• <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(jìn)YOLOv5的安全帽檢測算法研究

    2023-06-15 23:55:14胡曉棟王國明
    計(jì)算機(jī)時(shí)代 2023年6期
    關(guān)鍵詞:安全帽深度學(xué)習(xí)

    胡曉棟 王國明

    摘? 要: 針對現(xiàn)有的安全帽檢測算法參數(shù)量大,不利于嵌入式端部署,且密集目標(biāo)存在漏檢等情況,本文做出以下改進(jìn):對模型的主干特征網(wǎng)絡(luò)用更加輕量的MobileViTv2網(wǎng)絡(luò)進(jìn)行替換并引入輕量級的無參卷積注意力模塊(SimAM),再結(jié)合大卷積核RepLKNet架構(gòu)對原有的超深小卷積核進(jìn)行改進(jìn),在減少參數(shù)量的同時(shí)提升了精度。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的算法平均精度達(dá)到96%,提升了1.8%,模型大小降低了31%。同時(shí)能滿足實(shí)際場景對安全帽檢測精度和速度的要求。

    關(guān)鍵詞: 深度學(xué)習(xí); YOLOv5; MobileViTv2; SimAM; RepLKNet; 安全帽

    中圖分類號:TP389.1? ? ? ? ? 文獻(xiàn)標(biāo)識碼:A? ? ?文章編號:1006-8228(2023)06-76-05

    Research on helmet detection algorithm based on improved YOLOv5

    Hu Xiaodong, Wang Guoming

    (College of Computer Science and Engineering, Anhui University of Science and Technology, Huainan, Anhuai 232000, China)

    Abstract: In response to the existing helmet detection algorithm with large number of parameters, unfavorable for embedded end deployment, and dense targets with missed detection, the following improvements are made in this paper. The backbone feature network of the model is replaced by a more lightweight MobileViTv2 network and a lightweight non-parametric convolution attention module (SimAM) is introduced, and the original ultra-deep small convolution kernel is improved by combining with the large convolutional kernel RepLKNet architecture, which reduces the number of parameters and improves the accuracy. The experimental results show that the average accuracy of the improved algorithm reaches 96%, which increases by 1.8%, and the model size decreases by 31%. It can meet the requirements of accuracy and speed in the actual situation.

    Key words: deep learning; YOLOv5; MobileViTv2; SimAM; RepLKNet; safety helmet

    0 引言

    在一些高危的現(xiàn)場施工環(huán)境中,未佩戴安全帽是違規(guī)操作。這種違規(guī)操作需要及時(shí)發(fā)現(xiàn)和被制止。近年來,基于深度學(xué)習(xí)的目標(biāo)檢測被廣泛應(yīng)用于人臉識別,行人識別,自動(dòng)駕駛,工業(yè)檢測等領(lǐng)域。研究者從多層面對其作了許多研究,徐守坤等[1]在FasterR-CNN基礎(chǔ)上結(jié)合多尺度訓(xùn)練,增加錨點(diǎn)數(shù)量和在線困難樣本挖掘機(jī)制。賈峻蘇等[2]依托可變形部件模型,提出一種基于塊的局部二值模式直方圖,并增加合適的顏色特征與支持向量機(jī)(SVM)進(jìn)行訓(xùn)練和檢測,得出一種適用性更廣,檢測準(zhǔn)確性更高的一種算法。張錦等[3]針對安全帽尺寸大小不一問題,提出用K-means++算法來重新設(shè)計(jì)相應(yīng)先驗(yàn)框尺寸來匹配到特征層。肖體剛等[4]在YOLOv3的基礎(chǔ)上使用深度可分離卷積結(jié)構(gòu)來替換Darknet-53傳統(tǒng)卷積來縮減模型參數(shù)。算法往往參數(shù)量和計(jì)算量大,因此,本文對YOLOv5主干特征提取網(wǎng)絡(luò)進(jìn)行輕量化網(wǎng)絡(luò)替換,并引入RepLKNet架構(gòu)對原有超深小卷積進(jìn)一步改進(jìn),然后引入SimAM注意力機(jī)制加強(qiáng)對檢測對象的關(guān)注。算法改進(jìn)后,能更好地滿足在低算力設(shè)備平臺上部署的需求。

    1 YOLOv5s相關(guān)技術(shù)

    YOLOv5s分為輸入端(Input)、backbone、neck以及輸出端(Output)四部分。輸入部分包括馬賽克增強(qiáng)(Mosaic)、仿射變換(Random Affine)、Mixup增強(qiáng)、HSV色域空間增強(qiáng)等。Backbone部分核心包括CBS卷積模塊、C3結(jié)構(gòu)、SPPF模塊。CBS模塊由二維卷積Conv2d,批量歸一化處理(Batch Normalization)和SiLU激活函數(shù)串聯(lián)而成;C3模塊分為上下倆支路,上支路通過三個(gè)標(biāo)準(zhǔn)卷積層和多個(gè)Bottleneck模塊連接,下支路通過標(biāo)準(zhǔn)卷積處理和上支路進(jìn)行拼接;SPPF采用多個(gè)小尺寸池化核并聯(lián)且級聯(lián)的方式融合不同感受野的特征圖,同時(shí)進(jìn)一步提升運(yùn)行速度。Neck部分采用FPN+PAN的自頂向下以及自底向上相結(jié)合的特征金字塔結(jié)構(gòu)進(jìn)行多尺度融合后輸出到head部分,交由三個(gè)不同尺寸的檢測頭生成預(yù)測候選框和類別,使用CIoU_LOSS損失函數(shù)對目標(biāo)進(jìn)行回歸修正,通過加權(quán)非極大值抑制來消除大量冗余框來進(jìn)一步提高對目標(biāo)的識別準(zhǔn)確度。YOLOv5s結(jié)構(gòu)如圖1所示。

