• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于地震資料有效信息約束的深度網(wǎng)絡無監(jiān)督噪聲壓制方法

    2021-03-31 00:03:20陳文超劉達偉魏新建王曉凱陳德武李書平
    煤田地質(zhì)與勘探 2021年1期
    關(guān)鍵詞:壓制先驗噪聲

    陳文超,劉達偉,魏新建,王曉凱,陳德武,李書平,李 冬

    基于地震資料有效信息約束的深度網(wǎng)絡無監(jiān)督噪聲壓制方法

    陳文超1,劉達偉1,魏新建2,王曉凱1,陳德武2,李書平2,李 冬2

    (1. 西安交通大學 信息與通信工程學院,陜西 西安 710049; 2. 中國石油勘探開發(fā)研究院西北分院,甘肅 蘭州 730020)

    地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié),由于地下構(gòu)造和地表條件的復雜性,地震資料的處理需要經(jīng)過一系列復雜流程,從而形成多種不同類型的地震數(shù)據(jù)。不同種類的地震數(shù)據(jù)具有不同的數(shù)據(jù)特征,充分利用和發(fā)掘其中的數(shù)據(jù)特征,不僅可以充分發(fā)揮處理方法的技術(shù)潛力,消除各類非地質(zhì)因素對地震資料處理質(zhì)量的影響,同時可以增強地震資料處理的可靠性,改善地震資料的資料信噪比及分辨率,在復雜油氣藏勘探開發(fā)中具有非常重要的基礎作用。疊前地震成像道集(CRP)中的有效信號同相軸近似水平,疊后地震成像數(shù)據(jù)因為地層沉積的規(guī)律性,有效信號相比于隨機噪聲、成像畫弧噪聲等干擾具有規(guī)律、簡單等特點。具體表現(xiàn)為CRP道集及疊后地震資料有效信號具有多尺度自相似性的特征,其高維Fourier(FK或FKK)域主要能量集中在低頻、低波數(shù)區(qū)域。針對上述地震數(shù)據(jù)的特點,提出一種基于先驗信息約束的深度網(wǎng)絡地震資料無監(jiān)督噪聲壓制方法。受到深度圖像先驗(DIP)的啟發(fā),神經(jīng)網(wǎng)絡的結(jié)構(gòu)可以視為一種特殊的隱式先驗信息,合理設計網(wǎng)絡結(jié)構(gòu)可以使得網(wǎng)絡具有多尺度自相似性特征的提取能力。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號的多尺度自相似性,而噪聲不具備這一特性,因此,特定結(jié)構(gòu)的網(wǎng)絡可以從原始數(shù)據(jù)提取出有效信號,從而達到噪聲壓制的目的。疊前成像道集和疊后成像的實際數(shù)據(jù)隨機噪聲壓制試驗結(jié)果表明,本文方法具有良好的保真性與魯棒性。此外,由于本文方法具有強大的特征提取能力,因此,對常規(guī)方法不易壓制的弧狀成像噪聲也有良好的效果。

    無監(jiān)督學習;神經(jīng)網(wǎng)絡;弧狀成像噪聲壓制;成像道集;多尺度自相似性

    地震資料處理是地震勘探中的關(guān)鍵環(huán)節(jié),對于連接采集和解釋工作發(fā)揮著重要功能,其處理質(zhì)量對地震資料解釋和儲層預測精度起到了決定作用。在地震數(shù)據(jù)采集過程中,不可避免地會引入隨機噪聲,壓制隨機噪聲可以提升信噪比,有助于提高解釋精度,對后期的地震數(shù)據(jù)的解釋至關(guān)重要。因此,地震數(shù)據(jù)的隨機噪聲壓制問題在地震資料處理中占據(jù)著重要地位。傳統(tǒng)基于模型的優(yōu)化方法和近年來興起的判別學習方法是隨機噪聲壓制的兩大類方法。

    基于模型的優(yōu)化方法使用明確的先驗信息建立相關(guān)模型,然后通過求解優(yōu)化問題得到干凈的去噪數(shù)據(jù)。這類方法具有明確的物理含義,并且具有較強的泛化性能,對于不同種類的地震數(shù)據(jù)都有一定的噪聲壓制效果。按照使用的不同的先驗知識,基于模型的方法可以大致分為三大類。第一類是基于濾波的方法[1-2]。假設地震有效信號的反射同相軸具有橫向連續(xù)性,以此來區(qū)分有效信號和噪聲。第二類是基于低秩的方法,包括低秩分解[3-5]和核范數(shù)最小化[6]。第三類是基于稀疏表示的噪聲壓制方法,這類方法構(gòu)建合適的字典對有效信號進行稀疏表示,而該字典無法稀疏表示隨機噪聲,從而達到壓制隨機噪聲的目的[7-9]。上述方法在實際數(shù)據(jù)的處理過程中均取得了良好的效果,但是也會面臨一些挑戰(zhàn)。一方面,這類方法要求人為指定的先驗知識盡可能準確,然而由于地震數(shù)據(jù)的復雜性,使用這些先驗知識在某些復雜結(jié)構(gòu)區(qū)域仍然無法區(qū)分有效信號和隨機噪聲。另一方面,模型優(yōu)化的時間通常比較耗時,并且需要專業(yè)的計算機知識才可以實現(xiàn)快速并行計算。

