亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于DHNN的玉米種子質(zhì)量評(píng)級(jí)方法

        2018-06-29 04:59:08琳,林,博,英,陽(yáng)
        江蘇農(nóng)業(yè)科學(xué) 2018年11期
        關(guān)鍵詞:玉米種子裂紋神經(jīng)網(wǎng)絡(luò)

        楊 琳, 張 林, 王 博, 李 英, 溫 陽(yáng)

        (1.商洛學(xué)院電子信息與電氣工程學(xué)院,陜西商洛 726000; 2.上海交通大學(xué)電子信息與電氣工程學(xué)院,上海 200240)

        玉米是我國(guó)第二大產(chǎn)量的農(nóng)作物。玉米種子質(zhì)量是影響其產(chǎn)量的重要因素之一,對(duì)玉米種子質(zhì)量進(jìn)行鑒別,選用優(yōu)質(zhì)種子,將有利于提高玉米產(chǎn)量。種子質(zhì)量鑒別的傳統(tǒng)方法有人工檢測(cè)、小區(qū)域種植及化學(xué)檢測(cè)3種方法。人工檢測(cè)主觀(guān)性較強(qiáng),準(zhǔn)確性不理想,后2種方法的結(jié)果都比較準(zhǔn)確,但是小區(qū)域種植方法耗時(shí)太長(zhǎng),化學(xué)檢測(cè)成本太高,都不能滿(mǎn)足大批量種子檢測(cè)的需要。國(guó)內(nèi)外學(xué)者針對(duì)農(nóng)作物種子的質(zhì)量鑒別做了大量研究工作,方法有機(jī)器視覺(jué)法、電子鼻檢測(cè)法、光譜檢測(cè)法、細(xì)胞檢測(cè)法等,類(lèi)型有病蟲(chóng)害檢測(cè)、分級(jí)檢測(cè),完整性檢測(cè)等。早在20世紀(jì)80年代,Zayas等就開(kāi)始利用機(jī)器視覺(jué)來(lái)鑒別谷物種子,此后20多年,他們先后利用崩結(jié)構(gòu)模板法、統(tǒng)計(jì)學(xué)分析法、RGB顏色參數(shù)建模法、正交變換法,分別實(shí)現(xiàn)了谷物種子雜質(zhì)鑒別、多種谷物種類(lèi)鑒別、降維、改進(jìn)網(wǎng)絡(luò)[1-2]。Paliwal等成功地實(shí)現(xiàn)了谷物雜質(zhì)的混合鑒別,識(shí)別率達(dá)到了90%[3]。國(guó)內(nèi)也有眾多學(xué)者對(duì)該方向展開(kāi)了研究。劉兆艷開(kāi)發(fā)了稻種品種識(shí)別專(zhuān)用軟件[4];王志軍等針對(duì)種子粘連問(wèn)題研究了相對(duì)應(yīng)的圖像分割算法[5];萬(wàn)鵬等利用大米的粒形特征值來(lái)識(shí)別大米品種[6];韓仲志等對(duì)花生的品質(zhì)檢測(cè)展開(kāi)研究[7];王玉亮等在玉米種子檢測(cè)中將多對(duì)象特征提取法應(yīng)用于品種識(shí)別[8];張俊雄等研究了單倍體玉米種子的圖像提取[9];曹維時(shí)等研究了自動(dòng)直立等距擺放種子的裝置,在此基礎(chǔ)上完成種子純度識(shí)別[10];付立思等基于不變矩理論研究了玉米種子的病蟲(chóng)害識(shí)別[11];吳江等利用光譜分析實(shí)現(xiàn)了大豆品種識(shí)別[12-13];洪亮提出“組合平均差異系數(shù)”的概念,在此基礎(chǔ)上研究了“多選一”的識(shí)別方法[14];錢(qián)燕等利用三維重構(gòu)技術(shù)來(lái)研究種子識(shí)別[15]。本方法在前人研究的基礎(chǔ)上,引入DHNN網(wǎng)絡(luò),研究了一種神經(jīng)網(wǎng)絡(luò)算法,從玉米種子的幾何尺寸、顏色等外觀(guān)特性來(lái)快速判別種子的質(zhì)量,減小了人工誤差,降低了檢測(cè)成本,加快了檢測(cè)速度,為實(shí)現(xiàn)快速鑒別大批量種子質(zhì)量提供科學(xué)依據(jù)和方法指導(dǎo),為實(shí)現(xiàn)農(nóng)業(yè)自動(dòng)化奠定基礎(chǔ)。

