• <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 ?

    基于卷積神經網絡的乳粉摻雜物拉曼光譜分類方法

    2022-08-02 03:11:10邵帥斌劉美含石宇晴郝朝龍
    食品科學 2022年14期
    關鍵詞:乳粉曼光譜預處理

    邵帥斌,劉美含,石宇晴,郝朝龍,韓 宙,張 偉*,陳 達*

    (1.中國民航大學安全科學與工程學院,天津 300300;2.中國民航大學 民航熱災害防控和應急重點實驗室,天津 300300)

    一直以來,乳制品因其優(yōu)越的礦物質組成、生物利用度、可消化性和生物價值而受到消費者青睞。乳制品是人體攝取蛋白質、維生素、氨基酸和礦物質等營養(yǎng)物質的極佳來源,其中嬰幼兒、哺乳期婦女和老年人更是乳制品的重要消費者。迄今為止,乳粉作為受歡迎的乳制品,占乳制品消耗總量的80%以上。因此,乳粉質量安全一直是全球人民共同關注的問題。隨著國民對乳粉需求量的增加,在乳粉中添加營養(yǎng)強化劑是提高乳粉營養(yǎng)價值和增加經濟利潤的常見做法。然而一些不良廠商為降低生產成本,摻入過量雜質(如多余的葡萄糖、淀粉、小麥粉、麥芽糖糊精、滑石粉、乳清粉)校正蛋白含量或密度值,極大降低了乳粉的營養(yǎng)價值,甚至可能對人體健康造成嚴重危害?!按箢^娃娃”“三聚氰胺”“皮革奶”“激素門”等頻繁發(fā)生的嬰幼兒配方乳粉安全事件表明,相關部門雖然為乳制品的管理制定了法規(guī)政策,但由于硬件設備、監(jiān)管力度和執(zhí)行力度有限,無法達到滿意的乳粉質量安全管控效果。GB 10765ü2010《嬰兒配方食品》規(guī)定,乳粉中的雜質含量必須小于1.2%,但是現(xiàn)行GB 5413.30ü2010《乳和乳制品雜質度的測定》檢測方法并不能滿足數(shù)以百萬噸的乳粉摻雜篩查需求。因此,如何對乳粉摻雜問題進行快速、準確的科學評估仍是亟待解決的重大食品安全問題。

    在實踐中,乳粉安全檢測的方法主要分為定向篩查和非定向篩查兩種。其中定向篩查主要是針對已知摻雜物進行定量分析,通常用于判斷所檢測化合物是否超標。目前,常見的定向篩查方法有高效液相色譜法、氣相色譜-質譜聯(lián)用法、生物化學分析方法等,雖然靈敏度高,但需要繁瑣的樣品前處理過程,對檢測人員和儀器有較高要求,不適于乳粉安全的大規(guī)??焖贆z測應用。由于定向篩查方法僅針對已知危害物質制定,無法識別未知化學摻雜物,在乳粉摻雜篩查的應用范圍有限。針對定向篩查的缺點,非定向篩查技術應運而生。非定向篩查結合動態(tài)識別或大數(shù)據(jù)庫分析策略,能夠從復雜、變動的乳粉數(shù)據(jù)中準確提取真實性本征信息,有效地解決了傳統(tǒng)篩查技術無法全面覆蓋摻雜物質的問題,成為摻雜篩查領域的最新技術發(fā)展趨勢。

    傳統(tǒng)拉曼光譜非定向篩查技術需要合適的數(shù)據(jù)預處理手段才能獲得光譜特征,增加了有效信息泄漏的風險,同時也極大增加了算法復雜度。因此,亟需發(fā)展一種預處理與計算一體化的拉曼光譜建模方法,以此提升拉曼光譜在乳粉安全篩查中的應用范圍。近年來,卷積神經網絡(convolutional neural network,CNN)以其高效的特征提取能力獲得業(yè)內的廣泛認可。它是人工神經網絡和深度學習技術結合產生的一種新型人工神經網絡方法,已經廣泛應用于特征提取相關研究。目前,將CNN應用于拉曼光譜檢測技術的研究引起了學者們的興趣。Guo Zhiqi等提出一種利用人血清拉曼光譜結合深度學習模型診斷乙型肝炎病毒感染的新方法,并通過多尺度融合卷積運算保留和融合多尺度特征。Zhu Jiaji等提出一種表面增強拉曼散射與CNN相結合的方法,能夠快速現(xiàn)場鑒定茶葉中農藥殘留。此外,CNN在雌激素粉末拉曼光譜分類、土壤近紅外光譜分類、水果品質檢測、熟食中的異物檢測和農作物品質及遙感圖像分類方面也表現(xiàn)出優(yōu)異的分類性能。針對原始數(shù)據(jù)少,網絡學習效果差等問題,李靈巧等利用深度卷積生成對抗網絡對數(shù)據(jù)進行擴充,提高了網絡的特征學習能力,但是該方法雖然擴充了數(shù)據(jù)集,但是擴充后的數(shù)據(jù)集并不能充分代表原始數(shù)據(jù)集,可能會影響網絡對真實樣品的分類能力。

