• <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 ?

    基于隨機(jī)森林和樹突網(wǎng)絡(luò)的煤鏡質(zhì)組反射率估計(jì)

    2023-04-29 22:55:51袁懿琳趙榮煥何坤黃秀王洪棟鄒亮
    工礦自動化 2023年8期
    關(guān)鍵詞:鏡質(zhì)顯微組分煤巖

    袁懿琳 趙榮煥 何坤 黃秀 王洪棟 鄒亮

    摘要:鏡質(zhì)組平均最大反射率是表征煤化程度的重要指標(biāo),在確定煤級、鑒別混煤和指導(dǎo)煉焦配煤中起關(guān)鍵作用。傳統(tǒng)反射率測定方法費(fèi)時(shí)耗力,且測量結(jié)果的主觀性較強(qiáng),致使實(shí)驗(yàn)室間鑒定結(jié)果的可比性差。針對該問題,提出一種基于隨機(jī)森林(RF)和樹突網(wǎng)絡(luò)(DDNet)的煤鏡質(zhì)組反射率估計(jì)方法,主要包括煤巖顯微圖像分割、鏡質(zhì)組識別和鏡質(zhì)組平均最大反射率預(yù)測3個(gè)部分。利用手肘法和 K?Means算法對顯微圖像聚類,以實(shí)現(xiàn)不同顯微組分區(qū)域的分割;采用人工少數(shù)類過采樣法(SMOTE)對少數(shù)類樣本過采樣,以改善煤巖中鏡質(zhì)組與非鏡質(zhì)組區(qū)域樣本的不均衡問題;利用基于DDNet的回歸算法實(shí)現(xiàn)鏡質(zhì)組平均最大反射率的估計(jì),構(gòu)建回歸模型時(shí)從鏡質(zhì)組區(qū)域中選擇多個(gè)41×41像素的方形窗口并提取其灰度特征,以提高算法的魯棒性,其決定系數(shù)達(dá)到0.990。實(shí)驗(yàn)結(jié)果表明:采用手肘法自動確定 K?Means算法的參數(shù) K,具有良好的自適應(yīng)能力,能夠自動區(qū)分不同類別數(shù)的顯微組分;SMOTE方法可有效避免模型因過度學(xué)習(xí)樣本先驗(yàn)信息而導(dǎo)致對多數(shù)類識別好、少數(shù)類識別差的問題,提高分類準(zhǔn)確度,其中基于 RF 的識別模型準(zhǔn)確率達(dá)到97.0%;建立了7種回歸估計(jì)模型,其中DDNet回歸模型性能最佳,決定系數(shù)達(dá)到0.990,預(yù)測結(jié)果與實(shí)際值高度契合,驗(yàn)證了所提方法的可行性。

    關(guān)鍵詞:鏡質(zhì)組平均最大反射率;K?Means 聚類;隨機(jī)森林;樹突網(wǎng)絡(luò);SMOTE;DDNet回歸算法中圖分類號: TD94??? 文獻(xiàn)標(biāo)志碼: A

    Estimation of coal vitrinite reflectance based on random forest and dendritic network

    YUAN Yilin1, ZHAO Ronghuan2, HE Kun1, HUANG Xiu1, WANG Hongdong2, ZOU Liang2

    (1. Research Institute of Petroleum Exploration and Development, PetroChina Company Limited, Beijing 100083,China;2. School of Information and Control Engineering, China University of Mining and Technology,Xuzhou 221116, China)

    Abstract: The mean maximum vitrinite reflectance is an important indicator of the degree of coalification, and plays a key role in determining coal grade, identifying mixed coal, and guiding coking coal blending. The traditional reflectance measurement methods are time-consuming and labor-intensive. The subjectivity of measurement results is strong, resulting in poor comparability of identification results between laboratories. To address this issue, a method for estimating coal vitrinite reflectance based on random forests(RF) and dendritic networks(DDNet) is proposed. It mainly includes three parts: coal rock microscopic image segmentation, vitrinite recognition, and mean maximum vitrinite reflectance prediction. The elbow method and K-Means algorithm are used to achieve segmentation of different maceral regions of the clustering microscopic images. The artificial minority oversampling method (SMOTE) is used to oversample minority samples to improve the imbalance between vitrinite and nonvitrinite regional samples in coal and rock. The DDNet-based regression algorithm isused to estimate the mean maximum vitrinite reflectance. When building a regression model, multiple 41×41 pixel square windows are selected from the vitrinite regions to extract their grey scale features. It improves the robustness of the algorithm, with a determination coefficient of 0.990. The experimental results show that using elbow method to automatically determine the parameter K of the K-Means algorithm, which has good adaptive capability. It can automatically distinguish different types of microscopic components. The SMOTE method can effectively avoid the problem of over-learning sample prior information, which leads to good recognition of the majority class and poor recognition of the minority class. It improves classification accuracy. Among them, the recognition model based on RF has an accuracy rate of 97.0%. Seven regression estimation models have been established, among which the DDNet regression model has the best performance, with a determination coefficient of 0.990. The predicted results are highly consistent with the actual values, verifying the feasibility of the proposed method.

    Key words: mean maximum vitrinite reflectance; K-Means clustering; random forest; dendritic network; SMOTE; DDNet regression algorithm

    0 引言

    鏡質(zhì)組反射率與揮發(fā)分產(chǎn)率、粘結(jié)系數(shù)等指標(biāo)有較強(qiáng)相關(guān)性,是公認(rèn)表征煤化程度(煤級)的重要指標(biāo)。其中,油浸物鏡下測得的鏡質(zhì)組平均最大反射率(Mean Maximum Vitrinite Reflectance, MMVR)應(yīng)用最為廣泛,是進(jìn)行煉焦配煤、混煤鑒別的主要依據(jù)[1-2]。目前 MMVR 測定主要有2種方式:①基于顯微光度計(jì)的人工測定。該方式準(zhǔn)確度高,但耗時(shí)長,測定過程受人員的專業(yè)知識影響較大,測試結(jié)果主觀性較強(qiáng)。②基于計(jì)算機(jī)視覺技術(shù)的自動測定。該方式憑借其快速、準(zhǔn)確和可重復(fù)性等優(yōu)勢,有望成為 MMVR 測定的主要方向[3]。

    MMVR 自動測定主要包括煤巖顯微組分識別(鏡質(zhì)組的識別)和 MMVR 估計(jì)2個(gè)部分[4]。近年來基于計(jì)算機(jī)視覺技術(shù)的煤巖顯微組分識別引起了研究者的極大關(guān)注[5]。M. Mlynarczuk等[6]采用形態(tài)學(xué)梯度、灰度特征和最近鄰算法實(shí)現(xiàn)了三大顯微組分和礦物的識別,平均準(zhǔn)確率為97.23%。Wang Hongdong等[7]提出了一種基于圖像分析的顯微組分識別方法,開發(fā)了基于圖像分割和分類的顯微組分識別策略,可識別7種顯微組分或亞組分,準(zhǔn)確率為90.44%。 Lei Meng 等[8]設(shè)計(jì)了具有增強(qiáng)注意力門的改進(jìn) U?Net 模型并評估了各種編碼器的性能,在89張顯微圖像上的實(shí)驗(yàn)結(jié)果顯示該方法的分割準(zhǔn)確率達(dá)到91.56%。王培珍等[9]根據(jù)各顯微組分的紋理特點(diǎn)和亮度差異,提出了遷移學(xué)習(xí)的鏡質(zhì)組分類方法,實(shí)現(xiàn)了對結(jié)構(gòu)鏡質(zhì)體、無結(jié)構(gòu)鏡質(zhì)體和鏡屑體3種顯微組分的識別。

