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

        ?

        基于可見光-近紅外光譜的煤巖識(shí)別方法實(shí)驗(yàn)研究

        2022-07-06 05:36:54徐良驥孟雪瑩
        光譜學(xué)與光譜分析 2022年7期
        關(guān)鍵詞:分析模型

        徐良驥,孟雪瑩,韋 任,張 坤

        1. 深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 淮南 232001 2. 安徽理工大學(xué)空間信息與測(cè)繪工程學(xué)院,安徽 淮南 232001

        引 言

        煤巖識(shí)別是實(shí)現(xiàn)智能化選煤和綜采工作面無人化的前提。 近年來隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展,煤礦生產(chǎn)自動(dòng)化水平顯著提高,也使得綜合開采工作面的無人化操作和選煤廠智能化選煤的實(shí)現(xiàn)成為可能[1]。 智能化技術(shù)的實(shí)現(xiàn)在很大程度上提高煤炭生產(chǎn)的安全性[2]。 煤巖識(shí)別技術(shù)的實(shí)現(xiàn)對(duì)煤炭綠色開采、 精準(zhǔn)開采具有重大的實(shí)際意義[3]。

        近年來,遙感技術(shù)在礦區(qū)煤炭勘探開采、 煤和巖石的性質(zhì)測(cè)定、 土壤和水體的污染監(jiān)測(cè)等方面得到廣泛應(yīng)用[4,5]。 在煤炭資源勘探開發(fā)各階段遙感技術(shù)主要應(yīng)用于資源調(diào)查評(píng)價(jià)、 礦區(qū)衛(wèi)星測(cè)圖、 礦產(chǎn)資源開發(fā)及礦區(qū)環(huán)境監(jiān)測(cè)等領(lǐng)域[6],在煤炭開采過程中,可以利用遙感圖像對(duì)礦區(qū)地層分布特征進(jìn)行提取。 對(duì)于土壤與水體污染監(jiān)測(cè)方面,遙感技術(shù)更是可以直接利用地物光譜反射率進(jìn)行地物提取與監(jiān)測(cè)。 近年來,井下無人開采成為國(guó)內(nèi)外研究的熱點(diǎn),而煤巖識(shí)別正是井下無人開采的關(guān)鍵,在傳統(tǒng)煤巖識(shí)別過程中,人工識(shí)別效率低下,因此如何準(zhǔn)確的實(shí)現(xiàn)煤巖識(shí)別成為該研究領(lǐng)域亟待解決的問題。 宋亮等[7]研究了基于可見光-近紅外和熱紅外聯(lián)合分析煤和巖石分類方法; 王衛(wèi)東等[8]研究了基于激光三維掃描與動(dòng)態(tài)稱重的煤巖石光電分選系統(tǒng); Yang等[9]利用可見光和近紅外(VIS-NIR)反射光譜進(jìn)行煤巖石識(shí)別; Wang等[10]使用太赫茲時(shí)域光譜法對(duì)煤和巖石進(jìn)行表征和分類。 本文基于可見光-近紅外光譜和樣本成分含量研究煤巖的識(shí)別方法。

        1 實(shí)驗(yàn)部分

        1.1 研究區(qū)概況

        實(shí)驗(yàn)樣本共29份,其中煤樣15份,巖石樣本14份,樣本來源如下:

        從謝橋礦采集煤和巖石樣本共11份,其中煤樣7份,巖石樣本4份,7份煤樣按順序命名為XQM1,…,XQM7,巖石樣本按順序命名為XQG1,…,XQG4。 煤的類型主要為煙煤,巖石類型主要為砂巖、 和泥巖。

