• <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 ?

    基于高光譜和深度學(xué)習(xí)的蘋(píng)果品質(zhì)無(wú)損檢測(cè)方法

    2024-09-24 00:00:00班兆軍高喧翔馬肄恒張爽方晨羽王俊博朱藝

    收稿日期:2023-06-21

    基金項(xiàng)目:浙江省“尖兵”“領(lǐng)雁”重點(diǎn)科技計(jì)劃項(xiàng)目(2022C04039)

    作者簡(jiǎn)介:班兆軍(1980-),男,遼寧大石橋人,博士,教授,主要從事農(nóng)產(chǎn)品采后品質(zhì)及標(biāo)準(zhǔn)化研究。(E-mail)banzhaojun@zust.edu.cn

    摘要: 本研究使用近紅外高光譜成像技術(shù)獲取蘋(píng)果的高光譜數(shù)據(jù),對(duì)蘋(píng)果糖度、酸度指標(biāo)進(jìn)行無(wú)損檢測(cè)。針對(duì)高光譜數(shù)據(jù)量大、信息冗余多的特點(diǎn),分別采用標(biāo)準(zhǔn)化(Standardization,SS)、標(biāo)準(zhǔn)正態(tài)變換(Standard normal variate,SNV)、最小二乘平滑濾波(Savitzky-Golay smoothing filtering,SG)和多元散射校正(Multiplicative scatter correction,MSC)對(duì)蘋(píng)果的光譜數(shù)據(jù)進(jìn)行預(yù)處理。針對(duì)高光譜圖像波段多的特點(diǎn),分別采用連續(xù)投影(Successive projections algorithm,SPA)算法、競(jìng)爭(zhēng)性自適應(yīng)加權(quán)重(Competitive adaptive reweighted sampling,CARS)算法和隨機(jī)蛙跳(Random frog,RF)算法選取蘋(píng)果的特征波長(zhǎng)。對(duì)提取的特征波長(zhǎng)分別用支持向量機(jī)(Support vector machine,SVM)模型、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)模型和基于深度學(xué)習(xí)的定量光譜數(shù)據(jù)分析(DeepSpectra)模型對(duì)蘋(píng)果的糖酸比進(jìn)行預(yù)測(cè)。結(jié)果表明,基于深度學(xué)習(xí)的定量光譜數(shù)據(jù)分析(DeepSpectra)模型預(yù)測(cè)的正確率達(dá)到93.70%,有較高的精確度,可以較好地對(duì)蘋(píng)果糖酸比進(jìn)行預(yù)測(cè)。本研究將高光譜成像技術(shù)與基于深度學(xué)習(xí)的定量光譜數(shù)據(jù)分析模型相結(jié)合,實(shí)現(xiàn)了無(wú)損檢測(cè)蘋(píng)果糖酸比。

    關(guān)鍵詞: 高光譜;蘋(píng)果;糖酸比;無(wú)損檢測(cè)

    中圖分類(lèi)號(hào): S661.1 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1000-4440(2024)08-1446-09

    Non-destructive detection method of apple quality based on hyperspectral and deep learning

    BAN Zhaojun1, GAO Xuanxiang1, MA Yiheng1, ZHANG Shuang1, FANG Chenyu1, WANG Junbo2,ZHU Yi2

    (1.School of Biological and Chemical Engineering, Zhejiang University of Science and Technology/Zhejiang Provincial Key Laboratory of Chemical and Biological Processing Technology of Farm Products/Zhejiang Provincial Collaborative Innovation Center of Agricultural Biological Resources Biochemical Manufacturing, Hangzhou 310023, China;2.Aksu Youneng Agricultural Technology Co., Ltd., Aksu 843100, China)

    Abstract: The hyperspectral data of apples were obtained by using near-infrared hyperspectral imaging technology, and the indexes of sugar content and acidity were detected nondestructively. For the characteristics of large amount of hyperspectral data and information redundancy, standardization (SS), standard normal variate (SNV), Savitzky-Golay smoothing filtering (SG) and multiplicative scatter correction (MSC) were used to preprocess the spectra of apples. According to the characteristic of hyperspectral images with many bands, successive projections algorithm (SPA), competitive adaptive reweighted sampling (CARS) algorithm and random frog (RF) algorithm were used to select the characteristic wavelengths of apples. Support vector machine (SVM) model, convolutional neural networks (CNN) model and quantitative spectral data analysis based on deep learning (DeepSpectra) model were used to predict the sugar-acid ratio of apples. The results showed that the prediction accuracy of DeepSpectra model was 93.70%, which had high accuracy and could be used to predict the sugar-acid ratio of apples. In this study, hyperspectral imaging technology and DeepSpectra model were combined to realize the non-destructive detection of the sugar-acid ratio of apples.

    Key words: hyperspectral;apple;sugar acid ratio;nondestructive testing

    蘋(píng)果是人們?nèi)粘I钪凶畛R?jiàn)的水果之一,它富含維生素和無(wú)機(jī)鹽,而且價(jià)格實(shí)惠,口感酸甜[1]。此外,蘋(píng)果還含有大量的鉀、鐵、鈣等營(yíng)養(yǎng)元素,是最有營(yíng)養(yǎng)的水果之一[2]。蘋(píng)果含糖量的高低決定了人們對(duì)蘋(píng)果口感的評(píng)價(jià)以及營(yíng)養(yǎng)價(jià)值的評(píng)估,含糖量是衡量蘋(píng)果品質(zhì)的主要指標(biāo),因此在分級(jí)環(huán)節(jié)快速無(wú)損檢測(cè)蘋(píng)果的含糖量十分關(guān)鍵[3]。蘋(píng)果品質(zhì)可以分為內(nèi)在品質(zhì)與外在品質(zhì),其中蘋(píng)果的內(nèi)在品質(zhì)包括蘋(píng)果的糖度、酸度、糖酸比、硬度、含水率等,這些指標(biāo)可以判定蘋(píng)果的營(yíng)養(yǎng)成分、口感及儲(chǔ)存時(shí)間。但對(duì)蘋(píng)果的內(nèi)在品質(zhì)的檢測(cè)會(huì)對(duì)果實(shí)造成破壞,且檢測(cè)效率較低。

    近紅外光譜分析方法是一種檢測(cè)蘋(píng)果內(nèi)在品質(zhì)的手段,可以快速、無(wú)損、便捷地檢測(cè)蘋(píng)果內(nèi)在品質(zhì)[4-7]。高光譜成像技術(shù)是將成像技術(shù)與光譜技術(shù)相結(jié)合,檢測(cè)二維幾何空間及一維光譜信息,從中提取出高光譜分辨率的連續(xù)、窄波段的圖像數(shù)據(jù)。高光譜成像技術(shù)可以用于杧果、梨、柿子等水果品質(zhì)的快速無(wú)損分析、分級(jí)以及生產(chǎn)監(jiān)控、質(zhì)量控制等方面[8-10]。近年來(lái),高光譜成像技術(shù)被用于蘋(píng)果內(nèi)在品質(zhì)的檢測(cè)。Fernando等[11]利用高光譜成像技術(shù)對(duì)Red Delicious、Golden Delicious和Jonagold 3種蘋(píng)果的可溶性固體含量和硬度進(jìn)行了檢測(cè),發(fā)現(xiàn)在融合了高光譜數(shù)據(jù)特征和圖像特征后,可以更有效地提高偏最小二乘回歸(PLS)模型的準(zhǔn)確度。馮迪[7]將標(biāo)準(zhǔn)正態(tài)變換(SNV)與二階導(dǎo)數(shù)(SD)這2種預(yù)處理方法相結(jié)合,并用連續(xù)投影算法(SPA)提取其中的特征波段,最后采用經(jīng)過(guò)優(yōu)化的反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)搭建高光譜數(shù)據(jù)與蘋(píng)果硬度之間的回歸模型。

