• <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 ?

    基于改進1DCNN 的煤巖識別模型研究

    2023-02-21 08:05:22尹玉璽周常飛許志鵬史春祥胡文淵
    工礦自動化 2023年1期
    關(guān)鍵詞:煤巖余弦集上

    尹玉璽,周常飛,許志鵬,史春祥,胡文淵

    (1.煤炭科學研究總院,北京 100013;2.天地上海采掘裝備科技有限公司,上海 201400)

    0 引言

    在煤炭開采過程中,常因煤巖突變導致開采難度增大、采掘機械故障率增高及開采質(zhì)量下降等問題[1]。傳統(tǒng)人工采煤方式很難準確識別煤巖界面,極易造成煤層欠割和過割現(xiàn)象。隨著煤礦智能化建設(shè)的加速推進,煤巖高效識別已成為煤炭智能化開采亟待解決的技術(shù)難題。

    目前國內(nèi)外學者對煤巖識別方法進行了廣泛研究。王增才等[2]根據(jù)頂板巖層中自然γ 射線穿過剩留煤層后的輻射衰減特性進行煤層厚度檢測。王昕等[3]采用探地雷達法進行煤巖界面探測。張強等[4]采用紅外熱像技術(shù),在單光源下對全煤、全巖和煤巖混合3 種煤巖試件開展煤巖界面識別研究。以上煤巖識別方法易受煤礦地質(zhì)條件和采煤工藝限制,難以實際應(yīng)用。近年來,光譜技術(shù)被逐漸用于煤巖識別研究。苗曙光等[5]通過太赫茲光譜儀獲取煤巖樣品太赫茲光譜,分析得到不同種類煤巖折射率和吸收系數(shù)的差異性,并以此進行煤巖識別。楊恩等[6]通過搭建煤壁煤巖界面臺架,研究了基于近紅外反射光譜技術(shù)的煤巖界面分布感知技術(shù)。目前,實驗室條件下已證明利用光譜技術(shù)可識別煤巖分界的波譜變化,但實際應(yīng)用時還需進一步研發(fā)高可靠性儀器,并進行井下試驗驗證?;趫D像的識別技術(shù)是解決煤巖識別問題的另一個重要研究方向,如孫傳猛等[7]通過煤巖圖像特征描述子結(jié)合改進YOLOv3 算法,有效提升了煤巖界面識別的精度和效率,但由于煤礦地質(zhì)條件和井下工作環(huán)境復雜,高質(zhì)量煤巖圖像通常難以實時采集,實際應(yīng)用較困難[8]。

    相比于紅外熱像、圖像信號等,煤炭開采過程中的采掘機械振動信號是一種相對穩(wěn)定且可靠的信息來源[9],因此被應(yīng)用于煤巖識別中。趙麗娟等[10]利用采煤機滾筒及搖臂振動特性開發(fā)了基于模糊控制的煤巖截割狀態(tài)識別系統(tǒng)。張啟志等[11]提出了基于振動信號倒譜距離分析的采煤機煤巖截割狀態(tài)識別方法。以往研究中多采用信號處理方法人工提取采煤機不同煤巖截割狀態(tài)下的振動信號特征,然后再進行煤巖識別,但目前各種信號處理方法都有其自身缺點,且信號處理流程較繁瑣。以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學習模型具有強大的特征提取和抗噪能力,可自行對信號有用特征進行提取[12]。鑒此,本文提出一種基于改進一維卷積神經(jīng)網(wǎng)絡(luò)(1-Dimensional Convolutional Neural Network,1DCNN)的煤巖識別模型,采用改進1DCNN 模型直接對采煤機截割振動信號進行處理與識別,實現(xiàn)端到端的煤巖截割狀態(tài)高效精準識別。

    1 煤巖識別模型構(gòu)建

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)常由卷積層、池化層及全連接層等組成。卷積層用于提取特征,某些卷積層只能提取低級特征,較多層的網(wǎng)絡(luò)能從低級特征中迭代提取更復雜的特征;池化層主要對卷積層學習到的特征進行亞采樣處理;全連接層則對提取到的特征進行分類或回歸處理。由于卷積神經(jīng)網(wǎng)絡(luò)具有權(quán)值共享、平移不變和尺度不變的特性,相比于其他深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其所需考量的參數(shù)更少,模型訓練速度更快,因而具有一定優(yōu)勢。

    1.2 改進1DCNN 模型

    煤巖截割數(shù)據(jù)為一維振動數(shù)據(jù),本文設(shè)計一種改進1DCNN 模型,對采煤機的煤巖截割狀態(tài)進行識別。相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型,改進1DCNN 模型使用了多個連續(xù)卷積層,以提取信號特征;采用全局均值池化(Global Average Pool,GAP)層代替全連接層,以大幅降低模型參數(shù)訓練量;同時引入帶有熱啟動的余弦退火衰減方法優(yōu)化學習率,以避免模型訓練陷入局部極小值區(qū)域,提升訓練質(zhì)量。