        從潘二礦采集煤和巖石樣本共18份,其中煤樣8份,巖石樣本10份,8份煤樣按順序命名為P2M1,…,P2M8,10份巖石樣本按順序命名為P2G1,…,P2G10。

        謝橋礦位于安徽省潁上縣東北部,距潁上縣城約20 km,現(xiàn)生產(chǎn)能力超過800萬噸/年、 配套800萬噸選煤廠的特大型現(xiàn)代化礦井。 潘二煤是淮南礦業(yè)集團(tuán)所屬的一座年設(shè)計(jì)生產(chǎn)能力為300萬噸的大型現(xiàn)代化礦井。 該礦位于安徽省淮南市西北部約30 km的潘集區(qū)境內(nèi)。 礦井地處淮河以北屬江淮平原,西南部與潘一礦井接壤,西北部與潘北礦井毗鄰。

        圖1 部分煤和巖石樣本Fig.1 Some coal and rock samples

        1.2 煤巖光譜差異機(jī)理分析

        圖2所示為煤和巖石樣本的反射光譜,由圖可知,煤的整體反射率較低,上升平緩,而巖石的反射率偏高,且有吸收谷。 在1 450 nm附近,由于水分子O—H官能基伸縮振動(dòng)的第一倍頻,巖石在此處有較強(qiáng)吸收谷。 在1 900 nm附近,由于巖石中的二價(jià)Fe離子和煤樣中的Al2O3,巖石存在更強(qiáng)的吸收谷。 在2 130~2 250 nm波段內(nèi)煤與巖石存在較大差異,這是由于Al元素在煤中主要以Al2O3的形式存在,而在巖石中則主要以Al(OH)3形式存在,Al(OH)3的Al—OH晶格振動(dòng)使得其在2 210 nm附近具有強(qiáng)吸收峰[11]。

        圖2 原始光譜反射率曲線Fig.2 Original reflectance spectra

        近紅外光譜的主要吸收帶是含氫基團(tuán)C—H,O—H,N—H等的一級(jí)倍頻和C—O,C—N,C—C等的多級(jí)倍頻。 煤中的有機(jī)物主要包括碳(C)、 氫(H)、 氧(O)、 氮(N)等,主要指工業(yè)分析指標(biāo)的揮發(fā)分和固定碳; 無機(jī)物包括水和碳物質(zhì),主要指工業(yè)指標(biāo)的水分和灰分。 根據(jù)中國(guó)國(guó)家標(biāo)準(zhǔn)GB/T 5751《中國(guó)煤炭分類》和國(guó)際標(biāo)準(zhǔn)ISO 11760 Classification of coals對(duì)煤炭的定義標(biāo)準(zhǔn), 煤炭是主要由植物遺體經(jīng)煤化作用轉(zhuǎn)化而成的富含碳的固體可燃有機(jī)沉積巖, 含有一定量的礦物質(zhì), 其灰分產(chǎn)率小于或等于50%[12]。 據(jù)此, 灰分和揮發(fā)分的含量差異可用于進(jìn)行煤巖識(shí)別分析。

        1.3 光譜數(shù)據(jù)的采集

        美國(guó)ASD公司生產(chǎn)的地物光譜儀FieldSpec 4的光譜范圍是350~2 500 nm,有兩種采樣間隔分別為1.4 nm(350~1 000 nm)和2 nm(1 000~2 500 nm); 該實(shí)驗(yàn)的重采樣間隔為1 nm。 數(shù)據(jù)采集在暗室中進(jìn)行,選擇50 W的鹵素?zé)魹楣庠础?25°裸光纖鏡頭接收反射波段。 測(cè)量時(shí)將樣本放入直徑為100 mm,高2 mm的透明玻璃培養(yǎng)皿中,光源距離樣品40 cm,光線與樣品成45°角,探頭距樣本10 cm位于光源對(duì)面,探頭光纖末端位于煤、 巖石樣本正上方。 在對(duì)樣本進(jìn)行光譜測(cè)量前需要進(jìn)行白板校正,每個(gè)樣本采集30條曲線,對(duì)獲取的煤和巖石樣本反射光譜曲線采用ViewSpecPro軟件進(jìn)行預(yù)處理(剔除異樣數(shù)據(jù)、 斷點(diǎn)修復(fù),光滑處理等),最后將各組曲線的算術(shù)平均值作為樣本的原始光譜反射率值,如圖2所示。

