• <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 ?

    基于輕量化卷積神經(jīng)網(wǎng)絡的番茄葉片病害識別

    2024-12-31 00:00:00鄭超杰李少波蒲睿強張濤
    江蘇農(nóng)業(yè)科學 2024年11期

    摘要:傳統(tǒng)的卷積神經(jīng)網(wǎng)絡在番茄葉部病害識別中存在結構復雜、參數(shù)龐大等問題,導致難以在移動設備上實現(xiàn)良好的應用效果。因此,提出一種基于輕量化卷積神經(jīng)網(wǎng)絡的番茄葉片病害識別方法。首先,將番茄葉片病害圖片進行數(shù)據(jù)增強擴充,保證數(shù)據(jù)分布均勻;其次,繪制MobileNet v3模型基于擴充數(shù)據(jù)集tomato2的敏感度分析曲線圖,根據(jù)敏感度分析曲線圖對模型的輸出通道數(shù)進行裁剪,構建輕量化卷積神經(jīng)網(wǎng)絡模型MobileNet v3-Prune;最后,運用4種卷積神經(jīng)網(wǎng)絡及其對應的輕量化模型對番茄葉片病害圖片訓練進行試驗對比。結果表明,MobileNet v3-Prune對番茄葉片病害識別性能最佳,在測試集上的平均識別準確率達到了99.60%,模型權重僅為3.69 MB,單張圖片識別時間為12.13 ms。本研究結果可以為移動設備上的番茄葉片病害識別應用的實現(xiàn)提供理論支持。

    關鍵詞:番茄葉片病害;數(shù)據(jù)增強;MobileNet v3;敏感度分析;輕量化模型

    中圖分類號:TP391.41;S126文獻標志碼:A

    文章編號:1002-1302(2024)11-0225-06

    農(nóng)業(yè)是國民經(jīng)濟建設和發(fā)展的基礎,番茄作為重要蔬菜被各國廣泛種植。據(jù)農(nóng)業(yè)農(nóng)村部統(tǒng)計,近年來我國番茄種植面積約為100萬hm2,產(chǎn)量超過 6 000萬t,占我國蔬菜產(chǎn)量的7%以上,是我國最重要的經(jīng)濟農(nóng)作物之一[1]。由于我國番茄栽培面積廣闊,品種豐富,在大產(chǎn)量的供給下為番茄病害提供了有利條件,成為番茄生產(chǎn)的重要限制因素之一。因此,對番茄病害的精準識別和正確防治是目前解決此問題的有效手段之一。

    傳統(tǒng)的番茄病害識別往往得益于農(nóng)民的長期經(jīng)驗,但是番茄病害種類繁多,通過人工觀察識別耗時耗力。隨著近年來卷積神經(jīng)網(wǎng)絡的迅速發(fā)展,農(nóng)作物病害識別取得了初步進展,已逐步成為各高校與研究所的研究熱點,并廣泛運用于農(nóng)作物病害圖像識別領域。陳偉文等研究了AlexNet在番茄葉片病害識別時產(chǎn)生的過擬合問題,實現(xiàn)了對番茄葉片病害的分類識別[2];徐振南等通過MobileNet v3模型實現(xiàn)對馬鈴薯葉部5類病害的分類識別[3];胡玲艷等構建的CKFENet模型在強噪聲環(huán)境下對番茄病害識別準確率達到78%,穩(wěn)定性強且占用內(nèi)存小[4];孫文杰等采用雙向長短期記憶網(wǎng)絡以挖掘和記憶輸入序列數(shù)據(jù),實現(xiàn)了對桃樹葉部病害的圖像識別[5];林建吾等提出的番茄病害識別模型 FTL-MobileNet 通過引入Focal Loss代替交叉熵損失函數(shù),使其模型泛化能力更好、識別精度更高[6];趙越等研究了一種基于Faster R-CNN的馬鈴薯葉片病害識別模型,應用COCO初始權重進行遷移學習,其識別準確率達到了99.5%[7];帖軍等提出的 SK-EfficientNet 模型,不僅能提高圖像特征提取能力,同時更能有效地利用參數(shù),對番茄葉片病害識別的準確率達到了99.64%[8];周巧黎等同時使用Mixup混合數(shù)據(jù)增強、Focal Loss損失函數(shù)和遷移學習對MobileNet v3模型進行改進,提高了模型的識別準確率及識別速率[9];牛學德等通過將遷移學習和DenseNet卷積神經(jīng)網(wǎng)絡模型相結合,得到測試準確率達到97.76%的番茄病害識別模型[10];謝家興等對網(wǎng)絡特征提取模塊采用混合空洞卷積,實現(xiàn)了對5類荔枝病蟲害圖像的分類識別[11];徐健等通過減少MobileNet v3冗余網(wǎng)路結構及改進MobileNet v3的池化層,完成了嵌入式設備對棉雜的在線檢測[12];陳桂芬等研究了一種基于數(shù)據(jù)增強及遷移學習相結合的卷積網(wǎng)絡,提高了模型的識別準確率及泛化能力[13]。上述研究在實現(xiàn)番茄及其他農(nóng)作物病害識別的同時,也考慮了準確率、識別速率、模型大小等特性,但模型性能還有待提高,要將其應用在移動設備上實現(xiàn)在田間的實際番茄病害識別還存在一定距離。

    因此,本研究介紹了一種利用輕量化卷積神經(jīng)網(wǎng)絡對番茄病害圖像識別的方法,該方法不僅能夠實現(xiàn)高分類準確率的識別,而且還能夠顯著減少模型所需內(nèi)存占用,提高識別速率,使其能夠最大程度地應用于性能不同的移動終端和硬件平臺,以期為智慧農(nóng)業(yè)科技的開展提供技術支持與方法。