    改進1DCNN 模型包括輸入層、隱含層、輸出層3 個部分,如圖1 所示。隱含層包括首尾2 個卷積層和2 個池化層、中間3 個連續(xù)卷積層及最后與輸出層相連的GAP 層。卷積1(1×3s1-64ReLu)為第1 個卷積層,其中包含卷積核大小為1×3、步長為1、通道數(shù)為64 的一維卷積層和Relu 激活函數(shù)層;最大池化1(1×2s2)表示池化區(qū)域大小為2、步長為2 的最大池化層;輸出(2-softmax)為用于二分類的分類層,使用softmax 激活函數(shù)。隨著不同煤巖截割狀態(tài)一維振動信號的輸入,網(wǎng)絡(luò)自動提取振動信號的深層次特征,最終由輸出層完成煤巖截割狀態(tài)的識別。

    圖1 改進1DCNN 模型結(jié)構(gòu)Fig.1 Structure of improved 1-dimensional convolutional neural network model

    1.2.1 GAP 層

    一般情況下,卷積神經(jīng)網(wǎng)絡(luò)最后通過全連接層與softmax 分類器相連實現(xiàn)分類任務(wù),但這樣的方式會導致神經(jīng)元數(shù)量和計算量在全連接層暴增,同時極易產(chǎn)生過擬合現(xiàn)象。GAP 層可以避免全連接層的處理,直接通過GAP+softmax 進行分類,更適用于卷積層最后的處理,同時不會產(chǎn)生額外的參數(shù)[13],其輸出為

    采用全連接層處理方式時需要1 385 955 個訓練參數(shù),而本文所提改進1DCNN 模型只需371 458 個訓練參數(shù),參數(shù)量大幅減少,從而提高了模型訓練速度,此外還可部分保留輸入數(shù)據(jù)的空間結(jié)構(gòu)信息,提高模型泛化能力。

    1.2.2 學習率優(yōu)化算法

    學習率是神經(jīng)網(wǎng)絡(luò)最重要的超參數(shù)之一,其控制網(wǎng)絡(luò)優(yōu)化過程中的步長參數(shù)更新,學習率過小會導致模型收斂緩慢,學習率過大會阻礙模型收斂,甚至導致模型發(fā)散。常用的學習率衰減方法包括以固定步長衰減和多步長衰減為代表的分段學習率衰減方法,以及以指數(shù)衰減和余弦退火衰減為代表的平滑學習率衰減方法。分段學習率衰減方法需根據(jù)實驗預先定義學習率衰減計劃表,具有一定的不確定性。相比于指數(shù)衰減方法,余弦退火衰減方法允許更大的初始學習率,收斂更快,并可提高模型泛化能力[14]。

    為使模型在訓練初期感知全局參數(shù)分布,然后逐漸完善參數(shù)空間建模,本文采用線性熱啟動與余弦退火相結(jié)合的學習率衰減策略,線性熱啟動策略可在模型訓練前期維持較小學習率,引導模型感知全局參數(shù)分布,解決余弦退火策略在模型訓練初期因參數(shù)更新劇烈變化而引起的模型訓練不穩(wěn)定及權(quán)重參數(shù)劇烈波動問題。

    整體優(yōu)化過程中,前期使用極小學習率進行學習率預熱,然后以預定的迭代次數(shù)將學習率提升至預定的最大值(即余弦退火階段基礎(chǔ)學習率),再采用余弦退火策略進行學習率更新。余弦退火衰減公式為

    式中:ηt為余弦退火階段第t輪迭代后的學習率與余弦退火階段基礎(chǔ)學習率的比值;T為余弦退火階段總迭代輪次。

    2 實驗數(shù)據(jù)采集與預處理

    2.1 數(shù)據(jù)采集

    本文數(shù)據(jù)采集于陜西某煤礦采煤工作面,該工作面長330 m,使用MG650/1590-WD 型電牽引采煤機。煤層平均厚度為2.58 m,局部夾矸,煤層堅固性系數(shù)f1≤3;頂部為粉砂巖,巖層堅固性系數(shù)為f2(5≤f2≤7);底部為泥巖,巖層堅固性系數(shù)為f3(3≤f3≤6)。采煤現(xiàn)場有大量掉落的片狀巖石,割巖現(xiàn)象嚴重。

    實驗采用磁吸式無線振動傳感器,采樣頻率為10 kHz,布置于采煤機右搖臂5 軸處,井下數(shù)據(jù)采集現(xiàn)場如圖2 所示。實驗模擬了采煤機滾筒割煤和割巖2 種工作條件,采集每種條件下的振動信號。

    圖2 井下數(shù)據(jù)采集現(xiàn)場Fig.2 Underground data acquisition site

    2.2 數(shù)據(jù)預處理

    割煤狀態(tài)下共采集到353 404 個數(shù)據(jù)點,割巖狀態(tài)下共采集到1 048 576 個數(shù)據(jù)點。由于原始樣本分類不均衡,為保障樣本均衡性,同時充分利用數(shù)據(jù),采用自適應(yīng)下采樣方法分別選取每種狀態(tài)下的353 400 個數(shù)據(jù)點,組成新的數(shù)據(jù)集[15],并以32∶3.34的比例劃分訓練集和測試集。為了增強數(shù)據(jù),使用滑窗法構(gòu)造樣本[16],單個樣本取為400 個數(shù)據(jù)點,滑窗步長設(shè)置為50?;胺?gòu)造的煤巖信號樣本如圖3 所示。

