一种自适应无线传感器网络安防报警方法
【专利摘要】本发明涉及一种自适应无线传感器网络安防报警方法，每个无线传感器网络节点间通过无线链路组成一个无线传感器网络，从而可将陌生人员的入侵信号通过无线网络回传给监控控制中心，以达到安防报警的目的。采用贝叶斯网络作为概率学习的推理机，使本系统成为具有机器学习能力的智能系统。在节点充分聚集后，系统使用K均值聚类算法对成片的传感器节点进行聚类分簇，并在每簇中选取几个工作节点正常运转，而多余的节点则可以转入休眠状态，通过这种方法可以有效降低全网实时工作的传感器节点数量，降低总体功耗，在工作节点的电能消耗殆尽以后转用休眠节点进行报警。
【专利说明】
一种自适应无线传感器网络安防报警方法
技术领域
[0001] 本发明涉及电子信息领域，特别是一种自适应无线传感器网络安防报警方法。
【背景技术】
[0002] 居民小区安防报警系统或重要区域安全监控报警系统是人们日常生活中常见的 一种安全防护设施，它的主要目的是对一定区域进行实时检测，发现异常入侵的人或物体 并及时汇报安防监控中心以便安保人员采取积极主动措施防范盗窃、破坏和恐怖袭击等事 件的发生，具有重要的现实意义。目前现有的安防系统大多采用固定线缆布置，需事先为检 测点设计好安放位置，布置电线和信号线并将其全部连接至控制中心实现报警。而现实中 有些场景地形复杂或无稳定电源来源，因而无法有效采用固定线缆方式布置，给系统的设 计和安装运行带来困难。在此情况下无线传感器网络就可被用于解决该问题。采用无线传 感器网络布置区域安防报警系统，由于无线网络的结构可随时调整，则传感节点的位置也 不必事先确定，电源可以采用节点自带的锂电池供给，信号通过无线链路传递，则整个报警 网络的拓扑结构可以随时进行自适应调整，大大增强的整个网络的适应性和便携性，可做 到随时随处布置，任意增添删减节点，实时调控整网功耗和传输链路，大大增强了系统对不 同环境的适应性。而采用无线传感器网络又带来两大功能性问题:一是场景的适应性问题， 二是有限能源所带来的网络运行寿命的问题。
[0003] 现有专利如已授权专利200610114627.5采用不可移动的无线传感节点和基站来 检测包括温/湿度、烟雾、红外和可燃气体在内的几种指标，并进行报警。而已授权专利 201420038434.6则主要针对煤矿环境，通过便携式无线传感节点来检测井下环境和工人生 命指标，系统本身不具有自适应性。其余相关专利，如申请号为20 1410740067.9， 201310648869.2,201410711520.3,201310141806.8,201310646657.0,201510367281.9， 201210046883.0的七个专利都采用ZigBee无线传感器网络构成安防系统，但这些系统都着 眼于结构和功能上的描述，并未对网络的可重构性和自适应性作出描述，即它们的无线节 点皆不能移动，网络也没有自适应学习和变化的算法。
【发明内容】
[0004] 本发明的目的在于提供一种自适应无线传感器网络安防报警方法，以克服现有技 术中存在的缺陷。
[0005] 为实现上述目的，本发明的技术方案是：一种自适应无线传感器网络安防报警方 法，包括一网关中心模块以及与该网关中心模块匹配的复数个可移动传感器节点，且按照 如下步骤实现自适应无线传感器网络安防报警：
[0006] 步骤Sl:以所述网关中心t旲块为中心，在所述网关中心t旲块的外围布设有多圈可 移动传感器节点，形成环状结构，并对各可移动传感器节点中的组网模块进行配置，建立无 线传感器网络，覆盖被检测区域；
[0007] 步骤S2:按地理毗邻关系将所述被检测区域进行分块划分，按距离所述网关中心 距离的远近建立贝叶斯网络，其中，贝叶斯网络节点表征每个被检测区域分块，并通过对贝 叶斯网络节点的概率值进行初始化，从而对每块被检测区域的概率进行初始化；
[0008] 步骤S3:初始化设置后，进入检测学习阶段，通过不断检测入侵的来源，调整贝叶 斯网络节点的概率值，并通过聚集移动校正可移动传感器节点的位置，确定无线传感器网 络的网络结构；
