欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

基于OpenCV和深度學(xué)習(xí)的蘋(píng)果葉病害識(shí)別方法:圖像分類與模型部署指南

基于OpenCV和深度學(xué)習(xí)的蘋(píng)果葉病害識(shí)別方法:圖像分類與模型部署指南 簡(jiǎn)介面向智慧農(nóng)業(yè)與計(jì)算機(jī)視覺(jué)畢設(shè)場(chǎng)景這套基于PythonOpenCV的蘋(píng)果葉病害識(shí)別檢測(cè)系統(tǒng)源碼包可精準(zhǔn)識(shí)別赤霉病、枯葉病、鐵銹病等常見(jiàn)葉片病變適合高校學(xué)生、科研人員及農(nóng)業(yè)智能開(kāi)發(fā)者使用既可直接運(yùn)行也能修改代碼訓(xùn)練其他植物病害。壓縮包共382個(gè)文件約54.26MB主要包含162張標(biāo)注病害圖像、161個(gè)標(biāo)簽txt文件、16個(gè)Python源碼、3個(gè)訓(xùn)練好的pt模型以及20個(gè)YAML配置文件并附帶清晰的操作說(shuō)明與評(píng)估指標(biāo)曲線大幅降低復(fù)現(xiàn)門(mén)檻。目前已有508人學(xué)習(xí)下載實(shí)操價(jià)值獲得認(rèn)可。整體設(shè)計(jì)兼顧教學(xué)與落地從環(huán)境配置、推理檢測(cè)到自定義訓(xùn)練均有完整指引幫助快速跑通檢測(cè)流程尤其適合畢業(yè)設(shè)計(jì)、課程項(xiàng)目或農(nóng)業(yè)病害識(shí)別應(yīng)用的原型驗(yàn)證是一份高性價(jià)比的完整參考資料。1. 這個(gè)畢設(shè)題目的本質(zhì)不是檢測(cè)是圖像分類打開(kāi)壓縮包之前先明確一件事標(biāo)題寫(xiě)的是“蘋(píng)果葉病害識(shí)別檢測(cè)”但按數(shù)據(jù)集的組織方式——按病害類別分文件夾、每張圖對(duì)應(yīng)一個(gè)標(biāo)簽——這實(shí)際上是一個(gè)圖像分類任務(wù)或者說(shuō)“判別式識(shí)別”任務(wù)。它不是YOLO那種畫(huà)檢測(cè)框的定位任務(wù)。這個(gè)區(qū)分很重要因?yàn)樗苯記Q定了你要不要再接一個(gè)檢測(cè)頭的訓(xùn)練流程還是老老實(shí)實(shí)把分類準(zhǔn)確率做上去再疊加一個(gè)滑動(dòng)窗口來(lái)做“檢測(cè)”的觀感。對(duì)這種畢設(shè)項(xiàng)目來(lái)說(shuō)最穩(wěn)的落地路徑是用OpenCV做圖像預(yù)處理和傳統(tǒng)特征提取再用OpenCV的DNN模塊加載訓(xùn)練好的深度模型做推理。你不需要從頭搭建一套深度學(xué)習(xí)訓(xùn)練管線也不需要用OpenCV去硬寫(xiě)一個(gè)CNN訓(xùn)練器而是把兩者結(jié)合起來(lái)用Python生態(tài)訓(xùn)練用OpenCV做工程化部署。這個(gè)方案適合誰(shuí)適合那些需要短時(shí)間跑通、能演示、能答辯、能寫(xiě)系統(tǒng)架構(gòu)圖的本科畢設(shè)。它不追求刷榜級(jí)別的準(zhǔn)確率但要求你清楚每一行代碼在干什么模型失效的時(shí)候你能給出合理解釋。蘋(píng)果葉病害本身有清晰的表觀特征——病斑顏色、紋理、分布區(qū)域——這讓傳統(tǒng)特征方法也能拿到不錯(cuò)的下限。2. 環(huán)境和數(shù)據(jù)集把“帶標(biāo)注的文件夾”變成可訓(xùn)練的數(shù)據(jù)管線2.1 Python和OpenCV環(huán)境搭建三個(gè)坑一次講清打開(kāi)壓縮包第一步不是看模型文件是先把環(huán)境跑通。項(xiàng)目基于Python那就從python官網(wǎng)下載對(duì)應(yīng)版本。注意畢設(shè)項(xiàng)目普遍對(duì)版本敏感建議用Python 3.8到3.10之間的版本太新的版本有時(shí)候會(huì)遇到某些依賴庫(kù)沒(méi)有預(yù)編譯wheel的問(wèn)題。安裝時(shí)勾選“Add Python to PATH”這一步漏掉的后果是你打開(kāi)命令行敲python提示不是內(nèi)部或外部命令這不是Python沒(méi)裝好是環(huán)境變量沒(méi)配。裝好Python后用pip安裝依賴python -m pip install --upgrade pip python -m pip install opencv-python4.8.0.76 python -m pip install numpy matplotlib scikit-learnopencv-python的版本我建議固定到4.8.x原因是這個(gè)版本線對(duì)ONNX模型的DNN推理支持已經(jīng)非常成熟同時(shí)不會(huì)像4.10那樣在某些老筆記本上出現(xiàn)奇怪的解碼器兼容問(wèn)題。安裝完成后驗(yàn)證一下python -c import cv2; print(cv2.__version__)這一步能過(guò)說(shuō)明OpenCV主庫(kù)沒(méi)問(wèn)。如果你遇到ModuleNotFoundError: No module named opencv那大概率是裝成了opencv-contrib-python但沒(méi)有正確import記住import名永遠(yuǎn)是cv2不是opencv。還有一個(gè)高頻報(bào)錯(cuò)是cv2.error: OpenCV(4.4.0)這通常指你用了太老的預(yù)編譯包同時(shí)你的Python版本是3.11以上兩個(gè)版本之間ABI不兼容。解決方式是升級(jí)OpenCV版本到4.8以上而不是去網(wǎng)上找老版本的whl文件硬裝。這個(gè)報(bào)錯(cuò)我當(dāng)年也卡過(guò)結(jié)果發(fā)現(xiàn)是pip給了一個(gè)緩存里的老版本加--no-cache-dir重新裝就干凈了。2.2 數(shù)據(jù)集結(jié)構(gòu)檢查先統(tǒng)計(jì)再訓(xùn)練解壓數(shù)據(jù)集之后第一步是寫(xiě)一個(gè)統(tǒng)計(jì)腳本看看每個(gè)類別的圖片數(shù)量、尺寸分布、格式是否統(tǒng)一。很多標(biāo)好名的數(shù)據(jù)集并不規(guī)范——有的葉子是整片葉有的是打了孔的局部葉有的圖片帶水印或者EXIF旋轉(zhuǎn)信息。下面這段代碼我每次拿到新數(shù)據(jù)集都會(huì)先跑一遍import os import cv2 from collections import Counter dataset_root ./dataset # 假設(shè)目錄下按類別分子文件夾 exts (.jpg, .jpeg, .png, .bmp) category_stats {} size_stats [] for cls_name in os.listdir(dataset_root): cls_path os.path.join(dataset_root, cls_name) if not os.path.isdir(cls_path): continue imgs [f for f in os.listdir(cls_path) if f.lower().endswith(exts)] category_stats[cls_name] len(imgs) for im in imgs[:50]: # 抽樣看尺寸分布 img cv2.imread(os.path.join(cls_path, im)) if img is not None: h, w img.shape[:2] size_stats.append((w, h)) print(category_stats) print(Counter(size_stats).most_common(10))這段代碼的意圖很直白統(tǒng)計(jì)每類圖片數(shù)量抽樣看尺寸。邏輯上用os.listdir遍歷類目用cv2.imread讀圖取寬高全部存進(jìn)列表后用Counter看尺寸分布。如果你看到某個(gè)類的數(shù)量明顯偏少比如只有別類的三分之一那么訓(xùn)練時(shí)就必須做類別加權(quán)或者少采樣策略。如果你看到尺寸極端分散比如有1920x1080的也有256x256的預(yù)處理階段就要統(tǒng)一縮放不要指望模型自己對(duì)尺度不變性有多好的魯棒性。還有一個(gè)容易被忽略的點(diǎn)有些數(shù)據(jù)集里混有灰度圖單通道讀入后shape是(h,w)不是(h,w,3)后續(xù)特征提取或者CNN輸入會(huì)直接報(bào)維度錯(cuò)誤。這個(gè)時(shí)候在讀取時(shí)統(tǒng)一轉(zhuǎn)成三通道用cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)做轉(zhuǎn)換即可。2.3 劃分訓(xùn)練集和驗(yàn)證集不洗牌等于白練畢設(shè)數(shù)據(jù)集規(guī)模一般在小幾千張這個(gè)規(guī)模下直接用train_test_split做個(gè)按類別分層的劃分就好。