• <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 ?

    基于高光譜信息的煙葉分級方法比較

    2021-11-02 09:23:16李士靜陳熙卓朱均燕吳碧致謝小芳溫永仙
    煙草科技 2021年10期
    關(guān)鍵詞:正確率波段煙葉

    李士靜,潘 羲,陳熙卓,朱均燕,吳碧致,謝小芳,溫永仙*

    1.福建農(nóng)林大學(xué)計(jì)算機(jī)與信息學(xué)院,福州市倉山區(qū)上下店路15號 350002 2.福建農(nóng)林大學(xué)統(tǒng)計(jì)及應(yīng)用研究所,福州市倉山區(qū)上下店路15號 350002 3.福建省三明市煙草公司寧化分公司,福建省寧化縣鎮(zhèn)南大街煙草大廈 365400 4.福建省煙草公司三明市公司,福建省三明市崇桂新村100幢 365000 5.廈門大學(xué)近海海洋環(huán)境科學(xué)國家重點(diǎn)實(shí)驗(yàn)室,福建省廈門市翔安區(qū)S201 361000 6.福建農(nóng)林大學(xué)生命科學(xué)學(xué)院,福州市倉山區(qū)上下店路15號 350002

    煙葉是我國重要的經(jīng)濟(jì)作物之一,嚴(yán)格規(guī)范其品質(zhì)檢驗(yàn)與等級劃分過程具有重要意義。傳統(tǒng)的煙葉分級主要依靠人工感官和經(jīng)驗(yàn)進(jìn)行判定,但不同人的感官和經(jīng)驗(yàn)存在差異,因此人工分級具有較強(qiáng)的主觀性和隨意性,容易導(dǎo)致煙葉分級不準(zhǔn)確,對卷煙生產(chǎn)造成不良影響[1]。針對此問題,近年來采用人工智能技術(shù)代替人工分級已有較多研究,主要分為3個(gè)方面:①基于機(jī)器視覺技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)的煙葉自動分級研究[2-4],利用機(jī)器視覺技術(shù)提取煙葉表面特征,將煙葉的顏色、形狀、紋理等特征作為神經(jīng)網(wǎng)絡(luò)的輸入變量,建立基于煙葉圖像特征的分類模型。該方法對同一片煙葉需要進(jìn)行3次以上圖像采集,采集樣本量大,耗費(fèi)時(shí)間長,且采集過程容易受到外部因素影響,導(dǎo)致圖像質(zhì)量不高,從而影響煙葉等級識別的正確率[5]。此外,機(jī)器視覺技術(shù)只提取煙葉表面特征,當(dāng)煙葉存在未完整放置、未完整鋪開、正反面放置不一致、葉片之間有重疊等問題時(shí),會導(dǎo)致煙葉分級效果降低[6]。②基于模糊模式識別的煙葉自動分級研究[7-8],結(jié)合模糊數(shù)學(xué)和模糊模式識別并基于化學(xué)指標(biāo)建立煙葉等級識別模型,但該方法的數(shù)學(xué)規(guī)則推導(dǎo)復(fù)雜且化學(xué)指標(biāo)測量過程耗時(shí)長,導(dǎo)致分類正確率不高。③基于光譜技術(shù)的煙葉自動分級研究[9-10],通過無損方式獲得煙葉光譜數(shù)據(jù),進(jìn)而建立基于光譜特征的煙葉分類模型。光譜技術(shù)具有快速、簡單、無損等特點(diǎn),利用光譜技術(shù)可以獲得反映煙葉外部結(jié)構(gòu)特征的光譜,以及與煙葉密切相關(guān)的化學(xué)指標(biāo)和內(nèi)部結(jié)構(gòu)信息。與機(jī)器視覺技術(shù)相比,利用光譜技術(shù)建立的煙葉分類模型可靠性更高。

    高光譜成像是一種將成像技術(shù)與光譜技術(shù)相結(jié)合的影像數(shù)據(jù)技術(shù),具有光譜分辨率高、多波段、檢測速度快且無損等特點(diǎn)[11]。高光譜圖像包含圖像信息和光譜信息,圖像信息可以真實(shí)地展現(xiàn)農(nóng)作物的表面損失及外部特征,光譜信息則能反映出農(nóng)作物的內(nèi)部結(jié)構(gòu)及成分組成。高光譜成像技術(shù)目前已廣泛應(yīng)用于農(nóng)產(chǎn)品內(nèi)外部品質(zhì)檢測、損傷識別、作物信息獲取等方面[12]。程術(shù)希等[11]采用多元散射校正(Multivariate Scattering Correction,MSC)預(yù)處理方法對大白菜種子的高光譜信息進(jìn)行消噪,利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)和 隨 機(jī) 森 林(Random Forest,RF)等方法識別大白菜種子,識別正確率均超過90%。楊思成等[13]基于PCA(Principal Component Analysis)提取特征光譜的圖像信息,結(jié)合Fisher識別模型、偏最小二乘回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型對稻谷品種進(jìn)行分類識別,分類正確率均達(dá)到95%。李丹等[14]采用多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variate transformation,SNV)等方法對樹種葉片的高光譜數(shù)據(jù)進(jìn)行預(yù)處理,運(yùn)用隨機(jī)森林(RF)和支持向量機(jī)(Support Vector Machine,SVM)分類模型進(jìn)行建模,分類正確率在54.41%~77.06%之間。張龍等[15]利用高光譜成像技術(shù)對煙葉和雜物進(jìn)行分類,分類正確率達(dá)到99.92%,提高了除雜效果。邢雪霞等[16]基于烤煙葉片的高光譜曲線特征,建立了色素含量的預(yù)測模型,選擇出與色素含量相關(guān)性最高的高光譜特征參數(shù)。但利用高光譜成像技術(shù)進(jìn)行煙葉分級的研究則鮮見報(bào)道。為此,基于高光譜信息探討了不同數(shù)據(jù)預(yù)處理方法以及分類模型對煙葉分類正確率的影響,建立了基于特征波段的4種煙葉分類模型并對其進(jìn)行驗(yàn)證,以期提高煙葉等級識別正確率,提升煙葉分級智能化水平。