[0009] 步骤S4:通过K均值聚类算法对所有可移动传感器节点进行分簇运算，并在每个分 簇中选取若干代表性可移动传感器节点保持正常工作，其余可移动传感器节点进入休眠状 态来节约能量，且当分簇中代表性可移动传感器节点能源耗尽时，启用休眠状态中的可移 动传感器节点进行替代；
[00?0] 步骤S5:通过所述步骤S4中确定的可移动传感器节点对被检测区域进行检测，当 检测到入侵触发信号时，将该入侵触发信号上传至所述网关中心模块，并上传至控制中心 进行报警。
[0011] 在本发明一实施例中，所述可移动传感器节点包括：用于与所述网关中心模块以 及可移动传感器节点间通信的无线组网模块、用于获取所述可移动传感器节点位置的GPS 区域定位模块、用于检测入侵的红外入侵检测传感器模块、用于测距的超声波测距模块、用 于搭载所述红外入侵检测传感器模块以及所述超声波测距模块的旋转云台、用于改变自身 所处位置的履带式位置移动模块、锂电池电源模块以及控制模块。
[0012] 在本发明一实施例中，所述网关中心模块与设置于控制中心的信息系统相连;所 述网关中心模块包括：用于与所述可移动传感器节点通信的无线组网模块、用于与所述信 息系统通信的有限以太网通讯模块以及由ARM芯片或DSP构成的高性能运算模块。
[0013] 在本发明一实施例中，所述可移动传感器节点中的无线组网模块以及所述网关中 心模块中的无线组网模块为CC2530嵌入式ZigBee芯片。
[0014] 在本发明一实施例中，在所述步骤Sl中，还包括如下步骤：
[0015] 步骤Sll:对用于形成所述环状结构的环数参数Rn以及每环节点数量Dn进行设置；
[0016] 步骤S12:按等间隔角度作出测试线，并与所述被检测区域边缘相交于边缘交点， 且间隔角度为:360/Dn;
[0017] 步骤S13:测量所述边缘交点与所述网关节点间的直线距离，根据所述环数参数Rn 对该直线距离内的测试线进行等分，并在每个等分点处设置所述可移动传感器节点，进而 形成环状结构；
[0018] 步骤S14:对每个可移动传感器节点按照IEEE 802.15.4ZigBee协议构成所述无线 传感器网络。
[0019] 在本发明一实施例中，在所述步骤S2中，采用扇行计算机自动划分方法，通过等角 度间隔辐射线与同心圆对所述被检测区域进行分块划分，并通过贝叶斯网络节点对每个被 检测区域分块进行表征，构成具备层级毗邻关系的贝叶斯网络。
[0020] 在本发明一实施例中，在所述步骤S3中，通过每个可移动传感器节点中的红外入 侵检测传感器模块检测入侵来源;检测到入侵触发信号的可移动传感器节点经其对应的无 线组网模块，将该入侵触发信号上传至所述网关中心模块，并上传至控制中心进行报警;按 系数提高上传入侵触发信号的可移动传感器节点所在被检测区域分块对应的贝叶斯网络 节点的概率值，通过最大期望学习算法在贝叶斯网络中逐层传播，刷新每个贝叶斯网络节 点的概率值;每个可移动传感器节点根据当前所在被检测区域的概率值，结合其GPS区域定 位模块的位置信息，通过位置移动模块向贝叶斯网络节点概率值高的被检测区域聚集移 动。
[0021 ]在本发明一实施例中，所述聚集移动通过所述可移动传感器节点中的履带式位置 移动模块实现，聚集移动的方向为面向层级毗邻区域内拥有最高入侵概率值的贝叶斯网络 节点对应的被检测区域分块，每次移动的距离为(1 = λ · (Ph-Ps)，其中，λ为预设移动系数，用 于调节每次移动的距离大小，Ph为毗连区域内的最高入侵概率值，P s为可移动传感器节点当 前所在本检测区域分块的入侵概率值。
[0022]在本发明一实施例中，所述最大期望学习算法按照如下步骤实现：
[0023]步骤S31:初始化模型参数μ为Λ并设置V = J;
[0024] 步骤S32:已知μ*后计算μ?+1
[0025]步骤S33:生成期望步骤:基于μΗ十算数据集；
[0026]步骤S331:按下述贝叶斯公式计算缺失值V*的条件概率分布：
[0027]
^中V为观测值集；