注意要用stratify參數(shù)保證每個(gè)類在訓(xùn)練集和驗(yàn)證集中的比例一致否則一個(gè)類如果全跑到驗(yàn)證集訓(xùn)練的時(shí)候模型沒(méi)見(jiàn)過(guò)這個(gè)類分?jǐn)?shù)直接崩掉。我一般會(huì)把全部數(shù)據(jù)按7:2:1拆成訓(xùn)練集、驗(yàn)證集、測(cè)試集測(cè)試集從頭到尾不參與訓(xùn)練只用來(lái)做最終評(píng)估。import os import shutil import random from sklearn.model_selection import train_test_split random.seed(42) dataset_root ./dataset train_dir, val_dir, test_dir ./train, ./val, ./test classes [d for d in os.listdir(dataset_root) if os.path.isdir(os.path.join(dataset_root, d))] for cls in classes: imgs os.listdir(os.path.join(dataset_root, cls)) # 保證路徑完整 full_paths [os.path.join(dataset_root, cls, i) for i in imgs] tr, tmp train_test_split(full_paths, test_size0.3, random_state42, stratifyNone if len(imgs) 2 else [1]*len(full_paths)) va, te train_test_split(tmp, test_size0.33, random_state42) for split, dir_name in [(tr, train_dir), (va, val_dir), (te, test_dir)]: out_dir os.path.join(dir_name, cls) os.makedirs(out_dir, exist_okTrue) for src in split: shutil.copy(src, os.path.join(out_dir, os.path.basename(src)))這段代碼先按7:3拆出訓(xùn)練集和臨時(shí)集再?gòu)呐R時(shí)集按2:3拆出驗(yàn)證集和測(cè)試集合成下來(lái)就是7:2:1。random_state42固定后每次跑出來(lái)劃分一致論文里寫(xiě)“隨機(jī)劃分固定種子”這句就是你代碼的注腳。注意我這里的stratify參數(shù)寫(xiě)得很潦草因?yàn)槊總€(gè)類的圖片數(shù)量不多強(qiáng)行分層可能報(bào)錯(cuò)所以直接給了一個(gè)全1的假標(biāo)簽讓它不報(bào)錯(cuò)。如果你每個(gè)類都有幾十張以上可以把第二個(gè)參數(shù)改成類別標(biāo)簽數(shù)組做真正的分層抽樣。2.4 數(shù)據(jù)增強(qiáng)用OpenCV做平移、旋轉(zhuǎn)、縮放訓(xùn)練過(guò)程如果直接拿原圖喂進(jìn)去模型會(huì)過(guò)擬合到背景和葉子的擺放位置。畢設(shè)數(shù)據(jù)集通常不夠大增強(qiáng)是必須的步驟。這里不引入imgaug這種大庫(kù)就用OpenCV自帶的方法好處是能在答辯的時(shí)候直接說(shuō)“全部基于OpenCV實(shí)現(xiàn)”。簡(jiǎn)單的增強(qiáng)組合是隨機(jī)水平翻轉(zhuǎn)、小角度旋轉(zhuǎn)、亮度擾動(dòng)。import cv2 import numpy as np def augment_image(img, angle_range15, brightness_range30): h, w img.shape[:2] # 隨機(jī)旋轉(zhuǎn) angle np.random.uniform(-angle_range, angle_range) M cv2.getRotationMatrix2D((w/2, h/2), angle, 1.0) rotated cv2.warpAffine(img, M, (w, h), flagscv2.INTER_LINEAR, borderModecv2.BORDER_REFLECT_101) # 隨機(jī)亮度擾動(dòng) brightness np.random.randint(-brightness_range, brightness_range) hsv cv2.cvtColor(rotated, cv2.COLOR_BGR2HSV).astype(np.float32) hsv[:, :, 2] np.clip(hsv[:, :, 2] brightness, 0, 255) aug cv2.cvtColor(hsv.astype(np.uint8), cv2.COLOR_HSV2BGR) return aug這里旋轉(zhuǎn)用的getRotationMatrix2D生成旋轉(zhuǎn)矩陣warpAffine做仿射變換borderModeBORDER_REFLECT_101是為了讓邊緣在旋轉(zhuǎn)時(shí)不是補(bǔ)黑邊而是反射葉片本身的像素補(bǔ)黑邊會(huì)讓模型學(xué)到“邊框等于背景”這種假特征。亮度擾動(dòng)放在HSV空間是對(duì)明度通道直接加減轉(zhuǎn)換回BGR后色彩基本不受影響。注意這里有個(gè)隱藏細(xì)節(jié)先旋轉(zhuǎn)再調(diào)亮度旋轉(zhuǎn)會(huì)產(chǎn)生插值噪聲調(diào)亮暗不會(huì)引入新的空間結(jié)構(gòu)所以順序不要反。如果你還想做縮放裁剪可以在這個(gè)函數(shù)里再加一步cv2.resize到(224,224)然后在推理的時(shí)候也用相同尺寸保證訓(xùn)練和部署的input size一致。輸出尺寸不一致是畢設(shè)里最常見(jiàn)的翻車點(diǎn)后面推理章節(jié)里還會(huì)遇到。3. 模型選型和訓(xùn)練從傳統(tǒng)特征到深度學(xué)習(xí)推理3.1 兩條路線怎么選SVM上線快CNN上限高拿到標(biāo)好的數(shù)據(jù)集之后你面臨一個(gè)選擇用傳統(tǒng)特征工程加SVM還是上CNN。這個(gè)選擇不是看心情而是看你數(shù)據(jù)集規(guī)模和部署形態(tài)。如果數(shù)據(jù)量在每類兩三百?gòu)堃詢?nèi)傳統(tǒng)特征加SVM的訓(xùn)練速度是秒級(jí)而且可解釋性強(qiáng)論文里可以畫(huà)特征可視化圖。如果數(shù)據(jù)量在每類五百?gòu)堃陨匣蛘弑尘皬?fù)雜葉片姿態(tài)多變CNN遷移學(xué)習(xí)的準(zhǔn)確率優(yōu)勢(shì)會(huì)非常明顯。這個(gè)項(xiàng)目標(biāo)題里帶了“模型”這個(gè)詞通常默認(rèn)給的預(yù)訓(xùn)練權(quán)重是按CNN路線訓(xùn)練的那么你在系統(tǒng)里就要用OpenCV的DNN模塊去加載推理而不是重新訓(xùn)練一個(gè)SVM去替代它。但我建議你把兩條路線都跑一遍基線SVM結(jié)果作為baseline寫(xiě)進(jìn)論文對(duì)比表最終部署用CNN。這樣既能體現(xiàn)工作量又能在答辯被問(wèn)“為什么不用傳統(tǒng)方法”的時(shí)候給出一個(gè)量化對(duì)比答案。3.2 用OpenCV提取HOG特征訓(xùn)練SVM把原理寫(xiě)進(jìn)代碼HOG特征的核心思想是統(tǒng)計(jì)圖像局部區(qū)域的梯度方向分布。葉片病斑的邊緣和健康區(qū)域在梯度方向上會(huì)有明顯差異所以HOG對(duì)這類紋理型病害是比較經(jīng)典的表征方式。用OpenCV提取HOG特征加SVM訓(xùn)練下面這個(gè)流程是完整的import cv2 import numpy as np from sklearn.svm import SVC from sklearn.preprocessing import StandardScaler import os def extract_hog(img, cell_size(8, 8), block_size(2, 2), nbins9): img_resized cv2.resize(img, (128, 128)) img_gray cv2.cvtColor(img_resized, cv2.COLOR_BGR2GRAY) if img_resized.ndim 3 else img_resized hog cv2.HOGDescriptor((128, 128), (16, 16), (8, 8), cell_size, nbins) return hog.compute(img_gray).flatten() X, y [], [] for cls_idx, cls_name in enumerate(os.listdir(train_dir)): cls_path os.path.join(train_dir, cls_name) for fname in os.listdir(cls_path): img cv2.imread(os.path.join(cls_path, fname)) if img is None: continue X.append(extract_hog(img)) y.append(cls_idx) X np.array(X) scaler StandardScaler() X_scaled scaler.fit_transform(X) svm SVC(kernelrbf, C10, gammascale, probabilityTrue) svm.fit(X_scaled, y)HOGDescriptor的四個(gè)參數(shù)依次是winSize、blockSize、blockStride、cellSize。