    1 數(shù)據(jù)來源及預處理

    1.1 試驗數(shù)據(jù)集

    本試驗研究對象為番茄葉部病害圖像,試驗數(shù)據(jù)集來自PlantVillage公開數(shù)據(jù)集,該數(shù)據(jù)集共計 54 000 多張圖片,包含14種蔬菜和水果,38種類別的標簽。番茄葉片試驗樣本主要包括10類常見的番茄病害葉片,其中早疫病1 000張、晚疫病1 909張、細菌斑點病2 127張、葉霉病952張、斑枯病 1 771 張、靶斑病1 404張、二斑葉螨病1 676張、花葉病毒病373張、黃曲葉病5 357張、健康葉片 1 591 張,共計18 160張圖片樣本。

    1.2 數(shù)據(jù)預處理

    1.2.1 幾何變換

    為保證數(shù)據(jù)集的多樣化及充足性,對其采用了幾何變換的數(shù)據(jù)增強[14],包括圖像歸一化、隨機裁剪、隨機旋轉、隨機水平翻轉,提高了樣本的質量和數(shù)量以及訓練模型的泛化能力,力求達到自然環(huán)境下對番茄葉片病害的識別效果。以斑枯病為例,幾何變換示意見圖1。

    1.2.2 顏色變換

    幾何變換類數(shù)據(jù)增強并沒有改變圖像本身,僅是將圖像的一部分或者對像素進行了重分布。顏色變換類數(shù)據(jù)增強[15]則是改變圖像本身以增加數(shù)據(jù)的復雜程度,本研究采用了包括調整圖像亮度、對比度和色調等數(shù)據(jù)增強方法。以番茄葉片斑枯病為例,顏色變換示意見圖2。以數(shù)據(jù)集均勻分布作為前提對圖像進行擴充,擴充后圖像總數(shù)為23 735張,10種番茄病害類型的分布見表1。

    本研究將數(shù)據(jù)集中的90%作為訓練集,10%作為測試集,其中訓練集共有21 361張圖片,測試集共有2 374張圖片,統(tǒng)一采用jpg格式,將圖像像素大小統(tǒng)一調整到256×256像素。將PlantVillage公開數(shù)據(jù)集中的18 159張番茄葉片病害圖片設為tomato1數(shù)據(jù)集,將基于數(shù)據(jù)增強擴充后的23 735張番茄葉片病害圖片設為tomato2數(shù)據(jù)集,以便于后續(xù)研究對數(shù)據(jù)增強方法進行驗證。

    2 輕量化番茄葉片病害識別模型

    2.1 MobileNet v3網(wǎng)絡模型

    輕量級網(wǎng)絡具有參數(shù)少、訓練速度快、推算時間短等特點,且更適用于存儲空間及算力受限的嵌入式設備等邊緣計算設備。MobileNet v3[16]在經(jīng)歷MobileNet v1[17]和MobileNet v2[18] 2代積累后,在模型訓練速度及精度方面都表現(xiàn)優(yōu)異,其模型結構見表2。

    MobileNet v3不但繼承了v1的深度可分離卷積方法,將空間濾波和特征形成機制分開,進而合理地分解傳統(tǒng)卷積結構,同時采用v2線性瓶頸的倒殘差機制以代替線性整流函數(shù)(linear rectification function,ReLU),以減少網(wǎng)絡的總體參數(shù)量,加快模型的運行速度。

    MobileNet v3模型增添了獨特的Bneck網(wǎng)絡結構,在結構中將Hard-swish激活函數(shù)與ReLU激活函數(shù)互搭使用,以減少運算量,提高算法的推理性能。Hard-swish函數(shù)如公式(1)所示:

    式中:x為輸入特征矩陣;Hard-swish代替原來Swish的激活函數(shù);ReLU6[19]為普通ReLU激活函數(shù),限制最大輸出值為6。本研究選用MobileNet v3模型針對數(shù)據(jù)集的規(guī)模大小分為MobileNet v3-Large和MobileNet v3-Small,本研究選用MobileNet v3-Large模型,具體結構見表2。

    2.2 模型輕量化方法

    本研究基于飛槳(PaddlePaddle)深度學習框架開發(fā)設計了番茄葉片病害識別模型,PaddleSlim是一款專門用于深度學習模型壓縮的工具庫。它提供了各種模型壓縮策略,如低比特量化、知識蒸餾和稀疏化等策略,能夠幫助開發(fā)者快速實現(xiàn)模型壓縮。本研究在PaddleSlim工具庫中采取卷積層輸出通道裁剪策略中的L1NormFilterPruner[20]策略,即通過對單個卷積層裁剪不同比例的輸出通道數(shù),并將相對應的測試集精度損失比例進行繪圖,可得單個卷積層的曲線。同上述步驟可得到多個卷積層的曲線,該曲線稱為卷積神經(jīng)網(wǎng)絡的敏感度曲線。

    以MobileNet v3模型為例,基于tomato2數(shù)據(jù)集可得如圖3所示的MobileNet v3模型的敏感度曲線。

    在卷積神經(jīng)網(wǎng)絡的敏感度曲線圖中隨裁剪比例增加而精度損失比例越低的卷積層敏感度越低,反之則敏感度越高。敏感度越低的卷積層會被裁剪掉相對越多的輸出通道數(shù),反之會被裁剪掉相對較少的輸出通道數(shù)。最后綜合考慮卷積神經(jīng)網(wǎng)絡的FLOPs預期裁剪比例和敏感度曲線圖,對各卷積層的輸出通道數(shù)進行裁剪。以MobileNet v3模型為例,依據(jù)其FLOPs預期裁剪比例60%和敏感度曲線圖對卷積層進行裁剪,得到輕量化卷積神經(jīng)網(wǎng)絡MobileNet v3-Prune,其結構見表3。