[0028]步骤S332:通过对缺失值V*赋予权重P(v*|v，yt)来获得步骤S331中的的分数值， 并将该分数值加入非完备的数据集来构建完备数据集；
[0029] 步骤S34:最大化步骤:获得模型参数yt+1的最大似然估计，计算出能使在步骤S332 中获得的完整数据集达到最大似然的参数集；
[0030] 步骤S35:如果算法收敛，则运算停止；否则，令丨=丨+1且以* =以〃1，返回所述步骤 S31中继续执行。
[0031] 在本发明一实施例中，在所述步骤S4中，所述分簇运算通过利用所述K均值聚类算 法，将学习聚类后的可移动传感器节点，按其所处位置以及聚集程度，分为多个聚集簇，并 在每个簇中选取代表性可移动传感器节点，且根据每个可移动传感器节点中锂电池电源模 块的电量来确定代表性可移动传感器节点。
[0032] 相较于现有技术，本发明具有以下有益效果:本发明所提出的一种基于采用可移 动式无线传感器网络构成的安防报警系统的安防报警方法，通过在一定区域布置可移动无 线传感器网络节点的方式进行安防报警检测。每个无线传感器网络节点都配备有人体红外 线检测传感器并搭载在可移动的平台上，网络节点间通过无线链路和ZigBee无线传感网协 议组成一个无线传感器网络，从而可将陌生人员的入侵信号通过无线网络回传给监控控制 中心，以达到安防报警的目的。为了提高报警系统对环境的适应性并减少能源损耗提高系 统的使用寿命，采用贝叶斯网络(Bayesian network)作为概率学习的推理机，使本系统成 为具有机器学习 (Machine Learning)能力的智能系统。报警网络在触发报警信号的同时会 自动分析每个区域发生入侵行为的概率，并通过贝叶斯网络进行学习，从而引导可移动的 传感器节点向入侵的高发区域聚集，从而提高检测的准确性。在节点充分聚集后，系统使用 K均值(K-means)聚类算法对成片的传感器节点进行聚类分簇，并在每簇中选取几个工作节 点正常运转，而多余的节点则可以转入休眠状态，有效降低了全网实时工作的传感器节点 数量，降低总体功耗，在工作节点的电能消耗殆尽以后转用休眠节点进行报警，从而在装配 固定容量锂电池的情况下可大大延长网络的使用寿命。
【附图说明】
[0033] 图1是本发明所提出的一种自适应无线传感器网络安防报警方法组成结构图。
[0034] 图2是发明一实施例中传感器节点移动平台示意图。
[0035]图3是发明一实施例中可移动节点的无线传感器网络自适应学习流程图。
[0036]图4是发明一实施例中所有节点围绕控制室网关中心做环状排布初始化示意图。 [0037]图5是发明一实施例中被检测区域按地理毗连关系划分为分块的示意图。
[0038] 图6是发明一实施例中通过贝叶斯网络节点表征被检测区域分块所形成的贝叶斯 网络。
[0039] 图7是发明一实施例中可移动节点的无线传感器网络自适应优化过程示意图。
[0040] 图8是发明一实施例中传感器网络节点无线传感器网络组网模块电路图。
【具体实施方式】
[0041] 下面结合附图，对本发明的技术方案进行具体说明。
[0042] 如图1所示，在本实施例中，由传感器节点和网关节点共同构成用于安防报警的可 移动式无线传感器网络。传感器节点用于在前端检测入侵信息并按照无线链路的传输规则 将其逐跳传递回位于控制室的网关节点实现报警，其可由用于构建无线传感器网络的组网 模块、用于获知自身位置的GPS区域定位模块、用于检测陌生人入侵的入侵检测传感器模块 和用于改变自身所处位置的移动平台及其控制模块四部分构成。网关节点用于在控制室处 将无线传感器网络传来的信号转换为有线网络的信号汇报给控制中心的信息系统，起到一 个无线到有线的桥梁作用，其上配备有高性能运算模块，通常由高运算性能的ARM芯片或 DSP构成，用于运行无线传感器网络的自适应学习算法、分簇及路由优化算法等。
