CN102937575B - 一种基于二次光谱重组的西瓜糖度快速建模方法 - Google Patents
一种基于二次光谱重组的西瓜糖度快速建模方法 Download PDFInfo
- Publication number
- CN102937575B CN102937575B CN201210474557.XA CN201210474557A CN102937575B CN 102937575 B CN102937575 B CN 102937575B CN 201210474557 A CN201210474557 A CN 201210474557A CN 102937575 B CN102937575 B CN 102937575B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- watermelon
- equal intervals
- pol
- new spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种基于二次光谱重组的西瓜糖度快速建模方法。该方法的步骤如下：采集西瓜的漫透射光谱，选取高信噪比光谱范围内J个波长下的光谱；测定西瓜的糖度值；对J个波长下的光谱，采用等间隔抽取光谱法或等间隔平均光谱法重构新光谱矩阵，设置等间隔点数j，其中1≤j≤J/2，j为正整数，对J个波长下的光谱进行重构并对新光谱矩阵的建模效果进行比较，自适应优选相关系数在0.8以上的新光谱矩阵；对相关系数在0.8以上的新光谱矩阵进行光谱预处理；用筛选出的漫透射光谱与西瓜的糖度值建立西瓜糖度的预测模型，实现对西瓜糖度的在线检测。本发明也可用于其他水果糖度、酸度、硬度等内部品质的检测研究。
Description
技术领域
本发明涉及一种西瓜糖度建模方法，尤其是涉及一种基于二次光谱重组的西瓜糖度快速建模方法。
背景技术
随着科学技术的发展和人民生活水平的不断提高，人们对水果的外观、风味和营养等品质要求也越来越高。传统的水果内部品质检测方法均属于有损检测，不能满足水果内部品质无损检测、实时分级的发展需求。
基于光谱分析无损检测技术随着多年的发展，仪器价格已经平民化，甚至由于该方法无需使用化学试剂的特点，检测费用比某些传统国标方法低，以及其操作简单、可实现快速无损、在线实时检测的特点，已经广泛用于农产品内部品质检测。但是该技术也具有局限性，对于西瓜这种厚皮类瓜果来说，它们体积较大、皮厚多变以及含水量高，使得获取的光谱信息较弱，同时由于光谱检测器相邻波长间隔小、数据量大，往往会使计算工作量大而限制在线检测的速度，使水果高速在线检测时间短的要求难以达到。因此需要设法提高获取的光谱信号，使有效信息充分表达，并且对波长进行数据筛选，剔除不相关或非线性变量进行剔除，简化数据运算，提高检测速度，满足高速在线检测的要求。
由于西瓜糖度是衡量西瓜成熟度的一项重要指标，通过化学计量学方法建立模型，可以使与西瓜糖度相关的光谱信息得到有效的提取，等间隔抽取光谱法或等间隔平均光谱法重构的新光谱矩阵，可以使光谱数据量大大减少，利用筛选出的光谱变量建立对西瓜糖度的预测模型，计算速度快，可以满足对西瓜糖度在线检测的要求。
发明内容
为了解决西瓜体积较大、皮厚多变、含水量高、光谱透射难度大，在基于光谱法的高速在线检测过程中难以精确快速检测其糖度等难题，本发明的目的在于提供了一种基于二次光谱重组的西瓜糖度快速建模方法，对西瓜糖度建立预测模型，有效提取了光谱信息，简化模型，提高建模效率。
本发明采用的技术方案的步骤如下：
1）采集西瓜的漫透射光谱，选取噪音平滑光谱范围内J个波长下的光谱；
2）测定西瓜的糖度值；
3）对J个波长下的光谱，采用等间隔抽取光谱法或等间隔平均光谱法重构新光谱矩阵，设置等间隔点数j，其中1≤j≤J/2，j为正整数，对J个波长下的光谱进行重构并对新光谱矩阵的建模效果进行比较，自适应优选相关系数在0.8以上的新光谱矩阵；
4）对相关系数在0.8以上的新光谱矩阵进行光谱预处理；
5）用筛选出的漫透射光谱与西瓜的糖度值建立西瓜糖度的预测模型，实现对西瓜糖度的在线检测。
所述采集西瓜的漫透射光谱，光谱采集试验装置由电脑、微型光谱仪、光纤、光源、透镜组成，光源为自制的光源装置，采用光谱采集软件进行漫透射光谱采集。
所述测定西瓜的糖度值，用榨汁机对西瓜榨汁，过滤后用数字折光仪测定糖度值，糖度值实为可溶性固形物含量。
所述等间隔抽取光谱法中抽取光谱Xi，等间隔点数j对J个波长下的光谱进行抽取后，得到由mi个数据点组成的新光谱矩阵，其中，1≤j≤J/2，i=j=1，2，3…..，J/2，mi=J/j，J/j为正整数，等间隔抽取光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立定量模型，并对建模效果进行比较，当j=J/2时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵。
