• 
    

    
    

      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 ?

      基于機(jī)器學(xué)習(xí)對(duì)不同施肥量處理的番茄識(shí)別與估產(chǎn)

      2023-07-29 03:52:31張皓婷李明薛海峰圖拉李敏閆鳳祝鵬
      安徽農(nóng)學(xué)通報(bào) 2023年10期
      關(guān)鍵詞:機(jī)器學(xué)習(xí)

      張皓婷 李明 薛海峰 圖拉 李敏 閆鳳 祝鵬

      摘要 本試驗(yàn)以番茄為材料,在施用不同量的有機(jī)肥下,對(duì)基于機(jī)器學(xué)習(xí)的番茄果實(shí)識(shí)別和產(chǎn)量估算進(jìn)行了深入研究和綜合評(píng)價(jià)。通過(guò)重復(fù)訓(xùn)練、驗(yàn)證、分析,得出基于Faster R-CNN網(wǎng)絡(luò)模型在番茄果實(shí)識(shí)別模型的準(zhǔn)確率為90.89%,準(zhǔn)確率較高;結(jié)合運(yùn)用圖像識(shí)別測(cè)算得的產(chǎn)量與番茄不同施肥量處理實(shí)際測(cè)產(chǎn)誤差較大,實(shí)際運(yùn)用效果相對(duì)較差;4種不同施肥量設(shè)置對(duì)番茄的結(jié)果數(shù)、識(shí)別數(shù)和產(chǎn)量的影響都高于對(duì)照處理,實(shí)際生產(chǎn)施用有機(jī)肥4 500 kg/hm2效果最好?;贔aster R-CNN網(wǎng)絡(luò)模型的番茄數(shù)據(jù)集的測(cè)試結(jié)果效果較好,識(shí)別準(zhǔn)確率較高,可作為其他指標(biāo)測(cè)定的基礎(chǔ)。

      關(guān)鍵詞 機(jī)器學(xué)習(xí);Faster R-CNN;番茄識(shí)別;產(chǎn)量估算

      中圖分類號(hào) TP181;S641.2? ?文獻(xiàn)標(biāo)識(shí)碼 A

      文章編號(hào) 1007-7731(2023)10-0136-04

      番茄是我國(guó)設(shè)施栽培的主要蔬菜作物之一[1]。為能夠四季供應(yīng)新鮮番茄,番茄以設(shè)施保護(hù)栽培為主以達(dá)到周年供給的目的。目前,活性有機(jī)肥被大面積使用,可提高土壤供肥能力,促進(jìn)有機(jī)質(zhì)分解和團(tuán)粒結(jié)構(gòu)[2]形成,可明顯提高番茄產(chǎn)量。番茄產(chǎn)量測(cè)定是番茄生產(chǎn)中衡量經(jīng)濟(jì)效益的關(guān)鍵指標(biāo)[3],設(shè)施番茄人工測(cè)量番茄生長(zhǎng)的各項(xiàng)生理指標(biāo)中存在測(cè)量精度、準(zhǔn)確度不高和實(shí)用性差等問(wèn)題。機(jī)器學(xué)習(xí)[4](Machine Learning,ML)是人工智能的核心,使計(jì)算機(jī)模擬人類的學(xué)習(xí)活動(dòng),不斷學(xué)習(xí)已有知識(shí)、獲取新知識(shí),逐步實(shí)現(xiàn)設(shè)施生產(chǎn)系統(tǒng)的改進(jìn)與完善;利用現(xiàn)代最新信息技術(shù)和手段,通過(guò)對(duì)數(shù)據(jù)深度挖掘、融合、分析和人工智能決策,可促進(jìn)基于機(jī)器學(xué)習(xí)與設(shè)施番茄的生產(chǎn)進(jìn)行智能又精確的識(shí)別與估算方面研究;進(jìn)而有效促進(jìn)番茄生產(chǎn),提高品質(zhì)產(chǎn)量和減少資源浪費(fèi)。利用深度學(xué)習(xí)技術(shù)進(jìn)行番茄產(chǎn)量的預(yù)測(cè)和估算,通過(guò)設(shè)計(jì)番茄果實(shí)特有的顏色、紋理、形狀以及空間方向特征屬性[5],從背景枝葉中分離出番茄果實(shí),然后再采用基于區(qū)域和計(jì)數(shù)的方法對(duì)產(chǎn)量進(jìn)行估計(jì)[6],用基于Faster R-CNN網(wǎng)絡(luò)模型的訓(xùn)練模型識(shí)別出的番茄果數(shù)的計(jì)數(shù)方法來(lái)預(yù)測(cè)番茄的數(shù)量。本試驗(yàn)設(shè)計(jì)基于Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄果實(shí)的識(shí)別,并提出了基于果實(shí)識(shí)別方法將不同施肥量與產(chǎn)量的關(guān)系構(gòu)建相關(guān)系數(shù),在盡可能提高準(zhǔn)確率的同時(shí)有效提高測(cè)量效率,以期實(shí)現(xiàn)機(jī)器學(xué)習(xí)對(duì)作物的識(shí)別與產(chǎn)量的預(yù)測(cè),為豐富和優(yōu)化設(shè)施番茄栽培生產(chǎn)提供一定的參考。