    深度學(xué)習(xí)技術(shù)不僅可以提取出更多的深層特征,還可以將一維光譜特征與二維空間特征相結(jié)合。將深度學(xué)習(xí)方法應(yīng)用于光譜數(shù)據(jù)分析,可以減少對(duì)專(zhuān)家經(jīng)驗(yàn)和已有知識(shí)的依賴(lài),讓人們能夠更精確、更有層次地從原始光譜數(shù)據(jù)的信息中提取出有效信息。Acquarelli等[12]提出了具有一個(gè)卷積層的卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,利用10個(gè)數(shù)據(jù)集驗(yàn)證該模型的精度,并在原始光譜數(shù)據(jù)和經(jīng)過(guò)預(yù)處理的光譜數(shù)據(jù)上同時(shí)應(yīng)用了該模型。

    在上述研究中均提取了不同的特征波長(zhǎng),但特征波長(zhǎng)的有效性尚未得到確認(rèn)[13]。此外,大部分研究集中于預(yù)測(cè)蘋(píng)果糖度,對(duì)蘋(píng)果酸度和糖酸比預(yù)測(cè)的研究較少,缺少蘋(píng)果品質(zhì)與酸度之間的關(guān)系的考慮[7,11]。本研究采用高光譜成像技術(shù)對(duì)蘋(píng)果進(jìn)行高光譜成像,提取蘋(píng)果赤道面上感興趣區(qū)域(Region of interest,ROI)的光譜數(shù)據(jù),從而獲得光譜曲線。對(duì)蘋(píng)果光譜數(shù)據(jù)進(jìn)行預(yù)處理,并評(píng)估各種數(shù)據(jù)預(yù)處理方法的效果,選取合適的光譜數(shù)據(jù)預(yù)處理方法。進(jìn)一步通過(guò)對(duì)比特征波長(zhǎng)提取方法的優(yōu)化情況,選取較好的特征波長(zhǎng)提取手段,最后采用支持向量機(jī)(SVM)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和基于深度學(xué)習(xí)的定量光譜數(shù)據(jù)分析處理(DeepSpectra)優(yōu)化預(yù)測(cè)模型,選取決定系數(shù)(R2)較大、均方根誤差(RMSE)較小的模型預(yù)測(cè)蘋(píng)果糖酸比。本研究擬將高光譜分析方法與深度學(xué)習(xí)技術(shù)相結(jié)合,以期快速、準(zhǔn)確、無(wú)損地預(yù)測(cè)蘋(píng)果糖度、酸度、糖酸比,為蘋(píng)果內(nèi)在品質(zhì)無(wú)損檢測(cè)的研究提供參考。

    1 材料與方法

    1.1 試驗(yàn)材料

    選取新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)中12年樹(shù)齡的蘋(píng)果樹(shù),采摘無(wú)病蟲(chóng)害、無(wú)機(jī)械損傷的阿克蘇富士蘋(píng)果220個(gè),平均果重233.42 g,平均果徑77.41 mm,擦去蘋(píng)果表面果霜、果蠟,依次編號(hào)。利用Kennard-Stone算法[14]將蘋(píng)果以4∶1的比例分成校正集和預(yù)測(cè)集,。校正集蘋(píng)果176個(gè),預(yù)測(cè)集蘋(píng)果44個(gè)。

    1.2 儀器與設(shè)備

    PAL-BX|ACID1 Master Kit便攜式糖酸一體機(jī)(日本愛(ài)拓公司產(chǎn)品),Resonon Pika KC2成像光譜儀(北京理加聯(lián)合科技有限公司產(chǎn)品),線性移動(dòng)平臺(tái),安裝塔,照明裝置,云臺(tái),NB單相電流智能檢測(cè)儀,GST36U12-P1JW電源供感器(中國(guó)臺(tái)灣明緯公司產(chǎn)品),DMX-J-SA-17步進(jìn)電機(jī)(美國(guó)阿卡斯公司產(chǎn)品),acA1920-155um面陣相機(jī)(德國(guó)巴斯勒公司產(chǎn)品)(圖1)。

    1.3 光譜采集

    采集400~1 000 nm波段的蘋(píng)果光譜信息。設(shè)置光譜分辨率為1.3 nm,幀頻率為20.0 Hz,曝光時(shí)間為20.0 ms,平臺(tái)的運(yùn)行速率達(dá)到355 pps,增益(Gain)達(dá)到3 dB,且蘋(píng)果和攝像機(jī)之間的距離設(shè)置為20.0 cm。在所拍攝到的蘋(píng)果光譜圖像中,選取位于蘋(píng)果赤道面附近的150×150個(gè)像素點(diǎn)大小的感興趣區(qū)域(ROI),提取其中的光譜數(shù)據(jù)。為了減少光線分布不均勻,準(zhǔn)確測(cè)量出被測(cè)物體的相對(duì)反射率,在對(duì)蘋(píng)果進(jìn)行光譜信息采集前,使用黑白板校正光譜信息[15],按照公式(1)計(jì)算蘋(píng)果的高光譜數(shù)據(jù):

    Rλ,n=Sλ,n-Dλ,nWλ,n-Dλ,n(1)

    式中,R為經(jīng)過(guò)黑白板校正的蘋(píng)果高光譜數(shù)據(jù);S為未經(jīng)黑白板校正的蘋(píng)果原始光譜數(shù)據(jù);W為黑暗環(huán)境下采集的光譜數(shù)據(jù);D為全反射環(huán)境下采集的光譜數(shù)據(jù);λ為λ波長(zhǎng);n為像素。

    1.4 可溶性固形物含量、可滴定酸含量測(cè)定及糖酸比計(jì)算

    在蘋(píng)果樣品赤道面三處等角度切10 mm×10 mm×10 mm果肉,放入手動(dòng)榨汁器中,擠壓獲取果汁,使用PAL-BX|ACID1 Master Kit便攜式糖酸一體機(jī)測(cè)量所測(cè)蘋(píng)果的可溶性固形物(SS)含量和可滴定酸(TA)含量,重復(fù)測(cè)量3次,取平均值[16]。按公式(2)計(jì)算蘋(píng)果的糖酸比(RST):

    RST=SS/TA(2)

