• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)元件表面缺陷圖像分類

    2023-06-05 09:22:42侯勁堯劉衛(wèi)國(guó)高愛華葛少博肖相國(guó)
    應(yīng)用光學(xué) 2023年3期
    關(guān)鍵詞:噪點(diǎn)光學(xué)元件

    侯勁堯,劉衛(wèi)國(guó),周 順,高愛華,葛少博,肖相國(guó)

    (1.西安工業(yè)大學(xué) 光電工程學(xué)院,陜西 西安 710021;2.西安應(yīng)用光學(xué)研究所,陜西 西安 710065)

    引言

    表面缺陷是影響光學(xué)系統(tǒng)質(zhì)量的重要因素之一[1]。傳統(tǒng)的人工目視檢測(cè)方法易受到人工經(jīng)驗(yàn)和主觀因素的影響,導(dǎo)致測(cè)試結(jié)果誤差較大,無法滿足現(xiàn)行檢測(cè)要求和自動(dòng)生產(chǎn)線的在線生產(chǎn)要求。機(jī)器視覺檢測(cè)具有自動(dòng)化程度高、識(shí)別率高[2]和非接觸式測(cè)量等優(yōu)點(diǎn),逐漸成為主流表面缺陷檢測(cè)的方法和發(fā)展趨勢(shì)。

    目前已經(jīng)有大多成熟的算法可以有效完成對(duì)表面缺陷圖像的去噪和分割處理,而對(duì)于表面缺陷的分類,最常見的是利用表面缺陷的散射特性用肉眼進(jìn)行判定的目測(cè)法,但使用此法效率不高,易受人為因素影響,誤判率較高[3-4]。近年來,隨著以卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneural network,CNN)為代表的深度學(xué)習(xí)模型在諸多計(jì)算機(jī)視覺(computer vision,CV)領(lǐng)域成功應(yīng)用,例如人臉識(shí)別、場(chǎng)景文字檢測(cè)、目標(biāo)跟蹤和自動(dòng)駕駛等,不少基于深度學(xué)習(xí)的缺陷檢測(cè)方法也廣泛應(yīng)用在各種工業(yè)場(chǎng)景中[5-6]。如通過散射成像系統(tǒng),利用形狀因子將表面缺陷分為劃痕、麻點(diǎn)、噪點(diǎn)3 類,識(shí)別精度高,但識(shí)別速度很慢[7]?;蛘咄ㄟ^BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)劃痕和麻點(diǎn)的分類,但由于表面缺陷的隨機(jī)性,整體數(shù)據(jù)的識(shí)別率不高[8],通過神經(jīng)網(wǎng)絡(luò)將光學(xué)元件表面缺陷分為圓形、方形和條形輪廓,分類的情況較模糊[9]。

    1 表面缺陷檢測(cè)模型

    表面缺陷主要指麻點(diǎn)、擦痕、開口氣泡、破點(diǎn)及破邊等異常結(jié)構(gòu)。檢測(cè)時(shí)大多利用其對(duì)光的散射原理,通過顯微成像的方式成像在CCD 中,再結(jié)合相關(guān)的圖像處理軟件實(shí)現(xiàn)對(duì)表面缺陷的識(shí)別和分類[10-13]。

    本文通過顯微散射法來完成光學(xué)元件表面缺陷圖像的采集,如圖1(a)所示。為提高表面缺陷的檢測(cè)效率和精度,需結(jié)合圖像處理軟件完成對(duì)表面缺陷的進(jìn)一步處理。首先通過圖像預(yù)處理,使用濾波算法消除表面缺陷圖像的背景噪聲,平滑圖像降低不相關(guān)信息的干擾,利用形態(tài)學(xué)處理,能消除表面缺陷的毛刺和填補(bǔ)孔洞,降低了空氣中灰塵所造成的干擾,增加了表面缺陷輪廓提取的精確性。閾值分割則有效地將表面缺陷和背景分割出來,便于對(duì)表面缺陷特征的提取,最后利用最小外接矩形(minimum enclosing rectangle,MER)對(duì)表面缺陷進(jìn)行描述,如圖1(b)所示。

    圖1 表面缺陷圖像Fig.1 Surface defect images

    常見表面缺陷大多分為劃痕和麻點(diǎn)2 類,而在采用CCD 相機(jī)進(jìn)行圖像采集時(shí),空氣中的灰塵也會(huì)產(chǎn)生散射光,從而成像在CCD 中,我們將這類散射光形成的信息稱為噪點(diǎn)。因此本文針對(duì)表面缺陷成像的特性,將分類目標(biāo)確認(rèn)為劃痕、麻點(diǎn)和噪點(diǎn)3 類。

    目前,卷積神經(jīng)網(wǎng)絡(luò)逐漸成為所有識(shí)別和檢測(cè)任務(wù)的主導(dǎo)方法[14-17],不僅具有更好的泛化性能,且具有很強(qiáng)的抗噪聲能力,因此本文采用卷積神經(jīng)網(wǎng)絡(luò)模型用于光學(xué)元件表面缺陷的分類。該模型將工件表面缺陷數(shù)據(jù)集作為模型的輸入,使用卷積層和池化層提取數(shù)據(jù)的內(nèi)部特征,將提取的特征輸入到Softmax 分類器進(jìn)行分類,以提高反射鏡表面缺陷分類的準(zhǔn)確性。