winSize設(shè)為128x128意味著整圖作為一個(gè)檢測(cè)窗口cellSize 8x8和nbins 9是經(jīng)典配置。每個(gè)block歸一化后能把光照變化的影響壓下去這對(duì)戶外拍蘋(píng)果葉的場(chǎng)景很重要因?yàn)樽匀还庀峦黄~子的亮度差異很大。SVM用RBF核C10意思是誤分類懲罰適中g(shù)ammascale讓模型自己根據(jù)特征標(biāo)準(zhǔn)差決定核寬這是我們平時(shí)調(diào)參時(shí)最穩(wěn)的起點(diǎn)。如果你發(fā)現(xiàn)準(zhǔn)確率卡在80%上下優(yōu)先調(diào)整的是cell_size從8改到16特征是少了但泛化往往更好然后再懷疑SVM參數(shù)。3.3 CNN遷移學(xué)習(xí)用torch訓(xùn)練再導(dǎo)出ONNX部署端用OpenCV讀模型訓(xùn)練端卻不必局限于OpenCV。常見(jiàn)做法是用PyTorch寫(xiě)一個(gè)遷移學(xué)習(xí)腳本用ImageNet預(yù)訓(xùn)練的ResNet18做骨干網(wǎng)絡(luò)把最后一層全連接替換成病害類別數(shù)。之所以選ResNet18而不是更深的ResNet50是因?yàn)樘O(píng)果葉病害數(shù)據(jù)量不足以支撐深網(wǎng)絡(luò)的微調(diào)而且推理速度在CPU上更快演示的時(shí)候不會(huì)卡頓。下面這段是核心訓(xùn)練腳本的骨架import torch import torch.nn as nn import torchvision.models as models import torchvision.transforms as transforms from torch.utils.data import DataLoader, Dataset from PIL import Image import os class LeafDataset(Dataset): def __init__(self, root): self.classes sorted(os.listdir(root)) self.samples [] for cls_idx, cls_name in enumerate(self.classes): cls_path os.path.join(root, cls_name) for f in os.listdir(cls_path): self.samples.append((os.path.join(cls_path, f), cls_idx)) self.transform transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]) ]) def __len__(self): return len(self.samples) def __getitem__(self, idx): path, label self.samples[idx] img Image.open(path).convert(RGB) return self.transform(img), label model models.resnet18(weightsmodels.ResNet18_Weights.IMAGENET1K_V1) num_ftrs model.fc.in_features model.fc nn.Linear(num_ftrs, 5) # 假設(shè)5類病害 device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.SGD(model.parameters(), lr0.001, momentum0.9) for epoch in range(10): model.train() for imgs, labels in DataLoader(LeafDataset(train_dir), batch_size32, shuffleTrue): imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() outputs model(imgs) loss criterion(outputs, labels) loss.backward() optimizer.step() print(fepoch {epoch1}, loss {loss.item():.4f})這里weightsIMAGENET1K_V1表示加載預(yù)訓(xùn)練權(quán)重fc層從默認(rèn)的1000類輸出改成自己的類別數(shù)這部分權(quán)重隨機(jī)初始化backbone保持預(yù)訓(xùn)練。學(xué)習(xí)率設(shè)置0.001對(duì)于微調(diào)來(lái)說(shuō)不算激進(jìn)SGD加momentum適合小數(shù)據(jù)集。10個(gè)epoch足夠看到收斂趨勢(shì)如果loss還沒(méi)降下去問(wèn)題大概率在數(shù)據(jù)讀取或者歸一化參數(shù)上而不是網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練完的模型要導(dǎo)出成ONNXOpenCV的DNN模塊不支持直接讀.pt文件dummy_input torch.randn(1, 3, 224, 224).to(device) torch.onnx.export( model, dummy_input, apple_leaf.onnx, input_names[input], output_names[output], dynamic_axesNone, opset_version11 )導(dǎo)出時(shí)opset_version11是一個(gè)平衡點(diǎn)太低有些算子不支持太高OpenCV的ONNX解析器可能遇到不認(rèn)識(shí)的算子。固定輸入尺寸224x224的好處是導(dǎo)出時(shí)不用動(dòng)態(tài)軸推理時(shí)也不用做尺寸適配省掉一整套坐標(biāo)映射邏輯。3.4 評(píng)估指標(biāo)別只報(bào)準(zhǔn)確率要報(bào)混淆矩陣做評(píng)估的時(shí)候單看準(zhǔn)確率在病害識(shí)別項(xiàng)目里是自欺欺人。因?yàn)樘O(píng)果葉病害有些類之間差異很小比如炭疽葉枯病和褐斑病人眼都要仔細(xì)分辨模型如果誤判一兩張會(huì)把準(zhǔn)確率拖下去兩個(gè)點(diǎn)。正確的評(píng)估是驗(yàn)證集上的混淆矩陣加每類precision、recall、F1。代碼實(shí)現(xiàn)可以直接用scikit-learnfrom sklearn.metrics import confusion_matrix, classification_report y_true, y_pred [], [] model.eval() with torch.no_grad(): for imgs, labels in DataLoader(LeafDataset(val_dir), batch_size32, shuffleFalse): outputs model(imgs.to(device)) _, preds torch.max(outputs, 1) y_true.extend(labels.numpy()) y_pred.extend(preds.cpu().numpy()) print(classification_report(y_true, y_pred, target_namesdataset.classes)) print(confusion_matrix(y_true, y_pred))torch.no_grad()這里很關(guān)鍵它告訴PyTorch不需要為推理過(guò)程構(gòu)建計(jì)算圖內(nèi)存占用降到原來(lái)的十分之一。推理時(shí)如果你的模型在CPU上跑一個(gè)batch 32張224x224的圖耗時(shí)大約一兩秒足夠支撐實(shí)時(shí)演示。如果某個(gè)類的recall明顯低于其他類那就是數(shù)據(jù)不足或者特征重疊太大回到第2章去查這個(gè)類的影像數(shù)量大概率是樣本太少。畢設(shè)論文里這個(gè)評(píng)估結(jié)果是你所有結(jié)論的支撐不要在這塊偷懶。4. 部署與展示讓OpenCV DNN把模型跑起來(lái)4.1 加載ONNX模型并推理OpenCV做識(shí)別的核心代碼訓(xùn)練和推理分離是這個(gè)項(xiàng)目的常態(tài)訓(xùn)練在PyTorch里完成部署在OpenCV DNN模塊里完成。