亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于橢圓型度量學(xué)習(xí)的小麥葉部病害識(shí)別

        2019-01-05 08:02:22鮑文霞張東彥
        關(guān)鍵詞:橢圓型直方圖度量

        鮑文霞 趙 健 張東彥 梁 棟

        (安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心, 合肥 230601)

        0 引言

        農(nóng)作物病蟲(chóng)害是制約我國(guó)農(nóng)業(yè)生產(chǎn)的主要障礙,是影響作物產(chǎn)量的主要因素之一,同時(shí)也是限制我國(guó)農(nóng)業(yè)優(yōu)質(zhì)、高效持續(xù)發(fā)展的主導(dǎo)因素[1-3]。小麥作為我國(guó)的主要糧食作物,其各種病害尤其是白粉病對(duì)其產(chǎn)量和質(zhì)量具有較大的影響[4],針對(duì)小麥白粉病,一般通過(guò)噴灑農(nóng)藥來(lái)進(jìn)行防治,過(guò)量的農(nóng)藥施用導(dǎo)致農(nóng)產(chǎn)品中殘留超標(biāo),影響農(nóng)產(chǎn)品質(zhì)量;同時(shí),也對(duì)環(huán)境造成巨大的負(fù)擔(dān),對(duì)人力、財(cái)力造成巨大的浪費(fèi)。為了能正確、適量地使用農(nóng)藥,高效地防治病蟲(chóng)害,需要準(zhǔn)確、實(shí)時(shí)地識(shí)別出病害的嚴(yán)重程度[5]。

        近年來(lái),圖像處理、模式識(shí)別等技術(shù)被廣泛應(yīng)用于農(nóng)作物病害識(shí)別領(lǐng)域,并取得了顯著效果[6-21]。但仍存在一些問(wèn)題:大多研究針對(duì)農(nóng)作物不同病害的識(shí)別,對(duì)于農(nóng)作物病害嚴(yán)重程度的研究相對(duì)較少;對(duì)于特征提取,大多直接提取顏色、紋理、形狀等特征,而沒(méi)有考慮由于樣本圖像拍攝視角變化和小麥葉片本身彎曲、傾斜、缺損等而容易造成分類(lèi)識(shí)別率下降的問(wèn)題;大多采用支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等方法完成對(duì)農(nóng)作物病害圖像的識(shí)別,這些傳統(tǒng)的機(jī)器學(xué)習(xí)方法的目標(biāo)函數(shù)主要采用歐氏距離的度量方法,它將輸入樣本空間看成是各向同性的,然而各向同性假設(shè)在眾多實(shí)際應(yīng)用中不成立,不能準(zhǔn)確地反映數(shù)據(jù)樣本維度分量之間的潛在關(guān)系。本文在完成病害圖像病斑分割的基礎(chǔ)上,提出一種基于滑窗最大值(Moving window maximum, MWM)的病斑圖像特征提取方法,并且引入對(duì)樣本數(shù)據(jù)具有更好適應(yīng)性的橢圓型度量,提出一種度量學(xué)習(xí)方法,實(shí)現(xiàn)對(duì)小麥白粉病嚴(yán)重程度的識(shí)別,為農(nóng)作物葉片病害的嚴(yán)重程度智能識(shí)別提供參考。

        1 樣本采集及特征提取

        1.1 樣本采集

        小麥葉部病害圖像樣本均在北京市農(nóng)林科學(xué)院試驗(yàn)基地采集。輕度、中度和重度3種嚴(yán)重程度的白粉病葉片圖像共210幅。隨機(jī)選取其中的150幅作為訓(xùn)練樣本,另外60幅作為測(cè)試樣本,具體樣本分布見(jiàn)表1。按照病斑面積與整個(gè)葉片面積的比值R來(lái)界定病害嚴(yán)重程度[21]:050%為重度,部分病害圖像如圖1所示。