所述等间隔平均光谱法中平均光谱Yi，等间隔点数j对J个波长下的光谱进行平均后，得到由ni个数据点组成的新光谱矩阵，其中，1≤j≤J/2，i=j=1，2，3…..，J/2，ni=J/j，J/j为正整数，等间隔平均光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立定量模型，并对建模效果进行比较，当j=J/2时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵。
所述光谱预处理采用Savitzky-Golay平滑处理、归一化、基线校正、标准归一化或多元散射校正对光谱进行处理。
所述建立定量模型的方法采用偏最小二乘回归（PLSR，Partial least squares regression）法、主成分回归（PCR，Principal component regression）法或逐步多元线性回归（SMLR，Stepwise multilinear regression）法等。
本发明具有的有益的效果是：
本发明通过等间隔点数j对J个波长下的光谱等间隔抽取或等间隔平均重构新光谱矩阵，并对重构后的新光谱矩阵的建模效果进行比较，自适应优选相关系数在0.8以上的新光谱矩阵，对相关系数在0.8以上的新光谱矩阵进行光谱预处理，以筛选出的漫透射光谱作为变量，建立偏最小二乘回归模型、主成分回归模型或逐步多元线性回归模型等，从而使光谱的有效信息充分表达，去除了冗余信息，提高了模型的运算速度。该快速建模方法可以满足高速在线检测的要求，完成在短时间内获取有效的光谱信号并建立精确的回归模型，提高了检测效率。
本发明也可用于其他水果糖度、酸度、硬度等内部品质的检测研究。
附图说明
图 1是本发明西瓜糖度快速建模方法的流程示意图。
图 2是本发明西瓜样本的可见/近红外漫透射光谱图。
图 3是本发明西瓜样本建模集糖度预测值和测量值的相关系数图。
图 4是本发明西瓜样本校正集糖度预测值和测量值的相关系数图。
具体实施方式
下面结合具体实施实例对本发明作进一步说明。
以西瓜的可见/近红外光谱为例，通过对西瓜的漫透射光谱进行二次光谱重组后，建立西瓜糖度预测模型，并对预测模型进行分析。
如图1所示，为西瓜糖度快速建模方法的流程示意图，如图2所示，为西瓜样本的可见/近红外漫透射光谱图，光谱范围为550~1020 nm，由于漫透射光谱两端信噪比较大，根据所采集到的光谱数据特征，去掉信噪比较大的光谱波段，选用680~1000 nm波长范围内的可见/近红外漫透射光谱。为了保证最后建立的模型的预测精度以及鲁棒性，先将全部样本按照糖度值大小排序，每三个样本抽取一个样本作为校正集，其余剩下的作为建模集，使得建模集糖度范围涵盖所有校正集的范围，将所有西瓜样本按照2:1的比例划分为建模集和校正集，73个作为建模集，有37个作为校正集。
所述等间隔抽取光谱法中抽取光谱Xi，根据所述的等间隔j设置抽取范围，等间隔点数j对574个波长下的光谱进行抽取后，得到由mi个数据点组成的新光谱矩阵，其中，1≤j≤287，i=j=1，2，3…..，287，mi=574/j，574/j为正整数，等间隔抽取光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立PLS模型，并对建模效果进行比较，当j=287时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵。
所述等间隔平均光谱法中平均光谱Yi，根据所述的等间隔j设置平均范围，等间隔点数j对574个波长下的光谱进行平均后，得到由ni个数据点组成的新光谱矩阵，其中，1≤j≤287，i=j=1，2，3…..，287，ni=574/j，574/j为正整数，等间隔平均光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立PLS模型，并对建模效果进行比较，当j=287时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵。
对相关系数在0.8以上的新光谱矩阵建立PLS回归模型通过相关系数（Correlation coefficient，r）、模型校正均方根误差（Root mean square error of calibration，RMSEC）以及模型预测均方根误差（Root mean square error of prediction，RMSEP）对模型的稳定性和准确性进行评价，r值越大，RMSEC和RMSEP越小，所建模型为较优模型，可以明显提高模型的预测精度。从分析结果可以看出，光谱抽取间隔为5得到115个变量的新光谱矩阵的相关系数大于0.8，建立的PLS模型RMSEC小于RMSEP，且两者比较接近，此时预测集的相关系数为0.812，RMSEP为0.655；在等间隔平均光谱时，以间隔为6平均光谱得到96个变量的新光谱矩阵的相关系数大于0.8，此时预测集的相关系数为0.803，RMSEP为0.625。