OpenCV的cv2.dnn.readNetFromONNX可以直接加載導(dǎo)出的模型然后通過(guò)blobFromImage把圖像轉(zhuǎn)成模型需要的輸入格式前向推理得到輸出向量。整個(gè)過(guò)程不依賴PyTorch也就是說(shuō)部署機(jī)上只需要openv-python。import cv2 import numpy as np net cv2.dnn.readNetFromONNX(apple_leaf.onnx) class_names [healthy, alternaria, rust, scab, frogeye] def predict(img): img_resized cv2.resize(img, (224, 224)) blob cv2.dnn.blobFromImage(img_resized, scalefactor1.0/255.0, size(224, 224), mean(0.485*255, 0.456*255, 0.406*255), swapRBTrue) net.setInput(blob) outputs net.forward() # 輸出形狀 (1, num_classes)softmax后取最大索引 scores outputs[0] scores np.exp(scores - np.max(scores)) scores / np.sum(scores) pred_idx int(np.argmax(scores)) conf scores[pred_idx] return class_names[pred_idx], confblobFromImage的參數(shù)團(tuán)是這里最容易出問(wèn)題的地方。scalefactor1/255是把像素從0-255縮放到0-1mean必須和訓(xùn)練時(shí)用的Normalize參數(shù)嚴(yán)格對(duì)應(yīng)。PyTorch里Normalize(mean[0.485,0.456,0.406], std[0.229,0.224,0.225])是ImageNet的統(tǒng)計(jì)均值這些數(shù)值在訓(xùn)練時(shí)會(huì)把每個(gè)通道減均值再除標(biāo)準(zhǔn)差。但OpenCV的blobFromImage只支持減均值不支持除標(biāo)準(zhǔn)差所以這里要把std乘進(jìn)mean里再減。你把(0.485*255, 0.456*255, 0.406*255)算出來(lái)大約是(123.675, 116.28, 103.53)這幾個(gè)數(shù)在論文的實(shí)驗(yàn)設(shè)置部分必須交代。注意swapRBTrue是因?yàn)镺penCV讀圖是BGR順序而PyTorch訓(xùn)練時(shí)用的是RGB順序不交換的話模型的輸入通道語(yǔ)義就反了效果會(huì)斷崖式下跌準(zhǔn)確率甚至不如隨機(jī)猜。推理輸出的分?jǐn)?shù)向量直接做softmax歸一化。雖然ONNX里沒(méi)有帶softmax層導(dǎo)出時(shí)候沒(méi)加手動(dòng)實(shí)現(xiàn)只用了np.exp加歸一化數(shù)值穩(wěn)定性上用np.max先平移一下防止exp溢出后全是NaN。如果你要的是更快的前100類預(yù)測(cè)或者閾值過(guò)濾在這段邏輯上加一個(gè)conf 0.6什么也不返回的兜底邏輯就行。4.2 批量預(yù)測(cè)和輸出可視化畫(huà)出病斑圈畢設(shè)系統(tǒng)要演示除了終端打印類別名之外最好能把識(shí)別結(jié)果畫(huà)在圖上。OpenCV在這塊的優(yōu)勢(shì)就體現(xiàn)出來(lái)了不需要額外工具庫(kù)直接畫(huà)框和文字。雖然分類模型本身沒(méi)有邊界框輸出但可以結(jié)合一個(gè)滑窗策略把圖劃分成多個(gè)區(qū)域分別預(yù)測(cè)預(yù)測(cè)置信度高的區(qū)域就畫(huà)個(gè)紅框這樣在視覺(jué)上就有了“檢測(cè)”的效果。def draw_prediction(img, pred_label, conf, top_k3): out img.copy() label_text f{pred_label} ({conf:.2f}) cv2.rectangle(out, (0, 0), (out.shape[1], 40), (0, 0, 255), -1) cv2.putText(out, label_text, (5, 28), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (255, 255, 255), 2) return out def multi_crop_predict(img, net, class_names, crop_size224): h, w img.shape[:2] results [] for y in range(0, max(h - crop_size, 1), crop_size // 2): for x in range(0, max(w - crop_size, 1), crop_size // 2): crop img[y:ycrop_size, x:xcrop_size] if crop.shape[0] crop_size or crop.shape[1] crop_size: crop cv2.resize(crop, (crop_size, crop_size)) cls, conf predict(crop) results.append((x, y, cls, conf)) return [r for r in results if r[3] 0.7]這段邏輯用一個(gè)步長(zhǎng)為crop_size//2的滑窗每隔半個(gè)窗口取一次裁片每張裁片獨(dú)立做一次推理然后按置信度過(guò)濾高于0.7的視為病害區(qū)域?;安介L(zhǎng)設(shè)置為一半窗口大小是為了相鄰裁片有50%重疊重疊區(qū)域即使只在一張裁片里被判定為病害也不容易漏掉。這個(gè)策略的代價(jià)是計(jì)算量翻倍但對(duì)單張圖片的演示場(chǎng)景完全可以接受。如果你在batch預(yù)測(cè)時(shí)發(fā)現(xiàn)效果不如單張檢查一下是不是crop內(nèi)部又做了一次resize有些裁片本身就是224x224再resize一次不會(huì)變但如果是小目標(biāo)病害裁片尺寸小于224這時(shí)直接resize會(huì)讓病斑變形。正確的做法是原尺寸小于224的裁片直接pad到224而不是縮放保留病斑相對(duì)大小。4.3 做一個(gè)能答辯的界面OpenCV窗口直連攝像頭如果答辯現(xiàn)場(chǎng)能演示實(shí)時(shí)識(shí)別效果遠(yuǎn)好于只放PPT截圖。用OpenCV的VideoCapture打開(kāi)電腦攝像頭循環(huán)讀取每一幀用上面的predict函數(shù)識(shí)別后疊加顯示識(shí)別結(jié)果。下面是最簡(jiǎn)界面邏輯cap cv2.VideoCapture(0) if not cap.isOpened(): print(camera not found) exit() while True: ret, frame cap.read() if not ret: break # 實(shí)時(shí)推理時(shí)不要做滑窗直接整幅圖預(yù)測(cè) label, conf predict(frame) display frame.copy() cv2.putText(display, f{label} {conf:.2f}, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 2) cv2.imshow(Apple Leaf Disease Recognition, display) key cv2.waitKey(1) 0xFF if key ord(q): break cap.release() cv2.destroyAllWindows()實(shí)時(shí)識(shí)別場(chǎng)景下要犧牲掉滑窗策略因?yàn)槊繋评硪淮我呀?jīng)耗時(shí)約100到200毫秒CPU再疊加滑窗會(huì)掉幀到?jīng)]法看。一個(gè)折中做法是每推理5幀做一次完整滑窗中間4幀沿用最近一次結(jié)果這樣滾動(dòng)的感覺(jué)還在計(jì)算壓力卻小得多。waitKey(1)的1毫秒延遲是讓OpenCV窗口能正常處理鍵盤(pán)事件和重繪設(shè)成0會(huì)發(fā)生什么問(wèn)題呢窗口界面會(huì)卡到想砸電腦因?yàn)槭录h(huán)被徹底堵住了。答辯現(xiàn)場(chǎng)要提前試一下攝像頭編號(hào)VideoCapture(0)是筆記本內(nèi)置攝像頭外接USB攝像頭可能是1或者2這個(gè)編號(hào)在設(shè)備管理器里能看到但OpenCV只按順序探測(cè)不要以為下標(biāo)從0開(kāi)始就一定能打開(kāi)。4.4 模型性能基準(zhǔn)跑分之前先給CPU降頻演示之前要在你的電腦上先做個(gè)基準(zhǔn)測(cè)試記錄單幀推理耗時(shí)和FPS這個(gè)數(shù)據(jù)答辯時(shí)可以直接展示證明你的系統(tǒng)滿足實(shí)時(shí)性。