    圖3 滑窗法構(gòu)造的煤巖信號樣本Fig.3 Coal and rock signal samples constructed by sliding window method

    使用滑窗法共獲得12 784 個訓練樣本和1 320 個測試樣本。不同截割狀態(tài)的訓練樣本和測試樣本數(shù)量分別為6 392,660。預處理后樣本數(shù)據(jù)集信息見表1。

    表1 樣本數(shù)據(jù)集信息Table 1 Sample dataset information

    3 模型訓練與驗證

    3.1 實驗平臺與參數(shù)

    采用Python 編程語言在Tensorflow 深度學習框架下搭建改進1DCNN 模型。引入Adam 優(yōu)化算法,并用余弦退火策略自適應(yīng)調(diào)節(jié)學習率,設(shè)置預熱階段學習率為0.000 004,退火階段基礎(chǔ)學習率為0.01,Dropout 隨機失活率為0.5,批處理大小為256,對改進1DCNN 模型進行25 輪訓練。實驗平臺計算機配置:CPU 為英特爾core i5-8300H,GPU 為NVIDIA GeForce GTX1050Ti(4 GB),內(nèi)存為48 GB。改進1DCNN 模型結(jié)構(gòu)見表2,其中(400,1)表示輸出信號為400×1 矩陣。改進1DCNN 模型總參數(shù)量為371 458個,其中參加訓練參數(shù)量為370 818 個,未參加訓練參數(shù)量為640 個。

    表2 改進1DCNN 模型結(jié)構(gòu)Table 2 Structure of improved 1-dimensional convolutional neural network model

    3.2 模型訓練過程可視化分析

    為直觀描述改進1DCNN 模型對煤巖截割振動數(shù)據(jù)的特征提取過程和分類能力,采用t-分布隨機近鄰嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)流形學習算法對模型的特征學習過程進行可視化分析。t-SNE 是一種嵌入算法,將數(shù)據(jù)點間的相似度轉(zhuǎn)換為條件概率,原始空間中數(shù)據(jù)點的相似度由高斯聯(lián)合分布表示,嵌入空間中數(shù)據(jù)點的相似度由t 分布表示,通過原始空間與嵌入空間聯(lián)合概率分布的KL 散度來評判嵌入效果的好壞,常用于高維數(shù)據(jù)的降維和可視化[17]。將訓練樣本原始數(shù)據(jù)特征及經(jīng)過改進1DCNN 模型中Conv1 層、Conv4 層、Conv6 層、Conv9 層和輸出層訓練好的輸出數(shù)據(jù)特征投影至二維空間,進行可視化分析。訓練集在各網(wǎng)絡(luò)層的特征學習效果如圖4 所示,圖中綠色的“0”和藍色的“1”分別表示割煤和割巖2 種截割狀態(tài)。

    圖4 訓練集在各網(wǎng)絡(luò)層的特征學習效果Fig.4 Feature learning effect of training set at each network layer

    由圖4(a)可看出,原始數(shù)據(jù)經(jīng)t-SNE 降至2 維后分布散亂無章,同一類型特征并不聚類。后續(xù)各層輸出數(shù)據(jù)特征可視化效果明顯呈現(xiàn)同類特征向同一區(qū)域聚集的趨勢,且輸出層輸出的數(shù)據(jù)已實現(xiàn)聚類。這表明改進1DCNN 模型通過逐層特征學習,很好地實現(xiàn)了對煤巖截割狀態(tài)的識別。

    3.3 模型訓練與測試結(jié)果分析

    改進1DCNN 模型在訓練集與測試集上的準確率曲線如圖5 所示。在測試集上的混淆矩陣如圖6所示,其中標簽“0”代表割煤狀態(tài),標簽“1”代表割巖狀態(tài)。

    圖5 改進1DCNN 模型在訓練集與測試集上的準確率曲線Fig.5 Accuracy curves of improved 1-dimensional convolutional neural network model on training set and test set

    圖6 改進1DCNN 模型在測試集上的混淆矩陣Fig.6 The confusion matrix of improved 1-dimensional convolutional neural network model on test set

    由圖5 和圖6 可看出,改進1DCNN 模型在訓練集和測試集上均取得很好的結(jié)果,在訓練集上的準確率為99.91%,在測試集上的準確率為99.32%。這表明改進1DCNN 模型可直接用于采煤機截割原始振動信號分類,并能夠有效地識別出煤巖截割狀態(tài)。但同時模型也出現(xiàn)了少量樣本預測錯誤的情況:一方面可能是因為煤巖截割是一個漸變的過程,且樣本長度較短,導致較難識別的情況,可以通過增加網(wǎng)絡(luò)深度并提取數(shù)據(jù)深層次特征加以解決,但經(jīng)過多次模型訓練實驗,始終存在少量錯誤情況;另一方面也可能是由于原始信號受到井下環(huán)境干擾及隨機性落煤落巖激勵,信號噪聲較大,以至難以識別。

