• <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
    国产老妇伦熟女老妇高清| 中文字幕人妻丝袜制服| 久久亚洲国产成人精品v| av在线老鸭窝| 国产欧美日韩综合在线一区二区| 国产一区二区在线观看日韩| 国产国语露脸激情在线看| 如日韩欧美国产精品一区二区三区 | 国产一级毛片在线| 中文字幕人妻熟人妻熟丝袜美| 精品亚洲成国产av| 国产精品一区二区三区四区免费观看| 日本与韩国留学比较| 国产片内射在线| 中文乱码字字幕精品一区二区三区| 亚洲少妇的诱惑av| 精品熟女少妇av免费看| 亚洲av福利一区| 婷婷色综合www| 十八禁高潮呻吟视频| 国产成人精品福利久久| 一区二区av电影网| 精品卡一卡二卡四卡免费| 久久久久久久大尺度免费视频| 国产毛片在线视频| 国产极品粉嫩免费观看在线 | 精品一区二区三卡| av网站免费在线观看视频| 久久久久视频综合| 丝袜脚勾引网站| 国产一区有黄有色的免费视频| 美女脱内裤让男人舔精品视频| 亚洲av成人精品一二三区| 国产高清有码在线观看视频| 纯流量卡能插随身wifi吗| 欧美人与善性xxx| 久久99精品国语久久久| 亚洲,一卡二卡三卡| 999精品在线视频| 国产伦理片在线播放av一区| freevideosex欧美| 视频中文字幕在线观看| 欧美成人精品欧美一级黄| 欧美+日韩+精品| 一区二区三区精品91| 搡老乐熟女国产| 一级黄片播放器| 赤兔流量卡办理| a级毛片在线看网站| 国国产精品蜜臀av免费| 国产精品久久久久久精品电影小说| 国产一区有黄有色的免费视频| 肉色欧美久久久久久久蜜桃| 成人国产av品久久久| 免费大片黄手机在线观看| 男人操女人黄网站| 精品卡一卡二卡四卡免费| 国产在线一区二区三区精| 色94色欧美一区二区| 日韩精品有码人妻一区| 免费观看的影片在线观看| 久久久国产欧美日韩av| 欧美日韩一区二区视频在线观看视频在线| 久久人人爽人人爽人人片va| 少妇熟女欧美另类| 亚洲精华国产精华液的使用体验| 黄片无遮挡物在线观看| 天堂8中文在线网| 婷婷色av中文字幕| 欧美最新免费一区二区三区| www.色视频.com| 日韩欧美精品免费久久| 日韩电影二区| 久久免费观看电影| 成人18禁高潮啪啪吃奶动态图 | 两个人的视频大全免费| 久久久精品94久久精品| 在线亚洲精品国产二区图片欧美 | 高清av免费在线| 一级片'在线观看视频| 高清毛片免费看| 午夜福利视频精品| 男男h啪啪无遮挡| av电影中文网址| 亚洲欧美一区二区三区国产| 麻豆精品久久久久久蜜桃| 成年av动漫网址| 日本欧美视频一区| 熟女av电影| 精品酒店卫生间| 欧美日韩综合久久久久久| 视频在线观看一区二区三区| 精品国产乱码久久久久久小说| 国产精品人妻久久久影院| 综合色丁香网| 香蕉精品网在线| 国产精品.久久久| 国产一区二区在线观看av| 亚洲欧美清纯卡通| 欧美老熟妇乱子伦牲交| 视频区图区小说| 午夜91福利影院| 久久精品国产a三级三级三级| 欧美最新免费一区二区三区| 国产精品免费大片| 性色av一级| 日本黄色日本黄色录像| 最近最新中文字幕免费大全7| videossex国产| 丝袜喷水一区| 2022亚洲国产成人精品| 国产精品久久久久久av不卡| 精品一品国产午夜福利视频| 一区在线观看完整版| 一二三四中文在线观看免费高清| 秋霞在线观看毛片| 热re99久久精品国产66热6| 大香蕉久久成人网| 亚洲精品,欧美精品| 七月丁香在线播放| 狂野欧美激情性xxxx在线观看| 