    2 基于卷積神經(jīng)網(wǎng)絡(luò)的表面缺陷分類

    2.1 表面缺陷數(shù)據(jù)集

    如圖2 所示,得到表面缺陷的MER,分別計(jì)算表面缺陷MER 的長(zhǎng)軸、短軸和外接矩形面積SMER,并得到表面缺陷所占的像素即面積S。通過(1)式,可以得到表面缺陷的矩形度。

    圖2 表面缺陷MER 模型Fig.2 MER model of surface defects

    對(duì)于光學(xué)元件的表面缺陷,經(jīng)過人工的初步篩選,基本滿足了使用標(biāo)準(zhǔn),表面缺陷在光學(xué)元件中存在的數(shù)量較少。

    在檢測(cè)過程得到的圖像,麻點(diǎn)類的表面缺陷多為μm 級(jí)別,劃痕類缺陷長(zhǎng)寬比大致為1∶10~1∶50,對(duì)于光學(xué)元件,其表面粗糙度Ra≤0.5 nm,表面光潔度較高,因此圖像中的噪點(diǎn)多是由空氣中的灰塵所造成的。

    通過圖1(b)可以看出,圖中共包括劃痕1 個(gè)(藍(lán)色)、麻點(diǎn)10 個(gè)(紅色)、噪點(diǎn)15 個(gè)(綠色),通過MER 模型得到表面缺陷的長(zhǎng)、寬和面積等信息,其中噪點(diǎn)各數(shù)據(jù)之間的相似度較高。本文主要分析劃痕、麻點(diǎn)和噪點(diǎn)的差異性,統(tǒng)計(jì)了圖1(b)中的部分?jǐn)?shù)據(jù),其中包括噪點(diǎn)5 個(gè)(序號(hào)12,11~13)、麻點(diǎn)5 個(gè)(序號(hào)16~20)、劃痕1 個(gè)(序號(hào)26),如表1 所示。因噪點(diǎn)所占的像素比例少,其MER無法包含整個(gè)缺陷區(qū)域,往往存在SMER<S,而對(duì)于麻點(diǎn)和劃痕則有SMER>S,其結(jié)果在0~1 變化,當(dāng)P=1 時(shí),表面缺陷為矩形。

    “知道了。”話雖這么說,可是,我并未打消要吃宵夜的念頭。趁媽媽上床休息的時(shí)候,我跑到冰箱前,拿了一塊巧克力。可誰知,一回頭媽媽就站在我身后。

    表1 表面缺陷特征提取Table 1 Feature extraction of surface defects

    光學(xué)元件表面缺陷圖像大多為暗背景的亮像。針對(duì)這類圖像,卷積神經(jīng)網(wǎng)絡(luò)是目前主流的做法,光學(xué)元件表面缺陷圖像分類流程圖如圖3 所示。在表面缺陷的像素矩陣中,表面缺陷區(qū)域存在連通域,是可以被觀測(cè)到的。根據(jù)這個(gè)矩陣,光學(xué)元件圖像將會(huì)根據(jù)表面缺陷像素的大小進(jìn)行劃分。原始采集的光學(xué)元件表面缺陷圖像的大小是768×576 像素??紤]到我們分辨的表面缺陷尺寸大多是人眼極限分辨率以下的,即長(zhǎng)軸≤100 μm,通過相機(jī)標(biāo)定得到實(shí)際尺寸和像素之間的比例為0.83∶1,因此我們?cè)O(shè)計(jì)的判別區(qū)域的大小是120×120個(gè)像素。

    圖3 光學(xué)元件表面缺陷圖像分類流程圖Fig.3 Classification flow chart of surface defect images of optical elements

    為了平衡不同樣本的數(shù)量,本文實(shí)驗(yàn)中采集了900 張表面缺陷圖像。其中表面缺陷圖像中劃痕、麻點(diǎn)和噪點(diǎn)各300 張。經(jīng)過隨機(jī)選擇180 張作為測(cè)試集,其余720 張作為訓(xùn)練集。

    為了防止訓(xùn)練過程中的過擬合,將圖片進(jìn)行數(shù)據(jù)擴(kuò)增,考慮到表面缺陷的成像特征,如圖4 所示,通過對(duì)表面缺陷圖像進(jìn)行旋轉(zhuǎn)以及對(duì)鏡像的方式來擴(kuò)充圖像,通過對(duì)不同方位表面缺陷圖像的特征提取,可以加強(qiáng)網(wǎng)絡(luò)的訓(xùn)練能力,提高分類的精確度。

    圖4 表面缺陷圖像數(shù)據(jù)集的建立Fig.4 Establishment of dataset for surface defect images

    2.2 卷積網(wǎng)絡(luò)模型的建立和優(yōu)化

    光學(xué)元件表面缺陷圖像的在線檢測(cè),其目的是識(shí)別并分類表面缺陷,并且保證圖像在經(jīng)過旋轉(zhuǎn)、鏡像等后,依然可以識(shí)別。因此本文采用AlexNet網(wǎng)絡(luò)[3],AlexNet 是在LeNet 的基礎(chǔ)上加深了網(wǎng)絡(luò)的結(jié)構(gòu),主要分為輸入層、特征提取器和分類器,如圖5 所示。

