• <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DenseNet和ResNet融合的發(fā)動機孔探圖像分類研究

    2021-10-01 16:30敖良忠馬瑞陽楊學(xué)文
    計算技術(shù)與自動化 2021年3期

    敖良忠 馬瑞陽 楊學(xué)文

    摘 要:孔探是檢測發(fā)動機內(nèi)部損傷最重要的手段之一。為了解決發(fā)動機孔探檢查中孔探人員主要依靠經(jīng)驗對損傷進行界定的問題,研究了基于DenseNet和ResNet融合的新型單通道網(wǎng)絡(luò)結(jié)構(gòu),實現(xiàn)對發(fā)動機部件的分類,為后期孔探缺陷自動識別建立基礎(chǔ)。通過對某大修廠孔探數(shù)據(jù)和自建數(shù)據(jù)進行處理,完成了孔探圖像分類數(shù)據(jù)集的構(gòu)建;訓(xùn)練新型的49層網(wǎng)絡(luò)模型,在自建數(shù)據(jù)集測試集上測試的準(zhǔn)確率和平均召回率分別為96.0%和95.9%,有較好的泛化能力,可以有效的對發(fā)動機部件進行分類。

    關(guān)鍵詞:發(fā)動機孔探;部件分類;DenseNet;ResNet;深度神經(jīng)網(wǎng)絡(luò)

    Abstract:Borescope inspection is one of the most important means of detecting internal engine damage. In order to solve the problem that engineer mainly rely on experience to define damage during borescope inspection, a new single-channel network structure based on the fusion of DenseNet and ResNet was researched to realize the classification of engine components. At the same time, this establishes the foundation for the automatic identification of later flaw detection. By processing the borescope images data of a major repair plant and self-built data, the construction of the borescope image classification data set was completed. Trained a new type of 49-layer network model, with the accuracy of 96.0%, with the average recall rate of 95.9%, respectively, experimental results show that the network has good generalization ability and can effectively classify engine components.

    Key words:engine borescope images;parts classification;Densenet;Resnet;deep neural network

    民用航空渦扇發(fā)動機在翼期間內(nèi),發(fā)動機內(nèi)部部件的實際狀態(tài)是否符合適航技術(shù)標(biāo)準(zhǔn),是判斷發(fā)動機是否需要換發(fā)的一個關(guān)鍵因素[1]。其中,發(fā)動機孔探是了解發(fā)動機內(nèi)部關(guān)鍵部件狀態(tài)最基本和最常用的檢測方法[2]。目前,雖然發(fā)動機孔探設(shè)備測量精度越來越高,但是對發(fā)動機損傷的界定仍然需要檢驗人員憑借經(jīng)驗進行判斷,致使孔探檢測中人為因素導(dǎo)致的漏檢和誤檢比例過高[3]。如何降低人為因素差錯、提高孔探作業(yè)效率,成為航空公司和發(fā)動機大修廠迫切希望解決的問題。

    隨著深度學(xué)習(xí)技術(shù)的發(fā)展,其在人臉識別和醫(yī)學(xué)影像等領(lǐng)域已經(jīng)取得了實際的應(yīng)用價值[4],但在發(fā)動機孔探圖像識別方面的研究還比較少。曠可嘉等人[5]采用深度學(xué)習(xí)領(lǐng)域內(nèi)基于卷積神經(jīng)網(wǎng)絡(luò)的FasterR-CNN和SSD模型進行缺陷的自動檢測,但是由于其建立的數(shù)據(jù)集總量只有400張,在缺陷數(shù)據(jù)集比較小的情況下,診斷精度并不能達到實際孔探工作要求。Markus[6]等人研究了基于深度神經(jīng)網(wǎng)絡(luò)模型的渦扇發(fā)動機孔探圖像分類,其利用VGG網(wǎng)絡(luò)對發(fā)動機冷端和熱端部位圖像進行識別,其平均識別準(zhǔn)確率達到77%。與基于特征的傳統(tǒng)圖像處理技術(shù)相比,基于深度學(xué)習(xí)的圖像識別技術(shù)在識別效率、識別精度上都有很大的提升。本論文研究的是發(fā)動機孔探缺陷自動識別的第一步,即基于深度神經(jīng)網(wǎng)絡(luò),將發(fā)動機孔探圖像按照部位進行自動分類,分成壓氣機圖像、燃燒室圖像、高壓渦輪圖像和低壓渦輪圖像。隨后在分類基礎(chǔ)上,對孔探缺陷進行識別和定位。通過經(jīng)典VGGNet、ResNet和DenseNet網(wǎng)絡(luò)構(gòu)架的研究和對比實驗,提出了融合DenseNet和ResNet優(yōu)點的新型單通道串連網(wǎng)絡(luò)結(jié)構(gòu),并命名為DRNet(Dense-ResNet),實現(xiàn)發(fā)動機孔探圖像的高精度自動分類。

    1 孔探圖像分類數(shù)據(jù)集構(gòu)建

    目前在航線維護與發(fā)動機大修中,存在一定量的發(fā)動機孔探數(shù)據(jù)。數(shù)據(jù)主要來自某大修廠2015-2019年發(fā)動機試車臺的孔探數(shù)據(jù),以及利用孔探儀的自建數(shù)據(jù)。對上述數(shù)據(jù)進行分類整理,按照發(fā)動機的部位分為(1)壓氣機圖像、(2)燃燒室圖像、(3)高壓渦輪圖像、(4)低壓渦輪圖像,如圖1所示。

