一种基于工业互联网的牲畜追踪方法、设备及介质与流程

1.本说明书涉牲畜追踪技术领域，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。


背景技术：

2.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。
3.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。


技术实现要素：

4.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。
5.本说明书一个或多个实施例采用下述技术方案：
6.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。
7.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。
8.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。
9.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考范围，所述数据参考范围为患病时监测数据的参考范围。
10.进一步地，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，具体包括：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，在所述树结构分析模型对应的分支结构中进行数据填充，对所述分支结构中的变化曲线进行更新，得到每个分支结构对应的当前分支结构；通过所述当前分支结构中的当前变化曲线和所述数据参考范围，生成每个分支结构对应的分支节点的量化因子，其中，所述量化因子与所述当前变化曲线和所述数据参考范围之间的距离为正相关；基于每个分支节点的量化因子以及所述分支节点与根节点之间的距离，进行概率计算，生成牲畜的牲畜患病概率。
11.进一步地，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，具体包括：获取所述指定牲畜的运动数据，其中，所述指定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；通过预先设置的标签阅读器，对每个牲畜的rfid标签进行识别，获取每个牲畜在多个时刻下的位置数据和标识信息，以基于所述多个时刻下的位置数据，生成每个牲畜在所述当前时间区间内的同步运行轨迹；将所述每个牲畜在所述当前时间区间内的同步运行轨迹与所述指定牲畜的指定运行轨迹，按照时间进行对齐，以便于对同一时刻下所述指定牲畜的运动数据与每个所述同步运行轨迹的轨迹距离进行计算，得到轨迹间隔小于预设距离阈值的多个风险同步运行轨迹；按照所述标识信息，对多个所述同步运行轨迹设置牲畜标识，基于所述多个风险同步运行轨迹对应的牲畜标识，确定多个风险牲畜。
12.进一步地，通过对所述风险牲畜追踪群进行牲畜追踪，控制所述养殖区域的疾病传播风险，具体包括：确定所述风险牲畜追踪群中的多个风险牲畜对应的风险标签标识；获取标签阅读器采集的多个实时标签位置数据，根据所述风险标签标识在所述实时标签位置数据中确定每个所述风险牲畜的当前活动位置；基于每个所述风险牲畜的当前活动位置，设置隔离风险区域，以便于通过所述隔离风险区域，控制所述养殖区域的疾病传播风险。
13.进一步地，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之后，所述方法还包括：获取标签阅读器采集的当前牲畜对应的多个实时标签位置数据，根据所述实时标签位置数据，生成标签运动数据；通过所述标签运动数据，对所述当前牲畜在当前时间区间内的运动数据进行修正，确定所述当前牲畜的实际运动数据。
14.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设备，包括：
15.至少一个处理器；以及，
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法。
18.本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：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。
19.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过上述技术方案，通过每个牲畜的运动数据、身体姿态数据、进食数据和体征数据，对牲畜进行监控，可以实现多维度监测，将数据量大、繁杂的多个数据整合为多维度监测数据，更具直观性和代表性。通过历史监测数据得到每个牲畜对应的树结构分析模型，参考了历史监测数据的情况，适用于缓慢发病的传染性疾病；结合树结构分析模型和多维度数据，将各类数据进行量化，得到患病概率，可以适用于缓慢发病的传染性疾病的预测，保证了患病概率的准确性和全面性。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风险牲畜，生成风险牲畜追踪群，对风险牲畜追踪群中的牲畜进行追踪，减小了数据追踪量，提高了追踪速度，可以应对传染性疾病快速传播蔓延的风险；通过对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，避免了风险牲畜对养殖场内其他正常牲畜产生的潜在风险，降低养殖场传染疾病传播风险。
附图说明
20.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
