Труды Кубанского государственного аграрного университета


<<<  Назад

2023 год, № 107

УДК: 636.5.034
ГРНТИ: 68.41.05

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ЗАВИСИМОСТИ ПОКАЗАТЕЛЕЙ ПРОДУКТИВНОСТИ И РЕЗИСТЕНТНОСТИ КУР-НЕСУШЕК ОТ КОРМОВ, КОРМОВЫХ ДОБАВОК И УСЛОВИЙ ПРОМЫШЛЕННОГО ПРОИЗВОДСТВА

Целью работы являлось изучение влияния кормовой добавки из бурых водорослей на биохимические процессы в организме птиц, на показатели продуктивности и резистентности кур-несушек и на показатели их крови. Для достижения поставленной цели была создана вычислительная нейронная сеть EuclidNN, позволяющая по показателям крови птиц оценить эффект воздействия кормовой добавки с бурыми водорослями на биохимические процессы в организме птиц и на показатели их яйценоскости. Полученные в исследовании прогнозы относительно применения бурых водорослей планируется использовать в промышленном птицеводстве для повышения продуктивности и качества сельскохозяйственной продукции. Для анализа BigData использовали вычислительные компьютерные программы из серии «искусственный интеллект». Вычислительные нейронные сети этой серии позволяют производить поиск кормовых добавок, обеспечивающих минимальные потери полезных компонентов корма и стимулирующих желудочно-кишечную микрофлору для обеспечения полноценного симбиоза микроорганизмов с организмом кур. При анализе показателей лейкограммы крови кур-несушек достоверные изменения выявлены в подопытной группе: на 50% увеличилась доля псевдоэозинофилов, на 6% снизилась доля лимфоцитов по сравнению с группой контроля. Также на 22% увеличилась доля псевдоэозинофилов и на 4% снизилась доля лимфоцитов. Это говорит о нормализации иммунного статуса. Выявлено достоверное снижение количества эозинофилов в подопытной группе относительно контрольной на 67%, что может говорить о более низкой аллергической реакции иммунной системы организма, которая может происходить, например, в ответ на паразитарные инвазии. При оценке показателей фагоцитоза крови фагоцитарная активность увеличилась на 23%. Также примечательно, что в контрольной группе показатели фагоцитарной активности и фагоцитарного индекса относительно первого отбора проб также имели тенденцию к снижению. В результате проведенных исследований впервые разработаны математическая модель и нейронная сеть, использующая эту модель, для анализа показателей продуктивности и резистентности птицы при действии кормовой добавки из бурых водорослей.
Ключевые слова: Птицеводство, куры-несушки, кормление, кормовая добавка, бурые водоросли, продуктивность, показатели крови, вычислительная нейронная сеть EuclidNN.
DOI: 10.21515/1999-1703-107-236-244

Литература:

