基于多模態射頻信號融合的糧食水分檢測

摘要：水分檢測是糧食存儲和貿易中不可或缺的一環，利用各種射頻傳感技術可以實現無損、快速地糧食水分檢測。然而，現有方案都是基于單一種類射頻信號開發的，針對不同射頻信號需要訓練對應檢測模型，人力成本增加?；诖?，提出一種融合多模態射頻信號的糧食水分檢測方法RF—Grain。首先，針對多徑環境和硬件缺陷引起的噪聲問題，提出一種WiFi信道狀態信息（CSI）數據預處理方法；其次，提出一種域對抗神經網絡模型，用以消除不同類型射頻信號提取的糧食水分特征分布差異；最后，設計使用3種不同射頻傳感技術進行糧食水分檢測的試驗，以卷積神經網絡作為對比，對所提出方法的性能進行評估，并與現有方法進行對比分析。試驗表明，所提出方法能夠有效檢測5種不同含水率的糧食樣品，總體準確率為分別為98.87%、96.22%和96.56%，優于傳統的卷積神經網絡，具有準確率高、泛化性好等優點，為糧食水分無損檢測研究提供有力的技術支撐。

關鍵詞：糧食；水分含量檢測；射頻傳感；多模態；域對抗神經網絡

中圖分類號：S5； TP399""""" 文獻標識碼：A""""" 文章編號：2095?5553"（2025）"02?0132?07

Grain moisture detection based on multi?modal RF signal fusion

Yang Weidong1， 2， Guo Sijun3， Duan Shanshan3， Hu Pengming4， Shan Shaowei3

（1. School of Artificial Intelligence and Big Data， Henan University of Technology， Zhengzhou， 450001， China;

2. Hangzhou Institute of Technology， Xidian University， Hangzhou， 310000， China; 3. School of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China; 4. School of Mechanical and

Electrical Engineering， Henan University of Technology， Zhengzhou， 450001， China）

Abstract： Moisture detection is an indispensable part of grain storage and trade， and non?destructive and fast grain moisture detection can be achieved by using various RF sensing technologies， such as WiFi， Radio Frequency Identification （RFID）， and radar. However， existing solutions are developed based on a single type of RF signal， and corresponding detection models need to be trained for different RF signals， which can lead to additional manpower costs. Therefore， this paper proposes a grain moisture detection method fusing multimodal RF signals， named RF—Grain， which can be applied to multiple RF sensing technologies. Firstly， a WiFi channel state information （CSI） data preprocessing method is proposed to address the noise problem caused by multipath environment and hardware defects. Secondly， a domain?adversarial neural network model is proposed to eliminate the differences in the distribution of grain moisture features extracted from different types of RF signals. Finally， three different RF sensing technologies were designed to detect grain moisture. The convolutional neural network was used as a comparison to evaluate the performance of the proposed method and compare it with existing methods. The experiments showed that the proposed method could effectively detect grain samples with five different moisture levels， with overall accuracy rates of 98.87%， 96.22% and 96.56%， better than traditional convolutional neural networks. The proposed method has the advantages of high accuracy and good generalization， and it provides powerful technical support for non?destructive moisture detection of grain.

Keywords： grain; moisture content detection; radio frequency sensing; multi?modal; domain adversarial neural network

收稿日期：2024年8月15日""""""" 修回日期：2024年10月24日

? 基金項目：河南省自然科學基金項目（222300420004）；河南省重大科技專項項目（201300210100）；河南省科技廳自然科學項目（232103810083）；糧食信息處理與控制教育部重點實驗室開放課題（KFJJ2022010）

第一作者：楊衛東，男，1977年生，內蒙古集寧人，博士，教授；研究方向為物聯網應用及安全和糧食信息化技術。E?mail： Yangweidong@haut.edu.cn

0 引言

糧食安全對個人、社會和國家的發展和穩定具有重要意義。在糧食的運輸、存儲和貿易等諸多環節，需要關注糧食水分含量、溫度、蟲害、鼠害以及霉變等糧情因素[1]。而糧食的水分含量是造成糧食霉變、蟲害等的重要因素，是影響糧食質量的關鍵條件，所以進行糧食的水分含量檢測是必不可缺的一環[2]。傳統的檢測方法是干燥法[3]，精度高，但具有破壞性、使用場景局限等缺點。還有一些非接觸式檢測方法，如電阻法[4]、電容法[5]、近紅外法[6]、微波法[7]等，無接觸、速度快，但由于設備造價高，也未得到廣泛應用。