    2 改進(jìn)模型

    2.1 主干網(wǎng)絡(luò)優(yōu)化

    原有的YOLOv5s采用的C3結(jié)構(gòu)參數(shù)量大,檢測速度慢,應(yīng)用上受限,在移動(dòng)端,嵌入式設(shè)備上使用不友好,容易面臨內(nèi)存不足問題的發(fā)生,從而將原有的C3結(jié)構(gòu)的主干特征提取網(wǎng)絡(luò)部分替換成更加輕量級的MobileViTv2,它結(jié)合卷積CNN和ViT的優(yōu)勢,來構(gòu)建移動(dòng)視覺任務(wù)中的輕量級和低延遲網(wǎng)絡(luò),代替?zhèn)鹘y(tǒng)卷積用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)視覺表征,可有效將全局和局部信息進(jìn)行編碼,更好的對安全帽進(jìn)行全局學(xué)習(xí)表示,同時(shí)也不需要特別復(fù)雜的數(shù)據(jù)增強(qiáng)方法來對此訓(xùn)練,能夠一定幅度的降低參數(shù)計(jì)算量,加快檢測速度,減少顯存占用情況,對移動(dòng)設(shè)備友好。

    2.1.1 MobileViTv2模型

    文獻(xiàn)[5]提出了MobileViTv2結(jié)構(gòu),如圖2所示,其中的MV2是MobileNetv2的縮寫,它是一種Inverted Residual倒殘差結(jié)構(gòu)。對于之前的殘差結(jié)構(gòu)ResNet[6]是倆頭寬,中間窄,但由于更高的維度經(jīng)過激活函數(shù)后,它損失的信息會(huì)少一些,從而采用MV2結(jié)構(gòu),通過1×1卷積進(jìn)行升維,中間用3×3卷積進(jìn)行DW(深度可分離卷積)操作,結(jié)束時(shí)再用1×1卷積進(jìn)行降維保持倆頭窄,中間寬來減少信息的損失。對于MobileViT block,對輸入特征先進(jìn)行3×3標(biāo)準(zhǔn)卷積層進(jìn)行局部信息建模,然后通過1×1卷積核進(jìn)行通道數(shù)調(diào)整,再采用Unfold->Transformer->Fold進(jìn)行全局信息的建模,在v2版本中取消了v1版本的shortcut連接和融合模塊,接著再通過1×1卷積核調(diào)整為原來通道大小得到輸出。由于和所有像素點(diǎn)進(jìn)行自注意力操作會(huì)帶來一定程度的信息冗余,為了減少參數(shù)量,只對相同位置的像素點(diǎn)進(jìn)行點(diǎn)積操作。針對MobileViT中的效率瓶頸多頭自注意力(MHA),因?yàn)閠oken數(shù)量需要的時(shí)間復(fù)雜度為O(k2),代價(jià)較大,所以提出了一種線性復(fù)雜度為O(k)的可分離自注意力方法。其成為資源受限設(shè)備上的較好選擇,如圖3所示。

    2.1.2 MobileViTv2模型的優(yōu)化

    由于非線性激活函數(shù)ReLU對低維特征信息會(huì)造成較大損失,高維信息損失不大,而倒殘差結(jié)構(gòu)最終輸出的低維特征信息,所以在最后一層卷積層用線性激活函數(shù)來避免損失。

    swish函數(shù)是一種比ReLU更佳的激活函數(shù),它包含sigmoid函數(shù),相比之下計(jì)算開銷更大,而ReLU6函數(shù)相對來說比較簡單,所以選用h-swish函數(shù)來代替。

    swish函數(shù)如式⑴所示:

    [swishx=x*sigmoid(βx)]? ? ⑴

    h-swish函數(shù)如式⑵所示:

    [h-swishx=xReLU6(x+3)6]? ? ⑵

    2.2 融合SimAM注意力模塊

    SimAM[7]是一種對卷積神經(jīng)網(wǎng)絡(luò)簡單有效的無參數(shù)3D注意力模塊,在不增加原有網(wǎng)絡(luò)參數(shù)的情況下,為特征圖(feature map)推斷三維注意力權(quán)重。設(shè)計(jì)出一款能量函數(shù)來生成快速解析解來挖掘出每個(gè)神經(jīng)元的重要程度并分配權(quán)重。它可以隨意嵌入到現(xiàn)在的卷積神經(jīng)網(wǎng)絡(luò)中來,具有靈巧便捷性,可支持即插即用。模型如圖4所示。

    在已有研究中,BAM和CBAM[8]分別采用并行和串行方式關(guān)注通道以及空間注意力。而人類神經(jīng)網(wǎng)絡(luò)需要同時(shí)協(xié)同處理這倆種注意力,因此SimAM能更好的把倆者統(tǒng)一起來。以下是SimAM的能量函數(shù),如式⑶所示。

