基于Wi-Fi无线感知技术的猪呼吸频率监测

逯玉兰，李 广，郝玉胜，林 强

基于Wi-Fi无线感知技术的猪呼吸频率监测

逯玉兰1，李 广2※，郝玉胜3，林 强3

（1. 甘肃农业大学信息科学技术学院，兰州 730070；2. 甘肃农业大学林学院，兰州 730070；3. 西北民族大学数学与计算机科学学院，兰州 730030）

监测和及时发现猪呼吸异常是养猪产业管理中的重要课题。为了克服人工监测方式效率低下、穿戴式设备监测方法成本较高且容易引起猪应激反应的缺点，该文提出了一种基于Wi-Fi网络信道状态信息的非接触式猪呼吸率监测方案。首先，利用Wi-Fi网络设备及其开源驱动程序捕获CSI序列信号并提出异常载波过滤算法用于滤除通信过程中的异常载波；其次，设计载波周期性水平量化指标并以此评估载波周期性水平；第三，通过Smoothing Splines方法平滑载波曲线并基于载波序列自相关函数估计载波周期和频率，筛选出载波周期性水平大于22且频率位于闭区间[0.127 Hz，1.25 Hz]的反映猪只呼吸行为的载波；第四，对符合条件的载波频率进行加权平均求得猪只呼吸率。以人工统计猪只每分钟的呼吸次数作为真实情况，通过对9头仔猪，5头育肥种猪，3头怀孕母猪以及3头因患病引起腹式呼吸的病猪进行对比试验，该文提出的方法能够准确计算出猪的呼吸率，平均相对误差为1.398%。研究结果为应用Wi-Fi无线感知技术监控动物呼吸率提供参考。

无损检测；畜牧业；动物呼吸监测；信道状态信息；Wi-Fi感知

0 引 言

现代畜牧和养殖产业中，对动物个体信息及其行为的智能感知与分析构成了精准畜牧的核心[1]。关于动物呼吸的研究表明，呼吸急促症，病毒感染、断奶后的多系统消耗综合症，受除草剂污染的草料、环境胁迫等不利因素导致的动物疾病，首先都会通过动物呼吸表现出来。实时监测动物呼吸，及时检测呼吸异常对动物疾病预警、保障动物福利、降低经济损失有着十分重要的作用。

就呼吸监测而言，代表性的方法大致可以分为三类：人工观察法，穿戴式传感器监测法以及无损监测法。人工记录方法因准确率低、成本高、精度差等诸多弊端难以满足现代农场自动化管理的需求。利用各种传感器进行监测的方法具有精度高、可靠性强等优势，代表性的研究有：Moody等[2]通过测量体表心电图波动实现对信号中呼吸节律的提取；Nepal等[3]基于心电图信号，设计了能够区分呼吸暂停症的算法；Devonshire等[4]设计了能够探测大鼠胸部起伏状态并转换为模拟信号的设备，用以计算麻醉后大鼠的呼吸率和睡眠深度； Ginott[5]使用一台真空听诊器和录音机替代价格不菲的呼吸监测仪并推广到临床应用；Cleary等[6]使用非常灵敏的气压传感器探测动物鼻孔进出气流的压力，根据进出气流压差判断动物呼吸状况；Lei等[7]，Bifulco[8]等使用聚偏二氟二烯压电式传感器实现对呼吸状态的检测。基于传感器的监测方法需要在动物身体上穿戴或植入部分设备，极易造成动物的应激反应，有损动物福利，影响监测质量。加之动物平时的躺卧、抓咬以及传感器进水等事件，容易造成设备损坏，实施和维护成本较高，难以推广应用。

无损监测技术是指在不损害或不影响被测对象的前提下，借助现代技术和设备对对象结构、性质和状态等进行监测的技术[9]。许多学者利用红外成像、图像处理等技术实现了对人或动物的呼吸监测。例如，Lewis等[10]，Basu等[11]通过红外热成像技术，在仔细分析红外图像的基础上，得到人的呼吸率；纪滨等[12]基于机器视觉方法，通过分析猪的脊腹线轮廓起伏从而诊断猪的呼吸急促症；赵凯旋[13]基于视频分析，使用光流法分析视频图像帧，实现了对奶牛呼吸率的计算。