    本研究提出一種基于CNN的乳粉摻雜物拉曼光譜分類方法,該方法可以直接將原始拉曼光譜數(shù)據(jù)作為網絡的輸入,借助其內嵌的卷積與池化層處理能力,在準確提取不同摻雜物光譜的原始數(shù)據(jù)特征的同時,構建相應的CNN模型,實現(xiàn)對未知乳粉摻雜物的精準高效識別。在建模過程中,利用拉曼光譜儀快速采集足量乳粉樣本的光譜數(shù)據(jù),以此為CNN的輸入,并重點討論初始超參數(shù)對模型訓練的影響。與此同時,針對現(xiàn)有光譜預處理方法的缺陷,以離散小波變換為基礎,選擇基線校正和降噪處理相結合的預處理方式,研究光譜預處理對網絡模型的影響。結果表明,CNN同時兼?zhèn)涔庾V預處理與多元校正計算的一體化能力,其模型預測結果有效滿足實際分析需求,極大降低了乳粉摻雜拉曼光譜分析的技術難度,并有望拓展到其他食品的摻雜識別應用中。

    1 材料與方法

    1.1 材料

    標準品:60 種市售脫脂乳粉;摻雜物:麥芽糖糊精(分析純) 上海麥克林生化科技有限公司;特級小麥粉益海嘉里金龍魚糧油食品股份有限公司;滑石粉 濟南良豐貿易有限公司;植脂末、乳清粉 雀巢(天津)有限公司;一級淀粉 寧夏來裕淀粉有限公司。

    1.2 儀器與設備

    XW-80A渦流混合儀 上海滬西分析儀器廠有限公司;BIOS-105T-304GS型二維位移平臺 日本Sigma Koki公司;便攜式拉曼光譜儀由實驗室自主研發(fā)。

    1.3 方法

    1.3.1 樣品制備

    將摻雜物分別混合入脫脂乳粉中,每個樣品20 g,使用渦流混合儀振動5 min,以確保乳粉和摻雜物均勻混合,制備6 種摻雜物質量分數(shù)0.3%的標準摻雜樣品。

    1.3.2 光譜數(shù)據(jù)采集

    拉曼高光譜采集系統(tǒng)由二維位移平臺、便攜式拉曼光譜儀和集成控制模塊組成。拉曼光譜儀激發(fā)源波長785 nm,激光器總輸出功率100 mW。光譜儀采用64h1 024像素的面陣CCD檢測器,波數(shù)范圍200~2 200 cm,實驗中設置光譜儀積分時間為600 ms,采集區(qū)域面積為(11h30)mm,控制二維位移平臺步長為0.3 mm,每種摻雜樣品采集1 100 組拉曼光譜數(shù)據(jù),共采集6 600 組拉曼光譜數(shù)據(jù)。此外,利用光譜儀分別采集6 種標準摻雜樣品(質量分數(shù)0.3%)的拉曼光譜,每種標準摻雜樣品采集100 組拉曼光譜數(shù)據(jù),用于檢驗方法的可靠性;額外采集600 組不同摻雜物含量的乳粉樣本作為獨立驗證集,以驗證算法的有效性和可靠性。

    1.3.3 光譜數(shù)據(jù)預處理

    脫脂乳粉的原始拉曼光譜存在熒光背景和噪聲,使用傳統(tǒng)拉曼光譜分類方法時,熒光背景和噪聲會干擾摻雜物的特征提取。為了探究光譜預處理對CNN訓練結果的影響,需要選擇合適的預處理手段對原始拉曼光譜進行降噪和去背景??紤]到高光譜數(shù)據(jù)量較大,預處理算法需要有較快的處理速度,因此,本實驗采用離散小波變換(discrete wavelet transform,DWT)方法對獲得的原始拉曼光譜進行處理。DWT可將光譜分成不同頻率的信號,通過信號重構去除低頻背景和高頻噪聲,實現(xiàn)特征光譜信號的保留,具體表達式見式(1)、(2):

    式中:表示小波基函數(shù);表示分辨率;表示時域因子;表示時間;WT表示信號的小波變換;表示原始信號;表示濾波器長度。

    采用symmlets小波基函數(shù),選擇DWT的小波函數(shù)sym5和分解尺度7對所有原始光譜進行處理。

    1.3.4 CNN搭建

    CNN是一個多層非全連接的神經網絡,在正向傳播過程中可利用卷積層和池化層相互交替學習提取原始數(shù)據(jù)的特征,反向傳播時又可利用梯度下降算法最小化誤差函數(shù)調整參數(shù),完成權值更新。本研究將改進的AlexNet網絡應用于乳粉摻雜物拉曼光譜的分類。為重點訓練分類,需要減小特征提取部分的波動,故將網絡最后一個全連接層的偏置學習率因子和權重學習率因子全部調整為20;較大的初始學習率有可能使損失函數(shù)離最低點較遠,故本網絡模型統(tǒng)一設置學習率為0.000 1;此外,由于每條光譜數(shù)據(jù)的最大值和最小值相差較大,數(shù)據(jù)的特征分布范圍較大,導致網絡在訓練過程中梯度下降緩慢,不利于模型收斂,故使用Matlab軟件將一維光譜數(shù)據(jù)繪制成二維圖像,并將二維圖像大小設置為227h227后輸入網絡,進一步縮小數(shù)據(jù)特征分布范圍,加速梯度下降,從而提高訓練速度,加快模型收斂。