    雖然前人對顯微組分的智能識別做了大量嘗試,但對 MMVR 估計(jì)的研究相對有限。B. M. England 等[10]利用圖像分析儀測量 MMVR 的分布,獲得了較好的效果。王洪棟[11]提出一種基于機(jī)器學(xué)習(xí)的 MMVR 估計(jì)方法,并發(fā)布首款免費(fèi)公開的鏡質(zhì)組反射率分析軟件,其研究結(jié)果證明機(jī)器學(xué)習(xí)方法在估計(jì) MMVR 上具有較大的潛力。

    上述研究成果極大推動了基于計(jì)算機(jī)視覺技術(shù)的 MMVR 測定研究,但仍然存在一些問題和改進(jìn)的空間。目前的研究仍多為半自動化方式,即圖像中鏡質(zhì)組區(qū)域的識別仍然依賴于人工判定。雖然 Wang Hongdong等[12]實(shí)現(xiàn)了全自動 MMVR 測定,但由于未考慮鏡質(zhì)組和非鏡質(zhì)組樣本的不均衡問題,鏡質(zhì)組識別率有待進(jìn)一步提升。此外,MMVR 回歸多采用單一灰度特征,回歸分析性能仍有一定提升空間。鑒此,本文提出了一種基于機(jī)器學(xué)習(xí)的 MMVR 估計(jì)方法。首先,使用 K?Means算法將煤巖顯微圖像中的不同顯微組分聚類,利用聚類后的標(biāo)簽將煤巖顯微圖像分割成不同顯微組分。其次,采用隨機(jī)森林(Random Forest,RF)對分割后的顯微組分分類,得到鏡質(zhì)組區(qū)域的顯微圖像。然后,采用人工少數(shù)類過采樣法(Synthetic Minority Over-Sampling Technique, SMOTE)對少數(shù)類樣本進(jìn)行過采樣,以解決分類時(shí)鏡質(zhì)組區(qū)域與非鏡質(zhì)組區(qū)域樣本不均衡的問題。最后,使用基于樹突網(wǎng)絡(luò)(Dendrite Net,DDNet)的回歸算法估計(jì) MMVR。本文的主要創(chuàng)新點(diǎn)如下:①通過引入 SMOTE 算法,解決了鏡質(zhì)組和非鏡質(zhì)組區(qū)域樣本不均衡問題,提高了鏡質(zhì)組識別的準(zhǔn)確率,為 MMVR 回歸分析打下良好基礎(chǔ)。②采用DDNet進(jìn)行 MMVR 回歸分析,提升了 MMVR 估計(jì)的精度和魯棒性。③將顯微圖像分割、鏡質(zhì)組識別和 MMVR 估計(jì)算法進(jìn)行集成,開發(fā)了 MMVR 估計(jì)軟件。

    1 研究方法

    基于隨機(jī)森林和樹突網(wǎng)絡(luò)的煤鏡質(zhì)組反射率估計(jì)方法主要由基于 K?Means 的煤巖顯微圖像分割、基于 SMOTE 和 RF 的鏡質(zhì)組區(qū)域識別和基于DDNet的 MMVR 估計(jì)3個(gè)部分組成。 MMVR 估計(jì)流程如圖1所示。

    采用 K?Means算法將顯微圖像中不同顯微組分聚類,將顯微圖像分割成 K 個(gè)不同的區(qū)域,每個(gè)區(qū)域均對應(yīng)一種顯微組分。由于每張顯微圖像中顯微組分的類別數(shù)不同,本文采用手肘法確定 K 值[13-14],分別采用不同的 K 值進(jìn)行聚類,并計(jì)算其誤差平方和(每個(gè)樣本點(diǎn)與其聚類中心距離的平方和),誤差平方和與 K 的關(guān)系圖是一個(gè)手肘形,取肘部位置對應(yīng)的 K 值作為最優(yōu)類別數(shù)。從分割后的顯微圖像中提取包括紋理、灰度和幾何特征在內(nèi)的綜合特征進(jìn)行鏡質(zhì)組區(qū)域識別。考慮到較大的鏡質(zhì)組區(qū)域能更真實(shí)地反映煤巖的鏡質(zhì)組反射率,本文僅對面積大于100×100像素的區(qū)域進(jìn)行識別。在 MMVR 估計(jì)階段,從識別出的鏡質(zhì)組區(qū)域隨機(jī)截取41×41像素大小的方形鏡質(zhì)組窗口,從中提取灰度特征,并建立基于DDNet的 MMVR 回歸模型。

    1.1 SMOTE 算法

    考慮到顯微圖像中非鏡質(zhì)組區(qū)域較多,為避免類別不平衡對模型性能的影響,本文使用 SMOTE 算法,通過合成新樣本的方式對少數(shù)類樣本進(jìn)行過采樣[15]。與隨機(jī)過采樣不同,SMOTE 算法是在特征空間進(jìn)行采樣,并非數(shù)據(jù)空間。該算法通過生成人工樣本拓寬決策區(qū)域,添加到數(shù)據(jù)集中的新樣本位于原始樣本的附近,而不是樣本本身,從而降低了過擬合的概率[16]。

    1.2 DDNet算法

    Liu Gang 等[17-18]提出了一種只包含矩陣乘法和Hadamard 乘積的機(jī)器學(xué)習(xí)算法DDNet。與傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò)(Full-connect Neural Network,F(xiàn)NN)相比,DDNet使用 Hadamard 乘積代替非線性激活函數(shù)。單層DDNet與 FNN 的輸入輸出關(guān)系分別為

    式中:Y1為單層DDNet的輸出;W l,l?1為第 l?1個(gè)模塊到第 l 個(gè)模塊的權(quán)值矩陣;X 為輸入數(shù)據(jù);“?”為 Hadamard 乘積符號,表示2個(gè)矩陣對應(yīng)元素相乘; Y2為 FNN 的輸出;f(·)為非線性激活函數(shù)。

    DDNet的體系結(jié)構(gòu)可表示為

    式中 L 為DDNet模塊的數(shù)量。

    DDNet使用 Hadamard 乘積代替非線性激活函數(shù),將展開式等價(jià)為特征之間的邏輯表達(dá),實(shí)現(xiàn)了高次冪代替非線性映射的功能,各項(xiàng)前的權(quán)重矩陣則轉(zhuǎn)換為泰勒展開式的系數(shù)。DDNet收斂后在類似于最優(yōu)組合點(diǎn)處的泰勒展開,使得其非線性學(xué)習(xí)所受的限制更小。與傳統(tǒng)的 FNN 相比,DDNet具有較快的有效收斂速度,且不易出現(xiàn)過擬合,泛化能力更好。本文使用DDNet構(gòu)建神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)如圖2所示。