    圖5 AlexNet 網(wǎng)絡(luò)模型Fig.5 AlexNet network model

    為提升網(wǎng)絡(luò)的計(jì)算性能,本文采用非對(duì)稱卷積(asymmetric convolution,AC)替換AlexNet 中的卷積層以訓(xùn)練網(wǎng)絡(luò)模型[18]。其原理如(2)式所示。輸入特征圖I,先進(jìn)行K(1)和I卷積,K(2)和I卷積后再對(duì)結(jié)果進(jìn)行相加,與先進(jìn)行K(1)和K(2)的逐點(diǎn)相加后再和I進(jìn)行卷積得到的結(jié)果是一致的。

    如圖6 所示,AC 的整體過程分為訓(xùn)練和推理階段,因?yàn)榫矸e是大多數(shù)網(wǎng)絡(luò)的基礎(chǔ)組件,因此實(shí)驗(yàn)都是針對(duì)3×3 卷積進(jìn)行的。訓(xùn)練階段就是將現(xiàn)有網(wǎng)絡(luò)中的每一個(gè)3×3 卷積換成1×3 卷積+3×1卷積+3×3 卷積共3 個(gè)卷積層,最終將這3 個(gè)卷積層的計(jì)算結(jié)果進(jìn)行融合獲得卷積層的輸出。用融合后的卷積核參數(shù)初始化現(xiàn)有網(wǎng)絡(luò),通過1×3 和3×1 卷積對(duì)3×3 方形核的中心十字進(jìn)行加強(qiáng),增強(qiáng)了3×3 卷積核十字區(qū)域的圖像特征的提取參數(shù),再利用3×3 卷積核進(jìn)行計(jì)算,得到卷積層的輸出。該網(wǎng)絡(luò)對(duì)于旋轉(zhuǎn)和鏡像的圖像具有較好的魯棒性,在推理階段的計(jì)算量不會(huì)增加,且提升了CNN 網(wǎng)絡(luò)的核心特征提取能力。

    圖6 非對(duì)稱卷積過程Fig.6 Asymmetric convolution process

    本文所使用的網(wǎng)絡(luò)結(jié)構(gòu)將表面圖像塊輸入至神經(jīng)網(wǎng)絡(luò)中時(shí),特征提取器主要包括非對(duì)稱卷積層和池化層,使用3×3 的卷積核進(jìn)行卷積操作,然后執(zhí)行3×3 的池化操作,接著繼續(xù)執(zhí)行卷積和池化,最后計(jì)算全連接層與分類器的最終分類。該模型被廣泛應(yīng)用于特征提取環(huán)節(jié),本文所用網(wǎng)絡(luò)的模型如圖7 所示。

    圖7 本文網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Proposed network structure

    本文方法用以分類120×120 光學(xué)元件表面缺陷圖像。在特征提取部分,此處的AC 均為核大小3×3 的非對(duì)稱性卷積,再通過ReLU 激活函數(shù)輸入給下一級(jí)網(wǎng)絡(luò)層。MAX-Pool 為最大池化層,對(duì)特征圖像進(jìn)行降采樣處理。對(duì)于分類部分采用全連接層結(jié)合dropout 層實(shí)現(xiàn)表面缺陷圖像的3 分類。

    本文使用3×3 的非對(duì)稱卷積代替原本AleNet模型中大小為11×11 和5×5 的卷積層,同時(shí)全連接層的輸出節(jié)點(diǎn)數(shù)設(shè)置為2 048。對(duì)于整體網(wǎng)絡(luò)參數(shù)來說,既減小了參數(shù)量,又增加了網(wǎng)絡(luò)的分線性擬合能力。通過表2 可以看出,改進(jìn)后的網(wǎng)絡(luò)模型比原本的AleNet 模型參數(shù)量減小了6%。

    表2 改進(jìn)前后網(wǎng)絡(luò)模型參數(shù)量的對(duì)比Table 2 Comparison of network model parameters before and after improvement

    卷積神經(jīng)網(wǎng)絡(luò)內(nèi)卷積層與池化層交替出現(xiàn),在卷積層內(nèi),經(jīng)過卷積核的卷積操作與激活函數(shù)的處理等過程,光學(xué)元件表面缺陷圖像相關(guān)數(shù)據(jù)會(huì)生成光學(xué)圖像表現(xiàn)缺陷輪廓特征圖。在池化層內(nèi),光學(xué)元件表面圖像相關(guān)數(shù)據(jù)會(huì)依照減采樣算子實(shí)施減采樣操作。

    在圖7 所示的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi),采用Softmax 分類器,利用(3)式可表示分類器的激活函數(shù):

    式中:kθ和θ表示輸出分類概率向量和分類器輸出層與輸入層間的參數(shù)向量;i和r分別表示第i個(gè)訓(xùn)練樣本和分類數(shù)量;x表示輸入層內(nèi)輸入的圖像樣本;kθ取值范圍為[0,1],總和為1。

    式(4)為訓(xùn)練所用的代價(jià)函數(shù):

    式中:m和u分別表示訓(xùn)練樣本總量和輸出結(jié)果。

    首先,光學(xué)元件表面缺陷圖像作為第一層的輸入,然后,卷積層與池化層對(duì)輸入圖像執(zhí)行特征提取和維度降采樣,將特征信息整合在全連接層作為下一步的輸出特征。在全連接層之后使用參數(shù)為0.5 的dropout 層,可以避免網(wǎng)絡(luò)訓(xùn)練時(shí)的過擬合現(xiàn)象。經(jīng)過dropout 層后的全連接層在訓(xùn)練時(shí),其節(jié)點(diǎn)數(shù)會(huì)以0.5 倍縮減因子實(shí)現(xiàn)隨機(jī)縮減,有效地減少了網(wǎng)絡(luò)的訓(xùn)練參數(shù),在提高了網(wǎng)絡(luò)非線性擬合的同時(shí)縮短了訓(xùn)練時(shí)間。