    圖1 AlexNet網絡模型結構Fig.1 AlexNet network model’s structure

    1.3.5 模型評估方法

    為了評估模型訓練結果,選擇訓練準確率、驗證準確率和測試準確率對模型進行性能評估。準確率按式(3)計算:

    式中:為判別正確的樣本數(shù);為樣本總數(shù)。

    此外,運用混淆矩陣將測試集中每類光譜的預測結果進一步可視化,評估模型對未知光譜的分類性能。

    2 結果與分析

    2.1 不同摻雜脫脂乳粉的拉曼光譜

    如圖2所示,除摻雜小麥粉的樣品外,其余5 種摻雜樣品的拉曼光譜圖高度相似,因此利用傳統(tǒng)拉曼光譜數(shù)據(jù)不能有效區(qū)分摻雜物種類。

    圖2 不同摻雜物樣品的典型拉曼光譜圖Fig.2 Typical Raman spectra of samples with different adulterants

    2.2 不同超參數(shù)組合對模型訓練結果的影響

    鑒于摻雜樣品光譜圖相似程度較高,考慮利用CNN提取不同摻雜樣品的拉曼光譜典型特征。然而,CNN不能在訓練過程中自主學習小批量尺寸、最大回合數(shù)、驗證頻率等相關超參數(shù),并且沒有直接確定網絡超參數(shù)組合的方法,因此通過手動調參尋求最佳的超參數(shù)組合是提高網絡驗證準確率的有效途徑。

    本研究通過3 次獨立重復性實驗,考察分析小批量尺寸、網絡驗證頻率以及最大回合數(shù)對網絡驗證準確率的影響。如表1所示,單獨調整網絡驗證頻率對模型的驗證準確率影響不大;隨著小批量尺寸的減小和對應網絡驗證頻率的增大,模型驗證準確率呈增大趨勢。此外,模型訓練的最大回合數(shù)與驗證準確率沒有線性關系,為確定最優(yōu)的最大回合數(shù),進一步探究最大回合數(shù)對驗證準確率的影響。如圖3所示,3 次獨立重復實驗的誤差均在0.3%以內,表明網絡模型具有良好的穩(wěn)定性。此外,隨著最大回合數(shù)從5上升至10,驗證準確率先上升后下降,當最大回合數(shù)為9時,驗證準確率達到最大值(97.58%)。通過超參數(shù)優(yōu)化使網絡的分類準確率提高約10%(從89.97%提高至97.58%),最終確定優(yōu)化方案7為網絡最佳訓練參數(shù)組合。

    表1 CNN的超參數(shù)優(yōu)化方案對比Table 1 Hyperparameter optimization schemes compared with convolutional neural networks

    圖3 不同最大回合數(shù)的驗證準確率對比Fig.3 Plot of validation accuracy against maximum number of epochs

    2.3 不同光譜預處理對模型訓練結果的影響

    降噪和去背景是進行傳統(tǒng)拉曼光譜分類的關鍵環(huán)節(jié),為評估兩種預處理及其組合方法對模型的影響,分別將原始光譜數(shù)據(jù)和3 類預處理后的光譜數(shù)據(jù)(降噪、去背景、降噪和去背景)輸入CNN進行訓練,結果如圖4所示。與另外3 類數(shù)據(jù)(原始光譜數(shù)據(jù)、降噪光譜數(shù)據(jù)、去背景光譜數(shù)據(jù))相比,當光譜數(shù)據(jù)被同時降噪和去背景處理后,模型的訓練準確率和驗證準確率均下降15%左右,這可能是因為過多的預處理步驟減少了光譜數(shù)據(jù)的特征,增加了網絡特征提取的難度;對原始光譜數(shù)據(jù)進行單一預處理后,模型的訓練準確率較原始光譜有輕微提高,驗證準確率卻有所降低。原始光譜數(shù)據(jù)的網絡驗證準確率高達97.58%,表明不同乳粉摻雜物的原始光譜特征被網絡充分學習,體現(xiàn)了CNN強大的特征提取和分類能力。

    圖4 不同預處理后的CNN準確率對比Fig.4 Effect of different spectral preprocessing methods on the accuracy of CNN

    2.4 不同網絡模型對測試準確率的影響

    為探究預處理前后CNN對未知樣品的測試準確率,選取600 組標準摻雜樣品作為測試集,輸入對應的4 種CNN模型,獲得每種模型的測試準確率。如圖5所示,原始光譜網絡模型、混合預處理(降噪和去背景)網絡模型、單一降噪網絡模型以及單一去背景網絡模型的測試準確率分別為96.33%、70.67%、96.17%、93.5%,原始光譜網絡模型表現(xiàn)出最強的泛化能力,而混合預處理網絡模型與另外3 種模型相比,測試準確率下降約25%。由此可知,網絡的訓練結果與測試結果一致,表明CNN可準確提取原始光譜的本征信息,而過度的光譜預處理很可能會嚴重影響CNN的特征提取能力,從而大大降低網絡對未知光譜的識別能力。