    1.3 特征提取

    煤巖顯微組分光學(xué)特征復(fù)雜,依靠單一類型的特征難以區(qū)分鏡質(zhì)組與其他顯微組分[19-20]。本文提取包括灰度、幾何、紋理特征在內(nèi)的101維特征用于鏡質(zhì)組識別。其中,灰度特征包括灰度均值、灰度最大值、灰度中值、灰度標(biāo)準(zhǔn)差、對比度、能量、灰度概率(不同灰度的像素在總像素中的占比)[21],共70維。為提高計(jì)算灰度概率的效率,實(shí)驗(yàn)對相鄰的4個(gè)灰度級合并計(jì)算。同時(shí)選取7個(gè) Hu不變矩描述顯微組分的幾何特征[22]。采用灰度共生矩陣描述顯微組分的紋理特征,包含4個(gè)方向上的逆差矩、二階矩、熵、對比度、差異性、相關(guān)性共24個(gè)特征[23-24]。

    MMVR 與灰度分布之間存在密切關(guān)系,為了準(zhǔn)確描述灰度分布并預(yù)測 MMVR,從截取的鏡質(zhì)組方形窗口中提取14維灰度特征進(jìn)行 MMVR 回歸分析,包括灰度均值、灰度最大值、灰度中值、灰度標(biāo)準(zhǔn)差及對應(yīng)像素點(diǎn)數(shù)量最多的10個(gè)灰度值。

    1.4 評價(jià)指標(biāo)

    1.4.1 鏡質(zhì)組識別的性能評價(jià)指標(biāo)

    通過準(zhǔn)確率 A、查準(zhǔn)率 P、召回率 R 和 F1分?jǐn)?shù)4個(gè)性能指標(biāo)評價(jià)鏡質(zhì)組識別算法的性能。

    式中:TP 為被預(yù)測為正類的正樣本數(shù);TN 為被預(yù)測為負(fù)類的負(fù)樣本數(shù);FP 為被預(yù)測為正類的負(fù)樣本數(shù); FN 為被預(yù)測為負(fù)類的正樣本數(shù)。

    1.4.2 MMVR 估計(jì)的性能評價(jià)指標(biāo)

    采用均方誤差Mse、平均絕對誤差 Mae 和決定系數(shù) S 三個(gè)指標(biāo)評價(jià) MMVR 估計(jì)算法的性能。均方誤差衡量 MMVR 預(yù)測值與真實(shí)值之間的差異程度。平均絕對誤差為預(yù)測值與真實(shí)值的絕對差值的平均值。決定系數(shù)表明回歸預(yù)測與真實(shí)值的接近程度,其取值范圍為0~1。決定系數(shù)值越大,表示回歸的性能越好。各指標(biāo)計(jì)算公式為

    式中:n 為樣本個(gè)數(shù);y(?)i為預(yù)測值;yi為真值;y(?)為總體真實(shí)值的平均值。

    2 實(shí)驗(yàn)結(jié)果和分析

    本文使用來源于美國科羅拉多和西弗吉尼亞的13個(gè)煤樣進(jìn)行實(shí)驗(yàn)。樣本包含69張煤巖顯微圖像,其 MMVR 為0.7%~1.79%。10~15個(gè)相互獨(dú)立的實(shí)驗(yàn)室嚴(yán)格遵守反射率測定標(biāo)準(zhǔn) ASTM D2798-21(Standard Test Method for Microscopical Determination of the Vitrinite Reflectance of Coal),使用顯微光度計(jì)測得13個(gè)煤樣的 MMVR,最終的 MMVR 數(shù)值為各實(shí)驗(yàn)室測得數(shù)據(jù)的平均值。13個(gè)煤樣的煤巖顯微圖像均采用 Leica DFC480數(shù)字照相機(jī)在白光照射和油浸物鏡下拍攝,且均處于相同曝光條件下??赏ㄟ^以下網(wǎng)址獲取相關(guān)實(shí)驗(yàn)數(shù)據(jù):https://energy.usgs.gov/ PhotoAtlas/?aid=14。

    2.1 圖像分割結(jié)果

    基于手肘法和 K?Means算法的煤巖顯微圖像分割結(jié)果如圖3所示。圖3(a)?圖3(d)中顯微圖像所含有的顯微組分類別數(shù)依次是1?4。分割結(jié)果顯示,采用手肘法自動確定 K?Means算法的參數(shù) K,具有良好的自適應(yīng)能力,能夠自動區(qū)分不同類別數(shù)的顯微組分。

    2.2 鏡質(zhì)組識別結(jié)果

    使用 K?Means算法分割13個(gè)煤樣的69張顯微圖像后,去除小于100×100像素的區(qū)域,最終獲得顯微組分區(qū)域共891個(gè),其中鏡質(zhì)組區(qū)域168個(gè),非鏡質(zhì)組區(qū)域723個(gè),類別分布不平衡。對每個(gè)區(qū)域提取幾何、紋理和灰度共101維復(fù)合特征,形成891× 101像素的矩陣,作為基礎(chǔ)數(shù)據(jù)集。將數(shù)據(jù)集按照8∶2的比例隨機(jī)劃分為訓(xùn)練集和測試集進(jìn)行實(shí)驗(yàn)。為了解決鏡質(zhì)組與非鏡質(zhì)組樣本不均衡的問題,嘗試了3種不同的過采樣、下采樣算法:① SMOTE 算法,通過添加合成的少數(shù)類樣本改善數(shù)據(jù)分布的不平衡。②隨機(jī)下采樣(Random Under Sample, RUS),通過隨機(jī)選擇對多數(shù)類樣本進(jìn)行下采樣。③ SMOTE 算法與 RUS 相結(jié)合的不均衡數(shù)據(jù)處理方法。在鏡質(zhì)組識別實(shí)驗(yàn)中,對比了4種經(jīng)典分類算法(分類回歸樹(CART)、K 近鄰(KNN)、支持向量機(jī)(SVM)、RF)與不同數(shù)據(jù)處理方法結(jié)合得到的分類性能,實(shí)驗(yàn)結(jié)果見表1。同時(shí),為研究采樣后的少數(shù)類與多數(shù)類樣本比例對各模型分類性能的影響,以使用 SMOTE 算法處理不平衡數(shù)據(jù)為例,分別將鏡質(zhì)組與非鏡質(zhì)組樣本比例設(shè)置為0.3∶1,0.5∶1,0.7∶1,0.9∶1和1∶1。用 SMOTE 算法處理后,樣本不平衡問題得到了緩解。隨著鏡質(zhì)組與非鏡質(zhì)組樣本比例的增大,分類模型整體性能逐漸變好,當(dāng)該比例達(dá)到0.7時(shí),模型性能趨于穩(wěn)定。為簡便起見,在后續(xù)實(shí)驗(yàn)中,將上述比例設(shè)置為1∶1。