        1.2 病斑分割

        病斑分割是農(nóng)作物葉部病害識(shí)別的重要環(huán)節(jié),其分割效果對(duì)病斑特征提取和病害識(shí)別的影響顯著。以圖2a為例,先將顏色空間轉(zhuǎn)換到Lab空間,通過(guò)觀察,樣本圖像a、b分量的灰度直方圖存在較明顯的兩個(gè)尖峰,如圖3所示,因此利用最大類(lèi)間方差法計(jì)算得到a、b分量灰度閾值分別為114.5和137.5,繼而利用閾值分割將樣本圖像轉(zhuǎn)換為二值圖,將得到的a、b分量二值圖進(jìn)行異或運(yùn)算,接著利用6像素×6像素的方形結(jié)構(gòu)元素對(duì)異或后的圖像進(jìn)行先開(kāi)后閉的圖像增強(qiáng)運(yùn)算,從而實(shí)現(xiàn)葉片分割,如圖2b所示。

        表1 不同嚴(yán)重程度樣本分布Tab.1 Sample distribution of different severities

        圖1 不同嚴(yán)重程度小麥葉片白粉病圖像Fig.1 Leaves images of wheat powdery mildew with different severities

        在得到葉片分割圖像后,分別提取葉片圖像的R、G、B分量圖,利用超紅特征值2R-G-B[21]得到R、G、B分量運(yùn)算后的超紅特征圖,接著利用最大類(lèi)間方差法計(jì)算超紅特征圖的閾值為27.11,利用該閾值對(duì)圖像進(jìn)行分割并利用3像素×3像素的方形結(jié)構(gòu)元素對(duì)圖像進(jìn)行開(kāi)運(yùn)算,將病斑從葉片中分割出來(lái),分割后的病斑圖像如圖2c所示。

        圖2 小麥葉片白粉病病斑分割圖Fig.2 Leaves images of wheat powdery mildew spot segmentation map

        圖3 a、b分量灰度直方圖Fig.3 Gray histograms of a and b components

        1.3 特征提取

        在模式識(shí)別領(lǐng)域,大量學(xué)者通過(guò)實(shí)驗(yàn)研究證明,利用不同的特征對(duì)目標(biāo)進(jìn)行描述,往往能夠互補(bǔ)從而提高分類(lèi)結(jié)果。顏色特征是小麥葉部病害的一個(gè)非常重要的外觀特征,也是進(jìn)行病害診斷時(shí)的一個(gè)重要依據(jù),顏色直方圖是許多植物病害識(shí)別系統(tǒng)中被廣泛采用的顏色特征,其中HSV空間更符合人眼的主觀判斷,是直方圖最常用的顏色空間,它的3個(gè)分量分別代表色彩(Hue,H)、飽和度(Saturation,S)和亮度(Value,V);紋理是能夠反映區(qū)域內(nèi)像素灰度級(jí)空間的屬性,而局部二值模式(Local binary pattern, LBP)常用來(lái)描述圖像局部紋理特征,具有灰度不變性和旋轉(zhuǎn)不變性等顯著優(yōu)點(diǎn)。

        本文利用HSV顏色直方圖和LBP統(tǒng)計(jì)直方圖,針對(duì)小麥葉片可能存在彎曲、傾斜、缺損等問(wèn)題,使用滑窗法來(lái)提取病害葉片的MWM局部細(xì)節(jié)特征。具體地,如圖4所示,對(duì)于每一幅樣本圖像(尺寸為880像素×120像素)采用10像素×10像素的子窗口,步長(zhǎng)為5個(gè)像素掃描整幅圖像,在每個(gè)子窗口中,將HSV顏色空間量化為512個(gè)顏色小區(qū)間,每個(gè)顏色小區(qū)間的直方圖代表著其在子窗口中出現(xiàn)的概率,同樣地,每個(gè)子窗口也提取它的LBP統(tǒng)計(jì)直方圖特征,對(duì)每個(gè)子窗口中的某個(gè)像素,將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較,若周?chē)袼鼗叶却笥谥行南袼鼗叶?,則該像素點(diǎn)的位置被標(biāo)記為1,否則為0。這樣,3×3鄰域內(nèi)的8個(gè)點(diǎn)經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù),將8位二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制作為該像素點(diǎn)的LBP值,然后計(jì)算每個(gè)子窗口的直方圖,即每個(gè)數(shù)字出現(xiàn)的頻率;再在同一水平高度的子窗口中,取HSV和LBP統(tǒng)計(jì)直方圖最大的值組成一個(gè)新的子窗口,這樣,最后得到的特征向量是同一水平高度上統(tǒng)計(jì)直方圖特征最大化的特征向量。