    [etwt,bt,y,xi=yt-t2+1M-1i=1M-1(y0-xi)2]? ⑶

    其中[X∈RC×H×W],[t]和[xi]分別屬于X下通道的目標(biāo)神經(jīng)元和其他神經(jīng)元,[wt]和[bt]分別表示權(quán)重和偏置,M代表該通道上的神經(jīng)元個(gè)數(shù),i是空間上的索引值。進(jìn)一步可得出最終能量函數(shù),如式⑷所示。

    [etwt,bt,y,xi=1M-1i=1M-1-1-wtxi+bt2+1-wtt+bt2+λwt2] ⑷

    當(dāng)能量(energy)越低,神經(jīng)元t與周圍神經(jīng)元的區(qū)別越大,重要程度也越高。每個(gè)神經(jīng)元其重要性可由最小能量的倒數(shù)表示。按照注意力機(jī)制,需對特征進(jìn)行進(jìn)一步增強(qiáng)處理。如式⑸所示。

    [X=sigmoid1E☉]X? ?⑸

    經(jīng)過多次實(shí)驗(yàn)后,將SimAM注意力模塊加在backbone倒數(shù)第二層效果最好。

    2.3 卷積核改進(jìn)

    以往卷積神經(jīng)網(wǎng)絡(luò)偏向于多個(gè)小卷積代替大卷級核,但在現(xiàn)有CNN技術(shù)加持下,使用一種更大的卷積核31×31的RepLKNet[9]的設(shè)計(jì)范例來代替超深小卷積核更具有優(yōu)勢。其中,深度的增加,會(huì)帶來訓(xùn)練問題,盡管ResNet通過殘差連接很好的解決了這個(gè)問題,但ResNet的有效感受野沒有得到很好的增加,根據(jù)有效感受野特性,與卷積核大小成線性關(guān)系,與深度成次線性關(guān)系,對此,RepLKNet憑借大卷積核的設(shè)計(jì)避免了過多的層就能有著更大的有效感受野和更高的形狀偏差。同時(shí)引入Identify shortcut和結(jié)構(gòu)重參數(shù)化的方法來解決大卷積核難以兼顧局部性的特征,容易出現(xiàn)過度平滑的現(xiàn)象問題。結(jié)構(gòu)如圖5所示。

    RepLKNet結(jié)構(gòu)包括以下三個(gè)部分,Stem部分作為開始階段,使用帶有倆倍下采樣的3×3卷積,后接一個(gè)3×3的深度可分離卷積來捕獲低維特征,最后使用一個(gè)1×1卷積核和3×3的深度可分離卷積進(jìn)行下采樣,該層對輸入圖像進(jìn)行升維以及尺寸縮減。Stage階段作為核心層,包括RepLKBlock和ConvFFN倆部分堆疊而成,RepLKBlock由批量歸一層,1×1卷積,3×3深度可分離卷積以及最重要的殘差連接。FFN包括倆個(gè)全連接層,而ConvFFN用1×1卷積代替了原有的全連接層,同樣也具備層間殘差連接。Transition層放在Stage層之間,通過1×1卷積擴(kuò)大特征維度,然后再由3×3深度可分離卷積進(jìn)行倆倍下采樣。

    RepLKNet和原模型YOLOv5s中超深小卷積相比,能減少一定參數(shù)量,并提高安全帽檢測模型精度。

    3 實(shí)驗(yàn)分析

    3.1 實(shí)驗(yàn)所需環(huán)境和參數(shù)

    本次所有實(shí)驗(yàn)都在Ubuntu操作系統(tǒng)下,使用的GPU是NVIDIA GeForce RTX 3080,顯存10GB,CPU為AMD EPYC 7601,深度學(xué)習(xí)框架采用的是Pytorch1.10.0,Cuda11.1.1,Python3.8。

    所用數(shù)據(jù)集為公開的安全帽數(shù)據(jù)集,總共7581張圖片,按8:2比例進(jìn)行劃分訓(xùn)練集和測試集,并以VOC形式標(biāo)記好,再將標(biāo)記標(biāo)簽XML格式轉(zhuǎn)化為YOLOv5所接受的txt格式,數(shù)據(jù)集標(biāo)簽分為倆大類,一類是戴了安全帽的人,標(biāo)簽為“hat”,另一類是未戴安全帽的人,標(biāo)簽為“person”。實(shí)驗(yàn)所需超參數(shù)如表1所示。

    3.2 消融實(shí)驗(yàn)

    為了進(jìn)一步驗(yàn)證改進(jìn)的模塊對目標(biāo)模型檢測有效果,以下采取消融實(shí)驗(yàn)進(jìn)行比較,將MobileViTv2簡記為MVT2,改進(jìn)1模型在原有網(wǎng)絡(luò)中單獨(dú)使用輕量級模型MobileViTv2進(jìn)行特征提??;改進(jìn)2模型在改進(jìn)1基礎(chǔ)上融合注意力模塊SimAM;改進(jìn)3模型在改進(jìn)2模型的基礎(chǔ)上改進(jìn)為大卷積核RepLKNet架構(gòu),得到最終目標(biāo)模型,記為YOLO-M。消融實(shí)驗(yàn)結(jié)果見表2。