    為了避免偶然因素影響,表1中的各項(xiàng)數(shù)據(jù)均為4種分類算法重復(fù)實(shí)驗(yàn)50次所得的平均值。由表1可知,RF 算法在實(shí)驗(yàn)中表現(xiàn)最佳。此外,使用 SMOTE 算法對訓(xùn)練集少數(shù)類樣本過采樣后,4種分類算法在準(zhǔn)確率和 F1分?jǐn)?shù)略有提升的同時(shí),召回率大幅增加,且各項(xiàng)指標(biāo)的標(biāo)準(zhǔn)差有所降低。使用 RUS 算法處理后,鏡質(zhì)組與非鏡質(zhì)組樣本的比例被提升為1∶1,數(shù)據(jù)不平衡問題得到了解決。相較于不做下采樣處理,模型的平均召回率從0.85提升到0.96,平均 F1分?jǐn)?shù)從0.88提升為0.89,但查準(zhǔn)率明顯下降,預(yù)測結(jié)果中可能包含較多的假陽性樣本。實(shí)驗(yàn)結(jié)果表明,僅使用 SMOTE 算法即可有效避免模型因過度學(xué)習(xí)樣本先驗(yàn)信息而導(dǎo)致對多數(shù)類識別好、少數(shù)類識別差的問題。

    2.3 基于煤樣的 MMVR 回歸結(jié)果

    受傳統(tǒng) MMVR 測定方法的啟發(fā),采用基于煤樣的 MMVR 回歸分析,單個(gè)煤樣的 MMVR 估計(jì)值為其包含的所有煤巖顯微圖像的 MMVR 估計(jì)值的均值。在估計(jì)單幅煤巖顯微圖像的 MMVR 時(shí),選取煤巖顯微圖像中大于100×100像素的鏡質(zhì)組區(qū)域進(jìn)行 MMVR 估計(jì)。模仿傳統(tǒng)取點(diǎn)測量的方法,從鏡質(zhì)組區(qū)域中截取多個(gè)方形窗口(41×41像素),所有方形窗口 MMVR 估計(jì)結(jié)果的平均值為該煤巖顯微圖像的MMVR。

    煤巖顯微圖像的 MMVR 估計(jì)結(jié)果如圖4所示,其中圖4(b)為多個(gè)方形窗口的反射率預(yù)測結(jié)果分布。該煤巖顯微圖像的 MMVR 實(shí)際值為1.31%,多個(gè)方形窗口預(yù)測結(jié)果的平均值為1.285%,證明了對單幅顯微圖像截取窗口進(jìn)行回歸分析的有效性。

    在煤樣 MMVR 回歸實(shí)驗(yàn)中,對比了7種回歸分析算法,包括支持向量機(jī)回歸(Support Vector Regression, SVR)、自適應(yīng)增強(qiáng)(AdaBoost)、K 近鄰(K-Nearest Neighbor,KNN)、梯度提升(Gradient Boosting)、RF、 FNN 和DDNet。實(shí)驗(yàn)采用留一法進(jìn)行交叉驗(yàn)證,為了防止偶然因素影響,共進(jìn)行了20次回歸實(shí)驗(yàn),最終得到的均方誤差、平均絕對誤差、決定系數(shù)結(jié)果對比見表2。

    由表2可知,DDNet回歸分析算法取得了最佳性能。DDNet作為 FNN 的改進(jìn)算法,在將非線性激活函數(shù)替換為 Hadamard 乘積后,其回歸分析的精度和泛化性能均有顯著提升。

    DDNet回歸模型的預(yù)測結(jié)果如圖5所示,直觀地展示了13個(gè)煤樣 MMVR 的實(shí)際值和預(yù)測值之間的相關(guān)性。圖5中 MMVR 的預(yù)測值與實(shí)際值高度契合,證明了將DDNet回歸算法用于 MMVR 預(yù)測估計(jì)具有較強(qiáng)的可行性。

    2.4 軟件界面

    為協(xié)助煤巖分析工作者進(jìn)行 MMVR 測定,開發(fā)了一款煤巖 MMVR 估計(jì)軟件。該軟件集成了基于 K?Means 的圖像分割算法、基于 RF 的鏡質(zhì)組識別算法和基于DDNet的 MMVR 估計(jì)算法。需要說明的是,該軟件的適用對象需符合反射率測定標(biāo)準(zhǔn) ASTMD2798-21(StandardTestMethodforMicroscopical Determination of the Vitrinite Reflectance of Coal)。針對圖像分割中超參數(shù) K 的設(shè)定,軟件提供手肘法自動確定和人工設(shè)定2種方式。

    煤巖 MMVR 估計(jì)軟件界面如圖6所示。通過“導(dǎo)入煤樣圖片”按鈕批量導(dǎo)入指定煤樣的多幅煤巖顯微圖像,A 區(qū)域顯示導(dǎo)入的顯微圖像;通過“鏡質(zhì)組識別”按鈕對導(dǎo)入的顯微圖像進(jìn)行圖像分割和鏡質(zhì)組識別,并將識別出的鏡質(zhì)組區(qū)域顯示于 B 區(qū)域中;通過“切換圖像”按鈕切換該煤樣的不同顯微圖像及其鏡質(zhì)組識別結(jié)果;通過“反射率估計(jì)”按鈕估計(jì)鏡質(zhì)組區(qū)域的 MMVR 值,并將該煤樣所截取窗口的反射率分布柱狀圖和 MMVR 估計(jì)結(jié)果顯示在 C 區(qū)域和 D 區(qū)域中。

    3 結(jié)論

    1)基于機(jī)器視覺技術(shù)開發(fā)了煤巖 MMVR 估計(jì)系統(tǒng),主要包括煤巖顯微圖像分割、鏡質(zhì)組識別和 MMVR 回歸3個(gè)部分。采用 K?Means算法,分割顯微圖像中的不同顯微組分,提取鏡質(zhì)組灰度、幾何和紋理等特征;為改善樣本不均衡問題,采用 SMOTE 算法對少數(shù)類樣本過采樣,構(gòu)建了4種鏡質(zhì)組區(qū)域識別模型,其中 RF 方法性能最優(yōu),分類準(zhǔn)確率為97.0%;建立了7種回歸估計(jì)模型,其中DDNet回歸算法取得了最優(yōu)的結(jié)果,決定系數(shù)達(dá)到了0.990。

    2)實(shí)驗(yàn)結(jié)果表明,本文所提方法與傳統(tǒng)基于顯微光度計(jì)測定方法的測定結(jié)果高度契合,且克服了傳統(tǒng)顯微光度計(jì)測定方法對時(shí)間、精力、專業(yè)知識要求高的缺點(diǎn),驗(yàn)證了機(jī)器學(xué)習(xí)在煤巖顯微圖像分析中應(yīng)用的可行性。

    3)下一步擬對更多樣本、更寬鏡質(zhì)組反射率范圍的煤樣進(jìn)行分析,并嘗試使用更復(fù)雜的神經(jīng)網(wǎng)絡(luò)完成圖像分割、分類及回歸任務(wù),以減少對特征工程的依賴。

    參考文獻(xiàn)(References):

    [1] 田英奇,張衛(wèi)華,沈寓韜,等.鏡質(zhì)組反射率指導(dǎo)優(yōu)化配煤煉焦方案的研究[J].煤炭科學(xué)技術(shù),2016,44(4):162-168.

