• <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
    无人区码免费观看不卡| 每晚都被弄得嗷嗷叫到高潮| 亚洲一区中文字幕在线| 91大片在线观看| 伦理电影免费视频| 色播亚洲综合网| 日韩av在线大香蕉| 两个人视频免费观看高清| 69av精品久久久久久| 亚洲av第一区精品v没综合| 午夜亚洲福利在线播放| 国产亚洲精品久久久久5区| 欧美在线一区亚洲| 丝袜人妻中文字幕| 亚洲五月天丁香| 在线av久久热| 在线观看舔阴道视频| 亚洲专区中文字幕在线| 色综合站精品国产| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品永久免费网站| 国产精品一区二区精品视频观看| 波多野结衣av一区二区av| 在线天堂中文资源库| av网站免费在线观看视频| 成年女人毛片免费观看观看9| 国产高清videossex| 精品国内亚洲2022精品成人| 狂野欧美激情性xxxx| 97超级碰碰碰精品色视频在线观看| 色精品久久人妻99蜜桃| 日本a在线网址| 老鸭窝网址在线观看| www.www免费av| 免费在线观看黄色视频的| 午夜精品久久久久久毛片777| 久久午夜亚洲精品久久| x7x7x7水蜜桃| 亚洲avbb在线观看| 看免费av毛片| 9191精品国产免费久久| 女人爽到高潮嗷嗷叫在线视频| av超薄肉色丝袜交足视频| 色婷婷久久久亚洲欧美| 亚洲精品av麻豆狂野| 国产成人欧美在线观看| 精品日产1卡2卡| 制服人妻中文乱码| 日韩大尺度精品在线看网址 | 国产视频一区二区在线看| 黄色 视频免费看| 日韩精品青青久久久久久| 国产不卡一卡二| 中文字幕人妻丝袜一区二区| 91av网站免费观看| 99在线视频只有这里精品首页| 免费在线观看黄色视频的| 美女扒开内裤让男人捅视频| 亚洲专区国产一区二区| 在线免费观看的www视频| 黄片大片在线免费观看| 欧美久久黑人一区二区| 黄色 视频免费看| 午夜福利,免费看| 中亚洲国语对白在线视频| 多毛熟女@视频| 日本 欧美在线| 黄色视频不卡| 一本久久中文字幕| 国产在线精品亚洲第一网站| 一本大道久久a久久精品| 波多野结衣巨乳人妻| 少妇粗大呻吟视频| 大陆偷拍与自拍| 97超级碰碰碰精品色视频在线观看| 麻豆一二三区av精品| 嫩草影视91久久| videosex国产| 很黄的视频免费| 搡老熟女国产l中国老女人| 久久国产乱子伦精品免费另类| 久久久精品欧美日韩精品| 操美女的视频在线观看| 亚洲最大成人中文| 国产蜜桃级精品一区二区三区| 日韩欧美免费精品| 国产精品久久电影中文字幕| 中文亚洲av片在线观看爽| 18禁国产床啪视频网站| tocl精华| 免费一级毛片在线播放高清视频 | aaaaa片日本免费| 亚洲午夜理论影院| 亚洲第一av免费看| 一级片免费观看大全| 美女扒开内裤让男人捅视频| 亚洲国产高清在线一区二区三 | 国产一区二区激情短视频| 免费在线观看黄色视频的| 欧美最黄视频在线播放免费| 嫩草影视91久久| 久久中文字幕一级| 人妻久久中文字幕网| 欧美精品亚洲一区二区| 免费av毛片视频| 国产色视频综合| 日日夜夜操网爽| 日本五十路高清| 亚洲av第一区精品v没综合| 国产激情久久老熟女| 女性被躁到高潮视频| 国产真人三级小视频在线观看| 两个人视频免费观看高清| 国产激情久久老熟女| 欧美日韩瑟瑟在线播放| 午夜福利一区二区在线看| 男人的好看免费观看在线视频 | 婷婷丁香在线五月| 亚洲熟女毛片儿| 深夜精品福利| 一级作爱视频免费观看| 国产免费男女视频| 国产免费av片在线观看野外av| 