        1.4 樣品成分含量檢測(cè)

        采用GB212—2008煤的工業(yè)分析方法對(duì)煤和巖石樣本的水分、 灰分、 揮發(fā)分進(jìn)行測(cè)定。 測(cè)定結(jié)果如表1所示,具體測(cè)定步驟如下:

        (1)樣本水分的質(zhì)量分?jǐn)?shù)(Mad)采用空氣干燥法[13]。

        稱取粒度粒徑為0.15 mm煤樣、 巖石樣本(1±0.1) g,稱準(zhǔn)至0.000 2 g,平攤在稱量瓶中。 每個(gè)樣本設(shè)置三個(gè)對(duì)比樣,將樣品置于105~110 ℃鼓風(fēng)干燥箱內(nèi),于空氣流中干燥到質(zhì)量恒定。 根據(jù)煤樣的質(zhì)量損失計(jì)算出水分的質(zhì)量分?jǐn)?shù)(Mad)。

        表1 兩礦煤樣工業(yè)指標(biāo)測(cè)試結(jié)果Table 1 Test results of industrial indicators ofcoal samples from two mines

        續(xù)表1

        (2)樣本的灰分(Aad)采用快速灰化法[13]。

        ①在預(yù)先灼燒至質(zhì)量恒定的灰皿中,稱取粒度小于0.2 mm的一般分析實(shí)驗(yàn)煤樣(1±0.1) g,稱準(zhǔn)至0.000 2 g,均勻地?cái)偲皆诨颐笾?,使其每平方厘米的質(zhì)量不超過0.15 g。 將盛有煤樣的灰皿預(yù)先分排放在耐熱瓷板或石棉板上。

        ②將馬弗爐加熱到850 ℃,打開爐門,將放有灰皿的耐熱瓷板緩慢地推入馬弗爐中,待5~10 min后煤樣不再冒煙時(shí),以每分鐘不大于2 cm的速度把其余各排灰皿順序推入爐內(nèi)熾熱部分(若煤樣著火爆燃,停止該實(shí)驗(yàn)、 作廢)。

        ③關(guān)上爐門并使?fàn)t門留有15 mm左右的縫隙,在(815±10) ℃溫度下灼燒40 min。

        ④將灰皿從爐中取出,放在空氣中冷卻5 min,然后移入干燥器中冷卻至室溫(約20 min)后,稱量。

        ⑤進(jìn)行檢查性灼燒,溫度為(815±10) ℃,每次20 min,直到連續(xù)兩次灼燒后的質(zhì)量變化不超過0.001 0 g為止。 以最后一次灼燒后的質(zhì)量為計(jì)算依據(jù)。

        (3)樣本的揮發(fā)分(Vad)測(cè)定[13]:

        ①在預(yù)先于900 ℃溫度下灼燒至質(zhì)量恒定的帶蓋瓷坩堝中,稱取粒度小于0.2 mm的一般分析實(shí)驗(yàn)煤樣(1±0.1) g,稱準(zhǔn)至0.000 2 g,然后輕輕振動(dòng)坩堝,使樣品攤平,蓋上蓋,放在坩堝架上。

        ②將馬弗爐預(yù)先加熱至920 ℃左右,打開爐門,迅速將

        圖4 煤和巖石樣本揮發(fā)分實(shí)驗(yàn)爐Fig.4 Set up for determining the volatilematter in coal and gangue

        放有坩堝的坩堝架送入恒溫區(qū),立即關(guān)上爐門并計(jì)時(shí),準(zhǔn)確加熱7 min; 坩堝及坩堝架放入后,要求爐溫在3 min內(nèi)恢復(fù)至(900±10) ℃,此后保持在(900±10) ℃,否則此次實(shí)驗(yàn)作廢,加熱時(shí)間包括溫度恢復(fù)時(shí)間。

