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AlexNet優(yōu)化的板材材種識別方法*

        2022-06-15 08:46:32楊楠楠姜蘇譯楊春梅徐凱宏
        林業(yè)科學(xué) 2022年3期
        關(guān)鍵詞:端面木材算子

        楊楠楠 白 巖 姜蘇譯 楊春梅 徐凱宏

        (1.東北林業(yè)大學(xué)信息與計(jì)算機(jī)工程學(xué)院 哈爾濱 150040; 2.東北林業(yè)大學(xué)機(jī)電工程學(xué)院 哈爾濱 150040)

        板材具有強(qiáng)度高、質(zhì)量輕、易加工等優(yōu)點(diǎn),廣泛應(yīng)用于人們?nèi)粘I畹母黝I(lǐng)域,是生產(chǎn)建設(shè)中不可或缺的工業(yè)原材料之一; 但不同木材的質(zhì)地、強(qiáng)度等性能差異較大,準(zhǔn)確識別板材材種才能正確使用木材(孫芳利等, 2017)。傳統(tǒng)木材識別大多依靠人工方法借助顯微鏡肉眼分辨,根據(jù)紋理、導(dǎo)管和軸向細(xì)胞等特征進(jìn)行判斷,識別準(zhǔn)確性受很多因素限制,據(jù)統(tǒng)計(jì),因木材表面紋理、色差和缺陷的影響,我國實(shí)木原料的損失和浪費(fèi)率每年約10%(李好, 2012),板材的準(zhǔn)確識別和利用是亟待解決的問題。

        近年來,隨著計(jì)算機(jī)技術(shù)和機(jī)器學(xué)習(xí)方法的發(fā)展,機(jī)器學(xué)習(xí)技術(shù)大量應(yīng)用于各種圖像的分類識別(劉棟等, 2016; 林澤文, 2018),顯微圖像處理與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合的應(yīng)用也較為廣泛(孔祥溢等, 2016)。木材端面細(xì)胞圖像包含豐富的信息,細(xì)胞在微觀層面的特征參數(shù)可以準(zhǔn)確反映木材的宏觀特性,將木材細(xì)胞圖像與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合進(jìn)行板材材種分類研究,前景非常廣闊。高潔等(2006)采用模板匹配法,基于RGB色彩空間對木材端面細(xì)胞進(jìn)行特征提取和分類,并建立了不同的量化標(biāo)準(zhǔn); 于海鵬等(2007)結(jié)合紋理查找表與SVM方法對木材細(xì)胞圖像進(jìn)行分類,獲得了80%的識別準(zhǔn)確率; 白雪冰等(2005)對細(xì)胞圖像進(jìn)行歸一化,基于灰度共生矩陣提取紋理特征建立分類器并識別。一般的機(jī)器學(xué)習(xí)方法在測試集中能夠獲得良好的識別率,但是模型魯棒性較差,用于實(shí)踐中效果不佳,由此學(xué)者開始探討將深度學(xué)習(xí)應(yīng)用于木材種類識別。Zhao等(2014)提出基于卷積神經(jīng)網(wǎng)絡(luò)的木材宏觀圖像分類模型,對熱帶樹種進(jìn)行分類訓(xùn)練,準(zhǔn)確率達(dá)86%;為了更加便捷、高效地識別木材種類,基于木材端面細(xì)胞的線性特征,呂鴻蒙等(2017)建立了AlexNet神經(jīng)網(wǎng)絡(luò)木材識別模型。

        本研究以5種木材端面細(xì)胞為研究對象,提取多種差異性圖像作為數(shù)據(jù)集,通過圖像處理提取特征信息,分別采用支持向量機(jī)(support vector machine, SVM)和AlexNet神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識別。根據(jù)木材端面細(xì)胞區(qū)分的差異性,在AlexNet神經(jīng)網(wǎng)絡(luò)架構(gòu)中加入BN算法進(jìn)行優(yōu)化,設(shè)計(jì)一種更高效的板材識別方法提高木材識別準(zhǔn)確率,以實(shí)現(xiàn)木材高效利用,為珍稀木材種類判別和保護(hù)提供依據(jù)。