[0043] 进一步的，如图2所示，为本实施例中所采用的可移动传感器节点移动平台，包括： 平台由履带式移动底座1，可旋转云台2,分别搭载于可旋转云台上的超声波测距模块3以及 红外入侵检测传感器模块4,分别搭载在底座固定平台上的组网模块5，GPS区域定位模块6， 锂电池电源模块7以及控制模块8。履带式移动底座提供平台移动能力，可旋转云台上搭载 的超声波测距模块可辅助平台确定其位置，而可旋转云台本身可帮助超声波测距模块在各 个方向角度上测量距离。无线传感器节点搭载在移动平台上便可以进行移动，通过优化算 法调整节点的分布位置，实现报警效果和网络功耗的最优化。
[0044] 进一步的，如图3所示，为本实施例中无线传感器网络进行自适应学习的流程示意 图。
[0045] 初始化时，如图7(a)所示，将所有节点围绕控制室网关中心做环状排布，排布方式 可是圆形或椭圆形。在本实施例中，可移动传感器节点的具体位置由环数参数Rn和每环节 点数量Dn共同决定，这两个参数由用户预设。如图4所示，较佳的，Rn = 2且Dn = 6,则从网关 中心至检测区域外缘需有两个排布环，在每个排布环上都需要均匀布置6个传感器节点，具 体步骤如下：由于Dn = 6，因此在一个环上需要均匀布置6个节点，一个圆周共360°，因此以 60°为间隔角度作出测试线，使测试线与检测区域边缘相交，测量交点与网关节点间的直线 距离，并根据Rn = 2进行三等分，在两个三等分点处分别布置两个传感器节点，依此规则在 以60°角为间隔的六个方向上都这样操作，最后通过一个椭圆环将同一层上的节点串起来 即可。进一步的，所有可移动传感器节点依照IEEE 802.15.4ZigBee协议构成无线传感器网 络。
[0046]进一步的，在本实施例中，将检测区域按地理毗连关系划分为若干分块，并按距离 中心位置的远近构成贝叶斯网络，每个贝叶斯网络节点代表一个地理区域分块，贝叶斯网 络节点概率为该区域可能发生入侵事件的概率。地理区域的划分可按照用户手动指定进行 划分，也可以由计算机系统自动生成。如图5所示，在本实施例中，采用一种扇行计算机自动 划分方法，通过等角度间隔辐射线和一组同心圆可将整块检测区域划分为1~12号的小块 区域，且该间隔角度以及同心圆的半径均通过用户根据实际被检测区域的环境参数进行预 设。接着用一个贝叶斯网络节点代表一个分块区域构成如图6所示的贝叶斯网络，该网络反 映了物理区域上的毗连关系造成的目标行进概率关系，如果入侵目标出现在区域9则下一 步进入5区域并继而进入1区域的概率就会大大增加，可通过贝叶斯网络学习上溯增大节点 5和节点1的概率。图中节点0表示网关节点。
[0047]进一步的，在本实施例中，初始化完成后，系统进入检测学习阶段，通过不断检测 入侵的来源来校正节点所针对的位置，一旦检测到陌生人入侵，除了迅速将报警信号传送 到控制室完成报警任务外，还需按系数提高该次入侵发生地点所代表的贝叶斯网络节点的 概率值，并通过学习算法在贝叶斯网络中逐层传播。该系数为〇~1之间的数值，可调控单次 事件对贝叶斯网络节点概率的影响，为用户可设定数值，系数大则单次入侵事件发生对贝 叶斯网络节点概率提高的影响就大，反之则影响得小。贝叶斯网络的学习通过下述算法1所 述最大期望学习算法进行。
[0050] 进一步的，概率值刷新后，节点可按照新生成的概率值，通过移动平台向入侵概率 高的地区聚集，如图7(b)所示，从而提高网络对该区域的针对性和适应性。聚集运动通过搭 载传感器节点的履带式移动底座实现，聚集的方向为面向毗连区域内拥有最高入侵概率值 的区域分块，每次移动的距离为(1 = λ · (ph-ps)，其中λ为移动系数，用于调节每次移动的距 离大小，由用户预设指定，Ph为毗连区域内的最高入侵概率值，P s为本传感器节点所属区域 分块的入侵概率值。经过一定阶段的学习和聚集后，学习过程结束，可移动传感器节点位置 和网络结构固定下来。
[0051] 进一步的，在本实施例中，节点位置固定下来以后，可进一步使用K均值聚类算法 (K-means)对所有传感器节点进行分簇运算，并在每个分簇中选取若干代表性的传感器节 点保持正常工作，其余节点可陷入休眠状态来节约能量，如图7(c)所示，图7(c)中休眠的节 点被省略不显示。K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评 价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象 组成的，因此把得到紧凑且独立的簇作为最终目标，其基本步骤如下：