      1 材料與方法

      1.1 試驗(yàn)材料

      品種:草莓番茄。材料:拍攝設(shè)備(vivo手機(jī))、溫度傳感器、濕度傳感器、光照傳感器、CO2傳感器。試驗(yàn)平臺(tái):本文所有試驗(yàn)均在Win10系統(tǒng)計(jì)算機(jī)64位操作系統(tǒng)Ubuntu16.04下完成。

      1.2 試驗(yàn)方法

      試驗(yàn)采用隨機(jī)區(qū)組,番茄幼苗5月6日定植,種植密度為27 700株/hm2,每個(gè)處理小區(qū)面積20 m2,重復(fù)3次;設(shè)置4種不同施肥量處理,依次為施用有機(jī)肥1 500、3 000、4 500、6 000 kg/hm2,各處理依次標(biāo)記為A1、A2、A3和A4,將未施肥處理設(shè)置為對(duì)照(CK),共計(jì)5個(gè)處理,并在每種處理中加入等量腐殖酸水溶肥(300 L/hm2),其余田間管理措施一致。各項(xiàng)數(shù)據(jù)在番茄生長(zhǎng)期間測(cè)定,每個(gè)處理隨機(jī)測(cè)量10株,并計(jì)算平均值。測(cè)量番茄的小花數(shù)、花序數(shù)、單株結(jié)果數(shù)、單果重、單株產(chǎn)量,在番茄苗期、結(jié)果前期、結(jié)果中期和結(jié)果后期分別進(jìn)行圖像采集。

      圖像采集及數(shù)據(jù)集制作方法:先在田間光線良好條件下采集圖片,然后將拍攝的原始圖像進(jìn)行處理、縮小、標(biāo)注,將數(shù)據(jù)整理成為數(shù)據(jù)集;該數(shù)據(jù)集為番茄目標(biāo)檢測(cè)數(shù)據(jù)集,其中共有600張訓(xùn)練樣本圖像和400張測(cè)試樣本圖像,自制的VOC格式的數(shù)據(jù)集中只包含1種帶標(biāo)簽的待測(cè)目標(biāo),使用 Faster-RCNN 模型進(jìn)行訓(xùn)練,以得出測(cè)定數(shù)據(jù)和相應(yīng)結(jié)果。

      2 結(jié)果與分析

      2.1 Faster R-CNN模型對(duì)番茄果實(shí)識(shí)別檢測(cè)結(jié)果

      本文運(yùn)行的faster R-CNN網(wǎng)絡(luò)模型學(xué)習(xí)率(lr=0.001)設(shè)為0.001,Batch size為64,dropout參數(shù)設(shè)為0.5。通過(guò)Faster R-CNN網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)集的運(yùn)行訓(xùn)練、測(cè)試和驗(yàn)證,得出數(shù)據(jù)。