    1 材料與方法

    1.1材料

    數(shù)據(jù)集A的煙葉樣本為31個(gè)2019年國家標(biāo)準(zhǔn)樣本,包含B1F、B2F和B3F共3個(gè)等級;數(shù)據(jù)集B的煙葉樣本為147個(gè)2020年國家標(biāo)準(zhǔn)樣本,包含C2F、C3F和C4F共3個(gè)等級。所有煙葉樣本均由福建省煙草專賣局煙草科學(xué)研究所提供,并按照烤煙分級國家標(biāo)準(zhǔn)(42級)GB2635—1992[17]進(jìn)行定級。具體樣本信息見表1。

    表1 煙葉樣本信息Tab.1 Information of tobacco leaf samples

    1.2 設(shè)備與儀器

    數(shù)據(jù)集A的高光譜成像系統(tǒng)由Gaiasky-mini2-VN光譜儀(四川雙利合譜科技有限公司)、HSIALS-T-200W專用光源(四川雙利合譜科技有限公司)以及安裝有Spectral-image(臺灣五鈴光學(xué)股份有限公司)的專用計(jì)算機(jī)組成,見圖1。系統(tǒng)參數(shù):圖像分辨率為960 pixel×176 pixel;波長范圍為400~1 000 nm,共包含176個(gè)波段;光譜分辨率為3.5 nm;曝光時(shí)間為6.4 ms;光源強(qiáng)度為200 W。由于波長400~1 000 nm范圍內(nèi)的波段頭尾處存在較大噪聲,故選取500~900 nm范圍內(nèi)的116個(gè)波段進(jìn)行分析。

    圖1 數(shù)據(jù)集A的高光譜成像系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Structure of hyperspectral imaging system for dataset A

    數(shù)據(jù)集B的采集系統(tǒng)由高感度EM285CL EMCCD相機(jī)(北愛爾蘭Raptor Photonics公司)、Imspector V10E成像光譜儀(芬蘭Spectral Imaging公司)、IT 3900 150 W鹵素?zé)簦绹鳲cean Optics公司)以及安裝有Spectral-image(臺灣五鈴光學(xué)股份有限公司)的專用計(jì)算機(jī)組成,見圖2。系統(tǒng)參數(shù):圖像分辨率為1 024 pixel×237 pixel;波長范圍為400~1 000 nm,共包含237個(gè)波段;光譜分辨率為2.4 nm;曝光時(shí)間為8 ms;光源強(qiáng)度為70 W;平臺移動速度為13.3 mm/s。

    圖2 數(shù)據(jù)集B的高光譜成像系統(tǒng)結(jié)構(gòu)示意圖Fig.2 Structure of hyperspectral imaging system for dataset B

    1.3 高光譜圖像采集

    如圖3所示,將每個(gè)煙葉樣本展開平鋪在載物臺的黑布上,通過高光譜成像系統(tǒng)進(jìn)行數(shù)據(jù)采集。利用遮蓋鏡頭及標(biāo)準(zhǔn)白板圖像獲得黑板和白板校正圖像,用于對原始高光譜圖像進(jìn)行校正[12]。計(jì)算公式為:

    圖3 煙葉樣本的高光譜圖像Fig.3 Hyperspectral image of tobacco sample

    式中:R表示校正后樣本圖像;I表示樣本原始圖像;B表示黑板校正圖像;W表示白板校正圖像。

    在黑白板校正后的高光譜圖像中,利用ENVI(Enviroment for Visualizing Images,美國ITT Visual Information Solutions公司)軟件在葉莖兩側(cè)的葉片部位隨機(jī)選取15 pixel×15 pixel的感興趣區(qū)域(Region of Interest,ROI),每個(gè)像素點(diǎn)包含一條光譜信息,將ROI內(nèi)所有像素點(diǎn)的平均光譜反射率作為樣本的高光譜數(shù)據(jù)。每個(gè)等級煙葉選取300個(gè)ROI,數(shù)據(jù)集A和B分別得到900個(gè)樣本。隨機(jī)選擇800個(gè)樣本作為訓(xùn)練集,100個(gè)樣本作為測試集。

    1.4 數(shù)據(jù)預(yù)處理

    高光譜數(shù)據(jù)中除了包含煙葉樣本化學(xué)指標(biāo)信息外,還含有其他無關(guān)信息和噪聲。因此,在建立模型前,利用多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)、Savitzky-Golay卷積平滑(SG)3種方法對數(shù)據(jù)進(jìn)行預(yù)處理[18],以消除高光譜數(shù)據(jù)中的無關(guān)信息和噪聲。

    (1)多元散射校正(MSC)是一種多變量散射校正技術(shù),可以消除樣本間散射所導(dǎo)致的基線平移和偏移現(xiàn)象,增強(qiáng)與成分含量相關(guān)的光譜吸收信息,提高原始光譜的信噪比[19]。

    式中:xi表示所需校正光譜集的第i條光譜(i=1,2,…,n);xi(MSC)表示多元散射校正處理后的第i條光譜;n表示需要校正的光譜數(shù)量;mi和bi分別表示利用最小二乘法求取的第i條光譜的系數(shù)和截距。

    (2)標(biāo)準(zhǔn)正態(tài)變量變換(SNV)的作用是消除固體顆粒大小、表面散射的影響,以及光程變換對NIR漫反射光譜的影響[18]。

    式中:xi,k表示第i條光譜在第k處波長(k=1,2,…,m)的反射率值;m表示波長點(diǎn)數(shù);x(iSNV)表示標(biāo)準(zhǔn)正態(tài)變量變換處理后的第i條光譜。

    (3)Savitzky-Golay卷積平滑法(SG)是一種信號平滑方法,主要用于消除高光譜數(shù)據(jù)的隨機(jī)噪聲。

    式中:xi,(kSG)表示SG卷積平滑處理后的第i條光譜在第k處波長的反射率值;xi,k+j表示第i條光譜在第(k+j)處波長的反射率值;2ω+1表示平滑窗口的寬度;hj表示平滑系數(shù),測量值乘以平滑系數(shù)hj的目的是盡可能地減少平滑處理對有用信息的影響;H表示歸一化因子。