        ③從爐中取出坩堝,放在空氣中冷卻5 min左右,然后移入干燥器中冷卻至室溫(約20 min)后稱量。

        煤和巖石氧化物含量采用XRF檢測(cè),檢測(cè)結(jié)果如表2所示。

        表2 兩礦煤和巖石樣本氧化物百分比含量Table 2 Oxygen percentage contents of coal and rock samples from two mines

        續(xù)表2

        1.5 建模方法及參數(shù)選擇分析

        主成分分析是目前較常用的一種光譜特征信息提取方法,在處理線性問題時(shí)能夠取得很好的效果。 核成分分析則將數(shù)據(jù)映射到高維特征空間,利用主成分分析實(shí)現(xiàn)非線性的特征提取,改善主成分分析在非線性數(shù)據(jù)分布情況下分析結(jié)果不理想的狀況。 與其他機(jī)器學(xué)習(xí)算法相比, 支持向量機(jī)(SVM)算法更適合于本實(shí)驗(yàn)的小訓(xùn)練樣本、 多維度成分因素、 非線性關(guān)系問題[14]。 因此選擇PCA-SVM、 PCA-BP和KPCA-SVM共三種方法進(jìn)行煤巖識(shí)別的建模。 其中,懲罰因子由網(wǎng)格搜索法獲得,經(jīng)過多次建模試驗(yàn)確定最優(yōu)迭代率和學(xué)習(xí)率。 模型復(fù)雜度低,未出現(xiàn)過擬合現(xiàn)象。

        2 結(jié)果與討論

        2.1 基于可見光-近紅外光譜的煤和巖石識(shí)別模型

        (1)主成分分析結(jié)合支持向量機(jī)(PCA-SVM)模型

        煤巖識(shí)別的本質(zhì)是一個(gè)二分類的問題,并不需要區(qū)分煤或巖石具體的礦物類型。 將煤作為識(shí)別向量標(biāo)簽“0”,巖石作為識(shí)別向量標(biāo)簽“1”,對(duì)煤巖的特征值進(jìn)行訓(xùn)練,將煤巖的特征值作為自變量,煤巖的識(shí)別標(biāo)簽“0”和“1”作為因變量,最后利用訓(xùn)練的模型對(duì)驗(yàn)證集進(jìn)行識(shí)別。 其中,煤巖對(duì)應(yīng)的特征值分別為它們?cè)诳梢姽?近紅外波段的反射率和工業(yè)分析與XRF儀器測(cè)量出的成分含量。 隨機(jī)建立訓(xùn)練集20個(gè)樣本和驗(yàn)證集9個(gè)樣本,對(duì)樣本反射率進(jìn)行主成分分析,確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù),進(jìn)行支持向量機(jī)模型建立,并將驗(yàn)證集代入模型驗(yàn)證。 隨機(jī)建立的20組主成分分析結(jié)合支持向量機(jī)識(shí)別模型的最優(yōu)參數(shù)、 建模精度、 驗(yàn)證結(jié)果如表3所示。

        由表3可知,主成分分析結(jié)合支持向量機(jī)模型中,建模精度最高為100%,最低精度為55%,平均精度為83.75%。 驗(yàn)證集模型識(shí)別精度最高為66.67%,最低為22.22% ,平均識(shí)別精度約為45.97%。

        表3 基于可見光-近紅外光譜的PCA-SVM模型的模型精度Table 3 Model accuracy of PCA-SVM model based onvisible-near infrared spectra

        (2)主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)(PCA-BP)模型

        對(duì)樣本光譜反射率數(shù)據(jù)進(jìn)行主成分分析,得到28個(gè)主成分。 首先對(duì)BP神經(jīng)網(wǎng)絡(luò)中的初始參數(shù)進(jìn)行設(shè)置,構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),參數(shù)如下: 迭代次數(shù)(epochs)=10 000,學(xué)習(xí)率(Ir)=0.05,訓(xùn)練目標(biāo)誤差(goal)=0.001。 整個(gè)神經(jīng)網(wǎng)絡(luò)匹配系統(tǒng)分為四個(gè)部分: 輸入端、 一個(gè)隱含層、 一個(gè)輸出層、 輸出端。 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

