大白猪MYOD1、AKT3基因启动子区多态性及生物信息学分析

为探究MYOD1和AKT3基因启动子区的多态性及其可能存在的影响基因表达的分子调控机制，试验采用PCR直接测序的方法对大白猪MYOD1和AKT3基因启动子区的多态性进行检测，同时利用生物信息学分析方法预测了大白猪MYOD1和AKT3基因的核心启动子区、CpG岛和转录因子结合域。结果显示，MYOD1基因共预测到5个核心启动子区、1个CpG岛区域和10个转录因子结合域，且第5个核心启动子区位于CpG岛区域内；AKT3基因共预测到6个核心启动子区，未发现CpG岛的存在。通过直接测序的方法检测到MYOD1基因在G-361T处存在1个SNP突变，但在本试验群体中只发现1种基因型，同时该突变位点位于第1个核心启动子区内；AKT3基因在启动子区T-1709C处存在1个SNP突变，包括TT、TC和CC 3种基因型，其中TT基因型为优势基因型，T为优势等位基因。遗传多态性分析提示，该突变位点多态信息含量（PIC）介于0.25~0.5之间，表现为中度多态。本研究初步探究了大白猪MYOD1和AKT3基因启动子区的多态性并预测了启动子区可能的调控因子和调控元件，为进一步研究MYOD1、AKT3基因对肌肉生长发育的调控机制及将突变位点作为遗传标记用于分子选育提供指导和依据。     

基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

沼液浓缩配方肥在小白菜生产中的应用研究

为探明沼液浓缩液的农用效果,探讨沼液浓缩配方肥对小白菜产量、养分累积、品质指标的影响。结果表明,沼液浓缩配方肥对于小白菜具有增产提质效果,该结果对于沼液的农用推广具有一定实际意义。     

日粮添加竹酢粉对断奶仔猪肠道微生物区系的影响

为探究竹酢粉对断奶仔猪肠道微生物的影响,选6头30日龄杜洛克×长白×大约克三元杂交去势公猪,随机分为2组,分别为基础日粮组和竹酢粉组(基础日粮+0.5%竹酢粉),进行为期35 d的试验。16S rDNA技术分析结果表明,竹酢粉组肠道微生物组成较基础日粮组更为丰富;与基础日粮组相比,竹酢粉可促进Treponema(密螺旋体属)、Sphaerochaeta(单丝壳属)、Phascolarctobacterium(考拉杆菌属)、Oscillospira(颤螺菌属)、Mogibacterium(艰难杆菌属)、Lachnospira(毛螺菌属)、Parabacteroides(副类杆菌属)的丰度,抑制Oribacterium(假丁酸弧菌属)、Faecalibacterium(栖粪杆菌属)、Dialister(小杆菌属)、Mitsuokella(光岗菌属)的丰度。利用PICRUSt进行功能预测,竹酢粉在原发性免疫缺陷、脂类生物合成蛋白及细菌毒素等通路中发挥着重要功能。这一研究提示竹酢粉可通过调节仔猪肠道微生物组成,发挥促进生长、预防疾病及提高成活率等作用。     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。