        1 DHNN概述

        Hopfield網(wǎng)絡(luò)最初由美國(guó)物理學(xué)家Hopfield在1982年提出,它是一種全連接型的神經(jīng)網(wǎng)絡(luò),利用不同于階層型網(wǎng)絡(luò)的結(jié)構(gòu)特征和學(xué)習(xí)方法,為神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了新的方法和方向。離散型Hopfield神經(jīng)網(wǎng)絡(luò),即DHNN(discrete hopfield neural network),其網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖1,該網(wǎng)絡(luò)采用二值神經(jīng)元,是一種單層的反饋型神經(jīng)網(wǎng)絡(luò)[16]。

        2 玉米種子質(zhì)量評(píng)級(jí)體系的構(gòu)建

        2.1 指標(biāo)確定

        大小、粒形、顏色等參數(shù)都可以反映玉米種子的特征與質(zhì)量,對(duì)玉米種子的正面圖像進(jìn)行預(yù)處理、分割,然后提取的種子大小、粒形、顏色等外觀(guān)參數(shù)見(jiàn)圖2。對(duì)影響玉米種子質(zhì)量的因素進(jìn)行分析,以文獻(xiàn)[8]所討論的25個(gè)評(píng)價(jià)指標(biāo)為基礎(chǔ),進(jìn)行大量的試驗(yàn)驗(yàn)證,去掉了這些指標(biāo)中性質(zhì)重復(fù)、獨(dú)立性較差、相關(guān)度太高的10項(xiàng);同時(shí)殘損、裂紋、粒形與種子質(zhì)量也有很高的關(guān)聯(lián)度,但在文獻(xiàn)[8]中并未體現(xiàn),因此增加了表征殘損裂紋特性的4個(gè)指標(biāo)和表征種子粒形特性的尖角角度和尖角高度2個(gè)指標(biāo)。最終選取種子尺寸、粒形、顏色、殘損與霉變4個(gè)方面的21個(gè)影響因素作為評(píng)價(jià)指標(biāo),處理質(zhì)量評(píng)價(jià)指標(biāo)見(jiàn)表1。

        評(píng)價(jià)玉米外觀(guān)質(zhì)量的評(píng)價(jià)指標(biāo)分為2個(gè)層次。第1個(gè)層次,記為U=[u1,u2,u3,u4]=[RGB顏色,裂紋與殘損,尺寸,粒形],第2個(gè)層次是第1個(gè)層次的詳細(xì)劃分,其中u1=[x1,x2,x3,x4,x5,x6]=[胚R值,胚G值,胚B值,種子R值,種子G值,種子B值],u2=[x7,x8,x9,x10]=[裂紋寬度,裂紋長(zhǎng)度,霉變或雜點(diǎn)程度,殘損程度],u3=[x11,x12,x13,x14,x15]=[長(zhǎng)軸,短軸,周長(zhǎng),面積,尖角高],u4=[x16,x17,x18,x19,x20,x21]=[尖角角度,外接圓直徑,內(nèi)切圓直徑,長(zhǎng)寬比,胚長(zhǎng)軸,胚短軸]。將評(píng)價(jià)指標(biāo)的等級(jí)分為特差、差、一般、好、特好5個(gè)等級(jí),即V=[v1,v2,v3,v4,v5]=[特差、差、一般、好、特好]。