測(cè)速代碼很簡(jiǎn)單循環(huán)推理100次統(tǒng)計(jì)平均耗時(shí)import time start time.time() for _ in range(100): fake_input np.zeros((224, 224, 3), dtypenp.uint8) predict(fake_input) avg_ms (time.time() - start) * 10 print(favg inference time: {avg_ms:.1f} ms)這里用全零圖測(cè)得的耗時(shí)和真實(shí)圖片相差不大因?yàn)橛?jì)算量主要在網(wǎng)絡(luò)前向推理不在圖像解碼。測(cè)出來(lái)的數(shù)字如果在200毫秒左右說(shuō)明CPU是普通筆記本級(jí)別演示時(shí)把輸入分辨率從224降到160會(huì)提速到100毫秒以下但精度損失可以接受。如果數(shù)字超過(guò)500毫秒不要先懷疑OpenCV先看模型導(dǎo)出時(shí)是否意外加上了softmax或者多余的算子用onnx.checker做一次模型檢查排掉多余計(jì)算節(jié)點(diǎn)再測(cè)。很多人在測(cè)速時(shí)開(kāi)著后臺(tái)瀏覽器、IDE跑出來(lái)的數(shù)字波動(dòng)大得離譜解決辦法是關(guān)掉所有其他應(yīng)用這個(gè)測(cè)出來(lái)的數(shù)據(jù)才有說(shuō)服力。5. 避坑記錄復(fù)原數(shù)據(jù)集和模型過(guò)程中最常見(jiàn)的五個(gè)問(wèn)題5.1 opencv-python版本沖突導(dǎo)致DNN報(bào)錯(cuò)現(xiàn)象是跑模型推理時(shí)報(bào)cv2.error: OpenCV(4.4.0) ...找不到readNetFromONNX。原因是你pip默認(rèn)解析出來(lái)的opencv-python版本還是舊版或者本機(jī)同時(shí)存在過(guò)conda的opencv和pip的opencv兩個(gè)版本混在一起。解決方式是徹底卸載后重裝pip uninstall opencv-python opencv-contrib-python再pip install --no-cache-dir opencv-python4.8.0.76。另外確認(rèn)cv2.__version__是你期望的版本不要只看import不報(bào)錯(cuò)就認(rèn)為環(huán)境沒(méi)問(wèn)題。5.2 訓(xùn)練時(shí)圖讀成None半路崩掉現(xiàn)象是訓(xùn)練到一半報(bào)AttributeError: NoneType object has no attribute shape或者圖集統(tǒng)計(jì)出來(lái)的尺寸分布里混了一堆(0,0)。原因通常是數(shù)據(jù)集里有損壞的圖片文件或者圖片路徑里有中文字符OpenCV的imread在win平臺(tái)下解析含中文路徑的文件會(huì)失敗。解決方式是在數(shù)據(jù)加載時(shí)加一層防御邏輯img cv2.imdecode(np.fromfile(full_path, dtypenp.uint8), cv2.IMREAD_COLOR)np.fromfile讀出來(lái)的字節(jié)流不經(jīng)過(guò)文件路徑的編碼解析imdecode直接解碼繞開(kāi)中文路徑問(wèn)題。加載數(shù)據(jù)時(shí)凡遇到None就打印路徑并跳過(guò)不要直接中斷訓(xùn)練循環(huán)。5.3 模型在驗(yàn)證集上準(zhǔn)確率很高測(cè)試集上崩現(xiàn)象是驗(yàn)證集準(zhǔn)確率0.95測(cè)試集直接掉到0.6。原因是驗(yàn)證集劃分時(shí)不小心把同一株蘋(píng)果樹(shù)不同角度的照片拆到了兩邊數(shù)據(jù)泄漏了。解決方式是重新劃分按“圖片所在子目錄”作為分組依據(jù)確保同一來(lái)源的圖片不會(huì)同時(shí)出現(xiàn)在訓(xùn)練和測(cè)試?yán)铩:芏鄻?biāo)好病害的數(shù)據(jù)集文件名本身就是拍攝時(shí)間加序號(hào)同一批次拍攝的圖片特征高度相似這種泄漏在畢設(shè)中防不勝防但答辯老師一問(wèn)就能戳穿你。5.4 導(dǎo)出ONNX后推理結(jié)果和PyTorch完全不一致現(xiàn)象是在PyTorch里預(yù)測(cè)某個(gè)類是銹病信心0.9用OpenCV讀ONNX后同一個(gè)圖預(yù)測(cè)成健康信心0.98。原因是blobFromImage的均值處理不對(duì)或者swapRB順序錯(cuò)位。解決方式是做一張固定測(cè)試圖在PyTorch推理時(shí)打印預(yù)處理后的像素第一個(gè)值再在OpenCV里打印blob的第一個(gè)值兩者對(duì)比就能定位是哪個(gè)步驟出問(wèn)題。這種問(wèn)題查起來(lái)不要靠猜打印數(shù)值來(lái)對(duì)比最靠譜。5.5 攝像頭打不開(kāi)但報(bào)錯(cuò)信息不明顯現(xiàn)象是cap.isOpened()返回False但沒(méi)有具體錯(cuò)誤。原因一般是攝像頭被占用比如你打開(kāi)過(guò)微信、釘釘?shù)臄z像頭預(yù)覽或者上次程序沒(méi)有cap.release()資源沒(méi)有被釋放。解決方式是關(guān)掉所有占用攝像頭的程序重啟IDE的進(jìn)程在命令行里單獨(dú)跑一下打開(kāi)攝像頭的測(cè)試腳本。如果還能打開(kāi)那就是進(jìn)程級(jí)資源占用如果打不開(kāi)檢查設(shè)備是不是被Windows的隱私設(shè)置禁用了。6. 進(jìn)階技巧類別增量學(xué)習(xí)和置信度閾值自適應(yīng)的一個(gè)習(xí)慣如果你想把項(xiàng)目做到答辯中段亮點(diǎn)我建議你加一個(gè)類別增量學(xué)習(xí)的演示模塊。具體做法是把模型輸出的softmax分布保存下來(lái)每當(dāng)識(shí)別結(jié)果的置信度低于某個(gè)閾值時(shí)自動(dòng)彈出窗口讓用戶確認(rèn)這張圖屬于哪個(gè)類確認(rèn)后把新樣本追加到數(shù)據(jù)集并做一次簡(jiǎn)易的增量微調(diào)。對(duì)于數(shù)據(jù)集是標(biāo)注好的畢設(shè)項(xiàng)目來(lái)說(shuō)這個(gè)增量模塊本質(zhì)上是把訓(xùn)練流程封裝成可交互界面但它在答辯時(shí)的展示效果比一個(gè)靜態(tài)模型強(qiáng)很多。核心代碼只要在原來(lái)的預(yù)測(cè)函數(shù)基礎(chǔ)上加一個(gè)回傳def interactive_feedback(img, pred_label, conf, threshold0.6): label, conf predict(img) if conf threshold: # 彈窗讓用戶二選一接受機(jī)器預(yù)測(cè) or 人工指定 # 簡(jiǎn)單做法收集到 wrong_samples/ 目錄 cv2.imwrite(./feedback/unknown_{}.jpg.format(time.strftime(%Y%m%d_%H%M%S)), img) return label, conf, needs_label return label, conf, ok閾值0.6是一個(gè)經(jīng)驗(yàn)值。蘋(píng)果葉病害類間相似度高0.6的閾值能在保持召回的同時(shí)把不確定樣本攔下來(lái)。如果你發(fā)現(xiàn)攔下來(lái)的樣本中有一半人眼也分不清那說(shuō)明數(shù)據(jù)集標(biāo)注質(zhì)量本身有問(wèn)題而不是模型問(wèn)題這時(shí)不要硬調(diào)模型回看數(shù)據(jù)統(tǒng)計(jì)。這個(gè)小模塊寫(xiě)到論文里就是“人機(jī)協(xié)同標(biāo)注流程”聽(tīng)起來(lái)比單純“訓(xùn)練了五個(gè)類”有層次得多。我自己做這類畢設(shè)項(xiàng)目的習(xí)慣是模型權(quán)重文件放一個(gè)目錄訓(xùn)練日志放一個(gè)目錄誤判樣本收集目錄單獨(dú)建目錄結(jié)構(gòu)從一開(kāi)始就固定好后面寫(xiě)論文的時(shí)候回找任何實(shí)驗(yàn)結(jié)果都能3分鐘內(nèi)翻到。很多同學(xué)跑完代碼模型文件丟了數(shù)據(jù)增強(qiáng)代碼改了十版分不清最終版是哪個(gè)然后論文里的實(shí)驗(yàn)圖和代碼對(duì)不上這才是最受罪的。這個(gè)方向如果你做得順可以繼續(xù)往多病害共存的判別上延伸——同一片葉子同時(shí)得兩種病分類模型只能輸出一個(gè)類但滑窗可以把不同窗口判成不同類別這已經(jīng)是細(xì)粒度識(shí)別的雛形。對(duì)于畢設(shè)把現(xiàn)有流程跑穩(wěn)、把坑填平、把評(píng)估做扎實(shí)就已經(jīng)是拿得出手的水平了。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