    1.5 化學(xué)計(jì)量學(xué)方法

    采用隨機(jī)森林(RF)、支持向量機(jī)(SVM)、極限學(xué)習(xí)機(jī)(ELM)和梯度提升決策樹(GBDT)4種算法分別建立分類模型;采用F-Score算法選取煙葉高光譜數(shù)據(jù)的特征波段。隨機(jī)森林(RF)是Breiman等[20]提出的一種基于決策樹的集成算法,對數(shù)據(jù)噪聲容忍度好,具有人工干預(yù)少、運(yùn)算速度快等優(yōu)點(diǎn)[21]。支持向量機(jī)(SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的統(tǒng)計(jì)學(xué)習(xí)方法[22],其決策函數(shù)由少數(shù)的支持向量確定,在某種意義上避免了“維數(shù)災(zāi)難”問題[23],因此具有較強(qiáng)的泛化能力。本研究中選擇了用于處理SVM模式識別與回歸的軟件包LIBSVM[24],核函數(shù)選用了徑向基函數(shù)(Radial Basis Function,RBF)。極限學(xué)習(xí)機(jī)(ELM)是由Huang等[25]提出的一種簡單高效的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法,具有學(xué)習(xí)速度快、耗時(shí)短、效率高、算法復(fù)雜度低等優(yōu)點(diǎn)[26]。梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)是 由Friedman[27]提出的一種由多個(gè)弱分類器經(jīng)過迭代形成的強(qiáng)分類器,可靈活處理各種數(shù)據(jù),預(yù)測準(zhǔn)確率高,對異常值具有較強(qiáng)的魯棒性[28]。F-Score算法主要用于衡量特征在不同類別間的分辨能力,通過計(jì)算數(shù)據(jù)集中每個(gè)特征的F-Score值以及所有特征的F-Score平均值而得到閾值。如果某一特征的F-Score值大于閾值,則將該特征加入特征空間;否則,則將該特征從特征空間中移除[29]。F-Score算法能夠選擇較小的變量子集進(jìn)行計(jì)算,從而減少計(jì)算消耗,提高算法性能。

    1.6 數(shù)據(jù)分析軟件

    采用ENVI 5.3軟件提取煙葉樣本ROI的光譜反射率信息;采用MATLAB 2016a建立隨機(jī)森林(RF)、支持向量機(jī)(SVM)和極限學(xué)習(xí)機(jī)(ELM)的分類模型,并利用F-Score算法選取特征波段;采用Python 3.8建立梯度提升決策樹(GBDT)的分類模型。

    2 結(jié)果與分析

    2.1 煙葉原始光譜曲線和平均光譜曲線

    兩個(gè)數(shù)據(jù)集中所有煙葉樣本的原始光譜反射率隨波長變化曲線見圖4??梢?,不同波長下反射率整體呈上升趨勢,在670~680 nm范圍內(nèi)存在一個(gè)反射率波谷,原因是該波段范圍為葉綠素的強(qiáng)吸收帶,而葉綠素a和b對植物的反射率光譜曲線影響較大[30]。數(shù)據(jù)集A和B在680~700 nm范圍內(nèi)反射率急劇上升,曲線幾乎垂直于x軸。

    圖4 兩個(gè)數(shù)據(jù)集中所有煙葉樣本的原始光譜曲線Fig.4 Original spectral curves of tobacco leaf samples in two datasets

    兩個(gè)數(shù)據(jù)集中同一等級煙葉樣本的平均光譜在不同波長下的反射率變化曲線見圖5。可見,同一數(shù)據(jù)集中不同等級煙葉的平均光譜曲線變化趨勢相似,曲線之間的間隔較小,這種現(xiàn)象在數(shù)據(jù)集B中更為明顯,說明依靠原始數(shù)據(jù)區(qū)分不同等級煙葉難度較大,需要進(jìn)一步進(jìn)行數(shù)據(jù)預(yù)處理和建模分析。

    圖5 兩個(gè)數(shù)據(jù)集中同一等級煙葉樣本的平均光譜曲線Fig.5 Average spectral curves of tobacco leaf samples of different grades in two datasets

    2.2 不同數(shù)據(jù)預(yù)處理法對分類正確率的影響

    分別采用MSC、SNV、SG這3種方法對兩個(gè)數(shù)據(jù)集中不同等級煙葉的高光譜數(shù)據(jù)進(jìn)行預(yù)處理,并繪制預(yù)處理后所有煙葉樣本的光譜曲線,見圖6和圖7??梢?,經(jīng)MSC預(yù)處理后兩個(gè)數(shù)據(jù)集的光譜曲線更加集中,其中數(shù)據(jù)集A預(yù)處理后在波長500~600 nm和800~900 nm處的曲線沒有原始數(shù)據(jù)曲線光滑,原因可能是數(shù)據(jù)集A煙葉樣本間的基線平移和偏移現(xiàn)象不明顯,經(jīng)過預(yù)處理反而加入了噪聲。經(jīng)SNV預(yù)處理后數(shù)據(jù)集B的相對反射率(原始反射率經(jīng)預(yù)處理變換后得到的反射率)相比數(shù)據(jù)集A波動較大,可能是由于數(shù)據(jù)集B的波長點(diǎn)數(shù)多于數(shù)據(jù)集A,導(dǎo)致標(biāo)準(zhǔn)偏差增大。數(shù)據(jù)集A與B經(jīng)SG預(yù)處理后的光譜曲線與原始光譜曲線差異不明顯。