        2.2 確定模糊矩陣

        對(duì)于以上21個(gè)評(píng)價(jià)指標(biāo),進(jìn)行單因素評(píng)價(jià)形成1個(gè)綜合了20個(gè)指標(biāo)5個(gè)等級(jí)的模糊矩陣R=[R1,R2,R3,R4],RGB顏色、裂紋與殘損、尺寸、粒形4個(gè)指標(biāo)特性所對(duì)應(yīng)的模糊矩陣分別為R1、R2、R3、R4。

        2.3 指標(biāo)編碼

        4個(gè)方面共21個(gè)評(píng)價(jià)指標(biāo),每個(gè)指標(biāo)又分為5個(gè)等級(jí):特好(等級(jí)5,85~100分)、好(等級(jí)4,75~84分)、一般(等級(jí)3,60~74分)、差(等級(jí)2,30~59分)、特差(等級(jí)1,小于30分)。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼模式見(jiàn)圖3,神經(jīng)元狀態(tài)為1那么表示為實(shí)心菱形,而神經(jīng)元狀態(tài)為-1則表示為空心菱形。

        2.4 網(wǎng)絡(luò)設(shè)計(jì)

        2.4.1 建立網(wǎng)絡(luò)結(jié)構(gòu) DHNN中的每個(gè)神經(jīng)元都有相類(lèi)似的功能,其狀態(tài)即為輸出,用xj表示。所有狀態(tài)構(gòu)成的集合就是網(wǎng)絡(luò)狀態(tài),即X=[x1,x2,…,xn]T。網(wǎng)絡(luò)的初始狀態(tài)就是輸入,表示為X(0)=[x1(0),x2(0),…,xn(0)]T。將標(biāo)準(zhǔn)等級(jí)的評(píng)價(jià)指標(biāo)的編碼,作為DHNN網(wǎng)絡(luò)的平衡點(diǎn),即目標(biāo)向量T,利用matlab工具箱函數(shù)newhop來(lái)創(chuàng)建網(wǎng)絡(luò)。創(chuàng)建DHNN網(wǎng)絡(luò)的語(yǔ)句為net=newhop(T)。

        2.4.2 權(quán)系數(shù)矩陣的確定 通常來(lái)講,反映玉米種子外觀(guān)質(zhì)量的評(píng)價(jià)指標(biāo)對(duì)種子質(zhì)量的影響并不是完全均等的,因此,根據(jù)指標(biāo)對(duì)種子質(zhì)量的影響程度對(duì)指標(biāo)賦予1個(gè)權(quán)重。如果指標(biāo)ui所對(duì)應(yīng)的權(quán)重是wi,那么,整個(gè)指標(biāo)體系U所對(duì)應(yīng)的權(quán)重向量為W=[w1,w2,w3,w4]。

        將AHP(Analytic Hierarchy Process,即層次分析法)[17-20]應(yīng)用于權(quán)重向量的計(jì)算中。計(jì)算的結(jié)果為,第1層次的指標(biāo)類(lèi)型U=[u1,u2,u3,u4]=[RGB顏色,裂紋與殘損,尺寸,粒形]所對(duì)應(yīng)的權(quán)重系數(shù)矩陣是W=[0.45,0.41,0.06,0.08]。第2層次中RGB顏色特性u(píng)1=[胚R值,胚G值,胚B值,種子R值,種子G值,種子B值]所對(duì)應(yīng)的權(quán)重為w1=[0.1,0.22,0.18,0.1,0.21,0.19],裂紋與殘損特性u(píng)2=[裂紋寬度,裂紋長(zhǎng)度,霉變或雜點(diǎn)程度,殘損程度]所對(duì)應(yīng)的權(quán)重為w2=[0.36,0.21,0.23,0.20],尺寸特性u(píng)3=[長(zhǎng)軸,短軸,周長(zhǎng),面積,尖角高]所對(duì)應(yīng)的權(quán)重為w3=[0.23,0.19,0.18,0.22,0.18],粒形特性u(píng)4=[尖角角度,外切圓直徑,內(nèi)切圓直徑,長(zhǎng)寬比,胚長(zhǎng)軸,胚短軸]所對(duì)應(yīng)的權(quán)重為w4=[0.17,0.17,0.16,0.18,0.17,0.15]。

