• <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 ?

    基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的可見/近紅外光譜識別木材研究

    2023-08-08 03:29:10付立巖馮國紅劉旭銘
    森林工程 2023年4期
    關(guān)鍵詞:近紅外光譜可見

    付立巖 馮國紅 劉旭銘

    摘 要:基于可見/近紅外光譜技術(shù)探究一種快速、準(zhǔn)確的木材識別方法。以8種進(jìn)口木材為研究對象,運(yùn)用多元經(jīng)驗(yàn)?zāi)B(tài)分解(MEMD)和最大互信息系數(shù)(MIC)的方法對采集的光譜數(shù)據(jù)進(jìn)行分解、篩選和重構(gòu),進(jìn)而利用連續(xù)投影法(SPA)進(jìn)行特征波段提取,再結(jié)合XGBoost分類器進(jìn)行分類識別。為進(jìn)一步驗(yàn)證該方法的可行性,將提出的木材識別方法分別與經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法和傳統(tǒng)的支持向量機(jī)(SVM)、K近鄰分類算法(KNN)、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neuron NetWok)分類器進(jìn)行對比分析。結(jié)果表明,MEMD方法對可見/近紅外光譜去噪效果優(yōu)于EMD去噪方法;MEMD-SPA-XGBoost相比MEMD-SPA-SVM的識別準(zhǔn)確率為90%、MEMD-SPA-KNN的88%、MEMD-SPA-BP的89.2%,平均識別準(zhǔn)確率達(dá)到了96.5%。可見,該方法在木材識別方法中具有很好的應(yīng)用前景。

    關(guān)鍵詞:可見/近紅外光譜;木材識別;多元經(jīng)驗(yàn)?zāi)B(tài)分解;連續(xù)投影法;XGBoost

    中圖分類號:S781.1??? 文獻(xiàn)標(biāo)識碼:A?? 文章編號:1006-8023(2023)04-0101-09

    Wood Recognition by Visible/Near Infrared Spectroscopy Based on

    Multivariate Empirical Mode Decomposition

    FU Liyan, FENG Guohong*, LIU Xuming

    (College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, China)

    Abstract:A fast and accurate wood identification method based on visible/near infrared spectroscopy was explored. Taking 8 kinds of imported wood as the research object, multivariate empirical mode decomposition (MEMD) and maximum mutual information coefficient (MIC) were used to decompose, screen and reconstruct the collected spectral data, and then the continuous projection method (SPA) was used to extract the feature bands, and combined with XGBoost classifier for classification and recognition. In order to further verify the feasibility of the proposed method, the wood recognition method was compared with empirical mode decomposition (EMD) algorithm, traditional support vector machine (SVM), K-nearest neighbor classification algorithm (KNN) and BP Neural network (Back Propagation Neural Network) classifier. The results showed that MEMD method was better than EMD method for visible/near infrared spectrum denoising. Compared with 90% of MEMD-SPA-SVM, 88% of MEMD-SPA-KNN and 89.2% of MEMD-SPA-BP, the average recognition accuracy of MEMD-SPA-XGBoost reached 96.5%. It can be seen that this method has a good application prospect in wood identification method.

    Keywords:Visible/near-infrared spectrum; wood identification; multivariate empirical mode decomposition; continuous projection method; XGBoost

    收稿日期:2022-11-27

    基金項(xiàng)目:中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(2572020BL01);黑龍江省自然科學(xué)基金資助項(xiàng)目(LH2020C050)

    第一作者簡介:付立巖,碩士研究生。研究方向?yàn)槟静姆N類識別研究。E-mail: 1139967801@qq.com

    通信作者:馮國紅,博士,副教授。研究方向?yàn)槟静姆N類識別。E-mail: fgh_1980@126.com

    引文格式:付立巖,馮國紅,劉旭銘. 基于多元經(jīng)驗(yàn)?zāi)B(tài)分解的可見/近紅外光譜識別木材研究[J]. 森林工程, 2022,39(4):101-109.

    FU L Y, FENG G H, LIU X M. Wood recognition by visible/near infrared spectroscopy based on multivariate empirical mode decomposition[J]. Forest Engineering, 2023, 39(4):101-109.

    0 引言

    近幾年國家為保護(hù)森林資源,全面禁伐,導(dǎo)致我國木材產(chǎn)量難以滿足市場需求,需從國外大量進(jìn)口木材[1]。然而進(jìn)口木材種類繁多,難以辨別,以次充好的事情屢見不鮮,如何高效、準(zhǔn)確地識別進(jìn)口木材變得十分有意義。傳統(tǒng)木材識別主要依靠專家觀察、DNA法和計(jì)算機(jī)圖像法等[2-4]。但這些方法常常需要對樣本進(jìn)行切片等操作,普適性不高且周期長,易造成浪費(fèi),甚至降低珍貴進(jìn)口木材的價(jià)值。

    光譜法是一種無損檢測方法,具有高效、便捷和無污染等優(yōu)點(diǎn)[5],近幾年,已成為木材識別領(lǐng)域的研究熱點(diǎn)。汪紫陽等[6]基于可見/近紅外光譜對生長在東北地區(qū)的多種木材進(jìn)行了有效識別。明曼曼等[7]運(yùn)用近紅外光譜技術(shù)結(jié)合優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對木材進(jìn)行了識別,識別效果最高可達(dá)到95.33%。在應(yīng)用光譜法進(jìn)行木材識別研究中,由于光譜數(shù)據(jù)采集的過程中存在很多不可控因素,往往會產(chǎn)生影響識別結(jié)果的無用信息,因此需采用一定的預(yù)處理方法進(jìn)行降噪。目前常采用的光譜預(yù)處理方法主要有導(dǎo)數(shù)處理、多元散射校正[8]等,多元經(jīng)驗(yàn)?zāi)B(tài)分解(MEMD)針對信號去噪具有良好的效果,在生物醫(yī)學(xué)、故障診斷等領(lǐng)域得到了非常廣泛的應(yīng)用[9-10],但在木材識別領(lǐng)域未見相關(guān)報(bào)道。同時(shí),應(yīng)用光譜法識別木材時(shí),目前多采用支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neuron NetWok)等[11-14]傳統(tǒng)算法研究分類問題,這些算法在處理多分類問題中易過擬合,陷入局部最優(yōu),通常還需要結(jié)合其他方法彌補(bǔ)自身缺點(diǎn)。XGBoost (Extreme Gradient Boosting)是一種梯度提升算法,在機(jī)器學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用,在處理大規(guī)模數(shù)據(jù)集時(shí)速度快、效果好,相比傳統(tǒng)模型魯棒性更強(qiáng),一般不需要精細(xì)調(diào)整便能取得很好的結(jié)果。

    本研究基于MEMD和XGBoost對木材識別進(jìn)行了研究。以8種進(jìn)口木材為研究對象,應(yīng)用可見/近紅外光譜建立進(jìn)口木材識別模型。首先運(yùn)用MEMD和最大互信息系數(shù)(MIC)的方法對采集的光譜數(shù)據(jù)進(jìn)行分解、篩選和重構(gòu),進(jìn)而利用連續(xù)投影法(SPA)進(jìn)行特征波段提取,再結(jié)合XGBoost分類器對進(jìn)口木材進(jìn)行識別,以期為可見/近紅外進(jìn)口木材識別方法提供新的參考。

