基于Wi-Fi無線感知技術的豬呼吸頻率監測

逯玉蘭，李 廣，郝玉勝，林 強

基于Wi-Fi無線感知技術的豬呼吸頻率監測

逯玉蘭1，李 廣2※，郝玉勝3，林 強3

（1. 甘肅農業大學信息科學技術學院，蘭州 730070；2. 甘肅農業大學林學院，蘭州 730070；3. 西北民族大學數學與計算機科學學院，蘭州 730030）

監測和及時發現豬呼吸異常是養豬產業管理中的重要課題。為了克服人工監測方式效率低下、穿戴式設備監測方法成本較高且容易引起豬應激反應的缺點，該文提出了一種基于Wi-Fi網絡信道狀態信息的非接觸式豬呼吸率監測方案。首先，利用Wi-Fi網絡設備及其開源驅動程序捕獲CSI序列信號并提出異常載波過濾算法用于濾除通信過程中的異常載波；其次，設計載波周期性水平量化指標并以此評估載波周期性水平；第三，通過Smoothing Splines方法平滑載波曲線并基于載波序列自相關函數估計載波周期和頻率，篩選出載波周期性水平大于22且頻率位于閉區間[0.127 Hz，1.25 Hz]的反映豬只呼吸行為的載波；第四，對符合條件的載波頻率進行加權平均求得豬只呼吸率。以人工統計豬只每分鐘的呼吸次數作為真實情況，通過對9頭仔豬，5頭育肥種豬，3頭懷孕母豬以及3頭因患病引起腹式呼吸的病豬進行對比試驗，該文提出的方法能夠準確計算出豬的呼吸率，平均相對誤差為1.398%。研究結果為應用Wi-Fi無線感知技術監控動物呼吸率提供參考。

無損檢測；畜牧業；動物呼吸監測；信道狀態信息；Wi-Fi感知

0 引 言

現代畜牧和養殖產業中，對動物個體信息及其行為的智能感知與分析構成了精準畜牧的核心[1]。關于動物呼吸的研究表明，呼吸急促癥，病毒感染、斷奶后的多系統消耗綜合癥，受除草劑污染的草料、環境脅迫等不利因素導致的動物疾病，首先都會通過動物呼吸表現出來。實時監測動物呼吸，及時檢測呼吸異常對動物疾病預警、保障動物福利、降低經濟損失有著十分重要的作用。

就呼吸監測而言，代表性的方法大致可以分為三類：人工觀察法，穿戴式傳感器監測法以及無損監測法。人工記錄方法因準確率低、成本高、精度差等諸多弊端難以滿足現代農場自動化管理的需求。利用各種傳感器進行監測的方法具有精度高、可靠性強等優勢，代表性的研究有：Moody等[2]通過測量體表心電圖波動實現對信號中呼吸節律的提取；Nepal等[3]基于心電圖信號，設計了能夠區分呼吸暫停癥的算法；Devonshire等[4]設計了能夠探測大鼠胸部起伏狀態并轉換為模擬信號的設備，用以計算麻醉后大鼠的呼吸率和睡眠深度； Ginott[5]使用一臺真空聽診器和錄音機替代價格不菲的呼吸監測儀并推廣到臨床應用；Cleary等[6]使用非常靈敏的氣壓傳感器探測動物鼻孔進出氣流的壓力，根據進出氣流壓差判斷動物呼吸狀況；Lei等[7]，Bifulco[8]等使用聚偏二氟二烯壓電式傳感器實現對呼吸狀態的檢測。基于傳感器的監測方法需要在動物身體上穿戴或植入部分設備，極易造成動物的應激反應，有損動物福利，影響監測質量。加之動物平時的躺臥、抓咬以及傳感器進水等事件，容易造成設備損壞，實施和維護成本較高，難以推廣應用。

無損監測技術是指在不損害或不影響被測對象的前提下，借助現代技術和設備對對象結構、性質和狀態等進行監測的技術[9]。許多學者利用紅外成像、圖像處理等技術實現了對人或動物的呼吸監測。例如，Lewis等[10]，Basu等[11]通過紅外熱成像技術，在仔細分析紅外圖像的基礎上，得到人的呼吸率；紀濱等[12]基于機器視覺方法，通過分析豬的脊腹線輪廓起伏從而診斷豬的呼吸急促癥；趙凱旋[13]基于視頻分析，使用光流法分析視頻圖像幀，實現了對奶牛呼吸率的計算。

