一种基于工业互联网的牲畜追踪方法、设备及介质技术

本说明书实施例公开了一种基于工业互联网的牲畜追踪方法、设备及介质，涉及牲畜追踪技术领域，方法包括：通过设置在每个牲畜身上的RFID标签和多个物联网设备，获取牲畜标签信息和当前时间区间内的多个牲畜监测数据，以确定每个牲畜在当前时间区间内对应的多个指定牲畜监测数据；对指定牲畜视频数据进行分析，得到每个牲畜的运动数据和身体姿态数据，对指定牲畜监测数据中的多个传感器数据进行分析，得到每个牲畜的进食数据和体征数据，通过树结构分析模型，确定每个牲畜的牲畜患病概率，当存在指定牲畜的牲畜患病概率大于预设概率阈值时，确定与指定牲畜密切接触的至少一个风险牲畜，生成风险牲畜追踪群，通过对风险牲畜追踪群进行牲畜追踪。踪群进行牲畜追踪。踪群进行牲畜追踪。

【技术实现步骤摘要】
一种基于工业互联网的牲畜追踪方法、设备及介质


[0001]本说明书涉牲畜追踪
，尤其涉及一种基于工业互联网的牲畜追踪方法、设备及介质。

技术介绍

[0002]随着工业互联网技术和物联网技术的发展，新型农业和畜牧业生产线催生了智能农业，可以提高生产力，减少对环境的影响，记录对农业过程至关重要的信息。由于物联网设备收集、存储和传输数据的性质，需要一个强大的信息安全和保护系统。由此生出工业互联网平台来把控整个物联数据的管理和分析。在畜牧业养殖领域，牲畜的不可控性导致对牲畜的管理或追踪过程困难。通过互联网平台，可以帮助畜牧业作业人员节省时间和资源，改变牲畜管理。
[0003]在畜牧业养殖过程中，对牲畜的监测主要是解决牲畜走丢的问题以及牲畜健康问题。在牲畜健康问题上，通常通过对牲畜当下的体温等体征数据进行监测，得到牲畜的身体状态。但是，由于牲畜的发病过程是缓慢的，尤其是传染性疾病，通过当下的体征数据监测到异常时，可能已经在养殖场内进行了扩散和传播，将会对养殖场内的其他牲畜产生传染风险，增加额外的损失。因此，现有技术中通过即刻的体征数据对牲畜健康进行监测，不适用于缓慢发病的传染性疾病，并且未考虑异常牲畜对养殖场内其他正常牲畜产生的潜在风险，导致牲畜追踪监测存在片面性，增加养殖场传染疾病传播风险。