        1 圖像預(yù)處理

        木材端面細(xì)胞顯微切片或涂片制作過程中需進(jìn)行染色等操作,觀察到的木材端面細(xì)胞圖像含有噪聲等干擾因素,故需對提取的木材端面細(xì)胞圖像進(jìn)行預(yù)處理。首先將端面細(xì)胞圖像灰度化,基于自適應(yīng)中值濾波降噪,然后通過直方圖均衡化增強(qiáng)圖像對比度,最后采用基于邊緣檢測的分割方法分割圖像。

        本研究選取我國具有代表性的5種樹木,分別為臭冷杉(Abiesnephrolepis)、長白落葉松(Larixolgensis)、魚鱗云杉(Piceajezoensisvar.microsperma)、鵝掌楸(Liriodendronchinense)和凹葉厚樸(Magnoliaofficinalissubsp.biloba),表1列出了其主要生長地區(qū)和樹種信息。

        表1 試驗(yàn)樹種信息Tab.1 Information of experimental tree species

        采用光學(xué)顯微鏡將早材木材橫切面細(xì)胞通過CCD攝像頭成像,并輸入到計(jì)算機(jī)中。光學(xué)顯微鏡采集的樣本圖像如圖1所示。

        1.1 自適應(yīng)中值濾波

        中值濾波(median filtering)是一種非線性平滑技術(shù),屬空域平滑濾波范疇,其工作原理是選定一個(gè)大小固定的濾波窗口,該窗口中心像素大小用該濾波窗口中所有像素點(diǎn)值的中值替代(耿帥等, 2011)。由于細(xì)胞圖像背景較為單一,相比普通中值濾波,采用自適應(yīng)中值濾波(adaptive median filtering)能更好篩除噪聲點(diǎn),同時(shí)在濾波過程中,可根據(jù)預(yù)先設(shè)定好的條件自動調(diào)節(jié)濾波窗口大小。以臭冷杉為例,濾波結(jié)果如圖2所示。

        圖1 5種木材端面細(xì)胞圖像Fig. 1 The five kinds of wood cell images on end facesa. 臭冷杉 A. nephrolepis; b. 長白落葉松 L. olgensis; c. 魚鱗云杉 P. jezoensis var. microsperma; d. 鵝掌楸 L. chinense; e. 凹葉厚樸 M. officinalis subsp. biloba.

        圖2 臭冷杉端面細(xì)胞圖像濾波結(jié)果Fig. 2 The image filtering results of A. nephrolepis cell on end facesa. 含有噪聲的細(xì)胞圖像The cell image with noise; b. 中值濾波后的細(xì)胞圖像The cell image with median filtering; c. 自適應(yīng)中值濾波后的細(xì)胞圖像The image with adaptive median filtering.

        1.2 直方圖均衡化

        圖像由許多不同灰度的像素點(diǎn)構(gòu)成,像素點(diǎn)灰度分布情況能夠反映出圖像中的大量信息。圖像灰度直方圖可直觀表述像素點(diǎn)灰度分布情況以及各灰度級所含像素點(diǎn)的數(shù)量或比例。算法實(shí)現(xiàn)步驟(簡麗瓊, 2015)如下:

        1) 分析原始圖像的灰度級hi,i=0,1,…,k,…,L-1,其中L為圖像灰度級數(shù)目;

        2) 求出原始圖像直方圖中灰度分布概率ph(hi)=mi/m,其中mi為不同灰度級像素?cái)?shù),m為圖像總像素?cái)?shù);

        4) 計(jì)算映射后新的量化等級fj=INT[(fmax-fmin)T(h)+fmin+0.5],其中INT為取整符號,j=0,1,…,k,…,t-1,t為輸出圖像灰度級數(shù)目;

        7) 利用映射關(guān)系改變原始圖像灰度級,獲得表現(xiàn)為近似灰平均分布的圖像。

        以長白落葉松為例,端面細(xì)胞圖像直方圖均衡化處理效果如圖3所示。

        圖3 長白落葉松端面細(xì)胞圖像直方圖均衡化處理效果Fig. 3 The processing effect of histogram equalization of the image of L. olgensis cell on end facesa. 原始端面細(xì)胞圖像The original image of cell on end faces; b. 端面細(xì)胞圖像直方圖均衡化The image of cell on end faces with histogram equalization.