    由表2數(shù)據(jù)可以看出,主干網(wǎng)絡(luò)替換成MobileViTv2后參數(shù)量下降了將近四分之一,平均精度降了0.7個(gè)百分點(diǎn),融合SimAM注意力機(jī)制后與換成輕量級網(wǎng)絡(luò)相比,精度有所提升1.6個(gè)百分點(diǎn)。原有的YOLOv5s中Neck部分超深小卷積核替換為大卷積核RepLKNet后,精度提升了0.9個(gè)百分點(diǎn)。最終融合以上技術(shù)改進(jìn)后的YOLOv5s模型在參數(shù)量得到了一定幅度減少的同時(shí)精度也提升了1.8個(gè)百分點(diǎn),基本滿足現(xiàn)場環(huán)境對安全帽的實(shí)時(shí)檢測。

    3.3 改進(jìn)后的模型與其他算法對比

    將改進(jìn)后的模型與其他主流算法進(jìn)行對比實(shí)驗(yàn),來對其性能進(jìn)行分析,進(jìn)一步驗(yàn)證改進(jìn)后的模型的可行性和優(yōu)越性,同時(shí)將ShuffleNetv2-YOLOv5簡記為S-YOLOv5,對比試驗(yàn)結(jié)果如表3所示。

    由實(shí)驗(yàn)結(jié)果可知,改進(jìn)后的模型跟ShuffleNetv2-YOLOv5和Ghost-YOLOv5相比,雖然模型大小稍顯大,但平均精度分別提升了32.3個(gè)百分點(diǎn)和6.8個(gè)百分點(diǎn)。與主流目標(biāo)檢測模型YOLOv3和SSD相比,不僅在精度上有所提升,同時(shí)模型大小也得到了大幅的減少。相較于當(dāng)前的基于輕量級檢測網(wǎng)絡(luò)和主流檢測算法,改進(jìn)后的模型在速度和精度平衡上都有比較好的表現(xiàn)。

    3.4 檢測結(jié)果分析

    為了更直觀的表達(dá)檢測效果,選取了目標(biāo)不密集以及密集目標(biāo)情況下的檢測效果圖做對比觀察。在不密集情況下,改進(jìn)后的輕量級模型檢測效果比原模型要好。在密集情況下,對于出現(xiàn)的遠(yuǎn)處小目標(biāo)對象也能很好的檢測出來。結(jié)果如圖6所示。

    4 結(jié)束語

    對于現(xiàn)有的安全帽檢測所需參數(shù)量和計(jì)算量比較大,現(xiàn)提出一種對原模型進(jìn)行輕量化改進(jìn),對主干網(wǎng)絡(luò)用MobileViTv2網(wǎng)絡(luò)模型進(jìn)行替換,在主干特征提取網(wǎng)絡(luò)部分倒數(shù)第二層融合SimAM注意力模塊,參照大卷積核架構(gòu)對Neck部分超深小卷積進(jìn)行替換。實(shí)驗(yàn)表明,在保持較高精度的同時(shí),計(jì)算量,參數(shù)量和模型大小都得到了大幅度下降,能滿足嵌入式設(shè)備上使用的要求。

    參考文獻(xiàn)(References):

    [1] 徐守坤,王雅如,顧玉宛,等.基于改進(jìn)Faster RCNN的安全帽

    佩戴檢測研究[J].計(jì)算機(jī)應(yīng)用研究,2020,37(3):901-905

    [2] 賈峻蘇,鮑慶潔,唐慧明.基于可變形部件模型的安全頭盔佩

    戴檢測[J].計(jì)算機(jī)應(yīng)用研究,2016,33(3):953-956

    [3] 張錦,屈佩琪,孫程,等.基于改進(jìn)YOLOv5的安全帽佩戴檢

    測方法[J].計(jì)算機(jī)應(yīng)用:1-11[2022-10-27].http://kns.cnki.net/kcms/detail/51.1307.TP.20210908.1727.002.html

    [4] 肖體剛,蔡樂才,高祥,等.改進(jìn)YOLOv3的安全帽佩戴檢測

    方法[J].計(jì)算機(jī)工程與應(yīng)用,2021,57(12):216-223

    [5] Mehta S, Rastegari M. Separable Self-attention for Mobile

    Vision Transformers[J].arXiv preprint arXiv:2206.02680,2022

    [6] He K, Zhang X, Ren S, et al. Deep residual learning for

    image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition,2016:770-778

    [7] YANG L X,ZHANG R Y,LI L,et al.SimAM:a simple,

    parameter-free attention module for convolutional neural networks[C]//Proceedings of the 38th International Conference on Machine Learning.New York: PMLR,2012:11863

    [8] SH W,PARK J,LEE J Y,etal.CBAM:convolutional block

    attention module[C]//Lecture Notes in Computer Science. Munich,GERMANY:IEEE,2018:3-19

    [9] Ding X, Zhang X, Han J, et al. Scaling up your kernels to

    31x31: Revisiting large kernel design in cnns[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition,2022:11963-1197

