基于5G的牲畜健康监测系统和方法

技术领域

本申请涉及智能养殖技术领域，特别是涉及一种基于5G的牲畜健康监测系统和方法。

背景技术

随着养殖技术的提高，目前国内的牲畜养殖场会对牲畜的生长情况进行巡查，以确认每一牲畜的健康情况，并降低牲畜的死亡数量。传统技术一般是通过养殖人员每天巡查来观察牲畜的生长情况。若存在生病的牲畜，则需要等牲畜出现明显的异常情况后，养殖人员才能发现该情况并对生病的牲畜做进一步地的健康检查，此时牲畜的病情已发展到较为严重的程度，成功救治的几率较小，且容易对其他牲畜造成感染。

也即，由于传统技术缺少有效的牲畜健康监测方法，因而导致较高的牲畜死亡率，存在养殖成本高的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低养殖成本的基于5G的牲畜健康监测系统和方法。

一种基于5G的牲畜健康监测系统，包括巡检机器人，以及连接巡检机器人的后台服务器；

后台服务器获取目标监测点集合，并根据目标监测点集合向巡检机器人发送运动指令；巡检机器人在运动指令的指示下，运动至目标监测点集合的目标监测点处，并获取牲畜的监测图像，且将监测图像发送至后台服务器；

后台服务器采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，并从监测图像中提取各目标位置对应的图像信息，且根据图像信息生成牲畜监控结果。

在其中一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；

后台服务器采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

在其中一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；

后台服务器采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

在其中一个实施例中，基于5G的牲畜健康监测系统还包括运行轨道；运行轨道的设置高度大于牲畜的最大身高；巡检机器人固定运行于运行轨道上。

在其中一个实施例中，巡检机器人包括控制模块、驱动模块、通信模块和摄像设备；控制模块分别电连接驱动模块、摄像设备和通信模块；通信模块通信连接后台服务器；

控制模块根据接收到的运动指令生成驱动指令，并将驱动指令发送给驱动模块；驱动模块在驱动指令的指示下进行驱动，以使巡检机器人运动至目标监测点处；摄像设备获取监测图像，并将监测图像传输给控制模块；控制模块通过通信模块将监测图像传输给后台服务器。

在其中一个实施例中，巡检机器人还包括升降结构、云台、本体和导轨；升降结构分别机械连接云台和本体；本体机械连接导轨的一端；导轨的另一端固定运行在运行轨道上；

本体内设置有控制模块、驱动模块和通信模块；云台上设有摄像设备。

在其中一个实施例中，通信模块为5G通信模块。

在其中一个实施例中，后台服务器在牲畜监控结果指示任一牲畜为健康异常牲畜时，生成预警信息，并保存健康异常牲畜分别对应的监测图像和目标位置。

在其中一个实施例中，基于5G的牲畜健康监测系统还包括显示设备；后台服务器将预警信息在显示设备上进行显示。

上述基于5G的牲畜健康监测系统中，包括巡检机器人，以及连接巡检机器人的后台服务器；后台服务器获取目标监测点集合，并根据目标监测点集合向巡检机器人发送运动指令；目标监测点集合包括目标监测点；巡检机器人在运动指令的指示下，运动至目标监测点处，并获取牲畜的监测图像，且将监测图像发送至后台服务器；后台服务器采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，并从监测图像中提取各目标位置对应的图像信息，且根据图像信息生成牲畜监控结果。本申请通过巡检机器人自动获取各牲畜的监控图像，并通过后台服务器实时地掌握各牲畜的生长健康情况，及时发现生病的牲畜，防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，进而可降低养殖成本。

一种基于5G的牲畜健康监测方法，包括以下步骤：

获取目标监测点集合；目标监测点集合包括目标监测点；

根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；

接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。

上述牲畜健康监测方法中，获取目标监测点集合；目标监测点集合包括目标监测点；根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置；从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。通过提取对应位置的图像信息，并基于图像信息生成牲畜监控结果，从而可实现牲畜健康状态的实时监控，在降低监控成本的同时提高牲畜监控结果的准确性。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中基于5G的牲畜健康监测系统的结构示意图；

图2为一个实施例中巡检机器人的结构示意图；

图3为一个实施例中基于5G的牲畜健康监测方法的流程示意图；

图4为一个实施例中基于5G的牲畜健康监控装置的结构框图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。