    式中,RST為糖酸比;SS為可溶性固形物含量(%);TA為可滴定酸含量(%)。

    1.5 光譜數(shù)據(jù)預(yù)處理

    采用標(biāo)準(zhǔn)正態(tài)變換(SNV)、多元散射校正(MSC)、最小二乘平滑濾波(SG)和標(biāo)準(zhǔn)化(SS)對(duì)蘋(píng)果光譜數(shù)據(jù)進(jìn)行預(yù)處理,可以減少背景干擾、光線干擾和噪聲干擾等,剔除冗余無(wú)效信息,增加精準(zhǔn)率[17]。分別利用原始光譜數(shù)據(jù)(RW)以及標(biāo)準(zhǔn)正態(tài)變換(SNV)、多元散射校正(MSC)、最小二乘平滑濾波(SG)和標(biāo)準(zhǔn)化(SS)預(yù)處理后的光譜數(shù)據(jù)建立偏最小二乘回歸模型(PLS)。選取其中R2較大且均方根誤差(RMSE)較小的方案為較優(yōu)方案。評(píng)價(jià)指標(biāo)R2和RMSE計(jì)算方法分別如公式(3)和公式(4)所示:

    R2=1-∑Nn=1(y︿n-yn)2∑Nn=1(yn-y—)2(3)

    RMSE= ∑Nn=1(yn-y︿n)2N(4)

    式中,R2為決定系數(shù);RMSE為均方根誤差;yn為蘋(píng)果糖酸比的真實(shí)值;y︿n為蘋(píng)果糖酸比的預(yù)測(cè)值;y—為蘋(píng)果糖酸比的真實(shí)值的平均數(shù);N為數(shù)據(jù)集中蘋(píng)果的個(gè)數(shù)。

    1.6 特征波長(zhǎng)的提取

    在高光譜數(shù)據(jù)中蘊(yùn)含著大量化學(xué)信息和物理信息,所以高光譜數(shù)據(jù)具有高維性和同線性問(wèn)題。光譜數(shù)據(jù)中相關(guān)性弱的信息會(huì)延長(zhǎng)建模所需的時(shí)間,降低整個(gè)模型的精度[18-19],所以需要提取光譜數(shù)據(jù)的特征波長(zhǎng),使預(yù)測(cè)模型更加精確。選用連續(xù)投影(SPA)算法[20]、競(jìng)爭(zhēng)性自適應(yīng)加權(quán)重(CARS)算法[21]和隨機(jī)蛙跳(RF)算法[22]分別提取高光譜數(shù)據(jù)的特征波長(zhǎng),并使用提取出的特征波長(zhǎng)建立PLS模型進(jìn)行效果的對(duì)比。采用CARS算法,設(shè)置蒙特卡羅采樣次數(shù)為500次,交叉驗(yàn)證對(duì)折次數(shù)為10。RF算法是基于后啟發(fā)式粒子群算法,結(jié)合可逆跳轉(zhuǎn)馬爾科夫鏈蒙特卡羅算法優(yōu)勢(shì)而優(yōu)化出的一種特征變量提取算法,其迭代過(guò)程更加簡(jiǎn)單直觀,它以計(jì)算出的服從穩(wěn)態(tài)分布的馬爾科夫鏈為基礎(chǔ)來(lái)計(jì)算變量的選擇概率[22] 。為了減少RF算法在建模中所產(chǎn)生的隨機(jī)性,設(shè)定最大迭代為3 000次,初始蛙群數(shù)量設(shè)置為6,最大主成分?jǐn)?shù)為10。

    1.7 預(yù)測(cè)模型的建立

    深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動(dòng)的方法,采用端到端的特征提取方法,可以在數(shù)據(jù)集中提取出所需要的隱含特征[23-24]。深度學(xué)習(xí)通過(guò)使用多層神經(jīng)網(wǎng)絡(luò)作為結(jié)構(gòu)來(lái)獲取多個(gè)抽象、復(fù)雜的數(shù)據(jù)集特征[25]。選用支持向量機(jī)(SVM)[26]、卷積神經(jīng)網(wǎng)絡(luò)(CNN)[27]和基于深度學(xué)習(xí)的定量光譜數(shù)據(jù)分析處理(DeepSpectra)[28]建立預(yù)測(cè)模型,輸入經(jīng)過(guò)處理的數(shù)據(jù)集來(lái)訓(xùn)練模型,不斷調(diào)整模型的超參數(shù)獲取最優(yōu)模型,通過(guò)對(duì)比R2和RMSE評(píng)估不同預(yù)測(cè)模型的效果。

    在SVM模型中,使用網(wǎng)格搜索的方法確定核函數(shù)的懲罰系數(shù)和核寬度參數(shù),懲罰系數(shù)的優(yōu)化范圍為[1,10,50,100],核寬度參數(shù)的優(yōu)化范圍為[1×10-8,1×108]。在CNN模型中,使用了2個(gè)卷積層,1個(gè)全連接層和1個(gè)輸出層,卷積層1有8個(gè)大小為7且步進(jìn)為3的卷積核,卷積層2含有12個(gè)大小分別為1、3、5且步進(jìn)為2的卷積核。在DeepSpectra模型中,使用了3個(gè)卷積層,1個(gè)拉伸層,1個(gè)全連接層和1個(gè)輸出層,卷積層1有8個(gè)大小為7且步進(jìn)為3的卷積核,卷積層2有16個(gè)大小分別為1、3且步進(jìn)為2的卷積核,卷積層3有16個(gè)大小分別為1、3、5且步進(jìn)為1的卷積核,并且利用初始模塊(Inception)在第二層卷積層與第三層卷積層之間進(jìn)行并行連接,使模型的深度更深、寬度更寬[29],這樣可以在數(shù)據(jù)集中提取到更加抽象的復(fù)雜特征,進(jìn)而優(yōu)化所構(gòu)建的光譜分析預(yù)測(cè)模型的擬合效果。

    2 結(jié)果與分析

    2.1 原始光譜數(shù)據(jù)

    在蘋(píng)果的高光譜圖像中提取的所有蘋(píng)果原始光譜數(shù)據(jù)如圖2所示。由圖2可以看出,所有蘋(píng)果的光譜曲線整體趨勢(shì)基本一致,在蘋(píng)果光譜曲線上光譜波段為386.82~1 004.50 mm,在670 nm和960 nm波長(zhǎng)附近有明顯的特征峰,670 nm波長(zhǎng)附近的特征峰是葉綠素的吸收峰[30],720 nm波長(zhǎng)附近的特征峰與氮含量有關(guān)[31],960 nm波長(zhǎng)附近的特征峰來(lái)自O(shè)-H鍵的伸縮振動(dòng),與水分子的結(jié)構(gòu)有關(guān)[32-34]。

    2.2 蘋(píng)果糖酸比的描述統(tǒng)計(jì)

    利用PAL-BX|ACID1 Master Kit便攜式糖酸一體機(jī)測(cè)定蘋(píng)果的可溶性固形物含量、可滴定酸含量,并計(jì)算糖酸比。從圖3和表1可以看出,蘋(píng)果的糖酸比為35.38~88.24,糖酸比的均值、中值都在52.50左右,糖酸比大致符合正態(tài)分布。