    3.4 模型對比實驗

    為驗證改進1DCNN 模型的優(yōu)勢,在相同訓練集和測試集上,與K-近鄰(K-Nearest Neighbor,KNN)、隨機森林(Random Forest,RF)、支持向量機(Support Vector Machines,SVM)、集成學習XGBoost 及未改進的一維卷積神經(jīng)網(wǎng)絡(luò)(Raw 1-Dimensional Convolutional Neural Network,R1DCNN)5 種模型進行性能對比驗證。KNN 中近鄰數(shù)設(shè)置為9;RF 中森林數(shù)目初始參數(shù)設(shè)置為 [120,200,300,500,800,1 200],樹最大深度初始參數(shù)設(shè)置為[5,8,15,25,30],使用GridSearchCV 網(wǎng)格搜索進行超參調(diào)優(yōu)。由于煤巖截割振動數(shù)據(jù)線性不可分,SVM 算法的kernel 參數(shù)采用徑向基核函數(shù),并采用交叉驗證進行超參調(diào)優(yōu)。此外,隨機在測試集中選取400 個樣本作為新的測試樣本,每種模型均重復5 次實驗,以消除隨機誤差影響,實驗結(jié)果見表3。

    表3 模型對比實驗結(jié)果Table 3 Model comparison experiment results %

    由表3 可看出,KNN,SVM,XGBoost,R1DCNN及改進1DCNN 模型的煤巖截割狀態(tài)識別準確率均達90%以上,而RF 模型表現(xiàn)不佳。相對于傳統(tǒng)機器學習和集成學習模型,深度學習模型的識別精度和穩(wěn)定性均具有明顯優(yōu)勢;與R1DCNN 模型相比,改進1DCNN 模型在處理一維輸入數(shù)據(jù)時特征提取能力更強,平均準確率提高了0.59%,此外也大大節(jié)約了計算成本,提高了模型識別速度。實驗結(jié)果表明,改進1DCNN 模型可有效提高煤巖識別精度和速度。

    4 結(jié)論

    (1)改進1DCNN 模型無需預先對輸入信號進行頻譜分析,可直接從一維煤巖截割振動信號中提取深層次特征,實現(xiàn)對采煤機煤巖截割狀態(tài)的穩(wěn)定識別。

    (2)改進1DCNN 模型使用多個連續(xù)卷積層提取一維振動信號特征,通過GAP 層代替全連接層,大幅減少了參數(shù)數(shù)量,從而提高了模型訓練速度;采用線性熱啟動與余弦退火相結(jié)合的學習率衰減策略,解決了余弦退火策略在模型訓練初期因參數(shù)更新劇烈變化而引起的模型訓練不穩(wěn)定及權(quán)重參數(shù)劇烈波動問題。

    (3)采用t-SNE 流形學習算法對模型的特征學習過程進行可視化分析,結(jié)果表明,改進1DCNN 模型通過逐層特征學習,很好地實現(xiàn)了對煤巖截割狀態(tài)的識別。改進1DCNN 模型在訓練集上的準確率為99.91%,在測試集上的準確率為99.32%,可直接用于采煤機截割原始振動信號分類,并能夠有效識別煤巖截割狀態(tài)。與傳統(tǒng)機器學習、集成學習及未改進的1DCNN 模型相比,改進1DCNN 模型具有明顯優(yōu)勢,可在減少計算成本的同時提高識別率,平均識別準確率達99.56%。