    圖5 不同光譜預處理的測試準確率Fig.5 Accuracy of test with different spectral preprocessing methods

    進一步研究乳粉摻雜物光譜數(shù)據(jù)在不同網絡模型中的分類結果,利用混淆矩陣將測試集結果進一步可視化,矩陣的橫坐標代表預測類,縱坐標代表真實類。由圖6可知,原始光譜網絡模型可有效辨別乳粉摻雜物光譜,識別準確率均在92.9%以上,單一預處理模型的辨別能力有所下降,混合預處理模型甚至無法分辨淀粉摻雜物光譜。此外,小麥粉數(shù)據(jù)經過單一預處理后的識別準確率仍保持100%,即使經過混合預處理后仍保持99%的較高準確率;經過混合預處理和單一去背景預處理后植脂末的識別準確率無明顯提升,但是經單一降噪處理后其分類性能較原始光譜下降了10.2%;與原始光譜相比,乳清粉光譜數(shù)據(jù)經單一降噪預處理后分類性能保持不變,但是經單一去背景預處理后分類性能下降了10%,經混合預處理后識別準確率下降了71.5%;與原始光譜相比,滑石粉光譜數(shù)據(jù)經單一去背景預處理后性能提高了2.8%,經單一降噪以及混合預處理后性能均提高了4.8%;糊精光譜數(shù)據(jù)經單一降噪預處理后分類性能較原始光譜提高了0.9%,經單一去背景預處理后分類性能下降了3.4%,混合預處理后分類性能下降了31.2%;淀粉光譜數(shù)據(jù)經單一降噪預處理后分類性能較原始光譜提高了4.8%,經單一去背景預處理后性能下降了7.2%,經混合預處理后分類性能降低至0%。表2總結了4 種網絡模型對乳粉摻雜物分類性能的影響,結果表明預處理后的光譜只能有限提升個別乳粉摻雜物的分類性能,對于大部分摻雜物,預處理極有可能降低CNN的特征學習能力,不利于乳粉摻雜物的精準高效識別。

    圖6 不同光譜預處理的測試集混淆矩陣Fig.6 Confusion matrix of test set with different spectral preprocessing methods

    表2 不同網絡模型對乳粉摻雜物分類性能的影響Table 2 Classification performance of different network models for six milk powder adulterants

    2.5 市場樣品分析

    使用600 組不同摻雜物含量的乳粉樣本計算該方法的分類準確率,驗證該方法的有效性。如表3所示,CNN模型的分類準確率高達95.5%,可滿足乳粉工業(yè)的市場檢測需求。其中CNN模型對小麥粉和糊精樣品的識別準確率高達100%,對滑石粉、乳清粉和淀粉樣品的識別準確率分別為99%、97%和92%,完全可以滿足乳粉摻雜物鑒別需求;但模型對植脂末樣品的識別準確率較低,可能的原因是植脂末樣品的拉曼光譜特征不明顯,從而使模型對其特征光譜的提取能力不足。后續(xù)研究可通過增加訓練集數(shù)據(jù)和提高模型訓練次數(shù)解決以上問題。

    表3 網絡模型對標準摻雜樣品的預測結果評價Table 3 Prediction results of standard adulterants by the CNN model

    3 結 論

    以乳粉摻雜物拉曼光譜數(shù)據(jù)為研究對象,建立能夠精準識別摻雜物的CNN模型。分析結果表明:CNN不但能夠簡化傳統(tǒng)光譜預處理和建模過程,并且對標準樣品的分類準確率高達95.5%,可滿足大批量的乳粉質量安全篩查需求;CNN的性能與超參數(shù)組合方式呈非線性相關,需手動調試才能達到最優(yōu)分類性能。本研究創(chuàng)新性地將一維光譜數(shù)據(jù)轉變?yōu)槎S圖像輸入CNN,減小了數(shù)據(jù)的特征分布范圍,提高了模型收斂速度,可應用到其他CNN分類建模研究。