    圖6 數(shù)據(jù)集A預(yù)處理后的光譜曲線Fig.6 Preprocessed spectral curve of dataset A

    圖7 數(shù)據(jù)集B預(yù)處理后的光譜曲線Fig.7 Preprocessed spectral curve of dataset B

    將預(yù)處理后的數(shù)據(jù)集作為輸入變量,煙葉等級對應(yīng)的標(biāo)簽作為輸出變量,建立隨機(jī)森林(RF)、支持向量機(jī)(SVM)、極限學(xué)習(xí)機(jī)(ELM)以及梯度提升決策樹(GBDT)4種煙葉分類模型。選擇分類正確率作為分類模型的評價(jià)指標(biāo),分類正確率是指正確分類的樣本占所有樣本的比例。對原始數(shù)據(jù)和不同預(yù)處理后數(shù)據(jù)進(jìn)行分類,結(jié)果見表2和表3??梢姡?jīng)SG或SNV預(yù)處理后兩個(gè)數(shù)據(jù)集的分類正確率整體上與原始數(shù)據(jù)的分類正確率接近,可能是煙葉樣本間散射現(xiàn)象不明顯,隨機(jī)噪聲小,導(dǎo)致經(jīng)過預(yù)處理的數(shù)據(jù)丟失了有效信息。數(shù)據(jù)集A經(jīng)MSC預(yù)處理后,SVM模型的分類正確率明顯下降,可能是經(jīng)MSC預(yù)處理后增加了噪聲,而SVM模型對噪聲比較敏感。MSC預(yù)處理在數(shù)據(jù)集A中提高了ELM和GBDT模型的分類正確率,在數(shù)據(jù)集B中提高了全部4種模型的分類正確率。對比發(fā)現(xiàn),經(jīng)MSC預(yù)處理后分類正確率相對較高,在數(shù)據(jù)集A中平均分類正確率僅比SNV、SG低1.00百分點(diǎn)、1.75百分點(diǎn),但在數(shù)據(jù)集B中比SNV、SG高18.25百分點(diǎn)、11.75百分點(diǎn)。綜上,MSC預(yù)處理略優(yōu)于其他兩種預(yù)處理方法,能夠提高分類模型的識別效果。

    2.3 不同模型的分類正確率比較

    在RF模型中,利用逐步搜索法選擇決策樹的個(gè)數(shù),得到數(shù)據(jù)集A和B的決策樹個(gè)數(shù)分別為200和50。在SVM模型中,利用LIBSVM軟件包中K折交叉驗(yàn)證法(本文中為五折交叉驗(yàn)證法)進(jìn)行參數(shù)選擇,得到數(shù)據(jù)集A的懲罰系數(shù)C為256,核函數(shù)參數(shù)γ為0.25;數(shù)據(jù)集B的懲罰系數(shù)C為1 024,核函數(shù)參數(shù)γ為0.062 5。在ELM模型中,選擇常用的Sigmoidal函數(shù)作為激勵函數(shù),采用十折交叉驗(yàn)證法對隱層節(jié)點(diǎn)數(shù)進(jìn)行選擇,數(shù)據(jù)集A和B的分類正確率隨隱層節(jié)點(diǎn)數(shù)變化的曲線見圖8。當(dāng)驗(yàn)證集的分類正確率逐漸趨于穩(wěn)定時(shí),得到分類正確率最大時(shí)數(shù)據(jù)集A對應(yīng)的隱層節(jié)點(diǎn)數(shù)為139個(gè),數(shù)據(jù)集B為169個(gè)。在GBDT模型中,利用網(wǎng)格搜索法對參數(shù)進(jìn)行選擇,得到數(shù)據(jù)集A的學(xué)習(xí)率為0.1,迭代次數(shù)為180次,決策樹深度為7;數(shù)據(jù)集B的學(xué)習(xí)率為0.1,迭代次數(shù)為170次,決策樹深度為7。

    圖8 不同隱層節(jié)點(diǎn)數(shù)下兩個(gè)數(shù)據(jù)集分類正確率變化曲線Fig.8 Variation curves of classification accuracy at different hidden node numbers for two datasets

    4種分類模型下兩個(gè)數(shù)據(jù)集的分類正確率見表2和表3??梢?,RF和GBDT模型對數(shù)據(jù)集A原始數(shù)據(jù)(波段數(shù)116個(gè),維數(shù)116)的分類正確率為77%和76%,對數(shù)據(jù)集B原始數(shù)據(jù)(波段數(shù)237個(gè),維數(shù)237)的分類正確率為54%和55%。在數(shù)據(jù)集B中分類正確率下降的原因,除了基線平移和偏移外,還可能是隨著數(shù)據(jù)維數(shù)的增加,存在過擬合現(xiàn)象。對比發(fā)現(xiàn),ELM和SVM模型的識別效果最佳,基于MSC預(yù)處理的分類正確率在數(shù)據(jù)集A中分別達(dá)到84%和80%,在數(shù)據(jù)集B中分別達(dá)到96%和95%。其中,ELM模型可能對SNV預(yù)處理后的數(shù)據(jù)比較敏感,分類正確率受到較大影響,在數(shù)據(jù)集A中從83%下降到77%,在數(shù)據(jù)集B中從91%下降到62%。綜上,基于全波段建立的分類模型識別效果較優(yōu),其建模方案是預(yù)處理方法為多元散射校正(MSC),分類模型為極限學(xué)習(xí)機(jī)(ELM)或支持向量機(jī)(SVM)。

    表2 不同預(yù)處理方法和分類模型下數(shù)據(jù)集A的分類正確率Tab.2 Classification accuracy for dataset A with different preprocessing methods and classification models(%)

    表3 不同預(yù)處理方法和分類模型下數(shù)據(jù)集B的分類正確率Tab.3 Classification accuracy for dataset B with different preprocessing methods and classification models(%)

    2.4 不同特征波段的分類正確率比較

    采用光譜全波段建模,信息量大、變量多,且樣本的部分光譜信息與樣本性質(zhì)無明顯相關(guān)性,對樣本等級的識別貢獻(xiàn)小。因此,利用F-Score算法選取對煙葉分類有較大貢獻(xiàn)的特征波段作為分類模型的輸入變量。F-Score算法能夠在降低高光譜數(shù)據(jù)維度的同時(shí),保留原有高光譜波段的物理意義,提高模型運(yùn)行速度[31]。由上述分析結(jié)果可知,經(jīng)MSC預(yù)處理后分類正確率相對較高,因此對數(shù)據(jù)集A和B先進(jìn)行MSC預(yù)處理,再利用F-Score算法選取特征波段。按照全波段F-Score值的大小進(jìn)行降序排列,選擇前10%~90%作為特征波段,然后按照波長大小對特征波段進(jìn)行排序,結(jié)果見表4。