[0052] (1)从η个数据对象任意选择k个对象作为初始聚类中心；
[0053] (2)根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离； 并根据最小距离重新对相应对象进行划分；
[0054] (3)重新计算每个(有变化)聚类的均值(中心对象）
[0055] (4)循环(2)到(3)直到每个聚类不再发生变化为止
[0056]在本实施例中，聚类分簇即是利用该原理把学习聚集后的传感器节点按其所处位 置和聚集程度，分为多个聚集簇，并在每个簇中选取代表性节点。代表性节点的选取有多种 方法，在本实施例中，选取电池剩余能量最多的几个传感器节点做为代表性节点。随着系统 运行过一段时间后，当某簇中的代表节点能源耗尽时可启用休眠节点进行替代，从而延长 整个检测网络的寿命。
[0057]如图8所示，为传感器网络节点无线传感器网络组网模块电路图，模块电路主要采 用美国德州仪器公司CC2530嵌入式ZigBee芯片构成，能较好地满足实施要求。
[0058]以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作 用未超出本发明技术方案的范围时，均属于本发明的保护范围。
【主权项】
1. 一种自适应无线传感器网络安防报警方法，其特征在于，包括一网关中屯、模块W及 与该网关中屯、模块匹配的复数个可移动传感器节点，且按照如下步骤实现自适应无线传感 器网络安防报警： 步骤SI: W所述网关中屯、模块为中屯、，在所述网关中屯、模块的外围布设有多圈可移动 传感器节点，形成环状结构，并对各可移动传感器节点中的组网模块进行配置，建立无线传 感器网络，覆盖被检测区域； 步骤S2:按地理邮邻关系将所述被检测区域进行分块划分，按距离所述网关中屯、距离 的远近建立贝叶斯网络，其中，贝叶斯网络节点表征每个被检测区域分块，并通过对贝叶斯 网络节点的概率值进行初始化，从而对每块被检测区域的概率进行初始化； 步骤S3:初始化设置后，进入检测学习阶段，通过不断检测入侵的来源，调整贝叶斯网 络节点的概率值，并通过聚集移动校正可移动传感器节点的位置，确定无线传感器网络的 网络结构； 步骤S4:通过K均值聚类算法对所有可移动传感器节点进行分簇运算，并在每个分簇中 选取若干代表性可移动传感器节点保持正常工作，其余可移动传感器节点进入休眠状态来 节约能量，且当分簇中代表性可移动传感器节点能源耗尽时，启用休眠状态中的可移动传 感器节点进行替代； 步骤S5:通过所述步骤S4中确定的可移动传感器节点对被检测区域进行检测，当检测 到入侵触发信号时，将该入侵触发信号上传至所述网关中屯、模块，并上传至控制中屯、进行 报警。2. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，所述 可移动传感器节点包括:用于与所述网关中屯、模块W及可移动传感器节点间通信的无线组 网模块、用于获取所述可移动传感器节点位置的GI^区域定位模块、用于检测入侵的红外入 侵检测传感器模块、用于测距的超声波测距模块、用于搭载所述红外入侵检测传感器模块 W及所述超声波测距模块的旋转云台、用于改变自身所处位置的履带式位置移动模块、裡 电池电源模块W及控制模块。3. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，所述 网关中屯、模块与设置于控制中屯、的信息系统相连;所述网关中屯、模块包括：用于与所述可 移动传感器节点通信的无线组网模块、用于与所述信息系统通信的有限W太网通讯模块W 及由ARM忍片或DSP构成的高性能运算模块。4. 