    猜你喜歡
    乳粉曼光譜預處理
    牛、羊乳粉的DSC熱學性質比較及摻假分析
    食品科學(2023年4期)2023-03-06 12:49:32
    微生物法測定嬰幼兒乳粉葉酸含量的不確定度評估
    新疆伊犁馬乳粉脂肪酸組成和含量分析
    基于預處理MUSIC算法的分布式陣列DOA估計
    制導與引信(2017年3期)2017-11-02 05:16:56
    淺談PLC在預處理生產線自動化改造中的應用
    絡合萃取法預處理H酸廢水
    基于自適應預處理的改進CPF-GMRES算法
    乳粉常見的質量缺陷及其原因分析
    BMSCs分化為NCs的拉曼光譜研究
    便攜式薄層色譜-拉曼光譜聯(lián)用儀重大專項獲批
    欧美绝顶高潮抽搐喷水| 久久国产乱子伦精品免费另类| 搡老熟女国产l中国老女人| 免费观看的影片在线观看| 午夜a级毛片| 激情在线观看视频在线高清| 国产精品99久久久久久久久| 国产在线男女| 亚洲中文日韩欧美视频| 欧美成狂野欧美在线观看| 国产精品影院久久| 搡老熟女国产l中国老女人| 日日夜夜操网爽| 免费在线观看日本一区| 青草久久国产| 国产精品av视频在线免费观看| 在线a可以看的网站| 亚洲不卡免费看| 久久久国产成人免费| 99在线人妻在线中文字幕| 91久久精品电影网| 男人狂女人下面高潮的视频| 一本一本综合久久| 精品久久国产蜜桃| 人妻夜夜爽99麻豆av| 99久久99久久久精品蜜桃| 国产精品久久久久久久久免 | www.色视频.com| 国内少妇人妻偷人精品xxx网站| 欧美+日韩+精品| 日韩欧美国产在线观看| x7x7x7水蜜桃| 久久久久国内视频| 免费高清视频大片| 日韩欧美精品v在线| 在线天堂最新版资源| 国产精品电影一区二区三区| 中国美女看黄片| АⅤ资源中文在线天堂| 少妇人妻一区二区三区视频| 国产精品久久久久久久电影| 可以在线观看的亚洲视频| 少妇丰满av| 一a级毛片在线观看| 久久亚洲精品不卡| 亚洲熟妇熟女久久| 国内毛片毛片毛片毛片毛片| 欧美色欧美亚洲另类二区| 欧美zozozo另类| 久久久久久久精品吃奶| av视频在线观看入口| 日韩欧美免费精品| 宅男免费午夜| 欧美三级亚洲精品| 免费在线观看日本一区| 亚洲在线自拍视频| 亚洲人成网站高清观看| 亚洲av成人精品一区久久| 亚洲在线观看片| 中文字幕精品亚洲无线码一区| 我要搜黄色片| 国产一区二区在线av高清观看| 亚洲综合色惰| 色在线成人网| 亚洲精品成人久久久久久| 色噜噜av男人的天堂激情| 国产私拍福利视频在线观看| 天堂√8在线中文| 五月伊人婷婷丁香| 成年女人看的毛片在线观看| 日韩欧美 国产精品| 麻豆成人av在线观看| 午夜日韩欧美国产| 久久久久久久久久成人| 麻豆成人av在线观看| 91字幕亚洲| 久久亚洲精品不卡| 亚洲 国产 在线| 欧美极品一区二区三区四区| 午夜老司机福利剧场| 精品久久久久久久末码| 天天躁日日操中文字幕| 麻豆国产av国片精品| 国产午夜精品久久久久久一区二区三区 | 欧美性猛交╳xxx乱大交人| 麻豆国产97在线/欧美| 88av欧美| 久久久成人免费电影| 国产精品久久久久久亚洲av鲁大| av福利片在线观看| 欧美精品啪啪一区二区三区| 成人国产综合亚洲| 国产午夜精品论理片| 国产精品乱码一区二三区的特点| 国产激情偷乱视频一区二区| 中文字幕免费在线视频6| 一级黄片播放器| 在现免费观看毛片| 在线观看午夜福利视频| 一夜夜www| 久久精品综合一区二区三区| 黄色女人牲交| 国产av在哪里看| 国产av在哪里看| 18禁黄网站禁片免费观看直播| 五月伊人婷婷丁香| 欧美不卡视频在线免费观看| 日韩大尺度精品在线看网址| 国产精品亚洲av一区麻豆| 人妻久久中文字幕网| 国产 一区 欧美 日韩| 免费观看精品视频网站| 黄色丝袜av网址大全| 99热这里只有是精品在线观看 | 国产精品一区二区三区四区免费观看 | 99热这里只有是精品50| 美女 人体艺术 gogo| 99精品久久久久人妻精品| 一级作爱视频免费观看| 亚洲人与动物交配视频| 深爱激情五月婷婷| 婷婷六月久久综合丁香| 午夜福利18| 欧美又色又爽又黄视频| 国产野战对白在线观看| 91麻豆精品激情在线观看国产| 99在线人妻在线中文字幕| 超碰av人人做人人爽久久| 亚洲av免费高清在线观看| 国产精品久久久久久人妻精品电影| 听说在线观看完整版免费高清| 最近最新免费中文字幕在线| 亚洲狠狠婷婷综合久久图片| 变态另类丝袜制服| av视频在线观看入口| 