    1 實(shí)驗(yàn)與方法

    1.1 儀器設(shè)備和數(shù)據(jù)采集

    儀器設(shè)備:美國ASD公司的LabSpec 5000光譜儀,采用Indico Pro Version 3.1軟件采集波長為350~2 500 nm的可見/近紅外光譜數(shù)據(jù)。

    數(shù)據(jù)采集:本次試驗(yàn)選擇大果紫檀(Pterocarpus macrocarpus Kurz)、檀香紫檀(Pterocarpus santalinus L.f)、血檀(Pterocarpus tinctorius Welw)、巴里黃檀(Dalbergia bariensis Pierre)、破布木(Cordia dichotoma Forst.)、中美洲黃檀(Dalbergia granadillo Pittier)、刺猬紫檀(Pterocarpus erinaceus Poir)和紅檀香(Myroxylon balsamu)共8種進(jìn)口木材作為實(shí)驗(yàn)對象,每種木材樣本大小為6 cm×4 cm×2 cm的木塊,每一類木材制作5個(gè)樣本,分別用數(shù)字1—5進(jìn)行標(biāo)號,共計(jì)40個(gè)樣本塊。把每個(gè)木塊橫向2等分,縱向5等分,取等分線交點(diǎn)為采樣點(diǎn),這樣一個(gè)木塊取10組實(shí)驗(yàn)數(shù)據(jù),8種木材共采集400組實(shí)驗(yàn)數(shù)據(jù)。

    1.2 多元經(jīng)驗(yàn)?zāi)B(tài)分解

    MEMD是在經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)基礎(chǔ)上作了進(jìn)一步擴(kuò)展的方法[15]。其原理是將原始數(shù)據(jù)映射到不同方向向量上,形成實(shí)值投影數(shù)據(jù)的多元包絡(luò),通過計(jì)算多元包絡(luò)的均值來獲取原始信號的局域均值,具體方法如下。

    1)在(n-1)維的球面上利用Hammersley序列采樣法均勻采樣,得到K組方向向量。

    2)設(shè)輸入信號(v(t))Tt=1={v1(t),v2(t),…,vn(t)},時(shí)刻為t,通道數(shù)為n,信號長度為T, xθk=(xk1,xk2,…,xkn)是對應(yīng)在(n-1)維球面中方向角θk={θk1,θk2,…,θkn-1}的方向向量集。

    3)計(jì)算(v(t))Tt=1在K組方向向量xθk上的映射集{pθk(t)}Kk=1,其中投影集為p,方向角為θk,時(shí)刻為t,量測組數(shù)為K。

    4)求得映射集{pθk(t)}Kk=1極值對應(yīng)的時(shí)間點(diǎn){tθki},其中時(shí)間點(diǎn)為t,極值點(diǎn)序號為i,方向角為θk。

    5)對tθki,v(tθki)進(jìn)行多元樣條插值,獲取包絡(luò)曲線eθk(t)Kk=1。

    6)計(jì)算整組方向向量包絡(luò)曲線的均值m(t),見式(1),其中K表示量測方向向量組數(shù),eθk(t)為第k個(gè)包絡(luò)線值。

    m(t)=1k∑Kk=1eθk(t) 。(1)

    7)按照d(t)=v(t)-m(t)獲得信號剩余量d(t),如果d(t)上包絡(luò)和下包絡(luò)的均值近似等于零或者滿足特定準(zhǔn)則,則判定其是一個(gè)本征模態(tài)函數(shù),否則返回第二步重新計(jì)算。

    采用多元經(jīng)驗(yàn)?zāi)B(tài)分解對輸入信號v(t)進(jìn)行分解,得到M個(gè)不同頻率的IMF(IMF為復(fù)雜數(shù)據(jù)分解的本征模態(tài)函數(shù),代表著原始數(shù)據(jù)的局部特征,一般由高頻到低頻依次排列),見式(2)

    v(t)=∑Mm=1Cm-(t)+r-(t)。 (2)

    式中:Cm-(t)為第m個(gè)IMF;r-(t)為分解殘差。

    1.3 最大互信息系數(shù)法

    最大互信息系數(shù)(MIC)是一種度量數(shù)據(jù)之間關(guān)聯(lián)程度的方法,相比常用的互信息(MI)方法,具有更高的精準(zhǔn)度和魯棒性。假設(shè)隨機(jī)變量X、Y,則其MIC的主要計(jì)算步驟如下。

    1)給定a、b,對X、Y構(gòu)成的散點(diǎn)圖進(jìn)行a列b行網(wǎng)格劃分,計(jì)算出最大互信息值。

    2)把最大互信息值進(jìn)行歸一化處理,轉(zhuǎn)變到(0,1)之間。

    3)選擇不同尺度下互信息的值作為MIC(公式中用MIC)的結(jié)果,見式(3)

    MIC(x;y)=maxab

    式中:B為數(shù)據(jù)總量的0.6次方,是網(wǎng)格劃分總數(shù)的約束條數(shù);I(x;y)為求得的互信息。

    1.4 SPA特征提取方法

    SPA是一種前向特征變量選擇方法,把波長投影到其余波長上,通過對向量的投影分析,從全波段光譜數(shù)據(jù)中剔除了大量不相關(guān)波段,選擇出具有最小共線性的波長作為分類器的輸入集,降低了數(shù)據(jù)的維度,起到了簡化模型的作用,提高了模型的預(yù)測精度和效率[16]。

    1.5 XGBoost分類算法原理

    XGBoost是一種極限梯度提升算法。該算法主要通過模型集成的方式將多個(gè)弱學(xué)習(xí)器組合成一個(gè)強(qiáng)學(xué)習(xí)器。其基本思想是以損失函數(shù)的二階泰勒展開作為其替代函數(shù),求其最小化來確定回歸樹的最佳分割點(diǎn)和葉子節(jié)點(diǎn)輸出數(shù)值。

    XGBoost是在前向步進(jìn)算法下的多個(gè)弱學(xué)習(xí)器組成的加法模型,見式(4)

    yi=∑Nn=1fn(xi),fn(xi)∈R。 (4)

    式中:N表示樹的數(shù)量;yi表示樣本i的預(yù)測分類值;fn表示預(yù)測分類樹函數(shù),xi為樣本i輸入特征值,R為實(shí)數(shù)域。

    由此建立該模型的目標(biāo)函數(shù)(Obj,公式中用Obj表示),主要由損失函數(shù)和正則項(xiàng)函數(shù)組成,見式(5)

    Obj=∑Ni=1L(f(xi;θ),yi)+Ω(fn)。 (5)

    式中:θ表示超參數(shù);損失函數(shù)∑Ni=1L(f(xi;θ),yi)表示真實(shí)值與預(yù)測值之間的差值,描述模型擬合數(shù)據(jù)的程度;N表示樹的數(shù)量;正則項(xiàng)函數(shù)Ω(fn)表示對模型復(fù)雜度施加的懲罰值;fn表示預(yù)測分類樹函數(shù)。首先通過貪心算法尋找局部最優(yōu)解,再對目標(biāo)函數(shù)(5)進(jìn)行二階泰勒展開,根據(jù)數(shù)據(jù)集的特點(diǎn),引入本研究樹的復(fù)雜度Ω(fn)表示,見式(6)

    Ω(fn)=γD+12λ∑Dd=1w2d 。(6)