空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等，在这里可以用于描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白，除了图中所示的取向以外，空间关系术语还包括使用和操作中的器件的不同取向。例如，如果附图中的器件翻转，描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此，示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外，器件也可以包括另外地取向(譬如，旋转90度或其它取向)，并且在此使用的空间描述语相应地被解释。

需要说明的是，当一个元件被认为是“连接”另一个元件时，它可以是直接连接到另一个元件，或者通过居中元件连接另一个元件。此外，以下实施例中的“连接”，如果被连接的对象之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。

在此使用时，单数形式的“一”、“一个”和“所述/该/其”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。

正如背景技术所言，传统技术容易导致较高的牲畜死亡率，存在养殖成本高的问题。经发明人研究发现，导致上述问题的原因在于，传统技术缺少有效的牲畜健康监测方法，在判断各牲畜的健康情况时，需要养殖人员人工判断，养殖人员对养殖场进行巡查，并通过手持温度计对猪只进行体温检测，以根据体温来判断牲畜是否生病。健康监测的准确度高度依赖养殖人员的经验，提高了对养殖人员的要求。同时，在大型养殖场中，若每天均需要进行多次巡查，会耗费大量的人工成本。如此，导致养殖场无法准确掌握每只牲畜的生长健康情况，难以及时地发现生病的牲畜，提高了牲畜的死亡率和养殖成本。

在一个实施例中，提供了一种基于5G的牲畜健康监测系统，如图1所示，基于5G的牲畜健康监测系统包括巡检机器人，以及连接巡检机器人的后台服务器；

后台服务器获取目标监测点集合，并根据目标监测点集合向巡检机器人发送运动指令；

巡检机器人在运动指令的指示下，运动至目标监测点集合的目标监测点处，并获取牲畜的监测图像，且将监测图像发送至后台服务器；

后台服务器采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，并从监测图像中提取各目标位置对应的图像信息，且根据图像信息生成牲畜监控结果。

其中，巡检机器人可以选用任意功能、任意驱动方式、任意受控方式、任意运行方式的机器人来实现，例如可以为电力驱动机器人、液压机器人、气动机器人、点位控制型机器人、连续控制型机器人、轨道式机器人或无导轨机器人等。当巡检机器人的数量为两个或以上时，可以为上述所列各类型机器人的任意组合。后台服务器可以用独立的服务器或者多个服务器组成的服务器集群来实现。

目标监测点集合可以包括数量不限的目标监测点，可以包括0个、1个、2个或以上的目标监测点。目标监测点可以为牲畜的定点拍摄位置，用于指示巡检机器人在特定监测位置中获取牲畜的监测图像。进一步地，目标监测点可以是预先设置的，或者根据实时监测图像或监测视频计算得到。监测图像为巡检机器人对牲畜进行拍摄后得到的图像。各牲畜分别对应的目标位置为各牲畜在监测图像中的位置信息，即牲畜在监测图像中的具体位置。图像信息为用于指示牲畜健康状况的信息，可以但不局限于温度、图像直方图等。

具体地，后台服务器可通过任意方式连接巡检机器人，以实现与巡检机器人之间的数据交互，连接方式可以但不局限于电连接或通信连接。后台服务器可获取目标监测点集合，从目标监测点集合中确定各目标监测点，并向巡检机器人发送运动指令，以使巡检机器人自动运动到各个目标监测点，并在各目标监测点所对应的位置处获取牲畜的监测图像。

进一步地，后台服务器可控制巡检机器人以任意形式依次经过各个目标监测点，例如后台服务器可根据各目标监测点设定巡检机器人的运行路径，并根据运动路径生成运动指令；或者后台服务器可根据各目标监测点与巡检机器人当前位置之间的距离，确定巡检机器人的在路径的各个位置处的运动状态信息(即巡检机器人在各个位置是处于行走状态或静止状态)，并基于运动状态信息生成运动指令。巡检机器人在运动指令的指示下，依次运动至各个目标监测点处，并分别获取各目标监测点的监测图像，将各监测图像发送给后台服务器。

后台服务器接收巡检机器人发送的各监测图像，并采用神经网络模型对各监测图像进行处理。其中，神经网络模型为采用训练集对初始模型进行训练后得到的神经模型，训练集中包括多个训练对，每一训练对均为训练图像与对应的健康监测结果。

