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

        ?

        應(yīng)用Canny算子的織物疵點(diǎn)檢測(cè)改進(jìn)算法

        2019-01-22 02:55:24胡克滿羅少龍胡海燕
        紡織學(xué)報(bào) 2019年1期
        關(guān)鍵詞:疵點(diǎn)高斯織物

        胡克滿, 羅少龍, 胡海燕

        (1. 寧波職業(yè)技術(shù)學(xué)院 電子信息工程學(xué)院, 浙江 寧波 315800; 2. 澳門科技大學(xué) 資訊科技學(xué)院, 澳門 999078;3. 寧波職業(yè)技術(shù)學(xué)院 科技與產(chǎn)學(xué)合作處, 浙江 寧波 315800)

        紡織品在生產(chǎn)過(guò)程中,由于紗線的質(zhì)量問(wèn)題或其他原因?qū)е驴椢锍霈F(xiàn)不同程度的疵點(diǎn)。如果未能嚴(yán)格把控胚布的生產(chǎn)質(zhì)量,織物疵點(diǎn)將給二次加工、深加工等流程造成不必要的經(jīng)濟(jì)損失,因此,織物的表觀質(zhì)量檢測(cè)是企業(yè)生產(chǎn)質(zhì)量控制的關(guān)鍵技術(shù)之一。目前不少小微型企業(yè)對(duì)織物疵點(diǎn)的檢測(cè)主要依靠人工作業(yè),而人工作業(yè)容易受到外界因素的影響,對(duì)工人的技術(shù)與經(jīng)驗(yàn)要求高,也是一項(xiàng)需要精力高度集中的工作崗位,工人容易疲勞,且人工成本較高[1]。隨著人工智能、圖形圖像處理等技術(shù)的不斷發(fā)展,采用機(jī)器視覺(jué)替代人工進(jìn)行織物疵點(diǎn)識(shí)別已成為眾多企業(yè)的優(yōu)先選擇與迫切需求。

        近年來(lái)國(guó)內(nèi)外專家學(xué)者基于計(jì)算機(jī)視覺(jué)技術(shù)及圖形圖像處理技術(shù)對(duì)織物疵點(diǎn)檢測(cè)方法展開(kāi)探討,并取得不少研究成果。目前織物疵點(diǎn)檢測(cè)主要研究方法可分為4大類:基于模型研究方法,基于數(shù)學(xué)統(tǒng)計(jì)研究方法,基于頻譜分析研究方法和基于結(jié)構(gòu)研究方法[2-3]?;谀P脱芯糠椒?,即構(gòu)建某種參數(shù)化數(shù)學(xué)模型,但是這種模型計(jì)算量大,對(duì)于相對(duì)隱蔽的較小面積的織物疵點(diǎn)的識(shí)別能力較弱[4];基于數(shù)學(xué)統(tǒng)計(jì)研究方法,主要是對(duì)檢測(cè)織物的圖像特征進(jìn)行統(tǒng)計(jì)分析,由于統(tǒng)計(jì)方法的不一樣使得結(jié)果不同,其自適應(yīng)性較弱[5];基于頻譜分析研究方法,目前主要采用Gabor變化、傅里葉變化等,該方法對(duì)濾波器的要求較高,檢測(cè)效果很大程度上依賴于濾波器的選擇,因此濾波器的選擇與優(yōu)化起到?jīng)Q定性的作用[6];基于結(jié)構(gòu)的研究方法,運(yùn)用了結(jié)構(gòu)形態(tài)學(xué)的方法識(shí)別織物疵點(diǎn)信息,由于織物結(jié)構(gòu)的多樣性使得該方法的應(yīng)用過(guò)程帶了一定的困難[7]。