色播亚洲综合网| 黄色丝袜av网址大全| 成人特级黄色片久久久久久久| 少妇被粗大的猛进出69影院| 真人一进一出gif抽搐免费| 可以在线观看毛片的网站| 国产av在哪里看| 亚洲欧美一区二区三区黑人| 国产人伦9x9x在线观看| 亚洲av成人不卡在线观看播放网| av在线天堂中文字幕| 99久久综合精品五月天人人| 女同久久另类99精品国产91| 国产三级黄色录像| 亚洲第一欧美日韩一区二区三区| 欧美日韩精品网址| 欧美老熟妇乱子伦牲交| 热99re8久久精品国产| 两性午夜刺激爽爽歪歪视频在线观看 | 99香蕉大伊视频| 可以在线观看毛片的网站| 村上凉子中文字幕在线| 这个男人来自地球电影免费观看| 亚洲欧洲精品一区二区精品久久久| 一卡2卡三卡四卡精品乱码亚洲| 99国产极品粉嫩在线观看| 亚洲精品国产区一区二| 欧美在线黄色| 欧美激情高清一区二区三区| 免费搜索国产男女视频| 欧美成人一区二区免费高清观看 | 欧美+亚洲+日韩+国产| 亚洲精品美女久久av网站| 亚洲av电影在线进入| 大陆偷拍与自拍| 日本vs欧美在线观看视频| 成人欧美大片| 亚洲一区中文字幕在线| 成人国产一区最新在线观看| 亚洲少妇的诱惑av| av在线播放免费不卡| 成人亚洲精品一区在线观看| 少妇裸体淫交视频免费看高清 | 亚洲专区字幕在线| 大型黄色视频在线免费观看| 在线免费观看的www视频| av网站免费在线观看视频| 中文字幕色久视频| 中文字幕高清在线视频| 久久久久久免费高清国产稀缺| 女人高潮潮喷娇喘18禁视频| 国产精品爽爽va在线观看网站 | 久久九九热精品免费| netflix在线观看网站| 日本 av在线| 久久久国产成人免费| 搡老熟女国产l中国老女人| 婷婷六月久久综合丁香| 久9热在线精品视频| 咕卡用的链子| 啦啦啦免费观看视频1| 欧美成狂野欧美在线观看| 咕卡用的链子| 亚洲第一青青草原| 精品国产一区二区久久| 曰老女人黄片| 久久久水蜜桃国产精品网| 久久久国产成人精品二区| 亚洲中文字幕日韩| 51午夜福利影视在线观看| 中文字幕最新亚洲高清| 一区二区三区高清视频在线| 露出奶头的视频| 色av中文字幕| 国产一级毛片七仙女欲春2 | 三级毛片av免费| 老司机在亚洲福利影院| 亚洲人成77777在线视频| 成熟少妇高潮喷水视频| 成人av一区二区三区在线看| 最近最新免费中文字幕在线| 91在线观看av| 一二三四社区在线视频社区8| 久久这里只有精品19| 国产精品国产高清国产av| 99在线人妻在线中文字幕| 少妇的丰满在线观看| 国产精品1区2区在线观看.| 女性生殖器流出的白浆| 法律面前人人平等表现在哪些方面| 亚洲一区二区三区色噜噜| 亚洲欧美一区二区三区黑人| 啦啦啦韩国在线观看视频| 丁香欧美五月| bbb黄色大片| 国产精品99久久99久久久不卡| 亚洲av美国av| 成人亚洲精品av一区二区| 丝袜在线中文字幕| 叶爱在线成人免费视频播放| av天堂久久9| 日本免费一区二区三区高清不卡 | 亚洲电影在线观看av| 黄色视频,在线免费观看| 亚洲欧洲精品一区二区精品久久久| 老熟妇仑乱视频hdxx| 搡老妇女老女人老熟妇| 99国产精品99久久久久| 欧美黑人欧美精品刺激| 大码成人一级视频| 一区二区三区高清视频在线| 日韩大码丰满熟妇| 欧美激情久久久久久爽电影 | 搡老熟女国产l中国老女人| 亚洲,欧美精品.