    輸出特征使用Softmax 分類器執(zhí)行分類,經(jīng)過不斷強(qiáng)化訓(xùn)練,提高其分類性能,進(jìn)一步探索這些特征的類別,提高分類的準(zhǔn)確性,并做出新的決策。

    3 實(shí)驗(yàn)結(jié)果及討論

    將光學(xué)元件表明缺陷圖像數(shù)據(jù)按照4∶1 劃分為訓(xùn)練集和測(cè)試集,在訓(xùn)練時(shí),將其隨機(jī)翻轉(zhuǎn)并歸一化到[-1,1]輸入至網(wǎng)絡(luò)中。由于實(shí)驗(yàn)設(shè)備限制,batch_size 設(shè)置為16,steps_per_epoch 設(shè)置為100,為了保證得到最好的訓(xùn)練效果,實(shí)驗(yàn)epoch 設(shè)置為200。訓(xùn)練使用Adam 優(yōu)化器,學(xué)習(xí)率設(shè)置為1×10-4。本文在Linux 環(huán)境下進(jìn)行實(shí)驗(yàn),深度學(xué)習(xí)框架采用Tensorflow2.1 的GPU 版本,硬件配置為2 塊NVIDIA RTX 2 060。

    本實(shí)驗(yàn)將測(cè)試集的數(shù)據(jù)使用卷積網(wǎng)絡(luò)模型進(jìn)行分類,得到的結(jié)果如表3 所示,劃痕與麻點(diǎn)識(shí)別的準(zhǔn)確率較高,而噪點(diǎn)識(shí)別準(zhǔn)確率較低。由于噪點(diǎn)特征的隨機(jī)性變化較大且其在整幅表面缺陷圖像中所占的像素比較小,缺陷特征復(fù)雜程度更高,因此容易造成結(jié)果的誤判。本文算法的識(shí)別精度都在97%以上,對(duì)于常規(guī)的光學(xué)元件表面缺陷的識(shí)別和分類具有一定的穩(wěn)定性。

    表3 本文網(wǎng)絡(luò)識(shí)別結(jié)果Table 3 Identification results of proposed network %

    為了驗(yàn)證本文所采用的網(wǎng)絡(luò)結(jié)構(gòu)在光學(xué)元件表面缺陷在線分類的有效性和精確性,本文實(shí)驗(yàn)與其他4 種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型相對(duì)比,其結(jié)果如表4 所示。

    表4 模型對(duì)比實(shí)驗(yàn)Table 4 Model comparison experiments

    實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)采用包括靈敏度(Sensitivity)、特異性(Specificity)、精確性(Precision)和算法運(yùn)行時(shí)間(Times)共4 個(gè)不同的性能指標(biāo)對(duì)本文的模型進(jìn)行整體充分評(píng)估。各指標(biāo)計(jì)算公式如式(5)、式(6)和式(7)所示。

    式中:TP真陽性(true positives)表示被正確識(shí)別為正例的個(gè)數(shù);FP假陽性(false positive)表示被錯(cuò)誤識(shí)別為正例的個(gè)數(shù);TN真陰性(true nagative)表示被正確識(shí)別為負(fù)例的個(gè)數(shù);FN假陰性(false nagative)表示被錯(cuò)誤識(shí)別為負(fù)例的個(gè)數(shù)。

    使用相同的表面數(shù)據(jù)集訓(xùn)練其他4 種經(jīng)典神經(jīng)網(wǎng)絡(luò)VGG16、ResNet50、InceptionV3 與AlexNet進(jìn)行比較,本文模型方法在4 個(gè)評(píng)價(jià)指標(biāo)中均取得最高值,靈敏度達(dá)到89.97%。本文模型的分類準(zhǔn)確率達(dá)到99.05%,相比其余4 個(gè)神經(jīng)網(wǎng)路,提高了分類的準(zhǔn)確性。在時(shí)間上本文模型的時(shí)間最短,用時(shí)18.46 s,通過遷移學(xué)習(xí)提高了神經(jīng)網(wǎng)絡(luò)的性能,使訓(xùn)練時(shí)間降低。綜合結(jié)果表明,本文模型的分類性能優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型。

    4 結(jié)論

    光學(xué)元件的表面缺陷會(huì)直接影響光學(xué)系統(tǒng)的性能。為了有效實(shí)現(xiàn)光學(xué)元件表面缺陷的分類,本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)元件表面缺陷分類方法,將表面缺陷分為劃痕、麻點(diǎn)和噪點(diǎn)3 類。實(shí)驗(yàn)中考慮到表面缺陷特征的復(fù)雜性,通過對(duì)圖像的旋轉(zhuǎn)和鏡像處理,在不改變表面缺陷特征的情況下擴(kuò)增了數(shù)據(jù)集,再采用非對(duì)稱卷積訓(xùn)練網(wǎng)絡(luò)模型,提高了網(wǎng)絡(luò)的核心提取能力。與原本的ALexNet 網(wǎng)絡(luò)相比,本文方法在降低6%參數(shù)量的同時(shí),使分類精度提升1.85%,通過與其他深度學(xué)習(xí)模型性能對(duì)比實(shí)驗(yàn),可以看出本文使用的模型具有較高的分類性能,這表明該模型在光學(xué)元件表面缺陷識(shí)別和分類領(lǐng)域中具有較深遠(yuǎn)的前景。