        圖4 MWM特征提取過(guò)程Fig.4 Process of MWM feature extraction

        考慮到多尺度信息,將原圖分別縮小1倍和2倍,建立三尺度圖像金字塔,同樣運(yùn)用以上方法提取其MWM特征,將縮放后提取的特征組合在一起,構(gòu)成一個(gè)新的特征向量X=(x1,x2,…,xn)T來(lái)描述小麥的葉部白粉病。此外,為了消除不同特征向量和向量單位的影響,對(duì)數(shù)據(jù)特征向量X作歸一化處理,歸一化后的特征向量記為=(1,2,…,n)T,其中

        (1)

        2 橢圓型度量學(xué)習(xí)

        基于圖像處理的農(nóng)作物病蟲(chóng)害識(shí)別方法中對(duì)病害圖像特征進(jìn)行距離度量至關(guān)重要,然而圖像特征受視角、光照等因素的影響不同,常用的歐氏距離、曼哈頓距離等標(biāo)準(zhǔn)的距離度量方法平等地對(duì)待每一種特征,而不會(huì)剔除那些獨(dú)立使用時(shí)效果很差的特征。因此,本文引入橢圓型度量理論,尋找一種能夠反映樣本空間結(jié)構(gòu)信息或語(yǔ)義信息的分式線性變換,從而使得橢圓型度量具有更好的區(qū)分性。

        2.1 橢圓型度量

        給定一個(gè)可逆對(duì)稱矩陣Ω∈Rn×n,誘導(dǎo)出x、y的雙線性形式為

        ω(x,y)=xTΩy(x、y∈Rn)

        (2)

        式中x、y——樣本特征向量

        ω——x、y關(guān)于Ω的雙線性函數(shù)

        下面統(tǒng)一采用ω(x,y)的簡(jiǎn)化形式ωxy來(lái)表示。當(dāng)Ω是正定,ωxy可誘導(dǎo)出橢圓型度量幾何,令En={x∈Rn:ωxx>0},定義dE:En×En→R+,橢圓型度量計(jì)算公式為

        (3)

        式中dE(x,y)——樣本x、y的橢圓型度量

        i——虛數(shù)單位

        ωxx——x、x關(guān)于Ω的雙線性函數(shù)

        ωyy——y、y關(guān)于Ω的雙線性函數(shù)

        k——曲率半徑

        2.2 橢圓型度量矩陣

        橢圓型度量依賴一個(gè)對(duì)稱矩陣Ω,定義一個(gè)正定對(duì)稱矩陣則可確定一個(gè)橢圓型度量,因此稱Ω為橢圓型度量矩陣。數(shù)據(jù)的統(tǒng)計(jì)特性在一定程度上反映了樣本數(shù)據(jù)的幾何結(jié)構(gòu),因此可根據(jù)樣本的類(lèi)內(nèi)與類(lèi)間高斯分布的對(duì)數(shù)似然比定義橢圓型度量矩陣。

        對(duì)于特征向量Xi、Xj,它們的樣本差異Δ=Xi-Xj,根據(jù)二次判別分析法[22],用高斯概率模型來(lái)擬合小麥白粉病不同嚴(yán)重度以及相同嚴(yán)重度樣本特征之間的差值分布,同類(lèi)樣本差異Δ符合變量ξI的高斯分布,異類(lèi)樣本差異Δ符合變量ξE的高斯分布,即

        (4)

        (5)

        式中P——概率

        ξI——同類(lèi)樣本差異擬合變量

        ξE——異類(lèi)樣本差異擬合變量

        ΣI、ΣE——ξI、ξE差值分布的協(xié)方差矩陣

        將其進(jìn)行對(duì)數(shù)似然比可得

        (6)

        將其簡(jiǎn)化為

        (7)

        由此定義橢圓型度量矩陣Ω為

        (8)

        2.3 度量學(xué)習(xí)