        1.3 邊緣檢測

        邊緣檢測是圖像分割的一種常用方法,其基本思想是確定圖像中邊緣像素。圖像中各區(qū)塊具有特定灰度值,邊界通常有明顯的邊緣區(qū)分,基于區(qū)域連接性特征進(jìn)行邊界檢測,可通過對圖像中邊緣像素點(diǎn)的灰度值求導(dǎo)檢測邊緣并進(jìn)行分割。求導(dǎo)常用的微分算子(Marretal., 1980; Muntarinaetal., 2021)包括Sobel算子、Laplace算子、Canny算子等。由于微分運(yùn)算是通過模塊和圖像卷積實(shí)現(xiàn)的,實(shí)際應(yīng)用中各微分算子常用小區(qū)域模塊表示。以魚鱗云杉為例,圖4分別展示了采用Sobel算子、Laplace算子和Canny算子進(jìn)行邊緣檢測的分割結(jié)果。比較可見,采用Canny算子進(jìn)行圖像分割后的效果最好,所得細(xì)胞圖像邊緣分割完整且無斷裂情況,明顯優(yōu)于Sobel算子和Laplace算子的圖像分割效果。因此,本研究采用Canny算子進(jìn)行圖像分割。

        2 SVM分類

        支持向量機(jī)(SVM)是一個(gè)二值分類器,在小樣本分類條件下,可以取得較好分類結(jié)果。SVM模型構(gòu)建過程中,核函數(shù)選擇對于SVM性能至關(guān)重要,鑒于樣本圖像的線性關(guān)系,本研究選用高斯徑向基(radial basis function, RBF)核函數(shù),其可將樣本映射到更高維的空間,能夠處理特征與類標(biāo)簽之間的非線性關(guān)系,具有很強(qiáng)局部性,且非常靈活。基于處理后的端面細(xì)胞圖像特征,支持向量機(jī)算法(Cortesetal., 1995)的實(shí)現(xiàn)流程如下:

        1) 獲取訓(xùn)練集樣本 (xi,yi),i=1,2,…,n;

        2) 代入支持向量機(jī)模型的核函數(shù)以及錯(cuò)分懲罰因子C;

        3) 形成二次優(yōu)化問題并求解;

        5) 將測試樣本輸入進(jìn)行測試。

        表2通過混淆矩陣顯示將90張臭冷杉、86張長白落葉松、92張魚鱗云杉、88張鵝掌楸和90張凹葉厚樸端面細(xì)胞圖像分別輸入SVM分類器測試的分類結(jié)果,多分類器(one-oversus-rest)模型參數(shù)σ=4、C=64。圖5更加直觀展示了板材材種識別結(jié)果。

        由表2和圖5可知,臭冷杉、魚鱗云杉和長白落葉松3種針葉林與鵝掌楸、凹葉厚樸2種闊葉林的特征差別明顯,二者之間不存在誤分現(xiàn)象,3種針葉林的識別準(zhǔn)確率為82.97%,2種闊葉林的識別準(zhǔn)確率為90.10%。

        將5種測試樣本標(biāo)記label后放入同一文件夾進(jìn)行SVM分類器整體批量測試,結(jié)果顯示整體識別準(zhǔn)確率為84.67%。

        圖4 魚鱗云杉基于邊緣檢測的端面細(xì)胞圖像分割效果Fig. 4 The segmentation effect diagram of the image of P. jezoensis var. microsperma cell on end faces based on edge detectiona. 原始端面細(xì)胞圖像The original image of cell on end faces; b. Sobel算子邊緣檢測后的細(xì)胞圖像The cell image with Sobel operator edge detection; c. Laplace算子邊緣檢測后的細(xì)胞圖像The cell image with Laplace operator edge detection; d. Canny算子邊緣檢測后的細(xì)胞圖像The cell image with Canny operator edge detection.