近年來，WiFi、RFID和雷達等各類射頻傳感技術逐漸用于糧食水分含量檢測領域，為糧食水分無損檢測提供有效解決方案。例如Wi—wheat[8]、Deep—WMD[9]、Wi—Wheat+[10]和WiMgrain[11]均是利用商用WiFi設備來檢測谷物的水分含量或多品種谷物的水分含量。同時，射頻識別（RFID）技術在糧食水分檢測方面也具有很大潛力，通過使用穿透或反射谷物的信號來實現谷物水分含量的快速檢測[12， 13]。此外，各種型號的雷達也被用于糧食水分含量的無損檢測[14]。但是，現有方案均是針對特定的射頻技術或平臺而設計，僅適用于固定的應用場景，例如，使用WiFi技術的現有方案不能直接用于部署了RFID或雷達的檢測場景。這種與特定技術或平臺綁定的局限性不僅增加經濟和時間成本，而且會阻礙糧食水分檢測系統的廣泛部署。因此，在保證檢測精度的同時，如何提高模型的普適性成為糧食水分檢測方法中的重點和難點。

針對上述問題，本文提出一種能夠適用于不同類型射頻傳感技術的糧食水分含量檢測系統，并將其命名為RF—Grain，可以融合多種不同模態的射頻信號，利用各種不同的射頻傳感技術進行靈活準確的糧食水分檢測。搭建三種射頻傳感平臺，分別是WiFi、RFID和毫米波雷達，采集含有糧食水分信息的3種射頻傳感數據。針對采集的3種不同類型的射頻傳感數據，分別設計相對應的數據預處理方法，其中，在對WiFi CSI數據進行預處理時，提出一種新的小波閾值去噪方法。提出一種域對抗神經網絡模型，通過對抗訓練的思想消除不同射頻傳感數據之間的特征分布差異，克服不同射頻信號種類的干擾，實現對糧食水分含量的檢測。

1 系統概述

RF—Grain系統是一個通用的模型，可以與不同射頻技術配合使用，實現多種類射頻技術應用場景的快速糧食水分含量檢測。系統整體架構如圖1所示，包括3個主要模塊，分別是射頻信號數據采集、數據預處理和水分含量檢測模型。

2 射頻信號數據采集與數據預處理

2.1 射頻信號數據采集

2.1.1 樣品制備

采用小麥作為試驗樣品，取一批小麥中的一部分樣品研磨成粉末，使用鹵素干燥機測量出小麥樣品初始水分含量。將這批小麥按質量進行五等分，分別對其進行加濕或烘干，將它們調制成水分含量均勻分布在10%～14%的5種小麥樣品。調制完成后，再次使用干燥法進行水分含量校準，結果如表1所示。

2.1.2 平臺搭建和數據采集

設計并搭建WiFi、RFID和毫米波雷達3種射頻傳感平臺，分別對不同水分含量的小麥進行射頻信號數據的采集，試驗場景如圖2所示。

WiFi平臺由兩臺裝有Intel 5300網卡的筆記本電腦組成，兩臺電腦使用的是Ubuntu 14.06 LTS（64 位）操作系統，內核為4.4版本，兩臺筆記本均連接外部天線，分別用于信號的發射和接收，工作頻率為5.2 GHz，帶寬為20 MHz。設置采樣率為每秒100個數據包，持續10 s，分別采集5種不同水分含量小麥樣品的數據，共得到5 000個數據包。

RFID平臺由Impinj Speedway R420 RFID閱讀器、天線、無源RFID標簽和上位機組成，閱讀器能夠在通信范圍內不斷地進行電子標簽的識別并報告數據，通過應用程序TagReader來讀取數據。將3個無源RFID標簽等間距放在小麥樣品上方，并將工作頻率設置為923.375 MHz，對每組采集3 000個數據，通過采集來自3個標簽的5種水分含量樣品的數據，共得到15 000個數據。

毫米波雷達平臺使用的是毫米波雷達（AWR1642）和DCA1000數據捕獲板，配合上位機軟件mmwave studio進行數據捕獲。采樣點設置為200，幀間chirp數設置為128，分別對5種水分含量的小麥樣品進行數據采集，每種水分含量的小麥樣品采集100幀數據。

2.2 數據預處理

在對射頻數據采集的過程中，會因受到外界的干擾，如其他射頻設備的干擾、多徑效應等，不可避免地采集到一些異常數據，為了保證后續數據分析的準確度，分別對3種射頻數據進行數據預處理。