    猜你喜歡
    噪點(diǎn)光學(xué)元件
    滑輪組的裝配
    光學(xué)常見考題逐個(gè)擊破
    相機(jī)學(xué)院
    低相噪點(diǎn)頻源的設(shè)計(jì)與驗(yàn)證
    技術(shù)櫥窗
    用Lightroom降低畫面的噪點(diǎn)表現(xiàn)
    QFN元件的返工指南
    在新興產(chǎn)業(yè)看小元件如何發(fā)揮大作用
    寶馬i3高電壓元件介紹(上)
    光學(xué)遙感壓縮成像技術(shù)
    久久久久久九九精品二区国产| 一区二区三区免费毛片| 亚洲精品一区av在线观看| 欧美绝顶高潮抽搐喷水| 久久久国产成人精品二区| 观看美女的网站| www.999成人在线观看| 国产爱豆传媒在线观看| 国产成+人综合+亚洲专区| 成人欧美大片| 99热6这里只有精品| 久久6这里有精品| 啦啦啦免费观看视频1| 夜夜躁狠狠躁天天躁| 免费看日本二区| 97超视频在线观看视频| 麻豆成人av在线观看| 国产精品美女特级片免费视频播放器| 国产精品爽爽va在线观看网站| 在线观看一区二区三区| 夜夜看夜夜爽夜夜摸| 天堂网av新在线| 夜夜夜夜夜久久久久| 嫩草影院入口| 香蕉av资源在线| 一进一出抽搐gif免费好疼| 亚洲av二区三区四区| 亚洲av中文字字幕乱码综合| 99久国产av精品| 69人妻影院| 午夜免费观看网址| 999久久久精品免费观看国产| 午夜视频国产福利| 国内精品久久久久久久电影| 国产精品久久久久久人妻精品电影| 99热只有精品国产| 亚洲av成人不卡在线观看播放网| 亚洲av五月六月丁香网| 亚洲欧美精品综合久久99| 国模一区二区三区四区视频| 色综合婷婷激情| 19禁男女啪啪无遮挡网站| 在线观看一区二区三区| 激情在线观看视频在线高清| 看免费av毛片| 欧美大码av| 亚洲人与动物交配视频| 噜噜噜噜噜久久久久久91| 国产精品,欧美在线| 香蕉av资源在线| 亚洲真实伦在线观看| 老熟妇乱子伦视频在线观看| 美女被艹到高潮喷水动态| 亚洲第一电影网av| tocl精华| 99国产综合亚洲精品| 中文字幕人成人乱码亚洲影| 欧美区成人在线视频| 窝窝影院91人妻| 尤物成人国产欧美一区二区三区| 真人一进一出gif抽搐免费| 国产精品爽爽va在线观看网站| 国产精品久久久久久精品电影| 亚洲中文字幕一区二区三区有码在线看| 日日摸夜夜添夜夜添小说| 蜜桃亚洲精品一区二区三区| 中亚洲国语对白在线视频| 国产欧美日韩精品亚洲av| 国产真实伦视频高清在线观看 | 成人国产综合亚洲| 欧美中文综合在线视频| 男人和女人高潮做爰伦理| 国产一区二区在线av高清观看| 人人妻,人人澡人人爽秒播| 亚洲欧美日韩东京热| 高潮久久久久久久久久久不卡| 97超级碰碰碰精品色视频在线观看| 日本 欧美在线| 九九热线精品视视频播放| 男女床上黄色一级片免费看| 成人特级av手机在线观看| 亚洲黑人精品在线| 19禁男女啪啪无遮挡网站| 国产精品久久久人人做人人爽| 美女大奶头视频| 夜夜看夜夜爽夜夜摸| 无限看片的www在线观看| 国产色婷婷99| 亚洲不卡免费看| 国产日本99.免费观看| 午夜免费激情av| 国产黄色小视频在线观看| 一个人免费在线观看的高清视频| 国产男靠女视频免费网站| 免费av不卡在线播放| 国产av一区在线观看免费| 久久精品国产99精品国产亚洲性色| 一级作爱视频免费观看| 村上凉子中文字幕在线| 免费无遮挡裸体视频| 一卡2卡三卡四卡精品乱码亚洲| 亚洲最大成人手机在线| 日韩av在线大香蕉| 亚洲av日韩精品久久久久久密| 最新中文字幕久久久久| 亚洲真实伦在线观看| 亚洲成人久久性| 精品国产亚洲在线| 一个人看视频在线观看www免费 | eeuss影院久久| eeuss影院久久| 亚洲成人精品中文字幕电影| av中文乱码字幕在线| 久久香蕉精品热| 岛国在线观看网站| 一个人看视频在线观看www免费 | 丁香欧美五月| 亚洲专区中文字幕在线| 全区人妻精品视频| 在线观看免费视频日本深夜| 搡老熟女国产l中国老女人| 亚洲欧美日韩高清在线视频| 高潮久久久久久久久久久不卡| 国产精品一区二区免费欧美| 色av中文字幕| xxxwww97欧美| 国产视频内射| 最新在线观看一区二区三区| 欧美日本亚洲视频在线播放| 免费无遮挡裸体视频| 9191精品国产免费久久| 人妻丰满熟妇av一区二区三区| 国产久久久一区二区三区| 老司机午夜福利在线观看视频| 两人在一起打扑克的视频| 