激情九九综合网| 五月天另类小说久久小说网| 日韩九九视频| 天天做天天爱天天搞| 狠狠狠婷婷五月综合| 亚洲色欲欧美一区二区三区| 91狠狠综合久久| 狠狠综合网| 五月丁香| 色综合激情| 久久综合中文字幕| 亚洲无码影片| www.久久99| 天天舔天天插天天干| ai97re99一本| 五月天激情四射| 极品人妻videosss人妻| 丁香五月首页| 狠狠久久婷婷| 欧美怡红院黄站| 五月停性愛| 婷婷五月AA五月在线| 久久婷综| 在线不卡视频| 综合激情在线| 欧美婷婷五月天综合| 色婷婷影音| 天天久久狠狠色综合| 国产高清RV综合aVa| 亚洲精品视频电影| AV79| 丁香五月婷婷婷桃花影院| 丁香操逼| 激情五月亚洲综合网| 九九色婷| 极品人妻VIDEOSSS人妻| 影音先锋男人av资源站| 亚洲V国产V欧美V久久久久久| 激情深爱综合网| 色~性~乱~伦~噜| 国产做爰视频免费播放| 婷婷色五月天在线观看| 丁香五月六月| 五月丁香激情在线| 夜夜干夜夜操| 好好干av| 凹凸7777操操操| wuyuedingxiang| 色播综合| 亚洲综合激情五月久久| 五月丁香综合| 色婷婷欧美| 色色色免费视频| 安息电影在线观看完整版| 任你日热视频| 综合亚洲AV| 91在线就要啪| 国产婷婷色综合AV蜜臀AV | 婷婷丁香六月五月天| 婷婷性爱| 91久热| 五月丁香六月婷| 可以直接看的av网站| 91丨九色丨白浆秘| 日本天天综合| 综合激情五月丁香9999久久精| 久久婷婷网址| 立川无码av| 欧亚成人A片一区二区| www,五月丁,com| 色99超碰| 久草婷婷视频| 大香蕉中文| 成人久碰| 九月久久婷婷| 欧美日韩91| 亚洲av免费在线| 欧美激情伊人| 久久五月婷婷电影| se色99| 秋霞A V毛片| Caoub青青超碰| 国精产品一区一区三区免费视频| 97超碰婷婷五月天| 综合精品啪啪| 丁香六月久久| 色情五月综合婷婷| 激情五月天婷婷在线网址发给我| 激情WWW| 五五月丁香花激情综合网| 51成人| 婷婷五月天亚洲| 久久XX日本综合| 日日干四虎| 五月丁久久| 夜夜嗨一区二区三区直播内容| 婷婷亚洲综合| 欧美三级巜人妻互换| 国产在线网| 色啪久| 久久久久久久久18久久| 久久精品4| www.激情.com.| 日本va欧美va精品发布视频| 五月婷天天搞视频| 天天插天天射| 色综合狠狠色| 97搞在线| 99久久99视频只有精品| 影音先锋777xfplay色资源网站| 亚洲va成人va成人va在线观看| 成人av在线电影| 青青草a在线| 99热的无码| 老妇操B| 182TV亚洲| 亚洲婷婷在线播放十月| 激情小说视频图片| 五月丁香亭亭| 亚洲精品无码一区二区| 久热99热| 亚洲综合色色色| 激情久久肏屄视频| 六月综合婷婷开心伊人| 婷婷五月色| 深爱丁香激情| www.五月天| 在线91日韩| 亚洲国产婷婷色五月| 九月婷婷激情| 9 1在线视频| 99热在线观看| 色播五月婷婷五月| 97人人草| 啪啪 综合网| 婷婷丁香69精华| 丁香五月亚洲天堂| 色婷婷在线视频| 人人爽欧美婷婷久久久五月丁香| 色噜噜狠狠色综合网| 在线另类视频| 日韩另类| 狠狠干 狠狠操| 久操97| 九九久久五月天| 婷婷激情欧美| 中文字幕一色哟哟哟哟| 中文字幕av在线| 狠狠干伊人| 91九色在线| 超碰2021| 拍色综合| 五月丁香淫淫婷婷婷| 91久久久久久久| www.99免费视频| 五月在在观看| 五月婷婷六月丁香综合在线| 丁香六月婷婷综合激情欧美| 天天综合网91| 91九色在线视频| 激情五月天婷婷图| 国产精品色婷婷99久久精品| 丁香五月色五月| 丁香五月天天高清在线| 久久激情网| 亚洲精品网址| 深爱婷婷网| 变态 另类 在线 | 91人无码久久久久久| 免费在线a| 五月丁香激情片| www.99热在线观看| 欧美S码亚洲码精品M码| 99热99这里有免费的精品| 成片免费观看视频大全| 影音先锋 91工厂| 丁香五月色网| 99综合一区| www久| 操操国产| 这里只有精品视频在线| 婷婷五月丁香婷婷| 久久人人做人人妻人人玩精品va| 99精彩视频在线观看| 国产国产乱老熟女视频网站97| 超碰三级秋霞| 色色色色欧美| 激情综合网五月婷婷| 激情国产综合| 婷婷五月天亚洲天堂| 丁香五月手机在线| 吊色AV男人的天堂| 91狠狠综合网| 日日干五月天婷婷| 超碰大香蕉网| 99热在线免费观看精品| 国产av天天插天天操天天爽| 裸体美女丁香五月天。| 99热免费精品| 99操无码视频观看| 视色网在线播放| 五月日韩中文字幕| 婷婷激情人妻| 狠狠狠狠狠狠草| 少妇伦子伦精品无吗| 九九久久精品| 69热91天堂| 综合网亚洲| 啪啪操超碰| 美女网黄| av操B网站| 久久天堂网| 亚洲激情精品| 色婷婷亚洲婷婷| 亚洲成av人影院| 26uuu91| 99热网精品| 亚洲视频伍月婷婷| 日日干日日| www.99.色| 91九色精品女同系列| 久久永久网址| 亚洲超碰青涩| 丁香六月色婷婷| 久久66er久久| 国产综合婷婷| 欲色人妻| 亚洲乱码日产精品BD| www开心激情网| 国产九九一区二区三区| 日日做A爰片久久毛片A片英语| 五月丁香六月情亚洲| 久久久久久久久久久久63| 婷婷六月色播| 色五月色五天色情网| 无码髙清| 久久婷婷五月丁香网| 婷婷五月丁香激情色情| 五月婷婷综合性爱噜噜| 这里只有精品免费| 婷婷狠狠操| 丁香婷婷五月色成人网站| 久久在线视频免费观看| 欧美一线视频| 久久久91| 色婷婷小说网| 91狼友视频在线观看| 免费亚洲婷婷中文字幕| 婷婷色啪| 色色热| 99自拍视频在线| 五月丁香久久久久| 欧美乱码国产一级A片| 国产成人AV不卡| 凹凸7777操操操| 日韩另类| 激情网站综合五月天| 久久草大香蕉| 色色色色热热| 天天操夜夜操| 狠狠色成人影片| 亚洲精品乱码久久久久99| 激情婷婷综合网| 欧美搡BBBBB摔BBBBB| 26uuu成人网| 日日色五月天| 99热国产国产| 99热色无码| 久操干| 99riAV成人在线视频| 99精品在这里| 99日本在线| 91午夜激情| 在线五月色播| 天堂婷婷五月在线| 日本精品99网站| 97操碰日本女人| 色婷五月天| 婷婷娌伦网| 亚洲 五月 婷婷 成人| 男女99免费视频| 国产色色色色色| 嫩草AV久久伊人妇女超级A| 91色噜噜狠狠狠狠色综合| 狠狠色噜噜色狠狠狠综合久久成人波 | 激情久久肏屄视频| 色www.con| 亚洲一级 片内射网站在线观看| 日本色婷婷综合| 我想看国产大学生口爆吞精的视频| 免费无码毛片一区二区A片| 亚洲无码另类| 97色婷| 噜噜操操| 99久热这里有精品| 天天拍夜夜撸| 免费黄网不卡AV| 噜噜五月天综合| 99视频精品全部免费观看| 婷婷亚洲在线| 另类 在线| 丁香五月综合| 天天射影院| 天天干天天操天天爱| 日韩AV成人电影| 99视频这里有精品| 在线色色| 天天射网站| 我爱婷婷五月天综合88| 热99免费在线| 色色色色热| 月婷婷亚洲| 2025超碰| www.色9| 色婷婷久久久| 激情六月婷婷啪啪| 六月婷婷色色色| 狠狠色噜噜狠狠色噜噜噜999| 粉嫩AV久久一区二区三区| 丁香网五月天激情| 91大神操美女| 五月天婷婷婷| 一起操 91N.com| 狠狠色综合无线观看| 操操综合网婷婷| 色人五月婷婷| 五月草视频| 亚洲sesesese| 免费操超碰| 丁香 婷婷 亚洲 熟女| 91九色精品熟女内射| 人人人va亚洲视频在线| 99自拍视频网站| 九九99九九精品免费| 99热在线只有精品| 色婷婷激情小说网| 色激情五月| 五月丁香婷婷综合| 中文字幕丰满人妻无码专区| 久久人妻系列| 99色激| 久久这里只有精品视频15| 91成人电影| 无码中文一区二区三区| 丁香九月婷| 色噜噜狠狠狠狠色综合久欧美| 丁香六月狠狠干| 六月婷婷狠狠色在线观看| 黄色一极大片| 婷婷五月天桃花网| 久久这里只有精品99| 激情99在线视频| 久久久久这里都是精品| 久久久久久久久久91| 99久热这里只有精品视频删减版| 五月激情网五月综合网| 久久九九色| 99操逼| 五月大香蕉| 日日操夜夜操中国无码| 激情五月伊人婷婷| 成人免费高清在线播放| 黄色片久久| 91九色中文字幕女在线观看| 五月丁香六月情婷婷久久| 丁香五月婷婷大香蕉| 久操大香蕉| 丁香五月婷综合| 五月丁香婷婷网网网网| 丁香六月婷婷综合| 国产精品色情AAAAA片软件| 色综合色综合色综合| 思思热闹这里只有精品| 成人av在线网址| 免费无码毛片一区二区A片| 国产免费av在线| 五月婷婷 六月丁香| 91超碰在线观看| 中国女人内射6XXXXX| 日韩在线一级| 六月丁香好婷婷| 99热这里只有精品2| 91狼友视频在线观看| 丁香色六月婷婷| 丁香五月婷婷欧美成人色图| 色五月婷婷丁香凹凸| 色五月激情五月| 99热免| 亚州操操| 棕合影院色色| 久草视频一,二三四| 五月天婷久精视频| 丁香婷婷噜噜| 99色精品| 综合久久99| 亚洲人成人五月天| 五月天夜夜爱夜夜操| 天天综合天天做天天综合| 欧美色婷婷| 99九九玖玖| 中字幕视频在线永久在线观看免费 | 久九色| 啪啪啪大香蕉| 久久草中文日韩欧美| 九九这里有精品| 深夜A片| 五月婷婷丁香六月在线| 九九热视频思思| 99综合婷婷五月| 337p午夜影院| 淫荡工a| 热久久视频99| 欧美成人A片AAA片在线播放| 丁香啪啪中文字幕| 色五月开心五月激情五月| 色五月婷婷在线| 五月婷婷三级| www.99日本| 五月叮香啪| 亚洲六月色| 性爱技巧五月| 婷婷激情社区| 99亚洲精品视频| 天天操五月天| 久久精品系列| 激情综合色五月丁香| 久久婷婷五月| 久久R激情| www.