  1. Кощаев, А. Г. Перспективы использования полиштаммового кормового пробиотика в птицеводстве / А. Г. Кощаев, Ю. А. Лысенко, О. В. Кощаева // Advances in Agricultural and Biological Sciences. - 2015. - Т. 1. - № 2. - С. 44-52.
  2. Кощаев, А. Г. Экологически безопасные технологии витаминизации продукции птицеводства в условиях юга России / А. Г. Кощаев // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. - 2006. - № S9. - С. 58-66.
  3. Кощаев, А. Г. Эффективность использования бактериальных кормовых добавок в промышленном птицеводстве / А. Г. Кощаев, Г. В. Фисенко, А. И. Петенко // Труды Кубанского государственного аграрного университета. - 2009. - № 19. - С. 176-181.
  4. Кощаев, А. Г. Особенности действия органических и неорганических источников микроэлементов в кормлении цыплят-бройлеров / А. Г. Кощаев, Н. П. Шевченко, Р. Ф. Капустин, А. И. Шевченко, О. Е. Татьяничева, Т. С. Павличенко, Н. В. Перевозчиков // Труды Кубанского государственного аграрного университета. - 2022. - № 100. - С. 298-306.
  5. Кощаев, А. Г. Особенности обмена веществ птицы при использовании в рационе пробиотической кормовой добавки / А. Г. Кощаев, С. А. Калюжный, Е. И. Мигина, Д. В. Гавриленко, О. В. Кощаева // Ветеринария Кубани. - 2013. - № 4. - С. 17-20.
  6. Young, G. Lipid extraction from biomass using co-solvent mixtures of ionic liquids and polar covalent molecules. / G. Young, F. Nippgen, S. Titterbrandt, M. J. Cooney // Sep. Purif. Technol. - 2010. - Vol. 72. - P. 118-121.
  7. Taye, M. M. Theoretical Understanding of Convolutional Neural Network: Concepts, Architectures, Applications, Future Directions. / M. M. Taye // Computation. - 2023. - Vol.11. - P. 52.
  8. Meireles, M. R. G. A comprehensive review for industrial applicability of artificial neural networks. / M. R. G. Meireles, P. E. M. Almeida, M. G. Simoes // IEEE Transactions on Industrial Electronics. - 2003. - Vol.50 (3). - P. 585-601.
  9. Colbrook, M. The difficulty of computing stable and accurate neural networks: On the barriers of deep learning and Smale’s 18th problem / M. Colbrook, J. Antun, H. Vegard, C. Anders // JOUR. - 2022. - Vol. 119(12). - P.e2107151119.
  10. Menshikov, V. V. Clinical diagnosis - laboratory basics / V. V. Menshikov // Labinform Publishing House: M., Russia. - 1997. - 320 p.
  11. Mascarenhas, W F. Fast and accurate normalization of vectors and quaternions / W. F. Mascarenhas // Comp. Appl. Math. - 2018. - Vol. 37. - P. 46490-4660.
  12. Nikolić, D. Scaled correlation analysis: a better way to compute a cross-correlogram / D. Nikolić, R.C. Muresan, W. Feng, W. Singer // European Journal of Neuroscience. - 2012. - Vol. 35(5). - P. 1-21.
  13. Schmidhuber, J. Deep learning in neural networks: An overview /j. Schmidhuber // Neural Networks. - 2015. - Vol. 61. - P. 85-117.
  14. Widrow, B. The no-prop algorithm: A new learning algorithm for multilayer neural networks / B. Widrow, A. Greenblatt, Y. Kim, D. Park // Neural Networks. - 2013. - Vol. 37. - P.182-188.
  15. De Almeida, L. G. B. Artificial Neural Networks on Eggs Production Data Management. / L. G. B. de Almeida, É. B. de Oliveira, T. Q. Furian, K. A. Borges, D. Tonini da Rocha, C. T. P. Salle, H. L. S. de Moraes // Acta Scientiae Veterinariae. - 2020. - Vol. 48. - P. 1.
  16. Yang, X.Computer Vision-Based Automatic System for Egg Grading and Defect Detection. / X. Yang, R. B. Bist, S. Subedi, L. A. Chai // Animals. - 2023. - Vol. 13. - P. 2354.
  17. Nematinia, E. Assessment of egg freshness by prediction of Haugh unit and albumen pH using an artificial neural network / E. Nematinia, S. Abdanan Mehdizadeh // Food Measure. - 2018. - Vol. 12. - P. 1449-1459.
  18. Ojo, R. O.Internet of Things and Machine Learning techniques in poultry health and welfare management: A systematic literature review / R. O. Ojo, A. O. Ajayi, H. A. Owolabi, L. O. Oyedele, L. A. Akanbi // Computers and Electronics in Agriculture. - 2022. - Vol. 200. - P. 107266.
  19. Siriani, A. L. R. Chicken Tracking and Individual Bird Activity Monitoring Using the BoT-SORT Algorithm / A. L. R. Siriani, I. B. d. C. Miranda, S. A. Mehdizadeh, D. F. Pereira // AgriEngineering. - 2023. - Vol. 5. - P. 1677-1693.

Авторы:

  1. Карпенко Лариса Юрьевна, д-р биол. наук, профессор, зав. кафедрой, ВГБОУ ВО «Санкт-Петербургский государственный университет ветеринарной медицины».
  2. Бахта Алеся Александровна, канд. биол. наук, доцент, ВГБОУ ВО «Санкт-Петербургский государственный университет ветеринарной медицины».
  3. Борисова Соломонида Дмитриевна, аспирант, ВГБОУ ВО «Санкт-Петербургский государственный университет ветеринарной медицины».
  4. Воробьев Николай Иванович, канд. техн. наук, вед. науч. сотрудник, ФГБНУ «Всероссийский научно-исследовательский институт сельскохозяйственной микробиологии».
  5. Никонов Илья Николаевич, канд. биол. наук, ст. науч. сотрудник, ФГАОУ ВО «Балтийский федеральный университет им. И. Канта».
  6. Лайшев Касим Анверович, д-р ветеринар. наук, академик РАН, гл. науч. сотрудник, Санкт-Петербургский Федеральный исследовательский центр РАН.