所述的光谱预处理方法，对光谱数据进行预处理，去除噪声、背景干扰以及被分析物不相关的信息。由于仪器、样品背景、环境条件及其他因素的影响，光谱常出现高频随机噪音、光谱信息多重相关、光散射、谱图基线平移和漂移等现象，为了消除这些不利因素对所建模型的影响，在建模前，可以通过不同的光谱预处理，消除非目标信息和仪器噪音干扰。对间隔为5等间隔抽取或间隔为6等间隔平均后的新光谱矩阵分别进行Savitzky-Golay平滑处理、归一化、基线校正、标准归一化、多元散射校正预处理之后分别建立PLS模型。间隔为5等间隔抽取以归一化预处理后的建模预测结果为最优，预测集的相关系数为0.838，RMSEP为0.556。其余三种预处理方法之后模型的预测精度有所降低，因此，在以后进一步进行回归模型分析时选用归一化处理之后的光谱值。间隔为5等间隔抽取光谱法重构的新光谱矩阵不同预处理结果如表1所示。
表1 等间隔为5抽取后新光谱矩阵经不同预处理后建立PLS模型的预测结果
| 预处理方法 | rcal | RMSEC | rpre | RMSEP |
| 原始 | 0.849 | 0.576 | 0.812 | 0.655 |
| Savitzky-Golay平滑处理 | 0.821 | 0.621 | 0.736 | 0.759 |
| 归一化 | 0.843 | 0.536 | 0.838 | 0.556 |
| 基线校准 | 0.818 | 0.626 | 0.760 | 0.661 |
| 标准归一化 | 0.843 | 0.586 | 0.817 | 0.638 |
| 多元散射校正 | 0.859 | 0.561 | 0.740 | 0.680 |
间隔为6等间隔抽取是以原始光谱的建模预测结果为最优，预测集的相关系数为0.803，RMSEP为0.625。等间隔平均光谱法重构的新光谱矩阵不同预处理结果如表2所示。
表2 等间隔为6平均后新光谱矩阵经不同预处理后建立PLS模型的预测结果
| 预处理方法 | rcal | RMSEC | rpre | RMSEP |
| 原始 | 0.826 | 0.647 | 0.803 | 0.625 |
| Savitzky-Golay平滑处理 | 0.803 | 0.650 | 0.608 | 1.324 |
| 归一化 | 0.874 | 0.530 | 0.754 | 0.699 |
| 基线校准 | 0.810 | 0.638 | 0.787 | 0.629 |
| 标准归一化 | 0.916 | 0.438 | 0.736 | 0.741 |
| 多元散射校正 | 0.890 | 0.496 | 0.749 | 0.702 |
对比等间隔抽取光谱、等间隔平均光谱变量筛选方法分别对应的最优的PLS预测模型结果，间隔为5等间隔光谱抽取法最优的波长数目略多于间隔为6等间隔光谱平均法，但等间隔抽取光谱法的预测效果rpre=0.838，RMSEP=0.556明显优于等间隔平均光谱法的预测效果rpre=0.803，RMSEP=0.625。
所述的偏最小二乘回归模型、主成分回归模型或逐步多元线性回归模型，用等间隔抽取光谱法重构的新光谱矩阵分别建立PLS模型、PCR模型或SMLR模型，三种模型分析比较结果如表3所示。
由表3可以看出，PLS模型的预测能力较其它两种模型表现良好，预测结果明显优于其它两种模型，预测集相关系数rpre为0.838，RMSEP为0.556。通过等间隔抽取光谱快速建模方法，在保证了预测精度的前提下，模型的运算速度大大提高，为在线高速检测提供了可能性。
表3 不同的建模方法预测结果
| 方法 | arcal | RMSEC | brpre | RMSEP |
| PLS | 0.843 | 0.536 | 0.838 | 0.556 |
| PCR | 0.774 | 0.690 | 0.693 | 0.728 |
| SMLR | 0.814 | 0.632 | 0.785 | 0.673 |
arcal：校正相关系数；brpre：预测相关系数。
如图3所示，为西瓜样本建模集糖度预测值和测量值的相关系数图，如图4所示，为西瓜样本校正集糖度预测值和测量值的相关系数图，从预测值和测量值的相关系数图可以看出，所建的PLS模型得到了较优的预测结果。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (3)
1.一种基于二次光谱重组的西瓜糖度快速建模方法，其特征在于该方法的步骤如下：
1）采集西瓜的漫透射光谱，选取高信噪比光谱范围内J个波长下的光谱；
2）测定西瓜的糖度值；
3）对J个波长下的光谱，采用等间隔抽取光谱法或等间隔平均光谱法重构新光谱矩阵，设置等间隔点数j，其中1≤j≤J/2，j为正整数，对J个波长下的光谱进行重构并对新光谱矩阵的建模效果进行比较，自适应优选相关系数在0.8以上的新光谱矩阵；
4）对相关系数在0.8以上的新光谱矩阵进行光谱预处理；
5）用筛选出的漫透射光谱与西瓜的糖度值建立西瓜糖度的预测模型，实现对西瓜糖度的在线检测；
所述采集西瓜的漫透射光谱，光谱采集试验装置由电脑、微型光谱仪、光纤、光源、透镜组成，光源为自制的光源装置，采用光谱采集软件进行漫透射光谱采集；
所述测定西瓜的糖度值，用榨汁机对西瓜榨汁，过滤后用数字折光仪测定糖度值，糖度值实为可溶性固形物含量；