后台服务器在通过神经网络模型对监测图像进行处理后，可从监测图像中识别出各牲畜，并确定各牲畜在监测图像中的位置，得到各牲畜分别对应的目标位置。在得到各目标位置后，后台服务器可从监测图像中提取各目标位置分别对应的图像信息，并根据各目标位置对应的图像信息判断各目标位置所对应的牲畜的健康情况，得到用于指示各牲畜健康情况的牲畜监控结果。

上述的基于5G的牲畜健康监测系统可应用在牲畜养殖场内，用于监控任意种类牲畜的健康情况，如猪、牛、羊、鸡、鸭、鹅等。

上述基于5G的牲畜健康监测系统中，通过巡检机器人自动获取各牲畜的监控图像，并通过后台服务器实时地掌握各牲畜的生长健康情况，及时发现生病的牲畜，防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，降低对养殖人员的技术要求，进而可降低养殖成本。

在一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；后台服务器采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

具体地，巡检机器人在各目标监测点处分别获取对应的监测图像，部分或全部的监测图像可包括热成像图像。后台服务器可采用卷积神经网络处理热成像图像。其中，卷积神经网络模型为采用训练集对初始模型进行训练后得到的神经网络模型，训练集中包括多个训练对，每一训练对均为训练图像与对应的温度监测结果。

后台服务器在通过卷积神经网络模型对热成像图像进行处理后，得到卷积神经网络模型输出的温度监控结果，从而可进行实时分析，实现实时监控。温度监控结果用于指示各牲畜健康情况。后台服务器将热成像图像输入至卷积神经网络模型时，卷积神经网络模型可对热成像图像中的各牲畜进行识别，以确定各牲畜在热成像图像中的位置，即各牲畜对应的第一目标位置。在确定各第一目标位置后，卷积神经网络模型可从热成像图像中获取每一目标位置对应的温度信息，该温度信息为对应位置的牲畜的体温。进一步地，对于每一个第一目标位置，本申请可将整个第一目标位置的平均温度作为该第一目标位置的温度信息，也可以第一目标位置中特定区域的温度信息作为该第一目标位置的温度信息。本申请对此不作具体限定，只需温度信息可准确反映牲畜体温状况即可。

在得到各第一目标位置对应的温度信息后，卷积神经网络可根据各个温度信息判断监测图像中各牲畜的健康情况，生成并输出温度监控结果。进一步地，卷积神经网络可将各温度信息与温度阈值进行比较，并基于比较的结果生成温度监控结果。当某一温度信息大于温度阈值时，可确认该温度信息对应的牲畜处于非健康状态，反之，当某一温度信息小于或等于温度阈值时，可确认该温度信息对应的牲畜处于健康状态。

如此，可通过获取热成像图像，并根据牲畜的体温确认各牲畜的健康情况，从而可及时发现生病的牲畜，防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，进而可降低养殖成本。

在一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；后台服务器采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

具体地，巡检机器人在各目标监测点处分别获取对应的监测图像，部分或全部的监测图像可包括彩色图像。后台服务器接收彩色图像，并采用神经网络模型处理彩色图像。其中，彩色图像为RGB图像，可以为白天拍摄的色彩图片。神经网络模型可用于对牲畜的体表情况进行分析，并利用神经网络目标检测识别方法，判断牲畜的体表是否异常。神经网络模型可以采用训练集对初始模型进行训练后得到，训练集中包括多个训练对，每一训练对均为训练图像与对应的体表监测结果。

后台服务器在通过神经网络模型对彩色图像进行处理后，得到神经网络模型输出的体表监控结果，从而可进行实时分析，实现实时监控。体表监控结果用于指示各牲畜是否发生体表异常，例如是否发生猪身变红、出血等，并据此得到各牲畜的健康情况。后台服务器将彩色图像输入至神经网络模型时，神经网络模型可对彩色图像中的各牲畜进行识别，确定各牲畜在彩色图像中的位置，即第二目标位置。神经网络模型对彩色图像中各个第二目标位置对应的图像信息进行提取，根据提取得到的图像信息判断各牲畜的体表情况，并基于体表情况生成并输出体表监控结果，从而可从体表判断各牲畜是否健康。