    根據(jù)表4結(jié)果建立RF、ELM、SVM和GBDT分類模型,不同特征波段數(shù)量和分類模型下兩個(gè)數(shù)據(jù)集的分類正確率見表5和表6??梢姡?dāng)特征波段數(shù)量較少時(shí),4種模型的識別效果均不理想。隨著特征波段數(shù)量的增加,4種模型的分類正確率均有所提高,其中ELM和SVM模型的分類正確率增加20百分點(diǎn)左右。在數(shù)據(jù)集B中可能是受到特征波段數(shù)量的影響,SVM模型隨著維數(shù)的增加呈先上升后下降趨勢,由于SVM模型能夠克服“維數(shù)災(zāi)難”,最終分類正確率趨于穩(wěn)定。當(dāng)特征波段數(shù)量達(dá)到70%時(shí),4種模型的分類正確率大部分接近全波段。在數(shù)據(jù)集B中,當(dāng)特征波段數(shù)量達(dá)到30%時(shí),SVM模型的分類正確率(97%)已經(jīng)優(yōu)于全波段(95%,見表3),說明特征波段的選擇有益于SVM模型進(jìn)行數(shù)據(jù)分類。綜上,當(dāng)特征波段數(shù)量占比為70%時(shí),煙葉分類正確率已接近基于全波段的分類正確率,且可減小數(shù)據(jù)規(guī)模,提升運(yùn)算速度。

    表4 兩個(gè)數(shù)據(jù)集中特征波段數(shù)量選擇結(jié)果Tab.4 Numbers of characteristic bands selected by F-Score algorithm based on two datasets

    表5 不同特征波段數(shù)量和分類模型下數(shù)據(jù)集A分類正確率Tab.5 Classification accuracy for dataset A in case of different numbers of characteristic bands and different classification models (%)

    表6 不同特征波段數(shù)量和分類模型下數(shù)據(jù)集B分類正確率Tab.6 Classification accuracy for dataset B in case of different numbers of characteristic bands and different classification models (%)

    3 結(jié)論

    基于煙葉高光譜信息,采用多元散射校正(MSC)等3種預(yù)處理方法以及支持向量機(jī)(SVM)等4種分類模型,分析了煙葉等級的分類正確率。結(jié)果表明:①M(fèi)SC預(yù)處理的分類正確率較高,在數(shù)據(jù)集A中平均分類正確率僅比SNV、SG低1.00百分點(diǎn)、1.75百分點(diǎn),但在數(shù)據(jù)集B中比SNV、SG高18.25百分點(diǎn)、11.75百分點(diǎn)。②在4種模型中,ELM和SVM模型識別效果較優(yōu),基于全波段和特征波段的分類正確率均高于其他模型,其中經(jīng)MSC預(yù)處理后基于全波段的分類正確率在數(shù)據(jù)集A中達(dá)到84%和80%,在數(shù)據(jù)集B中達(dá)到96%和95%。③當(dāng)選擇的特征波段數(shù)量達(dá)到全波段的70%時(shí),4種模型的分類正確率已接近基于全波段的分類正確率,其中SVM模型對數(shù)據(jù)集B的分類正確率達(dá)到96%。研究結(jié)果顯示利用煙葉的高光譜信息對煙葉進(jìn)行分級是可行的。