所述等间隔平均光谱法中平均光谱Yi，等间隔点数j对J个波长下的光谱进行平均后，得到由ni个数据点组成的新光谱矩阵，其中，1≤j≤J/2，i=j=1，2，3…..，J/2，ni=J/j，J/j为正整数，等间隔平均光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立定量模型，并对建模效果进行比较，当j=J/2时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵；
所述等间隔抽取光谱法中抽取光谱Xi，等间隔点数j对J个波长下的光谱进行抽取后，得到由mi个数据点组成的新光谱矩阵，其中，1≤j≤J/2，i=j=1，2，3…..，J/2，mi=J/j，J/j为正整数，等间隔抽取光谱组成本法的新光谱矩阵不断利用本法的新光谱矩阵建立定量模型，并对建模效果进行比较，当j=J/2时，终止循环，输出相关系数在0.8以上的本法重构的新光谱矩阵。
2.根据权利要求1所述的一种基于二次光谱重组的西瓜糖度快速建模方法，其特征在于：所述光谱预处理采用Savitzky-Golay平滑处理、归一化、基线校正、标准归一化或多元散射校正对光谱进行处理。
3.根据权利要求1所述的一种基于二次光谱重组的西瓜糖度快速建模方法，其特征在于：所述模型方法为偏最小二乘回归法、主成分回归法或逐步多元线性回归法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210474557.XA CN102937575B (zh) | 2012-11-21 | 2012-11-21 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210474557.XA CN102937575B (zh) | 2012-11-21 | 2012-11-21 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102937575A CN102937575A (zh) | 2013-02-20 |
| CN102937575B true CN102937575B (zh) | 2015-05-20 |
Family
ID=47696486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210474557.XA Active CN102937575B (zh) | 2012-11-21 | 2012-11-21 | 一种基于二次光谱重组的西瓜糖度快速建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102937575B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104568639B (zh) * | 2013-10-11 | 2017-08-25 | 中国林业科学研究院资源信息研究所 | 一种水果糖度的确定方法和装置 |
| CN104574341B (zh) * | 2013-10-11 | 2017-09-05 | 中国林业科学研究院资源信息研究所 | 一种水果糖度的确定方法和装置 |
| CN107621460A (zh) * | 2016-07-15 | 2018-01-23 | 华东交通大学 | 一种近红外光谱漫透射技术黄桃隐性损伤与糖度同时在线检测装置与方法 |
| CN108956545B (zh) * | 2018-06-15 | 2020-10-27 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN109001148B (zh) * | 2018-08-24 | 2020-10-09 | 武汉轻工大学 | 一种近红外光谱典型相关分析融合的茶籽油多元掺伪检测方法 |
| CN113390815A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种用于柑橘类水果内部冻害的在线识别方法 |
-
2012
- 2012-11-21 CN CN201210474557.XA patent/CN102937575B/zh active Active
Non-Patent Citations (5)
| Title |
|---|
| Sylvie Bureau,David Ruiz等.Application of ATR-FTIR for a rapid and simultaneous determination of sugars and organic acids in apricot fruit.《Food Chemistry》.2009,第115卷(第3期),第1133-1140页. * |
| 基于抽取和连续投影算法的可见近红外光谱变量筛选;孙旭东、郝勇等;《光谱学与光谱分析》;20110930;第31卷(第9期);第2399-2402页 * |