        經(jīng)1.3節(jié)病害的特征提取,得到的特征維數(shù)較高,其中含有與病害識(shí)別無(wú)關(guān)的信息和相關(guān)性非常高的冗余信息,而這些信息會(huì)影響到分類(lèi)識(shí)別的效果。傳統(tǒng)的方法通常先采用主成分分析法(PCA)對(duì)高維數(shù)據(jù)降維,然后在PCA子空間中進(jìn)行距離度量學(xué)習(xí)。但是,PCA在進(jìn)行降維時(shí)并未考慮特征間的分類(lèi)信息,由此可能會(huì)增加分類(lèi)的難度。為了保持最大化的分類(lèi)信息,在降維的同時(shí)學(xué)習(xí)橢圓型度量矩陣,充分考慮到維數(shù)降低對(duì)度量學(xué)習(xí)分類(lèi)結(jié)果的影響。

        對(duì)初始特征xi、xj∈Rd,通過(guò)降維矩陣W∈Rd×r(r

        (9)

        其中

        為了將樣本分開(kāi),使得類(lèi)內(nèi)方差小,類(lèi)間方差大,通過(guò)增大方差的距離來(lái)增加區(qū)分度,對(duì)于矩陣W的列向量w,它的方差為σI(w)=wTΣIw,因此可以定義廣義瑞利熵來(lái)最大化方差之間的比值,為

        (10)

        使得J(w)最大化等價(jià)于

        (11)

        3 算法步驟

        基于橢圓型度量學(xué)習(xí)的小麥葉部病害識(shí)別算法步驟如下:

        (1)對(duì)采集來(lái)的病害圖像進(jìn)行預(yù)處理并進(jìn)行病斑分割。

        (3)利用二次判別分析,用高斯概率模型來(lái)擬合小麥白粉病不同嚴(yán)重度以及相同嚴(yán)重度樣本特征之間的差值分布,分別計(jì)算協(xié)方差矩陣ΣI、ΣE,通過(guò)求解式(11)得到降維矩陣W,相應(yīng)地由式(9)得到橢圓型度量矩陣Ω(W)。

        (4)最后利用特征子空間橢圓型度量dE(x,y)計(jì)算測(cè)試集和訓(xùn)練集之間的距離,取每個(gè)測(cè)試樣本距離前5個(gè)樣本的平均距離作為最后的判斷依據(jù)。

        算法流程圖如圖5所示。

        圖5 算法流程圖Fig.5 Flow chart of algorithm

        4 實(shí)驗(yàn)與分析

        實(shí)驗(yàn)在Matlab 2016b上進(jìn)行,為了驗(yàn)證基于橢圓型度量學(xué)習(xí)的小麥葉部病害識(shí)別算法的有效性,對(duì)提取的MWM特征和分類(lèi)器分別進(jìn)行對(duì)比實(shí)驗(yàn)。

        4.1 不同特征對(duì)比實(shí)驗(yàn)

        方向梯度直方圖(Histogram of oriented gradient, HOG)特征對(duì)圖像幾何和光學(xué)形變具有良好的不變性,越來(lái)越多的研究者將HOG特征用于農(nóng)作物病蟲(chóng)害識(shí)別上并取得了較好的結(jié)果[23-24]??紤]到HOG特征提取方法是在灰度圖像上進(jìn)行的,沒(méi)有充分利用圖像的顏色信息,因此文獻(xiàn)[23]結(jié)合HOG特征和HSV顏色特征進(jìn)行植物病蟲(chóng)害的識(shí)別;另外,顏色紋理形狀特征(Color texture shape features)也是農(nóng)作物病蟲(chóng)害識(shí)別領(lǐng)域常用的圖像特征,這里的顏色紋理形狀特征特指文獻(xiàn)[17,21]中提到的特征描述方法:RGB、HSI和YCbCr顏色空間的顏色成分R、G、B、H、S、I、Y、Cb、Cr的灰度均值作為顏色特征,利用灰度共生矩陣法分別計(jì)算病斑區(qū)域的對(duì)比度、相關(guān)性、能量、慣性矩和熵的均值和方差作為紋理特征,計(jì)算病斑區(qū)域的圓形度、偏心率、形狀復(fù)雜性和形狀參數(shù)作為形狀特征。