    猜你喜歡
    安全帽深度學(xué)習(xí)
    刺猬戴上安全帽
    礦工有無數(shù)頂安全帽
    小小安全帽,生命保護(hù)傘
    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
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    膚色檢測和Hu矩在安全帽識別中的應(yīng)用
    18禁裸乳无遮挡免费网站照片| 久久草成人影院| 综合色av麻豆| 此物有八面人人有两片| 午夜视频国产福利| 色综合色国产| 六月丁香七月| 五月伊人婷婷丁香| 一个人看的www免费观看视频| 国产精品久久电影中文字幕| 一本久久中文字幕| 丰满人妻一区二区三区视频av| 国产精品.久久久| 久久久a久久爽久久v久久| 色播亚洲综合网| 欧美变态另类bdsm刘玥| 简卡轻食公司| a级毛片免费高清观看在线播放| 欧美日韩一区二区视频在线观看视频在线 | 天天躁日日操中文字幕| 边亲边吃奶的免费视频| 国产精品麻豆人妻色哟哟久久 | 国内精品久久久久精免费| 国模一区二区三区四区视频| 日日撸夜夜添| 高清午夜精品一区二区三区 | 村上凉子中文字幕在线| 赤兔流量卡办理| 人妻少妇偷人精品九色| 成年女人永久免费观看视频| 又粗又爽又猛毛片免费看| 亚洲精华国产精华液的使用体验 | 国产高清不卡午夜福利| 精品久久久噜噜| 国产麻豆成人av免费视频| 我要看日韩黄色一级片| 联通29元200g的流量卡| 成人漫画全彩无遮挡| 最新中文字幕久久久久| 小说图片视频综合网站| 免费观看精品视频网站| 极品教师在线视频| 国产成人a∨麻豆精品| www.色视频.com| 国产一级毛片七仙女欲春2| 国产高清三级在线| 中文字幕熟女人妻在线| 国产探花极品一区二区| 亚洲aⅴ乱码一区二区在线播放| 高清日韩中文字幕在线| 日韩人妻高清精品专区| 亚洲激情五月婷婷啪啪| 在线观看免费视频日本深夜| 青青草视频在线视频观看| 亚洲精品日韩在线中文字幕 | 丰满人妻一区二区三区视频av| av天堂在线播放| 少妇熟女aⅴ在线视频| 国产色爽女视频免费观看| 国产淫片久久久久久久久| 免费看美女性在线毛片视频| 日本色播在线视频| 免费av不卡在线播放| 天堂av国产一区二区熟女人妻| 三级毛片av免费| 一个人免费在线观看电影| 国产精品,欧美在线| 亚洲成人久久性| 波野结衣二区三区在线| 99久久精品一区二区三区| 51国产日韩欧美| av在线观看视频网站免费| 天堂av国产一区二区熟女人妻| 老司机福利观看| 成人av在线播放网站| 69av精品久久久久久| 麻豆国产97在线/欧美| 久久精品夜夜夜夜夜久久蜜豆| 又爽又黄a免费视频| 国产亚洲av嫩草精品影院| 亚洲av一区综合| 日韩欧美三级三区| 亚洲精品日韩在线中文字幕 | 中文字幕熟女人妻在线| 亚洲熟妇中文字幕五十中出| 亚洲成人中文字幕在线播放| 国产午夜福利久久久久久| 国产午夜精品一二区理论片| 观看免费一级毛片| 亚洲久久久久久中文字幕| 亚洲欧美精品综合久久99| 午夜激情欧美在线| 日韩高清综合在线| 天美传媒精品一区二区| 99热只有精品国产| 精品久久久久久久久亚洲| 一区二区三区高清视频在线| 女同久久另类99精品国产91| 搞女人的毛片| 日韩成人伦理影院| 国产日韩欧美在线精品| 国产91av在线免费观看| 亚洲成人久久爱视频| 国产av不卡久久| 国产极品天堂在线| 亚洲欧美精品自产自拍| 国内精品一区二区在线观看| 日韩欧美在线乱码| av在线老鸭窝| 色尼玛亚洲综合影院| 青春草国产在线视频 | 免费在线观看成人毛片| 一本久久中文字幕| 男女视频在线观看网站免费| 搡老妇女老女人老熟妇| 国产高清视频在线观看网站| 欧美又色又爽又黄视频| 亚洲av二区三区四区| 国产伦在线观看视频一区| 99热精品在线国产| 精品久久久久久成人av| 成人鲁丝片一二三区免费| 日韩亚洲欧美综合| а√天堂www在线а√下载| 久久人人爽人人爽人人片va| 日韩制服骚丝袜av| 久久久欧美国产精品| 黄片wwwwww| 日本欧美国产在线视频| 欧美性猛交黑人性爽| 亚洲国产欧洲综合997久久,| 美女黄网站色视频| 国产成人freesex在线| 国产激情偷乱视频一区二区| 国产高清三级在线| 真实男女啪啪啪动态图| 51国产日韩欧美| 国产真实乱freesex| av卡一久久| 中国美女看黄片| 