| 水果内部品质可见/近红外光谱实时无损检测关键技术研究;陆辉山;《中国博士学位论文全文数据库农业科技辑》;20080215(第02期);全文 * |
| 西瓜可溶性固形物含量近红外透射检测技术;田海清 应义斌、徐惠荣、陆辉山、傅霞萍;《农业机械学报》;20070531;第38卷(第5期);第111-113页 * |
| 西瓜品质可见/近红外光谱无损检测技术研究;田海清;《中国博士学位论文全文数据库农业科技辑》;20080215(第02期);第13-43页、第107-116页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102937575A (zh) | 2013-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN103344597B (zh) | 一种抗调味干扰的莲藕内部成分近红外无损检测的方法 | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN109520962A (zh) | 一种葡萄酒近红外光谱检测方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
| CN111044469A (zh) | 基于单积分球的水果可溶性固形物检测方法及设备 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN104596979A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法 | |
| CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| CN104596976A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶蛋白质的方法 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 | |
| CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
| CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
| CN107247033A (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20160721 Address after: 321300 Zhejiang city of Jinhua province Yongkang City West West Industrial Zone Lantian Road No. 16 Patentee after: Xinduo Group Co.,Ltd. Address before: 310027 Hangzhou, Zhejiang Province, Xihu District, Zhejiang Road, No. 38, No. Patentee before: Zhejiang University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200714 Address after: 321300 No. 199 Huacheng East Road, Xicheng Street, Yongkang City, Jinhua City, Zhejiang Province Patentee after: ZHEJIANG DEFEILUO INTELLIGENT MACHINERY MANUFACTURING Co.,Ltd. Address before: 321300, Lantian Road, Xicheng Industrial Zone, Xicheng County, Jinhua, Zhejiang, Yongkang 16 Patentee before: SIMTO GROUP Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A fast modeling method of Watermelon Sugar Degree Based on quadratic spectral recombination Effective date of registration: 20220413 Granted publication date: 20150520 Pledgee: Yongkang branch of the Industrial Commercial Bank of China Ltd. Pledgor: ZHEJIANG DEFEILUO INTELLIGENT MACHINERY MANUFACTURING Co.,Ltd. Registration number: Y2022330000503 |