        表2 基于支持向量機(jī)的板材材種分類結(jié)果混淆矩陣Tab.2 The confusion matrix of wood species classification results based on support vector machine

        3 基于優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)的板材分類識別

        3.1 AlexNet神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

        卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,需要大數(shù)量訓(xùn)練數(shù)據(jù)集,因此需對原始端面細(xì)胞圖像進(jìn)行數(shù)據(jù)增強(qiáng),以擴(kuò)充訓(xùn)練樣本數(shù)量級,使卷積神經(jīng)網(wǎng)絡(luò)更好地?cái)M合。將5種木材端面細(xì)胞圖像依次進(jìn)行鏡像翻轉(zhuǎn)和隨機(jī)裁剪,在原始細(xì)胞圖像上進(jìn)行10次裁剪,使樣本集數(shù)量擴(kuò)充為原來的10倍,最后得到樣本總量為29 680張。

        本試驗(yàn)在Caffe深度學(xué)習(xí)框架上進(jìn)行網(wǎng)絡(luò)搭建、訓(xùn)練和測試(Jiaetal., 2014)。Caffe底層采用C++語言編寫,且有Python和MATLAB接口,對卷積神經(jīng)網(wǎng)絡(luò)的支持效果很好。AlexNet支持GPU加速,且drop神經(jīng)元能夠獲得良好的擬合性,對二維數(shù)據(jù)更敏感,很適用于木材端面細(xì)胞圖像的線性特征。本研究采用AlexNet神經(jīng)網(wǎng)絡(luò)模型(Krizhevskyetal., 2017)在Caffe上進(jìn)行分類訓(xùn)練,AlexNet神經(jīng)網(wǎng)絡(luò)流程如圖6所示。

        圖5 基于支持向量機(jī)的板材材種識別結(jié)果Fig. 5 The recognition results of wood species based on support vector machine

        圖6 AlexNet神經(jīng)網(wǎng)絡(luò)流程Fig. 6 The AlexNet neural network process

        將增強(qiáng)后的29 680張圖像按7∶3劃分,分別保存在訓(xùn)練集和測試集文件夾中,圖像制作成LMDB格式數(shù)據(jù)集用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試。訓(xùn)練使用隨機(jī)梯度下降(stochastic gradient descent)算法(孫婭楠等, 2018)進(jìn)行權(quán)值參數(shù)更新。為便于觀察,其柱狀圖如圖7所示。

        將所有測試樣本確定標(biāo)簽后均放入同一文件夾,形成混合測試集,圖像制作成LMDB格式數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練。5次測試結(jié)果如表3所示。

        3.2 基于BN算法優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)

        與激活函數(shù)層、卷積層、全連接層、池化層相同,BN (batch normalization)(Ioffeetal., 2015)也屬于網(wǎng)絡(luò)的一層,其基本思想是在網(wǎng)絡(luò)的每一層輸入時(shí),又插入一個(gè)歸一化層,即先做一個(gè)歸一化處理(歸一化至均值0、方差為1),經(jīng)激活函數(shù)后,再進(jìn)入網(wǎng)絡(luò)的下一層,是一個(gè)可學(xué)習(xí)、有參數(shù)(γ、β)的網(wǎng)絡(luò)層。這意味著梯度變得更大,可避免梯度消失產(chǎn)生,且會使網(wǎng)絡(luò)收斂速度變快,節(jié)約訓(xùn)練時(shí)間。具體實(shí)現(xiàn)如下式所示:

        圖7 基于AlexNet神經(jīng)網(wǎng)絡(luò)的板材材種識別結(jié)果Fig. 7 The recognition result of wood species based on AlexNet neural network

        表3 AlexNet神經(jīng)網(wǎng)絡(luò)整體測試結(jié)果Tab.3 The overall test results of the AlexNet neural network

        (1)

