2. 江苏智慧牧业装备科技创新中心, 南京 210095;
3. 南京农业大学人工智能学院, 南京 210095
2. Jiangsu Intelligent Animal Husbandry Equipment Technology Innovation Center, Nanjing 210095, China;
3. College of Artificial Intelligence, Nanjing Agricultural University, Nanjing 210095, China
我国是猪肉生产和消费大国，同时又是饲料资源严重不足的国家。我国规模化集约化猪场普遍采用三阶段饲养模式养殖生长育肥猪，三阶段饲养按照群体平均营养需要量设计饲料配方并制定饲养计划，忽略了生长育肥猪的个体差异。同时，为确保饲粮的营养水平能满足大部分动物的营养需要，企业大多采用一定比例上浮群体平均营养需要量的原则设计饲料配方并制定饲养计划，造成饲料浪费、养殖成本增加、环境影响加剧和生产效率低下等问题，严重制约我国生猪养殖业可持续性发展。精准饲养系统作为近些年来规模化猪场兴起的管理手段，在提升生产效率、减少饲料浪费、降低生产成本方面具有重要的作用，如图 1所示，精准饲养系统由4个模块构成。首先，利用电子耳标、深度相机等智能设备在群养模式下对生长育肥猪进行个体识别，并实时监测、获取猪只生长状况；其次，根据不同个体体况信息，充分考虑生长模式、生长阶段、采食模式、个体差异等影响营养需要量及其变化的因素，科学预测猪只下一阶段采食量和营养需要量；再次，通过查阅饲料原料营养价值表、近红外光谱快速分析等手段快速获取饲料原料营养价值，结合猪只采食和营养需要预测值制定个性化饲养方案；最后，通过精准饲喂器识别猪只身份后，依据饲养方案，按比例混合营养浓度不同的饲粮，定量饲喂生长育肥猪。精准饲养系统精准匹配生长育肥猪营养需要，可最大化发掘育肥猪生长潜能、提高养殖收益、降低养殖成本、减少环境影响，促进生猪养殖业可持续发展。随着相关学科的发展，生长育肥猪个体识别、体况信息实时获取、饲粮组成实时调整、饲粮定量饲喂等技术日益成熟，我国畜牧业已具备推广应用精准养殖设备和技术的条件。因此，本文综述了饲料原料营养价值评定方法、生长育肥猪生长预测和营养需要量评估模型、精准饲养配套智能化设备开发、精准饲养系统应用现状及其存在的问题和发展趋势，以期为深入理解并完善生长育肥猪精准饲养系统奠定基础，为利用精准饲养系统促进生猪养殖业可持续性发展提供理论指导。
|
图 1 生长育肥猪精准饲养系统 Fig. 1 Precision feeding system for growing-finishing pigs |
我国是世界猪肉生产第一大国[1]，同时，猪肉是我国第一大肉类消费品[2]。作为猪肉生产和消费大国，我国生猪养殖业发展迅速，饲料用粮需求不断增加。近年来，口粮、工业用粮和饲料用粮竞争日益激烈，而我国饲料资源不足，玉米、大豆、小麦等粮食资源严重依赖进口(图 2)，其中大部分用作饲料。以2019年为例，我国豆类产量为2 131.9万t[2]，进口大豆8 851.28万t[3]，全年豆粕饲用消费为6 240万t[4]。精准饲养系统是改善生长育肥猪饲料利用效率、减少生猪养殖业饲料原料消耗的有效措施，可精准匹配生长育肥猪营养需要，根据生长育肥猪个体体况实时调整饲料配方和饲喂量，在不影响生长育肥猪生长性能的前提下节省蛋白质消耗，降低饲料成本[5-6]。根据Andretta等[7]研究所得数据计算，与三阶段商业料饲养相比，个体水平精准饲养模式可使每头生长育肥猪(40~130 kg)玉米消耗减少61.531 69 kg，豆粕消耗减少27.978 82 kg。2019年，我国肉猪出栏54 419.2万头[2]，按照上述计算，采用精准饲养系统养殖生猪可减少玉米消耗3 348.51万t，减少豆粕消耗1 522.59万t。2019年，我国饲用玉米全年均价为2 079元/t[8]，应用精准饲养系统可降低我国生长育肥猪饲粮中玉米成本约696.15亿元。精准饲养系统可有效减少饲料原料消耗，极大提高我国生猪养殖企业生产利润，促进畜牧业可持续性发展，缓解我国粮食进口压力，保障国家粮食安全。