    與之相反,判別學習方法,如最近幾年流行的深度學習方法,通過端對端地學習訓練樣本對獲得先驗知識,這把研究人員從復雜的先驗知識設計中解放出來,尤其對于那些無法用明確公式表達的先驗知識很有效果。此外,深度學習在隨機噪聲壓制問題中得到大規(guī)模使用的另一個原因是它很容易并行計算,雖然訓練耗時較長,但是測試時間相比模型優(yōu)化法很有優(yōu)勢。按照網(wǎng)絡維度的不同,此類可以分為二維網(wǎng)絡方法[10]和三維網(wǎng)絡方法[11-12]。盡管它們在實際使用中可以取得令人滿意的結(jié)果,但是也遇到了一些挑戰(zhàn)。首先,判別學習類方法需要大量的不含噪地震數(shù)據(jù)作為標簽數(shù)據(jù),而這在實際中是幾乎不可能獲得的。其次,網(wǎng)絡的泛化能力通常較弱,當處理較大規(guī)模的地震數(shù)據(jù)時,它的去噪能力會退化。

    無監(jiān)督的深度學習方法可以兼具上述兩類方法的優(yōu)點。無監(jiān)督深度學習方法既不需要標簽數(shù)據(jù),并且有較強的泛化能力,此外還可以使用深度學習框架較為容易地實現(xiàn)并行計算。無監(jiān)督深度學習方法已經(jīng)成功地應用于地震數(shù)據(jù)集的噪聲壓制[13]。本文提出了一種基于先驗信息約束的深度網(wǎng)絡地震資料無監(jiān)督噪聲壓制方法。由于疊前地震成像道集數(shù)據(jù)和疊后地震成像數(shù)據(jù)有效信號的多尺度自相似性,而噪聲不具備這一特性,因此,可以設計一種可以提取多尺度自相似性的網(wǎng)絡,從中提取有效信號,從而達到噪聲壓制的目標。受到深度圖像先驗(Deep Image Prior,DIP)[14]的啟發(fā),本文使用一種多尺度的生成卷積神經(jīng)網(wǎng)絡,以含噪地震數(shù)據(jù)作為訓練目標,使之從含噪地震數(shù)據(jù)中提取有效信號。訓練過程中使用早停法選擇合適的迭代次數(shù),使網(wǎng)絡輸出去噪后的地震數(shù)據(jù)。

    1 方法原理

    1.1 建立模型

    1.2 網(wǎng)絡結(jié)構(gòu)

    本文所使用的深度生成網(wǎng)絡結(jié)構(gòu)是一種經(jīng)典的U-Net網(wǎng)絡結(jié)構(gòu),包括3大部分:5個下采樣(Downsample)模塊(Block),2個跳躍連接層(Skip)模塊及5個上采樣(Upsample)模塊。每個模塊包含幾個基本單元,基本單元包括卷積(Conv)層、批歸一化(Batch normalization,BN)層、下采樣(Downsample)層、上采樣(Upsample)層和激活函數(shù)(LeakyReLU)層,如圖 1所示。為了節(jié)省計算開銷,隨著網(wǎng)絡深度的加深,下采樣的卷積濾波器數(shù)目從初始的8個增加到128個,上采樣層的濾波器數(shù)目與之對稱。不同網(wǎng)絡深度的下采樣模塊和上采樣模塊通過壓縮共有特征和剔除無用信息來降低目標地震數(shù)據(jù)的維數(shù)。這種網(wǎng)絡結(jié)構(gòu)使深度生成網(wǎng)絡具有多尺度自相似特征的提取能力。地震資料的有效信號在本質(zhì)上具有多尺度特征,許多地震處理方法從中受益[15-16]。因此,本文可以應用上述網(wǎng)絡的特征提取能力來提取有效信號,從而達到壓制地震資料隨機噪聲的目的。

    同時,本文在原有U-Net網(wǎng)絡結(jié)構(gòu)的基礎上做了一些修改。首先,為了減少由上采樣模塊引起的棋盤效應,采用轉(zhuǎn)置卷積代替雙線性插值。其次,設置跳躍連接的策略來避免梯度消失問題。第三,用漏泄線性整流函數(shù)替換原有激活函數(shù),防止神經(jīng)元湮滅。

    1.3 模型訓練

    圖1 本文所使用的網(wǎng)絡模型結(jié)構(gòu)

    圖2 深度生成網(wǎng)絡分別重構(gòu)含噪地震數(shù)據(jù)、隨機噪聲和有效信號得到的能量曲線

    1.4 深度神經(jīng)網(wǎng)絡的低頻優(yōu)先原則

    其中,

    本文以一個東部某油田實際疊前地震成像道集為例說明深度神經(jīng)網(wǎng)絡的低頻優(yōu)先原則,圖3為使用本文網(wǎng)絡對含噪地震數(shù)據(jù)進行重構(gòu)得到的不同迭代次數(shù)的結(jié)果,可以看到迭代次數(shù)較少時,網(wǎng)絡主要重構(gòu)3數(shù)據(jù)中的低頻成分,隨著迭代次數(shù)的增加,越來越多的精細結(jié)構(gòu)被網(wǎng)絡重構(gòu)出來,同時,也重構(gòu)了更多的噪聲成分。圖4為圖3對應的FK譜,也可以觀察到,網(wǎng)絡優(yōu)先學習低頻特征,隨著訓練迭代次數(shù)的增加,越來越多的高頻成分被重構(gòu)出來。