        由于織物疵點(diǎn)圖像邊緣包含了豐富的信息量,如不同疵點(diǎn)、背景與疵點(diǎn)、疵點(diǎn)與疵點(diǎn)之間等信息,在織物疵點(diǎn)檢測(cè)中引入邊緣檢測(cè)技術(shù)是十分有效的方法。目前較為常用的邊緣檢測(cè)算子有Prewitt算子、Roberts算子、Laplacian算子等[8],較上述邊緣檢測(cè)算子想比較,Canny算子邊緣檢測(cè)具有檢測(cè)精度高、信噪比大等特點(diǎn),在圖像識(shí)別技術(shù)中得到廣泛的應(yīng)用,Canny算子檢測(cè)屬于基于頻譜分析研究方法,而Canny算法閾值的選擇相對(duì)被動(dòng)需要人工設(shè)定,從而影響其實(shí)時(shí)性和自適應(yīng)性[9-10]。本文基于現(xiàn)有Canny算法對(duì)其進(jìn)行分析,并提出一種自適應(yīng)改進(jìn)的Canny邊緣檢測(cè)算法。選擇高斯濾波器針對(duì)不同疵點(diǎn)種類設(shè)計(jì)多個(gè)高斯濾波參數(shù),較好地實(shí)現(xiàn)了去除噪聲并保留了更多的邊緣信息,可根據(jù)織物圖像特征自適應(yīng)確定Canny算子閾值。由于無(wú)需人工設(shè)定閾值,大大改善了Canny自適應(yīng)性,可較好地檢測(cè)出織物疵點(diǎn)圖像的邊緣信息,準(zhǔn)確地識(shí)別織物疵點(diǎn)。

        1 Canny算法的疵點(diǎn)檢測(cè)原理分析

        John Canny于1986年提出一種邊緣檢測(cè)算法,并基于3個(gè)準(zhǔn)則以達(dá)到較好的邊緣檢測(cè)目的,即信噪比準(zhǔn)則、定位準(zhǔn)則、單邊響應(yīng)準(zhǔn)則[11]。對(duì)于織物疵點(diǎn)檢測(cè)圖像信息的處理,需要有較好的信噪比,準(zhǔn)確的疵點(diǎn)定位以及虛假邊緣抑制等特征要求,因此本文提出利用Canny算法進(jìn)行織物疵點(diǎn)檢測(cè)。

        1.1 Canny算法的疵點(diǎn)檢測(cè)主要步驟

        第1步,高斯濾波消除噪聲。利用二維高斯濾波對(duì)被檢測(cè)圖像進(jìn)行濾波處理,高斯函數(shù)濾波參數(shù)δ通過(guò)人工設(shè)定,從而達(dá)到降噪獲得平滑圖像。

        (1)

        根據(jù)織物疵點(diǎn)的類型不同選擇高斯函數(shù)濾波參數(shù)δ,經(jīng)試驗(yàn)證明高斯濾波參數(shù)δ對(duì)于不同種類的織物疵點(diǎn)濾波器設(shè)置敏感。為了更好地說(shuō)明問(wèn)題,以緯紗帶入這類織物疵點(diǎn)為說(shuō)明對(duì)象。選取高斯濾波參數(shù)δ為1,構(gòu)建緯紗帶入檢測(cè)濾波器如圖1所示,濾波器矩陣G見(jiàn)下。

        圖1 高斯濾波器Fig.1 Gauss filter. (a) 3-D of Gauss filter;(b) 2D of Gauss filter

        經(jīng)濾波后得到的緯紗帶入檢測(cè)信息如圖2所示。

        圖2 濾波處理圖Fig.2 Image processed by filter. (a)Original image;(b) Filtered image

        從圖2中可發(fā)現(xiàn)濾處理后的圖片與原圖片之間的差異,原圖為色彩飽滿的圖片,經(jīng)過(guò)濾波后獲得了二值化圖片,濾波處理圖片是為了獲得邊緣信息重要環(huán)節(jié)之一。

        第2步,計(jì)算梯度向量與梯度幅值。對(duì)通過(guò)高斯濾波后的圖像進(jìn)行計(jì)算梯度向量與梯度幅值,設(shè)梯度向量為θ(x,y),梯度幅值為H(x,y)。利用一階差分算子分別進(jìn)行水平方向的梯度幅值分量Gx和垂直方向的梯度分量Gy的運(yùn)算求值,圖3、4分別為水平和垂直方向的梯度分量的能量分布圖。根據(jù)水平方向的梯度幅值分量Gx和垂直方向的梯度分量Gy可求得梯度向量為θ(x,y)和梯度幅值為H(x,y),如式(2)、(3)所示。

        (2)

        (3)

        通常θ(x,y)梯度向量所取的角度為0°~180°之間的45°的倍數(shù),即

        θ(x,y)=n·45°,n=0,1,2,3

        (4)