    3 結果與分析

    3.1 試驗環(huán)境

    試驗軟件環(huán)境:使用Python 3.7編程語言,以PaddlePaddle作為深度學習開源框架。硬件環(huán)境采用AI Studio在線平臺,其中GPU為Tesla V100,顯存為32 GB,CPU為4 Cores,RAM為 32 GB,Disk為100 GB。

    3.2 試驗方案設計

    具體試驗步驟如下:

    步驟1:設置模型訓練參數(shù)。本試驗每次迭代160輪(epochs),訓練集和測試集的batch size均設為64,選用自適應動量優(yōu)化器(Adam)優(yōu)化網(wǎng)絡模型,其學習率采用間隔輪數(shù)衰減策略,即迭代前30輪學習率設為0.001,30輪后將學習率降為 0000 1,迭代60輪后學習率降至0.000 01。

    步驟2:比較4種卷積神經(jīng)網(wǎng)絡模型(MobileNet v3、Inception v3、ResNet50、ShuffleNet v2)在tomato1和tomato22種數(shù)據(jù)集上的準確率,驗證數(shù)據(jù)增強方法對模型性能的優(yōu)化效果。

    步驟3:基于tomato2數(shù)據(jù)集對4種卷積神經(jīng)網(wǎng)絡模型(MobileNet v3、Inception v3、ResNet50、 ShuffleNet v2)進行輕量化處理。考慮減少模型大小的同時保證它的分類準確率,因此設定模型的浮點運算次數(shù)預期裁剪比例為60%,各模型FLOPs前后變化見表4。

    步驟4:將4種卷積神經(jīng)網(wǎng)絡模型及其對應的輕量化模型進行對比,從模型的分類準確性、體積大小、單張圖片識別速率、穩(wěn)定性4個維度做試驗比較,驗證模型輕量化方法的優(yōu)越性并選出最適用于識別番茄葉片病害的模型。

    3.3 數(shù)據(jù)增強對模型識別準確率的影響

    由表5可知,在tomato2數(shù)據(jù)集上訓練得到的4種模型測試集分類準確率相較于tomato1數(shù)據(jù)集都有所提升,提升比例可達0.51百分點。由此可知,通過對數(shù)據(jù)集做數(shù)據(jù)增強擴充有助于提高模型的分類準確率,后續(xù)研究均采用tomato2數(shù)據(jù)集進行試驗。

    3.4 輕量化方法對模型性能的影響

    3.4.1 模型的準確率和模型大小

    為驗證模型輕量化方法對模型性能的提升并選出最適用于識別番茄葉片病害的卷積神經(jīng)網(wǎng)絡模型,分別對4種卷積神經(jīng)網(wǎng)絡模型(MobileNet v3、Inception v3、ResNet50、ShuffleNet v2)及對應的輕量化模型在tomato2數(shù)據(jù)集上的分類準確率、體積大小和單張圖片識別速率作對比分析。

    試驗結果見表6,4種輕量化模型在分類準確率下降小于等于0.1百分點的前提下,模型體積減小61%~81%,單張圖片識別速率提升11%~24%,由結果可知,模型輕量化方法在減少模型體積和單張圖片識別速率方面具有較好的適用性。

    MobileNet v3-Prune模型在體積大小、單張圖片識別速率方面均好于其余7個模型,分類準確率相對于最高值僅低0.06百分點,Inception v3模型雖為分類準確率最高的模型,但其體積大小和單張圖片識別速率均大幅差于MobileNet v3-Prune模型??紤]到番茄葉片病害識別模型在移動設備上的實際應用和性能要求,MobileNet v3-Prune模型在此領域具備更優(yōu)的應用優(yōu)勢。

    3.4.2 模型的穩(wěn)定性

    為驗證模型輕量化方法對模型穩(wěn)定性的提升及輕量化模型具有較好的穩(wěn)定性,對2種卷積神經(jīng)網(wǎng)絡模型(MobileNet v3、MobileNet v3-Prune)及4種輕量化模型(MobileNet v3-Prune、Inception v3-Prune、ResNet50-Prune、ShuffleNet v2-Prune)在tomato2數(shù)據(jù)集上160輪迭代過程中,測試集分類準確率和損失值的變化情況進行分析。如圖4所示,MobileNet v3和MobileNet v3-Prune模型在迭代前10輪內(nèi)均能達到較高的準確率并趨于穩(wěn)定,但MobileNet v3-Prune模型在迭代過程中準確率和損失值抖動幅度均小于MobileNet v3,由此證明模型輕量化方法能提升模型的穩(wěn)定性。對于4種輕量化模型在160輪迭代過程中測試集分類準確率和損失值的變化對比,Inception v3-Prune模型和ShuffleNet v2-Prune模型相較于其余2種模型在迭代初期準確率和損失值更快地趨于穩(wěn)定,且隨著迭代次數(shù)增加,前2種模型抖動頻率更低、抖動幅度更小,擁有較好的穩(wěn)定性。MobileNet v3-Prune模型和ResNet50-Prune模型雖然穩(wěn)定性略差于前2種模型,但也可在迭代前10輪內(nèi)趨于穩(wěn)定,擁有不錯的穩(wěn)定性。