黄色片一级片一级黄色片| 亚洲国产色片| 给我免费播放毛片高清在线观看| 嫩草影院精品99| 九九热线精品视视频播放| 深夜精品福利| 国产一区在线观看成人免费| 精品人妻1区二区| 一个人看的www免费观看视频| 中文资源天堂在线| 在线国产一区二区在线| 精品久久久久久久久久免费视频| 高清在线国产一区| av黄色大香蕉| 尤物成人国产欧美一区二区三区| 亚洲人成网站在线播| 亚洲av不卡在线观看| 亚洲欧美激情综合另类| 别揉我奶头~嗯~啊~动态视频| 欧美成人一区二区免费高清观看| 18禁黄网站禁片午夜丰满| 一卡2卡三卡四卡精品乱码亚洲| 久久久国产成人免费| 欧美成人一区二区免费高清观看| 99久久无色码亚洲精品果冻| 高清毛片免费观看视频网站| 日本一二三区视频观看| 一边摸一边抽搐一进一小说| bbb黄色大片| 一进一出抽搐动态| 久9热在线精品视频| 精品免费久久久久久久清纯| 在线观看美女被高潮喷水网站 | 一级毛片高清免费大全| 色综合婷婷激情| 国产熟女xx| 午夜免费男女啪啪视频观看 | 国产成人啪精品午夜网站| 精品日产1卡2卡| 18禁黄网站禁片午夜丰满| 日本黄色片子视频| 夜夜夜夜夜久久久久| 最新在线观看一区二区三区| 美女高潮的动态| 精品久久久久久成人av| 成熟少妇高潮喷水视频| 特大巨黑吊av在线直播| 久久伊人香网站| 日日夜夜操网爽| 99久久九九国产精品国产免费| 成年版毛片免费区| 欧美日韩黄片免| 身体一侧抽搐| 国内精品美女久久久久久| 一进一出抽搐gif免费好疼| 此物有八面人人有两片| 此物有八面人人有两片| 亚洲自拍偷在线| av中文乱码字幕在线| 亚洲美女黄片视频| 亚洲精品成人久久久久久| 99精品欧美一区二区三区四区| 久久精品国产清高在天天线| 亚洲熟妇熟女久久| 国产av不卡久久| 国产三级黄色录像| 90打野战视频偷拍视频| 51午夜福利影视在线观看| 夜夜爽天天搞| 国产精品 国内视频| 无人区码免费观看不卡| 日本撒尿小便嘘嘘汇集6| 欧美成人免费av一区二区三区| 99热这里只有精品一区| 高清在线国产一区| 亚洲人成网站高清观看| 日日摸夜夜添夜夜添小说| 久久久久久九九精品二区国产| 日韩欧美 国产精品| 精品电影一区二区在线| 亚洲片人在线观看| 女生性感内裤真人,穿戴方法视频| 99国产综合亚洲精品| 99国产精品一区二区蜜桃av| 久久精品91无色码中文字幕| 欧美成人一区二区免费高清观看| 成年人黄色毛片网站| 51国产日韩欧美| 人妻久久中文字幕网| 内地一区二区视频在线| svipshipincom国产片| 内射极品少妇av片p| 国产真人三级小视频在线观看| 中文字幕人妻丝袜一区二区| 欧美成人a在线观看| 免费观看的影片在线观看| 51国产日韩欧美| 久久精品国产99精品国产亚洲性色| 午夜久久久久精精品| 欧美一级a爱片免费观看看| 亚洲国产欧美网| 国产毛片a区久久久久| 精品人妻1区二区| 国产高清激情床上av| 九色成人免费人妻av| 欧美性感艳星| 1024手机看黄色片| 欧美大码av| 波多野结衣巨乳人妻| 欧美精品啪啪一区二区三区| 国语自产精品视频在线第100页| 国产乱人视频| 国产av在哪里看| 国产精品香港三级国产av潘金莲| 午夜免费观看网址| 成年女人永久免费观看视频| 亚洲欧美一区二区三区黑人| 欧美黑人巨大hd| av视频在线观看入口| 一个人免费在线观看的高清视频| 日韩欧美免费精品| 男人的好看免费观看在线视频| 亚洲av日韩精品久久久久久密| 欧美性猛交╳xxx乱大交人| 亚洲av美国av| 亚洲av第一区精品v没综合| 午夜老司机福利剧场| 很黄的视频免费| 色尼玛亚洲综合影院| 天堂av国产一区二区熟女人妻| 少妇熟女aⅴ在线视频| 亚洲人成网站在线播放欧美日韩| 亚洲欧美日韩无卡精品| 欧美午夜高清在线| 90打野战视频偷拍视频| 欧美黑人巨大hd| www国产在线视频色| 精品久久久久久久久久免费视频| 18+在线观看网站| 欧美精品啪啪一区二区三区| 成人国产一区最新在线观看| 搡女人真爽免费视频火全软件 | 欧美日韩国产亚洲二区| 757午夜福利合集在线观看| 欧美日韩黄片免| 18禁黄网站禁片免费观看直播| 琪琪午夜伦伦电影理论片6080| 国产高清有码在线观看视频| 禁无遮挡网站| 成年女人毛片免费观看观看9| 99热这里只有是精品50| 国产亚洲精品av在线| 日本免费一区二区三区高清不卡| 久久国产乱子伦精品免费另类| 97人妻精品一区二区三区麻豆| 高清日韩中文字幕在线| 中亚洲国语对白在线视频| 18禁黄网站禁片午夜丰满| www.