    猜你喜歡
    煤巖余弦集上
    煤巖顯微組分分選研究進展
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    復扇形指標集上的分布混沌
    兩個含余弦函數(shù)的三角母不等式及其推論
    分數(shù)階余弦變換的卷積定理
    圖像壓縮感知在分數(shù)階Fourier域、分數(shù)階余弦域的性能比較
    半煤巖巷金屬支架錨桿聯(lián)合支護在白源礦應(yīng)用
    綜掘機在大坡度半煤巖巷中的應(yīng)用
    基于測井響應(yīng)評價煤巖結(jié)構(gòu)特征
    中國煤層氣(2015年4期)2015-08-22 03:28:01
    久久免费观看电影| 成人18禁高潮啪啪吃奶动态图| 成人毛片60女人毛片免费| 久久亚洲国产成人精品v| 欧美3d第一页| 免费日韩欧美在线观看| 狠狠婷婷综合久久久久久88av| 高清视频免费观看一区二区| 青春草视频在线免费观看| 少妇熟女欧美另类| 成人18禁高潮啪啪吃奶动态图| 最新中文字幕久久久久| 天堂中文最新版在线下载| 夜夜爽夜夜爽视频| 丰满饥渴人妻一区二区三| 免费观看无遮挡的男女| 一区二区av电影网| freevideosex欧美| 中文天堂在线官网| 人人妻人人澡人人爽人人夜夜| 久久久a久久爽久久v久久| 亚洲国产欧美日韩在线播放| 大片免费播放器 马上看| 9色porny在线观看| 777米奇影视久久| 26uuu在线亚洲综合色| 一级,二级,三级黄色视频| 久久久精品免费免费高清| 久久精品熟女亚洲av麻豆精品| tube8黄色片| 亚洲五月色婷婷综合| 一区二区三区乱码不卡18| 欧美精品av麻豆av| 亚洲精品国产色婷婷电影| 亚洲av中文av极速乱| 久久国产精品大桥未久av| 免费黄网站久久成人精品| 三级国产精品片| 最近手机中文字幕大全| 精品第一国产精品| 中文精品一卡2卡3卡4更新| 亚洲精品乱码久久久久久按摩| 高清视频免费观看一区二区| 九九爱精品视频在线观看| 国产爽快片一区二区三区| 天堂俺去俺来也www色官网| 狂野欧美激情性bbbbbb| 久久精品国产综合久久久 | 精品少妇久久久久久888优播| 欧美少妇被猛烈插入视频| 欧美变态另类bdsm刘玥| 美女主播在线视频| 国产熟女欧美一区二区| 国产精品一区二区在线观看99| 亚洲,欧美,日韩| 捣出白浆h1v1| 久久婷婷青草| 久久久久久人妻| 国产乱来视频区| 丝袜脚勾引网站| a 毛片基地| 下体分泌物呈黄色| 午夜免费鲁丝| 色吧在线观看| 成人国产麻豆网| 国产 一区精品| 精品人妻偷拍中文字幕| 天堂中文最新版在线下载| 香蕉丝袜av| 大香蕉久久网| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 一级a做视频免费观看| 精品午夜福利在线看| 搡女人真爽免费视频火全软件| 日韩av在线免费看完整版不卡| 成人毛片a级毛片在线播放| 男女啪啪激烈高潮av片| 天天躁夜夜躁狠狠久久av| 国产福利在线免费观看视频| 久久99一区二区三区| 国产一区二区激情短视频 | 最新中文字幕久久久久| av片东京热男人的天堂| 一区二区av电影网| av福利片在线| 国产极品粉嫩免费观看在线| 亚洲精品日韩在线中文字幕| 国产av码专区亚洲av| 黄色配什么色好看| 岛国毛片在线播放| 黄色一级大片看看| 午夜福利,免费看| 欧美激情极品国产一区二区三区 | 久久影院123| 久久鲁丝午夜福利片| 男人爽女人下面视频在线观看| 精品久久久精品久久久| 国语对白做爰xxxⅹ性视频网站| 老司机亚洲免费影院| 精品一区在线观看国产| 国产精品无大码| 五月伊人婷婷丁香| 又大又黄又爽视频免费| 国产一区二区三区av在线| 国产精品一国产av| 亚洲av.av天堂| 中文字幕最新亚洲高清| 亚洲欧洲精品一区二区精品久久久 | 国产又爽黄色视频| 国产免费又黄又爽又色| 久久婷婷青草| 国产精品人妻久久久久久| 欧美成人午夜免费资源| 精品一区二区三卡| 久久毛片免费看一区二区三区| www.av在线官网国产| 成年美女黄网站色视频大全免费| freevideosex欧美| 男女边摸边吃奶| 男女边摸边吃奶| 日本与韩国留学比较| 69精品国产乱码久久久| 国产一区二区三区av在线| 亚洲av男天堂| 爱豆传媒免费全集在线观看| 在线观看三级黄色| 亚洲,一卡二卡三卡| 日韩免费高清中文字幕av| 97人妻天天添夜夜摸| 性色av一级| 黑人巨大精品欧美一区二区蜜桃 | 久久免费观看电影| 