隨著無線網絡的普及，在無線傳感領域出現了利用日常使用的網絡設備構建Wi-Fi無線傳感網絡，進而實現人員室內定位[14-17]、身份識別[18-20]、行為和姿勢識別[21-23]以及針對人的呼吸監測[24-26]的各種應用。由于Wi-Fi網絡中物理層的信道狀態信息會隨著物理環境的改變而發生變化且對環境變化異常敏感，加之該領域已有公開的在實時通信過程中獲取信道狀態信息的方法[27]。因此，通過分析信道狀態的變化就可以推斷環境中發生的細微變化，使用Wi-Fi信號監測動物呼吸率具備可行性。

本文將基于Wi-Fi的無線感知技術應用到動物呼吸率監測領域，為無線傳感技術在農業領域的推廣提供參考。

1 Wi-Fi信號的捕獲與信息采集

1.1 Wi-Fi信號傳播模型

Wi-Fi信號本質上屬于射頻信號，當物理環境發生變化（人或動物的走動、躺臥甚至呼吸、咀嚼等）時，整個無線網絡的通信信道會因為通信環境的變化而發生改變，如果能夠實時捕獲無線網絡通信信道的變化，就可以反過來推導環境中發生的具體變化，進而實現對環境的智能感知。通常情況下，Wi-Fi信號的發射端（TX）和接收端（RX）之間存在一條視距路徑（line of sight，LOS）以及多條由反射路徑和散射路徑構成的非視距路徑（non-line of sight，NLOS），Wi-Fi信號傳播模型[22]見圖1。

注：h1，h2信號反射點距離視距路徑的垂直距離；TX為信號發射端，RX為信號接收端。

1.2 信道狀態信息

對于具有多個發射天線和多個接收天線的系統（multi-input and multi-output，MIMO），通信過程中無線信號的窄帶平坦衰落模型[28]如下

信道狀態信息（chanel state information，CSI）正是對的一種估計，它包括載波信號強度、振幅、相位以及信號時延等具體指標，這些指標揭示了載波隨著傳輸距離的變化而發生的信號散射、反射、功率衰減等現象，可用于衡量Wi-Fi通信中無線網絡的信道狀態[29]。通過分析和研究CSI的變化，可以反過來推測引起信道狀態變化的物理環境變化，即實現非接觸式智能感知。CSI對環境變化異常敏感，除了能夠感知人或動物的走動、奔跑等較大幅度的動作引起的環境變化外，還能夠在靜態環境下捕獲人或動物的呼吸、咀嚼等小幅度動作引起的細微變化。

本文首先通過實證試驗初步驗證了CSI在感知環境變化中的有效性。試驗采用一臺裝配有Intel 5300網卡的ThinkPad X200便攜式計算機作為信號接收端RX，采用一臺TP-LINK品牌WR742N型的無線路由器作為信號的發射端TX。RX和TX都安裝在距離地面高度為1.8 m的三腳架上，水平距離為3 m。如圖2a所示，志愿者在Wi-Fi信號的可視路徑（line of sight, LOS）間分批次完成4種不同的動作，每個動作重復300次，動作間間隔15～30 s。當人在信號TX端和RX端之間做出不同動作時，CSI信號呈現出不同的變化，已有研究利用此進行人體行為和姿勢識別[21-23]。如圖2 b所示，志愿者平躺在高度為50 cm的床上，在相對靜止的條件下進行正常呼吸，數據采集時長累計達24 h。可以看到，當人在靜態環境下呼吸時，其中若干個載波呈現出對應的變化趨勢，CSI序列的振幅呈現出明顯的節律，這一節律與人體呼吸節律基本吻合。實際上，這是由于Wi-Fi網絡中的有一些載波受到人體呼吸時胸部起伏的影響而發生的有規律的變化，相關研究[24-26]已經在人體上得以實施。本文在此基礎上，利用Wi-Fi無線感知技術就豬的呼吸率監測問題開展研究。

1.3 數據采集

目前，基于CSI的無線感知應用研究在數據獲取上主要依賴開源的網卡驅動程序，基于Intel 5300 無線網卡的開源驅動程序[27]是選擇之一；獲取數據的另一種方案是基于Atheros Wi-Fi芯片組的開源驅動，支持的網卡型號有Atheros AR9580，AR9590，AR9344以及QCA 9558等。本文所設計的系統選用基于Intel 5300 NIC的開源驅動程序。

