检索结果-内蒙古大学图书馆

光谱学与光谱分析 2024年第3期44卷 865-871页

作者：张美玲陈勇杰王敏娟李民赞郑立华 “智慧农业系统集成研究”教育部重点实验室中国农业大学北京100083

紫叶生菜叶片内富含花青素、胡萝卜素、维生素、矿物质等元素,其中花青素作为叶片组织中的主要色素对植物提供多种修复及保护功能,其含量可反应紫叶生菜的生理状态,因此其高精度预测具有现实意义。为了高效、准确地估算紫叶生菜的花青... 详细信息

紫叶生菜叶片内富含花青素、胡萝卜素、维生素、矿物质等元素,其中花青素作为叶片组织中的主要色素对植物提供多种修复及保护功能,其含量可反应紫叶生菜的生理状态,因此其高精度预测具有现实意义。为了高效、准确地估算紫叶生菜的花青素含量,采集了紫叶生菜的高光谱数据并开展了高精度建模研究。对原始平均反射光谱数据进行了一阶导数(FD)、二阶导数(SD)、标准正态变换(SNV)、S-G滤波和多元散射校正(MSC)五种预处理操作,基于不同预处理光谱建立紫叶生菜花青素含量的偏最小二乘回归(PLSR)模型并进行性能对比,确定MSC为理想的光谱预处理方法。针对原始光谱及经MSC预处理的光谱,使用竞争自适应重加权采样(CARS)算法分别选择特征波段,基于全波段(原始光谱、经MSC预处理光谱)和特征波段(基于原始光谱的特征波段、基于MSC预处理光谱的特征波段)分别构建PLSR模型,表现最佳的MSC-CARS-PLSR在验证集上的决定系数(R2)和均方根误差(RMSE)分别为0.872和0.070 mg·L^(-1),剩余预测偏差(RPD)为2.862。为进一步提高预测精度,本文提出一种融合深度卷积特征和极限学习机(ELM)的回归分析框架Ensemble,基于改进的Inception模块设计了与输入光谱信号匹配的一维卷积神经网络(1DCNN)作为特征提取器,采用ELM代替全连接层作为高级回归器对提取的特征进行计算。通过对比分析,Ensemble性能优于单独的1DCNN模型、ELM模型以及基于预处理光谱构建的最佳PLSR模型,其在验证集上的R2和RMSE分别为0.905和0.060 mg·L^(-1),RPD为3.319,表现出较高预测精度以及极佳的稳定性。进一步分析了预处理操作对Ensemble预测精度的影响,实验结果显示Ensemble对于预处理操作的依赖程度远小于PLSR,表明该模型同时继承了1DCNN的深度特征表示和ELM的高泛化性,能够实现基于原始光谱进行端到端的高精度花青素含量预测,为及时、准确掌握紫叶生菜长势情况提供了理论支撑。

关键词：紫叶生菜花青素高光谱偏最小二乘回归深度学习

来源：评论

学校读者我要写书评

暂无评论

基于改进U-Net的高分辨率正射影像图田间可行驶道路提取方法

引用

农业机械学报 2025年第2期56卷 155-163页

作者：金智文王宁肖坚星王天海仇瑞承李寒张漫中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

田间可行驶道路边界信息获取是制作农田高精度地图的基础。针对现有方法对高分辨率正射影像图中田间可行驶道路分割不准确、出现漏检误检等问题,本文提出了一种基于改进U-Net的深度学习网络模型。该方法首先将主干网络更换为ResNet50,... 详细信息