2.2.1 WiFi CSI數據去噪處理

從采集的WiFi CSI數據中提取振幅信息，如圖3所示。原始CSI數據包含許多由環境因素和硬件設備引起的噪聲，不能直接使用，因此需要去除相位噪聲。采用小波閾值去噪算法，并提出一種基于拉依達準則的自適應小波閾值新型選取方法。

1） 將原始信號[f（x）]等分為n個區間，分別對每一個區間進行小波變換。計算第一個區間各尺度小波域的標準偏差，并依據拉依達準則剔除異常值。選取去除異常值后的標準偏差中的最大值，設置其為第一個區間的異常值閾值[v1，j]，則第二區間對應尺度上的閾值[λ2，j=v1，j]。

2） 利用求得的閾值處理第二個區間的小波域，并依據拉依達準則剔除異常值。選取去除異常值后的標準偏差中的最大值，設置其為第二區間的異常值閾值[v2，j]，則第三區間對應尺度上的閾值[λ3，j=v2，j]。

3） 以此類推，按照以上過程處理完所有n個區間，得到去噪后的估計信號[f（x）]。

為了驗證所提方法的優越性，將此方法與常見閾值選擇方法的降噪效果進行對比，結果如圖4所示，可以看出所提方法具有更好的降噪效果。此外，選取不同方法去噪前后的均方根誤差（RMSE）和信噪比（SNR）作為評價指標，結果如表2所示，其中，提出的去噪方法可以得到較高的信噪比和較小的均方根誤差，說明該方法具有比較好的降噪效果。因此，將此方法應用于WiFi CSI幅值的去噪處理，具有較高的可靠性和準確性。

2.2.2 RFID數據異常值去除

圖5是使用RFID平臺采集的水分含量為11%的小麥樣品所對應的相位數據，可以看到，數據中存在一些異常的離群值，這些離群值就是需要去除的異常值。采用絕對中位差（MAD）算法進行異常值的檢測和去除。對原始RFID數據中的相位數據進行異常值檢測，當檢測到異常值時，使用相鄰的非離群值的線性插值對該異常值進行替換，這樣可以避免因去除異常值而造成的數據長度變化的影響。圖6為使用MAD算法進行異常值去除之后的數據曲線。

2.2.3 毫米波雷達數據目標區域選取

對于毫米波雷達信號數據，執行FFT將信號轉換成頻譜，峰值區域表明檢測到物體的存在[15]。由于峰值區域包含用于細粒度識別的判別特征，所以將峰值區域裁剪為目標區域來進行特征提取[16]。如圖7所示，選擇0.6 m范圍內的連續16個樣本作為目標區域的數據。

3 糧食水分含量檢測模型建立

3.1 特征提取器

建立一種基于域對抗神經網絡（DANN）的多模態射頻信號融合的糧食水分含量檢測模型，模型架構如圖8所示。

模型需要提取與設備無關的水分特征，即尋找一種能將設備域與水分域映射到同一特征空間且能準確區分的度量準則。首先，引入卷積神經網絡（CNN）構建特征提取器進行信號特征的表示學習，特征提取器由兩個卷積層和一個全連接層構成。卷積層通過一維卷積操作捕捉輸入數據的局部特征，并通過批歸一化和ReLU激活函數引入非線性，加速收斂過程。然后，通過全連接層對卷積層輸出進行線性變換，整合這些卷積特征，并提供最終的高維度表征。模型以一種層次化的方式對輸入數據進行特征學習，有助于捕獲輸入數據中的局部關系并提高泛化性能。

在前向傳播過程中，需要使用來自3種設備的信號數據進行同時訓練。由于3種輸入數據的數據維度不同，首先需要將3種數據調整為適應卷積層的輸入形狀。為了保持訓練的維度一致，使用數據填充的策略來對齊最高維度。綜合考慮并嘗試了多種數據填充方式，最終選擇常數填充，這是由于常數填充確保了邊界處的一致性，有助于維持數據的整體分布。此外，常數填充可以快速填充缺失值，使數據框更完整，以便于進一步的分析和建模。然后，通過卷積層和全連接層的組合進行特征提取，最終輸出的是提取的深層特征。將不同設備采集的信號數據表示為[X∈Rl×k]，其中l表示序列長度，k表示序列的維度，經過CNN之后的特征如式（1）所示。