21.图1为本说明书实施例提供的一种基于工业互联网的牲畜追踪方法的流程示意图；
22.图2为本说明书实施例提供的一种树结构分析模型的流程示意图；
23.图3为本说明书实施例提供的一种基于工业互联网的牲畜追踪设备的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
25.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。
26.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。
27.本说明书实施例提供一种基于工业互联网的牲畜追踪方法，需要说明的是，本说明书实施例中的执行主体可以是服务器，也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种基于工业互联网的牲畜追踪方法的流程示意图，如图1所示，主要包括如下步骤：
28.步骤s101，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。
29.本说明书实施例应用于工业互联网平台，在执行步骤s101之前，激活所有节点，此处的节点包括云、边缘服务器、射频识别(radio frequency identification，rfid)阅读器、rfid标签以及属于各牲畜、养殖管理人员及平台的相关节点，且根据实际需求，赋予用户不同的权限。收集来自传感器的所有物联网数据，包括温度、湿度、饲料消耗和动物的行为模式等，之后将传递到平台上，以上传至云，从而创建了一个不可更改的、安全的动物信息模块。之后，进行rfid阅读器和传感器标签间数据的传递：首先，rfid阅读器定位标签数据；标签响应阅读器发送的射频信号，与rfid阅读器建立通信；rfid阅读器接收来自传感器标签的数据；rfid阅读器将所有传感器标签数据汇总，将数据传递给边缘服务器，即网关节点；通过网关节点将数据传递至云服务器，即工业互联网平台；通过平台进行数据管理、分析及预测，将结果展示在可视化模块中。通过支持蓝牙的智能设备可以实时显示所有收集到的数据，养殖管理用户可以在任何位置分析和观察动物的健康状况，牲畜管理用户、医护管理用户可以通过移动设备查看动物的状态。由于不断的监测，任何动物健康问题的迹象都会立即被发现。
30.具体地，在本说明书的一个实施例中，rfid标签设置在每个牲畜身上，例如可以通过项圈或挂脖的方式，也可以通过耳标的形式。物联网设备可以是摄像头等图像采集装置和各类传感器，图像采集装置设置在养殖区域内，其设置数量和采集参数以覆盖养殖区域为准进行设置，传感器设备设置在对应位置处，例如采集牲畜温度数据的温度传感器可以设置在牲畜身上，采集食盆重量数据的重量传感器设置在食盆底部，也就是说，各类传感器的设置位置与所采集的传感器数据相关。在设置rfid标签时，每个标签都有唯一的标签标识，将牲畜信息写入标签内，以便于当阅读器扫描到标签时，可以通过标签标识，获取该标签对应的牲畜信息，也就是将标签与牲畜进行绑定。此外，预先对设置在牲畜身上的传感器数据进行绑定，可以通过在传感器数据中添加牲畜对应的标签标识的方式，以确定传感器数据与标识标签的对应关系，并存储。
31.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，牲畜标签信息包括标签标识和牲畜基本信息，牲畜监测数据包括牲畜视频数据和多个传感器数据。根据上述步骤中传感器数据与标识标签的对应关系，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。由于摄像头或图像采集装置所采集的图像为整个养殖区域的图像，牲畜在养殖区域内存在流动性，此处可以将采集到多个视频作为多个指定牲畜监测数据中的指定视频数据。传感器数据按照传感器数据与标识标签的对应关系，将属于同一个牲畜的传感器数据分为一类，以得到每个牲畜对应的多个指定传感器数据。
32.步骤s102，利用预设的视频分析算法，对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。
33.具体地，在本说明书的一个实施例中，首先，利用预设的视频分析算法，对该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。
34.获取指定牲畜视频数据，此处的指定牲畜视频数据可以对多个视频采集装置采集到的视频进行初筛得到，以保证指定牲畜视频数据的每帧牲畜图像中均包括至少一个牲畜。此外，在每帧牲畜图像中，除了存在牲畜之外，还存在环境物体，例如围栏、食盆等。通过特征提取算法，提取每帧牲畜图像中的牲畜特征和参考物特征，得到多个牲畜特征和参考物特征，参考物特征包括围栏特征和食盆特征。以当前牲畜为待追踪牲畜为例进行说明，确定当前牲畜对应的牲畜标签信息，在牲畜标签信息中包括标签标识和当前牲畜的牲畜基本信息。需要说明的是，在将标签与牲畜进行匹配时，预先构建特征库，在特征库中将标签标识对应的牲畜特征进行存储，得到每个标签对应的牲畜特征的对应关系，也就是说，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。根据当前牲畜标签信息中的标签标识，在预设的特征库中进行对应关系查找，得到当前牲畜对应的当前牲畜特征。将当前牲畜特征分别与每帧图像中提取到的多个牲畜特征进行特征对比，将相似度最大的图像中的牲畜特征确定为当前牲畜，并在每帧图像中对当前牲畜进行标记，例如可以通过标注框的形式，也可以通过设置数值标识的形式，按照上述方式，得到当前牲畜在指定牲畜视频数据中每帧图像的位置。
35.通过指定牲畜视频数据中每帧牲畜图像的先后顺序、每帧牲畜图像中的当前牲畜