两个人视频免费观看高清| 嫩草影院精品99| 久久久久久大精品| 最新中文字幕久久久久| 91aial.com中文字幕在线观看| 久久热精品热| 少妇高潮的动态图| 色5月婷婷丁香| 欧美高清成人免费视频www| 91精品一卡2卡3卡4卡| 日韩欧美在线乱码| 男人狂女人下面高潮的视频| videossex国产| 久久久久久久久久久丰满| 99久久无色码亚洲精品果冻| 免费大片18禁| 欧美性感艳星| 我要看日韩黄色一级片| 有码 亚洲区| 深夜精品福利| 国产精品免费一区二区三区在线| 国产三级在线视频| 一级黄色大片毛片| 国产午夜精品论理片| 看黄色毛片网站| 国产探花在线观看一区二区| 亚洲图色成人| 亚洲天堂国产精品一区在线| 99热这里只有是精品在线观看| 狂野欧美白嫩少妇大欣赏| 成人无遮挡网站| 一夜夜www| 九九热线精品视视频播放| 国产精品久久久久久精品电影| 插逼视频在线观看| 午夜视频国产福利| 日韩欧美在线乱码| 在线国产一区二区在线| 人妻久久中文字幕网| 亚洲国产色片| 国内精品宾馆在线| 一进一出抽搐动态| 好男人在线观看高清免费视频| 亚洲国产精品成人久久小说 | 日韩欧美国产在线观看| 别揉我奶头 嗯啊视频| 国内久久婷婷六月综合欲色啪| 亚洲第一电影网av| 亚洲图色成人| 精品国内亚洲2022精品成人| 国产精品人妻久久久久久| 亚洲在线自拍视频| 久久九九热精品免费| 午夜爱爱视频在线播放| 韩国av在线不卡| 三级毛片av免费| 国产黄色视频一区二区在线观看 | 自拍偷自拍亚洲精品老妇| 边亲边吃奶的免费视频| 免费观看a级毛片全部| 国产精品av视频在线免费观看| 久久久久久久久中文| 人人妻人人看人人澡| 熟妇人妻久久中文字幕3abv| 两性午夜刺激爽爽歪歪视频在线观看| 美女被艹到高潮喷水动态| 国产成人午夜福利电影在线观看| 内射极品少妇av片p| 三级男女做爰猛烈吃奶摸视频| 美女脱内裤让男人舔精品视频 | 国产在线男女| 伦理电影大哥的女人| 一个人看的www免费观看视频| 亚洲精品日韩在线中文字幕 | 日韩欧美国产在线观看| 高清毛片免费看| 日本三级黄在线观看| 国产在线精品亚洲第一网站| 尾随美女入室| 人体艺术视频欧美日本| 午夜福利在线观看免费完整高清在 | 在现免费观看毛片| 麻豆精品久久久久久蜜桃| 中文字幕免费在线视频6| 亚洲人成网站高清观看| 欧美+日韩+精品| 国产老妇女一区| 亚洲精品久久久久久婷婷小说 | 免费看光身美女| 国产熟女欧美一区二区| 欧美又色又爽又黄视频| 一个人看的www免费观看视频| 色哟哟哟哟哟哟| 色噜噜av男人的天堂激情| 国产成年人精品一区二区| 少妇裸体淫交视频免费看高清| 午夜福利在线观看吧| 校园春色视频在线观看| 一级黄色大片毛片| 日日撸夜夜添| 欧美性感艳星| 色5月婷婷丁香| 男女下面进入的视频免费午夜| 欧美xxxx黑人xx丫x性爽| 久久99热6这里只有精品| 成年免费大片在线观看| 国产av麻豆久久久久久久| 22中文网久久字幕| 国产黄a三级三级三级人| 久久久久性生活片| 少妇熟女aⅴ在线视频| 美女国产视频在线观看| 国产麻豆成人av免费视频| 黄色一级大片看看| 国产真实伦视频高清在线观看| 久久韩国三级中文字幕| 非洲黑人性xxxx精品又粗又长| 内地一区二区视频在线| 亚洲成人av在线免费| av免费观看日本| 在线观看午夜福利视频| 亚洲欧美日韩高清在线视频| 中文字幕av成人在线电影| 99在线人妻在线中文字幕| 欧美xxxx性猛交bbbb| 麻豆成人av视频| 日本色播在线视频| 色播亚洲综合网| 在线免费十八禁| 日韩成人伦理影院| 五月玫瑰六月丁香| 色视频www国产| 少妇的逼水好多| 亚洲精品久久久久久婷婷小说 | 日韩在线高清观看一区二区三区| 国产三级中文精品| 欧美性感艳星| 国产成人aa在线观看| 国产精品99久久久久久久久| 精品熟女少妇av免费看| 免费大片18禁| 午夜久久久久精精品| 麻豆久久精品国产亚洲av| 国产精品一区二区三区四区久久| 禁无遮挡网站| 99热精品在线国产| 1000部很黄的大片| 成人特级黄色片久久久久久久| 亚洲精品粉嫩美女一区| 午夜爱爱视频在线播放| 波野结衣二区三区在线| 日本色播在线视频| 欧美性猛交╳xxx乱大交人| 久久草成人影院| 精品一区二区三区人妻视频| 久久久精品欧美日韩精品| 国产91av在线免费观看| 久久亚洲国产成人精品v| 麻豆乱淫一区二区| 午夜精品一区二区三区免费看| 亚洲欧美成人精品一区二区| 