    MobileNet v3-Prune模型在tomato2測試集上的混淆矩陣見圖5,其顯示了真實標簽值與模型預測值之間的關系,對角線上的數(shù)字代表模型成功識別出的樣本數(shù)量。0~9分別表示番茄的瘡痂病、早疫病、晚疫病、葉霉病、斑枯病、二斑葉螨病、靶斑病、黃曲葉病、花葉病毒病、健康葉片,對應的預測準確率分別為100%、100%、99.04%、100%、9948%、99.51%、98.05%、100%、100%、100%。MobileNet v3-Prune模型對10類病害的識別準確率均在98.00%以上,試驗表明MobileNet v3-Prune模型對每類番茄葉片病害都具有較好的識別能力。

    4 結論

    本研究提出了一種輕量化的卷積神經(jīng)網(wǎng)絡模型MobileNet v3-Prune,以適應移動設備對番茄病害圖像識別的需求。模型輕量化方法是對多個卷積層裁剪不同比例的輸出通道數(shù)以繪制敏感度曲線圖,再依據(jù)敏感度曲線圖對模型裁剪得到輕量化卷積神經(jīng)網(wǎng)絡模型。模型輕量化方法在保證模型分類準確率的前提下減少了模型大小,提高了單張圖片的識別速率。由4種卷積神經(jīng)網(wǎng)絡模型(MobileNet v3、Inception v3、ResNet50、ShuffleNet v2)及對應的輕量化模型和2種數(shù)據(jù)集設計對比試驗,結果表明,(1)經(jīng)數(shù)據(jù)增強擴充后的數(shù)據(jù)集訓練卷積神經(jīng)網(wǎng)絡模型,能有效提高模型的分類準確率,可提升0.51百分點。(2)4種輕量化模型在分類準確率下降小于等于0.1百分點的前提下,模型體積減小61%~81%,單張圖片識別速率提升11%~24%,結果表明,模型輕量化方法在減少模型體積和單張圖片識別速率方面具有較好的適用性。(3)綜合對比8種卷積神經(jīng)網(wǎng)絡模型的分類準確性、體積大小、單張圖片識別速率和穩(wěn)定性,可知MobileNet v3-Prune模型在番茄葉片病害識別上具有更好的應用優(yōu)勢,能夠便利地應用于性能不同的移動終端和硬件平臺, 為智慧農(nóng)業(yè)科技的開展提供技術與方法。在后續(xù)工作中,將針對實際復雜環(huán)境下的番茄病害圖像,繼續(xù)優(yōu)化模型的綜合性能,提高在田間的番茄病害識別效率及穩(wěn)定性。

    參考文獻:

    [1]譚海文,吳永瓊,秦 莉,等. 我國番茄侵染性病害種類變遷及其發(fā)生概況[J]. 中國蔬菜,2019(1):80-84.

    [2]陳偉文,鄺祝芳,王忠偉. 基于卷積神經(jīng)網(wǎng)絡的種苗病害識別方法[J]. 中南林業(yè)科技大學學報,2022,42(7):35-43.

    [3]徐振南,王建坤,胡益嘉,等. 基于MobileNet v3的馬鈴薯病害識別[J]. 江蘇農(nóng)業(yè)科學,2022,50(10):176-182.

    [4]胡玲艷,周 婷,劉 艷,等. 基于輕量級網(wǎng)絡自適應特征提取的番茄病害識別[J]. 江蘇農(nóng)業(yè)學報,2022,38(3):696-705.

    [5]孫文杰,牟少敏,董萌萍,等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡的桃樹葉部病害圖像識別[J]. 山東農(nóng)業(yè)大學學報(自然科學版),2020,51(6):998-1003.

    [6]林建吾,張 欣,陳孝玉龍,等. 基于輕量化卷積神經(jīng)網(wǎng)絡的番茄病害圖像識別[J]. 無線電工程,2022,52(8):1347-1353.

    [7]趙 越,趙 輝,姜永成,等. 基于深度學習的馬鈴薯葉片病害檢測方法[J]. 中國農(nóng)機化學報,2022,43(10):183-189.

    [8]帖 軍,隆娟娟,鄭 祿,等. 基于SK-EfficientNet的番茄葉片病害識別模型[J]. 廣西師范大學學報(自然科學版),2022,40(4):104-114.

    [9]周巧黎,馬 麗,曹麗英,等. 基于改進輕量級卷積神經(jīng)網(wǎng)絡MobileNet v3的番茄葉片病害識別[J]. 智慧農(nóng)業(yè),2022,4(1):47-56.

    [10]牛學德,高丙朋,南新元,等. 基于改進DenseNet卷積神經(jīng)網(wǎng)絡的番茄葉片病害檢測[J]. 江蘇農(nóng)業(yè)學報,2022,38(1):129-134.[HJ2mm]

    [11]謝家興,陳斌瀚,彭家駿,等. 基于改進ShuffleNet v2的荔枝葉片病蟲害圖像識別[J]. 果樹學報,2023,40(5):1024-1035.

    [12]徐 健,胡道杰,劉秀平,等. 基于改進型RFB-MobileNet v3的棉雜圖像檢測[J]. 紡織學報,2023,44(1):179-187.

    [13]陳桂芬,趙 姍,曹麗英,等. 基于遷移學習與卷積神經(jīng)網(wǎng)絡的玉米植株病害識別[J]. 智慧農(nóng)業(yè),2019,1(2):34-44.

    [14]孫海燕,陳云博,封丁惟, 等. 基于注意力模型和輕量化YOLO [HJ][LM]

    [KH*4D]

    [HT8.]v4的林業(yè)害蟲檢測方法[J]. 計算機應用,2022,42(11):3580-3587.

    [15]白祉旭,王衡軍,郭可翔. 基于圖像顏色隨機變換的對抗樣本生成方法[J]. 計算機科學,2023,50(4):88-95.