        圖3 水平方向能量響應(yīng)值Fig.3 X-Direction of energy estimates

        第3步,極大值的選擇與非極大值的抑制。通過(guò)對(duì)極大值的選擇與非極大值的抑制,去除一些非邊緣信息,盡可能排除干擾信息,并保留相對(duì)較優(yōu)信息作為邊緣信息,這樣可以使得織物疵點(diǎn)的邊緣信息更加凸顯。

        第4步,閾值選擇。確定高閾值與低閾值,通常高于閾值信息將被保留,并被確認(rèn)為邊緣信息,而低于閾值信息被剔除,形成滯后閾值現(xiàn)象。閾值大小的確定與選擇直接影響邊緣信息,對(duì)獲得檢測(cè)邊緣的質(zhì)量起到關(guān)鍵性的作用。而確定閾值通常是需要根據(jù)多次實(shí)驗(yàn)結(jié)果,從而由人工選取相對(duì)較為理想的值。

        1.2 Canny算法疵點(diǎn)檢測(cè)過(guò)程關(guān)鍵技術(shù)分析

        1)傳統(tǒng)的Canny算法依賴于高斯濾波對(duì)原圖進(jìn)行平滑濾波與去噪,其中由式(4)可以發(fā)現(xiàn)δ為高斯函數(shù)濾波參數(shù),參數(shù)值δ的選擇將影響原圖的濾波與平滑效果。而參數(shù)值δ的選擇是由人工設(shè)定,這也使得傳統(tǒng)Canny算法針對(duì)不同的圖像需要人工選擇不同的參數(shù)值δ,很大程度上影響了其性能的發(fā)揮。根據(jù)對(duì)織物疵點(diǎn)檢測(cè)過(guò)程的分析,本文將高斯函數(shù)濾波參數(shù)δ針對(duì)不同種類疵點(diǎn)進(jìn)行適當(dāng)?shù)恼{(diào)整,其檢測(cè)效果更佳理想。

        2)傳統(tǒng)Canny算法在進(jìn)行邊緣檢測(cè)前先人工設(shè)定高閾值和低閾值。而設(shè)定相同的高閾值和低閾值對(duì)處理不同的圖像,也同樣使得邊緣檢測(cè)效果不盡相同。而在織物疵點(diǎn)檢測(cè)過(guò)程中,往往可根據(jù)織物疵點(diǎn)種類的判斷提前選取相應(yīng)的高斯函數(shù)濾波參數(shù)值δ,但是對(duì)閾值的選擇一方面需要大量實(shí)驗(yàn),另一方面也需要經(jīng)驗(yàn)值判斷,因此,如何通過(guò)自適應(yīng)方式獲得圖像自身所需的閾值是提高傳統(tǒng)Canny算法性能的有效途徑之一。

        本文針對(duì)上述基于Canny算子織物檢測(cè)過(guò)程關(guān)鍵技術(shù)分析,提出一種自適應(yīng)獲得閾值的方法并對(duì)傳統(tǒng)Canny算法的進(jìn)行改進(jìn),通過(guò)實(shí)驗(yàn)驗(yàn)證獲得了良好的效果。

        2 疵點(diǎn)檢測(cè)算法的優(yōu)化

        在織物疵點(diǎn)檢測(cè)過(guò)程中,由于織物疵點(diǎn)的種類繁多,不同種類的疵點(diǎn)采用不同的濾波器,其檢測(cè)效果更加有效。濾波參數(shù)的選擇是構(gòu)建濾波器重要的關(guān)鍵點(diǎn)之一,針對(duì)傳統(tǒng)Canny算法的濾波參數(shù)選擇與高閾值和低閾值選擇的不足之處,本文對(duì)其進(jìn)行改進(jìn)。

        2.1 自適應(yīng)濾波去噪

        在織物疵點(diǎn)檢測(cè)過(guò)程中,選擇不同的濾波器目的是為了能夠適應(yīng)不同的織物疵點(diǎn)特征的檢測(cè)。為能夠更好地設(shè)計(jì)自適應(yīng)濾波器,其基本思想為局部加權(quán)和原圖信號(hào)迭代卷積,每次迭代都會(huì)改變加權(quán)系數(shù),從而逐步形成自適應(yīng)性。在迭代過(guò)程中銳化了區(qū)域邊緣,也使得區(qū)域內(nèi)部得到平滑。自適應(yīng)迭代的過(guò)程是逐步進(jìn)行的,需要經(jīng)過(guò)多次迭代得到,具體步驟如下。