亚洲人成电影免费在线| 欧美黄色淫秽网站| 成人一区二区视频在线观看| 日韩有码中文字幕| 老鸭窝网址在线观看| 99久久无色码亚洲精品果冻| 97热精品久久久久久| 久久久国产成人免费| 99热这里只有精品一区| 最近中文字幕高清免费大全6 | 国产精品不卡视频一区二区 | 亚洲熟妇熟女久久| 久久久久久国产a免费观看| 亚洲内射少妇av| 少妇的逼好多水| 久久精品夜夜夜夜夜久久蜜豆| 婷婷六月久久综合丁香| 国内毛片毛片毛片毛片毛片| 久久久成人免费电影| eeuss影院久久| 亚洲成人中文字幕在线播放| 亚洲国产精品sss在线观看| 村上凉子中文字幕在线| 午夜影院日韩av| av中文乱码字幕在线| 国产真实伦视频高清在线观看 | 国产视频一区二区在线看| 亚洲精品在线观看二区| 十八禁网站免费在线| 国模一区二区三区四区视频| 国产欧美日韩一区二区精品| 97超视频在线观看视频| 国产真实伦视频高清在线观看 | 成人国产一区最新在线观看| 久久这里只有精品中国| 国产精品自产拍在线观看55亚洲| 国产av不卡久久| 国产精品爽爽va在线观看网站| 一夜夜www| 国产精品嫩草影院av在线观看 | 美女黄网站色视频| 国产男靠女视频免费网站| 亚洲av二区三区四区| 精品福利观看| 精品一区二区三区人妻视频| 欧美+亚洲+日韩+国产| 村上凉子中文字幕在线| 亚洲自偷自拍三级| 国产精品精品国产色婷婷| 精品一区二区三区视频在线| 国产成人aa在线观看| 久久九九热精品免费| 国产精品美女特级片免费视频播放器| 久久99热6这里只有精品| 蜜桃久久精品国产亚洲av| 一本精品99久久精品77| 人妻制服诱惑在线中文字幕| 亚洲真实伦在线观看| 变态另类丝袜制服| 免费观看的影片在线观看| 亚洲国产精品久久男人天堂| 窝窝影院91人妻| 99久久精品一区二区三区| 久久久久国产精品人妻aⅴ院| 一区二区三区高清视频在线| 亚洲精品一卡2卡三卡4卡5卡| 欧美三级亚洲精品| 国产真实伦视频高清在线观看 | 国产三级在线视频| 国产精品av视频在线免费观看| 久久久久久久久久黄片| 亚洲乱码一区二区免费版| www日本黄色视频网| 十八禁网站免费在线| 夜夜爽天天搞| 成年免费大片在线观看| 久久久久久国产a免费观看| 九色成人免费人妻av| 乱人视频在线观看| 亚洲黑人精品在线| 午夜精品久久久久久毛片777| 国产精品伦人一区二区| 九色国产91popny在线| 国产亚洲精品av在线| 天天一区二区日本电影三级| 内射极品少妇av片p| 永久网站在线| 村上凉子中文字幕在线| 亚洲成人精品中文字幕电影| 深夜a级毛片| 黄片小视频在线播放| 国产成人福利小说| 国内毛片毛片毛片毛片毛片| 免费人成视频x8x8入口观看| 免费观看的影片在线观看| bbb黄色大片| 国产精品亚洲av一区麻豆| 高清在线国产一区| 日日夜夜操网爽| 91狼人影院| 久久人人精品亚洲av| 欧美在线黄色| 99久久精品热视频| 精品午夜福利在线看| 国产三级黄色录像| 午夜亚洲福利在线播放| 嫁个100分男人电影在线观看| 久久九九热精品免费| 国产亚洲欧美98| 内地一区二区视频在线| 中文字幕久久专区| 怎么达到女性高潮| 一本综合久久免费| 12—13女人毛片做爰片一| 五月玫瑰六月丁香| 亚洲国产色片| 丰满人妻熟妇乱又伦精品不卡| 内射极品少妇av片p| 久久久久久久久久成人| 乱码一卡2卡4卡精品| 免费看日本二区| 精品久久久久久成人av| 黄色一级大片看看| 一级a爱片免费观看的视频| 成人午夜高清在线视频| 欧美成人免费av一区二区三区| 日本一本二区三区精品| 亚洲一区二区三区不卡视频| 日韩欧美国产一区二区入口| 亚洲最大成人av| 久99久视频精品免费| 免费人成在线观看视频色| 成人国产一区最新在线观看| 色综合站精品国产| 欧美xxxx黑人xx丫x性爽| 免费观看人在逋| 免费人成视频x8x8入口观看| 少妇人妻精品综合一区二区 | 久久午夜亚洲精品久久| 老司机午夜十八禁免费视频| 国产成人啪精品午夜网站| 久久人妻av系列| 国产白丝娇喘喷水9色精品| 午夜福利在线观看免费完整高清在 | 丁香六月欧美| 身体一侧抽搐| 乱人视频在线观看| 老司机午夜福利在线观看视频| 精品久久久久久久久久免费视频| 国产成+人综合+亚洲专区| 国产午夜福利久久久久久| 国产不卡一卡二| 国产精品精品国产色婷婷| 亚洲欧美激情综合另类| 免费人成在线观看视频色| 亚洲一区二区三区不卡视频| 国产精品综合久久久久久久免费| 亚洲熟妇熟女久久| 在线免费观看不下载黄p国产 | 可以在线观看毛片的网站| 