    TIAN Yingqi,ZHANG Weihua,SHEN Yutao,et al. Research on optimization of coal blending coking guided by? vitrinite? reflectance[J]. Coal? Science? andTechnology,2016,44(4):162-168.

    [2] 俞楠,鄒沖,劉詩薇,等.利用鏡質(zhì)組反射率鑒定蘭炭與煤粉互混樣的方法解析[J].冶金能源,2022,41(5):13-18.

    YU Nan,ZOU Chong,LIU Shiwei,et al. Analysis of the method for identifying the mixed samples of pulverized? coal? and? semi-coke? by? vitrinite reflectance[J]. Energy for Metallurgical Industry,2022,41(5):13-18.

    [3] 宋孝忠,張群.煤巖顯微組分組圖像自動識別系統(tǒng)與關(guān)鍵技術(shù)[J].煤炭學(xué)報(bào),2019,44(10):3085-3097.

    SONG Xiaozhong,ZHANG Qun. Automatic image recognition system and key technologies of maceral group[J]. Journal of China Coal Society,2019,44(10):3085-3097.

    [4] SANTOS R B M,AUGUSTO K S,IGLESIAS J C ?, et al. A deep learning system for collotelinite segmentation and coal reflectance determination[J]. International Journal of Coal Geology,2022,263:104111-104122.

    [5] VAN NIEKERK D,MITCHELL G D,MATHEWS J P. Petrographic and reflectance analysis of solvent-swelled and solvent-extracted South African vitrinite-rich and inertinite-rich coals[J]. International Journal of Coal Geology,2009,81(1):45-52.

    [6] MLYNARCZUK M,G?RSZCZYK A,?LIPEK B. The application of pattern recognition in the automatic classificationofmicroscopicrockimages[J]. Computers& Geosciences,2013,60:126-133.

    [7] WANG Hongdong,LEI Meng,CHEN Yilin,et al. Intelligent identification of maceral components of coal based on image segmentation and classification[J]. Applied Sciences,2019,9(16). DOI:10.3390/app9163245.

    [8] LEI Meng,RAO Zhongyu,WANG Hongdong,et al. Maceral groups analysis of coal based on semantic segmentation of photomicrographs via the improved U- net [J]. Fuel,2021,294. DOI:10.1016/j.fuel.2021.120475.

    [9] 王培珍,余晨,薛子邯,等.基于遷移學(xué)習(xí)的煤巖殼質(zhì)組顯微組分識別模型[J].煤炭科學(xué)技術(shù),2022,50(1):220-227.

    WANG Peizhen,YU Chen,XUE Zihan,et al. Transfer learning based identification model for macerals of exinite in coal[J]. Coal Science and Technology,2022,50(1):220-227.

    [10] ENGLAND B M,MIKKA R A,BAGNALL E J,et al. Petrographic characterization of coal using automatic image analysis[J]. Journal of Microscopy,1979,116(3):329-336.

    [11] 王洪棟.基于機(jī)器學(xué)習(xí)的煤巖顯微圖像分析研究[D].徐州:中國礦業(yè)大學(xué),2019.

    WANG Hongdong. Research on photomicrograph analysis of coal based on machine learning[D]. Xuzhou:China University of Mining and Technology,2019.

    [12] WANG Hongdong, LEI Meng, LI Ming, et al. Intelligent estimation of vitrinite reflectance of coal from photomicrographs based on machine learning[J]. Energies,2019,12(20):1-16.

    [13] ONUMANYI A J,MOLOKOMME D N,ISAAC S J,et al. AutoElbow:an automatic elbow detection method for estimating the number of clusters in a dataset[J]. Applied Sciences,2022,12(15). DOI:10.3390/app12157515.

    [14] SAMMOUDA R, EL-ZAART A. An optimized approach for prostate image segmentation using K- means clustering algorithm with elbow method[J]. Computational Intelligence and Neuroscience,2021,2021. DOI:10.1155/2021/4553832.

    [15] BOKHARE A,BHAGAT A,BHALODIA R. Multi- layer perceptron for heart failure detection using SMOTE technique[J]. SN Computer Science,2023,4(2). DOI:10.1007/s42979-022-01596-x.

    [16] ISHAQ A,SADIQ S,UMER M,et al. Improving the prediction of heart failure patients' survival using SMOTE and effective data mining techniques[J]. IEEE Access,2021,9:39707-39716.

    [17] LIU Gang. It may be time to improve the neuron of artificial neural network[EB/OL].[2023-01-20]. https:// www.techrxiv.org/articles/preprint/It_may_be_time_ to_perfect_the_neuron_of_artificial_neural_network/12477266.

    [18] LIU Gang,WANG Jing. Dendrite net:a white-box module for classification, regression, and systemidentification[J]. IEEE Transactions on Cybernetics,2022,52(12):13774-13787.

    [19] MARIUSZ M,MARTA S. The application of artificial intelligence for the identification of the maceral groups and mineral components of coal[J]. Computers & Geosciences,2017,103:133-141.

    [20] 高濤,馮松寶.煤的顯微組分特征研究綜述[J].能源技術(shù)與管理,2021,46(4):15-16,20.

    GAO Tao, FENG Songbao. Literature review on property of macerals of coals[J]. Energy Technology and Management,2021,46(4):15-16,20.

    [21] LI Na,HAO Huizhen,GU Qing,et al. A transfer learning method for automatic identification of sandstone microscopic? images[J]. Computers & Geosciences,2017,103:111-121.

    [22] WU Zhuang,JIANG Shanshan,ZHOU Xiaolei,et al. Application of image retrieval based on convolutional neural networks and Hu invariant moment algorithm in computer?? telecommunications[J].?? Computer Communications,2020,150:729-738.

    [23] MEENAKSHI G,GAURAV D. A novel content-based image retrieval approach for classification using GLCM features and texture fused LBP variants[J]. Neural Computing & Applications,2021,33(4):1311-1328.

    [24] WANG Qi,HUANG Wei,ZHANG Xueting,et al. GLCM: global-local captioning model for remote sensing image captioning[J]. IEEE Transactions on Cybernetics(Early Access),2022:1-13. DOI:10.1109/ TCYB.2022.3222606.