久久精品久久精品一区二区三区| 日韩强制内射视频| 91久久精品国产一区二区成人| 午夜激情av网站| 极品少妇高潮喷水抽搐| 尾随美女入室| 精品熟女少妇av免费看| 草草在线视频免费看| 国产精品女同一区二区软件| 欧美日韩av久久| 精品亚洲成a人片在线观看| 看十八女毛片水多多多| 高清av免费在线| 久久人人爽人人片av| 99re6热这里在线精品视频| 人人妻人人澡人人看| 美女cb高潮喷水在线观看| 午夜免费观看性视频| 91aial.com中文字幕在线观看| 91精品伊人久久大香线蕉| 久久久a久久爽久久v久久| 久久免费观看电影| 高清不卡的av网站| 久久狼人影院| 亚洲精品日韩av片在线观看| 在线 av 中文字幕| av有码第一页| 国产精品三级大全| av线在线观看网站| 中文天堂在线官网| 亚洲婷婷狠狠爱综合网| 蜜桃在线观看..| 男人操女人黄网站| 中文乱码字字幕精品一区二区三区| 日韩在线高清观看一区二区三区| 日本vs欧美在线观看视频| 国产老妇伦熟女老妇高清| 亚洲国产精品999| 精品国产乱码久久久久久小说| 我要看黄色一级片免费的| 蜜桃在线观看..| 视频区图区小说| 中文乱码字字幕精品一区二区三区| 欧美激情 高清一区二区三区| 如日韩欧美国产精品一区二区三区 | 亚洲成人手机| 91精品一卡2卡3卡4卡| 26uuu在线亚洲综合色| 精品国产国语对白av| 精品视频人人做人人爽| 亚洲美女视频黄频| 51国产日韩欧美| 免费大片黄手机在线观看| 黑人高潮一二区| 亚洲精品成人av观看孕妇| 不卡视频在线观看欧美| 日韩av免费高清视频| 蜜桃国产av成人99| 22中文网久久字幕| 99九九在线精品视频| 精品一品国产午夜福利视频| 亚洲综合色惰| 嘟嘟电影网在线观看| 久久人妻熟女aⅴ| 黑人欧美特级aaaaaa片| 中文字幕久久专区| 搡女人真爽免费视频火全软件| 五月天丁香电影| 亚洲在久久综合| 成人国语在线视频| 欧美 日韩 精品 国产| 亚洲第一区二区三区不卡| 国产高清国产精品国产三级| 久久久久久久亚洲中文字幕| 国产国语露脸激情在线看| 精品人妻熟女av久视频| 亚洲成人av在线免费| 亚洲精品国产色婷婷电影| 久久久久久久国产电影| 久久热精品热| 99久久综合免费| 久久久精品免费免费高清| 日韩精品有码人妻一区| 在线观看www视频免费| 欧美日韩一区二区视频在线观看视频在线| 久久久久人妻精品一区果冻| 乱码一卡2卡4卡精品| 大香蕉久久成人网| 欧美精品亚洲一区二区| 日本-黄色视频高清免费观看| 成人影院久久| 欧美精品高潮呻吟av久久| 成人手机av| 我要看黄色一级片免费的| 成人午夜精彩视频在线观看| 亚洲精品亚洲一区二区| 蜜桃国产av成人99| 97在线人人人人妻| 十八禁网站网址无遮挡| 蜜臀久久99精品久久宅男| 午夜久久久在线观看| 婷婷色综合www| videos熟女内射| 欧美最新免费一区二区三区| 亚洲国产av新网站| 国产精品久久久久久av不卡| 飞空精品影院首页| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 男女边吃奶边做爰视频| 精品人妻熟女av久视频| 尾随美女入室| 一边亲一边摸免费视频| 建设人人有责人人尽责人人享有的| 欧美激情国产日韩精品一区| 美女大奶头黄色视频| 久久久久久久久久久免费av| 久久99蜜桃精品久久| 综合色丁香网| 亚洲精品国产色婷婷电影| 一级黄片播放器| 少妇被粗大的猛进出69影院 | 日韩大片免费观看网站| 一本大道久久a久久精品| 