    猜你喜歡
    正確率波段煙葉
    春日暖陽
    門診分診服務(wù)態(tài)度與正確率對護(hù)患關(guān)系的影響
    關(guān)于新形勢下煙葉生產(chǎn)可持續(xù)發(fā)展的思考
    活力(2019年15期)2019-09-25 07:21:56
    煙葉主要真菌病害的發(fā)生與防治
    生意
    品管圈活動在提高介入手術(shù)安全核查正確率中的應(yīng)用
    生意
    故事會(2016年15期)2016-08-23 13:48:41
    M87的多波段輻射過程及其能譜擬合
    日常維護(hù)對L 波段雷達(dá)的重要性
    西藏科技(2015年4期)2015-09-26 12:12:58
    一種降低造紙法再造煙葉平滑度的方法
    天津造紙(2015年2期)2015-01-04 08:18:13
    国产精品乱码一区二三区的特点 | 69精品国产乱码久久久| 国产av一区在线观看免费| 国产精品美女特级片免费视频播放器 | 人妻久久中文字幕网| 久久久久久久久中文| 女同久久另类99精品国产91| 真人做人爱边吃奶动态| 亚洲精品中文字幕在线视频| 亚洲成人国产一区在线观看| 亚洲视频免费观看视频| 久久香蕉国产精品| 最近最新中文字幕大全免费视频| 国产精品亚洲av一区麻豆| 一卡2卡三卡四卡精品乱码亚洲| 国产日韩一区二区三区精品不卡| 亚洲精品一卡2卡三卡4卡5卡| 亚洲人成网站在线播放欧美日韩| 亚洲精品在线观看二区| 婷婷精品国产亚洲av在线| 精品少妇一区二区三区视频日本电影| 欧美黑人精品巨大| 欧美日本中文国产一区发布| 长腿黑丝高跟| tocl精华| 最新在线观看一区二区三区| 亚洲在线自拍视频| 在线观看舔阴道视频| 午夜激情av网站| 国语自产精品视频在线第100页| 12—13女人毛片做爰片一| 久久精品91蜜桃| 男女做爰动态图高潮gif福利片 | 欧美在线一区亚洲| 久99久视频精品免费| 女警被强在线播放| 中文字幕av电影在线播放| 熟妇人妻久久中文字幕3abv| 亚洲少妇的诱惑av| 免费av毛片视频| 久久久水蜜桃国产精品网| 久久精品国产亚洲av高清一级| 久久精品国产亚洲av高清一级| 亚洲成av人片免费观看| 国产区一区二久久| 久久人人爽av亚洲精品天堂| 看黄色毛片网站| 亚洲五月色婷婷综合| 一级黄色大片毛片| 久久久久亚洲av毛片大全| 一卡2卡三卡四卡精品乱码亚洲| 欧洲精品卡2卡3卡4卡5卡区| 777久久人妻少妇嫩草av网站| 久久国产精品男人的天堂亚洲| 国产蜜桃级精品一区二区三区| 免费在线观看完整版高清| 欧美激情极品国产一区二区三区| 一夜夜www| 夜夜爽天天搞| 无人区码免费观看不卡| 亚洲精品国产一区二区精华液| 国内精品久久久久精免费| 91老司机精品| 一本综合久久免费| 在线观看www视频免费| 好男人电影高清在线观看| 巨乳人妻的诱惑在线观看| 亚洲第一青青草原| а√天堂www在线а√下载| 最近最新免费中文字幕在线| 三级毛片av免费| 国产成人啪精品午夜网站| 国内精品久久久久精免费| 两性午夜刺激爽爽歪歪视频在线观看 | 1024香蕉在线观看| 亚洲性夜色夜夜综合| 亚洲精华国产精华精| 极品教师在线免费播放| 欧美日韩中文字幕国产精品一区二区三区 | 欧美日韩精品网址| ponron亚洲| 美女免费视频网站| АⅤ资源中文在线天堂| 日本 欧美在线| 国产欧美日韩综合在线一区二区| 成人三级做爰电影| 久久久久国产一级毛片高清牌| xxx96com| 欧美日韩瑟瑟在线播放| 日韩欧美国产一区二区入口| 国产私拍福利视频在线观看| 51午夜福利影视在线观看| 久久人妻福利社区极品人妻图片| 青草久久国产| 成人三级做爰电影| netflix在线观看网站| 国产精品1区2区在线观看.| 日韩精品青青久久久久久| 国产精品一区二区三区四区久久 | av视频免费观看在线观看| 中文字幕人妻丝袜一区二区| 亚洲国产精品成人综合色| 国产极品粉嫩免费观看在线| 国产av一区在线观看免费| 国产精品亚洲美女久久久| 亚洲精品中文字幕在线视频| 99国产极品粉嫩在线观看| 美女免费视频网站| 成人亚洲精品一区在线观看| 精品午夜福利视频在线观看一区| 国产精品1区2区在线观看.| 精品久久久久久,| 免费高清视频大片| 一本久久中文字幕| 亚洲男人的天堂狠狠| 欧美一级a爱片免费观看看 | 亚洲七黄色美女视频| 亚洲成av人片免费观看| 免费在线观看黄色视频的| 在线播放国产精品三级| 国产亚洲精品av在线| 九色亚洲精品在线播放| 涩涩av久久男人的天堂| 欧美黄色片欧美黄色片| 亚洲av第一区精品v没综合| 久99久视频精品免费| 国产av一区在线观看免费| 亚洲专区字幕在线| 亚洲专区中文字幕在线| 精品国产美女av久久久久小说| 香蕉丝袜av| tocl精华| 91老司机精品| 激情视频va一区二区三区| 午夜a级毛片| 免费高清在线观看日韩| 99在线视频只有这里精品首页| 成人18禁在线播放| 少妇熟女aⅴ在线视频| 国产精品综合久久久久久久免费 | 久久天躁狠狠躁夜夜2o2o| 国产成人av教育| 天堂影院成人在线观看| 国产精品一区二区精品视频观看| 97碰自拍视频| 亚洲精品美女久久久久99蜜臀| 中亚洲国语对白在线视频| 国产亚洲欧美98| 国产精品电影一区二区三区| 精品国产超薄肉色丝袜足j| 中文字幕人成人乱码亚洲影| 免费女性裸体啪啪无遮挡网站| 免费在线观看亚洲国产| 91在线观看av| 日本免费一区二区三区高清不卡 | 51午夜福利影视在线观看| 欧美日韩福利视频一区二区| 久久人人爽av亚洲精品天堂| 亚洲三区欧美一区| 一本久久中文字幕| 国内精品久久久久久久电影| 人妻丰满熟妇av一区二区三区| 老司机在亚洲福利影院| 美女午夜性视频免费| АⅤ资源中文在线天堂| 制服诱惑二区| 国产在线精品亚洲第一网站| av免费在线观看网站| 免费一级毛片在线播放高清视频 | 色播亚洲综合网| 国产精品美女特级片免费视频播放器 | 亚洲一码二码三码区别大吗| 国产麻豆69| 久久国产亚洲av麻豆专区| 欧美日韩黄片免| 在线免费观看的www视频| 18禁美女被吸乳视频| 午夜精品久久久久久毛片777| 免费久久久久久久精品成人欧美视频| 亚洲一区二区三区不卡视频| 亚洲熟女毛片儿| 男女下面进入的视频免费午夜 | 久久香蕉精品热| 国产在线观看jvid| 中文字幕另类日韩欧美亚洲嫩草| 欧美丝袜亚洲另类 | 国产成年人精品一区二区| 日日干狠狠操夜夜爽| 无人区码免费观看不卡| 一级毛片女人18水好多| 中文亚洲av片在线观看爽| avwww免费| 久久久久久久精品吃奶| 精品欧美一区二区三区在线| 香蕉久久夜色| www.