标记和参考物特征，生成当前牲畜在当前时间区间内的运动数据，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。在得到运行轨迹时，可以将当前牲畜在指定牲畜视频数据中每帧图像的当前牲畜标记作为每个时刻的位置点，根据该位置点的变化，结合每帧牲畜图像数据的先后时间，得到运行轨迹，并结合运行轨迹得到在图像中的位移数据，将该位移数据进行比例尺换算，得到当前牲畜在实际养殖区域内的位移长度。此外，结合每帧图像中参考物的位置和当前牲畜标记的位置，当两个位置重合且在连续多帧图像中均出现位置重合时，判定当前牲畜在参考物的位置处进行了停留，即该参考物为停留地点，通过出现位置重合的多帧图像的时间间隔，得到停留时间。
36.此外，为了保证运动数据的准确性，借助rfid标签的定位功能，通过标签对通过视频得到的运动数据进行修正。具体地，在本说明书的一个实施例中，基于该指定牲畜视频数据中每帧该牲畜图像的先后顺序、每帧牲畜图像中的该当前牲畜标记和该参考物特征，生成该当前牲畜在当前时间区间内的运动数据之后，获取标签阅读器采集的当前牲畜对应的多个实时标签位置数据，通过该实时位置数据即可确定当前牲畜的运动位置数据，根据实时标签位置数据，生成标签运动数据。此处的数据生成过程可以通过实时标签位置数据和其数据采集时间，得到运行轨迹，通过运行轨迹的长度计算，得到位移长度；结合预先设置的每个参考物的位置数据，将参考物位置数据与实时标签位置数据进行对比，两者重合时该参考物作为停留地点，结合两者重合的持续时长，得到停留地点的停留时长。
37.通过标签运动数据，对当前牲畜在当前时间区间内的运动数据进行修正，确定当前牲畜的实际运动数据。修正过程包括运行轨迹的修正、位移长度的修正、停留地点的修正和停留时长的修正。为了便于描述，将视频数据得到的运动数据称为第一运动数据，即包括第一运行轨迹、第一位移长度、第一停留地点和第一停留时长，将通过标签得到的运动数据称为第二运动数据，即包括第二运行轨迹、第二位移长度、第二停留地点和第二停留时长。分别在第一运行轨迹和第二运行轨迹中取多个参考点，即多个第一参考点和多个第二参考点，建立每个第一参考点和每个第二参考点的对应关系，取第一参考点和对应的第二参考点的两个参考点连线的中点，将得到的多个中点依次连接，得到修正运行轨迹；根据修正运行轨迹得到修正位移长度。一般情况下，第一停留地点和第二停留地点相同，若两者不同，则以第一停留地点为准，此外，停留时长以第一停留时长为准。
38.在得到当前牲畜的运动数据之后，通过当前牲畜标记，在每帧牲畜图像中提取当前牲畜多个身体关键点，例如，肩头、四肢膝盖点、躯干中心点等，在此不做具体限定，以获取每个身体关键点的关键点位置坐标；通过指定牲畜视频数据中，每个身体关键点的关键点位置坐标，确定当前牲畜的身体姿态数据，身体姿态数据包括姿态类型和姿态持续时长，该姿态类型包括行走姿态、坐地姿态、侧卧姿态和趴地姿态。此处需要说明的是，在生成姿态类型后，若在连续帧的多个图像数据中均识别为同一姿态，则将该连续帧的时间作为姿态持续时长。
39.具体地，在本说明书的一个实施例中，利用预设的多传感器融合算法，对该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。
40.通过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该当前牲畜的进食时间区间。一般情况下，在养殖区域内可能存在多个食盆，每个食盆同时只能有一只牲畜进食，在此情况下，通过运动数
据中的至少一个停留地点中的停留食盆的位置与预先设置的每个食盆的设置位置进行对比，得到进食食盆标识，此处可以为多个进食食盆，将每个进食食盆的停留总时长作为进食时长。
41.每个食盆底部设置由重量传感器，以实时上传食盆的称重数据，为了标识称重数据的归属食盆，在称重数据上传时，可以通过添加食盆标识的方式，也可以通过设置传感器标识和食盆标识的对应关系。通过对应关系查找，根据进食食盆标识，在多个传感器数据中确定与进食食盆标识对应的多个食盆称重数据，每个食盆称重数据包括食盆重量和称重时刻。通过当前时间区间内该当前牲畜的进食时间区间、每个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。根据进食时间区间的首端时刻和末端时刻，确定两个关键重量称重时刻，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。根据两个关键重量称重时刻的两个食盆重量，即起始食盆重量和末食盆重量进行作差运算，得到每个牲畜的进食重量，以将进食重量和进食时间区间对应的进食时长作为当前牲畜的进食数据。若存在多个食盆进食时，将多个进食重量和进食时长进行叠加即可。
42.获取多个传感器数据中的多个温度数据，每个该温度数据包括温度值和温度采集时刻，温度值表示牲畜的实时体温。由于牲畜的体温受到运动和姿态的影响，例如，当牲畜的运行轨迹较长时，其对应的体温略高于正常体温；同样地，当牲畜侧卧姿态时，处于睡眠状态，则此刻体温略低于正常体温。因此，为了避免由于牲畜的运动以及姿态的影响，导致的体温偏差，可以对此情况下的温度进行校正，根据运动数据中每个停留地点的停留时间和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。校正时，若经验数据得到其对应的体温偏高，则在采集到的温度数据的基础上减小偏差量，偏差量可以基于经验数据得到。若经验数据得到其对应的体温偏低，则在采集到的温度数据的基础上增加偏差量，此处的偏差量基于经验数据得到。