一级爰片在线观看| 日韩av在线免费看完整版不卡| 国精品久久久久久国模美| 黄色欧美视频在线观看| 22中文网久久字幕| 18禁在线播放成人免费| 国产精品久久久久久精品古装| 在线观看免费视频网站a站| 91午夜精品亚洲一区二区三区| 美女xxoo啪啪120秒动态图| 18禁动态无遮挡网站| 欧美激情极品国产一区二区三区 | 国产男女内射视频| 亚洲五月色婷婷综合| 人人妻人人爽人人添夜夜欢视频| av在线观看视频网站免费| 观看av在线不卡| 狂野欧美激情性xxxx在线观看| 丰满饥渴人妻一区二区三| 亚洲性久久影院| 免费播放大片免费观看视频在线观看| 日韩欧美精品免费久久| 男人添女人高潮全过程视频| 纵有疾风起免费观看全集完整版| 免费av中文字幕在线| 国产亚洲一区二区精品| av有码第一页| 爱豆传媒免费全集在线观看| 国产乱来视频区| 久久这里有精品视频免费| 国产黄频视频在线观看| 国产黄片视频在线免费观看| 熟妇人妻不卡中文字幕| 人妻制服诱惑在线中文字幕| 少妇人妻久久综合中文| 综合色丁香网| 欧美人与性动交α欧美精品济南到 | 亚洲国产av影院在线观看| 国产免费一区二区三区四区乱码| 国产一区有黄有色的免费视频| 天天操日日干夜夜撸| 黑人高潮一二区| 国产成人aa在线观看| 尾随美女入室| 69精品国产乱码久久久| 中文字幕av电影在线播放| 高清在线视频一区二区三区| 在线天堂最新版资源| 欧美精品国产亚洲| 麻豆乱淫一区二区| 伊人久久精品亚洲午夜| 一本色道久久久久久精品综合| 女性被躁到高潮视频| 亚洲国产精品999| 69精品国产乱码久久久| 欧美亚洲日本最大视频资源| 婷婷色麻豆天堂久久| 国产精品久久久久成人av| 国产成人精品在线电影| 国产免费视频播放在线视频| 亚洲中文av在线| 男女国产视频网站| 亚洲精品456在线播放app| 国产无遮挡羞羞视频在线观看| 国产无遮挡羞羞视频在线观看| 国产成人精品福利久久| 久久久久精品久久久久真实原创| 国内精品宾馆在线| 熟女av电影| 国产一区二区在线观看日韩| 婷婷色综合www| 日韩精品免费视频一区二区三区 | tube8黄色片| 这个男人来自地球电影免费观看 | 欧美 日韩 精品 国产| 久久国产精品大桥未久av| 午夜激情久久久久久久| 少妇熟女欧美另类| 女人久久www免费人成看片| av又黄又爽大尺度在线免费看| 亚洲欧美日韩另类电影网站| 狠狠婷婷综合久久久久久88av| 国产免费视频播放在线视频| 久久精品人人爽人人爽视色| 亚洲高清免费不卡视频| 夫妻性生交免费视频一级片| av国产久精品久网站免费入址| 一个人看视频在线观看www免费| 制服人妻中文乱码| 18+在线观看网站| 日本猛色少妇xxxxx猛交久久| 免费少妇av软件| 各种免费的搞黄视频| av在线app专区| 极品人妻少妇av视频| 久久久久久人妻| 日韩中字成人| 亚洲精品国产av蜜桃| 观看av在线不卡| 婷婷成人精品国产| 日韩伦理黄色片| 午夜激情福利司机影院| 日韩熟女老妇一区二区性免费视频| 国产精品无大码| 交换朋友夫妻互换小说| 久久久久视频综合| 热re99久久精品国产66热6| 久久久久久久久久人人人人人人| 18禁裸乳无遮挡动漫免费视频| 最近手机中文字幕大全| 免费人成在线观看视频色| 亚洲精品日韩av片在线观看| 春色校园在线视频观看| 亚洲欧美成人精品一区二区| 少妇人妻 视频| 久久国内精品自在自线图片| 人妻一区二区av| 日韩三级伦理在线观看| 久久久精品区二区三区| 黑丝袜美女国产一区| 久久ye,这里只有精品| 