    發(fā)動機孔探數(shù)據(jù)一部分是視頻格式,且由于孔探視頻的反光比較強、背景差異變化大等問題,所以需要對視頻數(shù)據(jù)中的關(guān)鍵幀進行提取,以達到擴充數(shù)據(jù)集的目的;針對數(shù)據(jù)采集在時間上跨度比較大、采集數(shù)據(jù)質(zhì)量參差不齊的問題,需要對孔探圖像數(shù)據(jù)進行清洗、整理等;針對發(fā)動機冷熱端孔探檢查頻率不同導(dǎo)致的數(shù)據(jù)樣本分布不均勻問題,則需要對其進行數(shù)據(jù)增強等??滋綀D像數(shù)據(jù)處理流程如圖2所示。

    針對孔探視頻數(shù)據(jù)中冗余信息過多的問題,采用了基于背景差分和幀間差分的關(guān)鍵幀提取方法,去除模糊的圖像數(shù)據(jù),并對相似特征的孔探圖像數(shù)據(jù)僅保留其中一組。

    背景差分法[7]是將背景模型與當(dāng)前幀進行差分操作以實現(xiàn)關(guān)鍵幀的提取,其算法比較簡單,并且一定程度上降低了孔探視頻中的反光影響,主要用于提取壓氣機等反光較強的視頻數(shù)據(jù)。背景差分的公式如式(1-2)。

    孔探數(shù)據(jù)在采集之后,存在著包含噪聲、數(shù)據(jù)格式多樣化等問題,因此需要對孔探圖像數(shù)據(jù)進行清洗和整理操作。首先采用人工方法將數(shù)據(jù)中不屬于該類別的圖像數(shù)據(jù)剔除,并刪去模糊和失真的圖像數(shù)據(jù);其次采用逐像素比較方法去掉數(shù)據(jù)中完全相同的圖像數(shù)據(jù)。另外,針對發(fā)動機孔探數(shù)據(jù)樣本中類別分布不平衡的問題,采用隨機剪裁、旋轉(zhuǎn)等幾何變換方法和采用平滑、銳化等顏色變化方法,對樣本數(shù)量比較小的類別(燃燒室)進行增強操作,讓有限的數(shù)據(jù)產(chǎn)生更大的數(shù)據(jù)價值。最后通過使用立方卷積插值法對圖像數(shù)據(jù)進行下采樣,將所有數(shù)據(jù)圖像尺寸調(diào)整為224*224*3,在減少深度神經(jīng)網(wǎng)絡(luò)計算量的同時,保留了較多的圖像特征。經(jīng)過上述預(yù)處理操作,總計收集到合格的發(fā)動機部件圖2398張,并按照3:1:1的比例隨機分為訓(xùn)練集、驗證集和測試集,其中訓(xùn)練集1438張,驗證集480張,測試集480張。發(fā)動機各部件孔探圖像具體分布如表1所示。

    2 DRNet網(wǎng)絡(luò)模型的搭建

    2.1 殘差模塊

    從VGGNet到InceptionNet,卷積神經(jīng)網(wǎng)絡(luò)的層次越來越深,網(wǎng)絡(luò)的泛化能力也更強。但是研究發(fā)現(xiàn),當(dāng)模型加深到一定程度后,網(wǎng)絡(luò)的性能不再隨著深度的增加而提升,反而會出現(xiàn)準(zhǔn)確率下降的問題。這是因為當(dāng)模型加深以后,網(wǎng)絡(luò)變得越來越難訓(xùn)練,在較深層數(shù)的神經(jīng)網(wǎng)絡(luò)中間,梯度信息由網(wǎng)絡(luò)的末層逐層傳向網(wǎng)絡(luò)的首層時,傳遞的過程中出現(xiàn)梯度接近于0的現(xiàn)象,這稱為梯度彌散現(xiàn)象。網(wǎng)絡(luò)層數(shù)越深,梯度彌散現(xiàn)象可能會越嚴重。為了解決這一問題,微軟研究院何愷明[10]等人提出了深度殘差網(wǎng)絡(luò),即ResNet;其核心思想就是通過在輸入和輸出之間添加一條跳連接(Skip Connection),可以讓輸入信息直接傳輸?shù)胶竺娴膶又?,實現(xiàn)層數(shù)回退機制。殘差模塊如圖3所示,輸入x通過兩個卷積層,得到特征變換后的輸出F(x),與輸入x進行對應(yīng)元素的相加運算,得到最終輸出H(x),H(x)= x+ F(x)。

    2.2 稠密連接模塊

    與殘差網(wǎng)絡(luò)結(jié)構(gòu)相似,稠密卷積網(wǎng)絡(luò)(Dense Connection Net, DenseNet)是建立前面所有層和后面層的密集連接[11]。其通過特征在通道上的連接來實現(xiàn)特征重用,這個特點使得網(wǎng)絡(luò)DenseNet比ResNet有更優(yōu)秀的性能。如圖4所示為一個稠密連接模塊(Dense Block),其由若干個層級連接的非線性轉(zhuǎn)換結(jié)構(gòu)H組成。卷積層輸入x0通過H1卷積層得到輸出x1,x1與x0在通道軸上進行拼接,得到聚合后的特征張量,送入H2卷積層,得到輸出x2。同樣的方法,x2與前面所有層的特征信息: x1與x0進行聚合,再送入下一層。如此循環(huán),直至最后一層的輸出x4和前面所有層的特征信息:{xi}i=0,1,2,3 進行聚合得到模塊的最終輸出。由于這種連接方式,使得DenseNet網(wǎng)絡(luò)更加容易訓(xùn)練,每一層都可以直接利用損失函數(shù)的梯度以及輸入信息;同時加強了特征的傳遞,可以更加有效的利用特征。