      Faster R-CNN網(wǎng)絡(luò)模型的結(jié)構(gòu)主要是由2個(gè)網(wǎng)絡(luò)組成,損失函數(shù)分為4個(gè)部分,4個(gè)損失相加得出最后的損失,即訓(xùn)練結(jié)果得出損失率0.233 929 117;訓(xùn)練過(guò)程不斷地反向傳播和更新參數(shù),經(jīng)過(guò)對(duì)數(shù)據(jù)集在Faster R-CNN網(wǎng)絡(luò)模型上多次訓(xùn)練的分類回歸,發(fā)現(xiàn)不同施肥量處理番茄識(shí)別檢測(cè)訓(xùn)練的損失曲線高度一致,且總損失率幾乎相同;由數(shù)據(jù)可知,同一模型訓(xùn)練多次的回歸損失函數(shù)值是近似相同的,且目前訓(xùn)練的損失率相對(duì)較小。Faster R-CNN網(wǎng)絡(luò)模型中進(jìn)行的函數(shù)運(yùn)行、檢測(cè)、計(jì)算得出mAP值。

      Faster R-CNN網(wǎng)絡(luò)模型訓(xùn)練完成后測(cè)試集的mAP值為0.908 9;以采集的4種不同施肥量(A1、A2、A3和A4。)處理及對(duì)照(CK)處理的番茄果實(shí)圖像作為驗(yàn)證,經(jīng)過(guò)變次運(yùn)行得到的mAP值為0.908 68~0.908 95,即可得出測(cè)試集的檢測(cè)準(zhǔn)確率為90.89%。綜上得出,F(xiàn)aster R-CNN網(wǎng)絡(luò)模型在訓(xùn)練樣本時(shí),損失函數(shù)的下降速度快且變化幅度小,測(cè)試準(zhǔn)確率曲線先下降再上下震蕩然后趨于平緩,F(xiàn)aster R-CNN網(wǎng)絡(luò)模型檢測(cè)番茄果實(shí)的損失率及準(zhǔn)確率曲線波動(dòng)幅度小,且Faster R-CNN網(wǎng)絡(luò)模型測(cè)試準(zhǔn)確率較高;Faster R-CNN網(wǎng)絡(luò)模型在不同施肥量處理的番茄果實(shí)檢測(cè)方面,準(zhǔn)確率為90.89%,檢測(cè)效果較好。

      2.2 不同施肥量處理結(jié)果數(shù)間的數(shù)據(jù)比較

      經(jīng)過(guò)Faster R-CNN網(wǎng)絡(luò)模型運(yùn)行番茄果實(shí)圖像和識(shí)別檢測(cè),對(duì)4種不同施肥量處理(A1、A2、A3、A4)和對(duì)照(CK)處理進(jìn)行識(shí)別數(shù)的比較。

      4種不同施肥量處理和對(duì)照處理間的Faster R-CNN網(wǎng)絡(luò)模型識(shí)別結(jié)果數(shù):A3的識(shí)別結(jié)果數(shù)最多,A4次之,其次為A2和A1,CK最少。為驗(yàn)證結(jié)果的其可靠性,與實(shí)際測(cè)量的數(shù)據(jù)相比,識(shí)別結(jié)果數(shù)與實(shí)際單次測(cè)量結(jié)果數(shù)基本吻合。對(duì)實(shí)際測(cè)量的不同處理間的數(shù)據(jù)進(jìn)行比較,單次測(cè)定的番茄結(jié)果數(shù)依然是A3的識(shí)別結(jié)果數(shù)和實(shí)際測(cè)量結(jié)果數(shù)最多,A4次之,其次為A2、A1,CK最少,由此可以得出在實(shí)際生產(chǎn)中施用有機(jī)肥4 500 kg/hm2的效果最好、識(shí)別數(shù)和實(shí)際結(jié)果數(shù)最多,施用有機(jī)肥6 000 kg/hm2的效果次之,不施肥料的效果最差。Faster R-CNN網(wǎng)絡(luò)模型識(shí)別效果較好。