随着无线网络的普及，在无线传感领域出现了利用日常使用的网络设备构建Wi-Fi无线传感网络，进而实现人员室内定位[14-17]、身份识别[18-20]、行为和姿势识别[21-23]以及针对人的呼吸监测[24-26]的各种应用。由于Wi-Fi网络中物理层的信道状态信息会随着物理环境的改变而发生变化且对环境变化异常敏感，加之该领域已有公开的在实时通信过程中获取信道状态信息的方法[27]。因此，通过分析信道状态的变化就可以推断环境中发生的细微变化，使用Wi-Fi信号监测动物呼吸率具备可行性。

本文将基于Wi-Fi的无线感知技术应用到动物呼吸率监测领域，为无线传感技术在农业领域的推广提供参考。

1 Wi-Fi信号的捕获与信息采集

1.1 Wi-Fi信号传播模型

Wi-Fi信号本质上属于射频信号，当物理环境发生变化（人或动物的走动、躺卧甚至呼吸、咀嚼等）时，整个无线网络的通信信道会因为通信环境的变化而发生改变，如果能够实时捕获无线网络通信信道的变化，就可以反过来推导环境中发生的具体变化，进而实现对环境的智能感知。通常情况下，Wi-Fi信号的发射端（TX）和接收端（RX）之间存在一条视距路径（line of sight，LOS）以及多条由反射路径和散射路径构成的非视距路径（non-line of sight，NLOS），Wi-Fi信号传播模型[22]见图1。

注：h1，h2信号反射点距离视距路径的垂直距离；TX为信号发射端，RX为信号接收端。

1.2 信道状态信息

对于具有多个发射天线和多个接收天线的系统（multi-input and multi-output，MIMO），通信过程中无线信号的窄带平坦衰落模型[28]如下

信道状态信息（chanel state information，CSI）正是对的一种估计，它包括载波信号强度、振幅、相位以及信号时延等具体指标，这些指标揭示了载波随着传输距离的变化而发生的信号散射、反射、功率衰减等现象，可用于衡量Wi-Fi通信中无线网络的信道状态[29]。通过分析和研究CSI的变化，可以反过来推测引起信道状态变化的物理环境变化，即实现非接触式智能感知。CSI对环境变化异常敏感，除了能够感知人或动物的走动、奔跑等较大幅度的动作引起的环境变化外，还能够在静态环境下捕获人或动物的呼吸、咀嚼等小幅度动作引起的细微变化。

本文首先通过实证试验初步验证了CSI在感知环境变化中的有效性。试验采用一台装配有Intel 5300网卡的ThinkPad X200便携式计算机作为信号接收端RX，采用一台TP-LINK品牌WR742N型的无线路由器作为信号的发射端TX。RX和TX都安装在距离地面高度为1.8 m的三脚架上，水平距离为3 m。如图2a所示，志愿者在Wi-Fi信号的可视路径（line of sight, LOS）间分批次完成4种不同的动作，每个动作重复300次，动作间间隔15～30 s。当人在信号TX端和RX端之间做出不同动作时，CSI信号呈现出不同的变化，已有研究利用此进行人体行为和姿势识别[21-23]。如图2 b所示，志愿者平躺在高度为50 cm的床上，在相对静止的条件下进行正常呼吸，数据采集时长累计达24 h。可以看到，当人在静态环境下呼吸时，其中若干个载波呈现出对应的变化趋势，CSI序列的振幅呈现出明显的节律，这一节律与人体呼吸节律基本吻合。实际上，这是由于Wi-Fi网络中的有一些载波受到人体呼吸时胸部起伏的影响而发生的有规律的变化，相关研究[24-26]已经在人体上得以实施。本文在此基础上，利用Wi-Fi无线感知技术就猪的呼吸率监测问题开展研究。