久久精品国产鲁丝片午夜精品| 日韩av在线免费看完整版不卡| 91精品国产国语对白视频| 久久狼人影院| 日韩不卡一区二区三区视频在线| 亚洲欧美一区二区三区国产| 夫妻性生交免费视频一级片| 最近中文字幕高清免费大全6| 91精品三级在线观看| xxxhd国产人妻xxx| 国产成人精品福利久久| 成人无遮挡网站| 老司机影院毛片| 精品国产国语对白av| 最近中文字幕2019免费版| 能在线免费看毛片的网站| 九九在线视频观看精品| 在线 av 中文字幕| 亚洲精品自拍成人| 亚洲成人一二三区av| 哪个播放器可以免费观看大片| 国产精品蜜桃在线观看| 精品一区二区免费观看| 久久久久久久亚洲中文字幕| √禁漫天堂资源中文www| av专区在线播放| 国产片内射在线| 欧美老熟妇乱子伦牲交| 91在线精品国自产拍蜜月| 免费看光身美女| 日日摸夜夜添夜夜爱| 国产免费现黄频在线看| 国语对白做爰xxxⅹ性视频网站| 欧美日韩一区二区视频在线观看视频在线| 男人爽女人下面视频在线观看| 欧美精品人与动牲交sv欧美| 韩国高清视频一区二区三区| 99热国产这里只有精品6| 久久久久久人妻| 色婷婷av一区二区三区视频| 精品久久久噜噜| 色哟哟·www| kizo精华| 日本爱情动作片www.在线观看| 麻豆成人av视频| 国国产精品蜜臀av免费| 91成人精品电影| 2022亚洲国产成人精品| 综合色丁香网| 国产免费又黄又爽又色| 九九久久精品国产亚洲av麻豆| 国产老妇伦熟女老妇高清| 在线观看免费高清a一片| 日本91视频免费播放| 天天躁夜夜躁狠狠久久av| 久久韩国三级中文字幕| 欧美+日韩+精品| 国国产精品蜜臀av免费| 老熟女久久久| 成人亚洲欧美一区二区av| 国产黄频视频在线观看| 中文乱码字字幕精品一区二区三区| 国产毛片在线视频| av免费在线看不卡| 久热久热在线精品观看| 国产 一区精品| 国产视频内射| 男女啪啪激烈高潮av片| 精品少妇内射三级| 国产成人午夜福利电影在线观看| 亚洲av.av天堂| 九九爱精品视频在线观看| 国产午夜精品久久久久久一区二区三区| 国产精品欧美亚洲77777| 国产精品久久久久久久久免| 久久久久久久久久久久大奶| 日本欧美国产在线视频| 久久女婷五月综合色啪小说| 国产成人免费无遮挡视频| 91精品三级在线观看| 久久久久人妻精品一区果冻| 日韩一区二区视频免费看| 午夜久久久在线观看| 亚洲精品久久成人aⅴ小说 | 卡戴珊不雅视频在线播放| av有码第一页| 日韩成人av中文字幕在线观看| 国产精品久久久久久久电影| 视频中文字幕在线观看| 亚洲,欧美,日韩| 久久久久久久精品精品| 国产成人午夜福利电影在线观看| 亚洲精品,欧美精品| 日本黄色片子视频| 大香蕉久久成人网| 嘟嘟电影网在线观看| 日本av免费视频播放| 在线观看www视频免费| 亚洲色图 男人天堂 中文字幕 | 校园人妻丝袜中文字幕| 欧美丝袜亚洲另类| 国产精品 国内视频| 日韩欧美精品免费久久| 黑丝袜美女国产一区| 国精品久久久久久国模美| 亚洲成色77777| 久久精品久久精品一区二区三区| 成年人免费黄色播放视频| 亚洲欧美日韩卡通动漫| 久久久久久久久久久免费av| 国精品久久久久久国模美| 久久鲁丝午夜福利片| 91在线精品国自产拍蜜月| 国产精品.