    式中:γ為樹復(fù)雜度系數(shù);λ為正則項(xiàng)系數(shù),用于權(quán)衡正則項(xiàng)與原損失函數(shù)項(xiàng)的比重;D為樹中的葉子節(jié)點(diǎn)數(shù)目,wd表示給出每個(gè)對應(yīng)的葉子節(jié)點(diǎn)d的葉子分?jǐn)?shù)。最終得到優(yōu)化后目標(biāo)函數(shù)的,見式(7)

    Obj(d)=-12∑Dj=1(G2jHj+λ)+γD 。(7)

    式中:Gj為誤差函數(shù)一階導(dǎo)數(shù)的葉子節(jié)點(diǎn)j樣本集合下求和;Hj為損失函二階導(dǎo)數(shù)的葉子節(jié)點(diǎn)j樣本集合下求和;γ為樹復(fù)雜度系數(shù)。

    2 結(jié)果與分析

    2.1 原始光譜數(shù)據(jù)分析

    運(yùn)用LabSpec5000光譜儀對8種進(jìn)口木材進(jìn)行光譜采集,為了更加直觀地分析,提取一組原始光譜數(shù)據(jù)進(jìn)行分析(圖1),其中大果紫檀、檀香紫檀、巴里黃檀相比其余5種木材強(qiáng)度數(shù)值過小,其光譜圖像與x軸基本重合。由圖1可以看出,血檀、破布木和中美洲黃檀在1 700~1 800 nm范圍數(shù)據(jù)基本重合,特別是在1 800~1 835nm范圍內(nèi)5種木材的光譜數(shù)據(jù)完全重疊在一起,相反,5種木材數(shù)據(jù)在1 200~1 350 mm及1 400~1 460 nm范圍內(nèi)數(shù)據(jù)相互干擾小,尤其是刺猬紫檀、紅檀香和血檀存在明顯差異。除此之外,在1 000、1 250~1 380、1 500~2 400 nm范圍內(nèi)特別是在后半段,數(shù)據(jù)存在大量毛刺。

    2.2 多元經(jīng)驗(yàn)?zāi)B(tài)分解及篩選結(jié)果

    2.2.1 分解結(jié)果

    從圖1可知采集的原始光譜數(shù)據(jù)都存在一定的隨機(jī)噪聲等無用信息。因此,本研究采用MEMD對其進(jìn)行降噪,將原始光譜數(shù)據(jù)分解成一定數(shù)量的本征模態(tài)函數(shù),由于數(shù)據(jù)過多,在此僅展示大果紫檀的部分?jǐn)?shù)據(jù),分解結(jié)果如圖2所示。由圖2可以看出,MEMD把大果紫檀的原始光譜數(shù)據(jù)分解成10個(gè)IMF和1個(gè)殘余分量(Residual,Res),并且分解出的每個(gè)IMF其振幅都不相同。同時(shí),噪聲在可見/近紅外光譜數(shù)據(jù)中多表現(xiàn)為頻率高且隨機(jī)性大的特點(diǎn),針對這一特點(diǎn),為了更加便于觀察和分析,將分解后的IMF繪制成頻譜圖,結(jié)果如圖3所示。

    由圖3可以看出,IMF1-IMF10頻率呈下降趨勢,其中IMF1—IMF5比其余5個(gè)IMF頻率要高出很多,存在頻率較高,且具有較大的隨機(jī)性,可能存在大量的白噪聲等無用信息。為了防止數(shù)據(jù)存在偶然性,造成這種下降趨勢,對全部分解數(shù)據(jù)進(jìn)行頻譜圖的繪制,部分結(jié)果見表1。由表1可以看出,8種進(jìn)口木材分解的IMF平均頻率與上述分析結(jié)果相同,排除了偶然現(xiàn)象。

    2.2.2篩選結(jié)果

    對木材的光譜數(shù)據(jù)進(jìn)行MEMD分解之后,由于不同層次的IMF包含的有用信息也各不相同,因此選擇合適的方法對IMF進(jìn)行篩選,剔除盡可能多的無用信息,可以有效提高識別模型的準(zhǔn)確性。

    由參考文獻(xiàn)可知[17-19],MIC的大小與包含有用信息的多少呈正相關(guān)。根據(jù)這個(gè)結(jié)論本研究通過計(jì)算IMF與原始數(shù)據(jù)之間的最大互信息數(shù)進(jìn)行IMF的篩選,其中一組數(shù)據(jù)的MIC計(jì)算結(jié)果見表2。

    由表2可知,隨著IMF頻率由高到低的變化,IMF與原始數(shù)據(jù)的MIC呈現(xiàn)一種上升趨勢,這也驗(yàn)證了2.2.1的分析結(jié)果,高頻部分的IMF往往包含更多干擾信息,所以IMF1—IMF5得到MIC結(jié)果偏小。為了在剔除高頻噪聲的同時(shí)保留更多的特征信息,此處選擇MIC中間值0.5作為IMF的篩選閾值。

    對篩選出的IMF進(jìn)行數(shù)據(jù)重構(gòu),圖4展示了大果紫檀IMF6—IMF10加殘余數(shù)據(jù)重構(gòu)的光譜圖像。由圖4可以看出,重構(gòu)后的光譜比原始光譜變得更加平滑,消除了大量的隨機(jī)噪聲,信噪比得以大幅提高。

    2.3 連續(xù)投影法特征提取結(jié)果

    運(yùn)用SPA對木材進(jìn)行特征波長的提取時(shí),起始波段和特征值個(gè)數(shù)設(shè)置的不同會對識別效果產(chǎn)生影響,本研究對起始波段和特征波長個(gè)數(shù)的選取主要參考欒景然等[20]應(yīng)用連續(xù)投影算法在木材識別方面研究得出的結(jié)論,即以吸收峰為起始波段,特征波長個(gè)數(shù)設(shè)置為9個(gè)。關(guān)于起始波段的選擇,結(jié)合2.1對原始光譜的分析,選取8種進(jìn)口木材對1 200~1 350 nm范圍內(nèi)的較為明顯的吸收峰進(jìn)行分析,以吸收峰為中間點(diǎn),前后各取30個(gè)數(shù)據(jù)點(diǎn)作為特征波段(每個(gè)波段均取61個(gè)數(shù)據(jù)點(diǎn)),8種進(jìn)口木材的吸收峰區(qū)間見表3。由表3可以看出,8種進(jìn)口木材選取的特征波段有相交部分,選取重疊部分1 238~1 264 nm波段的中間值1 251 nm作為SPA特征提取的起始波段。最終獲得的特征波長見表4。

    2.4 MEMD-SPA-XGBoost模型分類結(jié)果

    2.4.1 參數(shù)調(diào)優(yōu)