田间可行驶道路边界信息获取是制作农田高精度地图的基础。针对现有方法对高分辨率正射影像图中田间可行驶道路分割不准确、出现漏检误检等问题,本文提出了一种基于改进U-Net的深度学习网络模型。该方法首先将主干网络更换为ResNet50,增强对田间可行驶道路特征提取能力;其次,融合可以提高管状结构精度的DSConv模块提高对田间可行驶道路的精度,并抑制与田间道路类似的田间地物背景的特征提取;最后,通过插入ECA-Net注意力机制来获取完整的上下文信息,优化田间可行驶道路的特征还原过程,从而达到提高模型整体分割精度的目的。在此基础上,通过传统图像处理方法对分割结果进一步地去噪、消孔,从而获取高精度的田间可行驶道路边界信息。试验结果表明,改进U-Net模型在所构建数据集的测试集上MIoU、MPA分别达91.12%、95.46%,与其他对比模型相比具有最高的评价指标值,使用传统图像处理方法后处理后,MIoU和MPA为92.64%和96.75%,分别提高1.52、1.29个百分点;在对高分辨率正射影像图田间可行驶道路的识别测试中,MIoU和MPA分别达86.39%和90.01%,可以明显地识别田间可行驶道路;使用传统图像处理方法后对获得的高分辨率正射影像图结果进行优化后,MIoU和MPA分别为88.34%、91.53%,分别提高1.95、1.52个百分点。该研究可以为后续制作农田高精度地图提供准确的田间可行驶道路边界信息。

关键词：田间道路提取语义分割无人机正射影像图深度学习

来源：评论

学校读者我要写书评

暂无评论

苹果早期瘀伤的近红外光谱和多波段相机成像检测

引用

光谱学与光谱分析 2024年第5期44卷 1364-1371页

作者：杨增荣王怀彬田密密李军会赵龙莲中国农业大学信息与电气工程学院北京100083 现代精细农业系统集成研究教育部重点实验室北京100083

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采... 详细信息

苹果早期轻微瘀伤是影响苹果品质的重要因素。早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。首先采用傅里叶变换近红外光谱仪采集80个无损样品、60个轻度损伤样品以及60个重度损伤样品各自在损伤后0、10、20和30 min的近红外漫反射光谱;采用SNV作为光谱数据预处理方法,谱区范围选择4000~9000 cm^(-1);主成分个数为9,采用偏最小二乘法-判别分析(PLS-DA)和支持向量机(SVM)两种方法建立“无损-有损”二分类模型,预测集的平均识别率分别为85.00%和89.80%,模型识别效果有待提高。在以上实验结果的基础上,使用波段范围为1000~2350 nm的近红外相机采集无损、轻度瘀伤、中度瘀伤和重度瘀伤的100个苹果样品的近红外图像,相机加装1150和1400 nm的滤光片后分别再次采集这些苹果样品的近红外图像,所有图像均在瘀伤产生后立即采集。共采集3个波段、4种瘀伤程度的苹果样本图像共1200张。提取图像吸光度信息并分别建立KNN、SVM和DT分类模型,DT法“无损-损伤”二分类模型和“无损-轻度-重度”三分类模型的识别率最高,分别为99.00%和94.67%。相比基于近红外光谱的苹果早期外部瘀伤识别方法,近红外相机多波段成像法在苹果表面早期瘀伤和瘀伤程度分类的应用中都有更高的识别准确率。与此同时近红外相机成像方法方便确定瘀伤的位置,这为苹果表面瘀伤的实时在线检测与分类提供了一种快速高效的新思路。

关键词：近红外光谱近红外相机成像苹果早期瘀伤

来源：评论

学校读者我要写书评

暂无评论

日光温室作物冠层夏季光照强度与空气温湿度时空变化规律研究

引用

农业机械学报 2024年第5期55卷 368-378页

作者：吕欢欢牛源艺韩雨晓李顺达张漫李寒中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

针对温室内不同时间、位置的环境参数存在变异性,且随天气与季节变化,日光温室冠层光照强度、空气温度和空气相对湿度的分布差异性问题,构建了基于无线传感器网络的环境监测系统。环境感知节点部署在作物冠层位置,集成了光照强度、空气... 详细信息