數據采集系統由數據發射端（TX）和數據接收端（RX）組成。TX端選用支持802.11 a/g/n協議的TP-LINK WR742N無線路由器，RX端選用安裝有Intel 5300無線網卡的ThinkPad X200便攜式計算機。TX端和RX端分別放置在豬欄兩側的三角支架上。TX端的路由器配備有一個發射天線，工作頻率為2.4GHz。RX端的Intel 5300無線網卡配備有3個接收天線A，B和C，通過ping命令以100 包/s的速率向TX端發送ICMP數據包，TX端在向RX端反饋信號的過程中，系統利用開源的Intel 5300網卡驅動，在Linux系統環境下實時獲取數據并將CSI數據以文件形式記錄到RX端，系統的數據采集頻率設置為10 Hz，即每秒鐘記錄10個CSI數據點。

圖2 基于CSI的智能感知應用

新生仔豬的呼吸率最高可達60次/min（即呼吸率為1 Hz），根據奈奎斯特采樣定理，系統至少需要以大于2 Hz的頻率進行采樣。為保證呼吸率估計的精度，系統以10 Hz的頻率進行采樣，采樣后的信道狀態信息是1個1×3×30的矩陣，表示如下

1.4 異常載波過濾

臨床上測定呼吸率的時間一般為1 min，本文設計的系統致力于利用30 s的CSI序列片段完成豬呼吸率的計算。因此，異常載波過濾的滑動窗口被設置為30 s，即每次選擇載波上300個數據點并統計其中有無離群點。如果有，則該載波被判定為異常載波。由圖3 b可以看出，經由Hampel鑒別器處理后，含有離群點的載波已被過濾。

圖3 異常載波過濾

2 豬只呼吸率估計

2.1 系統架構

系統主要由4個模塊構成：1）數據采集模塊，主要用于采集Wi-Fi網絡信道狀態信息，輸出CSI信號序列；2）數據預處理模塊，用于對CSI信號序列進行異常載波過濾；3）載波周期性水平評估模塊，對于候選載波進行周期性水平評估，選擇捕捉到豬只呼吸節律的周期性水平較高的載波；4）呼吸率估計模塊，統計各載波頻率并加權平均，計算豬只呼吸率。整個系統架構見圖4。

2.2 載波信號建模

式中、、為載波信號的振幅、頻率和相位，為矯正項，為隨機噪聲。已知載波信號，只需估計出參數、、中的頻率即可得到載波周期，進而推導出豬只的呼吸率。

2.3 載波曲線平滑

估計豬只呼吸率需要篩選周期性較高的載波以確定載波周期，較為簡單的方法是進行峰值分析，2個連續的波峰（或波谷）之間的距離則為一個載波周期。但是，由于CSI對環境的敏感性，幾乎所有的載波上都存在很多個峰值點（載波曲線并不光滑，布滿“毛刺”），并不能真正反映載波的周期性。圖5 a所示的曲線為天線C上某個載波的波形，可以發現載波上存在多個峰值點，難以進行周期估計。如果在較為平滑的載波曲線上進行峰值分析，問題便得以簡化。因此，首先需要平滑載波曲線。圖5 b給出了C天線上一段載波曲線的擬合示意圖，可以看到基于平滑樣條函數方法可得到非常平滑的擬合曲線。

圖5 峰值分析與曲線擬合

曲線的擬合優度通過均方根誤差（root mean square error，RMSE）來度量，定義如下

2.4 載波周期量化評估

由于豬只的呼吸是典型的周期性活動，因此只有周期性水平較高的載波才能夠真實地反映呼吸情況。對載波周期性水平進行評估，首先給出單個載波的周期估計方法，其次提出載波周期性水平比例的量化指標。

2.4.1 載波周期性水平評估

式中為振幅。顯然，的值越大，對應載波的周期性水平就越高。圖6給出了某一段時間內C天線上經由異常濾波模塊輸出的26個子載波的周期性水平，可以看到其中第8個子載波擁有最大的值，其波形擁有最佳的周期性水平。