    XGBoost的參數(shù)較多,一共可以分為3類:通用參數(shù)、Booster參數(shù)以及學(xué)習(xí)目標(biāo)參數(shù)(表5)。其中,通用參數(shù)主要是booster,該參數(shù)主要用來選擇迭代模型,本研究選擇gbtree(樹模型);Booster參數(shù)選擇tree booster(樹參數(shù)),首先為了增加模型的魯棒性,對木材樣本subsample和波長特征colsample_bytree按比例進(jìn)行采樣,減小這2個(gè)參數(shù)的值,算法會更加保守,可以避免過擬合。但是,如果這個(gè)值設(shè)置得過小,可能會導(dǎo)致欠擬合,經(jīng)過反復(fù)測試,選擇木材樣本采樣比為0.5,波長特征采樣比0.9,將學(xué)習(xí)率learning_rate從默認(rèn)數(shù)值0.3調(diào)整至0.28到達(dá)擬合效果最佳。采樣后需要對最大樹深度max_depth進(jìn)行調(diào)整,為了避免過擬合,采用交叉驗(yàn)證函數(shù)調(diào)優(yōu),得到最終的最優(yōu)樹深度為4。在設(shè)置弱分類器數(shù)目時(shí)使用sklearn的 GridSearchCV 方法進(jìn)行尋優(yōu),得到數(shù)值177。同時(shí)設(shè)置boosting的迭代計(jì)算次數(shù)為10次;最后調(diào)整學(xué)習(xí)目標(biāo)參數(shù),其中objective用于定義需要被最小化的損失函數(shù),本研究木材分類問題共需要對8種木材進(jìn)行分類,因此,選用multi:softmax多分類器,同時(shí)設(shè)置num_class(類別數(shù)目)為8。上述參數(shù)設(shè)置詳見表5。

    2.4.2 分類結(jié)果

    本研究將8種進(jìn)口木材分別用數(shù)字進(jìn)行標(biāo)識:0代表巴里黃檀,1代表大果紫檀,2代表紅檀香,3代表中美洲黃檀,4代表刺猬紫檀,5代表破布木,6代表檀香紫檀,7代表血檀,模型最終以0—7作為輸出結(jié)果。

    根據(jù)表5設(shè)置XGBoost的相關(guān)參數(shù),將本文的400份樣本,按照9∶1的比例隨機(jī)產(chǎn)生訓(xùn)練集和測試集,在模型訓(xùn)練優(yōu)化后,對測試集進(jìn)行10次隨機(jī)分類測試,結(jié)果見表6。由表6可以看出,10次測試的平均識別準(zhǔn)確率為96.50%,最高可達(dá)到100%。同時(shí),繪制每次測試得到的混淆矩陣,部分結(jié)果見表7。由表7可以看出,對角線上的數(shù)值代表分類正確的個(gè)數(shù),除第2類測試樣本出現(xiàn)1個(gè)分類錯(cuò)誤,其余測試樣本類別均能被正確識別,分類效果好。

    2.5 對比分析

    2.5.1 與經(jīng)驗(yàn)?zāi)B(tài)分解方法的對比

    EMD和MEMD其基本原理存在一定的相似性,MEMD是以EMD為基礎(chǔ)擴(kuò)展而來[21-23],為了驗(yàn)證MEMD方法相比EMD的優(yōu)越性。本節(jié)研究過程同2.2、2.3、2.4,采用EMD對光譜數(shù)據(jù)進(jìn)行預(yù)處理,同時(shí)為了進(jìn)一步驗(yàn)證MIC篩選閾值設(shè)定的大小對分類結(jié)果的影響,由表2可以看出,高頻部分的前4個(gè)IMF求得的MIC結(jié)果主要集中在0.2~0.3,為此設(shè)定篩選閾值為0.3與本文選擇的0.5進(jìn)行對比分析,最終結(jié)果見表8。由表8可以看出,采用EMD預(yù)處理的分類模型準(zhǔn)確率最高為87.5%,而采用MEMD方法的分類準(zhǔn)確率最低可達(dá)到92.5%。除此之外MIC篩選閾值設(shè)定為0.5得到的結(jié)果要比0.3好很多,最高可以達(dá)到96.5%分類準(zhǔn)確率。因此可以證實(shí)MEMD相較EMD而言更優(yōu),同時(shí),當(dāng)篩選閾值設(shè)定為0.5時(shí),MEMD-SPA-XGBoost的分類效果最佳。

    2.5.2 與傳統(tǒng)分類器的對比

    傳統(tǒng)的分類器在木材識別領(lǐng)域應(yīng)用十分廣泛,一直在被眾多學(xué)者不斷的創(chuàng)新。但是,在處理木材的種類較多時(shí)還是需要借助其他算法,識別準(zhǔn)確率也很難保證。為了驗(yàn)證本研究提出的分類模型相比傳統(tǒng)分類模型的優(yōu)越性,在MEMD及SPA的相同處理下,對比了XGBoost和BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K近鄰分類算法的分類效果,對比結(jié)果見表9。由表9可以看出,MEMD-SPA-KNN的識別準(zhǔn)確率最低,僅為88%;MEMD-SPA-SVM得到的準(zhǔn)確率為90%;MEMD-SPA-BP的識別準(zhǔn)確率為89.2%,這3種方法的識別準(zhǔn)確率均低于本研究提出XGBoost的分類結(jié)果??梢姡琈EMD-SPA-XGBoost分類模型在對進(jìn)口木材識別方面具有很好的分類效果。

    3 結(jié)論

    本研究構(gòu)建了MEMD-SPA-XGBoost識別模型對可見/近紅外光譜在木材識別方面進(jìn)行了研究。以巴里黃檀、刺猬紫檀、大果紫檀、紅檀香、破布木、檀香紫檀、血檀和中美洲黃檀8種進(jìn)口木材為研究對象,采用多元經(jīng)驗(yàn)?zāi)B(tài)分解和最大互信息系數(shù)相結(jié)合的方法對原始數(shù)據(jù)進(jìn)行分解、篩選、重構(gòu),應(yīng)用SPA對可見/近紅外光譜數(shù)據(jù)進(jìn)行特征波段提取,并作為XGBoost的輸入變量,對木材進(jìn)行快速識別。結(jié)果表明:MEMD這種信號處理方法應(yīng)用在可見/近紅外光譜數(shù)據(jù)預(yù)處理方面比EMD的去噪效果好很多;利用MIC對IMF進(jìn)行篩選時(shí),篩選閾值取0.5重構(gòu)的光譜數(shù)據(jù)要比取0.3得到的光譜數(shù)據(jù)具有更少的干擾信息;同時(shí)MEMD-SPA-XGBoost識別模型對8種進(jìn)口木材的識別率均高于傳統(tǒng)分類器,識別準(zhǔn)確率可以達(dá)到96.5%。

    【參 考 文 獻(xiàn)】

    [1]賀蕾.中國鋸材和原木進(jìn)口需求彈性及市場格局研究[J].林業(yè)經(jīng)濟(jì)問題,2022,42(3):289-297.

    HE L. A study on the elasticity of import demand and market pattern of sawn timber and logs in China[J]. Economic Issues In Forestry, 2022, 42(3): 289-297.

    [2]KENFACK D, ABIEM I, CHAPMAN H. The efficiency of DNA barcoding in the identification of Afromontane forest tree species[J]. Diversity, 2022, 14(4): 233.

    [3]HWANG S W, SUGIYAMA J. Computer vision-based wood identification and its expansion and contribution potentials in wood science: A review[J]. Plant Methods, 2021, 17(1): 47.

    [4]PAN X, LI K, CHEN Z, et al. Identifying wood based on near-infrared spectra and four gray-level co-occurrence matrix texture features [J]. Forests, 2021, 12(11): 1527.

    [5]白慶旭,候英,楊盼盼,等.基于近紅外光譜技術(shù)的天麻產(chǎn)地鑒別方法[J].西部林業(yè)科學(xué),2021,50(3):124-130.