针对温室内不同时间、位置的环境参数存在变异性,且随天气与季节变化,日光温室冠层光照强度、空气温度和空气相对湿度的分布差异性问题,构建了基于无线传感器网络的环境监测系统。环境感知节点部署在作物冠层位置,集成了光照强度、空气温湿度等传感器。首先,基于实时采集的温室环境数据,采用反距离加权算法进行插值分析,得到环境参数的离散曲面;其次,通过基于质心坐标的K-means聚类算法,得到了温室内连通及非连通区域的代表性特征点;最后,采用半变异函数与变异系数方法对温室环境的空间变异性与时间变异性进行分析。实验结果表明,夏季日光温室在下午表现为高温与高光照,08:00、16:00的光照强度分别为12:00的24.2%、72.9%,08:00的空气温度(27.7℃)较12:00、16:00低约6.0℃,对应的空气湿度(90%)高约30%。晴天最大光照强度分别为阴天、雨天的1.4倍和4.6倍,晴天、阴天最高空气温度高于雨天(29.5℃)约6℃,最小空气相对湿度远低于雨天(84%)。夏季日光温室晴天与阴天表现为高温和低湿,雨天表现为高湿和低光照。各环境参数中,光照强度的空间变异性最强,变程为10.34 m。空气温湿度的空间变异性较弱,整体分布均匀。光照强度、空气温度和空气相对湿度的时间变异性均为中等变异程度。环境参数的特征点及时空变化规律有助于日光温室传感器的高效部署,为揭示作物与环境的交互作用提供了基础。

关键词：日光温室光照强度空气温湿度时空变化 K-means 无线传感器网络

来源：评论

学校读者我要写书评

暂无评论

基于GBDT和Google Earth Engine的冬小麦种植结构提取

引用

光谱学与光谱分析 2023年第2期43卷 597-607页

作者：张海洋张瑶田泽众吴江梅李民赞刘凯迪中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状,如何实现目标作物的高精度识别与制图对作物产量估算、粮食政策调整和国家粮食安全保障具有十分重要意义。基于Google Earth Engine(GEE)遥感数据处理云平台,提出一种冬小麦不... 详细信息

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状,如何实现目标作物的高精度识别与制图对作物产量估算、粮食政策调整和国家粮食安全保障具有十分重要意义。基于Google Earth Engine(GEE)遥感数据处理云平台,提出一种冬小麦不同生育期的种植结构提取方法,该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源,综合考虑光谱波段特征、光谱指数特征、纹理特征和地形特征等多维特征变量,利用GBDT(gradient boosting decision tree)分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取,并探讨了冬小麦识别的最佳生育期。此外,对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。以河南陈固镇为研究区开展实验,实验结果显示,冬小麦在起身拔节期的地物识别准确率相对较高,总体分类准确率为94.61%,Kappa系数为92.68%;在抽穗扬花期的识别精度最高,总体分类准确率为97.01%,Kappa系数为95.52%;但在灌浆乳熟期的分类精度偏低,总体分类准确率为86.23%,Kappa系数为81.33%。研究结果表明,在冬小麦抽穗扬花期,GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取,进而取得较好的地物分类识别效果。此外,本研究将GBDT与传统分类器如随机森林(random forest,RF)、CART(classification and regression tree)和朴素贝叶斯(Naive Bayesian,NB)进行相比。结果表明,GBDT分类器的地物识别效果最佳,总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%,Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%,朴素贝叶斯分类器的识别效果最差,总体分类准确率和Kappa系数分别为84.43%和78.69%。研究结果可为田块尺度作物精细提取提供有效的技术支持。

关键词： Google Earth Engine GBDT分类器 Sentinel-2卫星传感器冬小麦种植结构提取

来源：评论

学校读者我要写书评

暂无评论

利用CARS-CNN模型的土壤有机质含量高光谱预测

引用

光谱学与光谱分析 2024年第8期44卷 2303-2309页

作者：李浩于滈曹永研郝子源杨玮李民赞中国农业大学“智慧农业系统集成研究”教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光... 详细信息