亚洲天堂av无毛| 99热网站在线观看| 制服人妻中文乱码| av国产久精品久网站免费入址| a级毛色黄片| 在线 av 中文字幕| 一级黄片播放器| 飞空精品影院首页| 亚洲欧美日韩另类电影网站| 免费黄色在线免费观看| 晚上一个人看的免费电影| 成人二区视频| videos熟女内射| 国产日韩欧美在线精品| 久久精品国产鲁丝片午夜精品| 亚洲丝袜综合中文字幕| 赤兔流量卡办理| 尾随美女入室| 十八禁网站网址无遮挡| 亚洲国产日韩一区二区| 肉色欧美久久久久久久蜜桃| freevideosex欧美| 欧美bdsm另类| 十分钟在线观看高清视频www| 搡老乐熟女国产| 免费大片18禁| 黄色怎么调成土黄色| 美国免费a级毛片| 国产无遮挡羞羞视频在线观看| 在线亚洲精品国产二区图片欧美| 日韩制服丝袜自拍偷拍| 一个人免费看片子| 赤兔流量卡办理| 欧美人与善性xxx| 国产欧美亚洲国产| 精品熟女少妇av免费看| av在线观看视频网站免费| 亚洲熟女精品中文字幕| 少妇人妻 视频| 亚洲一级一片aⅴ在线观看| 大码成人一级视频| 桃花免费在线播放| 亚洲av中文av极速乱| 国产免费一级a男人的天堂| 中文字幕另类日韩欧美亚洲嫩草| 人体艺术视频欧美日本| 在线看a的网站| 国产精品成人在线| 美女国产视频在线观看| 校园人妻丝袜中文字幕| 亚洲国产最新在线播放| 韩国高清视频一区二区三区| 97在线人人人人妻| 99国产精品免费福利视频| 免费观看av网站的网址| 一级,二级,三级黄色视频| a级毛片在线看网站| 欧美日韩精品成人综合77777| 最近最新中文字幕免费大全7| 精品第一国产精品| 亚洲欧美中文字幕日韩二区| 在线亚洲精品国产二区图片欧美| 国产又色又爽无遮挡免| 一级毛片黄色毛片免费观看视频| 免费播放大片免费观看视频在线观看| 久久久国产一区二区| 人人澡人人妻人| 亚洲av免费高清在线观看| 亚洲精品第二区| av在线app专区| 久久久久国产网址| 考比视频在线观看| 亚洲性久久影院| 最近最新中文字幕大全免费视频 | 国产免费一级a男人的天堂| 中文字幕人妻熟女乱码| 搡老乐熟女国产| 精品久久久精品久久久| 欧美丝袜亚洲另类| 男女午夜视频在线观看 | 高清av免费在线| 亚洲欧美日韩卡通动漫| 欧美成人午夜精品| 欧美精品高潮呻吟av久久| 伦理电影大哥的女人| 亚洲精品,欧美精品| 国产精品免费大片| 日日摸夜夜添夜夜爱| 蜜桃国产av成人99| 国产xxxxx性猛交| 人妻一区二区av| 欧美精品一区二区大全| 18禁裸乳无遮挡动漫免费视频| 午夜免费鲁丝| 热re99久久精品国产66热6| 赤兔流量卡办理| 国产成人一区二区在线| 高清黄色对白视频在线免费看| 最近最新中文字幕免费大全7| 天堂8中文在线网| 秋霞在线观看毛片| 夜夜爽夜夜爽视频| 你懂的网址亚洲精品在线观看| 国产精品国产三级国产av玫瑰| 国产精品久久久久久av不卡| 亚洲精品第二区| 国产av一区二区精品久久| 满18在线观看网站| 成人国语在线视频| 免费观看性生交大片5| 欧美亚洲日本最大视频资源| 深夜精品福利| 一区在线观看完整版| 青春草亚洲视频在线观看| 精品一区二区三区视频在线| 飞空精品影院首页| 一区二区日韩欧美中文字幕 | 婷婷色麻豆天堂久久| 九色成人免费人妻av| 大片免费播放器 马上看| 久久人人97超碰香蕉20202| 国产探花极品一区二区| 国产成人精品无人区| 成人国产麻豆网| 国产av国产精品国产| 最近2019中文字幕mv第一页| 国产免费又黄又爽又色| 久久人妻熟女aⅴ| 国产极品粉嫩免费观看在线| 久久人人爽av亚洲精品天堂| 免费日韩欧美在线观看| 亚洲av在线观看美女高潮| 成人午夜精彩视频在线观看| 亚洲欧美一区二区三区黑人 | 人成视频在线观看免费观看| 搡女人真爽免费视频火全软件| 久久精品久久精品一区二区三区| 蜜桃国产av成人99| 在线观看一区二区三区激情| 你懂的网址亚洲精品在线观看| 观看av在线不卡| 午夜福利在线观看免费完整高清在| 精品人妻熟女毛片av久久网站| 美女脱内裤让男人舔精品视频| 在线天堂中文资源库| a级毛片黄视频| 国产成人欧美| 欧美+日韩+精品| 超色免费av| 久久久久人妻精品一区果冻| 三级国产精品片| 亚洲欧美成人精品一区二区| 国产精品国产三级专区第一集| 搡老乐熟女国产| 天堂俺去俺来也www色官网| 亚洲欧美成人精品一区二区| 国产一区二区三区av在线| 日本av手机在线免费观看| 男人舔女人的私密视频| 性高湖久久久久久久久免费观看| 国产精品秋霞免费鲁丝片| 嫩草影院入口| 亚洲美女搞黄在线观看| 国产精品.