根据权利要求2或3所述的一种自适应无线传感器网络安防报警方法，其特征在于， 所述可移动传感器节点中的无线组网模块W及所述网关中屯、模块中的无线组网模块为 CC2530嵌入式Zi浊ee忍片。5. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，在所 述步骤Sl中，还包括如下步骤： 步骤S11:对用于形成所述环状结构的环数参数化W及每环节点数量化进行设置； 步骤S12:按等间隔角度作出测试线，并与所述被检测区域边缘相交于边缘交点，且间 隔角度为:360/Dn; 步骤S13:测量所述边缘交点与所述网关节点间的直线距离，根据所述环数参数化对该 直线距离内的测试线进行等分，并在每个等分点处设置所述可移动传感器节点，进而形成 环状结构； 步骤S14:对每个可移动传感器节点按照IE邸802.15.4ZigBee协议构成所述无线传感 器网络。6. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，在所 述步骤S2中，采用扇行计算机自动划分方法，通过等角度间隔福射线与同屯、圆对所述被检 测区域进行分块划分，并通过贝叶斯网络节点对每个被检测区域分块进行表征，构成具备 层级邮邻关系的贝叶斯网络。7. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，在所 述步骤S3中，通过每个可移动传感器节点中的红外入侵检测传感器模块检测入侵来源;检 测到入侵触发信号的可移动传感器节点经其对应的无线组网模块，将该入侵触发信号上传 至所述网关中屯、模块，并上传至控制中屯、进行报警;按系数提高上传入侵触发信号的可移 动传感器节点所在被检测区域分块对应的贝叶斯网络节点的概率值，通过最大期望学习算 法在贝叶斯网络中逐层传播，刷新每个贝叶斯网络节点的概率值;每个可移动传感器节点 根据当前所在被检测区域的概率值，结合其GI^区域定位模块的位置信息，通过位置移动模 块向贝叶斯网络节点概率值高的被检测区域聚集移动。8. 根据权利要求7所述的一种自适应无线传感器网络安防报警方法，其特征在于，所述 聚集移动通过所述可移动传感器节点中的履带式位置移动模块实现，聚集移动的方向为面 向层级邮邻区域内拥有最高入侵概率值的贝叶斯网络节点对应的被检测区域分块，每次移 动的距离为d = A .(扣-Ps),其中，A为预设移动系数，用于调节每次移动的距离大小，Ph为邮 连区域内的最高入侵概率值，Ps为可移动传感器节点当前所在本检测区域分块的入侵概率 值。9. 根据权利要求7所述的一种自适应无线传感器网络安防报警方法，其特征在于，所述 最大期望学习算法按照如下步骤实现： 步骤S31:初始化模型参数y为iA并设置= 步骤S32:已知yt后计算 步骤S33:生成期望步骤:基于yt计算数据集； 步骤S331:按下述贝叶斯公式计算缺失值V*的条件概率分布：V为观测值集； 步骤S332:通过对缺失值V*赋予权重P(v*|v，yt)来获得步骤S331中的的分数值，并将该 分数值加入非完备的数据集来构建完备数据集； 步骤S34:最大化步骤:获得模型参数yt+i的最大似然估计，计算出能使在步骤S332中获 得的完整数据集达到最大似然的参数集； 步骤S35:如果算法收敛，则运算停止;否则，令t = t+l且yt = yt+i，返回所述步骤S31中继 续执行。10. 根据权利要求1所述的一种自适应无线传感器网络安防报警方法，其特征在于，在 所述步骤S4中，所述分簇运算通过利用所述K均值聚类算法，将学习聚类后的可移动传感器 节点，按其所处位置W及聚集程度，分为多个聚集簇，并在每个簇中选取代表性可移动传感 器节点，且根据每个可移动传感器节点中裡电池电源模块的电量来确定代表性可移动传感 器节点。
【文档编号】G08B25/10GK105916216SQ201610463804
【公开日】2016年8月31日
【申请日】2016年6月23日
【发明人】邹腾跃, 林寿英, 江道淮, 李澍源, 林志忠, 林跃江
【申请人】福建农林大学