    2.3 新型DRNet網(wǎng)絡(luò)的構(gòu)建

    DenseNet雖然可以通過特征重用方式更有效的利用高層信息,但是它存在特征冗余的問題;ResNet通過跳連接方式和保留中間特征的特點,可以有效的降低特征冗余,但其難以利用高層信息。同時,雖然ResNet殘差模塊加深了網(wǎng)絡(luò)結(jié)構(gòu),但是參數(shù)量卻增長過快,經(jīng)過在自建數(shù)據(jù)集的實驗得知,在達到相同的精度情況下,DenseNet參數(shù)量僅為ResNet的60%左右;DenseNet可通過盡量縮短前層和后層之間的連接,緩解梯度消失和退化問題。針對以上問題,提出了將DenseNet和ResNet融合的新型網(wǎng)絡(luò)DRNet,其以DenseNet模塊和ResNet模塊間隔連接的方式,實現(xiàn)了兩者優(yōu)缺互補的單通道網(wǎng)絡(luò)結(jié)構(gòu)。不同于Y Chen,J Li等人提出的雙通道網(wǎng)絡(luò)結(jié)構(gòu)[12](Dual Path Network,DPN),DRNet網(wǎng)絡(luò)使用稠密連接模塊的輸出作為殘差模塊的輸入,其結(jié)果再送入稠密連接模塊,如此循環(huán),實現(xiàn)了結(jié)構(gòu)簡單的單通道網(wǎng)絡(luò)結(jié)構(gòu)。

    ResNet模塊如圖5(a)所示,Pool為DenseNet模塊連接過渡層的輸出,Conv2d,Conv2d_1等為模塊的名稱,(1*1+1)表示卷積核為1*1,步長為1;128,256為輸出的通道數(shù)。DenseNet模塊如圖5(b)所示,結(jié)構(gòu)雖然與ResNet模塊相似,但實際差異很大。DenseNet模塊首先經(jīng)過批量歸一化、激活后,進行一個1*1的卷積,同樣的方法,第二次進行3*3的卷積;同時為了特征重用,在跨層連接時候使用Concatenate進行特征融合,而ResNet模塊則是采用Element-wise Addition 操作。由于不需要進行Add操作,所以在每個模塊后不需要一個1*1的卷積來使輸入和輸出的特征維度達到一致。

    DRNet網(wǎng)絡(luò)如圖6所示,由2個DenseNet模塊(Dense1_block*6、Dense2_block*12)、2個ResNet模塊(Res1_block、Res2_block)、2個過渡層、2個最大池化層、2個平均池化層、1個Dropout層和1個Softmax層組成,總計49層。

    過渡層是指DenseNet模塊和ResNet模塊之間的層,作用是完成卷積和池化的操作,達到減小特征圖數(shù)量的目的;池化層[13]用于對卷積后的特征圖進行壓縮,平均池化層可以保留孔探圖像整體的數(shù)據(jù)特征,最大池化層則可以保留更多紋理信息。Dropout層是一類簡單但是十分有效的正則化方法,在每個訓(xùn)練批次中,隨機忽略一部分輸入,可以明顯地減少過擬合現(xiàn)象。

    對于發(fā)動機部件分類圖像而言,DRNet網(wǎng)絡(luò)首先輸入224*224*3的孔探圖像,經(jīng)過一個7*7的卷積核和一個3*3的最大池化層得到56*56*64的張量;隨后經(jīng)過2個DenseNet模塊和2個ResNet模塊輸出一個4*4*512的張量,接下來經(jīng)過一個4*4的最大池化層和一個全連接層輸出一個1*1*1024的張量;最后通過Softmax函數(shù)完成孔探圖像的分類。

    3 DRNet網(wǎng)絡(luò)模型的訓(xùn)練與評估

    3.1 DRNet模型參數(shù)設(shè)置

    深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的實質(zhì)就是將輸入數(shù)據(jù)送入網(wǎng)絡(luò)模型得到預(yù)測值F(X),然后用損失函數(shù)(Loss Function)來評估預(yù)測值F(X)和真實值Y的誤差;接下來利用損失函數(shù)的導(dǎo)數(shù)通過多次迭代(優(yōu)化器)來最小化損失函數(shù)。損失函數(shù)不斷更新反過來對模型的參數(shù)也進行了更新,如此循環(huán),直到模型達到設(shè)定的迭代次數(shù)或是滿足精度要求為止。在DRNet網(wǎng)絡(luò)模型中選用交叉熵(Cross Entropy)損失函數(shù)[14]來評估模型的魯棒性,其公式如式(5)所示。

    3.2 DRNet網(wǎng)絡(luò)模型訓(xùn)練過程

    DRNet網(wǎng)絡(luò)模型訓(xùn)練平臺是在Windows10操作系統(tǒng)下搭建的,所用到的深度學(xué)習(xí)框架為Tensorflow-gpu2.0.0和Keras2.3.1;硬件為NVIDIA GTX1080 Ti的顯卡,Intel i5-9400F的處理器。數(shù)據(jù)集為自建的發(fā)動機孔探類別圖像,訓(xùn)練集、驗證集、測試集的分布如表1所示。

    DRNet網(wǎng)絡(luò)模型設(shè)置的初始學(xué)習(xí)率為0.0003,batch_size設(shè)置為16,epoch設(shè)置為90(將所有訓(xùn)練集數(shù)據(jù)訓(xùn)練一輪為一個epoch)。調(diào)用Tensorflow的內(nèi)置函數(shù)matplotlib,生成DRNet網(wǎng)絡(luò)模型的準(zhǔn)確率和損失函數(shù)隨epoch的變化趨勢,如圖7所示。