久久久| 亚洲欧洲国产日韩| 日本爱情动作片www.在线观看| 香蕉精品网在线| 黄色一级大片看看| 最黄视频免费看| 久久久久久久精品精品| 精品99又大又爽又粗少妇毛片| 免费看光身美女| 亚洲色图 男人天堂 中文字幕 | 欧美人与性动交α欧美软件 | 少妇人妻 视频| 18禁在线无遮挡免费观看视频| 欧美成人午夜免费资源| 国产成人精品在线电影| 菩萨蛮人人尽说江南好唐韦庄| 午夜福利视频精品| 黑人巨大精品欧美一区二区蜜桃 | 热re99久久国产66热| 亚洲图色成人| 欧美另类一区| 在线 av 中文字幕| 青春草视频在线免费观看| 交换朋友夫妻互换小说| 男女边吃奶边做爰视频| 国产精品国产三级国产专区5o| 色5月婷婷丁香| 久久99蜜桃精品久久| 亚洲av电影在线观看一区二区三区| 国产69精品久久久久777片| 亚洲精品美女久久久久99蜜臀 | 亚洲激情五月婷婷啪啪| 大码成人一级视频| 精品久久久精品久久久| 亚洲欧美色中文字幕在线| 国产熟女欧美一区二区| 一本色道久久久久久精品综合| 中文乱码字字幕精品一区二区三区| 国产亚洲精品第一综合不卡 | 一本久久精品| 国产精品麻豆人妻色哟哟久久| 99视频精品全部免费 在线| 国产极品粉嫩免费观看在线| 午夜福利视频精品| 男女午夜视频在线观看 | www日本在线高清视频| 久久狼人影院| 午夜av观看不卡| 在线观看美女被高潮喷水网站| 欧美3d第一页| www.av在线官网国产| av免费观看日本| 在线观看美女被高潮喷水网站| 国产精品久久久久久久久免| 伦理电影大哥的女人| 亚洲欧洲国产日韩| 国语对白做爰xxxⅹ性视频网站| 高清毛片免费看| 久久人妻熟女aⅴ| 精品久久国产蜜桃| 丝袜美足系列| 丝袜在线中文字幕| 十八禁网站网址无遮挡| 日韩伦理黄色片| 春色校园在线视频观看| 成年女人在线观看亚洲视频| 欧美精品人与动牲交sv欧美| av片东京热男人的天堂| a级毛片黄视频| 久久亚洲国产成人精品v| 亚洲精品aⅴ在线观看| 国产精品国产三级专区第一集| 成人漫画全彩无遮挡| 在线亚洲精品国产二区图片欧美| 黑丝袜美女国产一区| 制服丝袜香蕉在线| 国产国语露脸激情在线看| 最近手机中文字幕大全| 亚洲精品一区蜜桃| 免费观看在线日韩| 七月丁香在线播放| 久久久久国产精品人妻一区二区| 久久久久久久久久成人| 99热国产这里只有精品6| 成人18禁高潮啪啪吃奶动态图| 中文字幕制服av| 大陆偷拍与自拍| 欧美性感艳星| 国产深夜福利视频在线观看| 制服丝袜香蕉在线| xxxhd国产人妻xxx| 女的被弄到高潮叫床怎么办| 久久久亚洲精品成人影院| 天美传媒精品一区二区| 青春草视频在线免费观看| 日本午夜av视频| 一区二区三区乱码不卡18| 久久久久久久久久成人| 日韩av免费高清视频| 18禁观看日本| 亚洲人成77777在线视频| 国产高清国产精品国产三级| 久久精品国产a三级三级三级| 国产极品天堂在线| 两个人看的免费小视频| 久久精品久久久久久久性| 老司机影院毛片| 亚洲国产精品一区三区| 如何舔出高潮| 亚洲在久久综合| 国产精品国产三级国产av玫瑰| 国产无遮挡羞羞视频在线观看| 大话2 男鬼变身卡| 久久青草综合色| 一级爰片在线观看| 久久99蜜桃精品久久| 又黄又粗又硬又大视频| 亚洲性久久影院| 在线观看三级黄色| 啦啦啦啦在线视频资源| 亚洲精华国产精华液的使用体验| 欧美bdsm另类| 夜夜骑夜夜射夜夜干| 一个人免费看片子| 黄片无遮挡物在线观看| 毛片一级片免费看久久久久| 久热这里只有精品99| 亚洲美女视频黄频| 麻豆乱淫一区二区| 欧美日韩综合久久久久久| 亚洲情色 制服丝袜| 国产成人精品一,二区| 91国产中文字幕| 老司机影院成人| 岛国毛片在线播放| 多毛熟女@视频| 乱码一卡2卡4卡精品| 亚洲熟女精品中文字幕| 女性被躁到高潮视频| 看十八女毛片水多多多| 欧美精品av麻豆av| 日本91视频免费播放| 日产精品乱码卡一卡2卡三| 老司机影院成人| 亚洲av电影在线进入| 青春草亚洲视频在线观看| 久久国产精品男人的天堂亚洲 | 在线观看www视频免费| 免费av不卡在线播放| 久久热在线av| 国产淫语在线视频| 亚洲av.av天堂| 激情视频va一区二区三区| 亚洲精品自拍成人| 亚洲四区av| 女人久久www免费人成看片| 亚洲欧洲精品一区二区精品久久久 | 九九爱精品视频在线观看| 成人毛片60女人毛片免费| 丰满乱子伦码专区| 丝袜喷水一区| 久久精品久久久久久噜噜老黄| 人妻系列 视频| 人成视频在线观看免费观看| 美国免费a级毛片| 