韩日视频| 久9免费视频| 丁香综合网| 亚洲综合狠狠艹| www,黄色在线,con| 婷婷五月天成人小说| 任我肏视频精品| 天天摸夜夜夜| 色综合色色色色| 五月天色婷婷综合| 亚洲一区国产传媒| 五月婷婷六月丁香| 婷婷色系婷色| 五月丁香 狠狠爱| 深爱开心激情| 99日在线视频| 伊人久久婷婷| 婷婷网五月| 亚洲殴洲精品Av在线| 激情综合色五月丁香六月亚洲| 五月激香蕉网| 婷婷五月六月| 亚洲av另类在线观看| www.wuyuetian啪啪| 99re在线免费视频| www.色五月| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | www.99热这里精品 | 婷婷五月天论坛| 狠狠xx| 五月色婷婷影院| 天天草天天日| 4399精品一区二区| 久久久97| 欧美日本一区二区三区| 色婷婷在线影院| 五月天婷婷在线AN| 亚洲色色精品| w婷婷五月婷婷w| 天天综合色| 激情 婷婷 插| 免费播放片大片| 五月丁香操婷逼| 亚洲色婷婷婷婷人人爽| 五月激情网站| 免费无码毛片一区二区A片| 丁香五月天堂网AV| 97色婷婷| 影音先锋激情网| 日本理论久久| www久久久| 丁香5月婷婷| 大香蕉精品视频| 不卡在线视频| 99在线观看| 综合五月天天天天天五月| 五月丁香色婷婷色| www..com色爱| xx久久| 五月丁香花成人社区| 天天干天天干天天干天天干天天干| 色狠狠五月天| 日韩一级网站| 日本二级毛片二级毛片| 香蕉综合网| 丁香六月天婷婷开心综合| 六月丁香婷婷综合狠狠爱夜夜爱| A片试看120分钟做受图片| 五月天天综合| 综合AV网| 爱性综合网| 丁香五月手机在线| 激情性爱五月天网页| 人妻22p| 狠狠色综合久久| 99精品女人天堂| av高清无码| 四色永久成人网站| 五月丁香激情综合网| 国产在线6| 国产激情在线| 日韩精品VIP| 婷婷丁香六月| 久久久五月天| 成人五月丁香社区| www,超碰| 色播播五月| 很很干在线视频| 99综合在线| 91久久九色| 天堂久久丁香| 超碰在线成人| 99热啪啪| 色婷婷五月天在线观看| 亚洲国产成人综合| 五月丁香六月婷婷综合网缴情| 激情五月综合网| 日熟女| 亚洲五月天婷婷在线| 粉嫩AV久久一区二区三区| 香蕉久久国产AV一区二区| 99爱视频| 五月丁香五月丁香五月丁香五月丁香91| 激情五月丁香激情综合网| 丁香桃色网| 亚洲综合婷婷五月| 草草操操| 色五月婷婷在线| 久久99热这里只频精品6学生| YW无码| 婷婷五月综合啪| 最近中文字幕大全免费版在线 | 91操色| 久热伊人| 99热这只有| 欧美一级色| 色情·com| 色婷婷网| 色婷婷五月基地在线| 亚洲热综合| 天天日日人| 开心婷婷五月| 久久五月天合网| 九九碰九九爱97超碰| 精品五月丁香| 日日日日日| 丁香五月亭亭六月综合激情网| 五月婷婷丁香六月| 另类小说婷婷色| 丁香五月五月婷婷欧美大香蕉| 多精窝99在线视频| 性按摩玩人妻HD中文字幕| 亚洲激情五月婷婷日日| 99热传媒| 免费精品99| 99色色| 久久久久婷婷| 国产伊人五月天| 99久久综合| 丁香六月色情| 1024成人免费看| 色色色色网站| 超碰操网| 思思热在线观看| 婷婷性爱无码视频| 亚洲国产成人AV在线| 丁香六月婷婷综合缴| 婷婷开心综合人妻小说网址| 六月婷婷影院| 女人天堂AV| 久久久8| 99色热| 国产av天天插天天操天天爽| 岛国操B不卡在线| 中文字幕欧美久久| 色噜噜狠狠色综合无码久久欧美| 五月天婷婷色播| 五月天综合婷婷| 五月婷婷狠狠干| 91一起操| 五月丁香狠狠爱婷婷综合| AAAA亚洲| 亚洲激情四射色| 久久久这里有精品| 99热99ai| 丁香婷婷综合影院| 久操综合| 五月婷婷 六月丁香| 五月开心深爱激情网| 天天爽天天摸| 99热精品中文字幕| 激情电影五月婷婷| 7月婷婷六月丁香| 色性日本| 五月婷六月| 日韩黄在免| 丁香五月婷婷大香蕉| 色色综合网站| 色欲AV导航| 91九色网| 中文字幕欧美精品久久| 精品一区二区三区四区五区六区介绍| 激情五月婷婷开心网| 色偷偷五月天| 亚洲a色| 涩婷婷视频快播人妻| 五月 激情视频| 丝袜人妻| 啪啪激情网站| 国产综合色婷婷精品久久| 青草青草视频2免费观看| 噜噜狠狠色综无码久久合欧美| 色婷婷黄色网络| 七七色综合| 久久996re热这里只有精品无码| 女人被躁到高潮嗷嗷叫小| 五月婷婷亞洲中文| 成人精品在线| 青吴乐视频| 538任你爽| 国产99视频永久免费| 久久婷婷五月综合精品蜜芽| 亚洲乱码日产精品BD| 99热这里只有精品在线| 99热 在线观看| 夜色爱爱亚洲| 激情婷婷五月天| 天天天在线观看| 开心五月婷婷六月丁香| 五月天婷婷激情在线色图| 色色无码| 午夜九九九九九九九九九九九九九| 美女亚洲五月丁香| 字母不卡码人逼| 开心激情站| 色屌丝中文字幕| 99热6这里之有精品| 日都一级A片| 91婷婷五月天嫩女| 激情五月丁香激情综合网| 无码四色色色| 99自拍视频网站| 97热超碰| 亚洲AV无码电影| 欧美性爱五月天| 五月婷婷啪啪网| 日日夜夜爽| 操逼福利视频| 夜夜人妻五月天| 婷婷丁香花五月天| 亚洲AV免费国产电影| 97久久综合网| 久久九九激情五月天| 婷婷五月天成人| 中文字幕成人| 九九热99精品| 日日操夜夜撸| 偷偷操99| 久久久91| 色五月丁香五月| 日韩成人av在线| 午夜激情婷婷| 中文字幕在线日亚州9| 97干欧美| 一区二区三区视频| 亚洲色情免费网| 九九视频在线观看视频6 | 包操45分钟网站| 99久久婷婷国产综合精品草原| 99精品久久| 偷拍五月丁香| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 9久热精品在线视频| 久碰视频| 开心五月婷婷| 久久久激情| 五月天色五月| 人妻22p| 色综合久| 狠狠精品干练久久久无码中文字幕| av在线资源| 久色| 精品一二三区久久AAA片| 天天做天天爱天天高潮| 色婷婷六月| 国产精品久久久爽爽爽麻豆色哟哟| 白人荫道BBWBBB大荫道| 最近免费中文字幕大全高清大全1| 99热最新| 三人荫蒂添的好舒服A片| 欧美亚洲色色色色| 97色五月丁香婷婷| 丁香五月激情欧美| 激情五月天啪啪| 五月天丁香网站| 亚洲激情四射| 我爱宗和色| 色婷婷五月综合网| 99热精品中文字幕| 97极品在线| 99热综合| 色135综合网| 久久五月丁香综合| 久久图色4| 激情另类综合| 亚洲丁香五月综合| 伊人狠狠狠综合| se99视频| 中文字幕AV网址| 久久丁香五月天| 夜夜爽77777妓女免费下载| 丁香五月婷婷图片综合| 伊人狠狠色婷婷综合丁香一区| 九九热视频99| 另类五月婷婷| wwwC0maV五月花| 婷婷五月情| 日本五月婷| 国产又粗又大又爽又黄| 五月丁香狠狠爱婷婷综合| 97热九九| 丁香五月网络网络| 欧美毛片www| 日韩aaaaa| 欧美色五月| 99精品偷自拍| 亚洲激情五月| 五月天激情综合首页| 99热只有精| 婷婷狠狠18禁久久| 天天色情站| 婷婷婷五月香蕉| 久久综合中文| 操逼棍操逼| 久9热视频| 大香蕉九九| 99玖玖视频| 热九九精品| 色五月丁香六月婷婷| 午夜色婷婷| 国产在线激情视频| 9操在线| 超碰AAAAAAV| 色婷婷五月天激情在线观看| www.99色| 操人精品| 99色看这里只有精品| 午夜丁香婷婷| 天天干天天干天天干| 婷婷黄色五月| 精品国产va久久久久久久| 人人干av| 无码AV免费精品一区二区三区 | 中文字幕综合| 最近中文字幕2019视频1| 大香蕉狼人久久| 六月婷婷狠狠做| 久久婷婷激情| 色婷婷久久9.com| se99高清无码| 思思热在线视频精品| 99视频在线观看地址| 五月天丁香综合久久国产| 天天日,夜夜爽| 婷婷午夜| 婷香狠狠爱五月| 久久人妻情侣| 狠狠搞狠狠操| 婷婷成人AV| 激情宗合网激情五月天| 五月激情六月丁香| 碰97久久| 五月开心深爱激情网| 91日韩在线| 色婷婷伊人| 色婷婷基地| 亚洲黄网AV| 激情六| 色色色地址| 国内久久婷婷| 深爱激情小说五月婷婷| 天天精品视频免费观看| 色综合视频| 夜夜综合色| 日韩中文字幕| 久久婷综合| 成人在线网| 亚洲精品99| www.韩日视频| 激情婷婷五月色| 五月丁香综合| 大香蕉久久草| 色情五月综合婷婷| 丁香五月瑟瑟| 亚洲激情五月丁香久久久久| 日日干天天爽| 婷婷丁香激情综合色情| www婷婷| 亚洲殴洲精品Av在线| 天天操天天日天天爽| 色综合久| 五月丁香激情片| 99精品在线播放| 午夜爱爱网站| 无码橾| 激情九九六月激情免费视频| 91婷婷五月天嫩女| 最熟少妇乱码| 天天色激情| www.