系統在采集數據的過程中，每隔30 s保存一個CSI序列片段，在數小時的時間內，總是能夠捕獲到周期性水平較高的載波CSI序列片段。較長的數據采集時間能夠保證系統獲取足夠的CSI序列片段進而用于豬只呼吸率估計。

2.4.2 基于自相關函數的載波周期估計

對于能量有限的CSI序列信號，其自相關函數定義為

如果信號的周期為，那么在的整數倍上，其自相關函數的取得最大值，在時域波形上，從零點起往右的第一個峰值點即為信號的周期，見圖7b。可以看出，圖中信號的周期為8 s。

2.5 豬只呼吸率估計

圖8 數據采集示意圖

最終，豬只的呼吸率估計如下

3 試驗與結果分析

3.1 試驗設置

3.2 試驗結果及分析

在實際生產中，通常以人工方式統計豬每分鐘的呼吸次數作為真實的呼吸率。由于系統得到的是能夠反映豬只呼吸的載波的頻率，因此有必要將真實的呼吸率轉換為呼吸頻率（每秒鐘的呼吸次數）后與系統估計得到的頻率做比較以衡量系統精度。呼吸率與呼吸頻率轉換關系如下：

通過定義相對誤差，可以衡量系統估計值的可信程度。

試驗結果如表1～表4所示。可以看出，呼吸率不同的各種豬只，系統能夠成功捕獲因豬只呼吸引起的胸部起伏，充分利用時長僅有30 s的CSI序列片段完成豬只呼吸率估計。由于Wi-Fi信道狀態信息對環境變化的高度敏感性，本文提出的方法能夠以很高的精度估計豬只的呼吸率，計算結果與實際情況非常接近，平均相對誤差為1.398%。

表1 仔豬呼吸頻率估計

表2 育肥中豬呼吸頻率估計

表3 懷孕母豬呼吸頻率估計

表4 病豬呼吸頻率估計

4 結 論

從隨機序列中發現周期模式是序列信號處理的重要研究內容，在動物呼吸監控方面有著重要的應用。本文提出的方法主要以分析載波的周期性水平為核心，隨著數據量的增加，可嘗試使用機器學習的方式訓練深度神經網絡模型以更好地發現序列中的周期模式；另一方面，本文所設計的系統目前只適用于單只飼養的動物，對養殖群體中每個動物的呼吸監測還需進一步研究。

[1]何東健，劉冬，趙凱旋. 精準畜牧業中動物信息智能感知與行為檢測研究進展[J]. 農業機械學報，2016，47(5)：231－244. He Dongjian, Liu Dong, Zhao Kaixuan. Research progress on intelligent perception and behavior detection of animal information in precision animal husbandry[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 231－244. (in Chinese with English abstract)

[2]Moody G B, Roger G M，Marjorie A B, et al. Clinical validation of the ECG-Derived respiration (EDR) technique[J/OL]. Computers in cardiology, 1986,13:1-7. https://www.researchgate.net/publication/245671704

[3]Nepal K, Biegeleisen E, Taikang N. Apnea detection and respiration rate estimation through parametric modelling[C]//Proceedings of the IEEE 28th Annual Northeast Bioengineering Conference, Philadelphia, USA: IEEE, 2002.

[4]Devonshire I M, Preston M J, Dommett E J, et al. Design and evaluation of a low-cost respiratory monitoring device for use with anaesthetized animals[J]. Lab Anim, 2009, 43(4): 382－389.

[5]Ginott N. Vacuum stethoscope attached to a tape recorder[J]. Anaesthesia, 2010, 32(9): 896－897.

[6]Cleary D R, Phillips R S, Wallisch M, et al. A novel, non-invasive method of respiratory monitoring for use with stereotactic procedures[J]. J Neurosci Methods, 2012, 209(2): 337－343.

[7]Lei K F, Hsieh Y Z, Chiu Y Y, et al. The structure design of piezoelectric poly(vinylidene Fluoride) (PVDF) polymer-based sensor patch for the respiration monitoring under dynamic walking conditions[J]. Sensors (Basel), 2015, 15(8): 18801－18812.

[8]Bifulco G P, Angelo G D. Monitoring of respiration, seismocardiogram and heart sounds by a PVDF piezo film sensor[C]//20th IMEKO &18th IWADC. Benevento, Italy. IEEE, 2014.