    猜你喜歡
    鏡質(zhì)顯微組分煤巖
    煤巖顯微組分分選研究進(jìn)展
    利用鏡質(zhì)組反射率鑒定蘭炭與煤粉互混樣的方法解析
    冶金能源(2022年5期)2022-10-14 00:35:16
    寧東中高硫煤顯微組分富集物的熱解硫釋放規(guī)律
    超聲處理對顯微組分浮選分離及熱解影響研究
    煤炭工程(2019年11期)2019-12-13 07:38:10
    貴州大河邊礦煤顯微組分解離規(guī)律及其分選
    不同變質(zhì)程度煉焦煤的鏡質(zhì)組特性研究
    半煤巖巷金屬支架錨桿聯(lián)合支護(hù)在白源礦應(yīng)用
    綜掘機(jī)在大坡度半煤巖巷中的應(yīng)用
    基于測井響應(yīng)評價(jià)煤巖結(jié)構(gòu)特征
    中國煤層氣(2015年4期)2015-08-22 03:28:01
    煉焦原料煤鏡質(zhì)組的反射率及分布
    h视频一区二区三区| 色婷婷av一区二区三区视频| 狠狠婷婷综合久久久久久88av| 亚洲精品久久成人aⅴ小说| 中文字幕精品免费在线观看视频| 精品午夜福利视频在线观看一区 | 欧美午夜高清在线| 黑人巨大精品欧美一区二区蜜桃| 亚洲欧美日韩另类电影网站| 99国产精品一区二区三区| 人人妻人人添人人爽欧美一区卜| 中文字幕色久视频| 捣出白浆h1v1| 999久久久精品免费观看国产| 高清毛片免费观看视频网站 | 日本黄色日本黄色录像| 麻豆成人av在线观看| 精品国产国语对白av| 亚洲精品国产一区二区精华液| 国产亚洲精品久久久久5区| 久久久精品免费免费高清| 久久国产精品影院| 亚洲精品成人av观看孕妇| 高清欧美精品videossex| 一级毛片精品| 脱女人内裤的视频| 欧美成人免费av一区二区三区 | 亚洲成人免费av在线播放| 精品国产国语对白av| 天堂8中文在线网| 精品久久蜜臀av无| 啦啦啦免费观看视频1| 欧美精品啪啪一区二区三区| 一级,二级,三级黄色视频| 亚洲全国av大片| www.精华液| 午夜福利在线免费观看网站| 精品一区二区三卡| 9色porny在线观看| 国产97色在线日韩免费| 天堂中文最新版在线下载| 老汉色∧v一级毛片| 成人特级黄色片久久久久久久 | 亚洲三区欧美一区| 色婷婷久久久亚洲欧美| 一级毛片精品| av国产精品久久久久影院| 啦啦啦中文免费视频观看日本| 亚洲精品久久午夜乱码| 精品一区二区三区av网在线观看 | bbb黄色大片| 国产av精品麻豆| 乱人伦中国视频| 王馨瑶露胸无遮挡在线观看| 老司机午夜十八禁免费视频| 亚洲中文av在线| 国产男靠女视频免费网站| 久久久久网色| 日本av手机在线免费观看| 18禁裸乳无遮挡动漫免费视频| 麻豆av在线久日| 亚洲九九香蕉| 欧美变态另类bdsm刘玥| 老汉色∧v一级毛片| 99国产精品一区二区三区| xxxhd国产人妻xxx| 男女之事视频高清在线观看| 亚洲熟妇熟女久久| av欧美777| 久久国产精品男人的天堂亚洲| 亚洲美女黄片视频| 精品亚洲成国产av| 亚洲少妇的诱惑av| 丝袜喷水一区| 天天躁狠狠躁夜夜躁狠狠躁| 乱人伦中国视频| 色视频在线一区二区三区| 国产熟女午夜一区二区三区| 99国产精品一区二区蜜桃av | av天堂在线播放| 成年人午夜在线观看视频| netflix在线观看网站| 男男h啪啪无遮挡| 成人永久免费在线观看视频 | 国产在线视频一区二区| 国产午夜精品久久久久久| 久久久国产精品麻豆| 国产免费现黄频在线看| 90打野战视频偷拍视频| 在线看a的网站| 亚洲欧美一区二区三区黑人| 国产伦人伦偷精品视频| 91av网站免费观看| 国产有黄有色有爽视频| 1024香蕉在线观看| 国产精品久久久久久精品电影小说| 午夜老司机福利片| 男女床上黄色一级片免费看| 搡老岳熟女国产| 国产亚洲精品第一综合不卡| 女人被躁到高潮嗷嗷叫费观| 亚洲欧美日韩高清在线视频 | 欧美日韩av久久| 国产单亲对白刺激| 国产精品久久久久久人妻精品电影 | av不卡在线播放| 亚洲国产欧美网| 99久久99久久久精品蜜桃| 国产成人免费无遮挡视频| 久久 成人 亚洲| 丁香六月欧美| 国产成人精品久久二区二区免费| 色综合婷婷激情| 黄片播放在线免费| 国产精品久久电影中文字幕 | 日韩 欧美 亚洲 中文字幕| 777久久人妻少妇嫩草av网站| 十分钟在线观看高清视频www| 青草久久国产| 69av精品久久久久久 | 中文字幕色久视频| 亚洲一卡2卡3卡4卡5卡精品中文| 天天操日日干夜夜撸| 日韩视频一区二区在线观看| 十八禁网站网址无遮挡| 久久久欧美国产精品| 国产xxxxx性猛交| 国产成人欧美| 九色亚洲精品在线播放| 在线观看免费视频日本深夜| 99久久99久久久精品蜜桃| 久久久久精品国产欧美久久久| 69精品国产乱码久久久| 亚洲人成电影观看| 久久九九热精品免费| 久久久国产成人免费| 国产精品秋霞免费鲁丝片| 亚洲成国产人片在线观看| 法律面前人人平等表现在哪些方面| 久久ye,这里只有精品| 欧美精品av麻豆av| 在线播放国产精品三级| 精品一区二区三区四区五区乱码| 男女边摸边吃奶| 欧美在线一区亚洲| 制服诱惑二区| 99久久精品国产亚洲精品| 丰满迷人的少妇在线观看| 岛国在线观看网站| 天天躁夜夜躁狠狠躁躁| 日韩精品免费视频一区二区三区| 大香蕉久久网| 香蕉丝袜av| 欧美激情高清一区二区三区| 精品免费久久久久久久清纯 | 激情视频va一区二区三区| 日韩一区二区三区影片| 自线自在国产av| 日本欧美视频一区| 一进一出好大好爽视频| 亚洲第一青青草原| 大香蕉久久网| 亚洲性夜色夜夜综合| 久久人妻福利社区极品人妻图片| 男女下面插进去视频免费观看| 一区在线观看完整版| 成人三级做爰电影| 大码成人一级视频| 久久久国产一区二区| 国产精品久久电影中文字幕 | 国产三级黄色录像| 97人妻天天添夜夜摸| 亚洲一卡2卡3卡4卡5卡精品中文| 一级,二级,三级黄色视频| 中文字幕人妻丝袜一区二区| 乱人伦中国视频| av电影中文网址| 精品国内亚洲2022精品成人 | 成年人免费黄色播放视频| 亚洲成av片中文字幕在线观看| 大香蕉久久网| 