    2 算例分析

    2.1 疊前地震成像道集

    圖5a是一個東部某油田疊前地震成像道集,包括200道數(shù)據(jù),每道數(shù)據(jù)具有3 001個時間采樣點,采樣率為2 ms??梢钥吹綀D中有效信號被大量的背景噪聲所污染,使得一些微弱的有效信號變得模糊。同時,可以觀察到同相軸是近似水平的,這與本文方法善于提取低頻的、具有多尺度自相似的特征相匹配。DDTF(Data-drive Tight Frame)[18]是一種常用的地震數(shù)據(jù)噪聲壓制方法,本文選擇DDTF方法作為對比。圖5b顯示了DDTF的去噪結(jié)果,可以看出到仍然存在一些殘余噪聲。然后利用深度生成網(wǎng)絡從原始地震數(shù)據(jù)中提取自相似特征。經(jīng)過大約1 500次迭代,得到了網(wǎng)絡的去噪結(jié)果,如圖5c所示??梢钥闯?,本文方法的沒有明顯殘余噪聲,同相軸比DDTF方法更清晰。此外,本文方法在不丟失有用信號細節(jié)的情況下也去除了一些相干噪聲。在如圖5d所示DDTF方法相應的噪聲去除部分中,可以看到一些有效信號的泄漏。然而,如圖5e所示,除了一些異常的振幅點外,本文方法幾乎找不到明顯的連續(xù)同相軸,這表明本文方法在去噪過程中沒有嚴重破壞有效信號。此外,本文方法的計算時間(79.19 s)比DDTF(51.30 s)耗時多,但去噪效果更優(yōu),參數(shù)選擇更為容易。

    (a)—(l)分別為100~1 200次迭代的結(jié)果

    (a)—(l)分別為100~1 200次迭代的FK譜

    (a)為含噪數(shù)據(jù)集;(b)和(c)分別為DDTF和本文方法的去噪結(jié)果;(d)和(e)為DDTF和本文方法去除的噪聲

    本文進一步從多通道歸一化幅度譜來比較去噪性能研究,如圖6所示。眾所周知,隨機噪聲的主要能量集中在高頻端??梢钥闯觯删W(wǎng)絡去噪后數(shù)據(jù)的高頻能量幅度譜(例如高于60 Hz部分)低于由DDTF去噪數(shù)據(jù)的高頻能量頻幅度譜,如圖6a所示。這意味著網(wǎng)絡抑制了更多的噪聲能量。從圖6b所示的去除噪聲的幅度譜也可以得到相同的結(jié)論。為了更清楚地進行比較,圖6c顯示了圖6a紅色圓圈所示的放大區(qū)域,可以更清楚地觀察到網(wǎng)絡的去噪結(jié)果在高頻段能量較低??梢缘贸鼋Y(jié)論,與DDTF相比,該方法具有更高的保真度和更強的噪聲抑制能力。

    下面從疊加剖面上觀察本文方法的噪聲壓制效果。圖7a所示是200道原始疊前地震成像道集經(jīng)過疊加而成的疊加剖面。圖7b所示是200道網(wǎng)絡去噪后的疊前地震成像道集經(jīng)過疊加而成的疊加剖面,可以看到波形一致性得到了增強,圖7c為圖7a與圖7b的差剖面,從圖7c中觀察不到明顯的有效信號損傷,這證明了本文方法的保真性。

    圖6 多道歸一化振幅譜

    (a) 原始數(shù)據(jù);(b) 去噪后數(shù)據(jù);(c) 去除的噪聲數(shù)據(jù)

    2.2 疊后地震成像數(shù)據(jù)

    為了進一步說明本文方法的有效性,以如圖8a所示的疊后地震成像數(shù)據(jù)為例進行噪聲壓制。該數(shù)據(jù)來自東部某油田,圖示600道數(shù)據(jù)和1 200個時間采樣點,采樣時間為2 ms。可以看到,該數(shù)據(jù)受到噪聲影響嚴重,尤其受到了弧狀成像噪聲的干擾,對地震數(shù)據(jù)的解釋造成了干擾。圖8b所示是網(wǎng)絡經(jīng)過6 500次迭代得到的去噪后的地震數(shù)據(jù),可以看到本文方法去除了大量的隨機噪聲,去噪后同相軸的連續(xù)性得到了加強,尤其是圖中紅色矩形框所示的區(qū)域,弧狀成像噪聲得到了壓制。從圖8c中去除的噪聲部分來看,噪聲中除了弧狀噪聲部分,沒有明顯的地層結(jié)構(gòu)成分,說明本文方法幾乎沒有損傷有效信號,具有較高的保真性。

    3 結(jié)論

    本文提出了一種基于深度學習的無監(jiān)督隨機噪聲壓制方法,疊前、疊后成像數(shù)據(jù)處理結(jié)果表明,該方法具有以下3個特點:所提方法不需要常見深度神經(jīng)網(wǎng)絡必須的訓練標簽;本文采用的網(wǎng)絡具有很強的多尺度自相似特征提取能力,能夠容易地從原始含噪數(shù)據(jù)中提取有效信號;此外,該方法在有效抑制隨機噪聲的同時,對有效信號的損傷較小,尤其可以有效壓制傳統(tǒng)方法不易去除的弧狀成像噪聲。

    [1] TRICKETT S. F-xy Cadzow noise suppression[C]//SEGTechnical Program Expanded Abstracts 2008. Society of Exploration Geophysicists,2008:2586–2590.

    [2] SOUBARAS R. Signal-preserving random noise attenuation by the f-x projection[C]//SEG Technical Program Expanded Abstracts,Jan. 1994:1576–1579.

    [3] TRICKETT S R. F-xy eigenimage noise suppression[J]. Geophysics,2003,68(2):751–759.

    [4] BEKARA M,BAAN VAN DER M. Local singular value decomposition for signal enhancement of seismic data[J]. Geophysics,2007,72(2):59–65.

    [5] OROPEZA V,SACCHI M. Simultaneous seismic data denoising and reconstruction via multichannel singular spectrum analysis[J]. Geophysics,2011,76(3):25–32.

    [6] KREIMER N,SACCHI M D. A tensor higher-order singular value decomposition for pre-stack seismic data noise reduction and interpolation[J]. Geophysics,2012,77(3):113–122.

