洲男人天堂| 亚洲三级黄色毛片| 亚洲精品亚洲一区二区| 长腿黑丝高跟| 亚洲精品乱码久久久v下载方式| 婷婷亚洲欧美| avwww免费| 性色av乱码一区二区三区2| 免费看美女性在线毛片视频| 村上凉子中文字幕在线| 美女高潮喷水抽搐中文字幕| 欧美成人性av电影在线观看| 简卡轻食公司| 欧美另类亚洲清纯唯美| 国产伦精品一区二区三区四那| 国产精品久久久久久久电影| 色噜噜av男人的天堂激情| 嫩草影院精品99| 日韩 亚洲 欧美在线| 久久久久精品国产欧美久久久| 亚洲最大成人中文| 欧美又色又爽又黄视频| 国产91精品成人一区二区三区| 亚洲欧美日韩卡通动漫| 狂野欧美白嫩少妇大欣赏| 久久精品国产99精品国产亚洲性色| 老女人水多毛片| 熟妇人妻久久中文字幕3abv| 国产亚洲精品久久久久久毛片| 午夜免费成人在线视频| 国产男靠女视频免费网站| 亚洲精品粉嫩美女一区| 一区二区三区四区激情视频 | 又紧又爽又黄一区二区| 日本免费一区二区三区高清不卡| 精品人妻视频免费看| 丰满的人妻完整版| 亚洲av日韩精品久久久久久密| 欧美成人性av电影在线观看| 久久久色成人| 欧美黄色淫秽网站| 亚洲人成网站高清观看| 成人美女网站在线观看视频| 91狼人影院| 国产午夜福利久久久久久| 18禁黄网站禁片免费观看直播| 精品久久国产蜜桃| 美女高潮的动态| 在线十欧美十亚洲十日本专区| 草草在线视频免费看| 午夜亚洲福利在线播放| 久久草成人影院| 国产白丝娇喘喷水9色精品| 高清日韩中文字幕在线| 一个人观看的视频www高清免费观看| 国产在视频线在精品| 身体一侧抽搐| 一级毛片久久久久久久久女| 黄色丝袜av网址大全| 老司机深夜福利视频在线观看| www日本黄色视频网| 亚洲欧美日韩高清在线视频| 亚洲成人久久性| or卡值多少钱| 久久精品国产亚洲av天美| 91字幕亚洲| 国产精品精品国产色婷婷| 老司机午夜福利在线观看视频| 成年版毛片免费区| 久久久久久久久久黄片| a级毛片免费高清观看在线播放| 亚洲黑人精品在线| 最近最新中文字幕大全电影3| 婷婷精品国产亚洲av在线| 久久久久久久精品吃奶| 啦啦啦韩国在线观看视频| 亚洲国产高清在线一区二区三| 精品久久久久久久久av| 黄色丝袜av网址大全| 日韩欧美 国产精品| 亚洲狠狠婷婷综合久久图片| 精品99又大又爽又粗少妇毛片 | 精品人妻一区二区三区麻豆 | 少妇高潮的动态图| 在线观看美女被高潮喷水网站 | 午夜福利高清视频| 亚洲综合色惰| eeuss影院久久| 身体一侧抽搐| av国产免费在线观看| 亚洲欧美日韩卡通动漫| 热99re8久久精品国产| 小蜜桃在线观看免费完整版高清| 国产极品精品免费视频能看的| 亚洲美女黄片视频| 久久国产乱子伦精品免费另类| 又粗又爽又猛毛片免费看| 乱人视频在线观看| 久久久国产成人免费| 国产av麻豆久久久久久久| 黄色日韩在线| 国产精品一及| 亚洲最大成人手机在线| 亚洲不卡免费看| 欧美乱色亚洲激情| 久久久久亚洲av毛片大全| 国产欧美日韩精品亚洲av| 俺也久久电影网| 在线播放国产精品三级| 国产精品国产高清国产av| 亚洲国产精品999在线| 亚洲最大成人av| 国产成人av教育| 精品久久久久久久久久久久久| 亚洲av成人精品一区久久| 国产精品久久久久久久电影| 香蕉av资源在线| 91久久精品国产一区二区成人| 亚洲第一欧美日韩一区二区三区| 搡老熟女国产l中国老女人| 国产精品久久久久久亚洲av鲁大| 男女床上黄色一级片免费看| 桃红色精品国产亚洲av| 国内久久婷婷六月综合欲色啪| 久久久久国产精品人妻aⅴ院| 国产午夜精品久久久久久一区二区三区 | 午夜福利视频1000在线观看| 黄色丝袜av网址大全| 国语自产精品视频在线第100页| www日本黄色视频网| 日韩欧美免费精品| 国产成人欧美在线观看| 国产精品1区2区在线观看.| 少妇的逼好多水| 日本黄色片子视频| 国产老妇女一区| 午夜福利免费观看在线| 精品久久久久久成人av| 国产精品一区二区性色av| 偷拍熟女少妇极品色| 国产v大片淫在线免费观看| 99视频精品全部免费 在线| 精品久久国产蜜桃| 色综合欧美亚洲国产小说| .