|
数据来源于中国海关数据库，其中2021年数据为1~7月份进口量[3]。 Data were obtained from China customs database, and the data for 2021 was the import volume from January to July[3]. 图 2 近10年我国小麦(A)、玉米(B)和大豆(C)进口量 Fig. 2 China's import volume of wheat (A), corn (B) and soybean (C) in recent ten years |
我国生猪养殖业发展迅速，2014—2019年年均肉猪出栏头数达到68 571.1万头[2]，而规模化猪场仍采用传统三阶段饲养模式饲养生长育肥猪[9]。三阶段饲养模式是指根据生长育肥猪的日龄和体重，人为地将其生产周期划分为3个阶段，每个阶段根据生长育肥猪群体平均营养需要量配制1种饲粮用于这一阶段的生长育肥猪饲养。生长育肥猪营养需要量受生长阶段和个体差异等的影响，同一生长阶段，不同个体体况和生长潜能不同，营养需要量不同[10]，同时，不同个体营养需要量在生长过程中动态变化的模式不同。传统三阶段饲养模式按照群体平均营养需要量设计饲料配方，为获得最优生产成绩，阶段性的单一饲粮营养水平通常高于群体平均营养需要量[11]，多数生长育肥猪个体处于营养过剩状态，而少数高营养需求个体(18%)难以获得足够的营养[12]。营养不足限制生长育肥猪生长潜能最大化的实现，而营养过剩会造成饲料浪费，增加养殖成本，加剧环境影响[13]，同时，三阶段饲养模式下，饲粮中营养成分转化为动物产品的效率较低，如蛋白质转化效率低于50%[12, 14-15]，磷和能量转化效率低于蛋白质[15]。
2 生长育肥猪精准饲养生长育肥猪精准饲养系统可准确评估并匹配生长育肥猪营养需要量，最大化生长育肥猪生长潜能，提高生产效率，降低养殖成本和环境影响。随着猪只识别及健康感知、猪舍环境控制、智能化液态料饲喂系统等技术及相关学科的发展，智能养殖技术得以应用，我国畜牧业进入了产业转型升级的关键时期[16]。精准养殖设备和技术在生产中的推广应用将有效弥补传统三阶段饲养模式的不足，推动生猪养殖业高效、优质、可持续性发展。精准饲养系统实时监测生长育肥猪生长状况并准确评估群体和个体营养需要量，制定个性化饲养方案，饲粮营养供给精准匹配生长育肥猪营养需要，可减少饲料浪费，提高饲料利用效率和养殖效益，改善动物福利，缓解生猪养殖业对环境的压力[12, 17-18]。精准饲养系统目的在于精准匹配生长育肥猪营养需要量，难点在于生长育肥猪营养需要量的准确评估和营养成分的精准供给[16-17]，因此，饲料原料营养价值评定、生长育肥猪营养需要量评估和精准饲养系统智能设备开发直接决定精准饲养系统的实现和应用效果。
2.1 饲料原料营养价值评定研究进展我国饲料资源短缺，口粮、工业用粮与饲料用粮的竞争日益激烈，2019—2020年度，我国玉米食用消费943万t，饲用消费17 400万t，工业消费8 200万t，分别占据玉米总消费的3.4%、62.5%和29.5%[19]。我国饲料原料严重依赖进口[4]，2019年我国豆类产量为2 131.9万t[2]，进口大豆8 851.28万t[3]。饲料成本占生长育肥猪生产总成本的70%[20-21]，为缓解饲料原料压力，降低饲料成本，众多研究尝试使用非常规饲料原料替代传统饲料原料[22]，由于产地、品种、储存、加工等差异，饲料原料营养组分差异较大。准确评定饲料原料营养价值，实时、快速调整饲料配方以满足育肥猪营养需要是精准饲养系统的基础。