    [16]Howard A,Sandler M,Chen B,et al. Searching for MobileNet v3[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul:IEEE,2019:1314-1324.

    [17]Howard A G,Zhu M L,Chen B,et al. MobileNets:efficient convolutional neural networks for mobile vision applications[J]. ArXiv e-Prints,2017:arXiv:1704.04861.

    [18]Sandler M,Howard A,Zhu M L,et al. MobileNet v2:inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City:IEEE,2018:4510-4520.

    [19]Thakkar V,Tewary S,Chakraborty C. Batch normalization in convolutional neural Networks-a comparative study with CIFAR-10 data[C]//2018 Fifth International Conference on Emerging Applications of Information Technology (EAIT).Kolkata:IEEE,2018:1-5.

    [20]Li H,Kadav A,Durdanovic I,et al. Pruning filters for efficient ConvNets[EB/OL]. (2016-09-15)[2023-09-01]. https://arxiv.org/pdf/1608.08710.pdf.

    精品人妻1区二区| 国产精品 国内视频| 19禁男女啪啪无遮挡网站| 日韩欧美一区二区三区在线观看| 国产又色又爽无遮挡免费看| 久久国产乱子伦精品免费另类| 国产精品久久久av美女十八| 久久亚洲精品不卡| avwww免费| 久久精品国产清高在天天线| 亚洲激情在线av| 国产精品二区激情视频| 久久婷婷成人综合色麻豆| 午夜两性在线视频| 亚洲欧美激情在线| 亚洲国产高清在线一区二区三 | 大陆偷拍与自拍| 欧美黄色片欧美黄色片| 十八禁网站免费在线| 亚洲熟妇熟女久久| 久久久久久久午夜电影| 国产av精品麻豆| 亚洲一码二码三码区别大吗| 一级,二级,三级黄色视频| 亚洲成av人片免费观看| 女警被强在线播放| www国产在线视频色| 成人18禁在线播放| 99精品在免费线老司机午夜| 窝窝影院91人妻| 九色国产91popny在线| 美女午夜性视频免费| 亚洲欧美日韩无卡精品| 涩涩av久久男人的天堂| 男女午夜视频在线观看| 亚洲成人精品中文字幕电影| 午夜福利欧美成人| 久久狼人影院| 在线永久观看黄色视频| 一二三四社区在线视频社区8| 欧美激情极品国产一区二区三区| 99精品欧美一区二区三区四区| 91成年电影在线观看| 欧美日韩亚洲综合一区二区三区_| 久久精品国产亚洲av高清一级| 亚洲人成电影观看| 国产极品粉嫩免费观看在线| 精品午夜福利视频在线观看一区| 国产精品永久免费网站| 久久国产精品人妻蜜桃| 日日摸夜夜添夜夜添小说| 好看av亚洲va欧美ⅴa在| 亚洲中文日韩欧美视频| 又黄又粗又硬又大视频| 免费无遮挡裸体视频| 国产一级毛片七仙女欲春2 | 免费看a级黄色片| 搡老岳熟女国产| 亚洲第一青青草原| 午夜免费观看网址| 国产午夜精品久久久久久| 男女床上黄色一级片免费看| 亚洲九九香蕉| 日韩视频一区二区在线观看| 精品国产乱码久久久久久男人| 男女下面插进去视频免费观看| 在线观看午夜福利视频| 一级作爱视频免费观看| 国产av又大| 亚洲欧美激情综合另类| 精品欧美一区二区三区在线| xxx96com| √禁漫天堂资源中文www| 午夜成年电影在线免费观看| 黄色丝袜av网址大全| 欧美最黄视频在线播放免费| 国产成人精品久久二区二区免费| 欧美日韩瑟瑟在线播放| 久久香蕉精品热| 亚洲美女黄片视频| 色在线成人网| 免费看a级黄色片| 亚洲精品久久成人aⅴ小说| 久久精品国产清高在天天线| 啦啦啦韩国在线观看视频| 国产成人免费无遮挡视频| 亚洲av片天天在线观看| 国产aⅴ精品一区二区三区波| 可以免费在线观看a视频的电影网站| 高清在线国产一区| 精品久久久久久成人av| 法律面前人人平等表现在哪些方面| 国产单亲对白刺激| 在线播放国产精品三级| 在线播放国产精品三级| 亚洲国产中文字幕在线视频| 老司机福利观看| 久久久久久亚洲精品国产蜜桃av| √禁漫天堂资源中文www| 丰满人妻熟妇乱又伦精品不卡| 中文字幕最新亚洲高清| 正在播放国产对白刺激| 真人做人爱边吃奶动态| 