    2.3 光譜預(yù)處理

    如圖4所示,使用預(yù)處理后的光譜數(shù)據(jù)和原始光譜數(shù)據(jù)(RW)分別建立偏最小二乘回歸(PLS)模型,可以更好地分析光譜預(yù)處理的效果。由表2可知,SS、SNV、SG和MSC這4種光譜預(yù)處理方法可能會(huì)在對(duì)原始光譜預(yù)處理的過(guò)程中丟失一些重要信息,影響到所建模型的預(yù)測(cè)準(zhǔn)確性。與其他預(yù)處理方法相比,MSC預(yù)處理后的光譜數(shù)據(jù)的模型預(yù)測(cè)精度較高,其校正集的決定系數(shù)(R2C)達(dá)到0.791 7,均方根誤差(RMSEC)為0.602 3;預(yù)測(cè)集的決定系數(shù)(R2p)達(dá)到了0.794 9,均方根誤差(RMESP)為0.599 7。因此可以得出MSC預(yù)處理效果最佳。

    2.4 光譜特征波長(zhǎng)的提取

    2.4.1 SPA算法提取特征波長(zhǎng) 使用SPA算法對(duì)特征波長(zhǎng)進(jìn)行提取,由圖5可知,當(dāng)所選的特征波長(zhǎng)數(shù)量為20時(shí)交叉驗(yàn)證均方根誤差(RMSECV)最小,因此提取20個(gè)特征波長(zhǎng),分別為418.43 nm、451.41 nm、479.17 nm、495.05 nm、548.10 nm、570.70 nm、618.65 nm、644.02 nm、668.08 nm、670.76 nm、680.13 nm、681.47 nm、686.82 nm、692.18 nm、733.77 nm、825.34 nm、830.74 nm、913.33 nm、947.30 nm、993.59 nm。

    2.4.2 CARS算法提取特征波長(zhǎng) 使用CARS算法對(duì)特征波長(zhǎng)進(jìn)行提取,如圖6所示,隨著蒙特卡羅采樣次數(shù)從1增加到500,所選特征波長(zhǎng)的數(shù)量從462個(gè)減少到1個(gè),在第238次采樣時(shí)RMSECV最小。使用CARS算法提取出的特征波長(zhǎng)有34個(gè),分別為407.89 nm、414.47 nm、465.94 nm、487.11 nm、509.62 nm、521.55 nm、522.88 nm、537.48 nm、538.80 nm、588.00 nm、589.33 nm、603.98 nm、605.32 nm、622.65 nm、685.48 nm、697.54 nm、728.39 nm、745.86 nm、794.31 nm、868.61 nm、871.31 nm、878.08 nm、880.79 nm、913.33 nm、917.41 nm、929.63 nm、944.58 nm、950.02 nm、970.43 nm、971.79 nm、992.23 nm、994.96 nm、996.32 nm、999.05 nm。

    2.4.3 RF算法提取特征波長(zhǎng) 使用RF算法對(duì)特征波長(zhǎng)進(jìn)行提取,如圖7所示,選擇概率為0~0.35。大多數(shù)變量的選擇概率較低,僅有少數(shù)變量能夠顯著識(shí)別出特征波長(zhǎng),取RMSE最低為0.118,這一區(qū)間內(nèi)包含30個(gè)特征波長(zhǎng),分別為389.46 nm、396.04 nm、397.35 nm、398.67 nm、399.98 nm、401.30 nm、402.62 nm、410.52 nm、413.16 nm、417.11 nm、421.06 nm、426.34 nm、428.97 nm、430.29 nm、435.57 nm、436.89 nm、456.69 nm、458.01 nm、459.34 nm、467.26 nm、469.91 nm、473.88 nm、673.43 nm、688.16 nm、688. 16 nm、689.50 nm、690.84 nm、694.86 nm、697.54 nm、1 004.50 nm。這些波長(zhǎng)的選擇概率較高,這表明這些波長(zhǎng)對(duì)建模的影響也較大。

    2.4.4 特征波長(zhǎng)提取效果與分析 利用多元散射校正預(yù)處理后的光譜數(shù)據(jù),比較未經(jīng)過(guò)特征波長(zhǎng)提取的全波段PLS模型和使用3種特征波長(zhǎng)提取法提取的特征波長(zhǎng)PLS模型。由表3可以看出,與全波段PLS模型相比,經(jīng)過(guò)SPA算法和RF算法提取的特征波長(zhǎng)PLS模型(SPA-PLS、RF-PLS模型)校正集的R2C和預(yù)測(cè)集的R2p均較低,校正集的RMSEC和預(yù)測(cè)集的RMSEP較高,表明SPA-PLS和RF-PLS模型去除了一些具有高度相關(guān)性的有效區(qū)域,導(dǎo)致預(yù)測(cè)性能略差。而經(jīng)過(guò)CARS算法提取的特征波長(zhǎng)PLS模型(CARS-PLS模型)的相關(guān)波段變量數(shù)僅占全波段PLS模型的7.36%,但是經(jīng)過(guò)CARS算法提取的特征波長(zhǎng)模型校正集的R2C是0.854 4,校正集的RMSEC為0.552 3,預(yù)測(cè)集的R2p為0.835 0,預(yù)測(cè)集的RMSEP為0.574 0。表明經(jīng)過(guò)CARS算法提取的特征波長(zhǎng)PLS模型去除了相關(guān)性低的區(qū)域,大大降低了模型的冗余度,并有效地保持了有效區(qū)域,減少檢測(cè)時(shí)間,因此,選擇CARS算法作為特征波長(zhǎng)最佳提取方法。

    2.5 預(yù)測(cè)模型對(duì)比

    如表4所,DeepSpectra模型的效果要優(yōu)于PLS、SVM、CNN。DeepSpectra模型的R2C為0.945 2,RMSEC為0.387 4,R2p為0.937 0,RMSEP為0.427 0。DeepSpectra模型的RMSEP比其他3個(gè)模型平均低9.16%。同時(shí),預(yù)測(cè)集的R2p比其他3個(gè)模型平均高6.17%。

    3 結(jié)論

    比較各預(yù)處理方法可以看出, MSC預(yù)處理效果更加優(yōu)異,預(yù)測(cè)集的R2p為0.794 9,RMESP為0.599 7。比較全波段PLS模型與3種特征波長(zhǎng)提取方法提取的特征波長(zhǎng)PLS模型的效果可以看出,CARS算法提取的特征波長(zhǎng)PLS模型效果優(yōu)于全波段PLS模型, R2p達(dá)到0.835 0,RMESP為0.574 0,因此,選用CARS算法進(jìn)行光譜數(shù)據(jù)的特征波長(zhǎng)提取。將PLS模型與3種不同的預(yù)測(cè)模型進(jìn)行對(duì)比,發(fā)現(xiàn)DeepSpe5927f04abe4550be35287940cbe8aacf7e7e62643842be6e9771a3137225dd60ctra模型預(yù)測(cè)集的R2p達(dá)到0.937 0,RMSEP為0.427 0,相較于其他3種預(yù)測(cè)模型,DeepSpectra模型決定系數(shù)更大,均方根誤差更小,可以更好預(yù)測(cè)蘋(píng)果的糖酸比。本研究為基于高光譜和深度學(xué)習(xí)的蘋(píng)果內(nèi)在品質(zhì)無(wú)損檢測(cè)提供了更多參考。

    參考文獻(xiàn):

    [1] 彭彥昆,孫 晨,趙 苗. 蘋(píng)果品質(zhì)動(dòng)態(tài)無(wú)損感知及分級(jí)機(jī)器手系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(16):293-303.