[fi=CNN（X）] （1）

式中： [fi]——特征提取器提取的特征；

[kf]——特征維度。

3.2 糧食水分含量分類器和域鑒別器

糧食水分含量分類器和域鑒別器的輸入均來自于特征提取器，它們均由兩層全連接網絡構成，其中，特征提取器和水分含量分類器構成了一個前饋神經網絡。域鑒別器的目標是判斷輸入數據來自哪一個設備域，即區分射頻數據的來源設備，中間通過一個梯度反轉層（GRL）連接，以達到對抗不同設備域之間多樣性的問題。具體來說，在訓練過程中，水分含量分類器的目標是最小化水分含量分類損失，實現糧食水分的精準檢測，而域鑒別器的目標是最大化設備域分類損失，從而使得提取的特征對設備域信息不敏感，水分含量分類器和域鑒別器的定義如式（2）和式（3）所示。

[ylabel=Wl2（ReLU（Wl1（fi）+bl1））+bl2] （2）

[ddom=Wd2（ReLU（Wd1（fi）+bd1））+bd2] （3）

式中： [ylabel]——糧食水分分類器的輸出結果；

[ddom]——域鑒別器的輸出結果；

[Wl1]、[Wl2]、[Wd1]、[Wd2]——權重；

[bl1]、[bl2]、[bd1]、[bd2]——偏置信息。

分別定義糧食水分含量分類器的損失和域鑒別器的損失，如式（4）和式（5）所示。

[Ly=-ylabellog（ylabel）] （4）

[Ld=-ddomainlog（ddomain）] （5）

式中： [Ly]——糧食水分含量分類器損失；

[ylabel]——小麥數據樣本的真實水分含量標簽；

[Ld]——域鑒別器損失；

[ddomain]——射頻設備標簽。

總體損失函數定義如式（6）所示。

[L=Ly+λ×Ld] （6）

式中： [λ]——超參數。

在模型訓練的過程中，特征提取器的目標是最小化[Ly]，最大化[Ld]，并最小化總體損失函數L，即在保證糧食水分含量檢測任務性能的同時，最小化設備種類之間的領域差異，從而實現水分含量分類器能夠自適應地區分來自不同設備的糧食水分含量類別，而域鑒別器無法區分數據是哪一種射頻數據。此時的特征提取器專注于學習與糧食水分含量相關的特征，并放棄與不同設備種類相關的特征。

4 結果與分析

在模型訓練階段，按照8∶2的比例將數據劃分為訓練集和測試集。整個模型使用Adam優化器進行優化，學習率設置為0.003，批量大小設置為32，訓練100個epoch。總體損失函數中的超參數[λ]設置為0.5。

采用混淆矩陣來評估RF—Grain系統的整體性能。將水分含量的標簽步長設置為1%，并采用5種水分含量水平的小麥進行數據采集和模型訓練，為了方便起見，在混淆矩陣中分別用不同的縮寫詞來表示不同的水分含量：含水量10%～10.9%標為MC10，11%～11.9%標為MC11，12%～12.9%標為MC12，13%～13.9%標為MC13，14%～14.9%標為MC14。

4.1 試驗結果

采取多種射頻設備組合的方式來進行測試，覆蓋從僅使用單一射頻信號分析到結合使用3種不同模態射頻信號的過程。與卷積神經網絡（CNN）進行對比分析，因為CNN與所提出的模型具有相同的特征提取器和糧食水分含量分類器，但CNN缺少域鑒別器和反向梯度更新。如圖9所示，當僅使用單一射頻技術（僅WiFi）時，對CNN分類模型和RF—Grain系統的結果建模獲得的混淆矩陣。其中，使用CNN分類模型得到的結果總體準確率為98.47%，使用RF—Grain系統得到的結果總體準確率為98.87%。結果表明，在僅使用單一射頻技術進行小麥水分含量檢測時，CNN分類模型和RF—Grain系統均能對不同水分含量的小麥進行有效區分，其原因是：當僅使用一種射頻技術來進行模型訓練時，數據中關于射頻設備種類的特征相同，不需要考慮設備種類對糧食水分含量分類的影響，所以域鑒別器對模型的影響幾乎可以忽略不計。因此，當僅使用一種射頻傳感技術時，RF—Grain系統幾乎與CNN分類模型擁有相同的性能水平。

同時使用兩種射頻技術進行小麥水分含量檢測，表3為使用不同射頻技術組合方式進行小麥水分含量檢測時，CNN分類模型和RF—Grain的結果對比。當使用兩種射頻數據時，CNN分類模型的總體準確率從98.47%分別降低至81.78%、87.06%和84.8%，總體準確率為84.54%，而RF—Grain系統的準確率分別為96.27%、95.82%和96.58%，總體準確率為96.22%。