        1)設(shè)定迭代次數(shù),根據(jù)文獻(xiàn)[9]所分析的迭代次數(shù)結(jié)果,本文迭代次數(shù)采用二分法查找進(jìn)行實(shí)驗(yàn),估算并設(shè)定一個(gè)相對(duì)較大的值,記錄每次實(shí)驗(yàn)的結(jié)果,并將本次實(shí)驗(yàn)結(jié)果與上次實(shí)驗(yàn)結(jié)構(gòu)進(jìn)行比較,根據(jù)比較結(jié)果判斷收斂方向。在實(shí)驗(yàn)中通過(guò)二分法查法可以較好獲得收斂點(diǎn),但是值得注意的是由于本文所獲得的收斂點(diǎn)為迭代次數(shù),是離散的數(shù)據(jù),所以在實(shí)際實(shí)驗(yàn)過(guò)程中應(yīng)選取最接近收斂點(diǎn)的離散數(shù)值,通常這個(gè)時(shí)候選取的數(shù)值與個(gè)人偏好及工程經(jīng)驗(yàn)有一定的關(guān)系。結(jié)合實(shí)際實(shí)驗(yàn)總結(jié)設(shè)迭代最大值K=5,并令k=0,參數(shù)h的設(shè)定見(jiàn)文獻(xiàn)[12]。

        2)分別計(jì)算梯度向量Gx(x,y)和Gy(x,y):

        (5)

        (6)

        3)確定濾波器的權(quán)系數(shù):

        (7)

        4)對(duì)f(k)(x,y)加權(quán)平均:

        f(k+1)(x,y)=

        (8)

        5)判斷迭代是否結(jié)束,當(dāng)k≤K則繼續(xù)步驟2),直到k>K時(shí)迭代完成。

        2.2 自適應(yīng)閾值選擇

        對(duì)織物疵點(diǎn)進(jìn)行檢測(cè)時(shí),當(dāng)濾波器確定后,Canny閾值在圖像處理前需要人工設(shè)定,而這種設(shè)定通常需要做大量的試驗(yàn)和經(jīng)驗(yàn)判斷織物疵點(diǎn)檢測(cè)效果,由此帶來(lái)的不便。在織物疵點(diǎn)圖像處理過(guò)程中高閾值的大小反映邊緣信息的保留量。過(guò)高的閾值很難獲得足夠多的邊緣信息,容易丟失邊緣信息[13];過(guò)低的閾值又導(dǎo)致邊緣信息冗余,使得非邊緣信息冗余無(wú)法較好的呈現(xiàn)真實(shí)邊緣信息,高閾值的選擇應(yīng)考慮織物疵點(diǎn)圖像的整體情況,根據(jù)上述分析,局部方差的變化反映局部圖像的變化情況,為了能夠獲得織物疵點(diǎn)圖像的整體效果,取圖像的平均方差和平均灰度作為圖像的高閾值參數(shù)。獲取高閾值的方法如下:令Eave為圖像平均方差,F(xiàn)ave為圖像平均灰度,Lw為圖像的寬度,Lh為圖像的高度,Th為高閾值,Tl為低閾值。

        (9)

        (10)

        (11)

        Tl=μTh

        (12)

        經(jīng)過(guò)多次實(shí)驗(yàn)測(cè)試,對(duì)不同的織物疵點(diǎn)圖像進(jìn)行測(cè)試,其中μ∈[0.25,0.5]效果較好。本文實(shí)驗(yàn)測(cè)試選取μ=0.5。

        3 實(shí)驗(yàn)結(jié)果與討論

        為驗(yàn)證本文算法的有效性和可行性,更好地檢驗(yàn)效果,實(shí)驗(yàn)在Linux操作系統(tǒng)下配置OpenCV3.0.1實(shí)驗(yàn)環(huán)境,算法代碼采用MatLab和Python語(yǔ)言編寫(xiě)。本文選取漏紗、跳花、破損、緯松、結(jié)頭等典型的織物疵點(diǎn)圖像進(jìn)行實(shí)驗(yàn)。