    [2] 姜 宏. 煙臺(tái)蘋(píng)果化學(xué)成分分析及果實(shí)品質(zhì)的初步評(píng)價(jià)[D]. 煙臺(tái):煙臺(tái)大學(xué),2014.

    [3] 孟慶龍,尚 靜,黃人帥,等. 蘋(píng)果可溶性固形物的可見(jiàn)/近紅外無(wú)損檢測(cè)[J]. 食品與發(fā)酵工業(yè),2020,46(16):205-209.

    [4] 郭志明. 基于近紅外光譜及成像的蘋(píng)果品質(zhì)無(wú)損檢測(cè)方法和裝置研究[D]. 北京:中國(guó)農(nóng)業(yè)大學(xué),2015.

    [5] 樊書(shū)祥. 基于可見(jiàn)/近紅外光譜及成像技術(shù)的蘋(píng)果可溶性固形物檢測(cè)研究[D]. 楊凌:西北農(nóng)林科技大學(xué),2016.

    [6] 查啟明. 基于高光譜成像技術(shù)的蘋(píng)果硬度、水分及可溶性固形物含量的無(wú)損檢測(cè)研究[D]. 南京:南京農(nóng)業(yè)大學(xué),2017.

    [7] 馮 迪. 基于高光譜成像蘋(píng)果外觀與內(nèi)部多指標(biāo)檢測(cè)研究[D]. 沈陽(yáng):沈陽(yáng)農(nóng)業(yè)大學(xué),2017.

    [8] SIVAKUMAR S, QIAO J, WANG N, et al. Detecting maturity parameters of mango using hyperspectral imaging technique[C]//ASABE. Annual international meeting of the american society of agricultural and biological engineers. Michigan,USA:ASABE, 2009.

    [9] 韓如冰. 水果碰傷、糖度和貨架期的高光譜成像技術(shù)檢測(cè)[D]. 南昌:華東交通大學(xué),2018.

    [10]SANDRA M, CRISTINA B, JOS B, et al. Astringency assessment of persimmon by hyperspectral imaging[J]. Postharvest Biology and Technology,2017,125:35-41.

    [11]FERNANDO M, RENFU L, DIWAN A, et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J]. Postharvest Biology and Technology,2011,62(2):149-160.

    [12]ACQUARELLI J, VAN LAARHOVEN T, GERRETZEN J, et al. Convolutional neural networks for vibrational spectroscopic data analysis[J]. Analytica Chimica Acta,2017,954:22-31.

    [13]張保華,黃文倩,李江波,等. 基于高光譜成像技術(shù)和MNF檢測(cè)蘋(píng)果的輕微損傷[J]. 光譜學(xué)與光譜分析,2014,34(5):1367-1372.

    [14]KANDPAL L M, LOHUMI S, KIM M S, et al. Near-in-frared hyperspectral imaging system coupled with multivariate methods to predict viabiliy and vigor in muskmelon seeds[J]. Sensors & Actuators B:Chemical,2016,229:534-544.

    [15]袁旭林. 基于高光譜成像技術(shù)的蘋(píng)果糖度無(wú)損檢測(cè)系統(tǒng)研究[D]. 濟(jì)南:山東大學(xué),2021.

    [16]劉燕德,吳明明,孫旭東,等. 黃桃表面缺陷和可溶性固形物光譜同時(shí)在線檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(6):289-295.

    [17]張金龍. 基于高光譜成像技術(shù)檢測(cè)柿果貨架期的研究[D]. 晉中:山西農(nóng)業(yè)大學(xué),2015.

    [18]YANG Q, SUN D W, CHENG W W. Development of simplified models for nondestructive hyperspectral imaging monitoring of TVB-N contents in cured meat during drying process[J]. Journal of Food Engineering,2017,192:53-60.

    [19]HE H J, SUN D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT-Food Science and Technology,2015,62(1):11-18.

    [20]ARAUJO M C U, SALDANHA T C B, GALVAO R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics and Intelligent Laboratory Systems,2001,57(2):65-73.

    [21]LI H, LIANG Y, XU Q, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta,2009,648 (1):77-84.

    [22]CHEN J Y, LI G H. Prediction of moisture content of wood using Modified Random Frog and VIS-NIR hyperspectral imaging[J]. Infrared Physics & Technology,2020,105:103225.

    [23]LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature,2015,521(7553):436-444.

    [24]REICHSTEIN M, CAMPSVALLS G, STEVENS B, et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature,2019,566(7743):195-204.

    [25]BI Y, YUAN K, XIAO W, et al. A local pre-processing method for near-infrared spectra, combined with spectral segmentation and standard normal variate transformation[J]. Analytica Chimica Acta,2016,909:30-40.

    [26]王立國(guó),趙 亮,劉丹鳳. SVM在高光譜圖像處理中的應(yīng)用綜述[J]. 哈爾濱工程大學(xué)學(xué)報(bào),2018,39(6):973-983.

    [27]周飛燕,金林鵬,董 軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào),2017,40(6):1229-1251.

    [28]ZHANG X L, LIN T, XU J F, et al. DeepSpectra:an end-to-end deep learning approach for quantitative spectral analysis[J]. Analytica Chimica Acta,2019,1058:48-57.

    [29]SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]//IEEE. 2015 IEEE conference on computer vision and pattern recognition (CVPR). Boston,USA:IEEE,2015.

    [30]WANG J, WANG J, CHEN Z, et al. Development of multi-cultivar models for predicting the soluble solid content and firmness of European pear (Pyrus communis L.) using portable VIS-NIR spectroscopy[J]. Sensors (Switzerland),2017,129:143-151.

    [31]YU X, LU Q. Deep-learning-based regression mode and hyperspectral imaging for rapid detection of nitrogen concentration in oilseed rape (Brassica napuss L.) leaf[J]. Chemometrics and Intelligent Laboratory Systems,2018,172:188-193.

    [32]YU K Q, ZHAO Y R,LIU Z Y, et al. Application of visible and near-infrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology,2014,7(11):3077-3087.

    [33]孫世鵬,彭 俊,李 瑞,等. 基于近紅外高光譜圖像的冬棗損傷早期檢測(cè)[J]. 食品科學(xué),2017,38(2):301-305.

    [34]廉孟茹,張淑娟,任 銳,等. 基于高光譜技術(shù)的鮮食水果玉米含水率無(wú)損檢測(cè)[J]. 食品與機(jī)械,2021,37(9):127-132.