欧美又色又爽又黄视频| 国产精品久久久久久精品电影| 我要看日韩黄色一级片| 国产高清有码在线观看视频| 18禁黄网站禁片午夜丰满| 国产精品野战在线观看| 亚洲av成人不卡在线观看播放网| 久久精品综合一区二区三区| 成年人黄色毛片网站| 欧美丝袜亚洲另类 | 中亚洲国语对白在线视频| 成人鲁丝片一二三区免费| 国产伦精品一区二区三区四那| 亚洲成人免费电影在线观看| 亚洲美女视频黄频| 成人午夜高清在线视频| 日本黄色片子视频| 啦啦啦韩国在线观看视频| 一区二区三区激情视频| 亚洲内射少妇av| 99热这里只有是精品在线观看 | 国产精品精品国产色婷婷| 国产人妻一区二区三区在| 亚洲人成网站在线播| 国产精品人妻久久久久久| 色哟哟哟哟哟哟| 99久久精品热视频| 天美传媒精品一区二区| 在线免费观看不下载黄p国产 | 在线播放国产精品三级| 一本综合久久免费| 嫩草影视91久久| 欧美黑人欧美精品刺激| 欧美成人一区二区免费高清观看| 如何舔出高潮| 看黄色毛片网站| 三级国产精品欧美在线观看| 亚洲激情在线av| 天天躁日日操中文字幕| 久久草成人影院| 中文资源天堂在线| 久久热精品热| 久久人人爽人人爽人人片va | 国产精品久久久久久久久免 | 中文字幕人成人乱码亚洲影| 中亚洲国语对白在线视频| 国产在视频线在精品| 久久久久久久久久成人| 黄色配什么色好看| 国产精品影院久久| 亚洲欧美日韩卡通动漫| 国产成人a区在线观看| 午夜福利在线在线| 成人午夜高清在线视频| av在线老鸭窝| 免费看a级黄色片| 一级毛片久久久久久久久女| 国产中年淑女户外野战色| 国产熟女xx| 久久这里只有精品中国| 午夜精品在线福利| 欧美日韩国产亚洲二区| 香蕉av资源在线| 午夜激情福利司机影院| 欧美乱色亚洲激情| 精华霜和精华液先用哪个| a级毛片a级免费在线| 99riav亚洲国产免费| 内地一区二区视频在线| 又黄又爽又免费观看的视频| 免费av毛片视频| 国产成人aa在线观看| 国产探花极品一区二区| 日韩欧美三级三区| 在线看三级毛片| 黄色配什么色好看| 村上凉子中文字幕在线| 一个人免费在线观看电影| 蜜桃亚洲精品一区二区三区| 国产乱人伦免费视频| 一进一出好大好爽视频| 麻豆国产av国片精品| 午夜免费男女啪啪视频观看 | 国产精品久久久久久久久免 | 十八禁网站免费在线| 国产精品伦人一区二区| 亚洲国产高清在线一区二区三| 床上黄色一级片| 三级毛片av免费| 国产探花极品一区二区| 亚洲精品色激情综合| 熟女人妻精品中文字幕| 国产在线男女| 国产三级在线视频| 亚洲精华国产精华精| 人人妻人人看人人澡| 宅男免费午夜| 桃色一区二区三区在线观看| 国产精品1区2区在线观看.| 精品久久久久久久久av| 精品日产1卡2卡| 国语自产精品视频在线第100页| 国内揄拍国产精品人妻在线| 99国产精品一区二区蜜桃av| 又黄又爽又刺激的免费视频.| 国产精品久久久久久亚洲av鲁大| 岛国在线免费视频观看| 亚洲在线观看片| 97人妻精品一区二区三区麻豆| 亚洲精品久久国产高清桃花| 色尼玛亚洲综合影院| 国产成+人综合+亚洲专区| 国产主播在线观看一区二区| 午夜福利视频1000在线观看| 国产精品亚洲美女久久久| 久久精品影院6| 无人区码免费观看不卡| 国产免费男女视频| 搡女人真爽免费视频火全软件 | 日韩欧美国产在线观看| 99久久久亚洲精品蜜臀av| 日本a在线网址| 乱码一卡2卡4卡精品| 国内精品美女久久久久久| 女人十人毛片免费观看3o分钟| 成人一区二区视频在线观看| 久久婷婷人人爽人人干人人爱| 三级毛片av免费| 国产亚洲精品av在线| 男人舔女人下体高潮全视频| 午夜老司机福利剧场| 欧美最黄视频在线播放免费| 日本五十路高清| 欧美成人性av电影在线观看| av黄色大香蕉| 91久久精品电影网| 国内毛片毛片毛片毛片毛片| 国产精品久久电影中文字幕| 成年女人看的毛片在线观看| 成人特级av手机在线观看| 男人狂女人下面高潮的视频| h日本视频在线播放| 十八禁网站免费在线| 99久久精品国产亚洲精品| 欧美不卡视频在线免费观看| 亚州av有码| 在线看三级毛片| 亚洲av二区三区四区| 长腿黑丝高跟| 美女高潮的动态| 麻豆成人av在线观看| 女生性感内裤真人,穿戴方法视频| 首页视频小说图片口味搜索| 欧美最新免费一区二区三区 | 亚洲五月天丁香| 精品国内亚洲2022精品成人| 亚洲精品一区av在线观看| 欧美成人a在线观看| 99精品在免费线老司机午夜| av国产免费在线观看| 99riav亚洲国产免费| 99精品在免费线老司机午夜| 