        在外界輸入的激發(fā)下,反饋網(wǎng)絡(luò)從初始的狀態(tài)逐漸進(jìn)入動(dòng)態(tài)演變的過(guò)程,其變化規(guī)律如下:

        xj=f(nrtj)j=1,2,…,n。

        (1)

        對(duì)各層輸入信息與權(quán)系數(shù)乘積進(jìn)行累加,通過(guò)網(wǎng)絡(luò)的狀態(tài)函數(shù)產(chǎn)生輸出信息(即1個(gè)簡(jiǎn)單的非線(xiàn)性閾值函數(shù)),如公式(2)和公式(3):

        (2)

        (3)

        如果wij在i=j時(shí)等于0,DHNN無(wú)自反饋;反之,若wij在i=j時(shí)不等于0,那么該DHNN有自反饋。

        2.4.3 網(wǎng)絡(luò)訓(xùn)練 以陜西省商洛市種植的正大12號(hào)品種的5 000粒典型種子作為研究對(duì)象,根據(jù)表1的指標(biāo)等級(jí)范圍,確定這1 000粒種子的指標(biāo)等級(jí),并以這些指標(biāo)數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本,訓(xùn)練了網(wǎng)絡(luò)模型。通過(guò)網(wǎng)絡(luò)訓(xùn)練,評(píng)級(jí)系統(tǒng)的網(wǎng)絡(luò)模型對(duì)各個(gè)指標(biāo)有了特征記憶,便于后續(xù)的等級(jí)評(píng)價(jià)。

        3 網(wǎng)絡(luò)預(yù)測(cè)與結(jié)果分析

        3.1 網(wǎng)絡(luò)預(yù)測(cè)

        以商洛本地種植的正大12號(hào)品種的玉米種子作為預(yù)測(cè)對(duì)象,首先對(duì)7粒典型特征的種子進(jìn)行初步分級(jí)預(yù)測(cè)試驗(yàn)。7粒典型特征種子的外觀(guān)見(jiàn)圖4,對(duì)這些圖像進(jìn)行預(yù)處理與特征提取后,根據(jù)特征信息按照表1所示的指標(biāo)規(guī)則進(jìn)行編碼,結(jié)果見(jiàn)圖5。

        在Matlab中編制離散Hopfield網(wǎng)絡(luò)的相關(guān)代碼,將未分類(lèi)的玉米種子編碼,送入DHNN網(wǎng)絡(luò)進(jìn)行仿真,所用到的核心Matlab語(yǔ)句是Y=sim(net,{35 30},{},A)。經(jīng)過(guò)30次的迭代運(yùn)算,每一組數(shù)據(jù)開(kāi)始趨向某一種標(biāo)準(zhǔn)等級(jí)種子的指標(biāo)編碼數(shù)據(jù),從而得到仿真結(jié)果(圖6)。驗(yàn)證正確性后以1 000粒未分類(lèi)的種子作為預(yù)測(cè)評(píng)價(jià)樣本進(jìn)行評(píng)價(jià)預(yù)測(cè)。

        3.2 結(jié)果分析

        (1)從仿真結(jié)果可以看出,DHNN網(wǎng)絡(luò)模型可以有效地對(duì)待分級(jí)的玉米種子外觀(guān)圖像進(jìn)行分類(lèi),避免了人為因素造成的誤差,從而得到相對(duì)客觀(guān)的分級(jí)結(jié)果。色澤和尺寸形狀接近標(biāo)準(zhǔn)的種子被判定為好或者特好,出芽概率比較大;有少量雜點(diǎn)或尺寸過(guò)大或者過(guò)小的種子將被判定為一般,這類(lèi)種子的出苗率會(huì)相對(duì)低一些,種植時(shí)需要特別呵護(hù),以降低不出苗的風(fēng)險(xiǎn);有霉變或者有裂紋的種子被判定為差或特差,幾乎沒(méi)有出芽的可能性,這類(lèi)種子不適合種植。(2)以1 000粒未知等級(jí)的玉米種子作為評(píng)價(jià)的樣本,對(duì)這些種子進(jìn)行分級(jí)預(yù)測(cè)試驗(yàn),準(zhǔn)確率可達(dá)到96.3%。(3)應(yīng)用DHNN方法對(duì)玉米種子的外觀(guān)質(zhì)量進(jìn)行分級(jí)測(cè)評(píng)時(shí),如果種子的指標(biāo)數(shù)值趨近于某一等級(jí),比較容易得到較好的分級(jí)結(jié)果,但如果指標(biāo)數(shù)值部分高、部分低,即種子指標(biāo)優(yōu)劣勢(shì)所占比重相差較小時(shí),可能會(huì)導(dǎo)致一定的評(píng)級(jí)誤差。