[9]汪開英，趙曉洋，何勇. 畜禽行為及生理信息的無損監測技術研究進展[J]. 農業工程學報，2017，33(20)：197－209. Wang Kaiying, Zhao Xiaoyang, He Yong. Review on noninvasive monitoring technology of poultry behavior and physiological information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 197－209. (in Chinese with English abstract)

[10]Lewis G F, Gatto R G, Porges S W. A novel method for extracting respiration rate and relative tidal volume from infrared thermography[J]. Psychophysiology, 2011, 48(7): 877－887.

[11]Basu A, Routray A, Mukherjee R, et al. Infrared imaging based hyperventilation monitoring through respiration rate estimation[J]. Infrared Physics & Technology, 2016, 77: 382－390.

[12]紀濱，朱偉興. 基于脊腹線波動的豬呼吸急促癥狀視頻分析[J]. 農業工程學報，2011，27(1)：191－195. Ji Bin, Zhu Weixing. Video analysis for tachypnea of pigs based on fluctuating ridge-abdomen[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 191－195. (in Chinese with English abstract)

[13]趙凱旋. 基于視頻分析的奶牛呼吸率與異常檢測[J]. 農業機械學報，2014，45(10)：258－263. Zhao Kaixuan. Detection of breathing rate and abnormity of dairy cattle based on videl analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10): 258－263. (in Chinese with English abstract)

[14]Wu Kaishun, Xiao Jiang, Yi Youwen, et al. FILA: Fine-grained Indoor Localization[C]//INFOCOM Proceedings. Orlando, Florida USA: IEEE, 2012.

[15]Xiao J, Wu K, Yi Y L, et al. Pilot: Passive Device-Free indoor localization using channel state information[C]// ICDCS. Philadelphia, PA, USA. IEEE, 2013.

[16]Kotaru M, Joshi K, Bharadia D, et al. SpotFi: Decimeter level localization using WiFi[C]//SIGCOMM 15. London, United Kindom: IEEE, 2015.

[17]Xu Chengcheng, Jia Zixia, Chen Pan, et al. CSI-based autoencoder classification for Wi-Fi indoor localization[C]//Control and Decision Conference. Yinchuan, China: IEEE, 2016.

[18]Xiao Zhuoling, Wen Hongkai, Andrew Markhan, et al. Identification and mitigation of non-line-of-sight conditions using received signal strength[C]//IEEE 9th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob). Lyon, France: IEEE, 2013.

[19]Zeng Yunze, Parth H Pathak, Prasant Mohapatra, et al. WiWho: WiFi-based person identification in smart spaces[C]//15th ACM, IPSN. Vienna, Austria: IEEE, 2016.

[20]Xu Qinyi, Chen Yan, Wang Beibei, et al. Radio Biometrics: Human recognition through a wall[J]. IEEE Transactions on Information Forensics and Security, 2017, 12(5): 1141－1155.

[21]Abdelnasser H, Youssef M, Harras K A, et al. WiGest: A ubiquitous WiFi-based gesture recognition system[C]//Computer Communications (INFOCOM). Kowloon, HongKong: IEEE, 2015.

[22]Mohammed A A , Li Fangmin, Ma Xiaolin, et al. Device-free indoor activity recognition system[J]. Applied Sciences, 2016, 6(11): 1－13.

[23]Qian Kun, Wu Chenshu, Zhou Zimu, et al. Inferring motion direction using commodity Wi-Fi for interactive exergames[C]// ACM CHI Conference on Human Factors in Computing Systems. Denver, CO, USA: ACM, 2017.

[24]Wang Hao, Zhang Daqing, Ma Junyi, et al. Human respiration detection with commodity wifi devices[C]//UbiComp. Heidelberg, Germany: ACM, 2016.

[25]Chen Chen, Han Yi, Chen Yan,et al. Multi-person breathing rate estimation using time-reversal on WiFi platforms[C]// IEEE Global Conference on Signal and Information Processing. Washington, DC, USA: IEEE, 2017.

[26]Wang Pei, Guo Bin, Xin Tong, et al. TinySense: Multi-user respiration detection using Wi-Fi CSI signals[C]//IEEE 19th International Conference on e-Health Networking, Applications and Services (Healthcom). Dalian, China: IEEE, 2017.

[27]Halperin D C, Hu Wenjun, Sheth A, et al. Tool release: Gathering 802. 11n Traces with Channel State Information[J]. ACM SIGCOMM computer communication review, 2011, 41(1): 53-53.