    [7] YU Z,ABMA R,ETGEN J,et al. Attenuation of noise and simultaneous source interference using wavelet denoising[J]. Geophysics,2017,82(3):179–190.

    [8] WANG Xiaojing,MA Jianwei. Adaptive dictionary learning for blind seismic data denoising[J]. IEEE Geoscience and Remote Sensing Letters,2019:1–5.

    [9] WANG Shen,LI Jianchao,CHIU S K,et al. Seismic data compression and regularization via wave packets[C]//SEG Technical Program Expanded Abstracts 2010. 2010:3650–3655.

    [10] ZHANG Yinxue,TIAN Xuemin,DENG Xiaogang,et al. Seismic denoising based on modified BP neural network[C]//2010 Sixth International Conference on Natural Computation. 2010:1825–1829.

    [11] WANG Enning,NEALON J. Applying machine learning to 3D seismic image denoising and enhancement[J]. Interpretation,2019,7(3):131–139.

    [12] LIU Dawei,WANG Wei,WANG Xiaokai,et al. Poststack seismic data denoising based on 3-D convolutional neural network[J]. IEEE Trans. Geosci. Remote Sens.,2020,58(3):1598–1629.

    [13] CHEN Yangkang,ZHANG Mi,BAI Min,et al. Improving the signal-to-noise ratio of seismological datasets by unsupervised machine learning[J]. Seismol. Res. Lett.,2019,90(4):1552–1564.

    [14] ULYANOV D,VEDALDI A,LEMPITSKY V. Deep image prior[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018:9446–9454[2020-03-19].

    [15] HERRMANN F J,WANG DeLi,HENNENFENT G,et al. Curvelet-based seismic data processing:A multiscale and nonlinear approach[J]. Geophysics,2008,73(1):1–5.

    [16] BUNKS C,SALECKF M,ZALESKI S,et al. Multiscale seismic waveform inversion[J]. Geophysics,1995,60(5):1457–1473.

    [17] XU Z-Q J. Frequency principle:Fourier analysis sheds light on deep neural networks[J]. Commun. Comput. Phys.,2020,28(5):1746–1767.

    [18] LIANG Jianwei,MA Jianwei,ZHANG Xiaoqun. Seismic data restoration via data-driven tight frame[J]. Geophysics,2014,79(3):65–74.

    Unsupervised noise suppression method for depth network seismic data based on prior information constraint

    CHEN Wenchao1, LIU Dawei1, WEI Xinjian2, WANG Xiaokai1, CHEN Dewu2, LI Shuping2, LI Dong2

    (1. School of Information and Communication Engineering, Xi’an Jiaotong University, Xi’an 710049, China; 2. Research Institute of Petroleum Exploration&Development-Northwest(NWGI) PetroChina, Lanzhou 730020, China)

    Seismic data processing is a critical step in seismic exploration. Due to the complexity of underground structure and surface conditions, seismic data processing needs to go through a series of complex processes, thus forming various types of seismic data. Different types of seismic data have different data characteristics. Exploring and making full use of the data characteristics can not only give full play to the technical potential of processing methods, eliminate the influence of various non-geological factors on the quality of seismic data processing, but also enhance the reliability of seismic data processing. Improving the signal-to-noise ratio and resolution of seismic data plays a significant role in the exploration and development of complex reservoirs. The useful signal in pre-stack seismic imaging gathers(common-reflection-point gathers) is approximately horizontal, and the useful signal in post-stack seismic imaging data is regular and straightforward compared with random noise and arc-like imaging noise because of the regularity of stratum deposition. Therefore, the corresponding FK domain is focused on low-frequency energy due to the specific characteristics of multiscale self-similarity. According to the characteristics of the above seismic data, this paper proposes an unsupervised noise suppression method for deep network seismic data based on prior information constraints. Inspired by the deep image prior (DIP), the structure of the neural network can be regarded as a kind of particular implicit prior information. The reasonable design of network structure can improve the ability of multiscale self-similarity feature extraction. Because of the multiscale self-similarity of the useful signals of pre-stack seismic imaging gather data and post-stack seismic imaging data but noise without this characteristic, the network with specific structure can extract the useful signals from the original data, so as to achieve the goal of noise suppression. The application results of pre-stack imaging gathers and post-stack imaging data show that the proposed method has good fidelity and robustness. In addition, due to its strong feature extraction ability, the proposed method also has a good effect on arc-like imaging noise not easy to suppress by conventional methods.

    unsupervised learning; neural network; arc-like imaging noise; imaging gathers; multiscale similarity

    移動閱讀

    語音講解

    P631

    A

    1001-1986(2021)01-0249-08

    2021-01-11;

    2021-01-25

    國家自然科學基金面上項目(41774135,41974131);國家重點研發(fā)計劃課題(2017YFB0202902)

    陳文超,1970年生,男,陜西咸陽人,博士,教授,從事地震、探地雷達信號處理、解釋研究工作. E-mail:wencchen@xjtu.edu.cn

    陳文超,劉達偉,魏新建,等. 基于地震資料有效信息約束的深度網(wǎng)絡無監(jiān)督噪聲壓制方法[J]. 煤田地質(zhì)與勘探,2021,49(1):249–256. doi:10.3969/j.issn.1001-1986.2021.01.027

    CHEN Wenchao,LIU Dawei,WEI Xinjian,et al. Unsupervised noise suppression method for depth network seismic data based on prior information constraint[J]. Coal Geology & Exploration,2021,49(1):249–256. doi: 10.3969/j.issn. 1001-1986.2021.01.027

    (責任編輯 聶愛蘭)