      2.3 不同施肥量處理識(shí)別結(jié)果數(shù)與實(shí)際結(jié)果數(shù)驗(yàn)證

      2021年6月11日至8月10日,對(duì)不同施肥量處下的番茄采集圖像數(shù)據(jù),并對(duì)設(shè)施番茄產(chǎn)量檢測(cè)識(shí)別和預(yù)測(cè)進(jìn)行驗(yàn)證。為排除偶然誤差,先利用2021年6月11日至8月10日期間的一部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試3次參數(shù)辨識(shí),后利用Faster R-CNN網(wǎng)絡(luò)模型對(duì)2021年6月11日至8月10日期間的相應(yīng)數(shù)據(jù)在不同施肥量處理的番茄識(shí)別數(shù)和實(shí)際生產(chǎn)測(cè)量數(shù)據(jù)進(jìn)行預(yù)測(cè)比較,對(duì)單株測(cè)定值取平均,結(jié)果如圖1所示。

      由圖1可看出,4種不同施肥量處理的番茄結(jié)果數(shù)均高于對(duì)照處理,經(jīng)過(guò)3次測(cè)定和模型運(yùn)算,A3的識(shí)別結(jié)果數(shù)和實(shí)際結(jié)果數(shù)最多,其次是A4、A2、A1,CK最少。

      2.4 番茄產(chǎn)量估算

      使用Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄果實(shí)圖像樣本進(jìn)行訓(xùn)練,獲取訓(xùn)練過(guò)程準(zhǔn)確率數(shù)據(jù)并對(duì)數(shù)據(jù)集做訓(xùn)練和預(yù)測(cè)。通過(guò)訓(xùn)練過(guò)程檢測(cè)識(shí)別出的番茄果實(shí)數(shù)預(yù)測(cè)結(jié)果數(shù)量,再依據(jù)模型識(shí)別出的數(shù)量、矩形標(biāo)注框的大小和相應(yīng)矩形內(nèi)的果實(shí),進(jìn)而估算產(chǎn)量。即Faster R-CNN網(wǎng)絡(luò)模型檢測(cè)出圖像中每個(gè)番茄果實(shí)的真實(shí)邊界框體積和正切圓體積構(gòu)建的系數(shù)約0.523。采用單株產(chǎn)量=每穗果數(shù)(Faster R-CNN網(wǎng)絡(luò)模型的單張圖片識(shí)別數(shù))×每株穗數(shù)×單果重或?qū)嶋H測(cè)量值做驗(yàn)證。

      通過(guò)在網(wǎng)絡(luò)模型中的多次訓(xùn)練、測(cè)試和驗(yàn)證,得出番茄的結(jié)果數(shù)據(jù),將檢測(cè)出的番茄果實(shí)數(shù)與構(gòu)建系數(shù)相乘,得出預(yù)測(cè)產(chǎn)量,并與實(shí)際生產(chǎn)測(cè)得的產(chǎn)量數(shù)據(jù)進(jìn)行比較。

      依據(jù)Faster R-CNN網(wǎng)絡(luò)模型檢測(cè)出的番茄結(jié)果數(shù)據(jù)計(jì)算得出預(yù)測(cè)產(chǎn)量1、2,與實(shí)際生產(chǎn)測(cè)得的產(chǎn)量數(shù)據(jù)進(jìn)行比較。由圖2可以看出,預(yù)測(cè)1和預(yù)測(cè)2與實(shí)際測(cè)量相比,分別低于實(shí)際測(cè)量33.30%和25.00%。由于目前是初次使用這種方式對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)和估算,在圖片拍攝距離、角度、方向上還尚未標(biāo)準(zhǔn)化,標(biāo)記部分重疊及果實(shí)之間相互遮擋均可能對(duì)估測(cè)值有較大的影響。雖然使用基于Faster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)能預(yù)測(cè)番茄產(chǎn)量,但實(shí)際測(cè)量值更接近按單株產(chǎn)量計(jì)算得出的產(chǎn)量,故未對(duì)不同施肥量處理的預(yù)測(cè)進(jìn)行比較?;贔aster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)預(yù)測(cè)不同施肥量處理的番茄產(chǎn)量在后續(xù)試驗(yàn)中有待進(jìn)一步提高。