        4 結(jié)語(yǔ)

        本研究設(shè)計(jì)的Hopfield網(wǎng)絡(luò)模型可以對(duì)玉米種子的外觀(guān)進(jìn)行快速、客觀(guān)地評(píng)價(jià),為農(nóng)作物種子的質(zhì)量分級(jí)提供了一種高效的評(píng)級(jí)方法;以商洛本地種植的玉米種子品種正大12號(hào)為例進(jìn)行驗(yàn)證與分析,該算法的評(píng)級(jí)結(jié)果與人為判斷分級(jí)結(jié)果基本一致,準(zhǔn)確率達(dá)到96.3%。該方法能夠有效避免人為評(píng)價(jià)的主觀(guān)誤差,同時(shí)能夠很大程度提高種子分級(jí)的效率,對(duì)提高農(nóng)作物產(chǎn)量有重要的理論指導(dǎo)意義。

        參考文獻(xiàn):

        [1]Zayas I Y,Pomeranz Y,Lai F S. Discrimination between Arthur and Arkan wheats by image analysis[J]. Cereal Chemistry,1985,62(6):478-480.

        [2]Zayas I Y,Steele J L,Dempster R E. Pattern recognition of com defects by color image analysis[J]. Cereal Foods World,1990,35(8):848.

        [3]Paliwal J,Visen N S,Jayas D S. Cereal grain and dockage identification using machine vision[J]. Biosystems Engineering,2003,85(1):51-57.

        [4]劉兆艷. 基于機(jī)器視覺(jué)的稻種品種識(shí)別研究[D]. 杭州:浙江大學(xué),2006.

        [5]王志軍,叢培盛,周佳璐,等. 基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀(guān)品質(zhì)評(píng)價(jià)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2007,23(1):158-161.

        [6]萬(wàn) 鵬,孫 瑜,孫永海. 基于計(jì)算機(jī)視覺(jué)的大米粒形識(shí)別方法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版),2008,38(2):489-492.

        [7]韓仲志,趙友剛. 基于外觀(guān)特征識(shí)別的花生品種與品質(zhì)檢測(cè)方法[J]. 中國(guó)糧油學(xué)報(bào),2009,24(5):123-126.

        [8]王玉亮,劉賢喜,蘇慶堂,等. 多對(duì)象特征提取和優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米種子品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010,26(6):199-204,389.

        [9]張俊雄,吳科斌,宋 鵬,等. 基于BP神經(jīng)網(wǎng)絡(luò)的玉米單倍體種子圖像分割[J]. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,32(6):621-625.

        [10]曹維時(shí),張春慶,王金星,等. 離散小波變換和BP神經(jīng)網(wǎng)絡(luò)識(shí)別玉米種子純度[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(增刊2):253-258.

        [11]付立思,何榮卜,劉朋維. 一種新的不變矩與神經(jīng)網(wǎng)絡(luò)玉米病害識(shí)別系統(tǒng)[J]. 計(jì)算機(jī)工程與應(yīng)用,2012,48(4):219-221.

        [12]吳 江,黃富榮,黃才歡,等. 近紅外光譜結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)基因大豆無(wú)損鑒別研究[J]. 光譜學(xué)與光譜分析,2013,33(6):1537-1541.