    BAI Q X, HOU Y, YANG P P, et al. Identification of Gastrodia elata producing areas based on near-infrared spectroscopy[J]. Western Forestry Sciences, 2021, 50(3): 124-130.

    [6]汪紫陽,尹世逵,李穎,等.基于可見/近紅外光譜識別東北地區(qū)常見木材[J].浙江農(nóng)林大學(xué)學(xué)報(bào),2019,36(1):162-169.

    WANG Z Y, YI S K, LI Y, et al. Identification of common wood in northeast China based on visible/near infrared spectroscopy[J]. Journal of Zhejiang Forestry University, 2019, 36(1): 162-169.

    [7]明曼曼,陳芳,孫愷琦,等.基于集群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的NIRS樹種識別研究[J].西部林業(yè)科學(xué),2020,49(5):124-128.

    MING M M, CHEN F, SUN K Q, et al. Study on NIRS tree species identification based on BP neural network optimized by cluster algorithm[J]. Western Forestry Sciences, 2020, 49(5): 124-128.

    [8]LI Y, WANG G, GUO G, et al. Spectral pre-processing and multivariate calibration methods for the prediction of wood density in Chinese white poplar by visible and near infrared spectroscopy[J]. Forests, 2022, 13(1): 62.

    [9]葛維春,殷祥翔,葛延峰,等.基于MEMD和HHT的電力系統(tǒng)低頻振蕩模式識別方法研究[J].電力系統(tǒng)保護(hù)與控制,2020,48(6):124-135.

    GE W C, YIN X X, GE Y F, et al. Research on low frequency oscillation pattern recognition method based on MEMD and HHT[J]. Power System Protection and Control, 2020, 48(6): 124-135.

    [10]MURAWWAT S, ASIF H M, IJAZ S, et al. Denoising and classification of Arrhythmia using MEMD and ANN [J]. Alexandria Engineering Journal, 2022, 61(4): 2807-2823.

    [11]馮國紅,朱玉杰,徐華東,等.應(yīng)用遺傳算法-主成分分析-反向傳播神經(jīng)網(wǎng)絡(luò)的近紅外光譜識別樹種效果[J].東北林業(yè)大學(xué)學(xué)報(bào),2020,48(6):56-60.

    FENG G H, ZHU Y J, XU H D, et al. Application of genetic algorithm-principal component analysis-back propagation neural network in near-infrared spectral identification of tree species[J]. Journal of Northeast Forestry University, 2020, 48(6): 56-60.

    [12]梁龍,房桂干,吳珽,等.基于支持向量機(jī)的近紅外特征變量選擇算法用于樹種快速識別[J].分析測試學(xué)報(bào),2016,35(1):101-106.

    LIANG L, FANG G G, WU J, et al. Fast tree species identification based on support vector machine near-infrared feature variable selection algorithm[J]. Journal of Analytical Testing, 2016, 35(1): 101-106.

    [13]譚念,孫一丹,王學(xué)順,等.基于主成分分析和支持向量機(jī)的木材近紅外光譜樹種識別研究[J].光譜學(xué)與光譜分析,2017,37(11):3370-3374.

    TAN N, SUN Y D, WANG X S, et al. Identification of wood species by near infrared spectroscopy based on principal component analysis and support vector machine[J]. Spectroscopy and Spectral Analysis, 2017, 37(11): 3370-3374.

    [14]王學(xué)順,孫一丹,黃敏高,等.基于BP神經(jīng)網(wǎng)絡(luò)的木材近紅外光譜樹種識別[J].東北林業(yè)大學(xué)學(xué)報(bào),2015,43(12):82-85,89.

    WANG X S, SUN Y D, HUANG M G, et al. Wood species identification by near infrared spectroscopy based on BP neural network[J]. Journal of Northeast Forestry University, 2015, 43(12): 82-85, 89.

    [15]KOMATY A, BOUDARAA A-O, NOLAN J, et al. On the Behavior of MEMD in presence of multivariate fractional Gaussian noise[J]. IEEE Transactions on Signal Processing, 2021, 69: 2676-2688.

    [16]ZHU H Y, CHU B Q, FAN Y Y, et al. Hyperspectral imaging for predicting the internal quality of kiwifruits based on variable selection algorithms and chemometric models[J]. Scientific Reports, 2017(1): 1-13.

    [17]陳倩倩,徐健,劉秀平,等.基于DWT、MEMD和模糊熵的腦電信號特征提取與分類研究[J].河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2022,41(1):143-152.

    CHEN Q Q, XU J, LIU X P, et al. Feature extraction and classification of EEG signals based on DWT, MEMD and fuzzy entropy[J]. Journal of Henan University of Technology (Natural Science Edition), 2022, 41 (1): 143-152.

    [18]于路,薄華.基于改進(jìn)EMD的運(yùn)動想象腦電信號識別算法研究[J].微型機(jī)與應(yīng)用,2016,35(9):58-61.

    YU L, BO H. Study on recognition algorithm of motor imagery EEG based on improved EMD[J]. Microcomputer and Applications, 2016, 35(9): 58-61.

    [19]岳欣華,鄧彩霞,張兆茹.BP神經(jīng)網(wǎng)絡(luò)與形態(tài)學(xué)融合的邊緣檢測算法[J].哈爾濱理工大學(xué)學(xué)報(bào),2021,26(5):83-90

    YUE X H, DENG C X, ZHANG Z R. BP neural network fuse with morphology edge detection method[J]. Journal of Harbin University of Science and Technology, 2021, 26(5):83-90.

    [20]欒景然,馮國紅,朱玉杰.基于連續(xù)投影算法-遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的可見/近紅外光譜木材識別[J].浙江農(nóng)林大學(xué)學(xué)報(bào),2022,39(3):671-678.

    LUAN J R, FENG G H, ZHU Y J. Wood recognition by visible/near infrared spectroscopy based on continuous projection algorithm-genetic algorithm-BP neural network[J]. Journal of Zhejiang Forestry University, 2022, 39(3): 671-678.

    [21]聶鳳明,羅峻,楊欣卉,等.基于經(jīng)驗(yàn)?zāi)B(tài)分解的近紅外光譜預(yù)處理研究[J].上海紡織科技,2018,46(3):45-47,61.

    NIE F M, LUO J, YANG X H, et al. Study on near-infrared spectral preprocessing based on empirical mode decomposition[J]. Shanghai Textile Technology, 2018, 46(3): 45-47, 61.

    [22]白慶旭,候英,楊盼盼,等.基于近紅外光譜技術(shù)的天麻產(chǎn)地鑒別方法[J].西部林業(yè)科學(xué),2021,50(3)124-130.

    BAI Q X, HOU Y, YANG P P, et al. Identification method of the producetion site of Gastrodia elata Blume based on near infrared spectroscopy[J]. Journal of West China Forestry Science, 2021, 50(3)124-130.

    [23]RAFIQ H J, RASHED G I, SHAFIK M B. Application of multivariate signal analysis in vibration-based condition monitoring of wind turbine gearbox[J]. International Transactions On Electrical Energy Systems, 2021, 31(2): 1845-1849.