    (責(zé)任編輯:成紓寒)

    国产野战对白在线观看| 丝袜人妻中文字幕| 国产又爽黄色视频| 9热在线视频观看99| 成人国语在线视频| 男女免费视频国产| 欧美av亚洲av综合av国产av| 成年人午夜在线观看视频| 欧洲精品卡2卡3卡4卡5卡区| 青草久久国产| 女性生殖器流出的白浆| 色在线成人网| 不卡一级毛片| 国产精品久久久久成人av| 男女高潮啪啪啪动态图| 别揉我奶头~嗯~啊~动态视频| 国产av精品麻豆| 精品亚洲成a人片在线观看| 亚洲精品一卡2卡三卡4卡5卡| 国产男女内射视频| 亚洲av日韩在线播放| 亚洲中文av在线| 免费黄频网站在线观看国产| 麻豆乱淫一区二区| 色尼玛亚洲综合影院| 性少妇av在线| 色婷婷av一区二区三区视频| 久久久久久久久久久久大奶| 欧美黑人欧美精品刺激| 亚洲精品久久成人aⅴ小说| 在线观看免费视频日本深夜| 亚洲中文日韩欧美视频| av一本久久久久| 后天国语完整版免费观看| 精品国产一区二区三区久久久樱花| 国产精品国产av在线观看| 丁香欧美五月| 黑人巨大精品欧美一区二区mp4| 韩国av一区二区三区四区| 人妻久久中文字幕网| 国产熟女午夜一区二区三区| 亚洲av电影在线进入| 在线观看免费视频网站a站| 亚洲精品在线美女| 国产精品电影一区二区三区 | 日韩一卡2卡3卡4卡2021年| 国产精品久久视频播放| 午夜福利在线免费观看网站| 午夜福利一区二区在线看| 成人av一区二区三区在线看| 岛国在线观看网站| 一二三四社区在线视频社区8| 黄片播放在线免费| 中国美女看黄片| 99精品欧美一区二区三区四区| 精品高清国产在线一区| 亚洲一码二码三码区别大吗| 80岁老熟妇乱子伦牲交| 黑人巨大精品欧美一区二区mp4| 久久久久久亚洲精品国产蜜桃av| 欧美日韩亚洲综合一区二区三区_| 十八禁网站免费在线| 人妻一区二区av| 欧美+亚洲+日韩+国产| 国产乱人伦免费视频| 亚洲情色 制服丝袜| 成熟少妇高潮喷水视频| 国产成人av教育| 国产精品 国内视频| 视频区欧美日本亚洲| 一本一本久久a久久精品综合妖精| 国产不卡一卡二| 亚洲国产精品sss在线观看 | 午夜老司机福利片| 国产精品偷伦视频观看了| 交换朋友夫妻互换小说| 成年人免费黄色播放视频| 亚洲精品一二三| 精品国产一区二区三区四区第35| 亚洲精品在线观看二区| 一进一出抽搐gif免费好疼 | 亚洲国产欧美网| www.精华液| 亚洲欧美激情综合另类| 一区二区三区精品91| 高清毛片免费观看视频网站 | 人人妻人人爽人人添夜夜欢视频| 久久国产乱子伦精品免费另类| 麻豆乱淫一区二区| 九色亚洲精品在线播放| 亚洲一区二区三区不卡视频| 免费在线观看日本一区| 久久人妻av系列| 久久久国产一区二区| 免费不卡黄色视频| av福利片在线| 久久精品91无色码中文字幕| 欧美激情高清一区二区三区| 老汉色av国产亚洲站长工具| 欧美激情 高清一区二区三区| tube8黄色片| 婷婷精品国产亚洲av在线 | 国产成人精品久久二区二区91| 国产三级黄色录像| 国产精品国产av在线观看| 亚洲片人在线观看| 极品少妇高潮喷水抽搐| 国产成人欧美| 九色亚洲精品在线播放| 老司机深夜福利视频在线观看| 王馨瑶露胸无遮挡在线观看| 久久国产亚洲av麻豆专区| svipshipincom国产片| 国产亚洲精品第一综合不卡| 国产免费男女视频| 精品国产乱子伦一区二区三区| 精品欧美一区二区三区在线| 欧美色视频一区免费| 男女免费视频国产| 欧美日韩中文字幕国产精品一区二区三区 | 久久久久视频综合| 18禁裸乳无遮挡免费网站照片 | 十八禁高潮呻吟视频| 三上悠亚av全集在线观看| 老司机靠b影院| 精品国产超薄肉色丝袜足j| 97人妻天天添夜夜摸| av电影中文网址| 久久精品国产综合久久久| 午夜91福利影院| 女人爽到高潮嗷嗷叫在线视频| 亚洲中文日韩欧美视频| xxxhd国产人妻xxx| 欧美精品av麻豆av| 久久ye,这里只有精品| 老司机午夜福利在线观看视频| x7x7x7水蜜桃| 精品熟女少妇八av免费久了| 在线观看免费日韩欧美大片| 亚洲精华国产精华精| 国产一卡二卡三卡精品| 日韩欧美一区视频在线观看| 国产在线一区二区三区精| 大型黄色视频在线免费观看| 欧美日韩亚洲高清精品| 久久久久久免费高清国产稀缺| 在线观看免费视频日本深夜| 999精品在线视频| 午夜两性在线视频| 国产成人免费无遮挡视频| 脱女人内裤的视频| xxx96com| av网站在线播放免费| 欧美一级毛片孕妇| 国产精品亚洲av一区麻豆| 亚洲av熟女| 久久久久久久精品吃奶| 亚洲一区二区三区欧美精品| 91av网站免费观看| 久久人妻熟女aⅴ| 国产成人精品无人区| 久久久久久久精品吃奶| 国产伦人伦偷精品视频| 久久中文字幕人妻熟女| 最近最新中文字幕大全免费视频| 色精品久久人妻99蜜桃| 欧美日韩一级在线毛片| 国产黄色免费在线视频| 国产伦人伦偷精品视频| 美女高潮到喷水免费观看| av视频免费观看在线观看| 日本欧美视频一区| 老司机靠b影院| 黄网站色视频无遮挡免费观看| 国产精品国产高清国产av | 久久久久久免费高清国产稀缺| 国产精品99久久99久久久不卡| 美国免费a级毛片| 成人精品一区二区免费| 国产片内射在线| 免费久久久久久久精品成人欧美视频| 日韩一卡2卡3卡4卡2021年| 久久久国产成人免费| 久久亚洲真实| 亚洲av日韩在线播放| 天天添夜夜摸| 亚洲精品美女久久av网站| 高清毛片免费观看视频网站 | 91字幕亚洲| 国产不卡一卡二| 国产精品.