    猜你喜歡
    壓制先驗噪聲
    噪聲可退化且依賴于狀態(tài)和分布的平均場博弈
    基于無噪圖像塊先驗的MRI低秩分解去噪算法研究
    一種新型無人機數(shù)據(jù)鏈抗壓制干擾技術(shù)的研究
    空射誘餌在防空壓制電子戰(zhàn)中的應用
    無人機(2018年1期)2018-07-05 09:51:02
    控制噪聲有妙法
    基于自適應塊組割先驗的噪聲圖像超分辨率重建
    自動化學報(2017年5期)2017-05-14 06:20:44
    一種舊物品擠壓成型機
    科技資訊(2016年12期)2016-05-30 05:07:58
    基于平滑先驗法的被動聲信號趨勢項消除
    先驗的廢話與功能的進路
    東南法學(2015年2期)2015-06-05 12:21:36
    對GPS接收機帶限高斯噪聲壓制干擾的干擾帶寬選擇分析
    久久国产精品人妻蜜桃| 亚洲国产精品sss在线观看| 丰满的人妻完整版| 哪里可以看免费的av片| 日韩欧美三级三区| 亚洲精华国产精华精| 欧美黄色淫秽网站| 黑人操中国人逼视频| 精品一区二区三区视频在线观看免费| 丰满的人妻完整版| 99久久无色码亚洲精品果冻| 熟女少妇亚洲综合色aaa.| 亚洲中文日韩欧美视频| 国产精品免费视频内射| 国产一区二区三区视频了| 国产免费av片在线观看野外av| 亚洲久久久国产精品| 成人三级黄色视频| 女性生殖器流出的白浆| 午夜激情福利司机影院| svipshipincom国产片| 好看av亚洲va欧美ⅴa在| 婷婷精品国产亚洲av| 色哟哟哟哟哟哟| 国产精品影院久久| 88av欧美| 日本免费a在线| 在线观看午夜福利视频| 首页视频小说图片口味搜索| 中文字幕精品免费在线观看视频| 12—13女人毛片做爰片一| 午夜免费观看网址| а√天堂www在线а√下载| 99riav亚洲国产免费| 久99久视频精品免费| xxx96com| 国产亚洲精品综合一区在线观看 | 又黄又爽又免费观看的视频| 精品一区二区三区视频在线观看免费| АⅤ资源中文在线天堂| 久久香蕉国产精品| 午夜激情福利司机影院| 亚洲人成网站高清观看| 久久婷婷成人综合色麻豆| 国产男靠女视频免费网站| 久久精品夜夜夜夜夜久久蜜豆 | 搞女人的毛片| 一进一出抽搐gif免费好疼| 国产在线观看jvid| 欧美日韩中文字幕国产精品一区二区三区| 午夜福利在线观看吧| 在线观看日韩欧美| 人人澡人人妻人| 亚洲自偷自拍图片 自拍| 熟女电影av网| 亚洲五月色婷婷综合| 国产高清激情床上av| 国产午夜精品久久久久久| 最近最新中文字幕大全免费视频| 国产极品粉嫩免费观看在线| 日本一区二区免费在线视频| 欧美久久黑人一区二区| 精品福利观看| 国产视频一区二区在线看| 午夜福利18| 国产成年人精品一区二区| 国内毛片毛片毛片毛片毛片| 欧美zozozo另类| 91麻豆av在线| 亚洲国产欧美网| 精品不卡国产一区二区三区| 成人三级黄色视频| 嫩草影院精品99| 免费搜索国产男女视频| 亚洲免费av在线视频| 午夜久久久久精精品| 欧美日本视频| 欧美一区二区精品小视频在线| 国产男靠女视频免费网站| 精品久久久久久久毛片微露脸| 一个人观看的视频www高清免费观看 | 日本三级黄在线观看| 日日摸夜夜添夜夜添小说| 亚洲 欧美一区二区三区| 男男h啪啪无遮挡| 一二三四在线观看免费中文在| 大型黄色视频在线免费观看| 搡老岳熟女国产| 在线天堂中文资源库| 久久久久久久精品吃奶| 可以免费在线观看a视频的电影网站| 人妻丰满熟妇av一区二区三区| 一区二区三区激情视频| 国产精品久久久久久精品电影 | 久久久精品国产亚洲av高清涩受| 香蕉久久夜色| 自线自在国产av| 亚洲精品久久成人aⅴ小说| 久久久久久国产a免费观看| www.www免费av| 在线av久久热| 亚洲国产欧美网| 妹子高潮喷水视频| 波多野结衣高清无吗| 国产精品av久久久久免费| 禁无遮挡网站| 在线播放国产精品三级| 婷婷亚洲欧美| 男人舔奶头视频| 91麻豆精品激情在线观看国产| 国产精品精品国产色婷婷| 国产精华一区二区三区| 国内久久婷婷六月综合欲色啪| 9191精品国产免费久久| 国产乱人伦免费视频| 1024香蕉在线观看| 亚洲精华国产精华精| 首页视频小说图片口味搜索| 香蕉久久夜色| 男人舔奶头视频| 男女床上黄色一级片免费看| 又大又爽又粗| 国产精品永久免费网站| 熟妇人妻久久中文字幕3abv| 免费看a级黄色片| 国产伦人伦偷精品视频| 成年免费大片在线观看| 老熟妇乱子伦视频在线观看| 在线观看一区二区三区| 亚洲七黄色美女视频| 精品一区二区三区四区五区乱码| 热re99久久国产66热| 黄网站色视频无遮挡免费观看| 精品久久久久久,| 亚洲av日韩精品久久久久久密| a在线观看视频网站| 99久久综合精品五月天人人| 又黄又粗又硬又大视频| 亚洲美女黄片视频| 叶爱在线成人免费视频播放| 禁无遮挡网站| 一本大道久久a久久精品| 国产午夜福利久久久久久| 一区福利在线观看| 国产精品久久久久久人妻精品电影| 免费在线观看成人毛片| 日日爽夜夜爽网站| 久久久久久九九精品二区国产 | 国产高清激情床上av| 欧美乱码精品一区二区三区| 99久久久亚洲精品蜜臀av| 老汉色av国产亚洲站长工具| 麻豆国产av国片精品| 欧美国产日韩亚洲一区| 国产精品1区2区在线观看.