    圖7中,實線表示網(wǎng)絡(luò)模型在訓(xùn)練集上準(zhǔn)確率和損失,虛線表示網(wǎng)絡(luò)模型在驗證集上準(zhǔn)確率和損失;從圖中可以看出網(wǎng)絡(luò)模型從第2個epoch迭代至第10個epoch,準(zhǔn)確率得到了較大的提升,訓(xùn)練集準(zhǔn)確率從38%上升到82%,與之對應(yīng)的是驗證集準(zhǔn)確率從25%上升到80%;從第10個epoch到第30個epoch,模型在訓(xùn)練集上的準(zhǔn)確率上升較為緩慢,在驗證集上的準(zhǔn)確率有兩個較大的震蕩;在第40個epoch以后模型準(zhǔn)確率趨于穩(wěn)定,在訓(xùn)練集上準(zhǔn)確率為98%左右,在驗證集上準(zhǔn)確率為94%左右。隨著迭代步數(shù)的增加,模型在訓(xùn)練集的損失函數(shù)穩(wěn)定在0.05附近,在驗證集的損失函數(shù)穩(wěn)定在0.2附近。取模型趨于穩(wěn)定后,且在驗證集準(zhǔn)確率最高的模型作為最終模型,使用測試集對其進行評估。

    3.3 DRNet網(wǎng)絡(luò)模型評估

    在深度神經(jīng)網(wǎng)絡(luò)中常用準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)等評價指標(biāo)對模型進行評估,公式如(12-14)。其中,準(zhǔn)確率是正確預(yù)測數(shù)量與總樣本數(shù)量的比值,它是最常見的評價指標(biāo)。但在發(fā)動機孔探檢查中,既要保證不能漏檢也要求誤檢率不能過高,為了全面評價模型引入了精確率和召回率;精確率表示被預(yù)測為正的樣本中真正為正樣本的比例,召回率表示正類樣本中的被預(yù)測為正樣本的比例。

    表2展示了使用在驗證集表現(xiàn)準(zhǔn)確率最高的DRNet網(wǎng)絡(luò)模型,在測試集上測試的混淆矩陣以及各分類的精確率和召回率。

    從表3可以看出,新型DRNet網(wǎng)絡(luò)模型不僅在測試準(zhǔn)確率上高于經(jīng)典的VGGNet、ResNet和DenseNet模型,在模型的參數(shù)量上也僅有VGG-Net的三分之一左右,ResNet的四分之一左右,各項評價標(biāo)準(zhǔn)表明DRNet模型以更低的資源占用率實現(xiàn)了更高的性能,同時可以滿足實際的發(fā)動機孔探圖像分類需求。

    4 結(jié) 論

    針對發(fā)動機孔探工作中人為因素導(dǎo)致的漏檢和誤檢情況,研究了基于深度神經(jīng)網(wǎng)絡(luò)的孔探圖像自動識別方法,以輔助孔探人員對發(fā)動機進行檢查。根據(jù)DenseNet和ResNet網(wǎng)絡(luò)模型的優(yōu)缺點,提出將稠密連接模塊和殘差模塊依次串行連接,實現(xiàn)了參數(shù)量更小的單通道網(wǎng)絡(luò)模型DRNet,其在測試集的準(zhǔn)確率達到了96.0%。與Markus研究的基于VGG-16模型相比準(zhǔn)確率有較大的提升,與Y Chen等人提出的雙通道DPN模型相比參數(shù)量更小,表明DRNet網(wǎng)絡(luò)對孔探圖像有較好的分類能力。接下來的工作是在孔探圖像分類的基礎(chǔ)上,針對發(fā)動機部件,研究孔探缺陷類型的自動識別,最后與孔探驅(qū)動系統(tǒng)相結(jié)合實現(xiàn)缺陷的自動定位。

    參考文獻

    [1] 肖柏榮.航空發(fā)動機維護中孔探檢測技術(shù)的應(yīng)用[J].中國高新科技,2019(15):96-98.

    [2] 谷亞南.基于工程管理措施的航空發(fā)動機孔探流程優(yōu)化研究[J].裝備制造技術(shù),2019(06):233-235.

    [3] 張棟善,趙成.航空發(fā)動機維修中孔探技術(shù)的應(yīng)用分析[J].電子制作,2019(12):98-99.

    [4] ANDRE E, BRETT K, ROBERTO N,et al. Dermatologist-level classification of skin cancer with deep neural networks.[J]. Nature,2017,542(7639):115-116.

    [5] 曠可嘉. 深度學(xué)習(xí)及其在航空發(fā)動機缺陷檢測中的應(yīng)用研究[D].廣州:華南理工大學(xué),2017:40-43.

    [6] SVENSN M, S HARDWICK D. Deep neural networks analysis of borescope images[C].European Conference of the Prognostics and Health Management Society,2018:5-8.

    [7] 孫挺,齊迎春,耿國華.基于幀間差分和背景差分的運動目標(biāo)檢測算法[J].吉林大學(xué)學(xué)報(工學(xué)版),2016,46(04):1325-1329.

    [8] 付浩海,邊蓓蓓.基于幀間差分和背景相減的運動目標(biāo)檢測和提取算法研究[J].長春工程學(xué)院學(xué)報(自然科學(xué)版),2015,16(03):116-118.

    [9] 胡敬舒. 基于幀間差分的運動目標(biāo)檢測[D].哈爾濱工程大學(xué),2013:13-19.

    [10]HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016: 770-778.