當同時使用3種射頻技術（WiFi、RFID和毫米波雷達）時，CNN分類模型和RF—Grain的結果混淆矩陣如圖10所示。當使用3種射頻數據時，CNN分類模型的總體準確率為79.99%，而RF—Grain系統的總體準確率為96.56%。綜上，當增加射頻數據種類，使用2種或者3種射頻數據進行小麥水分含量檢測時，CNN分類模型的準確率大大降低，已經無法在多種類型的射頻數據中學習用于水分分類的廣泛特征。相比之下，所提出的RF—Grain系統仍然獲得96.22%和96.56%的準確率，盡管總體準確率有所降低，但仍能達到較為理想的效果。

4.2 不同因素對系統性能的影響

4.2.1 靜態環境對系統的影響

為了驗證靜態環境對系統性能的影響，分別在空曠的大廳環境和相對復雜的實驗室中進行對比試驗。圖11為RF—Grain系統在2種環境中的檢測結果。與空曠的大廳環境相比，系統在實驗室環境中的檢測精度有所下降，這是因為在實驗室環境中，桌椅等物品會增強信號的多徑效應。但是，在這2種環境中，RF—Grain系統的準確率都超過了94%，這說明即使面對更復雜的檢測環境，該系統也能取得令人滿意的結果。

4.2.2 動態環境噪聲對系統的影響

為評估RF—Grain系統在動態環境下的性能。試驗引入了不同程度的動態噪聲來模擬動態環境，即允許不同數量的人員在附近走動，并檢測他們對系統性能的影響，結果如圖12所示，其中NL0表示沒有人員走動時的噪聲水平，NL1、NL2和NL3分別表示增加相應數量的人員走動時的噪聲水平。分析可得，隨著人員數量的增加，動態噪聲對信號的干擾增強，系統的檢測精度逐漸降低。但是，在不同水平動態噪聲的影響下，RF—Grain系統的總體精度仍能達到80%以上。

4.3 分析和討論

4.3.1 與現有方法對比分析

將RF—Grain系統與現有的4種基于射頻技術的糧食水分含量檢測方法進行比較，結果如表4所示。結果表明，所提出的RF—Grain系統達到與其他方法相近的檢測精度，并且實現幾種方法中能夠達到的最高水分分辨率。但是，其他幾種方法均是針對特定射頻技術和特定場景所設計，需要根據信號建立相應的模型，而RF—Grain系統則適用于3種射頻技術中的任意一種，具有更強的普適性。因此，RF—Grain系統在保證檢測精度的前提下，能夠提高模型的泛化能力，大大降低成本和廣泛部署的障礙。

4.3.2 討論

RF—Grain系統可以與不同射頻技術結合實現糧食水分含量的快速檢測，但仍存在一些不足。（1）使用3種常用的射頻技術進行該方法的研究，尚未能全面探索其他可用射頻技術的融合，這是未來研究工作中一個值得深入探討的方向。（2）已使用小麥這一種谷物進行研究，尚未能夠全面探索該系統在其他品種谷物上的適用性。（3）由于時間、地點的限制，已通過試驗驗證RF—Grain系統在實驗室環境下的可行性，未能在更多真實的檢測環境中進行試驗來對比驗證精度，由于真實檢測環境中存在許多未知的干擾因素，所以很有必要探索該系統在真實應用場景中的可行性與穩定性。為了克服這些不足，后續將會努力開展更加廣泛和深入的研究，持續優化模型，提高系統的魯棒性以及泛化性。

5 結論

提出一種通用的糧食水分檢測新方法，適用于WiFi、RFID和毫米波雷達等多種射頻傳感技術，具有效率高、適用范圍廣等優點，解決現有方案僅適用于單一射頻技術或平臺的應用局限性問題。該方法可以與不同種類射頻傳感技術配合使用，自適應地進行糧食水分含量的快速無損檢測，有利于降低糧食水分檢測系統的成本和廣泛部署的障礙。

1） 共采集3種射頻傳感數據，并分別為不同的射頻數據設計數據預處理方法。在進行WiFi CSI數據的去噪預處理過程中，提出一種基于自適應閾值選擇的小波去噪方法，以降低WiFi信號的環境干擾，該方法的均方根誤差RMSE為0.345，低于其他常見的閾值選擇方法，信噪比SNR為10.431"2，高于其他常見的閾值選擇方法，該方法的去噪效果優于其他方法。