        為對(duì)常見(jiàn)的幾種織物疵點(diǎn)吊經(jīng)、松經(jīng)、浮經(jīng)、緯紗帶入、重經(jīng)等,利用傳統(tǒng)的Canny算法進(jìn)行處理,對(duì)傳統(tǒng)的Canny算法進(jìn)行高、低閾值與高斯函數(shù)濾波參數(shù)δ的設(shè)定。設(shè)置高閾值為400,低閾值為200,高斯函數(shù)濾波參數(shù)δ為3,結(jié)果如圖5所示??煽闯鰴z測(cè)到邊緣信息較少,不能完整地反映吊經(jīng)、松經(jīng)、浮經(jīng)、緯紗帶入等織物疵點(diǎn)的邊緣信息。設(shè)置高閾值為50,低閾值為25,高斯函數(shù)濾波參數(shù)δ為3,結(jié)果如圖6所示。結(jié)果顯示檢測(cè)到邊緣信息冗余。在高斯函數(shù)濾波參數(shù)δ取值一定的情況下閾值的選擇非常重要,過(guò)高無(wú)法完整的表達(dá)邊緣信息,過(guò)低使得邊緣信息冗余,也同樣無(wú)法較好的反應(yīng)真實(shí)邊緣情況。圖7示出本算法通過(guò)自適應(yīng)方式獲得參數(shù)值的實(shí)驗(yàn)結(jié)果,可以看出,獲得了較好的邊緣信息,織物疵點(diǎn)可有效地被識(shí)別。

        圖5 高閾值400檢測(cè)結(jié)果Fig.5 Result of high threshold value 400.(a)Tight warp;(b)Loose warp;(c) Floating selvedge;(d)Result of tight warp; (e)Result of loose warp; (f)Result of floating selvedge

        圖6 高閾值50檢測(cè)結(jié)果Fig.6 Result of high threshold value 50.(a)Tight warp; (b)Loose warp; (c) Floating selvedge;(d)Result of tight warp; (e)Result of loose warp; (f)Result of floating selvedge

        圖7 本文算法結(jié)果Fig.7 Algorithm result of the paper. (a)Original image;(b)Gray image; (c) Image binarization; (d)Result of original image

        由此可見(jiàn),通過(guò)自適應(yīng)形式獲得濾波參數(shù)及高閾值和低閾值時(shí),其圖像檢測(cè)效果與通過(guò)人工設(shè)定的值相比更加有效,同時(shí)也避免了由于經(jīng)驗(yàn)不足而造成的對(duì)高閾值和低閾值設(shè)定的不確定性。與傳統(tǒng)的Canny算法相比,改進(jìn)的算法對(duì)織物疵點(diǎn)的檢測(cè)效果要優(yōu)于傳統(tǒng)的Canny算法。

        為進(jìn)一步驗(yàn)證本文算法的有效性,通過(guò)對(duì)不同類型的疵點(diǎn)圖像進(jìn)行實(shí)驗(yàn)檢測(cè),結(jié)果表明改進(jìn)的算法可有效地檢測(cè)出織物疵點(diǎn)。

        輸入包含疵點(diǎn)的圖像共70張包括吊經(jīng)、松經(jīng)、浮經(jīng)、破洞、油脂污染和星跳等不同類型的疵點(diǎn)圖像,無(wú)疵點(diǎn)的圖像20張。本文算法可有效地檢測(cè)出疵點(diǎn)圖片為66張,其中對(duì)檢測(cè)破洞效果最佳,其次浮經(jīng)、吊經(jīng)、油脂污染檢測(cè)效果尚可,次之為松經(jīng)和斷頭。另有3張星跳和1張斷頭邊緣不太明顯的圖像未能被有效地檢測(cè)。無(wú)疵點(diǎn)圖像共20張,均可有效地被檢測(cè)。

        (13)

        誤檢率為

        (14)