    [11]GAO Huang, ZHUANG Liu. Densely connected convolutional networks[C].The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017:4700-4708.

    [12]CHEN Y, LI J, XIAO H. Dual path networks[C]. Advances in Neural Information Processing Systems 30 (NIPS 2017),2017:20-35.

    [13]NASR-ESFAHANI E, RAFIEI S. JAFARI M. Dense pooling layers in fully convolutional network for skin lesion segmentation[J]. Computerized Medical Imaging and Graphics,2019,78:234-241.

    [14]ZHAO Lu-lu, YANG Li-cai, SU Zhong-hua. Cardiorespiratory coupling analysis based on entropy and cross-entropy in distinguishing different depression stages[J]. Frontiers in Physiology,2019,10:359.

    [15]曹雪. 基于動態(tài)卷積及學(xué)習(xí)率自適應(yīng)的圖像超分重建方法研究[D].北京工業(yè)大學(xué),2017:50-55.

    [16]張臘梅,陳澤茜,鄒斌.基于3D卷積神經(jīng)網(wǎng)絡(luò)的PolSAR圖像精細分類[J].紅外與激光工程,2018,47(07):17-24.

    av女优亚洲男人天堂| 欧美色视频一区免费| 日本一二三区视频观看| 久久九九热精品免费| 18禁裸乳无遮挡免费网站照片| 毛片女人毛片| 蜜桃久久精品国产亚洲av| 午夜福利成人在线免费观看| 免费一级毛片在线播放高清视频| 免费av不卡在线播放| 国产精品一区二区性色av| 男人舔奶头视频| 热99在线观看视频| 久久99热这里只有精品18| 亚洲一级一片aⅴ在线观看| 日韩精品有码人妻一区| 老熟妇乱子伦视频在线观看| 精品一区二区三区av网在线观看| 日本 欧美在线| 97超视频在线观看视频| 久久精品国产清高在天天线| 国产精品一区二区三区四区久久| 欧美性猛交黑人性爽| 久久久久久大精品| 91在线精品国自产拍蜜月| 久久天躁狠狠躁夜夜2o2o| 级片在线观看| 亚洲avbb在线观看| 国产日本99.免费观看| 俺也久久电影网| 村上凉子中文字幕在线| 精品久久久久久久久亚洲 | 欧美日本亚洲视频在线播放| 又紧又爽又黄一区二区| 网址你懂的国产日韩在线| 少妇的逼水好多| 看片在线看免费视频| h日本视频在线播放| 亚洲欧美清纯卡通| 精品乱码久久久久久99久播| 亚洲 国产 在线| 国产高清激情床上av| 淫秽高清视频在线观看| 黄色视频,在线免费观看| 日本 欧美在线| 真人一进一出gif抽搐免费| 高清毛片免费观看视频网站| 91麻豆av在线| 欧美+日韩+精品| 免费在线观看影片大全网站| 我的女老师完整版在线观看| 毛片一级片免费看久久久久 | 亚洲avbb在线观看| 不卡视频在线观看欧美| 国产男靠女视频免费网站| 最新中文字幕久久久久| 亚洲狠狠婷婷综合久久图片| 亚洲欧美日韩高清专用| 亚洲国产精品久久男人天堂| 亚洲美女搞黄在线观看 | 国内少妇人妻偷人精品xxx网站| 亚洲自偷自拍三级| 日韩 亚洲 欧美在线| 成人综合一区亚洲| 日韩人妻高清精品专区| 综合色av麻豆| 夜夜夜夜夜久久久久| 赤兔流量卡办理| 欧美+亚洲+日韩+国产| 日韩强制内射视频| 国产精品伦人一区二区| 成人高潮视频无遮挡免费网站| 深夜a级毛片| 制服丝袜大香蕉在线| xxxwww97欧美| 国产探花极品一区二区| 搡女人真爽免费视频火全软件 | 18禁黄网站禁片免费观看直播| 床上黄色一级片| 深爱激情五月婷婷| 在线免费观看的www视频| 亚洲天堂国产精品一区在线| 韩国av在线不卡| 国产精品久久视频播放| 国产亚洲精品久久久com| 亚洲av第一区精品v没综合| 国产精品爽爽va在线观看网站| 亚洲性夜色夜夜综合| 精品久久久久久久末码| videossex国产| 成人午夜高清在线视频| 麻豆成人午夜福利视频| 99久国产av精品| 欧美国产日韩亚洲一区| 九九爱精品视频在线观看| 婷婷丁香在线五月| 国内久久婷婷六月综合欲色啪| 99久国产av精品| 高清在线国产一区| 美女高潮的动态| 51国产日韩欧美| 久久草成人影院| 欧洲精品卡2卡3卡4卡5卡区| 国产真实乱freesex| xxxwww97欧美| 