我的亚洲天堂| 日日摸夜夜添夜夜添小说| 亚洲精品av麻豆狂野| 中文字幕av电影在线播放| 岛国在线观看网站| 欧美国产精品va在线观看不卡| 精品久久久精品久久久| 精品午夜福利视频在线观看一区| 欧美在线一区亚洲| 欧美日韩亚洲综合一区二区三区_| 久久久精品欧美日韩精品| 国产成人精品无人区| 精品免费久久久久久久清纯| 一个人免费在线观看的高清视频| 国产精品一区二区三区四区久久 | 色av中文字幕| av视频在线观看入口| 青草久久国产| 国产麻豆69| 女警被强在线播放| 国产精品秋霞免费鲁丝片| 国产欧美日韩综合在线一区二区| 国产成人一区二区三区免费视频网站| 日本一区二区免费在线视频| 麻豆国产av国片精品| 女性生殖器流出的白浆| 变态另类丝袜制服| av在线天堂中文字幕| 色综合站精品国产| 亚洲精品久久国产高清桃花| 免费在线观看黄色视频的| 国产成人一区二区三区免费视频网站| 性欧美人与动物交配| 久久国产精品人妻蜜桃| 怎么达到女性高潮| 久久久久久久久中文| 国产男靠女视频免费网站| 动漫黄色视频在线观看| 国语自产精品视频在线第100页| 成人亚洲精品av一区二区| 在线天堂中文资源库| 在线天堂中文资源库| 淫秽高清视频在线观看| 亚洲精品国产精品久久久不卡| 91成年电影在线观看| 这个男人来自地球电影免费观看| 中国美女看黄片| 国产亚洲av嫩草精品影院| 久99久视频精品免费| 日本vs欧美在线观看视频| 亚洲精品国产一区二区精华液| 久久久久久久久免费视频了| 国产成人一区二区三区免费视频网站| 老司机午夜十八禁免费视频| 国产精品 欧美亚洲| 久久香蕉激情| 欧美人与性动交α欧美精品济南到| 香蕉国产在线看| 可以在线观看的亚洲视频| 国产av又大| 国产片内射在线| 黄色a级毛片大全视频| 国产激情欧美一区二区| 国产精品亚洲美女久久久| 亚洲国产精品合色在线| 日本黄色视频三级网站网址| 国产精品综合久久久久久久免费 | 一个人免费在线观看的高清视频| АⅤ资源中文在线天堂| cao死你这个sao货| 男女下面插进去视频免费观看| 亚洲av第一区精品v没综合| 夜夜爽天天搞| 成人手机av| 香蕉国产在线看| 亚洲欧美激情综合另类| 中出人妻视频一区二区| 老司机午夜福利在线观看视频| 亚洲男人的天堂狠狠| 亚洲欧美日韩高清在线视频| 亚洲天堂国产精品一区在线| 怎么达到女性高潮| 精品久久久精品久久久| 国语自产精品视频在线第100页| 老汉色∧v一级毛片| 久久国产精品影院| 久久国产精品男人的天堂亚洲| 18禁国产床啪视频网站| 欧美日本中文国产一区发布| 欧美日韩乱码在线| 国产伦人伦偷精品视频| 精品久久蜜臀av无| 一级毛片高清免费大全| 激情在线观看视频在线高清| 亚洲三区欧美一区| 男女午夜视频在线观看| 午夜福利一区二区在线看| 90打野战视频偷拍视频| 亚洲男人天堂网一区| 欧美老熟妇乱子伦牲交| 人人妻人人爽人人添夜夜欢视频| 男女床上黄色一级片免费看| 国产一区二区三区在线臀色熟女| 亚洲五月天丁香| 午夜免费激情av| 欧美黄色淫秽网站| √禁漫天堂资源中文www| 欧美黄色淫秽网站| 国产精品亚洲av一区麻豆| 美女扒开内裤让男人捅视频| 日韩大尺度精品在线看网址 | 欧美日韩精品网址| 999精品在线视频| 在线视频色国产色| 在线视频色国产色| 精品人妻在线不人妻| 色播亚洲综合网| 99国产极品粉嫩在线观看| 国产av一区二区精品久久| 亚洲激情在线av| 亚洲九九香蕉| 久久性视频一级片| 成年人黄色毛片网站| 日韩一卡2卡3卡4卡2021年| 国产在线精品亚洲第一网站| 精品久久久精品久久久| 中文亚洲av片在线观看爽| 大型黄色视频在线免费观看| 在线观看一区二区三区| 天天躁夜夜躁狠狠躁躁| 久久香蕉精品热| 91九色精品人成在线观看| 日本在线视频免费播放| 电影成人av| 国产欧美日韩一区二区精品| 大香蕉久久成人网| 一a级毛片在线观看| 嫩草影视91久久| 国产一区二区三区视频了| 亚洲av五月六月丁香网| 91在线观看av| 无限看片的www在线观看| 岛国在线观看网站| 精品电影一区二区在线| 亚洲熟妇中文字幕五十中出| 啪啪无遮挡十八禁网站| 一个人观看的视频www高清免费观看 | 日韩国内少妇激情av| 国产欧美日韩一区二区三区在线| 在线天堂中文资源库| 日本a在线网址| 在线观看午夜福利视频| 久久人人精品亚洲av| 在线观看免费视频日本深夜| 国产在线观看jvid| 天堂√8在线中文| 国产精品日韩av在线免费观看 | 一级作爱视频免费观看| 免费久久久久久久精品成人欧美视频| 国语自产精品视频在线第100页| 色在线成人网| 90打野战视频偷拍视频| 如日韩欧美国产精品一区二区三区| 亚洲avbb在线观看| 精品一区二区三区av网在线观看| 色老头精品视频在线观看| ponron亚洲| 天堂动漫精品| 中国美女看黄片| 日韩一卡2卡3卡4卡2021年| 制服人妻中文乱码| 99精品在免费线老司机午夜| 搞女人的毛片| 