| 亚洲欧美激情综合另类| 色哟哟哟哟哟哟| 久久精品国产亚洲av高清一级| 国产精品一区二区免费欧美| 国产主播在线观看一区二区| 久久久国产成人精品二区| 免费在线观看影片大全网站| 久久天躁狠狠躁夜夜2o2o| 香蕉久久夜色| videosex国产| 久久人人爽av亚洲精品天堂| 免费少妇av软件| 亚洲一卡2卡3卡4卡5卡精品中文| 女性被躁到高潮视频| 老汉色av国产亚洲站长工具| 亚洲精品国产色婷婷电影| 久久人人97超碰香蕉20202| 亚洲av熟女| 男男h啪啪无遮挡| 亚洲精品久久成人aⅴ小说| 麻豆国产av国片精品| 亚洲午夜精品一区,二区,三区| 亚洲精品粉嫩美女一区| 国产精品一区二区免费欧美| 国产免费av片在线观看野外av| 非洲黑人性xxxx精品又粗又长| 国产精品一区二区精品视频观看| 国产精品精品国产色婷婷| 国产成人av激情在线播放| 色在线成人网| 可以在线观看的亚洲视频| 女性被躁到高潮视频| 国产高清激情床上av| 久久久久久久精品吃奶| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲天堂国产精品一区在线| 亚洲国产欧美日韩在线播放| 老汉色av国产亚洲站长工具| 99久久国产精品久久久| 亚洲一区中文字幕在线| 男人舔女人下体高潮全视频| 久久九九热精品免费| 久久精品亚洲精品国产色婷小说| 久久人人97超碰香蕉20202| 女性生殖器流出的白浆| 欧美色视频一区免费| 亚洲情色 制服丝袜| 日本黄色视频三级网站网址| 两个人免费观看高清视频| 国产伦人伦偷精品视频| 精品久久蜜臀av无| 91在线观看av| 大型黄色视频在线免费观看| 国产精品av久久久久免费| 欧美一级毛片孕妇| 9热在线视频观看99| 中文字幕人妻熟女乱码| 多毛熟女@视频| 夜夜躁狠狠躁天天躁| 精品电影一区二区在线| 久久久水蜜桃国产精品网| 亚洲成a人片在线一区二区| 老司机在亚洲福利影院| 亚洲精品中文字幕一二三四区| 怎么达到女性高潮| 亚洲第一青青草原| 亚洲欧洲精品一区二区精品久久久| 日韩精品青青久久久久久| 禁无遮挡网站| 黑人巨大精品欧美一区二区mp4| 视频区欧美日本亚洲| av天堂久久9| 国产野战对白在线观看| 中文字幕人妻熟女乱码| 亚洲精品国产区一区二| 99riav亚洲国产免费| 欧美日韩瑟瑟在线播放| 国产成人精品无人区| 精品国内亚洲2022精品成人| АⅤ资源中文在线天堂| 国产成人av激情在线播放| 亚洲欧美日韩无卡精品| 欧美黄色淫秽网站| 亚洲精品一区av在线观看| 欧美日韩一级在线毛片| 999精品在线视频| 国产精品久久视频播放| 一级黄色大片毛片| a级毛片在线看网站| 无限看片的www在线观看| 一个人免费在线观看的高清视频| 久久热在线av| 欧美不卡视频在线免费观看 | 身体一侧抽搐| 久久精品国产亚洲av高清一级| 淫妇啪啪啪对白视频| 波多野结衣av一区二区av| 一级,二级,三级黄色视频| 精品久久久久久久人妻蜜臀av | 欧美中文综合在线视频| 男人舔女人下体高潮全视频| 日韩欧美在线二视频| av在线播放免费不卡| 婷婷丁香在线五月| 午夜a级毛片| 欧美日韩亚洲国产一区二区在线观看| 97人妻精品一区二区三区麻豆 | 熟女少妇亚洲综合色aaa.| 色在线成人网| 99久久综合精品五月天人人| avwww免费| 欧美一级毛片孕妇| 精品一品国产午夜福利视频| 熟女少妇亚洲综合色aaa.