1.3 数据采集

目前，基于CSI的无线感知应用研究在数据获取上主要依赖开源的网卡驱动程序，基于Intel 5300 无线网卡的开源驱动程序[27]是选择之一；获取数据的另一种方案是基于Atheros Wi-Fi芯片组的开源驱动，支持的网卡型号有Atheros AR9580，AR9590，AR9344以及QCA 9558等。本文所设计的系统选用基于Intel 5300 NIC的开源驱动程序。

数据采集系统由数据发射端（TX）和数据接收端（RX）组成。TX端选用支持802.11 a/g/n协议的TP-LINK WR742N无线路由器，RX端选用安装有Intel 5300无线网卡的ThinkPad X200便携式计算机。TX端和RX端分别放置在猪栏两侧的三角支架上。TX端的路由器配备有一个发射天线，工作频率为2.4GHz。RX端的Intel 5300无线网卡配备有3个接收天线A，B和C，通过ping命令以100 包/s的速率向TX端发送ICMP数据包，TX端在向RX端反馈信号的过程中，系统利用开源的Intel 5300网卡驱动，在Linux系统环境下实时获取数据并将CSI数据以文件形式记录到RX端，系统的数据采集频率设置为10 Hz，即每秒钟记录10个CSI数据点。

图2 基于CSI的智能感知应用

新生仔猪的呼吸率最高可达60次/min（即呼吸率为1 Hz），根据奈奎斯特采样定理，系统至少需要以大于2 Hz的频率进行采样。为保证呼吸率估计的精度，系统以10 Hz的频率进行采样，采样后的信道状态信息是1个1×3×30的矩阵，表示如下

1.4 异常载波过滤

临床上测定呼吸率的时间一般为1 min，本文设计的系统致力于利用30 s的CSI序列片段完成猪呼吸率的计算。因此，异常载波过滤的滑动窗口被设置为30 s，即每次选择载波上300个数据点并统计其中有无离群点。如果有，则该载波被判定为异常载波。由图3 b可以看出，经由Hampel鉴别器处理后，含有离群点的载波已被过滤。

图3 异常载波过滤

2 猪只呼吸率估计

2.1 系统架构

系统主要由4个模块构成：1）数据采集模块，主要用于采集Wi-Fi网络信道状态信息，输出CSI信号序列；2）数据预处理模块，用于对CSI信号序列进行异常载波过滤；3）载波周期性水平评估模块，对于候选载波进行周期性水平评估，选择捕捉到猪只呼吸节律的周期性水平较高的载波；4）呼吸率估计模块，统计各载波频率并加权平均，计算猪只呼吸率。整个系统架构见图4。

2.2 载波信号建模

式中、、为载波信号的振幅、频率和相位，为矫正项，为随机噪声。已知载波信号，只需估计出参数、、中的频率即可得到载波周期，进而推导出猪只的呼吸率。

2.3 载波曲线平滑

估计猪只呼吸率需要筛选周期性较高的载波以确定载波周期，较为简单的方法是进行峰值分析，2个连续的波峰（或波谷）之间的距离则为一个载波周期。但是，由于CSI对环境的敏感性，几乎所有的载波上都存在很多个峰值点（载波曲线并不光滑，布满“毛刺”），并不能真正反映载波的周期性。图5 a所示的曲线为天线C上某个载波的波形，可以发现载波上存在多个峰值点，难以进行周期估计。如果在较为平滑的载波曲线上进行峰值分析，问题便得以简化。因此，首先需要平滑载波曲线。图5 b给出了C天线上一段载波曲线的拟合示意图，可以看到基于平滑样条函数方法可得到非常平滑的拟合曲线。

图5 峰值分析与曲线拟合

曲线的拟合优度通过均方根误差（root mean square error，RMSE）来度量，定义如下

2.4 载波周期量化评估

由于猪只的呼吸是典型的周期性活动，因此只有周期性水平较高的载波才能够真实地反映呼吸情况。对载波周期性水平进行评估，首先给出单个载波的周期估计方法，其次提出载波周期性水平比例的量化指标。