亚洲图色成人| 大又大粗又爽又黄少妇毛片口| 两人在一起打扑克的视频| 特大巨黑吊av在线直播| 亚洲天堂国产精品一区在线| 亚洲av成人精品一区久久| 99热精品在线国产| 欧美激情国产日韩精品一区| 变态另类成人亚洲欧美熟女| 国产精品一区二区性色av| 村上凉子中文字幕在线| netflix在线观看网站| 99热这里只有是精品50| 亚洲人成网站高清观看| 十八禁国产超污无遮挡网站| 免费观看精品视频网站| 日日摸夜夜添夜夜添av毛片 | 亚洲图色成人| 免费在线观看日本一区| 国产成人av教育| 可以在线观看的亚洲视频| 久久精品国产亚洲av天美| 成人一区二区视频在线观看| 国产精品久久电影中文字幕| 精品久久久久久,| 大又大粗又爽又黄少妇毛片口| 久久久久免费精品人妻一区二区| 熟妇人妻久久中文字幕3abv| 淫妇啪啪啪对白视频| 国产精品不卡视频一区二区| 男人舔奶头视频| a级毛片免费高清观看在线播放| 欧美色视频一区免费| 亚洲在线自拍视频| 日韩中文字幕欧美一区二区| 高清日韩中文字幕在线| 麻豆国产av国片精品| 小蜜桃在线观看免费完整版高清| 亚洲欧美日韩无卡精品| 欧美成人一区二区免费高清观看| 人人妻人人看人人澡| 午夜福利成人在线免费观看| 成年女人看的毛片在线观看| 国产主播在线观看一区二区| 久久精品综合一区二区三区| 色综合色国产| 日韩中文字幕欧美一区二区| 久久国产乱子免费精品| 床上黄色一级片| 男人的好看免费观看在线视频| 人妻久久中文字幕网| 久久久久免费精品人妻一区二区| 在线观看av片永久免费下载| 深夜精品福利| 午夜老司机福利剧场| 人妻久久中文字幕网| 亚洲国产日韩欧美精品在线观看| 亚洲专区国产一区二区| av.在线天堂| www日本黄色视频网| 久久国产乱子免费精品| 深爱激情五月婷婷| 日本撒尿小便嘘嘘汇集6| 免费人成在线观看视频色| 熟女电影av网| www.色视频.com| 一个人观看的视频www高清免费观看| 亚洲精品456在线播放app | 午夜免费成人在线视频| 国产一区二区在线av高清观看| 春色校园在线视频观看| 精品久久久久久久久久久久久| 亚洲国产精品合色在线| 日韩欧美国产一区二区入口| 亚洲内射少妇av| 给我免费播放毛片高清在线观看| 直男gayav资源| 99久久九九国产精品国产免费| 12—13女人毛片做爰片一| 久久人人精品亚洲av| 色哟哟哟哟哟哟| 久久久久性生活片| 欧洲精品卡2卡3卡4卡5卡区| 国产熟女欧美一区二区| 精品人妻视频免费看| 国产精品三级大全| av视频在线观看入口| 校园人妻丝袜中文字幕| 亚洲四区av| 亚洲成a人片在线一区二区| 别揉我奶头 嗯啊视频| 韩国av一区二区三区四区| 日本-黄色视频高清免费观看| 国产精品无大码| 变态另类丝袜制服| 免费高清视频大片| 噜噜噜噜噜久久久久久91| 日本一二三区视频观看| 91狼人影院| 色综合亚洲欧美另类图片| av女优亚洲男人天堂| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久久大av| av女优亚洲男人天堂| 日日摸夜夜添夜夜添小说| 一区二区三区激情视频| 国产免费av片在线观看野外av| 在线观看一区二区三区| 老司机深夜福利视频在线观看| 三级男女做爰猛烈吃奶摸视频| 成人毛片a级毛片在线播放| 亚洲自偷自拍三级| 久久亚洲真实| 男女那种视频在线观看| 亚洲 国产 在线| 亚洲无线在线观看| 午夜福利在线观看吧| 欧美成人免费av一区二区三区| 国产黄片美女视频| 亚洲美女视频黄频| eeuss影院久久| 亚洲av免费在线观看| a级毛片a级免费在线| 男插女下体视频免费在线播放| 精品久久久久久成人av| 三级毛片av免费| 少妇的逼水好多| 嫩草影视91久久| 听说在线观看完整版免费高清| 国产日本99.免费观看| 亚洲,欧美,日韩| 婷婷色综合大香蕉| 免费人成视频x8x8入口观看| 九九爱精品视频在线观看| 免费无遮挡裸体视频| 午夜a级毛片| a在线观看视频网站| 国产又黄又爽又无遮挡在线| 日本-黄色视频高清免费观看| 久久精品影院6| 免费在线观看成人毛片| 国产激情偷乱视频一区二区| 日韩人妻高清精品专区| 久久国内精品自在自线图片| 免费av不卡在线播放| 波多野结衣高清作品| 一卡2卡三卡四卡精品乱码亚洲| 在线观看av片永久免费下载| 性色avwww在线观看| 国产成人一区二区在线| 麻豆国产97在线/欧美| 国内久久婷婷六月综合欲色啪| 国产av在哪里看| 春色校园在线视频观看| 欧美日韩瑟瑟在线播放| 一级毛片久久久久久久久女| 看黄色毛片网站| 在线免费观看的www视频| 如何舔出高潮| 亚洲乱码一区二区免费版| 欧美色视频一区免费| 亚洲经典国产精华液单| 精品免费久久久久久久清纯| 午夜日韩欧美国产| 美女黄网站色视频| 又爽又黄a免费视频| 少妇人妻一区二区三区视频| 久9热在线精品视频| 99久久九九国产精品国产免费| 国产一区二区亚洲精品在线观看| 真实男女啪啪啪动态图| 久久这里只有精品中国| 校园春色视频在线观看| 97人妻精品一区二区三区麻豆| 亚洲欧美日韩高清专用| 国产高清不卡午夜福利| 久久久久久久精品吃奶| 亚洲最大成人中文| 校园人妻丝袜中文字幕| 欧美+日韩+精品| 久久久久久久午夜电影| 99热这里只有是精品50| 精品乱码久久久久久99久播| 日韩欧美国产在线观看| 少妇被粗大猛烈的视频| 麻豆精品久久久久久蜜桃| 国产精品1区2区在线观看.