99久久久亚洲精品蜜臀av| 天天添夜夜摸| 婷婷丁香在线五月| 亚洲人成网站在线播放欧美日韩| 91精品三级在线观看| 亚洲免费av在线视频| 成年版毛片免费区| 99热只有精品国产| 热99re8久久精品国产| 老司机深夜福利视频在线观看| 日韩欧美一区二区三区在线观看| 黄片大片在线免费观看| 校园春色视频在线观看| 亚洲最大成人中文| 最好的美女福利视频网| av视频在线观看入口| 黄片播放在线免费| 日韩精品青青久久久久久| 日韩欧美免费精品| 多毛熟女@视频| 每晚都被弄得嗷嗷叫到高潮| 精品久久久久久久毛片微露脸| 欧美激情 高清一区二区三区| 电影成人av| 欧美另类亚洲清纯唯美| 脱女人内裤的视频| 国产亚洲精品第一综合不卡| 亚洲成av片中文字幕在线观看| 啪啪无遮挡十八禁网站| 可以免费在线观看a视频的电影网站| 看片在线看免费视频| 最好的美女福利视频网| АⅤ资源中文在线天堂| 日日干狠狠操夜夜爽| 叶爱在线成人免费视频播放| 日本撒尿小便嘘嘘汇集6| 免费久久久久久久精品成人欧美视频| 午夜两性在线视频| 欧美日韩中文字幕国产精品一区二区三区 | 精品不卡国产一区二区三区| 天堂动漫精品| 国产成人影院久久av| 精品久久蜜臀av无| 欧美国产精品va在线观看不卡| 国产高清视频在线播放一区| 大陆偷拍与自拍| 97超级碰碰碰精品色视频在线观看| 精品高清国产在线一区| 日韩精品中文字幕看吧| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩亚洲综合一区二区三区_| 性少妇av在线| 麻豆一二三区av精品| 黄色 视频免费看| 国产蜜桃级精品一区二区三区| 亚洲精品中文字幕一二三四区| 久久久久精品国产欧美久久久| 色婷婷久久久亚洲欧美| 韩国精品一区二区三区| 久久久久久久午夜电影| 麻豆国产av国片精品| 久久精品亚洲精品国产色婷小说| 天天躁狠狠躁夜夜躁狠狠躁| 国产免费av片在线观看野外av| 少妇裸体淫交视频免费看高清 | 久久青草综合色| 免费在线观看视频国产中文字幕亚洲| 男人舔女人的私密视频| 在线永久观看黄色视频| 欧美激情高清一区二区三区| 精品久久蜜臀av无| 精品国内亚洲2022精品成人| 夜夜看夜夜爽夜夜摸| 伊人久久大香线蕉亚洲五| 美女高潮喷水抽搐中文字幕| 青草久久国产| 人妻丰满熟妇av一区二区三区| 国产伦一二天堂av在线观看| 亚洲欧美日韩无卡精品| 亚洲av电影在线进入| 亚洲免费av在线视频| 亚洲欧美日韩高清在线视频| 不卡av一区二区三区| 国产精品久久久久久亚洲av鲁大| 99精品欧美一区二区三区四区| 十分钟在线观看高清视频www| 丝袜美足系列| 亚洲成人久久性| АⅤ资源中文在线天堂| 嫁个100分男人电影在线观看| 级片在线观看| 变态另类成人亚洲欧美熟女 | 久久久久久人人人人人| 男女之事视频高清在线观看| 亚洲精品国产一区二区精华液| 757午夜福利合集在线观看| 久久婷婷人人爽人人干人人爱 | 欧美日韩精品网址| 国产不卡一卡二| 淫秽高清视频在线观看| 亚洲一区高清亚洲精品| 久久国产精品影院| 亚洲第一青青草原| 三级毛片av免费| 色婷婷久久久亚洲欧美| 91成年电影在线观看| av片东京热男人的天堂| 熟妇人妻久久中文字幕3abv| 中文字幕人妻丝袜一区二区| 国产欧美日韩一区二区精品| 91精品国产国语对白视频| 在线视频色国产色| 好男人在线观看高清免费视频 | 老司机午夜十八禁免费视频| 久久香蕉精品热| av视频在线观看入口| 男男h啪啪无遮挡| 99国产精品免费福利视频| 成人18禁在线播放| 国产又爽黄色视频| 国产色视频综合| 国产亚洲精品一区二区www| 亚洲视频免费观看视频| 日韩一卡2卡3卡4卡2021年| 动漫黄色视频在线观看| 母亲3免费完整高清在线观看| 亚洲自偷自拍图片 自拍| 久久精品人人爽人人爽视色| 精品第一国产精品| av在线播放免费不卡| 99久久精品国产亚洲精品| ponron亚洲| 这个男人来自地球电影免费观看| 桃色一区二区三区在线观看| 麻豆成人av在线观看| 深夜精品福利| 在线av久久热| 999久久久国产精品视频| 99国产综合亚洲精品| 大码成人一级视频| 不卡一级毛片| 1024香蕉在线观看| 在线观看午夜福利视频| 国产日韩一区二区三区精品不卡| 少妇粗大呻吟视频| 搡老妇女老女人老熟妇| 国产麻豆69| 岛国在线观看网站| 久久中文字幕人妻熟女| 99精品在免费线老司机午夜| 久久精品国产清高在天天线| 麻豆国产av国片精品| 一级毛片高清免费大全| 欧美激情 高清一区二区三区| 精品欧美一区二区三区在线| 伊人久久大香线蕉亚洲五| 亚洲色图 男人天堂 中文字幕| 美国免费a级毛片| av有码第一页| 两人在一起打扑克的视频| 成年版毛片免费区| 国产亚洲精品久久久久5区| 成人三级做爰电影| 亚洲中文字幕一区二区三区有码在线看 | 久久久久久久久中文| 国产成人系列免费观看| 非洲黑人性xxxx精品又粗又长| 