2.1.1 饲料原料营养价值评定理念传统饲料营养价值是指饲料中可消化或可代谢营养成分的含量。随着动物营养学的发展，更能反映动物对饲料利用效率的营养价值评定新方法得以建立，如标准回肠氨基酸消化率(standardized ileal amino acid digestibility，SID)、标准全肠道消化率(standardized total tract digestibility，STTD)和净能(net energy，NE)等，这些理念更能体现饲料原料营养物质的生物学效价。
生长育肥猪饲料原料有效能评价体系包括消化能(digestible energy，DE)、代谢能(metabolic energy，ME)和NE。DE和ME值测定方法较NE简单，通过动物消化代谢试验即可得出饲料原料的DE和ME值。INRA(2004)、NRC(2012)等涵盖了大量饲料原料DE和ME值，为饲料配方制定提供了重要参考数据，生长育肥猪饲料配方制定时普遍采用DE和ME能量体系[16]。NE通常采用比较屠宰法或间接测热法进行测定，测定方法复杂，难度大，耗时长。刘德稳[23]、李亚奎[24]、李忠超[25]通过测定能量饲料原料、蛋白质饲料原料、纤维饲料原料等5大类饲料原料的NE值，建立了饲料原料NE预测模型。随着饲料原料NE值数据库的扩充和预测模型的完善，NE预测模型可快速估测饲料原料的NE值，为饲料配方制定提供重要参考数据。氨基酸是生长育肥猪维持、生长所必需的营养成分[26]，在动物营养中的重要性不言而喻，随着氨基酸营养研究的深入，理想蛋白质模型的提出发展了氨基酸平衡评价体系。以全肠道表观消化率(apparent total tract digestibility，ATTD)评定饲料原料氨基酸消化率，会受到后肠微生物发酵和内源损失的影响；应用表观回肠末端氨基酸消化率(apparent ileal amino acid digestibility，AID)、真回肠末端氨基酸消化率(true ileal amino acid digestibility，TID)和标准回肠末端氨基酸消化率(standard ileal amino acid digestibility，SID)等指标可以避免这些影响[16]。SID测定较TID简单，通常采用回肠瘘管和无氮饲粮等技术测定饲料原料SID，计算时扣除内源损失部分。因此，饲粮配制时普遍使用SID计算饲料原料氨基酸营养价值。研究人员通过大量的研究得到了菜籽粕、豆粕、次粉、玉米、大麦和小麦等饲料原料的氨基酸SID结果[16, 27-31]，我国构建了生长猪常用饲料原料氨基酸SID数据库和预测模型[16]。除能量、氨基酸外，钙、磷的评定也有了新的发展，STTD替代传统指标(总钙、非植酸磷)描述饲料原料钙、磷的有效含量。
2.1.2 饲料原料营养价值评定技术传统饲料原料常规评定技术包括化学分析、饲料营养价值评定、预测方程和动物试验[32]。化学分析技术是其他评定技术的基础，但只能测定饲料原料化学组成的总量，不能测定有效成分。饲料原料营养价值表是汇总相关测试结果得出的平均值，具有一定的代表性，但无法准确反映饲料原料的确切营养价值。分析原料有效成分与其他营养素的相关关系，结合饲料原料营养价值数据库可构建预测方程估计饲料原料有效成分，如猪NE、DE和ME回归方程[23-25, 33]。通过测定基础营养成分指标构建饲料原料有效能值预测模型[34]，方程预测结果准确度受化学分析和拟合方程效应因子的影响，每种饲料原料要单独建立预测方程以提高预测结果的准确性[35]。动物试验是测定饲料原料营养价值最直接、有效的方式，然而实际操作过程中规范性难以保证，不同研究结果变异较大，同时，动物试验费时费力，成本较高。