| 免费在线观看完整版高清| 69av精品久久久久久| 免费在线观看成人毛片| 国产伦一二天堂av在线观看| 国产精品综合久久久久久久免费| 亚洲av第一区精品v没综合| 午夜激情福利司机影院| 国产精品亚洲一级av第二区| 久久人妻福利社区极品人妻图片| 成人18禁高潮啪啪吃奶动态图| 12—13女人毛片做爰片一| 成在线人永久免费视频| 午夜久久久久精精品| 亚洲专区中文字幕在线| 欧美黑人巨大hd| 中文在线观看免费www的网站 | 一级黄色大片毛片| 国产一区二区三区在线臀色熟女| 国产又黄又爽又无遮挡在线| 2021天堂中文幕一二区在线观 | 每晚都被弄得嗷嗷叫到高潮| 久久亚洲真实| 久久久久久久久中文| 国产精品香港三级国产av潘金莲| 波多野结衣高清作品| 欧美黑人巨大hd| 午夜福利成人在线免费观看| 精品福利观看| 国产成人系列免费观看| 日本免费a在线| 免费在线观看黄色视频的| 国产在线精品亚洲第一网站| 国产精品99久久99久久久不卡| ponron亚洲| 天天躁夜夜躁狠狠躁躁| 久久精品影院6| 久久性视频一级片| 人妻丰满熟妇av一区二区三区| 亚洲电影在线观看av| 国产私拍福利视频在线观看| xxxwww97欧美| 女性被躁到高潮视频| 波多野结衣av一区二区av| 啦啦啦 在线观看视频| 19禁男女啪啪无遮挡网站| 夜夜夜夜夜久久久久| 午夜日韩欧美国产| 无遮挡黄片免费观看| 听说在线观看完整版免费高清| 国内精品久久久久久久电影| 欧美精品啪啪一区二区三区| 久久精品aⅴ一区二区三区四区| 十八禁网站免费在线| 男人的好看免费观看在线视频 | 欧美一级毛片孕妇| 国产伦在线观看视频一区| 18禁观看日本| 国内毛片毛片毛片毛片毛片| 精品久久蜜臀av无| 啦啦啦韩国在线观看视频| 夜夜看夜夜爽夜夜摸| 国产91精品成人一区二区三区| 日韩大码丰满熟妇| 淫妇啪啪啪对白视频| 在线观看免费视频日本深夜| 精品乱码久久久久久99久播| a级毛片在线看网站| 少妇的丰满在线观看| 欧美乱码精品一区二区三区| 亚洲第一av免费看| 欧美成狂野欧美在线观看| 精品国产乱子伦一区二区三区| 日本黄色视频三级网站网址| 天堂动漫精品| 别揉我奶头~嗯~啊~动态视频| 免费在线观看日本一区| 99久久久亚洲精品蜜臀av| av有码第一页| 黄色片一级片一级黄色片| 真人做人爱边吃奶动态| 国产精品久久久久久亚洲av鲁大| 中文字幕另类日韩欧美亚洲嫩草| 女警被强在线播放| 日本在线视频免费播放| 欧美 亚洲 国产 日韩一| 久久人人精品亚洲av| 制服丝袜大香蕉在线| 亚洲第一欧美日韩一区二区三区| 亚洲色图av天堂| 久久亚洲精品不卡| 午夜精品久久久久久毛片777| 国产精品电影一区二区三区| 欧美日本亚洲视频在线播放| 久久精品国产亚洲av高清一级| 亚洲男人的天堂狠狠| 亚洲欧美精品综合一区二区三区| 国产精品久久久人人做人人爽| 视频在线观看一区二区三区| 欧美最黄视频在线播放免费| 人人妻人人澡欧美一区二区| 两个人视频免费观看高清| 日韩欧美在线二视频| 又紧又爽又黄一区二区| a级毛片a级免费在线| 国产视频内射| 国产精品乱码一区二三区的特点| 丰满的人妻完整版| 黄色片一级片一级黄色片| 免费一级毛片在线播放高清视频| 男人舔女人的私密视频| 久久精品成人免费网站| 男男h啪啪无遮挡| 亚洲欧美日韩无卡精品| 国产精品久久久久久人妻精品电影| 精品久久蜜臀av无| 亚洲人成网站在线播放欧美日韩| 深夜精品福利| 国产真实乱freesex| 日本a在线网址| 国产精品爽爽va在线观看网站 | 天天躁夜夜躁狠狠躁躁| 国产亚洲精品久久久久久毛片| 搡老岳熟女国产| 99riav亚洲国产免费| 午夜精品久久久久久毛片777| 一级毛片精品| 亚洲 欧美一区二区三区| 精品一区二区三区视频在线观看免费| 一区二区三区高清视频在线| 免费在线观看完整版高清| 丝袜人妻中文字幕| 91麻豆av在线| 久久精品亚洲精品国产色婷小说| 一边摸一边做爽爽视频免费| 国产精品免费一区二区三区在线| 