        式中: E[x(k)]表示每一批訓(xùn)練數(shù)據(jù)x(k)的均值; Var[x(k)]表示x(k)的方差。

        該過程可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)表達(dá)能力下降,為避免這一缺點(diǎn),在每個(gè)神經(jīng)元添加2個(gè)調(diào)節(jié)參數(shù),對變換后的激活再進(jìn)行反變換,以加強(qiáng)網(wǎng)絡(luò)表達(dá)能力。對變換后的激活進(jìn)行的操作如下:

        (2)

        BN的算法原理如下:

        (3)

        BN算法可極大提升訓(xùn)練速度,加快收斂過程,訓(xùn)練時(shí)間大大縮短, 同時(shí)增加分類效果,提升整個(gè)網(wǎng)絡(luò)泛化能力,有效防止過擬合現(xiàn)象。BN算法實(shí)質(zhì)上是一個(gè)歸一化計(jì)算過程,調(diào)參簡單?;贐N算法的優(yōu)點(diǎn),采用BN算法取代AlexNet神經(jīng)網(wǎng)絡(luò)中的局部響應(yīng)歸一化操作。

        由于本試驗(yàn)實(shí)際為臭冷杉、長白落葉松、魚鱗云杉、鵝掌楸、凹葉厚樸5種樹種的分類,最終輸出結(jié)果共5類,故將Softmax層(曾志強(qiáng)等, 2009)的神經(jīng)元數(shù)量改為5。優(yōu)化的算法流程如圖8所示。

        3.3 基于優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)的板材材種識別算法實(shí)現(xiàn)

        依然選擇在Caffe深度學(xué)習(xí)框架上進(jìn)行網(wǎng)絡(luò)搭建、訓(xùn)練和測試,使用隨機(jī)梯度下降算法進(jìn)行網(wǎng)絡(luò)權(quán)值參數(shù)更新。表4給出了網(wǎng)絡(luò)部分關(guān)鍵參數(shù)取值。

        原始1 484張端面細(xì)胞圖像擴(kuò)充后得到樣本總量29 680張,按7∶3劃分后分別保存在訓(xùn)練集和測試集文件夾中,圖像制作成LMDB格式數(shù)據(jù)集后用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試,結(jié)果如表5所示。

        優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)對5種木材均表現(xiàn)出良好分類效果,通過混淆矩陣得到的分類結(jié)果柱狀圖如圖9所示。

        將所有測試樣本確定標(biāo)簽后均放入同一文件夾,形成混合測試集,圖像制作LMDB格式數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練。5次測試結(jié)果如表6所示。

        圖8 優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)流程Fig. 8 The optimized AlexNet neural network process

        表4 關(guān)鍵參數(shù)取值Tab.4 The key parameter values

        3.4 識別結(jié)果比較

        3種算法均按7∶3劃分樣本集為訓(xùn)練集和測試集,其中神經(jīng)網(wǎng)絡(luò)樣本集需進(jìn)行數(shù)據(jù)增強(qiáng)。首先分別測試每種類別的樣本準(zhǔn)確率,得到分類結(jié)果的混淆矩陣,通過混淆矩陣?yán)L制3種算法對每類木材樣本識別準(zhǔn)確率的柱狀圖(圖10)。測試樣本確定標(biāo)簽后均放入同一文件夾,分別對3種分類算法進(jìn)行整體批量測試,支持向量機(jī)分類器測試集的整體識別準(zhǔn)確率為84.67%, AlexNet神經(jīng)網(wǎng)絡(luò)測試集的整體識別準(zhǔn)確率為88.76%, 基于BN算法優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)測試集的整體識別準(zhǔn)確率為91.15%,識別效果更好。

        表5 基于優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)的板材材種分類結(jié)果混淆矩陣Tab.5 The confusion matrix of wood species classification results based on optimized AlexNet neural network

        圖9 基于優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)的板材材種識別結(jié)果Fig. 9 The recognition result of wood species based on optimized AlexNet neural network

        表6 優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)整體測試結(jié)果Tab.6 The overall test results of optimized AlexNet neural network

        圖10 3種算法識別準(zhǔn)確率對比Fig. 10 The comparison of three methods recognition accuracy