上述传统饲料原料营养价值评定方法要求高、耗时长、难度大，不适用于饲料原料生物学效价的快速分析，体外消化、体外发酵、近红外光谱等快速评定技术逐渐引起关注。体外消化试验利用胃蛋白酶、胰蛋白酶和非淀粉多糖酶等模拟单胃动物胃肠道消化，根据猪、家禽消化过程特点设计体外消化流程，不受试验动物个体差异的限制，测定速度快、易于操作。体外消化技术可对大量饲料原料进行测定[36-38]，例如，高庆涛[39]、王美琴[40]应用单胃动物仿生消化系统有效模拟了猪、鸡消化过程，测定了饲料原料营养价值。体外消化无法模拟动物体内消化酶分泌、产物排出和pH渐变等动态过程，未体现微生物对消化过程的影响；同时，体外消化技术对不同饲料原料营养价值测定的准确度受原料种类的影响，对每种原料建立针对性的测定方案是提高测定准确性的有效方式。体外发酵技术可模拟微生物对纤维的降解过程，从猪后肠内容物、粪便提取活菌或纯化纤维降解酶，模拟后肠微生物对饲料纤维的分解过程，用挥发性脂肪酸预测大肠能量消化率[41]。近红外光谱技术(near-infrared spectroscopy，NIR)是一种利用光学原理对饲料原料营养价值进行快速测定的技术[42-43]，以漫反射方式获得标准试验光谱数据，构建标准试验数据库，通过多元线性回归、主成分分析、偏最小二乘法及人工神经网络等化学计量学手段建立物质光谱与样品成分的定标模型[42-44]，可同时预测待测样品多种组分，具有样品无损、速度快、效率高、成本低等优势[16, 32, 44-46]。GB/T 18868—2002[47]是采用近红外光谱法快速测定饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸的检测标准，研究人员已建立了水分、粗蛋白质、粗灰分、粗纤维、粗脂肪等常规养分和维生素、氨基酸等成分分析的数学模型[48-51]，用于评定玉米、小麦、豆粕等饲料原料的营养价值[16, 42]。近红外光谱法是饲料原料营养价值评定的重要研究方向，同时，近红外光谱法也存在一些缺点：1)依赖化学分析建立的预测模型决定了近红外光谱测定结果准确性低于化学分析测定结果；2)构建数据库和预测模型成本高，不易推广，且定标模型需持续更新、维护；3)低含量成分检测灵敏度低[44-45]。
现有饲料原料营养价值测定方法各有利弊、互有关联，近红外光谱法测定快速、高效，可以满足精准饲养系统对饲料原料营养价值快速测定的要求，整合生物学知识，借助其他测定方法发展、完善近红外光谱法是精准饲养系统饲料原料营养价值快速评定的重要发展方向。
2.2 生长育肥猪精准饲养方案生长是一个复杂的过程，是品种特性、饲粮摄入和营养利用等的综合体现[52]，生长育肥猪生长过程中对营养的需要呈动态变化，因此，准确评估并根据生长育肥猪营养需要量制定符合生产目的的饲养方案，对充分发掘生长育肥猪生长潜能、节约饲料成本具有重要意义。法国农业科学研究所、加拿大农业与食品学会等科研团队开发了生长育肥猪生长预测模型，有利于养殖者制定合理的饲养方案，精准匹配生长育肥猪营养需要，最大限度发挥生长育肥猪的生长潜能。
2.2.1 生长育肥猪生长预测模型van Milgen等[52]基于大量生长育肥猪生长数据构建了生长预测模型，此模型适用于15~150 kg体重生长育肥猪的生长预测，通过设定群体平均龚帕兹函数(Gompertz function)参数(初始体重、初始体蛋白质量、平均蛋白质沉积速率和体成熟速度参数precocity)和群体平均伽马函数(Gamma function)参数a、b模拟生长育肥猪蛋白质沉积潜能和采食量变化；基于能量分配和回肠可消化氨基酸理论，依托饲料原料营养价值数据库INRA-AFZ，结合饲料配方，模拟生长肥育猪群体平均体蛋白质和体脂沉积状况，进而预测生长育肥猪体重、料重比、瘦肉率和背膘厚等指标，可评估不同饲养方案(饲料配方、限饲等)对生长育肥猪生长性能、屠宰性能等的影响，有助于饲养者选择符合最优生产成绩、最小化生产成本、最大化利润收益等养殖目的的饲养方案。