排序方式: 共有22条查询结果,搜索用时 187 毫秒
1.
2.
用一个饲养试验和一个消化试验研究了0.4%无水硫酸钠对生长猪生产性能和养分消化率的影响。饲养试验将16头45 kg左右的长白×荣昌F1杂交阉公猪,随机分为两组,每组8个圈,每圈1头,分别喂给基础日粮、基础日粮+0.4 %无水硫酸钠,两种日粮,饲养试验开始后第21 d采用全收粪法进行预试期7 d和正试期5 d的消化试验。结果表明,在45 kg左右生长猪日粮中添加0.4 %无水硫酸钠,日采食量增加3.46 %,日增重提高19.19 %(P< 0.01),饲料效率改进12.66 %(P< 0.05),每kg增重耗饲料成本降低0.48元,日粮干物质、粗蛋白质、粗脂肪、粗纤维的表观消化率分别提高2.85 %、4.93 %、5.03 %和15.93 %,但统计检验均不显著。 相似文献
3.
用自主创新实现我国畜牧业又好又快发展 总被引:1,自引:0,他引:1
新中国成立60年来,特别是改革开放30年以来,我国畜牧业长足发展,然而,我国畜牧业主要是传统的粗放式经营,这种方式正面临着多方面的挑战。 相似文献
4.
用新荣昌猪Ⅰ系选育过程中的核心群及育成后的推广扩繁群所产3254头仔猪的乳头数为材料,研究了乳头数的遗传特征,结果表明新荣Ⅰ系乳头数的峰值为14头,大群均数13.59±1.46,比导血亲本荣昌猪多0.95个;无论父母本乳头数如何组合,子代平均乳头数总是向总体平均数回归,而并非表现出双亲的均值;公、母猪对乳头数具有相同遗传能力;乳头数与窝产仔数、活产仔数相关系数为0.0636、0.118,而与木乃伊数表现一定程度的负相关,为-0.245. 相似文献
5.
改进Faster R-CNN的群养猪只圈内位置识别与应用 总被引:4,自引:3,他引:1
群养圈栏内猪只的位置分布是反映其健康福利的重要指标。为解决传统人工观察方式存在的人力耗费大、观察时间长和主观性强等问题,实现群养猪只圈内位置的高效准确获取,该研究以三原色(Red Green Blue,RGB)图像为数据源,提出了改进的快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)的群养猪只圈内位置识别算法,将时间序列引入候选框区域算法,设计Faster R-CNN和轻量化CNN网络的混合体,将残差网络(Residual Network,ResNet)作为特征提取卷积层,引入PNPoly算法判断猪只在圈内的所处区域。对育成和育肥2个饲养阶段的3个猪圈进行24 h连续98 d的视频录像,从中随机提取图像25 000张作为训练集、验证集和测试集,经测试该算法识别准确率可达96.7%,识别速度为每帧0.064 s。通过该算法获得了不同猪圈和日龄的猪群位置分布热力图、分布比例和昼夜节律,猪圈饲养面积的增加可使猪群在实体地面的分布比例显著提高(P<0.05)。该方法可为猪只群体行为实时监测提供技术参考。 相似文献
6.
7.
9.
10.
旨在鉴定荣昌猪初产繁殖性状的重要变异位点和基因,为荣昌猪繁殖性状的遗传改良提供重要的分子标记和基因资源。本研究选取429头荣昌母猪进行猪50K芯片基因分型,经过质量控制和基因型填充后,保留35 046个SNPs用于分析。采用主成分分析法研究群体结构,利用混合线性模型(mixed-linear model, MLM)将出生年、出生月作为固定效应,将主成分值作为协变量对总产仔数、活产仔数、死胎数和初生窝重性状进行全基因组关联分析(GWAS)。结果显示,在全基因组显著水平上鉴定出2个影响荣昌猪初生窝重的SNPs和1个影响荣昌猪死胎数的SNP;在潜在显著水平上鉴定到5个影响荣昌猪总产仔数的SNPs, 3个影响荣昌猪活产仔数的SNPs和10个影响荣昌猪死胎数的SNPs。通过全基因组关联分析筛选到1个显著的SNP(SSC17:57 315 180 bp)同时影响荣昌猪总产仔数、活产仔数和初生窝重,1个显著的SNP(SSC1:279 214 647 bp)同时影响荣昌猪活产仔数和总产仔数,暗示基因在不同性状间具有一因多效性。本研究根据候选基因的相关分子生物学功能,确定BMP7基因为影响荣昌猪总产仔数... 相似文献