久久久| 午夜老司机福利剧场| 插逼视频在线观看| 久久精品久久精品一区二区三区| 久久精品国产鲁丝片午夜精品| 99久久中文字幕三级久久日本| 国产高清三级在线| 亚洲av.av天堂| 免费少妇av软件| 亚洲欧洲日产国产| 久久毛片免费看一区二区三区| 激情五月婷婷亚洲| 人妻 亚洲 视频| 国产亚洲欧美精品永久| 新久久久久国产一级毛片| 亚洲av成人精品一二三区| av黄色大香蕉| 国产男人的电影天堂91| 99久久精品一区二区三区| 多毛熟女@视频| 午夜视频国产福利| 国产精品三级大全| h视频一区二区三区| 精品久久久久久久久av| 精品视频人人做人人爽| 久久人人爽人人爽人人片va| av在线app专区| 国产欧美日韩综合在线一区二区| 欧美日韩亚洲高清精品| 五月伊人婷婷丁香| 成人二区视频| 欧美日韩精品成人综合77777| 91精品国产九色| 精品久久久久久久久亚洲| 久久久久久久大尺度免费视频| 日韩伦理黄色片| 三上悠亚av全集在线观看| 国产国语露脸激情在线看| 国产乱人偷精品视频| 菩萨蛮人人尽说江南好唐韦庄| 九九爱精品视频在线观看| 九九久久精品国产亚洲av麻豆| 国产乱人偷精品视频| 99久久中文字幕三级久久日本| 免费黄频网站在线观看国产| 亚州av有码| 黄色欧美视频在线观看| 精品久久久久久久久av| 欧美变态另类bdsm刘玥| 91久久精品国产一区二区三区| 久久久精品免费免费高清| 久久影院123| 麻豆成人av视频| 精品少妇久久久久久888优播| 亚洲精品国产av成人精品| 日韩一区二区视频免费看| 高清av免费在线| 亚洲精品一区蜜桃| 一区二区av电影网| 涩涩av久久男人的天堂| av又黄又爽大尺度在线免费看| 欧美97在线视频| 精品久久久久久久久av| 少妇的逼水好多| 亚洲情色 制服丝袜| 一个人看视频在线观看www免费| 日本爱情动作片www.在线观看| 亚洲国产日韩一区二区| 精品少妇内射三级| 日本免费在线观看一区| 日本欧美国产在线视频| 国产永久视频网站| 久久99热6这里只有精品| 美女主播在线视频| 高清毛片免费看| 最近最新中文字幕免费大全7| 亚洲第一av免费看| 国国产精品蜜臀av免费| 亚洲无线观看免费| 精品少妇久久久久久888优播| 大香蕉久久网| 欧美日韩av久久| 精品国产一区二区久久| 97超碰精品成人国产| 夜夜骑夜夜射夜夜干| 亚洲精品日韩av片在线观看| 成年女人在线观看亚洲视频| 嫩草影院入口| 在线观看免费日韩欧美大片 | 女人精品久久久久毛片| 欧美激情国产日韩精品一区| 男人爽女人下面视频在线观看| 日韩精品有码人妻一区| 亚洲精品一二三| 大香蕉97超碰在线| 日韩中字成人| 欧美变态另类bdsm刘玥| 亚洲精品国产av成人精品| 成人黄色视频免费在线看| 久久精品熟女亚洲av麻豆精品| 日日摸夜夜添夜夜爱| 亚洲精品乱码久久久久久按摩| videos熟女内射| xxxhd国产人妻xxx| 日韩人妻高清精品专区| 国产亚洲精品第一综合不卡 | 18禁动态无遮挡网站| 免费av中文字幕在线| 国产有黄有色有爽视频| 欧美 日韩 精品 国产| 久久久精品94久久精品| 国产av精品麻豆| 嘟嘟电影网在线观看| 黑人欧美特级aaaaaa片| 看免费成人av毛片| 天天操日日干夜夜撸| 亚洲精品日本国产第一区| a级毛片在线看网站| 欧美日韩av久久| 亚洲av国产av综合av卡| 国产69精品久久久久777片| 日韩不卡一区二区三区视频在线| 欧美精品高潮呻吟av久久| 国产亚洲最大av| 岛国毛片在线播放| 成人无遮挡网站| 久久久久久久久久久久大奶| 美女视频免费永久观看网站| 亚洲综合色惰| 精品人妻在线不人妻| 校园人妻丝袜中文字幕| 大陆偷拍与自拍| 国产黄色视频一区二区在线观看| 哪个播放器可以免费观看大片| 乱码一卡2卡4卡精品| 激情五月婷婷亚洲| 国产精品.久久久|