国产精品久久| 久久精品久久久久久噜噜老黄 | 午夜福利免费观看在线| 色av中文字幕| 我的老师免费观看完整版| 精品午夜福利在线看| 成人无遮挡网站| 日本三级黄在线观看| 成年版毛片免费区| 久久这里只有精品中国| 嫩草影院入口| av黄色大香蕉| 欧美日韩综合久久久久久 | 午夜精品在线福利| 男女那种视频在线观看| 身体一侧抽搐| 有码 亚洲区| 国产淫片久久久久久久久 | 久久久久久久亚洲中文字幕 | 日本精品一区二区三区蜜桃| 国产一区二区激情短视频| 婷婷精品国产亚洲av在线| 亚州av有码| 久久九九热精品免费| 免费观看精品视频网站| 免费av不卡在线播放| 欧美乱色亚洲激情| 色在线成人网| 极品教师在线免费播放| 精品无人区乱码1区二区| 99久久精品一区二区三区| 国产一级毛片七仙女欲春2| 免费高清视频大片| 在现免费观看毛片| 黄色丝袜av网址大全| 动漫黄色视频在线观看| 日韩欧美三级三区| 88av欧美| 亚洲aⅴ乱码一区二区在线播放| 欧美黄色淫秽网站| 国产aⅴ精品一区二区三区波| 在线观看66精品国产| 久久亚洲精品不卡| 18美女黄网站色大片免费观看| 久久草成人影院| 久久国产精品人妻蜜桃| 精品国产亚洲在线| 长腿黑丝高跟| bbb黄色大片| 午夜日韩欧美国产| 999久久久精品免费观看国产| 亚洲国产欧洲综合997久久,| 1024手机看黄色片| 天堂av国产一区二区熟女人妻| 国产一级毛片七仙女欲春2| 国产三级黄色录像| 桃色一区二区三区在线观看| 久久精品国产亚洲av涩爱 | bbb黄色大片| 日本免费一区二区三区高清不卡| 俺也久久电影网| 亚洲国产日韩欧美精品在线观看| 亚洲18禁久久av| 色尼玛亚洲综合影院| 村上凉子中文字幕在线| 久99久视频精品免费| av天堂中文字幕网| 两个人视频免费观看高清| 国产激情偷乱视频一区二区| 国产精品,欧美在线| 老司机午夜福利在线观看视频| 亚洲av二区三区四区| www.色视频.com| 午夜免费激情av| 午夜精品一区二区三区免费看| 永久网站在线| 亚洲内射少妇av| 日韩有码中文字幕| 日日夜夜操网爽| 国产野战对白在线观看| 最近中文字幕高清免费大全6 | 日韩精品青青久久久久久| 综合色av麻豆| 国产精品久久久久久久久免 | 国产精品乱码一区二三区的特点| 久久国产乱子免费精品| 亚洲精品色激情综合| 欧美日韩福利视频一区二区| 欧美+日韩+精品| 热99在线观看视频| 性色avwww在线观看| 欧美激情国产日韩精品一区| 欧美+日韩+精品| 亚洲自偷自拍三级| 男女那种视频在线观看| 中文字幕人成人乱码亚洲影| 国产单亲对白刺激| 99国产极品粉嫩在线观看| 亚洲人成电影免费在线| 国产极品精品免费视频能看的| 一区二区三区免费毛片| 国产精品一区二区三区四区免费观看 | 日本黄大片高清| 久久精品国产自在天天线| 99精品久久久久人妻精品| 国产午夜精品论理片| 亚洲自拍偷在线| 老鸭窝网址在线观看| 极品教师在线视频| 成人高潮视频无遮挡免费网站| 无遮挡黄片免费观看| 午夜福利在线观看吧| 国产又黄又爽又无遮挡在线| ponron亚洲| 欧美日韩乱码在线| 久久人妻av系列| 最新中文字幕久久久久| 亚洲av电影在线进入| 日本在线视频免费播放| 久久久久久九九精品二区国产| 日韩高清综合在线| 久久久久国产精品人妻aⅴ院| 久久精品综合一区二区三区| 老女人水多毛片| 久久婷婷人人爽人人干人人爱| 欧美成人免费av一区二区三区| 久久欧美精品欧美久久欧美| 欧美极品一区二区三区四区| 88av欧美| 在线观看舔阴道视频| 69av精品久久久久久| 日本成人三级电影网站| 亚洲国产色片| 亚洲精品日韩av片在线观看| 久久人妻av系列| 国产精品日韩av在线免费观看| 91狼人影院| 夜夜爽天天搞| 国产高潮美女av| 国产视频内射| 热99在线观看视频| 免费人成在线观看视频色| 欧美性感艳星| 欧美最新免费一区二区三区 | 久久久久久久久久黄片| 脱女人内裤的视频| 欧美日韩乱码在线| 全区人妻精品视频| 