熟女人妻精品国产| a级一级毛片免费在线观看| 国产精品亚洲一级av第二区| 国产精品影院久久| 高清日韩中文字幕在线| 成人午夜高清在线视频| av女优亚洲男人天堂| 特大巨黑吊av在线直播| 免费人成在线观看视频色| 手机成人av网站| 精品人妻偷拍中文字幕| 国产成人系列免费观看| www.999成人在线观看| av天堂在线播放| 亚洲专区中文字幕在线| 久久国产精品影院| 一个人看视频在线观看www免费 | 全区人妻精品视频| 在线观看66精品国产| 日韩国内少妇激情av| 亚洲欧美日韩东京热| 91在线观看av| 国产极品精品免费视频能看的| 久久久久久九九精品二区国产| 无遮挡黄片免费观看| 老熟妇乱子伦视频在线观看| 亚洲av中文字字幕乱码综合| 国产成人啪精品午夜网站| 亚洲欧美激情综合另类| 亚洲av免费高清在线观看| 51午夜福利影视在线观看| 听说在线观看完整版免费高清| 老汉色av国产亚洲站长工具| 久久精品国产清高在天天线| 最新中文字幕久久久久| 午夜老司机福利剧场| 午夜激情欧美在线| av黄色大香蕉| 又黄又爽又免费观看的视频| 在线观看av片永久免费下载| 欧美午夜高清在线| 搡老妇女老女人老熟妇| 亚洲国产色片| 亚洲在线自拍视频| 国产亚洲精品久久久久久毛片| 亚洲真实伦在线观看| 长腿黑丝高跟| 男插女下体视频免费在线播放| 性欧美人与动物交配| 国产精品99久久久久久久久| 久久久久久人人人人人| 宅男免费午夜| 欧美激情在线99| aaaaa片日本免费| 国产av麻豆久久久久久久| 精品不卡国产一区二区三区| 国产成人系列免费观看| 久久久国产精品麻豆| 久久久久性生活片| 国产激情欧美一区二区| 欧美区成人在线视频| 国产精品香港三级国产av潘金莲| 18禁在线播放成人免费| 午夜精品久久久久久毛片777| 男女那种视频在线观看| 国产乱人伦免费视频| 91av网一区二区| 噜噜噜噜噜久久久久久91| 欧美日韩一级在线毛片| 亚洲人成网站高清观看| 又紧又爽又黄一区二区| 国产真实伦视频高清在线观看 | 很黄的视频免费| 国产欧美日韩精品一区二区| 亚洲中文字幕日韩| 亚洲片人在线观看| 一个人观看的视频www高清免费观看| 久久久国产成人精品二区| 欧美高清成人免费视频www| 国产高潮美女av| 亚洲18禁久久av| 国产亚洲av嫩草精品影院| 国产精品 欧美亚洲| 婷婷亚洲欧美| 午夜福利欧美成人| а√天堂www在线а√下载| 热99re8久久精品国产| 国产激情欧美一区二区| 国产免费一级a男人的天堂| 国产国拍精品亚洲av在线观看 | 性欧美人与动物交配| 91九色精品人成在线观看| 97碰自拍视频| 成人特级av手机在线观看| 成人av在线播放网站| 一级毛片女人18水好多| 亚洲专区国产一区二区| 18禁黄网站禁片免费观看直播| 一个人观看的视频www高清免费观看| www国产在线视频色| 精品人妻一区二区三区麻豆 | svipshipincom国产片| 757午夜福利合集在线观看| 日韩欧美 国产精品| 午夜福利在线在线| 成人三级黄色视频| 岛国视频午夜一区免费看| 国产黄a三级三级三级人| 色综合站精品国产| 国产精品精品国产色婷婷| 在线观看午夜福利视频| 少妇人妻精品综合一区二区 | 亚洲国产精品成人综合色| 久久草成人影院| 欧美日韩瑟瑟在线播放| 97人妻精品一区二区三区麻豆| 51午夜福利影视在线观看| 国产激情欧美一区二区| 欧美午夜高清在线| 99在线视频只有这里精品首页| 免费在线观看日本一区| 国产精品综合久久久久久久免费| 久久香蕉国产精品| 国产成人av教育| 亚洲va日本ⅴa欧美va伊人久久| 色吧在线观看| 国产欧美日韩一区二区精品| 日韩大尺度精品在线看网址| 99久久久亚洲精品蜜臀av| 我要搜黄色片| 亚洲avbb在线观看| 午夜两性在线视频| 中文字幕人妻丝袜一区二区| 麻豆成人午夜福利视频| 久久精品国产综合久久久| 女人高潮潮喷娇喘18禁视频| 亚洲av电影在线进入| 亚洲精品456在线播放app | 天堂动漫精品| 午夜激情欧美在线| 特级一级黄色大片| 国产伦精品一区二区三区视频9 | 欧洲精品卡2卡3卡4卡5卡区| 亚洲va日本ⅴa欧美va伊人久久| 国产主播在线观看一区二区| 青草久久国产| 一级毛片高清免费大全| 色在线成人网| 精品久久久久久久末码| 国产高清有码在线观看视频| 亚洲不卡免费看| 国产一区二区三区视频了| 午夜福利免费观看在线| 国产69精品久久久久777片| 白带黄色成豆腐渣| 