老鸭窝网址在线观看| 69精品国产乱码久久久| 美女扒开内裤让男人捅视频| 天堂8中文在线网| 精品国产国语对白av| 少妇 在线观看| 极品少妇高潮喷水抽搐| 国产欧美日韩一区二区三| 黄色视频不卡| 久久中文字幕一级| 满18在线观看网站| 免费观看a级毛片全部| 法律面前人人平等表现在哪些方面| 精品久久久精品久久久| 国产精品亚洲一级av第二区| 少妇精品久久久久久久| 精品一品国产午夜福利视频| 欧美午夜高清在线| 国产高清激情床上av| 久久精品熟女亚洲av麻豆精品| 国产日韩欧美在线精品| 免费黄频网站在线观看国产| 搡老岳熟女国产| 欧美激情 高清一区二区三区| 亚洲av美国av| 男女床上黄色一级片免费看| 日韩欧美国产一区二区入口| 一本综合久久免费| 国产激情久久老熟女| netflix在线观看网站| 日本一区二区免费在线视频| 十八禁网站网址无遮挡| 新久久久久国产一级毛片| 久久精品亚洲熟妇少妇任你| 一本色道久久久久久精品综合| 国产免费福利视频在线观看| 在线永久观看黄色视频| 国产精品熟女久久久久浪| 国产国语露脸激情在线看| 午夜福利在线免费观看网站| 国产又爽黄色视频| 亚洲熟女毛片儿| 我要看黄色一级片免费的| 制服人妻中文乱码| 午夜成年电影在线免费观看| 亚洲精品av麻豆狂野| 一级a爱视频在线免费观看| 999久久久国产精品视频| h视频一区二区三区| 天堂动漫精品| 1024香蕉在线观看| 美女高潮喷水抽搐中文字幕| 精品乱码久久久久久99久播| 亚洲精品粉嫩美女一区| 精品免费久久久久久久清纯 | 久久精品国产亚洲av香蕉五月 | 999久久久精品免费观看国产| 亚洲国产毛片av蜜桃av| 人妻一区二区av| 丝袜美腿诱惑在线| 汤姆久久久久久久影院中文字幕| 菩萨蛮人人尽说江南好唐韦庄| 一级片'在线观看视频| 久久青草综合色| 国产精品熟女久久久久浪| 不卡一级毛片| 亚洲第一av免费看| 欧美av亚洲av综合av国产av| 久热这里只有精品99| 日韩三级视频一区二区三区| 久久久国产欧美日韩av| 国产又色又爽无遮挡免费看| 狠狠精品人妻久久久久久综合| 亚洲三区欧美一区| 久久久久久免费高清国产稀缺| 亚洲自偷自拍图片 自拍| 少妇 在线观看| 一区二区三区乱码不卡18| 亚洲情色 制服丝袜| 在线播放国产精品三级| 中文字幕最新亚洲高清| 最新美女视频免费是黄的| 国产aⅴ精品一区二区三区波| 午夜久久久在线观看| 三级毛片av免费| 欧美人与性动交α欧美精品济南到| 亚洲七黄色美女视频| 五月开心婷婷网| 久久中文看片网| 欧美在线黄色| 亚洲美女黄片视频| 国产深夜福利视频在线观看| 国产视频一区二区在线看| 丰满少妇做爰视频| 久久99热这里只频精品6学生| 一本色道久久久久久精品综合| 国产av精品麻豆| 日韩欧美一区视频在线观看| 亚洲中文字幕日韩| 王馨瑶露胸无遮挡在线观看| 国产av国产精品国产| 真人做人爱边吃奶动态| 国产一区二区三区视频了| 国产精品香港三级国产av潘金莲| 欧美日韩亚洲综合一区二区三区_| 久久精品成人免费网站| 久久精品亚洲av国产电影网| 亚洲国产av新网站| 高清在线国产一区| 国产免费视频播放在线视频| 国产精品1区2区在线观看. | 成人三级做爰电影| 丁香六月欧美| 又黄又粗又硬又大视频| 国产精品影院久久| 美女午夜性视频免费| 国产精品.久久久| 久久精品91无色码中文字幕| 久久精品亚洲av国产电影网| 正在播放国产对白刺激| 国产精品国产高清国产av | 亚洲精品一卡2卡三卡4卡5卡| 在线观看一区二区三区激情| 99国产综合亚洲精品| 亚洲久久久国产精品| 男女免费视频国产| 在线av久久热| 美国免费a级毛片| 黄色视频在线播放观看不卡| 亚洲专区中文字幕在线| 午夜福利欧美成人| 国产在线视频一区二区| 亚洲黑人精品在线| 高清av免费在线| 欧美 亚洲 国产 日韩一| 亚洲成人免费av在线播放| 日韩欧美三级三区| 亚洲性夜色夜夜综合| 麻豆国产av国片精品| 高潮久久久久久久久久久不卡| 一二三四在线观看免费中文在| 国产主播在线观看一区二区| av网站免费在线观看视频| av网站在线播放免费| 久久精品亚洲精品国产色婷小说| 天天影视国产精品| 国产欧美亚洲国产| 欧美成狂野欧美在线观看| 久久人妻av系列| 变态另类成人亚洲欧美熟女 | 人人妻,人人澡人人爽秒播| 久久久国产精品麻豆| 中文字幕人妻熟女乱码| 久久99热这里只频精品6学生| 男人舔女人的私密视频| 女性生殖器流出的白浆| 国产极品粉嫩免费观看在线| 国产麻豆69| 欧美久久黑人一区二区| 久久人妻av系列| 韩国精品一区二区三区| 亚洲性夜色夜夜综合| 18禁裸乳无遮挡动漫免费视频| 欧美精品亚洲一区二区| 欧美在线黄色| 另类亚洲欧美激情| 大型av网站在线播放| 老鸭窝网址在线观看| 亚洲第一欧美日韩一区二区三区 | 日日爽夜夜爽网站| 成人永久免费在线观看视频 | 青草久久国产| 超色免费av| 欧美另类亚洲清纯唯美| 亚洲va日本ⅴa欧美va伊人久久| 极品少妇高潮喷水抽搐| 欧美日韩亚洲综合一区二区三区_| 欧美日韩福利视频一区二区| 亚洲av成人一区二区三| av线在线观看网站| 精品免费久久久久久久清纯 | 高清毛片免费观看视频网站 | 在线观看66精品国产| 男女午夜视频在线观看| 日韩视频一区二区在线观看| 亚洲国产欧美一区二区综合| 最新在线观看一区二区三区| 一级毛片精品| 天堂俺去俺来也www色官网| 亚洲精品久久成人aⅴ小说| 亚洲av欧美aⅴ国产| 国产成人av教育| 国产一区二区 视频在线| 国产精品99久久99久久久不卡| 国产一区有黄有色的免费视频| 久久久精品免费免费高清| 久久久久久久久久久久大奶| 精品午夜福利视频在线观看一区 | 999久久久精品免费观看国产| 欧美黄色片欧美黄色片| 国产黄频视频在线观看| 色视频在线一区二区三区| 麻豆成人av在线观看| 亚洲国产毛片av蜜桃av| 久久中文字幕一级| 性少妇av在线| 在线观看舔阴道视频| 黄网站色视频无遮挡免费观看| 国产一区有黄有色的免费视频| 极品教师在线免费播放| 少妇的丰满在线观看| 亚洲成人手机| 亚洲 国产 在线| 亚洲性夜色夜夜综合| 精品久久久久久电影网| 国产在视频线精品| av视频免费观看在线观看| 在线观看免费日韩欧美大片| 精品少妇久久久久久888优播| www.