    猜你喜歡
    近紅外光譜可見
    讓數(shù)學(xué)教與學(xué)可見的發(fā)生
    基于便攜式光譜儀的水產(chǎn)品孔雀石綠殘留檢測模擬實(shí)驗(yàn)研究
    內(nèi)置可見核心屬性 培育學(xué)生核心素養(yǎng)
    讓“數(shù)學(xué)思想”的種子在學(xué)生的心田生根發(fā)芽
    基于近紅外光譜法的藜麥脂肪含量快速檢測
    中國當(dāng)代醫(yī)藥(2016年19期)2016-09-30 20:42:57
    小麥子粒粗蛋白FT—NIRS分析模型建立的初步研究
    近紅外光譜分析技術(shù)快速檢測冰溫貯藏牛肉品質(zhì)
    肉類研究(2015年3期)2015-06-16 12:41:35
    利用油水穩(wěn)定化和支持向量回歸增強(qiáng)近紅外光譜測定油中水分的方法
    基于一元線性回歸的近紅外光譜模型傳遞研究
    男女午夜视频在线观看| 亚洲成人久久性| 久久久成人免费电影| 俄罗斯特黄特色一大片| 亚洲最大成人手机在线| 婷婷丁香在线五月| 精品福利观看| eeuss影院久久| 变态另类丝袜制服| 精品熟女少妇八av免费久了| 国产aⅴ精品一区二区三区波| 午夜视频国产福利| 日本五十路高清| 国产精品免费一区二区三区在线| 久久6这里有精品| 精品无人区乱码1区二区| 免费观看精品视频网站| 一进一出抽搐gif免费好疼| 久久中文看片网| 免费观看人在逋| 非洲黑人性xxxx精品又粗又长| av黄色大香蕉| 成人特级黄色片久久久久久久| 18禁黄网站禁片免费观看直播| 国产亚洲欧美在线一区二区| 国产精华一区二区三区| 精品一区二区三区av网在线观看| 一区二区三区激情视频| 久久久成人免费电影| 夜夜爽天天搞| 亚洲国产精品久久男人天堂| 精品不卡国产一区二区三区| 九九久久精品国产亚洲av麻豆| 亚洲av成人av| 国产精品美女特级片免费视频播放器| 最新美女视频免费是黄的| 一个人看的www免费观看视频| 免费看a级黄色片| 露出奶头的视频| 亚洲人成电影免费在线| 午夜日韩欧美国产| 神马国产精品三级电影在线观看| 亚洲av日韩精品久久久久久密| 男人的好看免费观看在线视频| 人妻久久中文字幕网| 内射极品少妇av片p| 国产野战对白在线观看| 亚洲av熟女| 国产v大片淫在线免费观看| 特级一级黄色大片| 国产主播在线观看一区二区| 久久久久久久精品吃奶| 最近最新中文字幕大全电影3| 老司机深夜福利视频在线观看| 日韩人妻高清精品专区| 舔av片在线| 一级黄片播放器| 人人妻人人看人人澡| 精品人妻偷拍中文字幕| 欧美性感艳星| 校园春色视频在线观看| 岛国在线观看网站| 久久精品国产亚洲av香蕉五月| 欧美日韩乱码在线| 亚洲精品乱码久久久v下载方式 | 日本 av在线| 日日干狠狠操夜夜爽| 欧美一级毛片孕妇| av福利片在线观看| 丰满的人妻完整版| 1024手机看黄色片| 久久久久久久久中文| 久久欧美精品欧美久久欧美| 极品教师在线免费播放| 蜜桃久久精品国产亚洲av| 欧美不卡视频在线免费观看| 精品国产三级普通话版| 日韩欧美精品免费久久 | 国产伦一二天堂av在线观看| 日本 av在线| 一区二区三区免费毛片| 亚洲在线自拍视频| 老熟妇仑乱视频hdxx| 国产三级黄色录像| 首页视频小说图片口味搜索| 欧美+日韩+精品| 亚洲欧美日韩无卡精品| 国产精品久久视频播放| 可以在线观看毛片的网站| 亚洲 国产 在线| a级毛片a级免费在线| aaaaa片日本免费| 韩国av一区二区三区四区| 最好的美女福利视频网| 嫩草影院入口| 欧美最黄视频在线播放免费| 男人舔奶头视频| 乱人视频在线观看| 国产成人啪精品午夜网站| 亚洲av二区三区四区| 精品国产美女av久久久久小说| 免费人成视频x8x8入口观看| 亚洲人成网站高清观看| 波多野结衣高清无吗| 国产精品自产拍在线观看55亚洲| bbb黄色大片| 在线国产一区二区在线| 欧美av亚洲av综合av国产av| 最后的刺客免费高清国语| xxx96com| 女人高潮潮喷娇喘18禁视频| 最近最新免费中文字幕在线| 国产激情欧美一区二区| 美女免费视频网站| 亚洲最大成人手机在线| 国产伦在线观看视频一区| 久久精品国产自在天天线| 亚洲欧美日韩卡通动漫| 真实男女啪啪啪动态图| av中文乱码字幕在线| 18禁美女被吸乳视频| 欧美另类亚洲清纯唯美| 国产免费一级a男人的天堂| 久久久久久久午夜电影| 亚洲av不卡在线观看| h日本视频在线播放| 日韩欧美一区二区三区在线观看| 国模一区二区三区四区视频| 午夜视频国产福利| 婷婷六月久久综合丁香| 美女cb高潮喷水在线观看| 成人一区二区视频在线观看| 搡老岳熟女国产| 久久精品91无色码中文字幕| 一级毛片高清免费大全| 国产精品av视频在线免费观看| 久久亚洲真实| 精品久久久久久久人妻蜜臀av| 神马国产精品三级电影在线观看| 欧美成人性av电影在线观看| 一级毛片女人18水好多| 亚洲国产精品999在线| 啪啪无遮挡十八禁网站| 免费一级毛片在线播放高清视频| 一级a爱片免费观看的视频| 最近最新免费中文字幕在线| 精品一区二区三区av网在线观看| 91字幕亚洲| 俄罗斯特黄特色一大片| 久久久久久久亚洲中文字幕 | 18禁国产床啪视频网站| 99热6这里只有精品| 久久久久国产精品人妻aⅴ院| 色噜噜av男人的天堂激情| 99riav亚洲国产免费| 成人欧美大片| 久久精品国产自在天天线| 亚洲五月婷婷丁香| 欧美乱色亚洲激情| 天堂动漫精品| 老司机福利观看| 亚洲 欧美 日韩 在线 免费| 性色av乱码一区二区三区2| 国内久久婷婷六月综合欲色啪| 亚洲中文字幕日韩| 国产精品女同一区二区软件 | 亚洲成人久久爱视频| 内射极品少妇av片p| 91麻豆精品激情在线观看国产| 久久九九热精品免费| 看片在线看免费视频| 亚洲国产精品999在线| 性色avwww在线观看| 成人精品一区二区免费| 久久精品国产清高在天天线| 美女高潮的动态| 亚洲av二区三区四区| 少妇的逼好多水| 国产日本99.