如此，可通过获取彩色图像，并根据牲畜的体表确认各牲畜的健康情况，从而可及时发现生病的牲畜，防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，进而可降低养殖成本。

在一个实施例中，基于5G的牲畜健康监测系统还包括运行轨道，巡检机器人可为轨道式机器人并沿运行轨道进行移动。进一步地，巡检机器人可倒挂式轨道机器人，即倒挂运行在运行轨道上。运行轨道的设置高度大于牲畜的最大身高。如此，巡检机器人可在牲畜的上方运行，以避免巡检机器人与牲畜之间的相互影响，提高监测图像的获取效率，并使得监测图像可更为准确地反映各牲畜的养殖情况，且可通过数量较少的监测图像来反映全部牲畜。

在一个实施例中，如图2所示，巡检机器人包括控制模块、驱动模块、通信模块和摄像设备。控制模块根据后台服务器下发的运动指令完成指定的运动和功能，即控制模块用于根据接收到的运动指令控制巡检机器人的驱动模块，以控制巡检机器人的运动状态，令巡检机器人可运动至目标监测点并获取监测图像。驱动模块为巡检机器人的传动装置，用于调整机器人的运动状态。

摄像设备可用于获取热成像图像和/或彩色图像，在一个示例中，摄像设备可以为热成像测温摄像设备。通信模块用于与后台服务器之间进行数据交互，接收后台服务器下发的指令并传输相应信息至后台服务器。进一步地，通信模块可支持任意通信方式，如2G、3G、4G、5G、蓝牙、WIFI、紫峰协议中的任意一种或任意组合。在一个示例中，通信模块为5G通信模块，从而可通过较高的网络传输速度完成信息交互，提高牲畜监控结果的实时性。

控制模块分别电连接驱动模块、摄像设备和通信模块，通信模块通信连接后台服务器。控制模块可通过通信模块接收后台服务器下发的运动指令，根据运动指令生成驱动指令，并将驱动指令发送给驱动模块。驱动模块在驱动指令的指示下，调整巡检机器人的运动状态，包括但不局限于与动静状态、运行速度、运行加速度等，使得巡检机器人依次运动到各个目标监测点处。进一步地，控制模块可控制巡检机器人在到达目标监测点时停顿，并控制摄像设备拍摄，在拍摄完成后控制巡检机器人移动到下一目标监测点，并停顿拍摄。依次执行，直至遍历全部目标监测点，并完成拍摄。

如此，可通过巡检机器人自动获取各牲畜的监控图像，以便后台服务器实时分析的进行，从而可防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，进而可降低养殖成本。

在一个实施例中，如图2所示，巡检机器人还包括升降结构、云台、本体和导轨。本体内容纳设置有控制模块、驱动模块和通信模块。本体包括第一侧和相对于第一侧的第二侧。本体的第一侧机械连接导轨的第一端，导轨的第二端机械连接运行轨道，如此，可通过导轨带动本体沿运行轨道移动，使得设置在本体内、本体上或与本体机械连接的结构也一并随之运动，从而实现整个巡检机器人的驱动。

本体的第二侧机械连接升降结构的一端，升降结构的另一端连接云台，云台上设置有摄像设备。如此，可通过升降结构调整摄像设备的离地高度，令摄像设备获取的监测图像可平衡牲畜数量与清晰度，从而可在提高每一监测图像中包括的牲畜数量时，保证监测图像中各牲畜的清晰度，进而可兼顾监控效率和识别准确度。同时，还可通过云台固定支撑摄像设备，提高摄像设备的稳定性，进一步提高监测图像的清晰度。

在一个实施例中，在牲畜监控结果指示任一牲畜为健康异常牲畜时，后台服务器可生成预警信息。进一步地，后台服务器可在温度监控结果指示任一牲畜的体温超过温度阈值时，确认该牲畜为健康异常牲畜，或者在体表监控结果指示任一牲畜存在体表异常时，确认该牲畜为健康异常牲畜。后台服务器在生成预警信息时，可自动保存健康异常牲畜对应的监测图像，以及健康异常牲畜在监测图像中的位置，即健康异常图像对应的目标位置。如此，可在监测到生病的牲畜时及时进行预警通知，防止病毒的进一步扩散，从而可降低牲畜的死亡率和人力成本，进而可降低养殖成本。同时，通过自动保存健康异常牲畜对应的监测图像和目标位置，从而可便于溯源追踪以及信息查询。