精品国产乱码久久久久久男人| 精品熟女少妇八av免费久了| 国产精品永久免费网站| 高潮久久久久久久久久久不卡| 超碰成人久久| 999久久久国产精品视频| 日韩欧美一区二区三区在线观看| 视频区欧美日本亚洲| 大型av网站在线播放| 美女 人体艺术 gogo| 日韩欧美国产在线观看| 99国产精品一区二区三区| 身体一侧抽搐| 国产精品免费一区二区三区在线| 免费女性裸体啪啪无遮挡网站| 国产欧美日韩精品亚洲av| 母亲3免费完整高清在线观看| 久久久精品国产亚洲av高清涩受| 久久热在线av| 国语自产精品视频在线第100页| 少妇粗大呻吟视频| 久久亚洲精品不卡| 国产精品 国内视频| 国内精品久久久久精免费| 此物有八面人人有两片| 亚洲欧美一区二区三区黑人| 九色国产91popny在线| 韩国精品一区二区三区| 精品免费久久久久久久清纯| 国产在线精品亚洲第一网站| 亚洲国产毛片av蜜桃av| 久久久久国内视频| 人人妻人人看人人澡| 欧美在线黄色| tocl精华| 好看av亚洲va欧美ⅴa在| 色综合亚洲欧美另类图片| bbb黄色大片| 激情在线观看视频在线高清| 99在线人妻在线中文字幕| 亚洲免费av在线视频| 国产视频一区二区在线看| 日韩三级视频一区二区三区| 久久精品国产99精品国产亚洲性色| 国产乱人伦免费视频| 亚洲精品粉嫩美女一区| 亚洲精品国产一区二区精华液| 丝袜在线中文字幕| 欧美日韩亚洲综合一区二区三区_| www.精华液| 亚洲精品一卡2卡三卡4卡5卡| 天堂√8在线中文| www.www免费av| 91在线观看av| 在线免费观看的www视频| 99热6这里只有精品| 国产精品乱码一区二三区的特点| 日韩三级视频一区二区三区| www.精华液| 日本免费一区二区三区高清不卡| 一夜夜www| 精品第一国产精品| 美女午夜性视频免费| 亚洲一卡2卡3卡4卡5卡精品中文| 熟妇人妻久久中文字幕3abv| 19禁男女啪啪无遮挡网站| 一卡2卡三卡四卡精品乱码亚洲| 不卡一级毛片| 欧美人与性动交α欧美精品济南到| 999久久久精品免费观看国产| 久热爱精品视频在线9| 深夜精品福利| 成人欧美大片| videosex国产| 色综合婷婷激情| 露出奶头的视频| 99国产精品99久久久久| 成人亚洲精品一区在线观看| 久久久久免费精品人妻一区二区 | 夜夜夜夜夜久久久久| 国产精品久久久久久亚洲av鲁大| av片东京热男人的天堂| 午夜福利18| 久久久国产成人精品二区| 免费看a级黄色片| 国产97色在线日韩免费| 美女午夜性视频免费| 国产亚洲欧美精品永久| 男女做爰动态图高潮gif福利片| 亚洲国产精品久久男人天堂| 国产精品免费一区二区三区在线| 中文字幕久久专区| 99在线人妻在线中文字幕| 99精品在免费线老司机午夜| 国产亚洲欧美在线一区二区| 欧美乱码精品一区二区三区| 久久精品国产亚洲av高清一级| 女性被躁到高潮视频| 国产精品久久久久久人妻精品电影| 国产乱人伦免费视频| 国产精品久久视频播放| 国产午夜福利久久久久久| 亚洲色图 男人天堂 中文字幕| 成人av一区二区三区在线看| 非洲黑人性xxxx精品又粗又长| 人人妻,人人澡人人爽秒播| 桃色一区二区三区在线观看| 亚洲国产精品999在线| 色综合欧美亚洲国产小说| 啦啦啦免费观看视频1| 99热这里只有精品一区 | 中文亚洲av片在线观看爽| 在线观看午夜福利视频| 丝袜在线中文字幕| 在线看三级毛片| 天天躁狠狠躁夜夜躁狠狠躁| 色av中文字幕| 国产精品,欧美在线| 两个人看的免费小视频| 国产亚洲欧美在线一区二区| 亚洲专区字幕在线| 亚洲五月天丁香| 日韩中文字幕欧美一区二区| 麻豆成人午夜福利视频| 天天躁夜夜躁狠狠躁躁| 亚洲精品久久国产高清桃花| 国产激情偷乱视频一区二区| 亚洲精品久久成人aⅴ小说| 很黄的视频免费| 国产精品一区二区精品视频观看| 波多野结衣高清作品| 亚洲男人的天堂狠狠| 久久国产乱子伦精品免费另类| 一级作爱视频免费观看| 亚洲精品一卡2卡三卡4卡5卡| 少妇裸体淫交视频免费看高清 | 麻豆av在线久日| netflix在线观看网站| 1024香蕉在线观看| 欧美中文日本在线观看视频| 丝袜在线中文字幕| a级毛片在线看网站| av电影中文网址| 亚洲熟妇熟女久久| 国产久久久一区二区三区| av天堂在线播放| 制服诱惑二区| 婷婷精品国产亚洲av| 免费女性裸体啪啪无遮挡网站| 人人澡人人妻人| 亚洲成av片中文字幕在线观看| 久久国产亚洲av麻豆专区| 黑丝袜美女国产一区| 亚洲国产精品合色在线| 色婷婷久久久亚洲欧美| cao死你这个sao货| 亚洲中文字幕一区二区三区有码在线看 | 在线永久观看黄色视频| 50天的宝宝边吃奶边哭怎么回事| 色综合站精品国产| 搞女人的毛片| 