规模猪场夏季应高度重视猪只的饮水问题

猪的活重是由瘦肉组织、脂肪组织和骨头累积而成。瘦肉组织通常是肌肉，脂肪通常有2／3储存在皮下。瘦肉的化学组成是约70％的水、10％的脂肪、20％的蛋白质。另一方面，脂肪约含10％的水、88％的脂肪和2％的蛋白质。因此，高度重视猪只的饮水对提高猪的生产能力非常重要，尤其在炎热的夏季更是如此。     

猪的主要病毒性传染病流行新特点与综合防控技术(下)

(上接第14期) (五)提高饲料营养水平 饲料营养水平的高低对猪体的免疫功能和生长速度、成活率都有很大的影响.当饲料中缺乏某种维生素或矿物质时,可导致猪体免疫反应滞后,使免疫应答受到抑制.因此,要提供标准的全价饲料,适当的提高猪只的蛋白质、氨基酸、维生素和微量元素的水平,保证猪群各个生长阶段的营养需要,使机体的免疫系统正常运转,有利于抵抗各种疫病的侵袭.     

谨防猪只有机磷类农药中毒

近日,在凌海市班吉塔镇发生一起急性中毒病例:8只体重16～20kg的健康猪,误食了用敌敌畏喷洒过的白菜后,口腔开始大量流涎,兴奋不安,四肢抽搐,不能站立.用其现有的医疗条件立即进行抢救,皮下注射硫酸阿托品每只5～7mL,并用小苏打洗胃,结果死亡5只,存活3只.     

猪只的热应激

猪只生活环境的温度是影响猪只舒适的最主要因素之一，猪只需要生活在无应激的环境中。     

猪高热病发病特点

近年来,猪高热病流行十分猩獗,侵害饲养户的猪只,造成了惊人的药物开支和死亡损失,笔者对江苏苏州地区张家港绵丰镇猪高热病进行了流行病学调查和防治分析.     

猪ADD1基因Eam1104I酶切位点多态性及其与肉质、胴体性状关系的研究

采用PCR-DHPLC技术发现猪ADD1基因DQ442276S3序列中第313位C→T突变而产生Eam1104I酶切位点,并通过PCR-RFLP方法在368头8个中外猪种中检测到长白猪和皮特兰猪的CC基因型频率明显高于中国猪种,长白猪只检测到CC基因型,长白猪和皮特兰猪的等位基因C的频率比中国猪种的高.对长蓝猪(长白×蓝塘)F2代资源家系进行此标记与胴体性状的关联分析,结果发现,CC基因型个体的皮脂率和屠宰率显著低于CT基因型个体,其他胴体性状和肉质性状差异不显著.     

中兽医药技术是猪只康养最佳供给体系

在我国养猪业面临产品安全和环境污染两大瓶颈的情势下,如何使所生产的猪肉食用卫生,所排粪污环境安全,纯天然、无污染、广效低毒、绿色环保的中兽医药学为破解这两大瓶颈提供了技术支撑。充分发挥我国传统的中兽医药技术的特色和优势,构建以中兽医药为主体的猪只康养技术供给体系,旨在集生产管理"适其天性"、所喂药料"无污染"、治疗药物"纯天然"、预防措施治"未病"、治疗方法"和谐调节"和四季保健"药饲同源"于一体的技术供给体系,从源头上破解这两大难题,从而实现猪只康养,环境安全,猪肉安康,凸显出中兽医药是猪只康养的最佳供给体系。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

基于改进YOLO v5n的猪只盘点算法

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2...     

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度（average precision）和每秒传输帧数（frame per second,FPS）达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07...