自偷自拍.com| 日本精品一区二区三区蜜桃| 十八禁人妻一区二区| 国产亚洲欧美精品永久| 美国免费a级毛片| 欧美+亚洲+日韩+国产| 他把我摸到了高潮在线观看| 一个人观看的视频www高清免费观看 | 日本五十路高清| 欧美午夜高清在线| 日韩高清综合在线| www.精华液| 老熟妇乱子伦视频在线观看| 啦啦啦免费观看视频1| 国产高清有码在线观看视频 | 人人澡人人妻人| 色婷婷久久久亚洲欧美| 亚洲国产看品久久| 搡老妇女老女人老熟妇| e午夜精品久久久久久久| 可以在线观看毛片的网站| 天天一区二区日本电影三级 | 69精品国产乱码久久久| 久久久久久久久免费视频了| 国产成人欧美| 亚洲熟妇熟女久久| 一区在线观看完整版| 首页视频小说图片口味搜索| 精品国产国语对白av| 大型黄色视频在线免费观看| 亚洲精品美女久久av网站| 人人妻人人澡人人看| 亚洲一区中文字幕在线| 亚洲性夜色夜夜综合| xxx96com| 久久亚洲精品不卡| 欧美黄色淫秽网站| 大型黄色视频在线免费观看| 国产亚洲av嫩草精品影院| 91九色精品人成在线观看| 国产不卡一卡二| 麻豆国产av国片精品| www日本在线高清视频| 日韩欧美一区二区三区在线观看| 欧美黄色淫秽网站| 在线观看www视频免费| 日日干狠狠操夜夜爽| 中文字幕久久专区| 久久精品国产亚洲av香蕉五月| 人人妻人人澡人人看| 少妇 在线观看| 亚洲人成77777在线视频| 久久久久精品国产欧美久久久| 亚洲精品一区av在线观看| 日韩大码丰满熟妇| 色婷婷久久久亚洲欧美| 亚洲精品粉嫩美女一区| 日韩欧美国产在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 真人一进一出gif抽搐免费| 一本综合久久免费| 久久久国产精品麻豆| 亚洲avbb在线观看| 亚洲欧美精品综合久久99| 亚洲欧美激情在线| 大陆偷拍与自拍| 这个男人来自地球电影免费观看| 日韩国内少妇激情av| 88av欧美| 首页视频小说图片口味搜索| 老司机靠b影院| 国产精品爽爽va在线观看网站 | 日韩大码丰满熟妇| 99国产精品99久久久久| av在线播放免费不卡| 午夜精品在线福利| 久久久久国产精品人妻aⅴ院| 亚洲精品国产精品久久久不卡| √禁漫天堂资源中文www| 乱人伦中国视频| 一区二区三区精品91| 欧美国产精品va在线观看不卡| 女生性感内裤真人,穿戴方法视频| 欧美国产日韩亚洲一区| 亚洲美女黄片视频| 热99re8久久精品国产| 又紧又爽又黄一区二区| 99国产精品一区二区蜜桃av| 午夜日韩欧美国产| 国产精品日韩av在线免费观看 | 亚洲中文av在线| 国内久久婷婷六月综合欲色啪| 亚洲国产精品sss在线观看| 一级作爱视频免费观看| 久久精品91蜜桃| 老鸭窝网址在线观看| 中文字幕精品免费在线观看视频| 99精品欧美一区二区三区四区| 免费人成视频x8x8入口观看| 午夜日韩欧美国产| 亚洲,欧美精品.| 亚洲欧美激情综合另类| 在线观看66精品国产| or卡值多少钱| 亚洲国产中文字幕在线视频| 自线自在国产av| 久久久久久国产a免费观看| 狂野欧美激情性xxxx| 午夜两性在线视频| 国产精品自产拍在线观看55亚洲| 两个人看的免费小视频| 久久久久久人人人人人| 男人的好看免费观看在线视频 | 欧美中文日本在线观看视频| 亚洲一区二区三区色噜噜| 俄罗斯特黄特色一大片| 淫妇啪啪啪对白视频| 免费在线观看影片大全网站| 99国产精品一区二区蜜桃av| 精品国产国语对白av| 黄片小视频在线播放| 97超级碰碰碰精品色视频在线观看| 黄色成人免费大全| 91成年电影在线观看| 久久久久精品国产欧美久久久| 亚洲av成人不卡在线观看播放网| 男女之事视频高清在线观看| 欧美久久黑人一区二区| 男人舔女人的私密视频| 中亚洲国语对白在线视频| 9191精品国产免费久久| 99精品欧美一区二区三区四区| 成人国语在线视频| 久久婷婷成人综合色麻豆| 满18在线观看网站| 国内久久婷婷六月综合欲色啪| 少妇粗大呻吟视频| 久久天躁狠狠躁夜夜2o2o| 精品高清国产在线一区| 久久精品aⅴ一区二区三区四区| 一级作爱视频免费观看| 九色亚洲精品在线播放| 久久中文字幕一级| 一卡2卡三卡四卡精品乱码亚洲| 亚洲 欧美 日韩 在线 免费| 男女下面插进去视频免费观看| 成人欧美大片| 久久精品aⅴ一区二区三区四区| av福利片在线| 久久国产精品影院| 精品国产乱码久久久久久男人| 国产在线精品亚洲第一网站| 久久精品国产亚洲av香蕉五月| 两人在一起打扑克的视频| 在线观看www视频免费| 国产成人精品无人区| 91精品国产国语对白视频| 久久人人精品亚洲av| 亚洲成av人片免费观看| 亚洲精品一卡2卡三卡4卡5卡| 久久人妻福利社区极品人妻图片| 丝袜美足系列| 亚洲熟妇中文字幕五十中出| 日本三级黄在线观看| 午夜影院日韩av| 精品欧美国产一区二区三| 国产乱人伦免费视频| 欧美黑人欧美精品刺激| 天堂影院成人在线观看| 欧美在线黄色| 日本一区二区免费在线视频| 亚洲国产欧美日韩在线播放| a级毛片在线看网站| av电影中文网址| 久久久国产精品麻豆| 精品久久久久久久久久免费视频| 亚洲精品久久成人aⅴ小说| 99久久精品国产亚洲精品| 国产精品99久久99久久久不卡| 欧美激情高清一区二区三区| netflix在线观看网站| 久久精品影院6| 亚洲欧洲精品一区二区精品久久久| 无遮挡黄片免费观看| 欧美成狂野欧美在线观看| 激情在线观看视频在线高清| 亚洲狠狠婷婷综合久久图片| 免费观看精品视频网站| 久久中文看片网| 日本三级黄在线观看| 日韩成人在线观看一区二区三区| 久久这里只有精品19| 身体一侧抽搐| 99riav亚洲国产免费| 欧美精品啪啪一区二区三区| 欧美激情高清一区二区三区| 美国免费a级毛片| av有码第一页| 精品国产乱子伦一区二区三区| 性色av乱码一区二区三区2| 精品第一国产精品| 宅男免费午夜| 国产成人精品久久二区二区免费| 