| 午夜福利欧美成人| 人妻久久中文字幕网| 啦啦啦免费观看视频1| 中出人妻视频一区二区| 国产精品香港三级国产av潘金莲| 久久草成人影院| 午夜福利18| 热99re8久久精品国产| 自线自在国产av| 麻豆国产av国片精品| 久久婷婷成人综合色麻豆| 国产av又大| 老汉色∧v一级毛片| 欧美色视频一区免费| 免费在线观看影片大全网站| 一进一出抽搐动态| 人人妻人人澡欧美一区二区 | 国产不卡一卡二| 欧美日韩亚洲国产一区二区在线观看| 日韩 欧美 亚洲 中文字幕| 精品日产1卡2卡| 美女午夜性视频免费| 成人亚洲精品av一区二区| 男人舔女人下体高潮全视频| 国产片内射在线| 一a级毛片在线观看| 亚洲男人的天堂狠狠| 亚洲精品久久成人aⅴ小说| 91麻豆av在线| 婷婷六月久久综合丁香| xxx96com| 久久香蕉国产精品| 亚洲午夜理论影院| 18禁美女被吸乳视频| 两性午夜刺激爽爽歪歪视频在线观看 | 久久婷婷成人综合色麻豆| 国产熟女午夜一区二区三区| 亚洲精品中文字幕在线视频| 午夜精品在线福利| 久久人人97超碰香蕉20202| 在线观看免费午夜福利视频| 韩国精品一区二区三区| 少妇的丰满在线观看| 久久国产乱子伦精品免费另类| 97超级碰碰碰精品色视频在线观看| 嫩草影视91久久| 免费不卡黄色视频| 久久国产精品男人的天堂亚洲| 国产成人欧美在线观看| 亚洲精品久久成人aⅴ小说| 亚洲精品国产一区二区精华液| 久久国产精品男人的天堂亚洲| 老司机午夜福利在线观看视频| 亚洲欧美日韩无卡精品| 操美女的视频在线观看| 午夜视频精品福利| 电影成人av| 亚洲精品中文字幕一二三四区| 日韩欧美国产在线观看| 国产野战对白在线观看| 欧美乱妇无乱码| 亚洲精品一卡2卡三卡4卡5卡| 欧美日韩中文字幕国产精品一区二区三区 | 国产成人一区二区三区免费视频网站| 国产精品亚洲一级av第二区| 午夜福利免费观看在线| 国产aⅴ精品一区二区三区波| 亚洲精品中文字幕在线视频| 19禁男女啪啪无遮挡网站| 中文字幕最新亚洲高清| 免费在线观看影片大全网站| 久久久久久久精品吃奶| 91在线观看av| 国产成年人精品一区二区| 国产成人啪精品午夜网站| 999久久久国产精品视频| a在线观看视频网站| 国产免费男女视频| 欧美激情 高清一区二区三区| 最新在线观看一区二区三区| 亚洲精品在线美女| 精品免费久久久久久久清纯| 热re99久久国产66热| 99精品欧美一区二区三区四区| 法律面前人人平等表现在哪些方面| 日韩欧美一区视频在线观看| 高清在线国产一区| 在线天堂中文资源库| 91精品国产国语对白视频| 国产精品爽爽va在线观看网站 | 亚洲精品一卡2卡三卡4卡5卡| 男女下面插进去视频免费观看| 又黄又粗又硬又大视频| 男女下面插进去视频免费观看| 成年版毛片免费区| 午夜福利视频1000在线观看 | 国产单亲对白刺激| 国产欧美日韩一区二区三| 免费观看精品视频网站| 日韩欧美免费精品| 精品不卡国产一区二区三区| 欧美成人一区二区免费高清观看 | 亚洲国产精品久久男人天堂| 欧美黄色片欧美黄色片| 久久久久久久久中文| 国产亚洲精品久久久久5区| 欧美精品亚洲一区二区| 久久性视频一级片| 国产av在哪里看| 亚洲精品国产一区二区精华液| 国产免费av片在线观看野外av| 九色国产91popny在线| 国产亚洲欧美在线一区二区| netflix在线观看网站| 欧美在线一区亚洲| 丝袜在线中文字幕| 日本vs欧美在线观看视频| 欧美av亚洲av综合av国产av| 欧美大码av| 国产精品日韩av在线免费观看 | av超薄肉色丝袜交足视频| 久久久久久免费高清国产稀缺| 可以在线观看的亚洲视频| 亚洲国产精品999在线| 国产高清videossex| 国产精品九九99| 国产精品亚洲美女久久久| 久久精品91无色码中文字幕| 亚洲专区中文字幕在线| 欧美另类亚洲清纯唯美| 99在线人妻在线中文字幕| 一本综合久久免费| 中国美女看黄片| 日韩免费av在线播放| 久久久久国产一级毛片高清牌| 久久精品国产亚洲av香蕉五月| 亚洲欧洲精品一区二区精品久久久| 91精品三级在线观看| 