[28]Chiani M, Win M Z, Zanella A. On the capacity of spatially correlated mimo rayleigh-fading channels[J]. IEEE Transactions on Information Theory, 2003, 49(10): 2363－2371.

[29]Yang Zheng, Zhou Zimu, Liu Yunhao. From RSSI to CSI: Indoor localization via channel response[J]. ACM Computing Surveys, 2013, 46(2): 1－32.

[30]Davies G U. The Identification of Multiple Outliers[J]. Journal of the American Statistical Association, , 1993, 88(423): 782－792.

[31]Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning[M]. Berlin, Germany: Springer, 2008.

Monitoring pig respiration frequency using Wi-Fi wireless sensing technology

Lu Yulan1, Li Guang2※, Hao Yusheng3, Lin Qiang3

(1.,,730070,; 2.,,730070,; 3.,,730030,)

Monitoring pig respiration timely in swine farms is critical to safeguard swine production. Traditional manual method by tagging pigs with sensors is inefficient and makes pigs stressful. Figuring out non-contact and non-destructive ways is hence necessary. Wi-Fi technology is non-intrusive and robust, and it has received increasing attention over the past few years as a potential method to track animal respiration. Its fundamental principle is that the exhaling - inhaling cycle in pig respiration results in a small change in the Wi-Fi signals when they propagate from transmitter to receiver. In the 802.11 a/g/n standard, the signal response in the channel can be partially extracted from the off-the-shelf OFDM receivers in the format of Channel State Information, which revealed that a set of channel measurements can indeed pick up such change, making it feasible to monitor animal respiration. We proposed a novel method based on the Wi-Fi signal in this paper toestimate the respiration rate of pigs reared in a single shed. We obtained the motion-state data in the CSI data files first using the off-the-shelf Wi-Fi devices commonly used in daily life. The CSI data is matrix of 1×3×30, where 1 is the number of transmit antennas, 3 is the number of receive antennas and 30 is the number of subcarriers in one beam. Preprocessing these data and evaluating the carrier periodicity level enabled us to identify the CSI signal sequences that contain the abdomen undulation of pigs. This is followed by smoothing the subcarrier curve with thealgorithm of smoothing spline and evaluating the period and frequency of the subcarrier with the self-correlation function of CSI sequences. Finally, we statistically estimated the weighting average of the multiple subcarrier frequencies to calculate the respiration rate of pig. Taking the number of breaths manually accounted per minute from the pigs as ground truth, the proposed method was tested againstthe respiration data measured from 9 piglets, 5 fattening pigs, 3 pregnant sows and 3 sick pigs with abdominal breathing caused by illness. The results show that the maximum relative error is 3.18%, and the average relative error is 1.398%. The studyhas wide implications in using Wi-Fi technology to monitor respiration of animal.

nondestructive detection; livestock production;animal respiration monitoring; channel state information; Wi-Fi sensing

逯玉蘭，李 廣，郝玉勝，林 強. 基于Wi-Fi無線感知技術的豬呼吸頻率監測[J]. 農業工程學報，2019，35(24)：183－190.doi：10.11975/j.issn.1002-6819.2019.24.022 http://www.tcsae.org

Lu Yulan, Li Guang, Hao Yusheng, Lin Qiang. Monitoring pig respiration frequency using Wi-Fi wireless sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(24): 183－190. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.24.022 http://www.tcsae.org

2019-08-24

2019-11-03

甘肅農業大學學科建設基金（GSU-XKJS-2018-254，GSU -XKJS-2018-255，GSU-XKJS-2018-253），甘肅省重點研發計劃(18YF1NA070)國家自然基金（31660348，31660347），甘肅省自然基金（18JR3RA169），甘肅省高等學校協同創新團隊項目(2018C-16)；甘肅省財政專項（GSCZZ-20160909），甘肅農業大學盛彤笙基金（GSAU-STS-1718）和甘肅農業大學信息科學技術學院發展基金資助

逯玉蘭，講師，目前主要從事農業信息化研究。Email：luyl@gsau.edu.cn

李 廣，教授，博士生導師，目前主要從事農業信息化研究。Email：lig@gsau.edu.cn

10.11975/j.issn.1002-6819.2019.24.022

S24；TN911

A

1002-6819(2019)-24-0183-08