中文亚洲av片在线观看爽| 精品久久久久久久久亚洲| 欧美一区二区国产精品久久精品| 精品欧美国产一区二区三| 精品久久久久久久久久久久久| 国产伦一二天堂av在线观看| 欧美一区二区精品小视频在线| av免费在线看不卡| 卡戴珊不雅视频在线播放| 亚洲人与动物交配视频| 精品人妻熟女av久视频| 国产成人精品一,二区 | 草草在线视频免费看| 亚洲av一区综合| 国产美女午夜福利| 看片在线看免费视频| av天堂中文字幕网| 日本色播在线视频| 国产精品女同一区二区软件| 少妇熟女欧美另类| 亚洲人成网站在线观看播放| 国产一级毛片七仙女欲春2| 又粗又硬又长又爽又黄的视频 | 国产亚洲欧美98| 国产精品麻豆人妻色哟哟久久 | 99热只有精品国产| 久久韩国三级中文字幕| 欧美丝袜亚洲另类| 精品久久久久久久久久免费视频| 国产高清不卡午夜福利| 婷婷六月久久综合丁香| 91在线精品国自产拍蜜月| 国产真实乱freesex| 最近最新中文字幕大全电影3| 特级一级黄色大片| 国产一级毛片七仙女欲春2| 3wmmmm亚洲av在线观看| 欧美精品国产亚洲| 卡戴珊不雅视频在线播放| 亚洲久久久久久中文字幕| 搞女人的毛片| 亚洲自拍偷在线| 一个人免费在线观看电影| 99热全是精品| 亚洲人成网站在线观看播放| 人人妻人人澡欧美一区二区| 色哟哟·www| 简卡轻食公司| 大又大粗又爽又黄少妇毛片口| 美女脱内裤让男人舔精品视频 | 国产一区二区亚洲精品在线观看| 一本久久精品| 成人亚洲精品av一区二区| 99久久九九国产精品国产免费| 久久这里只有精品中国| 91久久精品国产一区二区三区| 三级毛片av免费| 亚洲三级黄色毛片| 国产免费一级a男人的天堂| 亚洲婷婷狠狠爱综合网| 日本三级黄在线观看| 亚洲最大成人中文| 最好的美女福利视频网| 免费观看人在逋| 亚洲av电影不卡..在线观看| 赤兔流量卡办理| 日韩精品青青久久久久久| 一级毛片电影观看 | 草草在线视频免费看| 好男人视频免费观看在线| 精品久久久久久成人av| 人体艺术视频欧美日本| 91麻豆精品激情在线观看国产| 亚洲欧美清纯卡通| 尤物成人国产欧美一区二区三区| 一级黄色大片毛片| 哪个播放器可以免费观看大片| 亚洲aⅴ乱码一区二区在线播放| 久久精品国产亚洲av天美| 99久久九九国产精品国产免费| 日韩精品有码人妻一区| 亚洲精品国产av成人精品| 99热这里只有是精品50| 午夜福利在线观看免费完整高清在 | 久久中文看片网| 最后的刺客免费高清国语| 高清在线视频一区二区三区 | 精品久久久久久成人av| 九草在线视频观看| www日本黄色视频网| 好男人视频免费观看在线| 99热这里只有是精品50| 欧美+亚洲+日韩+国产| 综合色丁香网| 亚洲国产精品久久男人天堂| 夜夜看夜夜爽夜夜摸| 国产亚洲91精品色在线| 亚洲四区av| 赤兔流量卡办理| 国产亚洲5aaaaa淫片| 69av精品久久久久久| 午夜久久久久精精品| 我的老师免费观看完整版| 国产精品日韩av在线免费观看| 性欧美人与动物交配| 亚洲在久久综合| 黄片wwwwww| 69av精品久久久久久| 亚洲第一电影网av| 三级国产精品欧美在线观看| 嫩草影院精品99| 女的被弄到高潮叫床怎么办| 国内精品一区二区在线观看| 国产蜜桃级精品一区二区三区| 日本欧美国产在线视频| 国产精品麻豆人妻色哟哟久久 | 色播亚洲综合网| 天堂网av新在线| 波多野结衣高清无吗| 99国产精品一区二区蜜桃av| 午夜久久久久精精品| 大型黄色视频在线免费观看| 18禁在线播放成人免费| 91久久精品国产一区二区成人| 国产91av在线免费观看| 伦精品一区二区三区| 18+在线观看网站| 非洲黑人性xxxx精品又粗又长| 麻豆成人午夜福利视频| а√天堂www在线а√下载| 久久99精品国语久久久| 色哟哟哟哟哟哟| 日韩欧美精品v在线| 亚洲国产欧美人成| 日韩高清综合在线| 乱码一卡2卡4卡精品| 边亲边吃奶的免费视频| 免费av毛片视频| 听说在线观看完整版免费高清| 在线免费观看不下载黄p国产| 免费一级毛片在线播放高清视频| 国产三级在线视频| 国产av不卡久久| 亚洲国产色片| 免费av观看视频| 精品人妻视频免费看| 在线观看午夜福利视频| 欧美最黄视频在线播放免费| 男人舔奶头视频| 一个人免费在线观看电影| 最近最新中文字幕大全电影3| 国产精品综合久久久久久久免费| 国产精品爽爽va在线观看网站| 免费看日本二区| 夜夜看夜夜爽夜夜摸| 听说在线观看完整版免费高清| 