      3 討論

      孫素云等[7]收集了蘋(píng)果樹(shù)葉病害圖像,對(duì)原始樣本先進(jìn)行直方圖均衡化、濾波,再利用閾值分割算法分割圖像獲得病害區(qū)域,繼而獲取該區(qū)域的顏色和紋理特征,最后用SVM建立模型獲得分類的準(zhǔn)確率為92.68%。本試驗(yàn)運(yùn)用的Faster R-CNN網(wǎng)絡(luò)模型在不同施肥量處理的番茄果實(shí)檢測(cè)方面,準(zhǔn)確率為90.89%,有待繼續(xù)改進(jìn);與實(shí)際測(cè)量值對(duì)比也需進(jìn)一步提高。鄧賡[8]基于機(jī)器視覺(jué)提出了一種串—粒融合的兩階段葡萄產(chǎn)量預(yù)測(cè)框架,先利用目標(biāo)檢測(cè)器進(jìn)行葡萄串定位,在經(jīng)改進(jìn)的網(wǎng)絡(luò)模型進(jìn)行葡萄計(jì)數(shù),并將這2個(gè)階段互相融合起來(lái),實(shí)現(xiàn)葡萄產(chǎn)量預(yù)測(cè),提高了產(chǎn)量預(yù)測(cè)的準(zhǔn)確性。張立彬等[9]利用改進(jìn)的退火粒子群算法構(gòu)建了一種機(jī)理模型和參數(shù)辨識(shí)相結(jié)合的溫室番茄產(chǎn)量預(yù)測(cè)模型,該優(yōu)化模型預(yù)測(cè)的總產(chǎn)量與實(shí)際測(cè)量總產(chǎn)量的相對(duì)誤差為2.20%,總產(chǎn)量的預(yù)測(cè)精度高達(dá)97.80%。本試驗(yàn)結(jié)果表明,基于機(jī)器學(xué)習(xí)中Faster R-CNN網(wǎng)絡(luò)的番茄識(shí)別2次預(yù)測(cè)方式和實(shí)際測(cè)量值相比,預(yù)測(cè)值顯著低于實(shí)際測(cè)量的產(chǎn)量值,分別比實(shí)際測(cè)量低33.30%和25.00%。學(xué)者們認(rèn)為利用機(jī)器學(xué)習(xí)技術(shù)在產(chǎn)量預(yù)測(cè)方面,機(jī)器學(xué)習(xí)結(jié)合遙感技術(shù)和粒子群算法進(jìn)行的預(yù)測(cè)更接近實(shí)際產(chǎn)量,也存在環(huán)境不穩(wěn)定影響產(chǎn)生一定的誤差。本試驗(yàn)中,由于標(biāo)記部分重疊和果實(shí)之間相互遮擋,以及在圖片拍攝方面也可能存在距離、角度、方向上不標(biāo)準(zhǔn),這些因素均可能對(duì)估測(cè)值造成一定的影響,所以基于Faster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)預(yù)測(cè)番茄產(chǎn)量在后續(xù)試驗(yàn)Faster R-CNN網(wǎng)絡(luò)模型中有待進(jìn)一步的優(yōu)化。

      4 結(jié)論

      本次試驗(yàn)利用機(jī)器學(xué)習(xí)下的Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄種植過(guò)程中4種不同施肥量處理A1、A2、A3、A4和對(duì)照(CK)處理圖像數(shù)據(jù)樣本進(jìn)行番茄果實(shí)目標(biāo)檢測(cè),準(zhǔn)確率為90.89%;識(shí)別結(jié)果數(shù)與實(shí)際測(cè)量結(jié)果數(shù)比較得出,A3的識(shí)別結(jié)果數(shù)和實(shí)際測(cè)量結(jié)果數(shù)最多,A4次之,其次為A2和A1,未施用有機(jī)肥CK最少;預(yù)測(cè)結(jié)果數(shù)與實(shí)際測(cè)量的結(jié)果數(shù)基本吻合。在基于模型構(gòu)建的果實(shí)識(shí)別與產(chǎn)量的相關(guān)系數(shù)的預(yù)測(cè)方法中,第一次預(yù)測(cè)、第二次預(yù)測(cè)和實(shí)際測(cè)量值相比,預(yù)測(cè)值顯著低于實(shí)際測(cè)量的產(chǎn)量值。