43.通过上述技术方案，对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，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，通过每个牲畜的运动数据、身体姿态数据、进食数据和体征数据，对牲畜进行监控，可以实现多维度监测，将数据量大、繁杂的多个数据整合为多维度监测数据，更具直观性和代表性。
44.步骤s103，获取预先构建的每个牲畜对应的树结构分析模型，通过树结构分析模型，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，确定每个牲畜的牲畜患病概率。
45.其中，该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，该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。
46.在步骤s103之前，获取预先构建的牲畜状态数据库，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，监测数据包括多个监测维度，该监测维度包括运动维度、姿态维度、进食维度和体征维度。根据多个历史患病监测数据和多个历史健康监测数据对各个监测维度对应的监测数据进行权重分析，得到每个监测维度的监测权重，监测权重与患病概率为正相关，若某个监测维度的监测权重较大，说明该维度的监测数据异常时对应的患病概率越大。需要说明的是，四个监测权重的和
为1。
47.构建初始树结构，图2为本说明书实施例提供的一种树结构分析模型的结构图，如图2所示，如图2所示，初始树结构包括自上而下设置的主干结构和沿该主干结构设置的多个分支结构，且主干结构的底端为根节点，每个分支结构对应一个监测维度。根据每个监测维度的监测权重，设置监测维度对应的分支结构在主干结构中的位置，生成初始树结构模型，需要说明的是，监测权重越大，监测维度对应的分支结构与根节点的距离越大，即远离根节点。获取每个牲畜对应的多个历史监测数据，通过历史监测数据对初始树结构模型进行优化，确定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。
48.获取多个历史监测数据的运动维度数据、进食维度数据、姿态维度数据以及体征维度数据，运动维度数据以位移长度作为运动维度下的运动量，进食维度数据以进食重量作为进食维度下的进食量，姿态维度数据以侧卧姿态对应的持续时长作为姿态维度下的姿态异常时长，体征维度数据为温度值。通过经验数据，分别获取患病状态下的运动量参考范围、进食量参考范围、姿态异常参考范围和温度参考范围，结合多个历史监测数据的监测时刻，绘制运动维度、进食维度、姿态维度以及体征维度的变化曲线，每个变化曲线的纵坐标为维度监测数据，横坐标为监测时间。监测维度下该监测数据的变化曲线和预先设置的数据参考范围组成每个维度对应的支干，即分支结构包括该分支结构对应的监测维度下该监测数据的变化曲线和预先设置的数据参考范围，该数据参考范围为患病时监测数据的参考范围。
49.具体地，在本说明书的一个实施例中，通过树结构分析模型，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，确定每个该牲畜的牲畜患病概率。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，在树结构分析模型对应的分支结构中进行数据填充，对分支结构中的变化曲线进行更新，得到每个分支结构对应的当前分支结构。通过当前分支结构中的当前变化曲线和数据参考范围，生成每个分支结构对应的分支节点的量化因子，其中，量化因子与该当前变化曲线和该数据参考范围之间的距离为正相关，在生成量化因子时，计算当前分支结构中最新时刻下的最新维度数据与数据参考范围中最低点或最高点的垂直距离，具体在最低点或最高点的选择上，可以结合当前变化曲线与数据参考范围的相对位置关系确定，数据参考范围由平行于横轴的两条平行线组成，分别对应的患病状态的两个参考极限值。若当前变化曲线位于数据参考范围的下方，则取最小值，即参考范围的最低点。获取当前分支结构中的数据参考范围的数据间隔，也就是两条平行线对应的两个纵坐标的差值，将垂直距离和数据间隔的比值作为量化因子。通过每个分支结构与主干结构的分支节点输出对应的量化因子，基于每个分支节点的量化因子以及分支节点与根节点之间的距离，进行概率计算，生成牲畜的牲畜患病概率。通过分支节点与根节点之间的距离，确定距离系数，此处的距离系数可以通过模型构建时的监测权重设置，监测权重越大，距离越大，距离系数越大。通过计算每个分支节点的量化因子与该分支节点与根节点之间的距离系数的乘积，将多个乘积进行结合运算，通过根节点输出牲畜患病概率。
50.通过上述技术方案，通过历史监测数据得到每个牲畜对应的树结构分析模型，参考了历史监测数据的情况，适用于缓慢发病的传染性疾病；结合树结构分析模型，每个牲畜
的运动数据、身体姿态数据、进食数据和体征数据，确定每个牲畜的牲畜患病概率，树结构分析模型将各个数据与历史监测数据进行关联，结合多维度数据将各类数据进行量化，得到患病概率，可以适用于缓慢发病的传染性疾病的预测，保证了患病概率的准确性和全面性。
51.步骤s104，当存在指定牲畜的牲畜患病概率大于预设概率阈值时，根据指定牲畜的运动数据和牲畜标签信息，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，以便于通过对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。