自偷自拍.com| 视频区欧美日本亚洲| 亚洲成a人片在线一区二区| 色婷婷久久久亚洲欧美| 国产不卡av网站在线观看| 免费观看a级毛片全部| 日本av手机在线免费观看| 亚洲三区欧美一区| 搡老岳熟女国产| 免费女性裸体啪啪无遮挡网站| 黄色片一级片一级黄色片| 超碰成人久久| 午夜福利乱码中文字幕| 青草久久国产| 久久精品国产综合久久久| 丁香六月天网| 日韩视频一区二区在线观看| 成人国产av品久久久| 亚洲国产欧美网| 国产高清激情床上av| 国产精品 国内视频| 天堂动漫精品| 精品国产一区二区三区久久久樱花| 丝袜人妻中文字幕| 99久久精品国产亚洲精品| 精品少妇久久久久久888优播| 欧美 亚洲 国产 日韩一| 国产男靠女视频免费网站| 久久av网站| av网站免费在线观看视频| 日韩一卡2卡3卡4卡2021年| 伦理电影免费视频| 咕卡用的链子| 黑人操中国人逼视频| 在线观看舔阴道视频| 飞空精品影院首页| 免费在线观看影片大全网站| 久久久国产欧美日韩av| 国产精品久久久av美女十八| 一区福利在线观看| h视频一区二区三区| 久久中文看片网| 男女床上黄色一级片免费看| 狠狠婷婷综合久久久久久88av| 久久久精品国产亚洲av高清涩受| 窝窝影院91人妻| 大型黄色视频在线免费观看| 久久精品成人免费网站| 日韩免费高清中文字幕av| 亚洲男人天堂网一区| 久热爱精品视频在线9| 国产在线免费精品| 成人三级做爰电影| 飞空精品影院首页| 国产成人精品久久二区二区91| 国产97色在线日韩免费| 老司机亚洲免费影院| 欧美黄色片欧美黄色片| 亚洲伊人久久精品综合| 久久国产亚洲av麻豆专区| 18禁观看日本| 中文字幕人妻丝袜制服| 丰满人妻熟妇乱又伦精品不卡| 久久婷婷成人综合色麻豆| 天天添夜夜摸| 国产精品久久电影中文字幕 | 99精品久久久久人妻精品| 亚洲自偷自拍图片 自拍| 久久久欧美国产精品| 国产欧美日韩综合在线一区二区| 欧美国产精品va在线观看不卡| 国产高清激情床上av| 美女主播在线视频| 欧美日韩国产mv在线观看视频| 欧美午夜高清在线| 精品国产一区二区久久| 777久久人妻少妇嫩草av网站| 亚洲久久久国产精品| 十分钟在线观看高清视频www| 少妇 在线观看| 欧美黑人欧美精品刺激| tocl精华| 热99国产精品久久久久久7| 精品少妇黑人巨大在线播放| 亚洲欧洲日产国产| 亚洲国产成人一精品久久久| 深夜精品福利| 精品午夜福利视频在线观看一区 | av免费在线观看网站| 国产免费现黄频在线看| 人人澡人人妻人| 在线观看免费视频网站a站| 无人区码免费观看不卡 | 亚洲av日韩在线播放| 99国产精品99久久久久| h视频一区二区三区| 国产精品秋霞免费鲁丝片| 亚洲欧美精品综合一区二区三区| 捣出白浆h1v1| 欧美另类亚洲清纯唯美| 欧美日韩黄片免| 人成视频在线观看免费观看| 亚洲av片天天在线观看| 亚洲,欧美精品.| 久久久久国产一级毛片高清牌| 少妇粗大呻吟视频| 老鸭窝网址在线观看| 香蕉久久夜色| 欧美激情极品国产一区二区三区| 亚洲精品国产色婷婷电影| 亚洲国产毛片av蜜桃av| 国产欧美日韩综合在线一区二区| 国产精品免费视频内射| 99精国产麻豆久久婷婷| 黄片播放在线免费| 在线观看一区二区三区激情| av福利片在线| 国产日韩欧美视频二区| 69av精品久久久久久 | 国产不卡一卡二| 日本vs欧美在线观看视频| 日韩一区二区三区影片| 亚洲国产精品一区二区三区在线| 日日摸夜夜添夜夜添小说| 久久天堂一区二区三区四区| 老司机午夜福利在线观看视频 | 宅男免费午夜| 亚洲国产中文字幕在线视频| 搡老岳熟女国产| 操美女的视频在线观看| 狠狠精品人妻久久久久久综合| 亚洲熟女精品中文字幕| 97人妻天天添夜夜摸| 香蕉丝袜av| 色综合婷婷激情| 考比视频在线观看| 国产黄色免费在线视频| 久久国产精品人妻蜜桃| 天天影视国产精品| tocl精华| 久久精品亚洲熟妇少妇任你| 午夜福利在线免费观看网站| 丰满人妻熟妇乱又伦精品不卡| 91字幕亚洲| 99香蕉大伊视频| 在线 av 中文字幕| 久久久水蜜桃国产精品网| 国产在线精品亚洲第一网站| 国产亚洲精品第一综合不卡| 高清毛片免费观看视频网站 | 成年人午夜在线观看视频| 亚洲av电影在线进入| 黄色怎么调成土黄色| 国产精品久久久人人做人人爽| 国产成人欧美在线观看 | 亚洲三区欧美一区| 午夜福利在线观看吧| 欧美激情久久久久久爽电影 | 91精品三级在线观看| 两个人看的免费小视频| 在线观看免费视频网站a站| 国产成人欧美在线观看 | 午夜精品国产一区二区电影| 欧美乱妇无乱码| 麻豆成人av在线观看| 中亚洲国语对白在线视频| 手机成人av网站| 久久人妻熟女aⅴ| 天天躁日日躁夜夜躁夜夜| 国产亚洲欧美在线一区二区| 久久青草综合色| 久久毛片免费看一区二区三区| 最新在线观看一区二区三区| 三上悠亚av全集在线观看| 国产黄频视频在线观看| 亚洲午夜精品一区,二区,三区| 亚洲九九香蕉| 91九色精品人成在线观看| 捣出白浆h1v1| 久久人妻av系列| 日韩欧美一区视频在线观看| 亚洲国产欧美在线一区| 亚洲国产毛片av蜜桃av| 99久久精品国产亚洲精品| 嫩草影视91久久| 国产欧美日韩综合在线一区二区| 亚洲精品国产区一区二| 嫁个100分男人电影在线观看| 亚洲欧美精品综合一区二区三区| 69av精品久久久久久 | 亚洲精品美女久久久久99蜜臀| 亚洲情色 制服丝袜| 美女高潮喷水抽搐中文字幕| 国产精品一区二区免费欧美| 亚洲av美国av| 我的亚洲天堂| 日本精品一区二区三区蜜桃| 淫妇啪啪啪对白视频| av视频免费观看在线观看| 亚洲国产中文字幕在线视频| 巨乳人妻的诱惑在线观看| 中文字幕色久视频| 欧美av亚洲av综合av国产av| 国产区一区二久久| av线在线观看网站| 精品国产一区二区久久| 丰满饥渴人妻一区二区三| 亚洲五月婷婷丁香| 又紧又爽又黄一区二区| 中亚洲国语对白在线视频| 一级a爱视频在线免费观看| 欧美精品人与动牲交sv欧美| 亚洲欧美精品综合一区二区三区| 久久精品91无色码中文字幕| 亚洲欧美激情在线|