一二三四在线观看免费中文在| 两个人视频免费观看高清| 久久人人精品亚洲av| 国产三级黄色录像| 在线观看免费午夜福利视频| 啦啦啦韩国在线观看视频| 国产野战对白在线观看| 久久亚洲真实| 91大片在线观看| 一区福利在线观看| 国产熟女午夜一区二区三区| 亚洲专区字幕在线| 亚洲成人国产一区在线观看| 欧美日韩一级在线毛片| 50天的宝宝边吃奶边哭怎么回事| 久久亚洲精品不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 久久影院123| 日韩免费av在线播放| 免费女性裸体啪啪无遮挡网站| 亚洲情色 制服丝袜| 黄色 视频免费看| 一二三四社区在线视频社区8| 黄色丝袜av网址大全| 精品国产亚洲在线| 91av网站免费观看| 亚洲人成伊人成综合网2020| 日韩中文字幕欧美一区二区| 欧美激情极品国产一区二区三区| 色av中文字幕| 欧美成人午夜精品| 国产成人精品在线电影| 久久久精品国产亚洲av高清涩受| 亚洲自偷自拍图片 自拍| 久久婷婷成人综合色麻豆| 日韩视频一区二区在线观看| 免费一级毛片在线播放高清视频 | 一进一出好大好爽视频| 中文字幕人妻熟女乱码| 国产精品国产高清国产av| 亚洲成av片中文字幕在线观看| 熟女少妇亚洲综合色aaa.| 国产成人欧美| 久9热在线精品视频| 精品国产乱子伦一区二区三区| 成人国产综合亚洲| 日日爽夜夜爽网站| 波多野结衣高清无吗| 亚洲人成电影观看| 国产精品免费视频内射| 久久精品人人爽人人爽视色| 亚洲国产中文字幕在线视频| 久久久国产欧美日韩av| 一夜夜www| 亚洲精品av麻豆狂野| 一区二区日韩欧美中文字幕| 色av中文字幕| 欧美日韩瑟瑟在线播放| 长腿黑丝高跟| 精品日产1卡2卡| 男人舔女人的私密视频| 欧美成人性av电影在线观看| 亚洲国产精品久久男人天堂| 精品一品国产午夜福利视频| 三级毛片av免费| 久久精品国产综合久久久| 淫秽高清视频在线观看| 亚洲欧洲精品一区二区精品久久久| av中文乱码字幕在线| 精品国产一区二区久久| 色老头精品视频在线观看| 国产黄a三级三级三级人| 成人三级做爰电影| 巨乳人妻的诱惑在线观看| 日本一区二区免费在线视频| 99国产精品一区二区三区| 国内毛片毛片毛片毛片毛片| 成人欧美大片| 天堂√8在线中文| 午夜老司机福利片| 国产乱人伦免费视频| 亚洲精品美女久久久久99蜜臀| 中文字幕最新亚洲高清| 日本五十路高清| 亚洲黑人精品在线| 黑人操中国人逼视频| 久久婷婷人人爽人人干人人爱 | 波多野结衣巨乳人妻| 亚洲视频免费观看视频| 色av中文字幕| 亚洲成人精品中文字幕电影| 亚洲成av人片免费观看| 妹子高潮喷水视频| 久久人妻熟女aⅴ| 日韩欧美国产在线观看| 久久精品91蜜桃| 午夜精品久久久久久毛片777| 一级,二级,三级黄色视频| 91精品三级在线观看| 桃红色精品国产亚洲av| 久久国产亚洲av麻豆专区| 中文字幕人成人乱码亚洲影| 国产麻豆成人av免费视频| 黄色成人免费大全| 19禁男女啪啪无遮挡网站| 熟女少妇亚洲综合色aaa.| 国产欧美日韩一区二区三区在线| 欧美成人一区二区免费高清观看 | 欧美日本亚洲视频在线播放| 夜夜躁狠狠躁天天躁| av欧美777| 国产成人欧美在线观看| 妹子高潮喷水视频| 一边摸一边抽搐一进一小说| 久久久久国产精品人妻aⅴ院| 亚洲无线在线观看| 岛国在线观看网站| 黄片大片在线免费观看| 丝袜在线中文字幕| 老司机午夜十八禁免费视频| 丁香欧美五月| 伦理电影免费视频| 国产一区二区三区综合在线观看| 久久草成人影院| 日本免费一区二区三区高清不卡 | 午夜免费激情av| 男人舔女人的私密视频| 久久天躁狠狠躁夜夜2o2o| 久久香蕉精品热| 久久久久久久午夜电影| 高潮久久久久久久久久久不卡| 露出奶头的视频| 色综合婷婷激情| 免费高清在线观看日韩| 真人做人爱边吃奶动态| 国产91精品成人一区二区三区| 久久久久精品国产欧美久久久| 久久狼人影院| 国产在线精品亚洲第一网站| 美女高潮喷水抽搐中文字幕| 真人做人爱边吃奶动态| 精品免费久久久久久久清纯| 成人特级黄色片久久久久久久| 女警被强在线播放| 天天躁狠狠躁夜夜躁狠狠躁| 天堂影院成人在线观看| 黄色视频不卡| 在线观看舔阴道视频| 免费女性裸体啪啪无遮挡网站| 好看av亚洲va欧美ⅴa在| a级毛片在线看网站| 亚洲国产高清在线一区二区三 | 久久久久亚洲av毛片大全| 午夜福利在线观看吧| 一级黄色大片毛片| 99在线视频只有这里精品首页| 日本五十路高清| 欧美另类亚洲清纯唯美| 午夜福利,免费看| 精品高清国产在线一区| 亚洲av第一区精品v没综合| 少妇 在线观看| av福利片在线| 色在线成人网| 国产精品永久免费网站| 一二三四社区在线视频社区8| 精品卡一卡二卡四卡免费| 高清黄色对白视频在线免费看| 麻豆成人av在线观看| 久久香蕉激情| 动漫黄色视频在线观看| cao死你这个sao货|