婷婷com| 日韩视频99| 99热伊人| 亚洲激情四射色| 色婷婷五月天无码视频| 国产成人av在线播放| 亚洲午夜精品久久久久久人妖| 99极品视频| 狠狠色丁香久久婷婷综合五月| 舔色婷婷| 天天爱天天操| 热日韩欧美| 超碰99热精品| 蜜乳9188| 伊人九九九久| 欧美啪啪9| 五月综合视频在线| 丁香综合网| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 亚洲婷婷五月| 黄色AV日韩| 狠狠狠激情网| 五月丁香六月婷婷姐| 国产偷人爽久久久久久老妇APP| 免费日韩99| 野战J办公桌椅H| 婷婷六月色情| 亚洲天堂制| 少妇性按摩无码中文A片| 91|九色|动漫| 婷婷五月亚洲综合| 丁香五月婷婷六月婷婷| 五月激情综合深爱| 色综合伊人网| 欧美交换配乱吟粗大25P| 婷婷五月综合色小姐小说| 成人婷99最新| 美英法精品无码免费视频| 成人精品人妻| 婷婷五月欧美综合| 99热e| 另类综合网| 色色色色综合网| 日本婷婷激情四射中文字幕在线观看| 99re在线视频| 色五月婷激情| 国产精品美女| 色五月婷婷五月天激情综合| 婷婷六月激情啪啪| 久99热在线观看| 亚洲久久天堂| 婷婷六月丁香开心深深爱| 色情五月停停丁香| 婷婷在线视频| 碰97 久| 久热中文字幕| 狠狠五月激情婷婷直播片| 六月婷婷AV| 色欧洲| 色丁香久综合在线久综合在线观看| 丁香婷婷五月综合欧美另类| 五月婷激情影院| 六月婷婷激情| 九九亚洲天堂| 天天做天天爽| 99热免费精品热久久66| 日本久久色| 91色噜噜狠狠狠狠色综合| 台湾综合丁香五月蜜桃| ai97re99一本| 九九热黄色| 丁香五月婷婷成人网| 嫩草视频观看| 亚洲激情四射| 五月天婷婷在线播放| 久久这里只有精品久久| 99国产99| 成人AV在线网站| 99精品视频在线| 14色综合婷婷| 性按摩玩人妻HD中文字幕| 日本色爽| 777久久综合视频 | 亚洲天堂色| 激情综合五月天| 很操日本7| 丁香五月停停基地| 成人精品视频99在线观看免费| 激情五月婷婷视频一区二区三区| 婷婷色女| 青青999| 99操碰| 九九热精品视频在线观看| 亚洲第一成人无码A片| 日韩操| 色婷婷8| 狠狠色综合网站| 欧类av怡春院| www.夜夜夜| 日韩成人精品中文字幕| 琪琪秋霞| 97色色网| 五月综合视频在线| 99色热| 激情四射五月天偷偷看婷婷| 夜夜爱网站| 亚洲av网站| 情色五月天网站| 天天综合天天做天天综合| 丁香久久综合| 午夜微拍福利| 综合激情五月丁香| 五月婷婷中文字幕| 色五月天本日| 另类图片五月天婷婷| 99热亚洲精品| 92久操视频| 日本3级片一区2区| 婷婷丁香综合色AV| 色色亚洲五月天| 婷婷丁香亚洲色综合91| www.婷婷五月| 亚州精品色情无码A片| 91seav| 丁香五月天欧美成人| 色五月婷婷久久| 六月亚洲| 六月成人网| 天天操屄网| 大香蕉欧美在线| 日韩啪| www.91.com处女在线直播| 丁香五月av| 五月丁香成人版| 99只有精品9| 五月婷婷导航| 狠狠干狠狠色| 婷婷五月天激情网| 色婷婷激情五月天在线观看| 97婷婷在线| 九九性视频| 色五月天中文字幕| 五月丁香亭亭A片| 91丁香五月| 亚洲国产精品五月天| 少妇搡BBBB搡BBB搡毛茸茸| 亚洲 无码 中文字幕 中出| 婷婷丁香五月视频| 9热精品| 婷婷,五月天,丁香,第一| 九九无码AV| 激情五月天婷婷五月天| 玖玖精品婷婷| 九九综合九| 久久综合99综合| 被强行糟蹋的女人A片| 丁香六月激情| 丁香婷婷性爱| 日本99久久| 亚洲综合1024| 97视频91| 香蕉久久国产AV一区二区| 99在线资源| 91九色中文字幕女在线观看| 99激情视频| 另类激情综合| 六月亚洲| 97涩婷婷| 99视频这里有精品| www。五月天。com| 综合亚洲六月婷婷在线| 99日韩| 日日爱678| 五月婷婷新网站| 久久婷婷六月天| 五月丁香色婷婷伊人| 丁香五月AV综合| 蜜臀A∨在线水帘洞| 激情五月天在线观看色婷婷| 久久在这里有精品| 69五月天视频| 国产一级婬片毛片| 开心五月天激情网站| 欧美一级操逼视频| 久激情网| 无码人妻精品一区二区蜜桃色欲| 久久丝袜婷婷| 婷婷五月精品在线| 亚洲视频五区| 九97免费视频| 丁香五月婷婷基地| www.天天干| 26UUU在线观看| 婷婷五月天色色| 丁香97综合| 国产成人精品一区二三区熟女在线| 色五月色图| 激情综合六月| 5月色婷婷| 久久久久久久五月| 超碰av在| 久久婷婷热| 另类视在线| 天天碰夜夜爽| oVV4WIB3vFi8D| 亚洲天堂九九九| www.99热这里精品| 九九热欧美| 色亚洲中文| 久久99精品久| 99国产精品白浆在线观看免费| 丁香五月婷婷亚洲综合精品| 五月婷婷之美女图片| 激情五月,婷婷五月,丁香五月| 亚洲午夜一区二区| 婷色五月天| www.com五月天| 亚洲无码成人性爰网| 深爱五月月天| 久久婷婷五月天激情| 日韩熟女啪啪视频| 色婷婷成人做爰A片免费看网站| 五月天激情四射| 91婷色| 丁香五月欧美| 久久婷婷综合五月趴| 99.色| 五月青青草综合| 99久热这里只有精品视频删减版| 成人AV免费观看| 91精产品自偷自偷综合| 狠狠色婷婷色| 成人龟情网丁香五月| 黄色中文字目| 亚洲国产精品二二三三区| 久久婷婷色综合老司机| 日本不卡中文字幕| 18av天堂| 七月婷婷色香综合网| 五月天激情久久| 激情综合婷婷| 亚洲无AV在线中文字幕| Av在线不卡一区| 99精品在线观看| 婷婷五月天综合中文| 性 色 婷婷| 成人精品视频99在线观看免费| 天天色综合综合| 97碰| 青柠影视免费高清电视剧| 亚洲五月色| 婷婷五月天中文字幕.| 教师性爱毛片| 操九色| 囯产精品一品二区三区| 五月天婷婷激情在线色图| 99视频精品在线| 成人综合伍月天| 8区视频在线| 激情五月婷婷| 久久婷婷色综合| 五月天堂婷婷| 丁香五月婷婷欧美激情-中文天堂最新版在线观看 | 亚洲人妻一区二区| 91九色 婷婷| 91在线操逼视频| 日本婷久久| 天天拍夜夜爽| 超碰免费人人| 久久九九99视频| www.99婷婷| 五月婷六月婷婷| 亚洲国产精品成人免费一区久久久在线观看AAAA| 四川女人毛多水多A片| 五月婷婷色影院| 九九视频在线免费视频| www99久久| 婷婷丁香五月基地| 六月色婷婷| 丁香五月天.com| 久久久久久丁香五月| 1024人妻| 婷婷色基地在线看| 婷婷色五月91啪啪| 色香欲综合| 夜夜爽天天爽| 丁香九月婷婷色| 久久这里只有国产| 天天肏高清在线| se婷97| 国产FREESEXVIDEOS性中国| 99色色| 欧美婷婷色五月| 色9色| 九九国产精视频| 久久五月天色婷婷| 六月色 亚洲| 婷婷五月丁香综合网| 九九色热| 色吧五月| 五月丁香婷中文| 婷婷九月丁香| 天天影视色综合网| 激情五月综亚网| 精品久色| 深爱激情中文五月天av| www.五月婷婷.com| 伊人五月天久久| 激情婷婷黄色五月| 久久九九热re6这里有精品| 99操碰| 99热最新网址| 亚洲欧美婷婷五月色综合| 国产成人亚洲综合A∨婷婷| 日日夜夜小色哥| 国产热精品| 伊人丁香花综合影院| 婷婷五月天国产手机在线视频观看| 五月丁香啪啪网| 99视频在线| 丁香五月久久| 欧美性猛交99久久久99| 九九热99视频在线| 婷婷网影院| 大香蕉五月婷婷| 国产精品操| 99九九视频精彩在线| 操逼六区| 色噜噜狠狠色综合成人网| 99热在线看片| 五月婷婷成人| 欧美性爱中文字幕| 人妻激情综合| 色99视频| 婷婷和五月天| 丁香五月婷婷呀| www.五月激情.com| 开心五月婷| 日日日日操| 五月丁香六月婷婷综合网站 | 二色AV| 久久99热免费| 伊人六月丁香婷婷| 国产精品久久久久久五月天加勒比 | 少妇人妻人伦A片| 婷婷五月综合色拍| 开心婷婷五月| 日日做A爰片久久毛片A片英语| 1024操逼| 欧美碰碰| 91互操| 五月天婷婷一起草| 婷婷成人五月天一区| 婷婷伊人网| 99热99干| 另类图片色五月| 三年高清大片免费观看国语| 91久久精品国产91性色TV| 2015好吊操| 丁香五月亚洲综合丝袜| 99国产欧美视频| 人妻视频在线| 九九热这里有精品23| 婷婷之六月丁香| 五月丁香六月婷婷激情视频在线观看免费| 激情丁香社区| 免费看欧美成人A片无码| 丁香九月色| 中文字幕综合| 亚州激情网站无码| 五月婷婷婷婷| 97超碰人人操| 我淫我色婷婷五月天激情四射| 超碰免费电影| 91操熟女| 思思久久99热只有频精品66| 久久玖玖综合| 草了bav视频在线观看| 欧美三级级99久久| 婷婷开心深爱五月天| 看久久性爱视频| 97碰在线视频| 一区无码| www.粉嫩av.com| 五月天成人网在线观看| 丁香六月五月天| 婷婷9月天| 人人草公开操| 夜夜操,天天撸| 大香蕉婷婷| 51XX嘿嘿午夜无码| 激情综合啪啪啪| 99热免费| 日韩AV免费电影在线播放| 99九色视频在线观看| 国产精品视频久久99| 婷婷俺去也| 婷婷日本色| 久久狠色噜噜狠狠狠狠97| 色情久久久| 97日本在线播放| 深爱 五月天| 天天干天天拍| 中文AV网站| 五月天天天综合| av在线色五月丁香婷区久| 激情五月天婷婷| www.97干视频| 26uuu亚洲精品国产| 色婷婷综合网站| 久久网日本| 精品亚洲VA网站| 久久色大香蕉| 欧美性二区| 欧美日韩成人一区二区| 五月丁香A片| 六月丁香婷婷亚洲中文玖玖| 狠狠色色| www91精品| 天天干天天日天天操| A短视频免费在线观看| 成人五月天色天堂| 大香蕉婷婷久久| 五月天小说激情| 丁香五月丁香伊人| 精品人妻一区二区| 色综合婷婷| 天天日 天天草| 五月丁香婷婷色播无码| 色婷婷狠狠色| 日本4399天堂中出| 五月丁香婷婷无码中文| www.99热在线| 伊人成综合五月婷婷| 欧美在线骚货| 五月婷在线| 色色综合色视频| 狠狠色综合网| 亚洲欧美综合7777色婷婷| 爱操人妻| 性生活视频98791| 日本视频99| 欧美人人女女精品综合五月天| 久久99激情丁香婷婷小说网| 丁香五月影| 狠狠撸激情综合丁香五月天俺来啦| 99精品偷自拍| 亚洲高清在线| 天天日夜夜爽|