免费观看| 亚洲精品一卡2卡三卡4卡5卡| 久久这里只有精品中国| 亚洲欧美日韩高清专用| 国产精品一区二区三区四区免费观看 | 12—13女人毛片做爰片一| 叶爱在线成人免费视频播放| 亚洲在线自拍视频| 国内揄拍国产精品人妻在线| 99久久精品国产亚洲精品| 免费无遮挡裸体视频| 深夜精品福利| 国产v大片淫在线免费观看| 欧美三级亚洲精品| 国产一区二区三区在线臀色熟女| 在线播放国产精品三级| 精品人妻1区二区| 国产精品 国内视频| 免费一级毛片在线播放高清视频| 搡女人真爽免费视频火全软件 | 国产精品国产高清国产av| 十八禁网站免费在线| 老司机午夜十八禁免费视频| 欧美三级亚洲精品| 夜夜爽天天搞| 特级一级黄色大片| 亚洲国产欧美人成| 两个人看的免费小视频| 少妇丰满av| av女优亚洲男人天堂| 一个人看视频在线观看www免费 | 亚洲无线观看免费| 深夜精品福利| 成人18禁在线播放| 最好的美女福利视频网| 精品熟女少妇八av免费久了| 欧美区成人在线视频| 露出奶头的视频| 国产av一区在线观看免费| 嫩草影视91久久| 精品久久久久久久末码| 熟妇人妻久久中文字幕3abv| 亚洲无线在线观看| 高潮久久久久久久久久久不卡| 亚洲精品亚洲一区二区| 国产亚洲精品久久久com| 好看av亚洲va欧美ⅴa在| 亚洲,欧美精品.| 最新在线观看一区二区三区| 亚洲成人久久性| 久久久久久久精品吃奶| 一本综合久久免费| 国产精品日韩av在线免费观看| 性欧美人与动物交配| 日本黄色视频三级网站网址| 免费搜索国产男女视频| 内射极品少妇av片p| 哪里可以看免费的av片| 欧美一级毛片孕妇| 三级男女做爰猛烈吃奶摸视频| 91麻豆精品激情在线观看国产| 国产精品美女特级片免费视频播放器| 黄色日韩在线| 午夜亚洲福利在线播放| 99久久99久久久精品蜜桃| 国产91精品成人一区二区三区| 很黄的视频免费| 夜夜看夜夜爽夜夜摸| 午夜亚洲福利在线播放| 亚洲国产欧美网| 国产精品久久久久久精品电影| 美女 人体艺术 gogo| av天堂中文字幕网| 日日干狠狠操夜夜爽| 亚洲av中文字字幕乱码综合| 美女黄网站色视频| 欧洲精品卡2卡3卡4卡5卡区| 丁香欧美五月| 免费在线观看亚洲国产| ponron亚洲| 午夜福利在线观看吧| 91在线观看av| 国产精品三级大全| 天堂网av新在线| 欧美bdsm另类| 首页视频小说图片口味搜索| 国产亚洲欧美98| 99视频精品全部免费 在线| 午夜亚洲福利在线播放| 亚洲国产日韩欧美精品在线观看 | 国产又黄又爽又无遮挡在线| 在线观看一区二区三区| www国产在线视频色| 老熟妇仑乱视频hdxx| 中国美女看黄片| 国产伦在线观看视频一区| 哪里可以看免费的av片| 真实男女啪啪啪动态图| 国产精品一及| 亚洲欧美精品综合久久99| 精品人妻偷拍中文字幕| 午夜精品久久久久久毛片777| 特级一级黄色大片| 久久久久久国产a免费观看| 国产又黄又爽又无遮挡在线| 他把我摸到了高潮在线观看| 欧美另类亚洲清纯唯美| 我的老师免费观看完整版| 色综合站精品国产| 日日摸夜夜添夜夜添小说| 最好的美女福利视频网| 岛国在线免费视频观看| 亚洲欧美日韩东京热| 久久久国产精品麻豆| 亚洲av成人精品一区久久| 男女下面进入的视频免费午夜| 无人区码免费观看不卡| 91字幕亚洲| 亚洲成av人片免费观看| 成人特级黄色片久久久久久久| 午夜亚洲福利在线播放| 成人永久免费在线观看视频| 舔av片在线| 啦啦啦韩国在线观看视频| 免费电影在线观看免费观看| 高清在线国产一区| 国产主播在线观看一区二区| 蜜桃久久精品国产亚洲av| 亚洲欧美日韩无卡精品| 少妇的丰满在线观看| 男人舔奶头视频| 日韩亚洲欧美综合| 人妻夜夜爽99麻豆av| 高清毛片免费观看视频网站| 国产亚洲精品久久久久久毛片| 我要搜黄色片| 好看av亚洲va欧美ⅴa在| 国产亚洲欧美在线一区二区| 国产精品野战在线观看| 麻豆国产97在线/欧美| 黑人欧美特级aaaaaa片| 黄片小视频在线播放| 亚洲国产精品久久男人天堂| 国产伦精品一区二区三区视频9 | 欧美+亚洲+日韩+国产| 精品欧美国产一区二区三| 一级黄色大片毛片| 午夜福利在线观看吧| 成人国产综合亚洲| 亚洲国产精品成人综合色| 欧美日韩国产亚洲二区| 免费看美女性在线毛片视频| 亚洲国产日韩欧美精品在线观看 | 欧美乱色亚洲激情| 天美传媒精品一区二区| 特级一级黄色大片| 国产高清有码在线观看视频| 岛国在线观看网站| 丝袜美腿在线中文| 白带黄色成豆腐渣| 久久精品91无色码中文字幕| 国产视频一区二区在线看| 日本 欧美在线| 日韩精品中文字幕看吧| 亚洲aⅴ乱码一区二区在线播放| 91九色精品人成在线观看| 亚洲av日韩精品久久久久久密| 亚洲av成人精品一区久久| 免费电影在线观看免费观看| 亚洲av成人精品一区久久| 国产精品免费一区二区三区在线| 在线播放国产精品三级| 国产精品免费一区二区三区在线| www.熟女人妻精品国产| 一进一出好大好爽视频| 国产高清videossex| 99久久精品热视频| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 宅男免费午夜| 淫妇啪啪啪对白视频| 深夜精品福利| 日日夜夜操网爽| 老汉色av国产亚洲站长工具| 可以在线观看毛片的网站| 国产av不卡久久| 天堂网av新在线| 国产高清视频在线观看网站| 成人欧美大片| or卡值多少钱| 国产精品亚洲美女久久久| 香蕉丝袜av| 中文资源天堂在线| 噜噜噜噜噜久久久久久91| 少妇的逼水好多| 琪琪午夜伦伦电影理论片6080| 国产成人av激情在线播放| 日本精品一区二区三区蜜桃| 天堂网av新在线| 色吧在线观看| 午夜久久久久精精品| 婷婷六月久久综合丁香| 观看免费一级毛片| 亚洲av成人av| 看黄色毛片网站| 中文字幕熟女人妻在线| 国产成+人综合+亚洲专区| 叶爱在线成人免费视频播放| 欧美精品啪啪一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 精品久久久久久久久久免费视频| 亚洲激情在线av| 观看免费一级毛片| 床上黄色一级片| 免费人成在线观看视频色| 国产三级黄色录像| 亚洲国产日韩欧美精品在线观看 | 亚洲国产精品合色在线| 午夜福利在线观看吧| 