欧美黄色片欧美黄色片| 成人av在线播放网站| 欧美另类亚洲清纯唯美| 亚洲成av人片在线播放无| 搡老岳熟女国产| a在线观看视频网站| 日日摸夜夜添夜夜添小说| 精品久久久久久,| 中亚洲国语对白在线视频| 亚洲在线观看片| 村上凉子中文字幕在线| 中亚洲国语对白在线视频| 怎么达到女性高潮| 91av网一区二区| a在线观看视频网站| 午夜视频国产福利| 日韩 欧美 亚洲 中文字幕| 午夜福利视频1000在线观看| 午夜日韩欧美国产| 国产欧美日韩一区二区三| 18禁黄网站禁片午夜丰满| 伊人久久精品亚洲午夜| 91麻豆精品激情在线观看国产| 禁无遮挡网站| 国产毛片a区久久久久| 深夜精品福利| 色综合欧美亚洲国产小说| 欧美三级亚洲精品| 舔av片在线| 亚洲av不卡在线观看| 国产极品精品免费视频能看的| 最近视频中文字幕2019在线8| 国产又黄又爽又无遮挡在线| 神马国产精品三级电影在线观看| 亚洲五月天丁香| 啦啦啦韩国在线观看视频| 色在线成人网| 欧美乱妇无乱码| 国产免费男女视频| 日韩欧美三级三区| 国产97色在线日韩免费| av福利片在线观看| 亚洲无线在线观看| 国内久久婷婷六月综合欲色啪| 91字幕亚洲| 亚洲精品影视一区二区三区av| 窝窝影院91人妻| 色吧在线观看| 日本黄色片子视频| 国产99白浆流出| 亚洲七黄色美女视频| 脱女人内裤的视频| 亚洲精品成人久久久久久| 免费在线观看亚洲国产| 久久香蕉精品热| 香蕉丝袜av| 观看免费一级毛片| 国产不卡一卡二| 老司机福利观看| 成人三级黄色视频| 久久午夜亚洲精品久久| 国内精品一区二区在线观看| 天堂√8在线中文| 色av中文字幕| 亚洲精品亚洲一区二区| 国产精品久久视频播放| netflix在线观看网站| 午夜免费观看网址| 成年女人毛片免费观看观看9| 久久久久久九九精品二区国产| 成年人黄色毛片网站| 在线观看免费视频日本深夜| 色综合站精品国产| 级片在线观看| 国产野战对白在线观看| 国产麻豆成人av免费视频| 网址你懂的国产日韩在线| 国产精品爽爽va在线观看网站| 国产av一区在线观看免费| 九九在线视频观看精品| 国产精品,欧美在线| 国产成人欧美在线观看| 亚洲国产高清在线一区二区三| 一个人免费在线观看电影| 久久精品国产99精品国产亚洲性色| 岛国在线观看网站| 麻豆国产97在线/欧美| 亚洲人与动物交配视频| 网址你懂的国产日韩在线| av在线天堂中文字幕| 啦啦啦韩国在线观看视频| 黄色女人牲交| 国产成人欧美在线观看| 国产高潮美女av| 午夜老司机福利剧场| 日本熟妇午夜| 乱人视频在线观看| 成人一区二区视频在线观看| 欧美bdsm另类| 最新在线观看一区二区三区| 日韩欧美 国产精品| 日韩高清综合在线| 少妇熟女aⅴ在线视频| 一夜夜www| 国产亚洲精品综合一区在线观看| 深夜精品福利| 亚洲国产精品久久男人天堂| 欧美日本亚洲视频在线播放| 在线观看日韩欧美| 亚洲人成网站在线播放欧美日韩| 亚洲五月天丁香| 日本熟妇午夜| 听说在线观看完整版免费高清| av专区在线播放| 深夜精品福利| 丰满人妻熟妇乱又伦精品不卡| 搡老岳熟女国产| xxxwww97欧美| 久久久久亚洲av毛片大全| 麻豆国产av国片精品| 亚洲人成网站在线播放欧美日韩| 免费人成视频x8x8入口观看| 精品不卡国产一区二区三区| 午夜精品在线福利| 免费在线观看影片大全网站| 亚洲人与动物交配视频| 国产三级中文精品| xxxwww97欧美| 91av网一区二区| 国产久久久一区二区三区| 草草在线视频免费看| 99久久成人亚洲精品观看| 美女黄网站色视频| 亚洲av成人精品一区久久| 久久精品影院6| 国产探花在线观看一区二区| 丰满乱子伦码专区| 免费av观看视频| 丰满人妻一区二区三区视频av | 可以在线观看毛片的网站| 九色成人免费人妻av| 在线观看66精品国产| 90打野战视频偷拍视频| 好看av亚洲va欧美ⅴa在| 日本a在线网址| 成人国产综合亚洲| 啪啪无遮挡十八禁网站| 欧美日韩精品网址| 99久久无色码亚洲精品果冻| 网址你懂的国产日韩在线| 欧美黑人巨大hd| 欧美日韩精品网址| 中国美女看黄片| 757午夜福利合集在线观看| 欧美日韩乱码在线| 久久精品国产亚洲av涩爱 | 日日夜夜操网爽| 成人特级av手机在线观看| netflix在线观看网站| 舔av片在线| 韩国av一区二区三区四区| 极品教师在线免费播放| 好看av亚洲va欧美ⅴa在| 偷拍熟女少妇极品色| 又黄又爽又免费观看的视频| 久久亚洲真实| 欧美日韩精品网址|