卷积神经网络(CNN)在数据特征提取方面具有巨大优势,能充分获取数据特征,相较于传统模型具有更好的泛化性。基于CNN开展了土壤有机质(SOM)含量高光谱预测方法及模型研究。以北京市昌平区上庄实验站的320个土壤样本为研究对象,提取可见光-近红外(VIS-NIR)350~1700 nm内的807个光谱波段,通过多元散射校正(MSC)和一阶微分变换进行光谱数据去噪和变换。分别使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)筛选敏感波长实现光谱数据降维。为解决传统手段泛化性差以及深层CNN网络复杂且负载过大的问题,基于CARS与SPA算法,提出一种基于6层卷积层的浅层CNN模型预测,并对比具有不同卷积尺寸和卷积数量的1D-CNN1、1D-CNN2以寻找最优网络参数。通过对比VGG16、支持向量回归(SVR)、最小二乘回归(PLSR)、随机森林(RF)建立预测模型在特征波长以及全波段的表现确定最佳模型。结果表明,相比于全谱波段和SPA筛选算法,基于CARS筛选特征波长建立的模型整体表现更好,波段数量被压缩至全波段的8%,有效实现了光谱数据的降维。对比全波段数据,基于CARS筛选波长的1D-CNN1、1D-CNN2的表现更好,模型预测R2分别提升了0.028,0.018;RMSE分别降低了0.150和0.107 g·kg^(-1)。整体上,基于CARS的1D-CNN1模型表现最好,预测R2=0.846,RMSE=3.145 g·kg^(-1),降低了网络负载的同时提高了模型精度,同时也证明了小尺寸卷积的表现优于更多数量的大尺寸卷积,能够更好的获取数据特征。通过CARS筛选特征波长结合浅层CNN建立SOM含量预测模型,为建立高精度的SOM含量预测模型提供了方法与参考。

关键词：土壤有机质卷积神经网络高光谱精细农业

来源：评论

学校读者我要写书评

暂无评论

基于多光谱图像的土壤有机质含量检测系统与APP研究

引用

农业机械学报 2023年第9期54卷 270-278页

作者：杨玮于滈李浩曹永研郝子源中国农业大学智慧农业系统集成研究教育部重点实验室北京100083

受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N_DenseNet网络模型,在DenseN... 详细信息

受到土壤种类、水分等客观因素的干扰,基于图像预测土壤有机质(Soil organic matter, SOM)含量与传统方法在检测精度上仍存在差距,限制了相关技术的推广和普及。为提升基于图像预测SOM含量的精度,本研究提出N_DenseNet网络模型,在DenseNet169基础上加入多尺度池化模块,通过获取更多的维度特征提升模型的性能,并结合Android端开发SOM实时检测应用程序(APP),通过内网透射实现PC端与手机端数据的及时传输。以黑龙江省友谊县、北京市昌平区、山东省泰安市3地的350份土样为基础,通过手机以及多光谱无人机获取原位土壤的高清图像,R波段、红边波段与近红外波段图像,以丰富数据信息,并通过室内胁迫的方式拍摄土壤样品在不同水分梯度下的图像缓解水分对图像造成的影响。对比不同深度学习模型,基于多光谱图像数据训练的N_DenseNet表现最好,整体表现优于DenseNet169,测试集R~2为0.833,RMSE为3.943 g/kg,R~2相比于可见光数据提升0.016,证明了训练过程加入R波段与红边和近红外波段图像后有助于提升模型的性能,证明了该方法的可行性。手机端APP与后台端数据相连实现数据实时传输,实现了田间土样SOM含量的实时预测,经田间试验验证,模型预测集R~2为0.805,检测时间为2.8 s,满足了田间SOM含量检测的需求,为SOM含量实时检测提供了新的思路。

关键词：土壤有机质检测系统多光谱图像深度学习 Android APP

来源：评论

学校读者我要写书评

暂无评论

基于3D激光雷达的鸡舍通道中心线检测方法

引用

农业工程学报 2024年第9期40卷 173-181页

作者：韩雨晓李帅王宁安娅军张漫李寒中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体... 详细信息

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.97 ms,比LSM算法得到的平均绝对误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。