女同久久另类99精品国产91| 好男人在线观看高清免费视频| 欧美区成人在线视频| 嫁个100分男人电影在线观看| 在线观看66精品国产| 一个人观看的视频www高清免费观看| 免费看光身美女| 丝袜美腿在线中文| 中文亚洲av片在线观看爽| 亚洲五月天丁香| av天堂中文字幕网| 亚洲欧美日韩高清专用| 日韩欧美国产一区二区入口| e午夜精品久久久久久久| 亚洲自拍偷在线| 特大巨黑吊av在线直播| 日韩 欧美 亚洲 中文字幕| 日韩欧美在线二视频| 亚洲激情在线av| 亚洲在线观看片| 九色成人免费人妻av| 国产欧美日韩精品一区二区| 亚洲性夜色夜夜综合| 国产伦一二天堂av在线观看| 啪啪无遮挡十八禁网站| 精品国产超薄肉色丝袜足j| 99在线视频只有这里精品首页| av在线蜜桃| 三级毛片av免费| 99国产极品粉嫩在线观看| 国产单亲对白刺激| 国产伦精品一区二区三区视频9 | 国产精品香港三级国产av潘金莲| 欧洲精品卡2卡3卡4卡5卡区| 五月玫瑰六月丁香| 看黄色毛片网站| 我要搜黄色片| 变态另类成人亚洲欧美熟女| 久9热在线精品视频| 精品电影一区二区在线| www国产在线视频色| avwww免费| 天堂影院成人在线观看| 国产精品三级大全| 国产免费男女视频| 午夜福利在线观看吧| 国产一级毛片七仙女欲春2| 亚洲成人久久爱视频| 日本与韩国留学比较| 色综合欧美亚洲国产小说| 日韩欧美一区二区三区在线观看| 中文字幕人妻熟人妻熟丝袜美 | 欧美高清成人免费视频www| 国产伦人伦偷精品视频| 欧美不卡视频在线免费观看| 亚洲成av人片免费观看| 午夜免费成人在线视频| 99热这里只有精品一区| 国产精品一区二区三区四区久久| 丁香六月欧美| 精品免费久久久久久久清纯| 亚洲精品在线观看二区| 很黄的视频免费| 中文字幕人成人乱码亚洲影| www.熟女人妻精品国产| 午夜精品在线福利| 校园春色视频在线观看| 深夜精品福利| 中文资源天堂在线| 亚洲五月天丁香| 精品一区二区三区人妻视频| 99久久精品国产亚洲精品| 欧美bdsm另类| 人妻丰满熟妇av一区二区三区| 黄色女人牲交| 成人欧美大片| 日日干狠狠操夜夜爽| 中文亚洲av片在线观看爽| 18禁黄网站禁片午夜丰满| 午夜影院日韩av| 国内久久婷婷六月综合欲色啪| 久久久久久久久久黄片| 欧美日本视频| 日本 欧美在线| 国产免费一级a男人的天堂| 欧美色欧美亚洲另类二区| 美女免费视频网站| 成人欧美大片| 麻豆国产97在线/欧美| 欧美乱色亚洲激情| 嫁个100分男人电影在线观看| 身体一侧抽搐| 久久久国产成人精品二区| 国产精品久久久人人做人人爽| 99久国产av精品| 91麻豆精品激情在线观看国产| 亚洲欧美日韩高清在线视频| 免费大片18禁| 小说图片视频综合网站| 可以在线观看的亚洲视频| 99国产极品粉嫩在线观看| 亚洲久久久久久中文字幕| 亚洲熟妇中文字幕五十中出| 国产免费男女视频| 给我免费播放毛片高清在线观看| 日韩免费av在线播放| 女人被狂操c到高潮| 久久精品国产清高在天天线| 欧美高清成人免费视频www| 啪啪无遮挡十八禁网站| 日韩欧美 国产精品| 首页视频小说图片口味搜索| 免费电影在线观看免费观看| 91九色精品人成在线观看| 中国美女看黄片| 好男人电影高清在线观看| 欧美另类亚洲清纯唯美| 麻豆国产97在线/欧美| 欧美日韩瑟瑟在线播放| 精品一区二区三区视频在线 | 夜夜夜夜夜久久久久| www.色视频.com| 国产av麻豆久久久久久久| 日日干狠狠操夜夜爽| 精品一区二区三区人妻视频| 国产v大片淫在线免费观看| 五月玫瑰六月丁香| 搞女人的毛片| 毛片女人毛片| 搡老岳熟女国产| 欧美一级a爱片免费观看看| 午夜亚洲福利在线播放| 国产一级毛片七仙女欲春2| 欧美中文日本在线观看视频| 国产精品一及| 国产精品亚洲美女久久久| 亚洲五月婷婷丁香| 精品久久久久久,| 国产色爽女视频免费观看| 极品教师在线免费播放| 日本黄色视频三级网站网址| 国产成人欧美在线观看| 日本精品一区二区三区蜜桃| 亚洲va日本ⅴa欧美va伊人久久| 国模一区二区三区四区视频| av中文乱码字幕在线| 国产又黄又爽又无遮挡在线| 免费看美女性在线毛片视频| 国产极品精品免费视频能看的| 日韩有码中文字幕| 国内揄拍国产精品人妻在线| 看黄色毛片网站| 免费看十八禁软件| 亚洲精品在线观看二区| 国产 一区 欧美 日韩| 乱人视频在线观看| 全区人妻精品视频| 日本黄色片子视频| 国产高清视频在线观看网站| 岛国在线观看网站| bbb黄色大片| 久久久成人免费电影| 久久精品国产综合久久久| 亚洲五月婷婷丁香| 91av网一区二区| 国产精品电影一区二区三区| 亚洲黑人精品在线| 精品电影一区二区在线| 在线播放国产精品三级| 国内毛片毛片毛片毛片毛片| 亚洲一区二区三区色噜噜| 色综合欧美亚洲国产小说| 亚洲精品国产精品久久久不卡| 成人永久免费在线观看视频| 真人一进一出gif抽搐免费| 啦啦啦免费观看视频1| 可以在线观看毛片的网站| 亚洲五月天丁香| 最好的美女福利视频网| 精品久久久久久久久久免费视频| 亚洲av一区综合| 国产一级毛片七仙女欲春2| 亚洲av电影不卡..在线观看| 久久精品综合一区二区三区| 在线观看免费视频日本深夜| 国产精品亚洲av一区麻豆| 天堂动漫精品| 精品福利观看| 亚洲成a人片在线一区二区| 亚洲国产欧洲综合997久久,| 亚洲色图av天堂| 日本撒尿小便嘘嘘汇集6| 亚洲18禁久久av| 亚洲色图av天堂| 99久久精品国产亚洲精品| 亚洲国产欧洲综合997久久,| 老司机在亚洲福利影院| 欧美色欧美亚洲另类二区| 天堂动漫精品| 亚洲av二区三区四区| 桃色一区二区三区在线观看| 老汉色av国产亚洲站长工具| 黄色日韩在线| 性欧美人与动物交配| 女生性感内裤真人,穿戴方法视频| 成年版毛片免费区| 桃色一区二区三区在线观看| 长腿黑丝高跟| av福利片在线观看| 久久精品国产99精品国产亚洲性色| 国产成年人精品一区二区| 免费无遮挡裸体视频| 夜夜夜夜夜久久久久| 国产av不卡久久| 小说图片视频综合网站| 国产v大片淫在线免费观看| 午夜福利免费观看在线| 精品国产超薄肉色丝袜足j| 国产成人啪精品午夜网站|