久久久| 亚洲欧美一区二区三区黑人| 亚洲国产欧美一区二区综合| 一进一出抽搐动态| 精品无人区乱码1区二区| 美女扒开内裤让男人捅视频| 亚洲精品国产色婷婷电影| 夜夜躁狠狠躁天天躁| 色播在线永久视频| 国产视频一区二区在线看| 三上悠亚av全集在线观看| 久久精品国产亚洲av香蕉五月 | 欧美一级毛片孕妇| 91大片在线观看| 美国免费a级毛片| 亚洲一区中文字幕在线| 天堂俺去俺来也www色官网| 99久久人妻综合| 久久天堂一区二区三区四区| 欧美黑人欧美精品刺激| videosex国产| 国产伦人伦偷精品视频| 久久精品成人免费网站| 国产极品粉嫩免费观看在线| 免费在线观看亚洲国产| 午夜成年电影在线免费观看| 国产成人av激情在线播放| 亚洲精品av麻豆狂野| 欧美国产精品va在线观看不卡| 欧美精品亚洲一区二区| 国产一区二区三区视频了| 国产男靠女视频免费网站| 国产蜜桃级精品一区二区三区 | 久久草成人影院| 黑人欧美特级aaaaaa片| 手机成人av网站| 精品一区二区三卡| 最近最新中文字幕大全免费视频| bbb黄色大片| 一级毛片高清免费大全| 精品人妻1区二区| 色94色欧美一区二区| 午夜精品久久久久久毛片777| 国产国语露脸激情在线看| 美女扒开内裤让男人捅视频| 人人澡人人妻人| 欧美乱色亚洲激情| 欧美日韩黄片免| 日韩 欧美 亚洲 中文字幕| 成年人免费黄色播放视频| 免费人成视频x8x8入口观看| 欧美日韩福利视频一区二区| 国产精品免费大片| 在线国产一区二区在线| 成年版毛片免费区| 日韩欧美国产一区二区入口| 国产淫语在线视频| 大香蕉久久网| 视频在线观看一区二区三区| 操美女的视频在线观看| 欧美大码av| 亚洲自偷自拍图片 自拍| 999精品在线视频| 久久精品熟女亚洲av麻豆精品| 国产精品.久久久| 最近最新免费中文字幕在线| 无人区码免费观看不卡| 久久ye,这里只有精品| 亚洲专区字幕在线| 成人av一区二区三区在线看| 精品一品国产午夜福利视频| 午夜福利在线免费观看网站| a在线观看视频网站| 老司机午夜福利在线观看视频| 黑人欧美特级aaaaaa片| 精品一区二区三区av网在线观看| 精品卡一卡二卡四卡免费| 久久香蕉精品热| 无遮挡黄片免费观看| 亚洲熟妇熟女久久| 中国美女看黄片| 久久久久视频综合| 看片在线看免费视频| 成人特级黄色片久久久久久久| 国产成人系列免费观看| 成人免费观看视频高清| 美女高潮到喷水免费观看| 久久人妻福利社区极品人妻图片| 天天操日日干夜夜撸| 麻豆国产av国片精品| 亚洲免费av在线视频| 制服人妻中文乱码| 精品久久久精品久久久| 亚洲欧美激情在线| 新久久久久国产一级毛片| 亚洲片人在线观看| 在线天堂中文资源库| 黄频高清免费视频| 成人黄色视频免费在线看| 91大片在线观看| 精品国产亚洲在线| 在线永久观看黄色视频| 母亲3免费完整高清在线观看| 18禁裸乳无遮挡动漫免费视频| 夜夜躁狠狠躁天天躁| 中文亚洲av片在线观看爽 | 日韩人妻精品一区2区三区| 国内久久婷婷六月综合欲色啪| 国产片内射在线| 老司机在亚洲福利影院| tube8黄色片| 成人免费观看视频高清| 如日韩欧美国产精品一区二区三区| 中文字幕最新亚洲高清| 欧美不卡视频在线免费观看 | 亚洲成国产人片在线观看| 久久久久久久久免费视频了| 黄色成人免费大全| 亚洲国产看品久久| 欧美激情高清一区二区三区| 99精品久久久久人妻精品| 国产精品成人在线| 国内久久婷婷六月综合欲色啪| 国产人伦9x9x在线观看| 国产精品乱码一区二三区的特点 | 国产精品偷伦视频观看了| 日韩欧美在线二视频 | 大香蕉久久网| 波多野结衣一区麻豆| 黄色a级毛片大全视频| 曰老女人黄片| 亚洲片人在线观看| 美女高潮到喷水免费观看| 高清毛片免费观看视频网站 | 电影成人av| 夫妻午夜视频| 亚洲一区中文字幕在线| 乱人伦中国视频| 日韩欧美三级三区| 欧美亚洲 丝袜 人妻 在线| 亚洲精品国产一区二区精华液| 老司机深夜福利视频在线观看| 亚洲美女黄片视频| 国产精品av久久久久免费| 精品无人区乱码1区二区| 热re99久久国产66热| 亚洲专区中文字幕在线| 19禁男女啪啪无遮挡网站| 久久久国产成人免费| 精品国产乱子伦一区二区三区| 不卡一级毛片| 99re6热这里在线精品视频| 青草久久国产| 夜夜躁狠狠躁天天躁| 国产一区二区三区视频了| 99re6热这里在线精品视频| 母亲3免费完整高清在线观看| 欧美成人免费av一区二区三区 | 欧美+亚洲+日韩+国产| 国产欧美亚洲国产| 国产欧美日韩一区二区精品| 亚洲精品久久午夜乱码| 不卡一级毛片| 成年人免费黄色播放视频| 在线观看日韩欧美| 一区二区三区国产精品乱码| 老汉色∧v一级毛片| 99精品欧美一区二区三区四区| 超色免费av| 亚洲情色 制服丝袜| 亚洲精品中文字幕在线视频| 欧美黑人欧美精品刺激| 久久香蕉激情| 看免费av毛片| 自线自在国产av| 久久国产精品大桥未久av| 两人在一起打扑克的视频| 9191精品国产免费久久| 久久久国产欧美日韩av| 一夜夜www| www.精华液| 亚洲成人免费电影在线观看| 欧美黑人欧美精品刺激| 午夜精品久久久久久毛片777| 啦啦啦视频在线资源免费观看| 亚洲专区中文字幕在线| 日韩视频一区二区在线观看| 国产精品亚洲av一区麻豆| 女性被躁到高潮视频| 久久亚洲精品不卡| 在线观看午夜福利视频| 久久影院123| 飞空精品影院首页| 精品久久久久久久毛片微露脸| e午夜精品久久久久久久| 不卡av一区二区三区| 国产高清激情床上av| 超色免费av| 看免费av毛片| 黑人巨大精品欧美一区二区蜜桃| 国产有黄有色有爽视频| 高清av免费在线| 国产精品亚洲一级av第二区| 午夜福利,免费看| 亚洲一卡2卡3卡4卡5卡精品中文| 在线国产一区二区在线| 91成人精品电影| 久久亚洲真实| 国产在线精品亚洲第一网站| 久久久久久免费高清国产稀缺| 大香蕉久久网| 女人精品久久久久毛片| 中文字幕精品免费在线观看视频| 国产又爽黄色视频| 国产黄色免费在线视频| 一级毛片女人18水好多| 成人国产一区最新在线观看| 丝袜美腿诱惑在线| 国产精品久久电影中文字幕 | 一a级毛片在线观看| 免费看十八禁软件| av国产精品久久久久影院| 亚洲av成人不卡在线观看播放网| 黑丝袜美女国产一区| 免费久久久久久久精品成人欧美视频| 麻豆乱淫一区二区| av有码第一页| 久久草成人影院| 亚洲精品成人av观看孕妇| 