国产成人精品久久二区二区免费| 18禁美女被吸乳视频| 黄网站色视频无遮挡免费观看| 久久午夜亚洲精品久久| 91成人精品电影| 成人亚洲精品av一区二区| 日本精品一区二区三区蜜桃| 精品久久久精品久久久| 丝袜人妻中文字幕| 亚洲专区中文字幕在线| 亚洲男人的天堂狠狠| 变态另类丝袜制服| 久久久久国产精品人妻aⅴ院| 99riav亚洲国产免费| 此物有八面人人有两片| 首页视频小说图片口味搜索| 久久国产乱子伦精品免费另类| 欧美色欧美亚洲另类二区 | 精品久久久久久成人av| 国产主播在线观看一区二区| 国产片内射在线| 啦啦啦 在线观看视频| 久久精品亚洲熟妇少妇任你| 亚洲成av人片免费观看| 国产三级在线视频| 两个人看的免费小视频| 日韩视频一区二区在线观看| 少妇 在线观看| 女警被强在线播放| avwww免费| 日日爽夜夜爽网站| 亚洲七黄色美女视频| 中文亚洲av片在线观看爽| 亚洲色图 男人天堂 中文字幕| 成人特级黄色片久久久久久久| 又大又爽又粗| 老司机靠b影院| 国产国语露脸激情在线看| 男人舔女人的私密视频| 午夜精品久久久久久毛片777| 国产视频一区二区在线看| 18禁裸乳无遮挡免费网站照片 | 久久国产亚洲av麻豆专区| 久久久水蜜桃国产精品网| 久久 成人 亚洲| 久久久水蜜桃国产精品网| 一级毛片高清免费大全| 露出奶头的视频| 亚洲自偷自拍图片 自拍| av视频在线观看入口| 一级a爱视频在线免费观看| 午夜免费激情av| 免费在线观看影片大全网站| 久99久视频精品免费| 国产av在哪里看| 成年女人毛片免费观看观看9| 女人高潮潮喷娇喘18禁视频| 少妇的丰满在线观看| 午夜影院日韩av| 国产精品永久免费网站| 天天添夜夜摸| 激情视频va一区二区三区| 极品人妻少妇av视频| 国产av一区二区精品久久| 国产精品野战在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲精品在线观看二区| 九色国产91popny在线| 欧美日韩乱码在线| 黄色 视频免费看| 老司机午夜福利在线观看视频| 午夜福利,免费看| 国产亚洲精品一区二区www| 午夜免费激情av| 国产精品久久久av美女十八| 久久热在线av| 香蕉丝袜av| 欧美成人午夜精品| 禁无遮挡网站| 亚洲专区中文字幕在线| 可以免费在线观看a视频的电影网站| 欧美在线黄色| 午夜久久久久精精品| 亚洲熟妇中文字幕五十中出| 一级毛片高清免费大全| 亚洲九九香蕉| 老熟妇乱子伦视频在线观看| 桃红色精品国产亚洲av| 国产精品综合久久久久久久免费 | 男男h啪啪无遮挡| 制服丝袜大香蕉在线| 午夜激情av网站| 欧美成人一区二区免费高清观看 | 国产又色又爽无遮挡免费看| 国产片内射在线| 人人妻人人爽人人添夜夜欢视频| 精品国产乱子伦一区二区三区| 国产欧美日韩精品亚洲av| 精品国产国语对白av| 久久人妻福利社区极品人妻图片| 一本大道久久a久久精品| 欧美成人性av电影在线观看| 亚洲欧美精品综合一区二区三区| 99riav亚洲国产免费| 亚洲 国产 在线| 一卡2卡三卡四卡精品乱码亚洲| 久久精品国产亚洲av香蕉五月| 亚洲情色 制服丝袜| 91精品三级在线观看| 熟妇人妻久久中文字幕3abv| 日韩有码中文字幕| 丰满的人妻完整版| 成人永久免费在线观看视频| 午夜精品久久久久久毛片777| 波多野结衣av一区二区av| 中文字幕av电影在线播放| 久久亚洲真实| 涩涩av久久男人的天堂| 久久青草综合色| 久久久久久久久久久久大奶| 97碰自拍视频| 久久人妻av系列| cao死你这个sao货| 欧美日本亚洲视频在线播放| 窝窝影院91人妻|