2.4.1 载波周期性水平评估

式中为振幅。显然，的值越大，对应载波的周期性水平就越高。图6给出了某一段时间内C天线上经由异常滤波模块输出的26个子载波的周期性水平，可以看到其中第8个子载波拥有最大的值，其波形拥有最佳的周期性水平。

系统在采集数据的过程中，每隔30 s保存一个CSI序列片段，在数小时的时间内，总是能够捕获到周期性水平较高的载波CSI序列片段。较长的数据采集时间能够保证系统获取足够的CSI序列片段进而用于猪只呼吸率估计。

2.4.2 基于自相关函数的载波周期估计

对于能量有限的CSI序列信号，其自相关函数定义为

如果信号的周期为，那么在的整数倍上，其自相关函数的取得最大值，在时域波形上，从零点起往右的第一个峰值点即为信号的周期，见图7b。可以看出，图中信号的周期为8 s。

2.5 猪只呼吸率估计

图8 数据采集示意图

最终，猪只的呼吸率估计如下

3 试验与结果分析

3.1 试验设置

3.2 试验结果及分析

在实际生产中，通常以人工方式统计猪每分钟的呼吸次数作为真实的呼吸率。由于系统得到的是能够反映猪只呼吸的载波的频率，因此有必要将真实的呼吸率转换为呼吸频率（每秒钟的呼吸次数）后与系统估计得到的频率做比较以衡量系统精度。呼吸率与呼吸频率转换关系如下：

通过定义相对误差，可以衡量系统估计值的可信程度。

试验结果如表1～表4所示。可以看出，呼吸率不同的各种猪只，系统能够成功捕获因猪只呼吸引起的胸部起伏，充分利用时长仅有30 s的CSI序列片段完成猪只呼吸率估计。由于Wi-Fi信道状态信息对环境变化的高度敏感性，本文提出的方法能够以很高的精度估计猪只的呼吸率，计算结果与实际情况非常接近，平均相对误差为1.398%。

表1 仔猪呼吸频率估计

表2 育肥中猪呼吸频率估计

表3 怀孕母猪呼吸频率估计

表4 病猪呼吸频率估计

4 结 论

从随机序列中发现周期模式是序列信号处理的重要研究内容，在动物呼吸监控方面有着重要的应用。本文提出的方法主要以分析载波的周期性水平为核心，随着数据量的增加，可尝试使用机器学习的方式训练深度神经网络模型以更好地发现序列中的周期模式；另一方面，本文所设计的系统目前只适用于单只饲养的动物，对养殖群体中每个动物的呼吸监测还需进一步研究。

[1]何东健，刘冬，赵凯旋. 精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 农业机械学报，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]汪开英，赵晓洋，何勇. 畜禽行为及生理信息的无损监测技术研究进展[J]. 农业工程学报，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]纪滨，朱伟兴. 基于脊腹线波动的猪呼吸急促症状视频分析[J]. 农业工程学报，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]赵凯旋. 基于视频分析的奶牛呼吸率与异常检测[J]. 农业机械学报，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

逯玉兰，李 广，郝玉胜，林 强. 基于Wi-Fi无线感知技术的猪呼吸频率监测[J]. 农业工程学报，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

甘肃农业大学学科建设基金（GSU-XKJS-2018-254，GSU -XKJS-2018-255，GSU-XKJS-2018-253），甘肃省重点研发计划(18YF1NA070)国家自然基金（31660348，31660347），甘肃省自然基金（18JR3RA169），甘肃省高等学校协同创新团队项目(2018C-16)；甘肃省财政专项（GSCZZ-20160909），甘肃农业大学盛彤笙基金（GSAU-STS-1718）和甘肃农业大学信息科学技术学院发展基金资助

逯玉兰，讲师，目前主要从事农业信息化研究。Email：luyl@gsau.edu.cn

李 广，教授，博士生导师，目前主要从事农业信息化研究。Email：lig@gsau.edu.cn

10.11975/j.issn.1002-6819.2019.24.022

S24；TN911

A

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