      機(jī)器學(xué)習(xí)算法在識(shí)別中表現(xiàn)精度較高,最近幾年,由于人工智能的不斷發(fā)展與完善,采用機(jī)器學(xué)習(xí)的方法進(jìn)行作物的識(shí)別和產(chǎn)量的預(yù)測(cè)有了新的進(jìn)展,機(jī)器學(xué)習(xí)的預(yù)測(cè)精度也在不斷提升。利用機(jī)器學(xué)習(xí)下的Faster R-CNN網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)可為農(nóng)業(yè)領(lǐng)域其他方面提供指標(biāo)測(cè)定基礎(chǔ)。目前基于模型構(gòu)建的果實(shí)識(shí)別與產(chǎn)量的相關(guān)系數(shù)的預(yù)測(cè)方法中,在圖片拍攝方面可能存在距離、角度、方向上的不標(biāo)準(zhǔn),以及標(biāo)記部分重疊和果實(shí)之間相互遮擋均可能對(duì)估測(cè)值造成一定的影響,所以在后續(xù)的試驗(yàn)中還需進(jìn)一步的研究和優(yōu)化。

      參考文獻(xiàn)

      [1] 陳杏禹.蔬菜栽培[M].北京:高等教育出版社, 2015.

      [2] 楊志臣,呂貽忠,張鳳榮,等. 秸稈還田和腐熟有機(jī)肥對(duì)水稻土培肥效果對(duì)比分析[J].農(nóng)業(yè)工程學(xué)報(bào),2008(3):214-218.

      [3] 王振華,陳瀟潔,呂德生,等.水肥耦合對(duì)加氣滴灌加工番茄產(chǎn)量及品質(zhì)的影響[J].農(nóng)業(yè)工程學(xué)報(bào),2020,36(19):66-75.

      [4] 陳凱,朱鈺.機(jī)器學(xué)習(xí)及其相關(guān)算法綜述[J].統(tǒng)計(jì)與信息論壇,2007(5):105-112.

      [5] 張燕,田國(guó)英,楊英茹,等.基于SVM的設(shè)施番茄早疫病在線識(shí)別方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(S1):125-133,206.

      [6] 鄭太雄,江明哲,馮明馳.基于視覺(jué)的采摘機(jī)器人目標(biāo)識(shí)別與定位方法研究綜述[J].儀器儀表學(xué)報(bào),2021,42(9):28-51.

      [7] 孫素云.基于圖像處理和支持向量機(jī)的蘋(píng)果樹(shù)葉部病害的分類研究[D]. 西安:西安科技大學(xué),2017.

      [8] 鄧賡.基于機(jī)器視覺(jué)的葡萄產(chǎn)量預(yù)估模型關(guān)鍵技術(shù)研究[D]. 成都:四川大學(xué),2022.

      [9] 張立彬,應(yīng)建陽(yáng),陳教料.基于IPSO-SA算法的溫室番茄產(chǎn)量預(yù)測(cè)方法[J].浙江工業(yè)大學(xué)學(xué)報(bào),2019,47(5):527-533.

      (責(zé)編:何 艷)

      猜你喜歡
      機(jī)器學(xué)習(xí)
      基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析
      基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
      基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析
      前綴字母為特征在維吾爾語(yǔ)文本情感分類中的研究
      基于支持向量機(jī)的金融數(shù)據(jù)分析研究
      機(jī)器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用
      玉林市| 理塘县| 天祝| 淅川县| 临沭县| 宜阳县| 万宁市| 新化县| 青龙| 鄄城县| 公主岭市| 隆昌县| 乌恰县| 梁平县| 江北区| 龙陵县| 镇江市| 通山县| 绍兴市| 津南区| 娄底市| 蓝山县| 咸宁市| 治多县| 兴城市| 阳曲县| 宁阳县| 巴南区| 三亚市| 板桥市| 伊金霍洛旗| 五寨县| 勐海县| 高雄县| 麻城市| 武鸣县| 淮南市| 花垣县| 新河县| 邻水| 饶阳县|