此模型为确定性模型，用于预测群体的平均生长性能，因此对前期数据收集要求较高，要求用于建模的个体具有较好的群体代表性。Vautier等[53]收集了10个批次生长育肥猪采食量、体重等数据，构建生长育肥猪生长预测模型参数中值协方差矩阵，引入变异性(variability)概念；利用中值协方差矩阵设定模型参数，为不同生长育肥猪赋予某一参数不同数值，与确定性模型采用平均值设定单一数值参数相比，这种参数设定方式增加了模型的随机性，反映了生长育肥猪的个体差异。此模型可快速预测生长育肥猪生长性能，帮助养殖者制定最佳饲养管理方案，但前期需要收集大量生长育肥猪的生长性能数据以构建可靠的模型参数集；并且，预测某一特定养殖场生长育肥猪的生长性能时需进一步收集该养殖场数据以校正模型，数据收集耗时长，难度高。
2.2.2 生长育肥猪氨基酸需要量预测模型Hauschild等[54]实时监测生长育肥猪生长状况，根据生长育肥猪连续7 d采食量和连续2周体重数据，通过二次指数平滑法分别提前1 d和1周预测生长育肥猪采食量、体重，并计算体蛋白质沉积变化，进而根据体蛋白质沉积数据确定生长育肥猪标准回肠可消化赖氨酸(SID Lys)需要量(相对于能量)；按照理想蛋白质模式确定育肥猪对饲粮蛋白质和其他氨基酸的需要量，根据预测采食量和营养需要量计算出精准匹配育肥猪氨基酸需要量所需的饲量营养浓度(图 3)。根据预测制定生长育肥猪个性化营养方案，按照比例混合2种营养成分含量不同的饲料配制所需氨基酸浓度的饲粮，利用自动饲喂系统，识别生长育肥猪个体并定量提供饲料，在恰当的时间为生长育肥猪提供数量适宜、氨基酸含量适当的饲粮[6, 55]，精准匹配生长育肥猪营养需要。此方案仅考虑生长育肥猪氨基酸需要量，未涉及其他营养物质的需要量(钙、磷等)，个性化营养方案的实现需使用自动饲喂系统和电子耳标，成本较高。
|
图 3 生长育肥猪氨基酸需要量预测流程图 Fig. 3 Flow chart of amino acid requirement prediction for growing-finishing pigs |
生长育肥猪营养需要量存在个体差异，整体随时间呈现动态变化。因此，实时监测生长育肥猪生长性能和体况数据，制定并实施个性化饲养方案，实时调整饲料配方和定量饲喂是精准饲养系统的重要研究方向。生长育肥猪个体识别、数据实时获取和处理是精准饲养的关键。射频识别电子耳标可实现生长育肥猪的个体识别[17, 56]，自动精准饲喂器可记录生长育肥猪采食次数、采食时间和采食量等数据，搭载体重秤可获取体重数据[53, 57-58]，结合射频识别电子耳标可获取每头生长育肥猪的相关数据。生长育肥猪个性化饲粮的配制和供应通常利用自动精准饲喂器实现，自动精准饲喂器可将2种营养浓度不同的饲粮按照不同的比例混合以满足生长育肥猪营养需要。当生长育肥猪靠近饲喂器采食时，自动精准饲喂器可通过射频识别电子耳标识别生长育肥猪个体，根据预设饲养方案为其提供饲粮[53, 57-58]。
除自动精准饲喂器外，前腿称重系统[59]、图像分析技术[60]、机器视觉分析[61]、三维摄影测量[62]等技术也可用于生长育肥猪的体况信息获取，借助上述技术可实现非接触式数据获取，减少养殖业从业人员工作量，避免生长育肥猪应激。体况信息对于制定合理的营养方案具有重要意义，如蛋白质沉积量占增重的比例是计算生长育肥猪氨基酸需要量的重要依据[63]。双能X射线吸收法(dual-energy X-ray absorptiometry)可测定生长育肥猪骨矿物质含量、骨矿物质密度、瘦体质量和体脂质量等体况数据，进而计算体蛋白质量及其在增重中的比例[6, 63]，B型超声装置[6]、图像分析技术[17]等可测定背膘厚。