        為了驗(yàn)證1.3節(jié)所述MWM特征提取方法的有效性,對(duì)病斑圖像分別提取MWM特征、HSV顏色特征結(jié)合HOG特征、HSV特征、LBP特征、HOG特征以及顏色紋理形狀特征[17,21],都采用本文橢圓型度量學(xué)習(xí)對(duì)特征進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果利用經(jīng)典評(píng)價(jià)指標(biāo)累積匹配曲線(Cumulative match characteristic,CMC)來(lái)表示,CMC曲線表示測(cè)試集中所選測(cè)試圖與目標(biāo)圖第n次成功匹配的概率,實(shí)驗(yàn)結(jié)果如圖6所示。

        圖6 累積匹配曲線Fig.6 Cumulative match characteristic (CMC) curves

        在均使用橢圓型度量學(xué)習(xí)這一分類(lèi)器的基礎(chǔ)上,可以看出:?jiǎn)我惶卣?HSV特征、HOG特征和LBP特征)在不同匹配次數(shù)上識(shí)別正確率各有高低,其中LBP特征在匹配次數(shù)為1時(shí)識(shí)別率雖低于HSV特征與HOG特征,但在其他次數(shù)上LBP特征識(shí)別率均領(lǐng)先,可以估計(jì)當(dāng)測(cè)試樣本較多時(shí),LBP特征將具有更好的魯棒性。融合特征往往比單一的特征描述取得更高的識(shí)別正確率,從圖6中可以看出,HSV+HOG特征要比單一的HSV、HOG特征識(shí)別正確率要高,而在1.3節(jié)中提到的MWM特征提取方法(即滑窗最大值法提取HSV特征和LBP特征)也比單一的HSV、LBP特征識(shí)別正確率要高。MWM特征提取方法比起HSV+HOG特征、顏色紋理形狀特征取得了更好的分類(lèi)識(shí)別正確率。

        因此,本文提出的MWM特征提取方法選取了顏色信息豐富的HSV特征和魯棒性更好的LBP特征作為融合特征來(lái)互補(bǔ)共同描述病斑特征,同時(shí)提取特征的過(guò)程中,最大化了同一水平高度上每個(gè)子窗口特征統(tǒng)計(jì)直方圖的值,在損失少量特征信息的情況下保留了更好的特征信息,有效地去除了特征冗余,有效解決了小麥葉片可能存在彎曲、傾斜、缺損等問(wèn)題,證明了MWM特征提取方法的有效性。

        4.2 不同分類(lèi)器對(duì)比實(shí)驗(yàn)

        采用同樣的訓(xùn)練樣本和測(cè)試樣本,將提取的MWM特征分別送入SVM分類(lèi)器、BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器以及橢圓型度量學(xué)習(xí)分類(lèi)器進(jìn)行分類(lèi)識(shí)別,結(jié)果如圖7~9所示,圖中標(biāo)簽1~3分別對(duì)應(yīng)白粉病輕、中、重。對(duì)SVM分類(lèi)器進(jìn)行交叉驗(yàn)證多次尋優(yōu),選擇出最優(yōu)的c、g參數(shù),最終的小麥白粉病輕、中、重3種嚴(yán)重度分類(lèi)正確率為88.33%。使用BP神經(jīng)網(wǎng)絡(luò)時(shí)網(wǎng)絡(luò)參數(shù)經(jīng)過(guò)多次試驗(yàn),選擇出最優(yōu)參數(shù),由于神經(jīng)網(wǎng)絡(luò)每次測(cè)試結(jié)果均存在細(xì)微差別,這里使用了多次測(cè)試的平均結(jié)果,平均識(shí)別正確率為90%;采用橢圓型度量學(xué)習(xí)分類(lèi)器時(shí)識(shí)別正確率達(dá)到100%。

        圖7 SVM分類(lèi)器識(shí)別結(jié)果Fig.7 SVM classifier

        圖8 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器識(shí)別結(jié)果Fig.8 BP neural network classifier