| 舔av片在线| 十八禁国产超污无遮挡网站| 草草在线视频免费看| 久久精品国产99精品国产亚洲性色| 成人av一区二区三区在线看| 国产亚洲精品久久久com| 看十八女毛片水多多多| 两个人视频免费观看高清| 在线观看舔阴道视频| 亚洲av成人av| 国产 一区 欧美 日韩| 欧美日韩精品成人综合77777| 国产精品美女特级片免费视频播放器| 亚洲一区二区三区色噜噜| 女人十人毛片免费观看3o分钟| 亚洲成av人片在线播放无| 国产三级在线视频| 精品欧美国产一区二区三| 在线a可以看的网站| 欧美成人性av电影在线观看| 特级一级黄色大片| 欧美日韩中文字幕国产精品一区二区三区| 欧美潮喷喷水| 色哟哟·www| 久久国产精品人妻蜜桃| 国产私拍福利视频在线观看| 中文在线观看免费www的网站| 国产一区二区在线观看日韩| 91精品国产九色| 人人妻,人人澡人人爽秒播| 99精品久久久久人妻精品| 熟女电影av网| 午夜老司机福利剧场| 欧美不卡视频在线免费观看| 天美传媒精品一区二区| 欧美激情国产日韩精品一区| 国产伦人伦偷精品视频| 99久久成人亚洲精品观看| av在线观看视频网站免费| 成人性生交大片免费视频hd| 国产视频一区二区在线看| 亚洲黑人精品在线| 国产精品乱码一区二三区的特点| 日本免费a在线| 黄色欧美视频在线观看| 国产av不卡久久| 国产成人a区在线观看| 黄色女人牲交| 欧美高清性xxxxhd video| 老熟妇仑乱视频hdxx| 午夜福利视频1000在线观看| 欧美日韩黄片免| 久久久精品欧美日韩精品| 亚洲天堂国产精品一区在线| 人人妻,人人澡人人爽秒播| 久久久久久国产a免费观看| 51国产日韩欧美| 很黄的视频免费| 亚洲av.av天堂| 午夜老司机福利剧场| 波多野结衣巨乳人妻| 国产主播在线观看一区二区| 亚洲人成伊人成综合网2020| 亚洲人成网站在线播放欧美日韩| 欧美精品国产亚洲| 国产人妻一区二区三区在| 又黄又爽又免费观看的视频| 日韩欧美一区二区三区在线观看| 国产麻豆成人av免费视频| 亚洲午夜理论影院| 国产免费av片在线观看野外av| 久99久视频精品免费| 夜夜爽天天搞| 午夜久久久久精精品| 国产午夜福利久久久久久| 国产精品免费一区二区三区在线| 成人无遮挡网站| 观看免费一级毛片| 久久国产乱子免费精品| 成人性生交大片免费视频hd| 国产老妇女一区| 国产黄色小视频在线观看| 中文字幕高清在线视频| 精品乱码久久久久久99久播| 亚洲男人的天堂狠狠| 成人国产一区最新在线观看| 久久天躁狠狠躁夜夜2o2o| 日日摸夜夜添夜夜添小说| 日韩欧美精品v在线| 狠狠狠狠99中文字幕| av黄色大香蕉| 国产熟女欧美一区二区| 嫩草影院精品99| 日韩欧美在线二视频| 神马国产精品三级电影在线观看| 欧美日韩乱码在线| 国内久久婷婷六月综合欲色啪| 午夜福利在线在线| 桃红色精品国产亚洲av| 看片在线看免费视频| 91在线观看av| 搡女人真爽免费视频火全软件 | 日韩精品青青久久久久久| 黄色视频,在线免费观看| 成人美女网站在线观看视频| ponron亚洲| 亚洲无线在线观看| 亚洲男人的天堂狠狠| 神马国产精品三级电影在线观看| 午夜福利视频1000在线观看| 国产精品一区二区三区四区免费观看 | 欧美日韩乱码在线| 欧美日韩瑟瑟在线播放| 久久午夜福利片| 日韩国内少妇激情av| 一区二区三区四区激情视频 | 成人欧美大片| 有码 亚洲区| 看黄色毛片网站| 深爱激情五月婷婷| 色综合色国产| 99久久精品国产国产毛片| 1000部很黄的大片| 久久久久性生活片| 国产一区二区在线观看日韩| av黄色大香蕉| 床上黄色一级片| 日韩欧美在线乱码| 18禁在线播放成人免费| 伦理电影大哥的女人| 亚洲精品影视一区二区三区av| 九九在线视频观看精品| 最近在线观看免费完整版| 亚洲专区中文字幕在线| 国产淫片久久久久久久久| 中文亚洲av片在线观看爽| 一夜夜www| 99热精品在线国产| 日韩人妻高清精品专区| 亚洲国产精品成人综合色| 亚洲熟妇中文字幕五十中出| 亚洲精品国产成人久久av| 精品人妻一区二区三区麻豆 | 小蜜桃在线观看免费完整版高清| 国内揄拍国产精品人妻在线| 国产成人av教育| 女同久久另类99精品国产91| 久久久精品欧美日韩精品| 国产高清三级在线| 国产主播在线观看一区二区| 热99re8久久精品国产| 一级黄色大片毛片| 