        4 結(jié)論

        本研究以5種木材(臭冷杉、長白落葉松、魚鱗云杉、鵝掌楸和凹葉厚樸)端面細(xì)胞為研究對象,首先提取多種差異性圖像作為數(shù)據(jù)集,通過圖像處理提取特征信息; 然后根據(jù)樣本低維信息,采用高斯徑向基(RBF)核函數(shù)設(shè)計(jì)SVM分類器,可以實(shí)現(xiàn)木材良好識別;最后基于端面細(xì)胞線性特征,建立AlexNet神經(jīng)網(wǎng)絡(luò)模型識別木材,同時(shí)在AlexNet網(wǎng)絡(luò)架構(gòu)中加入BN算法進(jìn)行優(yōu)化,減少梯度損失,增強(qiáng)數(shù)據(jù)擬合性。支持向量機(jī)分類器測試集的整體識別準(zhǔn)確率為84.67%,AlexNet神經(jīng)網(wǎng)絡(luò)測試集的整體識別準(zhǔn)確率為88.76%,基于BN算法優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)測試集的整體識別準(zhǔn)確率為91.15%。當(dāng)樣本量充足時(shí),AlexNet神經(jīng)網(wǎng)絡(luò)模型對木材端面細(xì)胞圖像的分類效果明顯優(yōu)于SVM分類器,其中,基于BN算法優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率高于AlexNet神經(jīng)網(wǎng)絡(luò)和SVM分類器?;贐N算法優(yōu)化的AlexNet神經(jīng)網(wǎng)絡(luò)對圖像線性特征更敏感,保留AlexNet神經(jīng)網(wǎng)絡(luò)擬合優(yōu)化性的同時(shí)加快尋優(yōu)速率,可有效提高識別精度,實(shí)現(xiàn)木材高精度分類。

        猜你喜歡
        端面木材算子
        ◆ 木材及木制品
        世界上最輕的木材
        大自然探索(2024年1期)2024-02-29 09:10:32
        KDF3E成型機(jī)濾棒端面觸頭的原因及排除方法
        橘子皮用來開發(fā)透明木材
        軍事文摘(2021年16期)2021-11-05 08:49:06
        擬微分算子在Hp(ω)上的有界性
        各向異性次Laplace算子和擬p-次Laplace算子的Picone恒等式及其應(yīng)用
        一類Markov模算子半群與相應(yīng)的算子值Dirichlet型刻畫
        銅基合金襯套端面鍍鉻質(zhì)量的改善
        Roper-Suffridge延拓算子與Loewner鏈
        老舊端面磨齒機(jī)故障處理
        日韩精品免费av一区二区三区| 欧美熟妇精品一区二区三区| 日韩精品一区二区三区在线观看| 亚洲色偷拍一区二区三区| 国产成人亚洲合色婷婷| 中国亚洲av第一精品| 无人区乱码一区二区三区| 日韩人妻无码精品久久免费一| 色综合久久久久久久久五月| 99热这里只有精品久久6| 偷拍视频这里只有精品| 久久综合99re88久久爱| 国产裸体xxxx视频在线播放| 无码中文字幕在线DVD| 国产对白刺激在线观看| 日韩美腿丝袜三区四区| 久久久久亚洲av综合波多野结衣| 日韩亚洲av无码一区二区不卡| 老色鬼永久精品网站| 日本人妻系列一区二区| 日本一区二区在线高清观看 | 国产自产在线视频一区| 亚洲视频免费一区二区| 中文无码精品a∨在线观看不卡| 久久综合给合久久狠狠狠97色69 | 精品一区二区三区长筒靴| 中文字幕av长濑麻美| 国语对白做受xxxxx在| 亚洲 欧美 综合 另类 中字| 国产午夜精品久久久久| 日本va中文字幕亚洲久伊人| 欧美激情一区二区三区| 99re久久精品国产| 国产日产亚洲系列av| 亚洲av熟女中文字幕| 夜夜揉揉日日人人青青| 国产午夜成人久久无码一区二区| 无码国产一区二区色欲| 亚洲自拍偷拍色图综合| 国产男女无遮挡猛进猛出| 亚洲视频天堂|