十八禁人妻一区二区| 日本黄色视频三级网站网址| 国产成人一区二区三区免费视频网站| 天天躁狠狠躁夜夜躁狠狠躁| 色尼玛亚洲综合影院| 亚洲熟妇中文字幕五十中出| 久久久久免费精品人妻一区二区 | 国产亚洲精品av在线| 亚洲九九香蕉| 国产乱人伦免费视频| 两性夫妻黄色片| 神马国产精品三级电影在线观看 | 免费无遮挡裸体视频| 禁无遮挡网站| 精品人妻1区二区| 欧美另类亚洲清纯唯美| 亚洲精品美女久久久久99蜜臀| 亚洲av成人一区二区三| 69av精品久久久久久| 精品国产亚洲在线| 亚洲成a人片在线一区二区| 亚洲片人在线观看| 脱女人内裤的视频| 搡老妇女老女人老熟妇| 黄网站色视频无遮挡免费观看| 国产国语露脸激情在线看| 日本五十路高清| 法律面前人人平等表现在哪些方面| 亚洲,欧美精品.| 在线国产一区二区在线| 久久亚洲真实| 日韩免费av在线播放| 久久久久国产一级毛片高清牌| 午夜福利一区二区在线看| 我的亚洲天堂| 俄罗斯特黄特色一大片| 在线观看免费视频日本深夜| 非洲黑人性xxxx精品又粗又长| 18禁观看日本| 91麻豆av在线| 亚洲av成人av| 久久精品亚洲精品国产色婷小说| 18禁裸乳无遮挡免费网站照片 | 桃红色精品国产亚洲av| 亚洲真实伦在线观看| 欧美一级毛片孕妇| www.999成人在线观看| 99国产精品99久久久久| 国产一区二区激情短视频| 欧美日韩瑟瑟在线播放| 俺也久久电影网| 国产成人欧美| 性欧美人与动物交配| 亚洲成人国产一区在线观看| 亚洲中文日韩欧美视频| cao死你这个sao货| ponron亚洲| 成熟少妇高潮喷水视频| 亚洲精品色激情综合| 女人爽到高潮嗷嗷叫在线视频| 中国美女看黄片| www.自偷自拍.com| 亚洲国产中文字幕在线视频| 亚洲精品美女久久av网站| 不卡av一区二区三区| 嫁个100分男人电影在线观看| 成人国产一区最新在线观看| 欧美另类亚洲清纯唯美| 国产精品九九99| 欧美国产精品va在线观看不卡| 成年人黄色毛片网站| 日韩成人在线观看一区二区三区| 人人澡人人妻人| 欧美日韩乱码在线| 成人特级黄色片久久久久久久| 亚洲成a人片在线一区二区| 午夜福利一区二区在线看| 成人精品一区二区免费| 午夜福利在线观看吧| 日韩欧美国产一区二区入口| 法律面前人人平等表现在哪些方面| 亚洲精品国产精品久久久不卡| 日韩国内少妇激情av| 国产av又大| 男女午夜视频在线观看| 男女那种视频在线观看| 搡老妇女老女人老熟妇| 悠悠久久av| 国产v大片淫在线免费观看| 久久久久久久久久黄片| 搡老熟女国产l中国老女人| 桃红色精品国产亚洲av| 国产三级在线视频| 人人澡人人妻人| 51午夜福利影视在线观看| 久久婷婷成人综合色麻豆| 可以免费在线观看a视频的电影网站| 黄片小视频在线播放| 搡老熟女国产l中国老女人| 禁无遮挡网站| 亚洲欧美日韩无卡精品| xxx96com| 日日干狠狠操夜夜爽| 久久久久久人人人人人| 精品久久久久久成人av| 国产三级黄色录像| 亚洲国产日韩欧美精品在线观看 | 亚洲一区二区三区色噜噜| 桃色一区二区三区在线观看| 欧美黑人欧美精品刺激| 欧美日韩瑟瑟在线播放| 女警被强在线播放| 精品国产美女av久久久久小说| 精品卡一卡二卡四卡免费| 免费看十八禁软件| 无遮挡黄片免费观看| 人妻丰满熟妇av一区二区三区| 久久久久久久精品吃奶| 男人舔奶头视频| 最近最新中文字幕大全电影3 | 午夜日韩欧美国产| 桃红色精品国产亚洲av| 啦啦啦免费观看视频1| 国产1区2区3区精品| 久久久久国内视频| 亚洲国产精品sss在线观看| 精品国内亚洲2022精品成人| 69av精品久久久久久| 男人舔奶头视频| 久久热在线av| 亚洲av熟女| 亚洲专区中文字幕在线| 午夜久久久久精精品| 精品免费久久久久久久清纯| 久久久久久九九精品二区国产 | 亚洲 欧美 日韩 在线 免费| 亚洲成国产人片在线观看| 在线天堂中文资源库| 国产精品1区2区在线观看.| 桃色一区二区三区在线观看| 亚洲av成人av| 一二三四在线观看免费中文在| 十分钟在线观看高清视频www| 男女床上黄色一级片免费看| 白带黄色成豆腐渣| av片东京热男人的天堂| 天堂√8在线中文| 久热爱精品视频在线9| 亚洲成国产人片在线观看| 女生性感内裤真人,穿戴方法视频| 女同久久另类99精品国产91| www国产在线视频色| 国产亚洲欧美在线一区二区| 亚洲人成网站在线播放欧美日韩| 久久久久国产一级毛片高清牌| 色综合站精品国产| 在线观看www视频免费| 性欧美人与动物交配| 哪里可以看免费的av片| 精品不卡国产一区二区三区| 99久久综合精品五月天人人| 90打野战视频偷拍视频| 亚洲精品国产区一区二| 亚洲第一电影网av|