技术实现思路

[0004]本说明书一个或多个实施例提供了一种基于工业互联网的牲畜追踪方法、设备及介质，用于解决如下技术问题：现有技术中通过即刻的体征数据对牲畜健康进行监测，不适用于缓慢发病的传染性疾病，并且未考虑异常牲畜对养殖场内其他正常牲畜产生的潜在风险，导致牲畜追踪监测存在片面性，增加养殖场传染疾病传播风险。
[0005]本说明书一个或多个实施例采用下述技术方案：
[0006]本说明书一个或多个实施例提供一种基于工业互联网的牲畜追踪方法，其特征在于，所述方法包括：通过设置在每个牲畜身上的RFID标签和多个物联网设备，获取牲畜标签信息和当前时间区间内的多个牲畜监测数据，以确定每个牲畜在当前时间区间内对应的多个指定牲畜监测数据；其中，所述牲畜标签信息包括标签标识和牲畜基本信息，所述牲畜监测数据包括牲畜视频数据和多个传感器数据；利用预设的视频分析算法，对所述指定牲畜监测数据中的指定牲畜视频数据进行分析，得到每个牲畜的运动数据和身体姿态数据，利用预设的多传感器融合算法，对所述指定牲畜监测数据中的多个传感器数据进行分析，得到每个牲畜的进食数据和体征数据；获取预先构建的每个牲畜对应的树结构分析模型，通过所述树结构分析模型，根据每个牲畜的运动数据、身体姿态数据、进食数据和体征数据，确定每个所述牲畜的牲畜患病概率，其中，所述树结构分析模型通过每个牲畜的历史监测数据得到，包括主干结构和多个分支结构，所述主干结构用于表示牲畜患病概率，每个分支
结构对应一类监测数据；当存在指定牲畜的牲畜患病概率大于预设概率阈值时，根据所述指定牲畜的运动数据和所述牲畜标签信息，确定与所述指定牲畜密切接触的至少一个风险牲畜，生成风险牲畜追踪群，以便于通过对所述风险牲畜追踪群进行牲畜追踪，控制养殖区域的疾病传播风险。
[0007]进一步地，利用预设的视频分析算法，对所述指定牲畜监测数据中的指定牲畜视频数据进行分析，得到每个牲畜的运动数据和身体姿态数据，具体包括：获取所述指定牲畜视频数据，其中，所述指定牲畜视频数据包括多帧牲畜图像，每个牲畜图像中均包括至少一个牲畜；通过特征提取算法，提取每帧牲畜图像中的特征，得到多个牲畜特征和参考物特征，其中，所述参考物特征包括围栏特征和食盆特征；根据当前牲畜的当前牲畜标签信息，在预设的特征库中进行对应关系查找，得到所述当前牲畜对应的当前牲畜特征，其中，所述特征库包括多个牲畜特征以及每个牲畜特征对应的牲畜标签信息；将所述当前牲畜特征，与所述多个牲畜特征进行特征对比，对每帧牲畜图像中的所述当前牲畜设置当前牲畜标记；基于所述指定牲畜视频数据中每帧所述牲畜图像的先后顺序、每帧牲畜图像中的所述当前牲畜标记和所述参考物特征，生成所述当前牲畜在当前时间区间内的运动数据，其中，所述运动数据包括运行轨迹、位移长度、至少一个停留地点和每个停留地点的停留时间；通过所述当前牲畜标记，在每帧牲畜图像中提取当前牲畜多个身体关键点，以获取每个所述身体关键点的关键点位置坐标；基于所述指定牲畜视频数据中，每个所述身体关键点的关键点位置坐标，确定所述当前牲畜的身体姿态数据，其中，所述身体姿态数据包括姿态类型和姿态持续时长，所述姿态类型包括行走姿态、坐地姿态、侧卧姿态和趴地姿态。
[0008]进一步地，利用预设的多传感器融合算法，对所述指定牲畜监测数据中的多个传感器数据进行分析，得到每个牲畜的进食数据和体征数据，具体包括：通过所述运动数据中的至少一个停留地点和每个停留地点的停留时间，确定当前牲畜对应的进食食盆标识以及当前时间区间内所述当前牲畜的进食时间区间；通过对应关系查找，根据所述进食食盆标识，在多个传感器数据中确定与所述进食食盆标识对应的多个食盆称重数据，其中，每个所述食盆称重数据包括食盆重量和称重时刻；基于所述当前时间区间内所述当前牲畜的进食时间区间、每个所述食盆称重数中的称重时刻，在多个食盆重量中进行关键重量筛选，得到进食时间区间对应的起始时刻的起始食盆重量与结束时刻的末食盆重量；对所述起始食盆重量和所述末食盆重量进行代数运算，得到每个牲畜的进食重量，以将所述进食重量和所述进食时间区间对应的进食时长作为当前牲畜的进食数据；获取所述多个传感器数据中的多个温度数据，其中，每个所述温度数据包括温度值和温度采集时刻；根据所述运动数据中每个停留地点的停留时间和所述身体姿态数据中的姿态持续时长，确定多个温度校正时刻，以根据每个温度校正时刻和所述温度采集时刻，对多个指定温度值进行温度校正，得到牲畜温度数据。
[0009]进一步地，获取预先构建的每个牲畜对应的树结构分析模型之前，所述方法还包括：获取预先构建的牲畜状态数据库，其中，所述牲畜状态数据库包括患有传染病牲畜的多个历史患病监测数据和健康牲畜的多个历史健康监测数据，其中，所述监测数据包括多个监测维度，所述监测维度包括运动维度、姿态维度、进食维度和体征维度；根据所述多个历史患病监测数据和所述多个历史健康监测数据，进行权重分析，得到每个监测维度的监测权重，其中，所述监测权重与患病概率为正相关；构建初始树结构，其中，所述初始树结构包