久久久久性生活片| 99久久精品热视频| 国产精品野战在线观看| av视频在线观看入口| 日韩中文字幕欧美一区二区| 亚洲人与动物交配视频| 少妇人妻一区二区三区视频| 最近最新中文字幕大全电影3| 久久久国产成人免费| 亚洲第一区二区三区不卡| 身体一侧抽搐| 一区二区三区免费毛片| 在线观看免费视频日本深夜| 欧美日韩乱码在线| 激情在线观看视频在线高清| 久久久久久久精品吃奶| 韩国av一区二区三区四区| 麻豆国产97在线/欧美| 免费观看精品视频网站| 国产91精品成人一区二区三区| 国产成人啪精品午夜网站| 热99在线观看视频| 高清在线国产一区| 久久精品国产清高在天天线| av在线老鸭窝| 久久精品国产清高在天天线| 国产色爽女视频免费观看| 哪里可以看免费的av片| 人妻丰满熟妇av一区二区三区| 色哟哟·www| 日韩欧美在线乱码| 一级毛片久久久久久久久女| 搞女人的毛片| 一级毛片久久久久久久久女| 日本熟妇午夜| 色精品久久人妻99蜜桃| 精品国产亚洲在线| 精品一区二区三区视频在线| 欧美又色又爽又黄视频| 日本撒尿小便嘘嘘汇集6| 亚洲国产精品sss在线观看| 国产v大片淫在线免费观看| 久久精品夜夜夜夜夜久久蜜豆| 蜜桃久久精品国产亚洲av| 久久精品国产自在天天线| 如何舔出高潮| 中文字幕人成人乱码亚洲影| 亚洲人成网站在线播| 少妇丰满av| 午夜久久久久精精品| 哪里可以看免费的av片| 人人妻人人看人人澡| 色哟哟·www| 日韩大尺度精品在线看网址| 欧美黑人欧美精品刺激| av黄色大香蕉| 亚洲av.av天堂| 国产精品永久免费网站| 宅男免费午夜| 精品一区二区三区av网在线观看| 五月玫瑰六月丁香| 脱女人内裤的视频| 国产三级黄色录像| 欧美高清成人免费视频www| 国产精品爽爽va在线观看网站| 9191精品国产免费久久| 偷拍熟女少妇极品色| 天天一区二区日本电影三级| 亚洲aⅴ乱码一区二区在线播放| 婷婷精品国产亚洲av| 99riav亚洲国产免费| 在线天堂最新版资源| 好男人在线观看高清免费视频| 1000部很黄的大片| 国产麻豆成人av免费视频| av在线观看视频网站免费| 又爽又黄无遮挡网站| 国产91精品成人一区二区三区| 国产亚洲精品av在线| 亚洲精品久久国产高清桃花| 国产野战对白在线观看| 夜夜躁狠狠躁天天躁| 一夜夜www| 成人av一区二区三区在线看| 午夜福利成人在线免费观看| 琪琪午夜伦伦电影理论片6080| av福利片在线观看| 夜夜夜夜夜久久久久| 亚洲自偷自拍三级| 亚洲无线观看免费| 一本一本综合久久| av国产免费在线观看| 窝窝影院91人妻| 嫩草影院入口| 欧美日本亚洲视频在线播放| 国产 一区 欧美 日韩| 制服丝袜大香蕉在线| 网址你懂的国产日韩在线| 很黄的视频免费| 97超视频在线观看视频| 国产成+人综合+亚洲专区| 亚洲欧美日韩高清专用| 精品国产三级普通话版| 在线播放无遮挡| 高清毛片免费观看视频网站| 一级a爱片免费观看的视频| 免费观看精品视频网站| 欧美成人a在线观看| av中文乱码字幕在线| 精品一区二区三区av网在线观看| 久久久久久久精品吃奶| 神马国产精品三级电影在线观看| 男女那种视频在线观看| 女人十人毛片免费观看3o分钟| 成人国产一区最新在线观看| 国产精品伦人一区二区| 亚洲片人在线观看| 老司机午夜福利在线观看视频| 成人精品一区二区免费| 国产私拍福利视频在线观看| 精品久久久久久久久久免费视频| 琪琪午夜伦伦电影理论片6080| 老司机深夜福利视频在线观看| 精品久久久久久久末码| 欧美三级亚洲精品| av女优亚洲男人天堂| 波多野结衣高清无吗| 91麻豆av在线| 黄片小视频在线播放| a级一级毛片免费在线观看| 国产伦人伦偷精品视频| 精品不卡国产一区二区三区| 精品人妻熟女av久视频| 色在线成人网| 又爽又黄a免费视频| 精品久久国产蜜桃| 免费看光身美女| 亚洲五月婷婷丁香| 此物有八面人人有两片| 中文字幕免费在线视频6| 国产高清视频在线观看网站| 国产熟女xx| 中亚洲国语对白在线视频| 我的老师免费观看完整版| 日本黄色片子视频|