        通過(guò)控制變量法,比較了SVM、BP神經(jīng)網(wǎng)絡(luò)、橢圓型度量學(xué)習(xí)分類(lèi)器的分類(lèi)性能,橢圓型度量學(xué)習(xí)分類(lèi)器取得了更好的識(shí)別效果。這是因?yàn)楸绕饌鹘y(tǒng)的SVM、BP神經(jīng)網(wǎng)絡(luò),橢圓型度量能夠反映特征空間結(jié)構(gòu)信息或語(yǔ)義信息的分式線性變換,對(duì)特征具有更好的區(qū)分性,能夠更好地對(duì)特征潛在關(guān)系進(jìn)行建模;在對(duì)特征降維的同時(shí)考慮了對(duì)橢圓型度量學(xué)習(xí)的影響,因此橢圓型度量學(xué)習(xí)分類(lèi)器能達(dá)到更高的識(shí)別正確率。

        圖9 橢圓型度量學(xué)習(xí)分類(lèi)器識(shí)別結(jié)果Fig.9 Elliptical metric learning classifier

        5 結(jié)束語(yǔ)

        基于橢圓型度量學(xué)習(xí)的小麥葉部病害識(shí)別算法,提出了一種MWM特征表示方法,同時(shí)提出了一種將降維和度量學(xué)習(xí)同時(shí)進(jìn)行的橢圓型度量學(xué)習(xí)方法,對(duì)小麥白粉病嚴(yán)重度進(jìn)行分類(lèi)。通過(guò)對(duì)不同特征、不同分類(lèi)器進(jìn)行對(duì)比實(shí)驗(yàn),驗(yàn)證了該方法的有效性,可以滿足智能識(shí)別小麥白粉病嚴(yán)重度的需求,同時(shí)該算法對(duì)于農(nóng)作物病害嚴(yán)重度的識(shí)別推廣具有較好的借鑒意義。

        猜你喜歡
        橢圓型直方圖度量
        有趣的度量
        統(tǒng)計(jì)頻率分布直方圖的備考全攻略
        符合差分隱私的流數(shù)據(jù)統(tǒng)計(jì)直方圖發(fā)布
        一類(lèi)帶臨界指數(shù)增長(zhǎng)的橢圓型方程組兩個(gè)正解的存在性
        模糊度量空間的強(qiáng)嵌入
        迷向表示分為6個(gè)不可約直和的旗流形上不變愛(ài)因斯坦度量
        用直方圖控制畫(huà)面影調(diào)
        一類(lèi)擬線性橢圓型方程的正解
        地質(zhì)異常的奇異性度量與隱伏源致礦異常識(shí)別
        基于直方圖平移和互補(bǔ)嵌入的可逆水印方案
        国产av一级黄一区二区三区| 在线天堂中文一区二区三区| 国产麻豆精品久久一二三| 日本a爱视频二区三区| 国产欧美一区二区精品久久久| 少妇厨房愉情理伦片免费| 欧美成人精品福利在线视频| 不卡av一区二区在线| 18国产精品白浆在线观看免费 | 精品高清国产乱子伦| 亚洲av色在线播放一区| 国产精品久久久久精品一区二区| 天堂在线www中文| 亚洲在线一区二区三区四区| 日本久久精品视频免费| 久久国产亚洲高清观看| 国内精品一区视频在线播放| 极品少妇被后入内射视| 午夜被窝精品国产亚洲av香蕉 | 欧美日一本| 日本少妇熟女一区二区| 午夜射精日本三级| 国产精品成人va| 日本精品熟妇一区二区三区| 人妖一区二区三区四区| 国产97在线 | 免费| 久久精品视频91| 中文字幕人妻一区二区二区| 亚洲欧美v国产一区二区| 成人性生交大片免费看r| 久久亚洲中文字幕精品一区四 | 国产精品无码人妻在线| 成 人 网 站 免 费 av| 亚洲黄片高清在线观看| 麻豆精品一区二区综合av| 国产高潮刺激叫喊视频| 精品国产一区二区三区久久女人| 亚洲国产精品久久久婷婷| 未满十八勿入av网免费| 制服丝袜天堂国产日韩| 一区二区在线观看日本免费|