亚洲av熟女| 欧美激情国产日韩精品一区| 久久久久久国产a免费观看| 中文字幕久久专区| 日韩欧美三级三区| 国产综合懂色| 日日撸夜夜添| 欧美日韩亚洲国产一区二区在线观看| 99国产极品粉嫩在线观看| 国产成人av教育| 日韩人妻高清精品专区| 欧美色视频一区免费| 亚洲中文字幕一区二区三区有码在线看| 日韩欧美精品免费久久| 麻豆国产97在线/欧美| 中亚洲国语对白在线视频| 成人永久免费在线观看视频| 亚洲国产欧美人成| 精品人妻一区二区三区麻豆 | 亚洲成a人片在线一区二区| 老熟妇仑乱视频hdxx| 99久久精品国产国产毛片| 国产黄片美女视频| av视频在线观看入口| 国产免费男女视频| 亚洲最大成人av| 麻豆一二三区av精品| 亚洲国产欧洲综合997久久,| 国产在视频线在精品| 热99在线观看视频| 成熟少妇高潮喷水视频| 亚洲国产精品sss在线观看| aaaaa片日本免费| 两个人的视频大全免费| 久9热在线精品视频| 国产午夜福利久久久久久| 男人的好看免费观看在线视频| 黄色日韩在线| 少妇猛男粗大的猛烈进出视频 | 午夜福利欧美成人| 美女高潮的动态| 婷婷精品国产亚洲av在线| 国产v大片淫在线免费观看| 色吧在线观看| 少妇的逼水好多| 女人十人毛片免费观看3o分钟| 国产精品亚洲一级av第二区| 日韩 亚洲 欧美在线| 男女啪啪激烈高潮av片| 99热这里只有是精品在线观看| 精品国产三级普通话版| 联通29元200g的流量卡| 亚洲av第一区精品v没综合| 在线观看66精品国产| 午夜爱爱视频在线播放| 少妇被粗大猛烈的视频| 大又大粗又爽又黄少妇毛片口| 一级毛片久久久久久久久女| 熟女电影av网| 97超级碰碰碰精品色视频在线观看| 黄片wwwwww| 亚洲欧美日韩高清在线视频| 国产黄色小视频在线观看| 欧美区成人在线视频| 成人性生交大片免费视频hd| 3wmmmm亚洲av在线观看| 又黄又爽又刺激的免费视频.| 九九热线精品视视频播放| 内射极品少妇av片p| 国模一区二区三区四区视频| 日韩人妻高清精品专区| 国产精品久久电影中文字幕| 色哟哟·www| 国产精品一区二区三区四区免费观看 | 午夜精品在线福利| 午夜福利18| 尤物成人国产欧美一区二区三区| 综合色av麻豆| 网址你懂的国产日韩在线| 一本一本综合久久| 国产男靠女视频免费网站| 精品久久久久久久久久久久久| 亚洲精品国产成人久久av| 亚洲经典国产精华液单| 国产麻豆成人av免费视频| 久久亚洲精品不卡| 赤兔流量卡办理| 嫩草影院入口| 神马国产精品三级电影在线观看| 99久久成人亚洲精品观看| 综合色av麻豆| 精品不卡国产一区二区三区| 无人区码免费观看不卡| 国产蜜桃级精品一区二区三区| 少妇的逼水好多| 久久天躁狠狠躁夜夜2o2o| 波多野结衣高清无吗| 成熟少妇高潮喷水视频| 久久精品国产亚洲av香蕉五月| 在线播放国产精品三级| 热99在线观看视频| 精品久久久久久久久av| 国产69精品久久久久777片| 日韩欧美 国产精品| 夜夜爽天天搞| 又黄又爽又免费观看的视频| 欧美xxxx黑人xx丫x性爽| 欧美一级a爱片免费观看看| 精品久久久久久成人av| 国产熟女欧美一区二区| 国产精品一区www在线观看 | 欧美黑人巨大hd| 窝窝影院91人妻| 久久精品综合一区二区三区| 九色成人免费人妻av| 亚洲天堂国产精品一区在线| 久久人人爽人人爽人人片va| 日日摸夜夜添夜夜添小说| 色综合站精品国产| 国产亚洲精品综合一区在线观看| 欧美性感艳星| 成人国产综合亚洲| 久久久久国内视频| 国语自产精品视频在线第100页| 91久久精品国产一区二区成人| 国产高清不卡午夜福利| 成年人黄色毛片网站| 22中文网久久字幕| 夜夜夜夜夜久久久久| 老熟妇仑乱视频hdxx| 亚洲成a人片在线一区二区| 五月伊人婷婷丁香| 亚洲第一电影网av| 亚洲一级一片aⅴ在线观看| 十八禁国产超污无遮挡网站| 亚洲内射少妇av| 亚洲性久久影院| 美女xxoo啪啪120秒动态图| 色综合色国产| 免费观看的影片在线观看| 久久久久久九九精品二区国产| 51国产日韩欧美| 国产精品福利在线免费观看| 成年免费大片在线观看| 国产一区二区在线观看日韩| 成人亚洲精品av一区二区| 搡女人真爽免费视频火全软件 | 日本a在线网址| 国产精品久久久久久久电影| 51国产日韩欧美| 午夜福利欧美成人| 精品久久久噜噜| 丰满乱子伦码专区| 久久精品国产亚洲av涩爱 | 久久人人爽人人爽人人片va| 国产精品久久久久久久久免| 一区二区三区高清视频在线| 在线免费十八禁| 少妇人妻一区二区三区视频| 国内久久婷婷六月综合欲色啪| 亚洲一级一片aⅴ在线观看| 久久人妻av系列| a级毛片a级免费在线| 黄色日韩在线| 狂野欧美白嫩少妇大欣赏| 成人国产麻豆网| 日本一本二区三区精品| 国内毛片毛片毛片毛片毛片| 亚洲国产精品合色在线| 国产亚洲精品久久久com| 欧美日本亚洲视频在线播放|