91精品三级在线观看| 很黄的视频免费| 欧美不卡视频在线免费观看 | 国产精品久久久av美女十八| 国产精品av久久久久免费| 国产区一区二久久| 一本大道久久a久久精品| 国产xxxxx性猛交| 久久天躁狠狠躁夜夜2o2o| 最新美女视频免费是黄的| av欧美777| 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| 黄色成人免费大全| 高清视频免费观看一区二区| 精品熟女少妇八av免费久了| 99精品在免费线老司机午夜| 亚洲伊人色综图| 免费高清在线观看日韩| 大码成人一级视频| 国产精品免费视频内射| 黄色女人牲交| 久久性视频一级片| 亚洲色图综合在线观看| 国产男靠女视频免费网站| 男女免费视频国产| 免费av中文字幕在线| 欧美成人午夜精品| 天堂√8在线中文| aaaaa片日本免费| 成人永久免费在线观看视频| 免费少妇av软件| a级毛片在线看网站| 亚洲情色 制服丝袜| 黑人巨大精品欧美一区二区蜜桃| 极品教师在线免费播放| 91麻豆av在线| 中文亚洲av片在线观看爽 | 国产成人av激情在线播放| 日韩欧美国产一区二区入口| 精品福利永久在线观看| 国产成人av激情在线播放| 国产一区在线观看成人免费| 在线十欧美十亚洲十日本专区| 波多野结衣av一区二区av| 中文欧美无线码| 国产精品乱码一区二三区的特点 | 伦理电影免费视频| 日本五十路高清| 十八禁人妻一区二区| 日韩免费高清中文字幕av| 欧美老熟妇乱子伦牲交| av片东京热男人的天堂| 在线观看免费视频日本深夜| 亚洲性夜色夜夜综合| 黑人欧美特级aaaaaa片| 欧美av亚洲av综合av国产av| 久9热在线精品视频| 免费日韩欧美在线观看| 啦啦啦 在线观看视频| svipshipincom国产片| 自线自在国产av| 嫁个100分男人电影在线观看| 美国免费a级毛片| 99国产精品免费福利视频| 久久久国产一区二区| 亚洲精品在线观看二区| 99精品久久久久人妻精品| 国产一区二区三区视频了| 色精品久久人妻99蜜桃| 热99国产精品久久久久久7| 99精国产麻豆久久婷婷| 色播在线永久视频| 亚洲精品国产精品久久久不卡| 国产在线精品亚洲第一网站| 久久久精品免费免费高清| 精品久久蜜臀av无| 国产男靠女视频免费网站| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品亚洲一级av第二区| 亚洲精华国产精华精| 757午夜福利合集在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 日本一区二区免费在线视频| 成人特级黄色片久久久久久久| 色精品久久人妻99蜜桃| 国产亚洲精品一区二区www | 欧美中文综合在线视频| 国产亚洲精品第一综合不卡| 久久香蕉激情| 亚洲精品成人av观看孕妇| 亚洲精品中文字幕一二三四区| 男男h啪啪无遮挡| 中文字幕人妻丝袜一区二区| www.精华液| 国产在线观看jvid| 三级毛片av免费| 在线观看www视频免费| 母亲3免费完整高清在线观看| 91九色精品人成在线观看| 国产精品二区激情视频| 黑人猛操日本美女一级片| 免费少妇av软件| 免费不卡黄色视频| ponron亚洲| 中文欧美无线码| 麻豆成人av在线观看| 69av精品久久久久久| 香蕉久久夜色| 久久香蕉国产精品| 我的亚洲天堂| 国产精品免费一区二区三区在线 | 超碰成人久久| 亚洲九九香蕉| 99久久99久久久精品蜜桃| 久久久久久久午夜电影 | 精品第一国产精品| 国产蜜桃级精品一区二区三区 | 日本五十路高清| 视频区图区小说| 飞空精品影院首页| 国产av又大| 不卡一级毛片| 嫁个100分男人电影在线观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲一码二码三码区别大吗| 国产在视频线精品| 极品教师在线免费播放| 一区二区三区国产精品乱码| 99在线人妻在线中文字幕 | 午夜福利一区二区在线看| 他把我摸到了高潮在线观看| 亚洲avbb在线观看| 精品一区二区三卡| 91麻豆av在线| 欧美精品高潮呻吟av久久| 国产97色在线日韩免费| 女人高潮潮喷娇喘18禁视频| 精品无人区乱码1区二区| 日韩欧美国产一区二区入口| 国产欧美日韩综合在线一区二区| 国产成人欧美| 欧美色视频一区免费| 亚洲精品国产区一区二| 亚洲色图 男人天堂 中文字幕| 国产欧美日韩一区二区三区在线| 在线观看日韩欧美| 黑人巨大精品欧美一区二区蜜桃| 亚洲熟女精品中文字幕| 999久久久精品免费观看国产| 桃红色精品国产亚洲av| 中文亚洲av片在线观看爽 | 久久久久国产精品人妻aⅴ院 | 热re99久久国产66热| 成人免费观看视频高清| 真人做人爱边吃奶动态| 女人久久www免费人成看片| 99精品在免费线老司机午夜| 天堂√8在线中文| 少妇猛男粗大的猛烈进出视频| 欧美日韩中文字幕国产精品一区二区三区 | 最新美女视频免费是黄的| 欧美老熟妇乱子伦牲交| 欧美久久黑人一区二区| 美女高潮喷水抽搐中文字幕| 国产成人av激情在线播放| 99re6热这里在线精品视频| 精品国产乱子伦一区二区三区| 亚洲熟妇中文字幕五十中出 | av天堂久久9| 亚洲,欧美精品.| 久久热在线av| 精品人妻熟女毛片av久久网站| 久久青草综合色| 成人免费观看视频高清| 精品卡一卡二卡四卡免费| 国产av精品麻豆| 免费在线观看视频国产中文字幕亚洲| 亚洲欧美一区二区三区黑人| 亚洲一区中文字幕在线| av超薄肉色丝袜交足视频| 欧美成人午夜精品| 欧美日韩一级在线毛片| 一级a爱片免费观看的视频| 中文字幕最新亚洲高清| 五月开心婷婷网| 亚洲自偷自拍图片 自拍| 久久精品91无色码中文字幕| 飞空精品影院首页| 一进一出抽搐动态| 免费看a级黄色片| 色综合欧美亚洲国产小说| 80岁老熟妇乱子伦牲交| 9色porny在线观看| 19禁男女啪啪无遮挡网站| 精品卡一卡二卡四卡免费|