91精品三级在线观看| 日韩欧美在线二视频| 亚洲国产精品999在线| 性少妇av在线| 久久精品91蜜桃| 日韩高清综合在线| 成年版毛片免费区| 亚洲七黄色美女视频| 美国免费a级毛片| 淫秽高清视频在线观看| 日本在线视频免费播放| 午夜福利欧美成人| 久久久国产成人精品二区| 曰老女人黄片| cao死你这个sao货| 好看av亚洲va欧美ⅴa在| 国产成年人精品一区二区| 最新美女视频免费是黄的| 两个人免费观看高清视频| 女警被强在线播放| 色哟哟哟哟哟哟| 性色av乱码一区二区三区2| 国产成人精品久久二区二区免费| 女生性感内裤真人,穿戴方法视频| 淫妇啪啪啪对白视频| 色综合亚洲欧美另类图片| 成熟少妇高潮喷水视频| 亚洲国产精品999在线| 久99久视频精品免费| 亚洲人成网站在线播放欧美日韩| 日日干狠狠操夜夜爽| 中文字幕色久视频| 男人舔女人下体高潮全视频| 日本三级黄在线观看| 国产一卡二卡三卡精品| 我的亚洲天堂| 国产亚洲欧美在线一区二区| 欧美乱色亚洲激情| 亚洲国产精品成人综合色| 变态另类成人亚洲欧美熟女 | ponron亚洲| 亚洲人成伊人成综合网2020| 啦啦啦免费观看视频1| 日本三级黄在线观看| 美女高潮喷水抽搐中文字幕| 在线国产一区二区在线| 91av网站免费观看| 久久国产精品影院| av福利片在线| 久久久国产欧美日韩av| 午夜久久久在线观看| 国产蜜桃级精品一区二区三区| 国产在线精品亚洲第一网站| 国产成人精品在线电影| www日本在线高清视频| 一边摸一边抽搐一进一小说| 午夜视频精品福利| 女人精品久久久久毛片| 男女做爰动态图高潮gif福利片 | 国产私拍福利视频在线观看| 丁香六月欧美| 国产伦人伦偷精品视频| 一级a爱视频在线免费观看| 91国产中文字幕| 成人av一区二区三区在线看| 首页视频小说图片口味搜索| 国产av一区二区精品久久| xxx96com| 国产精品自产拍在线观看55亚洲| 成人国产综合亚洲| 制服诱惑二区| 免费看a级黄色片| 国产精品久久电影中文字幕| 老汉色av国产亚洲站长工具| 国产亚洲精品综合一区在线观看 | 日韩视频一区二区在线观看| 少妇熟女aⅴ在线视频| 久久久久国内视频| 国产欧美日韩一区二区三区在线| 亚洲免费av在线视频| 精品人妻在线不人妻| 国内精品久久久久精免费| 国产精品爽爽va在线观看网站 | 每晚都被弄得嗷嗷叫到高潮| 99久久精品国产亚洲精品| 国产精品香港三级国产av潘金莲| 人妻丰满熟妇av一区二区三区| 黑丝袜美女国产一区| 欧美日韩瑟瑟在线播放| 久久午夜亚洲精品久久| 女人高潮潮喷娇喘18禁视频| 欧洲精品卡2卡3卡4卡5卡区| 亚洲熟妇熟女久久| 国产精品乱码一区二三区的特点 | 亚洲伊人色综图| 精品久久蜜臀av无| 岛国视频午夜一区免费看| 亚洲av片天天在线观看| 夜夜爽天天搞| 国产精品综合久久久久久久免费 | 韩国精品一区二区三区| 欧美一级毛片孕妇| 国产精品久久久久久精品电影 | 亚洲全国av大片| 国产精品亚洲av一区麻豆| 他把我摸到了高潮在线观看| 看黄色毛片网站| 国产精品久久久久久人妻精品电影| 亚洲三区欧美一区| 操美女的视频在线观看| 国产精品久久久久久精品电影 | 神马国产精品三级电影在线观看 | 亚洲成国产人片在线观看| 色综合亚洲欧美另类图片| 看片在线看免费视频| 69av精品久久久久久| 欧美日韩黄片免| 国产精品亚洲av一区麻豆| 亚洲视频免费观看视频| 久久精品国产综合久久久| 色综合欧美亚洲国产小说| 欧美黑人欧美精品刺激| 又黄又粗又硬又大视频| 给我免费播放毛片高清在线观看| 人人妻人人澡欧美一区二区 | 国产精品日韩av在线免费观看 | 中文字幕人妻熟女乱码| 日韩成人在线观看一区二区三区| 制服人妻中文乱码| 欧美日韩亚洲综合一区二区三区_| 在线观看免费视频日本深夜| 三级毛片av免费| 日韩欧美一区视频在线观看| 国产精品一区二区免费欧美| 欧美激情高清一区二区三区| 国产一级毛片七仙女欲春2 | 两性午夜刺激爽爽歪歪视频在线观看 | 免费少妇av软件| 制服人妻中文乱码| 极品教师在线免费播放| 日韩中文字幕欧美一区二区| 国产区一区二久久| avwww免费| 久久 成人 亚洲| а√天堂www在线а√下载| 黑人巨大精品欧美一区二区mp4| 麻豆国产av国片精品| 巨乳人妻的诱惑在线观看| 国产精品一区二区免费欧美| 18禁美女被吸乳视频| 身体一侧抽搐| 成人亚洲精品av一区二区| 19禁男女啪啪无遮挡网站| 欧美性长视频在线观看| 一级作爱视频免费观看| avwww免费| 精品久久久久久久人妻蜜臀av | 天天一区二区日本电影三级 | 美女大奶头视频| 黑人欧美特级aaaaaa片| АⅤ资源中文在线天堂| 午夜日韩欧美国产| 日本免费a在线| 国产精品电影一区二区三区| 激情视频va一区二区三区| 一级a爱片免费观看的视频| 亚洲第一电影网av| 在线天堂中文资源库| 又黄又粗又硬又大视频| 最近最新免费中文字幕在线| 精品一区二区三区视频在线观看免费| 久久香蕉激情| 国产精品久久久久久亚洲av鲁大| 在线av久久热| 久久人人精品亚洲av| 色尼玛亚洲综合影院| 欧美黑人欧美精品刺激| 亚洲av电影不卡..在线观看| 午夜免费观看网址| 免费在线观看日本一区| 国产黄a三级三级三级人| 女人爽到高潮嗷嗷叫在线视频| cao死你这个sao货| 欧美绝顶高潮抽搐喷水| 少妇裸体淫交视频免费看高清 | 一级a爱片免费观看的视频| 国产精品 欧美亚洲| АⅤ资源中文在线天堂| 韩国av一区二区三区四区| 高清黄色对白视频在线免费看| 久热爱精品视频在线9| 久久午夜亚洲精品久久| 午夜福利高清视频| 日本撒尿小便嘘嘘汇集6| 亚洲国产毛片av蜜桃av| 性欧美人与动物交配| 国产成人系列免费观看| 久久久久精品国产欧美久久久| 岛国视频午夜一区免费看| 看片在线看免费视频| 亚洲av第一区精品v没综合| 亚洲五月色婷婷综合| 亚洲一卡2卡3卡4卡5卡精品中文| 久久人人97超碰香蕉20202| 亚洲人成伊人成综合网2020| 亚洲国产看品久久| 9色porny在线观看| 亚洲中文av在线| 91在线观看av| 亚洲av熟女| 在线观看www视频免费| 美女 人体艺术 gogo| 波多野结衣av一区二区av| 高清在线国产一区| 啦啦啦 在线观看视频| 中文字幕精品免费在线观看视频| 大型av网站在线播放|