括自上而下设置的主干结构和沿所述主干结构设置的多个分支结构，且所述主干结构的底端为根节点，其中，每个分支结构对应一个监测维度；根据每个监测维度的所述监测权重，设置所述监测维度对应的分支结构在所述主干结构中的位置，生成初始树结构模型，其中，所述监测权重越大，所述监测维度对应的分支结构与所述根节点的距离越大；获取每个牲畜对应的多个历史监测数据，通过所述历史监测数据对所述初始树结构模型进行优化，确定所述初始树结构模型中每个分支结构的分支结构，以构建符合要求的树结构分析模型，其中，所述分支结构包括所述分支结构对应的监测维度下所述监测数据的变化曲线和预先设置的数据参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业互联网的牲畜追踪方法，其特征在于，所述方法包括：通过设置在每个牲畜身上的RFID标签和多个物联网设备，获取牲畜标签信息和当前时间区间内的多个牲畜监测数据，以确定每个牲畜在当前时间区间内对应的多个指定牲畜监测数据；其中，所述牲畜标签信息包括标签标识和牲畜基本信息，所述牲畜监测数据包括牲畜视频数据和多个传感器数据；利用预设的视频分析算法，对所述指定牲畜监测数据中的指定牲畜视频数据进行分析，得到每个牲畜的运动数据和身体姿态数据，利用预设的多传感器融合算法，对所述指定牲畜监测数据中的多个传感器数据进行分析，得到每个牲畜的进食数据和体征数据；获取预先构建的每个牲畜对应的树结构分析模型，通过所述树结构分析模型，根据每个牲畜的运动数据、身体姿态数据、进食数据和体征数据，确定每个所述牲畜的牲畜患病概率，其中，所述树结构分析模型通过每个牲畜的历史监测数据得到，包括主干结构和多个分支结构，所述主干结构用于表示牲畜患病概率，每个分支结构对应一类监测数据；当存在指定牲畜的牲畜患病概率大于预设概率阈值时，根据所述指定牲畜的运动数据和所述牲畜标签信息，确定与所述指定牲畜密切接触的至少一个风险牲畜，生成风险牲畜追踪群，以便于通过对所述风险牲畜追踪群进行牲畜追踪，控制养殖区域的疾病传播风险。2.根据权利要求1所述的一种基于工业互联网的牲畜追踪方法，其特征在于，利用预设的视频分析算法，对所述指定牲畜监测数据中的指定牲畜视频数据进行分析，得到每个牲畜的运动数据和身体姿态数据，具体包括：获取所述指定牲畜视频数据，其中，所述指定牲畜视频数据包括多帧牲畜图像，每个牲畜图像中均包括至少一个牲畜；通过特征提取算法，提取每帧牲畜图像中的特征，得到多个牲畜特征和参考物特征，其中，所述参考物特征包括围栏特征和食盆特征；根据当前牲畜的当前牲畜标签信息，在预设的特征库中进行对应关系查找，得到所述当前牲畜对应的当前牲畜特征，其中，所述特征库包括多个牲畜特征以及每个牲畜特征对应的牲畜标签信息；将所述当前牲畜特征，与所述多个牲畜特征进行特征对比，对每帧牲畜图像中的所述当前牲畜设置当前牲畜标记；基于所述指定牲畜视频数据中每帧所述牲畜图像的先后顺序、每帧牲畜图像中的所述当前牲畜标记和所述参考物特征，生成所述当前牲畜在当前时间区间内的运动数据，其中，所述运动数据包括运行轨迹、位移长度、至少一个停留地点和每个停留地点的停留时间；通过所述当前牲畜标记，在每帧牲畜图像中提取当前牲畜多个身体关键点，以获取每个所述身体关键点的关键点位置坐标；基于所述指定牲畜视频数据中，每个所述身体关键点的关键点位置坐标，确定所述当前牲畜的身体姿态数据，其中，所述身体姿态数据包括姿态类型和姿态持续时长，所述姿态类型包括行走姿态、坐地姿态、侧卧姿态和趴地姿态。3.根据权利要求2所述的一种基于工业互联网的牲畜追踪方法，其特征在于，利用预设的多传感器融合算法，对所述指定牲畜监测数据中的多个传感器数据进行分析，得到每个牲畜的进食数据和体征数据，具体包括：通过所述运动数据中的至少一个停留地点和每个停留地点的停留时间，确定当前牲畜
对应的进食食盆标识以及当前时间区间内所述当前牲畜的进食时间区间；通过对应关系查找，根据所述进食食盆标识，在多个传感器数据中确定与所述进食食盆标识对应的多个食盆称重数据，其中，每个所述食盆称重数据包括食盆重量和称重时刻；基于所述当前时间区间内所述当前牲畜的进食时间区间、每个所述食盆称重数中的称重时刻，在多个食盆重量中进行关键重量筛选，得到进食时间区间对应的起始时刻的起始食盆重量与结束时刻的末食盆重量；对所述起始食盆重量和所述末食盆重量进行代数运算，得到每个牲畜的进食重量，以将所述进食重量和所述进食时间区间对应的进食时长作为当前牲畜的进食数据；获取所述多个传感器数据中的多个温度数据，其中，每个所述温度数据包括温度值和温度采集时刻；根据所述运动数据中每个停留地点的停留时间和所述身体姿态数据中的姿态持续时长，确定多个温度校正时刻，以根据每个温度校正时刻和所述温度采集时刻，对多个指定温度值进行温度校正，得到牲畜温度数据。4.根据权利要求1所述的一种基于工业互联网的牲畜追踪方法，其特征在于，获取预先构建的每个牲畜对应的树结构分析模型之前，所述方法还包括：获取预先构建的牲畜状态数据库，其中，所述牲畜状态数据库包括患有传染病牲畜的多个历史患病监测数据和健康牲畜的多个历史健康监测数据，其中，所述监测数据包括多个监测维度，所述监测维度包括运动维度、姿态维度、进食维度和体征维度；根据所述多个历史患病监测数据和所述多个历史健康监测数据，进行权重分析，得到每个监测维度的监测权重，其中，所述监测权重与患病概率为正相关；构建初始树结构，其中，所述初始树结构包括自上而下设置的主干结构和沿所述主干结构设置的多个分支结构，且所述主干结构的底端为根节点，其中，每个分支结构对应一个监测维度；根据每个监测维度的所述监测权重，设置所述监测维度对应的分支结构在所述主干结构中的位置，生成初始树结构模型，其中，所述监测权重...

【专利技术属性】
技术研发人员：张程程，肖雪，商广勇，马岩堂，
申请(专利权)人：浪潮云洲山东工业互联网有限公司，
类型：发明
国别省市：