        圖5 基于可見光-近紅外光譜的PCA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.5 Model structure of PCA-BP neural networkbased on visible-near infrared spectra

        將主成分?jǐn)?shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行煤和巖石識(shí)別分類,20組數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度如圖6所示。

        圖6 PCA-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別率Fig.6 PCA-BP neural network model recognition rate

        基于樣本反射率光譜數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別率最高為54.55%,最低為26.25%,平均識(shí)別率為43.33%。

        (3)核主成分分析結(jié)合主成分分析(KPCA-SVM)模型

        對(duì)樣本反射率進(jìn)行核主成分分析,確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù),進(jìn)行支持向量機(jī)模型建立,并將驗(yàn)證集代入模型驗(yàn)證。 20組KPCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表4所示。

        由表4可知,核主成分分析結(jié)合支持向量機(jī)模型中,建模精度最高為100%,最低精度為85%,平均精度為95.5%。 驗(yàn)證集模型識(shí)別精度最高為100%,最低為66.67%,平均識(shí)別精度約為90.56%。

        2.2 基于樣本成分含量的煤和巖石識(shí)別模型

        (1)主成分分析結(jié)合支持向量機(jī)(PCA-SVM)模型

        對(duì)樣本的14個(gè)成分含量進(jìn)行主成分分析,確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù),進(jìn)行支持向量機(jī)模型建立,并將驗(yàn)證集帶入模型驗(yàn)證。 基于樣本成分的PCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表5所示。

        由表5可知,主成分分析結(jié)合支持向量機(jī)模型中,建模精度最高為100%,最低精度為70%,平均精度為83.75%。 驗(yàn)證集模型識(shí)別精度最高為100%,最低為22.22%,平均識(shí)別精度約為50.56%。

        表4 KPCA-SVM模型的模型精度Table 4 Accuracy of KPCA-SVM model

        表5 基于樣本成分的PCA-SVM模型的模型精度

        (2)主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)(PCA-BP)模型

        對(duì)樣本光譜反射率數(shù)據(jù)進(jìn)行主成分分析,得到12個(gè)主成分。 首先對(duì)BP神經(jīng)網(wǎng)絡(luò)中的初始參數(shù)進(jìn)行設(shè)置,構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),參數(shù)如下: 迭代次數(shù)(epochs)=10 000,學(xué)習(xí)率(Ir)=0.05,訓(xùn)練目標(biāo)誤差(goal)=0.001。 整個(gè)神經(jīng)網(wǎng)絡(luò)匹配系統(tǒng)分為四個(gè)部分: 輸入端、 一個(gè)隱含層、 一個(gè)輸出層、 輸出端。 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

        圖7 基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Structure of PCA-BP neural network based onsample components

        將主成分?jǐn)?shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行煤和巖石識(shí)別分類,20組數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度如圖8所示。

        圖8 基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別率Fig.8 Recognition rate of PCA-BP neural networkmodel based on sample components

        基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別率最高為77.78%,最低為22.22%,平均識(shí)別率為46.11%。

        (3)核主成分分析結(jié)合主成分分析(KPCA-SVM)模型

        對(duì)樣本成分進(jìn)行核主成分分析,確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù),進(jìn)行支持向量機(jī)模型建立,并將驗(yàn)證集帶入模型驗(yàn)證。 20組KPCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表6所示。

        由表6可知,核主成分分析結(jié)合支持向量機(jī)模型中,建模精度最高為100%,最低精度為95%,平均精度為98.5%。 驗(yàn)證集模型識(shí)別精度最高為100%,最低為77.78%,平均識(shí)別精度約為95%。