在一个实施例中，基于5G的牲畜健康监测系统还包括显示设备，其中，显示设备可以为任意能够进行显示的设备，可以但不局限于显示屏、终端等，终端可以但不局限于个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等。后台服务器在生成预警信息后，可在显示设备上显示预警信息，以进行通知提醒。进一步地，后台服务器的Web端可以将预警信息推送显示在显示屏上，也可通过APP进行推送，实现远程查看，以便养殖人员根据牲畜监控情况对健康异常牲畜做进一步的处理。同时，后台服务器还可将整个养殖场的牲畜生长情况显示在显示设备上，并将健康异常牲畜进行凸显。

在一个实施例中，如图3所示，提供了一种基于5G的牲畜健康监测方法，以该方法应用在上述基于5G的牲畜健康监测系统中的后台服务器为例进行说明。该方法包括以下步骤：

步骤310，获取目标监测点集合；目标监测点集合包括目标监测点；

步骤320，根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；

步骤330，接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。

在一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；

采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果的步骤，包括：

采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

在一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；

采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果的步骤，包括：

采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

在一个实施例中，牲畜健康监测方法还包括步骤：在牲畜监控结果指示任一牲畜为健康异常牲畜时，生成预警信息，并保存健康异常牲畜分别对应的监测图像和目标位置。

在一个实施例中，牲畜健康监测方法还包括步骤：将预警信息在显示设备上进行显示。

应该理解的是，虽然图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种基于5G的牲畜健康监控装置，包括：

监测点获取模块，用于获取目标监测点集合；目标监测点集合包括目标监测点；

运动指令发送模块，用于根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；

监控结果生成模块，用于接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。

在一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；

监控结果生成模块，用于采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

在一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；

监控结果生成模块，用于采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

在一个实施例中，基于5G的牲畜健康监控装置还包括：预警信息生成模块，用于在牲畜监控结果指示任一牲畜为健康异常牲畜时，生成预警信息，并保存健康异常牲畜分别对应的监测图像和目标位置。

在一个实施例中，基于5G的牲畜健康监控装置还包括：显示模块，用于将预警信息在显示设备上进行显示。

关于基于5G的牲畜健康监控装置的具体限定可以参见上文中对于基于5G的牲畜健康监测方法的限定，在此不再赘述。上述基于5G的牲畜健康监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标监测点集合；目标监测点集合包括目标监测点；

根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；

接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。

在一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；处理器执行计算机程序时还实现以下步骤：采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

在一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；处理器执行计算机程序时还实现以下步骤：采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在牲畜监控结果指示任一牲畜为健康异常牲畜时，生成预警信息，并保存健康异常牲畜分别对应的监测图像和目标位置。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将预警信息在显示设备上进行显示。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标监测点集合；目标监测点集合包括目标监测点；

根据目标监测点集合向巡检机器人发送运动指令；运动指令用于指示巡检机器人运动至目标监测点处，并获取牲畜的监测图像；

接收巡检机器人发送的监测图像，并采用神经网络模型处理监测图像，得到各牲畜分别对应的目标位置，从监测图像中提取各目标位置对应的图像信息，并根据图像信息生成牲畜监控结果。

在一个实施例中，监测图像包括热成像图像；目标位置包括第一目标位置；监控结果包括温度监控结果；计算机程序被处理器执行时还实现以下步骤：采用卷积神经网络模型处理热成像图像，得到每一牲畜分别对应的第一目标位置，并从热成像图像中提取各第一目标位置对应的温度信息，且根据各温度信息生成温度监控结果。

在一个实施例中，监测图像包括彩色图像；目标位置包括第二目标位置；监控结果包括体表监控结果；计算机程序被处理器执行时还实现以下步骤：采用神经网络模型处理彩色图像，得到每一牲畜分别对应的第二目标位置，并从彩色图像中提取出各第二目标位置对应的图像信息，且根据各图像信息生成体表监控结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在牲畜监控结果指示任一牲畜为健康异常牲畜时，生成预警信息，并保存健康异常牲畜分别对应的监测图像和目标位置。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将预警信息在显示设备上进行显示。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。