五月开心婷婷网| 中国国产av一级| 少妇精品久久久久久久| 国产国语露脸激情在线看| 热re99久久精品国产66热6| 亚洲国产精品一区二区三区在线| 高清不卡的av网站| 日本黄色日本黄色录像| 成人漫画全彩无遮挡| 80岁老熟妇乱子伦牲交| 99精国产麻豆久久婷婷| 日韩成人av中文字幕在线观看| 亚洲精华国产精华液的使用体验| 另类亚洲欧美激情| 777米奇影视久久| 极品少妇高潮喷水抽搐| 国产国语露脸激情在线看| 青春草国产在线视频| 纵有疾风起免费观看全集完整版| 丰满少妇做爰视频| 少妇高潮的动态图| 日韩成人av中文字幕在线观看| 免费看不卡的av| 国产男人的电影天堂91| 在线观看人妻少妇| 亚洲伊人久久精品综合| 国产亚洲一区二区精品| 91午夜精品亚洲一区二区三区| 欧美 亚洲 国产 日韩一| 90打野战视频偷拍视频| 色视频在线一区二区三区| 精品人妻在线不人妻| 久久久久视频综合| 午夜精品国产一区二区电影| 亚洲精品自拍成人| 精品一区二区三区视频在线| 1024视频免费在线观看| 国产伦理片在线播放av一区| 欧美国产精品一级二级三级| 精品一区二区三卡| av又黄又爽大尺度在线免费看| 欧美成人午夜免费资源| 久久久久精品久久久久真实原创| 亚洲国产欧美日韩在线播放| 免费观看a级毛片全部| 国产精品久久久久久精品古装| 两性夫妻黄色片 | 亚洲国产毛片av蜜桃av| 亚洲综合色惰| 亚洲精品一区蜜桃| 精品一区二区三区四区五区乱码 | 在线亚洲精品国产二区图片欧美| 午夜av观看不卡| 性色av一级| 在线观看免费日韩欧美大片| 日韩一区二区三区影片| 男女下面插进去视频免费观看 | 男女免费视频国产| 国产亚洲精品久久久com| 夫妻性生交免费视频一级片| 国产免费一区二区三区四区乱码| 久久久久久久久久久免费av| 国产成人免费无遮挡视频| 九草在线视频观看| 看免费av毛片| 免费在线观看完整版高清| 欧美性感艳星| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 午夜日本视频在线| 欧美精品亚洲一区二区| 一级,二级,三级黄色视频| 女性被躁到高潮视频| 男女下面插进去视频免费观看 | 在线看a的网站| 欧美日韩av久久| 男女下面插进去视频免费观看 | 成人毛片a级毛片在线播放| 亚洲av免费高清在线观看| 日本黄大片高清| 性色avwww在线观看| 最近中文字幕2019免费版| 亚洲国产最新在线播放| 久久国产精品大桥未久av| 亚洲精品国产av成人精品| 香蕉丝袜av| 热99国产精品久久久久久7| 国产av码专区亚洲av| 99久久精品国产国产毛片| 久久久久久久久久人人人人人人| 嫩草影院入口| 国产免费现黄频在线看| 99久久综合免费| 插逼视频在线观看| www日本在线高清视频| 国产免费一级a男人的天堂| 黄色视频在线播放观看不卡| 日韩av在线免费看完整版不卡| 国产精品一二三区在线看| av免费观看日本| 久久久精品区二区三区| 日本av免费视频播放| 欧美 日韩 精品 国产| 少妇被粗大猛烈的视频| 精品亚洲乱码少妇综合久久| 十分钟在线观看高清视频www| 国产亚洲av片在线观看秒播厂| 亚洲成国产人片在线观看| 精品视频人人做人人爽| 国产精品欧美亚洲77777| 免费人成在线观看视频色| 激情五月婷婷亚洲| 久久av网站| 欧美性感艳星| 欧美日本中文国产一区发布| 精品少妇内射三级| 国产有黄有色有爽视频| 男人爽女人下面视频在线观看| 在线看a的网站| 国产精品99久久99久久久不卡 | 久久精品国产a三级三级三级| 一级毛片 在线播放| 国产一区有黄有色的免费视频| 有码 亚洲区| 蜜桃在线观看..| 一区二区三区四区激情视频| 成人亚洲精品一区在线观看| av国产久精品久网站免费入址| 男女免费视频国产| 久久人人爽人人片av| 国产熟女午夜一区二区三区| 国产爽快片一区二区三区| 女人精品久久久久毛片| 久久久国产欧美日韩av| 国产激情久久老熟女| 亚洲人成网站在线观看播放| 校园人妻丝袜中文字幕| 成人亚洲精品一区在线观看| 我要看黄色一级片免费的| 大话2 男鬼变身卡| 人妻系列 视频| 26uuu在线亚洲综合色| 国产精品麻豆人妻色哟哟久久| 国产精品三级大全| 高清视频免费观看一区二区| 卡戴珊不雅视频在线播放| 久久ye,这里只有精品| 国产精品国产av在线观看| 人人妻人人添人人爽欧美一区卜| 色94色欧美一区二区| 免费日韩欧美在线观看| 最新的欧美精品一区二区| 欧美成人精品欧美一级黄| 女人精品久久久久毛片| 久热这里只有精品99| 久久综合国产亚洲精品|