        3 結(jié) 論

        針對(duì)可見光-近紅外光譜法煤巖石識(shí)別時(shí)易發(fā)生煤與巖石誤分類的問題,綜合采用主成分分析結(jié)合支持向量機(jī)模型(PCA-SVM)、 主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型、 核主成分分析結(jié)合支持向量機(jī)模型(KPCA-SVM)進(jìn)行了研究,并將最終的識(shí)別率、 精度列在表7中。

        表6 基于樣本成分的KPCA-SVM模型的模型精度Table 6 Model accuracy of KPCA-SVM modelbased on sample components

        表7 算法模型精度/識(shí)別率比較Table 7 Algorithm model accuracy/recognition rate comparison

        (1)基于可見光-近紅外光譜的KPCA-SVM模型建模精度最高為100%,最低精度為85%,驗(yàn)證模型精度最高為100%。 基于樣本成分含量的KPCA-SVM模型建模精度最高為100%,最低精度為95%。 驗(yàn)證模型精度最高為100%。 可見,基于可見光-近紅外光譜和煤巖成分含量進(jìn)行煤巖識(shí)別是可行的,在建模方法中KPCA-SVM表現(xiàn)較佳,優(yōu)于PCA-SVM和PCA-BP兩種方法。

        (2) 基于樣本成分含量對(duì)煤、 巖石的分類過程中,KPCA-SVM的建模精度高于PCA-SVM,平均建模精度為98.5%; 同時(shí)KPCA-SVM的驗(yàn)證精度高于PCA-SVM和PCA-BP兩種方法的驗(yàn)證精度,平均精度為95%。

        (3) 提取了煤巖的光譜數(shù)據(jù)和成分含量?jī)煞N特征,結(jié)合PCA-SVM,PCA-BP和KPCA-SVM三種算法模型,建立了六種煤巖識(shí)別的方法。 由表7可知,基于煤巖成分含量的KPCA-SVM的模型方法識(shí)別率達(dá)到了95%,高于其他五種方法的識(shí)別率,故該模型最優(yōu)。

        猜你喜歡
        分析模型
        一半模型
        隱蔽失效適航要求符合性驗(yàn)證分析
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        電力系統(tǒng)不平衡分析
        電子制作(2018年18期)2018-11-14 01:48:24
        電力系統(tǒng)及其自動(dòng)化發(fā)展趨勢(shì)分析
        3D打印中的模型分割與打包
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        中西醫(yī)結(jié)合治療抑郁癥100例分析
        在線教育與MOOC的比較分析
        h国产视频| 久久精品国产亚洲av久| 人妻聚色窝窝人体www一区| 亚洲一二三区在线观看| 丰满少妇人妻无码超清| 久久午夜av一区二区| 人人妻人人澡人人爽欧美一区双 | 人妻少妇精品视中文字幕国语| 亚洲永久精品日韩成人av| 国产特级毛片aaaaaa高潮流水| 一二三四在线观看免费视频| 精品一精品国产一级毛片| 久久精品国产亚洲av一| 精品日韩一级免费视频| 午夜福利院电影| 在线播放国产女同闺蜜| 18禁成人免费av大片一区| 亚洲国产精品高清一区| 国产伦久视频免费观看视频| 久久人人做人人妻人人玩精| 国产精品黑丝美女av| 国产 高潮 抽搐 正在播放| 日本高清www无色夜在线视频| 国产三级黄色在线观看| 少妇人妻无一区二区三区| 私人vps一夜爽毛片免费| 免费无码av片在线观看 | 少妇人妻偷人精品免费视频| 国产精品视频免费的| 亚洲中文字幕一区av| 国产精品久久久久9999无码| 亚洲男同志gay 片可播放| 日韩精品免费在线视频| av免费在线免费观看| 女人高潮被爽到呻吟在线观看| 美女一级毛片免费观看97| 男女性生活视频免费网站| 亚洲熟妇色自偷自拍另类| 欧美国产成人精品一区二区三区| 在线免费观看视频播放| 久久久极品少妇刺激呻吟网站|