52.在本说明书的一个实施例中，设置概率阈值，此阈值根据用户需求设置，可以参考各类传染性疾病的发病时间，在不同的时间内设置概率阈值，例如，在容易发生传染病的时间设置较小的概率阈值，增加牲畜追踪的数量，保障养殖场安全。当存在指定牲畜的牲畜患病概率大于预设概率阈值时，根据指定牲畜的运动数据和牲畜标签信息，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，以便于通过对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。
53.具体地，在本说明书的一个实施例中，根据指定牲畜的运动数据和该牲畜标签信息，确定与该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。
54.在多个牲畜的运动数据中，获取该指定牲畜的运动数据，指定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。通过预先设置的标签阅读器，对养殖区域内的每个牲畜的rfid标签进行识别，获取每个牲畜在多个时刻下的位置数据和标识信息，以基于多个时刻下的位置数据，生成每个牲畜在该当前时间区间内的同步运行轨迹。将每个牲畜在当前时间区间内的同步运行轨迹与指定牲畜的指定运行轨迹，按照时间进行对齐，以便于对同一时刻下该指定牲畜的运动数据与每个该同步运行轨迹的轨迹距离进行计算，得到轨迹间隔小于预设距离阈值的多个风险同步运行轨迹。若距离小于预设距离阈值，说明在同一时刻距离较近，属于密切接触的牲畜。按照标识信息，对多个同步运行轨迹设置牲畜标识，基于该多个风险同步运行轨迹对应的牲畜标识，确定多个风险牲畜。由于养殖场内的牲畜众多，数据量大，在出现风险时，若对每个牲畜的数据进行追踪，耗时长，在此期间传染性疾病扩散的风险增加，因此，通过生成风险牲畜追踪群的方式，只对生成风险牲畜追踪群对应的数据进行分析，减小了数据追踪量，提高了追踪速度。此外，在确定风险牲畜时，还可以根据距离较近状态下的持续时长对风险牲畜设置风险等级，持续时长越长，对应的风险等级越高，说明感染风险越大。
55.具体地，在本说明书的一个实施例中，通过对风险牲畜追踪群进行牲畜追踪，控制该养殖区域的疾病传播风险。确定风险牲畜追踪群中的多个风险牲畜对应的风险标签标识；获取标签阅读器采集的多个实时标签位置数据，根据风险标签标识在实时标签位置数据中确定每个风险牲畜的当前活动位置；将每个风险牲畜的当前活动位置组成的区域，设置为隔离风险区域，以便于通过养殖管理用户根据隔离风险区域，对风险牲畜进行隔离，避免其他牲畜存在感染风险，控制养殖区域的疾病传播风险。
56.通过上述技术方案，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风险牲畜，生成风险牲畜追踪群，对风险牲畜追踪群中的牲畜进行追踪，减小了数据追踪量，提高了追踪速度，可以应对传染性疾病快速传播蔓延的风险；通过对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，避免了风险牲畜对养
殖场内其他正常牲畜产生的潜在风险，降低养殖场传染疾病传播风险。
57.通过上述技术方案，通过每个牲畜的运动数据、身体姿态数据、进食数据和体征数据，对牲畜进行监控，可以实现多维度监测，将数据量大、繁杂的多个数据整合为多维度监测数据，更具直观性和代表性。通过历史监测数据得到每个牲畜对应的树结构分析模型，参考了历史监测数据的情况，适用于缓慢发病的传染性疾病；结合树结构分析模型和多维度数据，将各类数据进行量化，得到患病概率，可以适用于缓慢发病的传染性疾病的预测，保证了患病概率的准确性和全面性。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风险牲畜，生成风险牲畜追踪群，对风险牲畜追踪群中的牲畜进行追踪，减小了数据追踪量，提高了追踪速度，可以应对传染性疾病快速传播蔓延的风险；通过对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，避免了风险牲畜对养殖场内其他正常牲畜产生的潜在风险，降低养殖场传染疾病传播风险。
58.本说明书实施例还提供一种基于工业互联网的牲畜追踪设备，如图3所示，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
59.本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：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，该牲畜标签信息包括标签标识和牲畜基本信息，该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，对该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，对该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，通过该树结构分析模型，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，确定每个该牲畜的牲畜患病概率，其中，该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，该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，根据该指定牲畜的运动数据和该牲畜标签信息，确定与该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，以便于通过对该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。