        研究發(fā)現(xiàn),本文算法在檢測(cè)過(guò)程中,對(duì)包含織物疵點(diǎn)的圖片進(jìn)行處理仍然存在沒(méi)有被檢測(cè)出來(lái)的情況,其中主要原因在于Canny算子本身特性的局限導(dǎo)致其無(wú)法檢測(cè)的結(jié)果,Canny算子主要是對(duì)圖像的邊緣信息提取進(jìn)行檢測(cè),而織物疵點(diǎn)的種類繁多,其中部分織物疵點(diǎn)的邊緣信息特征表現(xiàn)不明顯時(shí),Canny算法就無(wú)法對(duì)其進(jìn)行邊緣信息提取。例如該算法對(duì)織物疵點(diǎn)星跳的檢測(cè)相對(duì)其他種類的織物疵點(diǎn)正檢測(cè)率要低,其主要原因是由于星跳疵點(diǎn)邊緣不顯著,從而導(dǎo)致該類織物疵點(diǎn)的正檢率偏低,因此,在針對(duì)類似于星跳疵點(diǎn)的織物疵點(diǎn)檢測(cè),應(yīng)該通過(guò)多次實(shí)驗(yàn),從而構(gòu)造濾波器及閾值的設(shè)定,這樣可以有效地提高該類檢測(cè)效果。

        4 結(jié)束語(yǔ)

        本文在傳統(tǒng)的Canny算法的基礎(chǔ)上,提出一種改進(jìn)的織物檢測(cè)算法,深入地探討了傳統(tǒng)Canny算法的工作原理并對(duì)其關(guān)鍵技術(shù)進(jìn)行了分析。針對(duì)傳統(tǒng)Canny算法的不足設(shè)計(jì)了自適應(yīng)Canny算法,并應(yīng)用于織物疵點(diǎn)檢測(cè)。

        傳統(tǒng)的Canny算法對(duì)閾值的設(shè)定過(guò)高導(dǎo)致織物疵點(diǎn)邊緣信息不足,過(guò)低使得邊緣信息冗余。本文算法利用自適應(yīng)方法獲得閾值與高斯函數(shù)濾波參數(shù)δ,能夠有效地檢測(cè)出織物疵點(diǎn)的邊緣信息,同時(shí)也可以應(yīng)用于其他領(lǐng)域的圖像識(shí)別技術(shù),具有一定的實(shí)際應(yīng)用價(jià)值。

        FZXB

        猜你喜歡
        疵點(diǎn)高斯織物
        小高斯的大發(fā)現(xiàn)
        無(wú)Sn-Pd活化法制備PANI/Cu導(dǎo)電織物
        《紡織品織物折痕回復(fù)角的測(cè)定》正式發(fā)布
        竹纖維織物抗菌研究進(jìn)展
        噴絲板疵點(diǎn)檢測(cè)系統(tǒng)設(shè)計(jì)
        基于FPGA的圖像疵點(diǎn)處理設(shè)計(jì)與實(shí)現(xiàn)
        天才數(shù)學(xué)家——高斯
        家蠶品種單粒繭絲疵點(diǎn)差異及遺傳性研究初報(bào)
        織物柔軟劑的香氣發(fā)展趨勢(shì)
        有限域上高斯正規(guī)基的一個(gè)注記
        麻豆国产av尤物网站尤物| 三级全黄的视频在线观看| 国产午夜福利在线播放| 一本大道久久精品 东京热| 丰满人妻一区二区三区精品高清| 一本色道久久综合亚洲| 人与禽性视频77777| 国产人成午夜免电影观看| 日韩精品极品视频在线观看蜜桃| 开心五月激情五月五月天| 风流老熟女一区二区三区| 一区二区国产在线观看| 日本一区二区高清视频在线播放| 一区二区视频在线观看地址| 99热爱久久99热爱九九热爱| 国产2021精品视频免费播放| 久久精品av一区二区免费| 国产精品内射久久一级二| 男女爽爽无遮挡午夜视频| 精品亚洲国产探花在线播放| 亚洲天堂av路线一免费观看| 久久久久亚洲av无码专区首| 236宅宅理论片免费| 国产对白刺激在线观看| 久久精品国产亚洲av影院毛片| 亚洲av无码一区二区三区乱子伦| 国产精品福利影院| av资源在线永久免费观看| 国产精品国产三级国产av品爱 | 中文字幕丰满伦子无码| 欧美国产高清| 久久精品伊人久久精品| 五月综合激情婷婷六月| 亚洲av色无码乱码在线观看| 一区二区丝袜美腿视频| 亚洲一区二区三区少妇| 影音先锋男人站| 就国产av一区二区三区天堂| 国产久色在线拍揄自揄拍| 天天噜日日噜狠狠噜免费| 综合网在线视频|