        [13]譚克竹,柴玉華,宋偉先,等. 基于高光譜圖像處理的大豆品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(9):235-242.

        [14]洪 亮. 基于組合平均差異系數(shù)的糧食種子識(shí)別[J]. 紅外與激光工程,2014,43(4):1344-1351.

        [15]錢(qián) 燕,尹文慶,林相澤,等. 基于序列圖像三維重建的稻種品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(7):190-196.

        [16]王小川. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京:北京航空航天大學(xué)出版社,2013.

        [17]莊 倩. 基于A(yíng)HP的江蘇省高標(biāo)準(zhǔn)農(nóng)田綜合生產(chǎn)能力評(píng)價(jià)[J]. 江蘇農(nóng)業(yè)科學(xué),2016,44(6):511-515.

        [18]耿榮娜,曹麗英. 基于A(yíng)HP方法的農(nóng)村電子商務(wù)發(fā)展制約因素[J]. 江蘇農(nóng)業(yè)科學(xué),2016,44(9):535-539.

        [19]賈鳳伶,李 瑾,陳麗娜. 基于A(yíng)HP法的失地農(nóng)民就業(yè)影響因素評(píng)價(jià)與對(duì)策[J]. 江蘇農(nóng)業(yè)科學(xué),2016,44(7):549-553.

        [20]王立娟,張?zhí)礅x,王 榮,等. 基于A(yíng)HP法優(yōu)化的模糊物元法在當(dāng)歸種子質(zhì)量評(píng)價(jià)的應(yīng)用[J]. 解放軍醫(yī)藥雜志,2016,28(7):105-109.

        猜你喜歡
        玉米種子裂紋神經(jīng)網(wǎng)絡(luò)
        不同條件下對(duì)濟(jì)寧地區(qū)玉米種子萌發(fā)特性的研究
        影響玉米種子發(fā)芽率的因素及對(duì)策
        種子科技(2022年24期)2022-02-11 15:04:09
        神經(jīng)網(wǎng)絡(luò)抑制無(wú)線(xiàn)通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        Epidermal growth factor receptor rs17337023 polymorphism in hypertensive gestational diabetic women: A pilot study
        微裂紋區(qū)對(duì)主裂紋擴(kuò)展的影響
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        玉米種子生產(chǎn)存在的問(wèn)題及管理辦法
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
        預(yù)裂紋混凝土拉壓疲勞荷載下裂紋擴(kuò)展速率
        久久精品国产亚洲精品| 日韩亚洲一区二区三区四区| 疯狂三人交性欧美| 国产精品人妻一码二码尿失禁 | 一区二区三区在线乱码| 久久婷婷五月综合色高清| 内谢少妇xxxxx8老少交| 国产成人亚洲精品77| 女同另类专区精品女同| 精品无码人妻夜人多侵犯18| 国产成人精品999在线观看| 精品熟女少妇免费久久| 小黄片免费在线播放观看| 国产高清在线观看av片| 人妻丰满熟妇av无码处处不卡| 亚洲国产成a人v在线观看| 成人做爰黄片视频蘑菇视频| 午夜免费视频| 亚洲香蕉成人AV网站在线观看 | 一本一本久久a久久精品综合| 国产成年无码久久久久下载| 亚洲av老熟女一区二区三区| 亚洲图片日本视频免费| 99热成人精品热久久66| 在线亚洲免费精品视频| 人妻夜夜爽天天爽三区丁香花| 国产女主播喷水视频在线观看| 国产精品视频免费的| 久久精品国产自产对白一区| 18禁裸男晨勃露j毛网站| 在线中文字幕有码中文| 日本高清中文字幕二区在线| 日本在线精品一区二区三区| 熟妇高潮一区二区三区| 白丝美女被狂躁免费视频网站| 中文字幕亚洲高清视频| 欧美人做人爱a全程免费| 99久久综合精品五月天| 精品女人一区二区三区| 亚洲日韩精品无码专区网址| 精品少妇一区二区三区视频|