60.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
61.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
62.本说明书实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
63.本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
64.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
65.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
66.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
67.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
68.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
69.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
70.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要
素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
71.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
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考范围，所述数据参考范围为患病时监测数据的参考范围。5.根据权利要求4所述的一种基于工业互联网的牲畜追踪方法，其特征在于，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，具体包括：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，在所述树结构分析模型对应的分支结构中进行数据填充，对所述分支结构中的变化曲线进行更新，得到每个分支结构对应的当前分支结构；通过所述当前分支结构中的当前变化曲线和所述数据参考范围，生成每个分支结构对应的分支节点的量化因子，其中，所述量化因子与所述当前变化曲线和所述数据参考范围之间的距离为正相关；
基于每个分支节点的量化因子以及所述分支节点与根节点之间的距离，进行概率计算，生成牲畜的牲畜患病概率。6.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，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，具体包括：获取所述指定牲畜的运动数据，其中，所述指定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；通过预先设置的标签阅读器，对每个牲畜的rfid标签进行识别，获取每个牲畜在多个时刻下的位置数据和标识信息，以基于所述多个时刻下的位置数据，生成每个牲畜在所述当前时间区间内的同步运行轨迹；将所述每个牲畜在所述当前时间区间内的同步运行轨迹与所述指定牲畜的指定运行轨迹，按照时间进行对齐，以便于对同一时刻下所述指定牲畜的运动数据与每个所述同步运行轨迹的轨迹距离进行计算，得到轨迹间隔小于预设距离阈值的多个风险同步运行轨迹；按照所述标识信息，对多个所述同步运行轨迹设置牲畜标识，基于所述多个风险同步运行轨迹对应的牲畜标识，确定多个风险牲畜。7.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，通过对所述风险牲畜追踪群进行牲畜追踪，控制所述养殖区域的疾病传播风险，具体包括：确定所述风险牲畜追踪群中的多个风险牲畜对应的风险标签标识；获取标签阅读器采集的多个实时标签位置数据，根据所述风险标签标识在所述实时标签位置数据中确定每个所述风险牲畜的当前活动位置；基于每个所述风险牲畜的当前活动位置，设置隔离风险区域，以便于通过所述隔离风险区域，控制所述养殖区域的疾病传播风险。8.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，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之后，所述方法还包括：获取标签阅读器采集的当前牲畜对应的多个实时标签位置数据，根据所述实时标签位置数据，生成标签运动数据；通过所述标签运动数据，对所述当前牲畜在当前时间区间内的运动数据进行修正，确定所述当前牲畜的实际运动数据。9.一种基于工业互联网的牲畜追踪设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够如权利要求1-8所述的方法。10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：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。

技术总结
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。


技术研发人员：张程程 肖雪 商广勇 马岩堂
受保护的技术使用者：浪潮云洲（山东）工业互联网有限公司
技术研发日：2023.07.05
技术公布日：2023/10/8