2） 提出一種基于域對抗神經網絡的糧食水分含量檢測模型，能有效抵抗射頻設備種類域的干擾，使模型集中學習糧食水分含量的特征。當使用3種射頻技術（WiFi、RFID和毫米波雷達）時，RF—Grain模型總體準確率分別為98.87%、96.22%和96.56%，CNN分類模型總體準確率分別為98.47%、84.54%和79.99%。與標準CNN分類模型相比，RF—Grain模型準確率分別增加0.4%、11.68%和16.57%，綜合性能更優。

參 考 文 獻

[ 1 ]""""" 蔣浩然， 蔣國良. 不同存儲環境對糧食營養成分和微生物變化的影響[J]. 糧食與飼料工業， 2024（2）： 11-15.

Jiang Haoran， Jiang Guoliang. The impact of different storage environments on the nutritional composition and microbial changes of grain [J]. Cereal amp; Feed Industry， 2024（2）： 11-15.

[ 2 ]""""" Valmor Z， Tadeu R P， Dietrich C F. Grain storage systems and effects of moisture， temperature and time on grain quality： A review [J]. Journal of Stored Products Research， 2021， 91： 101770.

[ 3 ]""""" Müller A， Nunes M T， Maldaner V， et al. Rice drying， storage and processing： Effects of post?harvest operations on grain quality [J]. Rice Science， 2022， 29（1）： 16-30.

[ 4 ]""""" Li C， Li B， Huang J， et al. Developing an online measurement device based on resistance sensor for measurement of single grain moisture content in drying process [J]. Sensors， 2020， 20（15）： 4102.

[ 5 ]""""" 王婷婷. 糧食質量快速檢測技術的應用[J]. 食品安全導刊， 2023（33）： 25-28.

[ 6 ]""""" 邸天梅. 近紅外分析儀在小麥收購水分檢驗中的應用[J]. 現代面粉工業， 2022， 36（3）： 5-7.

[ 7 ]""""" Bai X， Ni L， Deng J， et al. Quantitative determination of wheat moisture content based on microwave detection technique combined with multivariate data analysis [J]. Journal of Stored Products Research， 2024， 105： 102237.

[ 8 ]""""" Yang W， Wang X， Song A， et al. Wi—Wheat： Contact?free wheat moisture detection with commodity WiFi [C]. 2018 IEEE International Conference on Communications （ICC）. IEEE， 2018： 1-6.

[ 9 ]""""" Yang W， Wang X， Cao S， et al. Multi?class wheat moisture detection with 5GHz Wi—Fi： A deep LSTM approach [C]. 2018 27th International Conference on Computer Communication and Networks （ICCCN）. IEEE， 2018： 1-9.

[10]""""" Yang W， Shen E， Wang X， et al. Wi—Wheat+： Contact?free wheat moisture sensing with commodity WiFi based on entropy [J]. Digital Communications and Networks， 2023， 9（3）： 698-709.

[11]""""" Hu P， Duan S， Yang W， et al. WiMgrain： Multi?variety grain moisture content detection using Wi—Fi CSI data [J]. IEEE Sensors Journal， 2024.

[12]""""nbsp; 李世鋒. 基于射頻信號的糧食水分快速檢測方法研究[D]. 鄭州： 河南工業大學， 2021.

Li Shifeng. Research on the rapid detection method of grain moisture based on RF signal [D]. Zhengzhou： Henan University of Technology， 2021.

[13]""""" Shen E， Yang W， Wang X， et al. TagSense： Robust wheat moisture and temperature sensing using a passive RFID tag [C].IEEE International Conference on Communications. IEEE， 2022： 1617-1622.

[14]""""" Cui F， Dong G， Chen B， et al. Application of ground penetrating radar technology in moisture content detection of stored grain [J]. Journal of Agricultural Engineering， 2023， 54（1）.

[15]""""" Dang X， Tang Y， Hao Z， et al. PGGait： Gait recognition based on millimeter?wave radar spatio?temporal sensing of multidimensional point clouds [J]. Sensors， 2023， 24（1）： 142.

[16]""""" Liang Y， Zhou A， Zhang H， et al. FG—LiquID： A contact?less fine?grained liquid identifier by pushing the limits of millimeter?wave sensing [J]. Proceedings of the ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies， 2021， 5（3）： 1-27.