国产精品伦人一区二区| 永久网站在线| 乱人视频在线观看| eeuss影院久久| 我的女老师完整版在线观看| 免费在线观看成人毛片| 小说图片视频综合网站| 欧美性感艳星| 老女人水多毛片| 亚洲国产精品sss在线观看| 久久久久网色| 人妻制服诱惑在线中文字幕| 欧美变态另类bdsm刘玥| 国产精品久久久久久精品电影| 青春草国产在线视频 | 成人三级黄色视频| 国产成人福利小说| 高清毛片免费看| 久久久午夜欧美精品| 性色avwww在线观看| 91狼人影院| av又黄又爽大尺度在线免费看 | 欧美性感艳星| 99热这里只有是精品50| www日本黄色视频网| 国产美女午夜福利| 国产精品一区二区在线观看99 | 亚洲欧美精品综合久久99| 日本黄色视频三级网站网址| 综合色丁香网| 一级毛片aaaaaa免费看小| 国产真实伦视频高清在线观看| 简卡轻食公司| av福利片在线观看| 免费大片18禁| 成人一区二区视频在线观看| 日韩制服骚丝袜av| 啦啦啦啦在线视频资源| 国产乱人视频| 午夜免费激情av| 久久久久国产网址| 国产精品三级大全| 高清毛片免费看| 国产午夜精品久久久久久一区二区三区| 性插视频无遮挡在线免费观看| 18+在线观看网站| 五月玫瑰六月丁香| 亚洲图色成人| 国产真实伦视频高清在线观看| 午夜爱爱视频在线播放| 在线观看免费视频日本深夜| 一个人免费在线观看电影| 成人欧美大片| 色吧在线观看| 久久精品国产99精品国产亚洲性色| 国产熟女欧美一区二区| 综合色av麻豆| 国产色婷婷99| 亚洲综合色惰| 国产单亲对白刺激| 大型黄色视频在线免费观看| 99riav亚洲国产免费| 免费看光身美女| a级毛片免费高清观看在线播放| 久久人妻av系列| 精品国产三级普通话版| 99热这里只有是精品在线观看| 边亲边吃奶的免费视频| 日韩欧美精品免费久久| 少妇熟女aⅴ在线视频| or卡值多少钱| 日韩视频在线欧美| 亚洲成人中文字幕在线播放| 久久久久性生活片| 边亲边吃奶的免费视频| 最近手机中文字幕大全| 黄色一级大片看看| 舔av片在线| 亚洲丝袜综合中文字幕| 日韩欧美三级三区| 国产av一区在线观看免费| 日本色播在线视频| 秋霞在线观看毛片| 男的添女的下面高潮视频| 午夜福利视频1000在线观看| 岛国毛片在线播放| 舔av片在线| 免费一级毛片在线播放高清视频| 一边亲一边摸免费视频| 国产大屁股一区二区在线视频| 国产一区二区在线观看日韩| 99热这里只有是精品在线观看| 人妻夜夜爽99麻豆av| 最近手机中文字幕大全| 婷婷亚洲欧美| 一级毛片久久久久久久久女| 国产精品人妻久久久久久| 精品久久国产蜜桃| 国产成人精品一,二区 | 国产一区二区三区在线臀色熟女| 欧美色欧美亚洲另类二区| 三级经典国产精品| 亚洲av成人av| 亚洲成a人片在线一区二区| 久久精品国产亚洲av涩爱 | 一区二区三区免费毛片| 国产乱人偷精品视频| 亚洲中文字幕一区二区三区有码在线看| 又粗又硬又长又爽又黄的视频 | 久久精品久久久久久久性| 你懂的网址亚洲精品在线观看 | 精品人妻熟女av久视频| 亚洲国产日韩欧美精品在线观看| 26uuu在线亚洲综合色| 免费观看的影片在线观看| 久久久欧美国产精品| 男女做爰动态图高潮gif福利片| 亚洲欧美日韩高清专用| 国产伦一二天堂av在线观看| 亚洲欧美成人综合另类久久久 | 亚州av有码| 热99re8久久精品国产| 国产精品一区二区三区四区免费观看| 国产精品一区二区三区四区久久| 国产69精品久久久久777片| 在线天堂最新版资源| 99九九线精品视频在线观看视频| 别揉我奶头 嗯啊视频| 久久亚洲精品不卡| 九九爱精品视频在线观看| 五月伊人婷婷丁香| 极品教师在线视频| 黄片wwwwww| 中文字幕免费在线视频6| eeuss影院久久| 亚洲图色成人| 亚洲欧美成人综合另类久久久 | 日本黄色片子视频| 久久99蜜桃精品久久| 久久精品久久久久久久性| 欧美日本亚洲视频在线播放| 美女高潮的动态| 99国产极品粉嫩在线观看| 99在线视频只有这里精品首页| 国产极品精品免费视频能看的| 18禁裸乳无遮挡免费网站照片| 在线天堂最新版资源| 午夜福利视频1000在线观看| 国产午夜福利久久久久久| 国产精品嫩草影院av在线观看| 麻豆久久精品国产亚洲av| 日本欧美国产在线视频| 亚洲中文字幕日韩| 国产亚洲精品久久久com| 身体一侧抽搐| 国产真实乱freesex| 日韩精品青青久久久久久| 青春草国产在线视频 |