狂野欧美白嫩少妇大欣赏| 国内久久婷婷六月综合欲色啪| 精品人妻视频免费看| 一本久久中文字幕| 黄色一级大片看看| 亚洲七黄色美女视频| 99久久99久久久精品蜜桃| 国产三级黄色录像| 亚洲成av人片在线播放无| 女生性感内裤真人,穿戴方法视频| 天堂网av新在线| 欧美午夜高清在线| 热99re8久久精品国产| 精品不卡国产一区二区三区| 亚洲狠狠婷婷综合久久图片| 高清在线国产一区| 最好的美女福利视频网| 18禁裸乳无遮挡免费网站照片| 亚洲欧美日韩东京热| 亚洲av日韩精品久久久久久密| 99精品在免费线老司机午夜| 香蕉av资源在线| 亚洲欧美精品综合久久99| 国产男靠女视频免费网站| 别揉我奶头~嗯~啊~动态视频| 国产亚洲精品久久久久久毛片| 一个人免费在线观看电影| 国产成人啪精品午夜网站| 日韩欧美国产一区二区入口| 国产亚洲av嫩草精品影院| 国产精品国产高清国产av| 亚洲狠狠婷婷综合久久图片| 中文字幕久久专区| 久久国产乱子免费精品| 真人一进一出gif抽搐免费| 亚洲精品一卡2卡三卡4卡5卡| 国产黄色小视频在线观看| 看黄色毛片网站| АⅤ资源中文在线天堂| 国产在线精品亚洲第一网站| 亚洲av.av天堂| 免费黄网站久久成人精品 | 丝袜美腿在线中文| 在线观看舔阴道视频| 麻豆国产97在线/欧美| 级片在线观看| 五月伊人婷婷丁香| 少妇人妻精品综合一区二区 | 色5月婷婷丁香| 女生性感内裤真人,穿戴方法视频| 国产色爽女视频免费观看| 久久精品久久久久久噜噜老黄 | 在线观看av片永久免费下载| 日韩高清综合在线| 老熟妇乱子伦视频在线观看| 搡老妇女老女人老熟妇| 国产熟女xx| 色综合站精品国产| 天堂影院成人在线观看| 午夜影院日韩av| 成人性生交大片免费视频hd| 国产精品亚洲一级av第二区| 精品免费久久久久久久清纯| 波多野结衣巨乳人妻| 亚洲av美国av| 亚洲精品乱码久久久v下载方式| 亚洲真实伦在线观看| 简卡轻食公司| 成年女人看的毛片在线观看| 性插视频无遮挡在线免费观看| 熟妇人妻久久中文字幕3abv| 国产亚洲欧美在线一区二区| 最近最新中文字幕大全电影3| 亚洲片人在线观看| 成熟少妇高潮喷水视频| 五月伊人婷婷丁香| 婷婷丁香在线五月| 91av网一区二区| 99久国产av精品| 人人妻,人人澡人人爽秒播| 1024手机看黄色片| 女同久久另类99精品国产91| 性插视频无遮挡在线免费观看| 看黄色毛片网站| 噜噜噜噜噜久久久久久91| 国产在线男女| 国产精品一区二区三区四区久久| 欧美成人免费av一区二区三区| 午夜免费成人在线视频| 国产真实乱freesex| 一区二区三区激情视频| 久久亚洲真实| 日本熟妇午夜| 18禁在线播放成人免费| 美女被艹到高潮喷水动态| 99热只有精品国产| 在线播放国产精品三级| 国产一区二区在线观看日韩| 国产精品亚洲av一区麻豆| 日韩欧美国产一区二区入口| av女优亚洲男人天堂| 精品一区二区三区视频在线观看免费| 国产精品久久视频播放| 欧美不卡视频在线免费观看| 精品免费久久久久久久清纯| 好看av亚洲va欧美ⅴa在| 国产一区二区三区在线臀色熟女| 国产精品野战在线观看| 欧美黑人欧美精品刺激| 精品人妻一区二区三区麻豆 | 又粗又爽又猛毛片免费看| 日本a在线网址| 亚洲在线自拍视频| 国产精品,欧美在线| 尤物成人国产欧美一区二区三区| 久久亚洲精品不卡| 成人亚洲精品av一区二区| av国产免费在线观看| 99久国产av精品| 国产精品av视频在线免费观看| 一本精品99久久精品77| 88av欧美| 看黄色毛片网站| 欧美性感艳星| 久久精品国产亚洲av涩爱 | 免费看美女性在线毛片视频| 国产午夜精品论理片| 舔av片在线| 亚洲,欧美,日韩| 日韩av在线大香蕉| 午夜两性在线视频| 一级作爱视频免费观看| av在线观看视频网站免费| 老司机午夜福利在线观看视频| 国产高清激情床上av| 九色国产91popny在线| 少妇的逼好多水| 色5月婷婷丁香| av视频在线观看入口| 国产老妇女一区| 午夜精品在线福利| av在线蜜桃| 日韩 亚洲 欧美在线| 日韩欧美国产一区二区入口| 夜夜夜夜夜久久久久| 18禁黄网站禁片免费观看直播| 欧美成人免费av一区二区三区| 国产主播在线观看一区二区| 天堂影院成人在线观看| 国产精品一区二区三区四区久久| 亚洲av中文字字幕乱码综合| a级毛片a级免费在线| 国产伦在线观看视频一区| 国产黄色小视频在线观看| 一个人看视频在线观看www免费| 在线观看美女被高潮喷水网站 | 国产精品综合久久久久久久免费| 午夜激情福利司机影院|