关键词：导航机器人激光雷达鸡舍 K-means聚类随机抽样一致性算法中心线拟合

来源：评论

学校读者我要写书评

暂无评论

基于特征波长的接触式作物叶绿素检测系统

引用

农业机械学报 2024年第S2期55卷 255-262页

作者：张春琪刘梦姝晁金阳唐彬李民赞孙红中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学烟台研究院烟台264670 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

基于叶绿素分子在可见光和近红外光谱区间(波段400~1000 nm)对光的吸收和反射的敏感特性,设计了一种接触式作物叶绿素检测系统,来实现作物叶绿素含量的无损、快速和准确检测。使用高光谱相机采集玉米叶部397~1003 nm反射光谱,并使用分... 详细信息

基于叶绿素分子在可见光和近红外光谱区间(波段400~1000 nm)对光的吸收和反射的敏感特性,设计了一种接触式作物叶绿素检测系统,来实现作物叶绿素含量的无损、快速和准确检测。使用高光谱相机采集玉米叶部397~1003 nm反射光谱,并使用分光光度法萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MCUVE)算法在10~50个特征波长内进行变量筛选,发现采用30个特征波长时具有最优的叶绿素含量检测能力,同时通过连续投影(SPA)算法进行特征波长筛选,2种算法共得到7个重合特征波长,又通过对波段和叶绿素含量进行相关性分析,剔除低相关性波段,最终得到6个特征波长。根据筛选出的特征波长对接触式图像传感器波段进行选型,设备的硬件主要包括传感器图像采集、主控制器、电源等模块,实现作物叶部近红外和可见光反射光谱数据采集、处理、显示和存储功能。开展传感器性能测试和田间应用测试,通过分析获取的多光谱图像的反射率构建叶绿素含量偏最小二乘(PLS)检测模型,验证集决定系数为0.705;通过分析各植被指数与叶绿素含量的相关性,选取了相关性较高的归一化红边植被指数(NDRE)、绿红差值植被指数(GMR)和地面叶绿素指数(MTCI)进一步组合建模,检测模型精度提高到0.713,最终将模型嵌入系统实现了田间叶绿素含量快速检测,为作物长势分析提供了技术支持。

关键词：叶绿素含量检测多光谱成像特征波长

来源：评论

学校读者我要写书评

暂无评论

基于YOLO v8n改进的小麦病害检测系统

引用

农业机械学报 2024年第S1期55卷 280-287,355页

作者：刘梦姝张春琪晁金阳唐彬张鹏磊李民赞孙红中国农业大学烟台研究院烟台264670 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083

针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信... 详细信息

针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信小程序模块,云服务器端主要用于图像接收和模型处理;使用CSS和Java Script语言开发微信小程序,用于实现数据上传、信息反馈与信息显示。为保证模型在云服务器部署的可行性,提出一种基于YOLO v8n改进的小麦病害检测模型(C2f-Faster-Slim-Neck-YOLO v8n,CS-YOLO)。该模型结合FasterNet轻量化优点,使用FasterNet中的FasterNet Block替换C2f中Bottleneck模块,降低模型内存占用量的同时,提高模型特征融合能力和检测精度。在颈部网络使用GSConv并采用Slim-Neck设计范式中的VoV-GSCSP模块对YOLO v8n的Neck进行改进,降低模型计算量的同时提高模型检测精度。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型浮点运算量及模型内存占用量相比YOLO v8n基线模型分别降低24.4%和17.5%,同时平均精度均值相较于原模型提高1.2个百分点,且优于YOLO v3-tiny、YOLO v5、YOLO v6、YOLO v7和YOLO v7-tiny算法。最后将轻量化检测模型CS-YOLO部署到云服务器上,将检测功能转化为API接口,小程序利用请求调用其接口调用服务器连接,服务器收到请求后,将数据传递给部署在云服务器上的模型,用户通过使用微信小程序调用检测模型对病害图像进行类型识别和病害位置检测,平均精度均值为89.2%,可为小麦病害识别类型和检测病害位置提供技术支持。

关键词：小麦病害检测深度学习 YOLO v8模型微信小程序

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：