此外，利用图像分析技术处理温度传感器、视频等获取的数据，使实时监控生长育肥猪的体温变化、采食行为和饮水行为成为可能，大量实时数据的正确处理和使用无疑将进一步促进精准饲养系统的发展和完善。国内相关公司在精准饲养智能设备方面取得了一定研究成果，睿畜科技开发的“小蓬”系统可实现生长育肥猪非接触式自动估重，生成周度生长曲线；“Alot”平台可自定义育肥猪数据采集内容，辅助商品猪分批、全程、精细化管理；北京小龙潜行科技有限公司开发了非接触式自动估重系统，可精准追踪育肥猪生长速度与料重比，实现均重与均匀度追踪预警；北京农信互联科技股份有限公司开发了“猪小智”系统，可实现母猪智能估重、测温和育肥猪阶段饲喂、分餐模式喂养。针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题，沈明霞等[64]提出一种基于深层卷积神经网络的初生仔猪目标识别方法，该方法在验证集和测试集上的精确率分别可达到95.76%和93.84%；李泊等[65]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，对猪只头尾识别精确率可达到96.22%，有效提高了群养猪只自动行为检测水平。
3 精准饲养系统应用决策支持工具InraPorc模型以Van Milgen等[52]提出的生长预测模型为基础，结合养殖场饲养管理措施、猪场设施、育肥猪品系等特定情况模拟该养殖场采用不同营养方案时生长育肥猪生长情况，帮助用户制定符合养殖目的的饲养管理方案[66-67]。Cadero等[67]利用InraPorc模拟了96种不同养殖策略下生长育肥猪的生长状况，饲养策略、猪只健康状况和养殖场基础设施等，分析对生长育肥猪生产性能和养殖场经济效益的影响，结果表明精准饲养模式可有效改善生长育肥猪生产性能，提高经济效益；利用生命周期评价方法研究生猪养殖对环境的影响，结果表明精准饲养模式可有效缓解生猪养殖对环境的影响。此决策支持工具可迅速模拟不同饲养策略对生长育肥猪生长性能、屠宰性能等的影响，模拟速度快、周期短，可为养殖者制定饲养策略提供重要参考；但是，其前期需收集大量数据用于建模，使用时需根据实际情况(如养殖环境、饲养策略等)进行参数校正以获得可靠的模拟结果，使用门槛较高。
Hauschild等[54]提出生长育肥猪氨基酸需要量预测模型，并利用Pomar等[68]的试验数据评估该模型预测生长育肥猪采食量和体重的准确度，与观测值相比，采食量和体重预测值平均绝对误差分别为12%和1.8%。通过动物试验评价该模型评估生长育肥猪营养需要量准确度，根据赖氨酸需要量预测值为生长育肥猪提供不同赖氨酸水平的饲粮，观测生长育肥猪增重、料重比等指标；若生长育肥猪采食饲粮的赖氨酸水平等于预测值时获得最优生长性能，说明该模型可准确预测生长育肥猪营养需要量；若饲粮赖氨酸水平低于预测值时生长育肥猪的生长性能优于饲粮赖氨酸水平等于预测值时，说明该模型预测值偏高；反之，则说明该模型预测值偏低[6, 69]。Zhang等[69]试验表明该模型可准确评估25~55 kg体重阶段生长猪对赖氨酸的需要量，低估了55 kg以上生长育肥猪的赖氨酸需要量；Cloutier等[6]试验结果与Zhang等[69]相反，其试验结果表明该模型低估了25~50 kg体重阶段生长猪对赖氨酸的需要量，而对70~100 kg体重阶段育肥猪赖氨酸需要量的评估较为准确。上述结果表明，该模型对于生长育肥猪营养需要量的评估效果或许受到育肥猪遗传特征、养殖环境等的影响，在新的养殖环境下应用该模型时是否需要进行针对性校正仍需进一步研究。已有研究应用该模型进行满足80%个体营养需要量的群体精准饲养模式和满足每个个体的个体精准饲养模式对生猪养殖系统影响的比较[7]。与传统三阶段饲养模式相比，精准饲养模式可在不影响生长育肥猪生产性能的前提下，减少生长育肥猪对饲粮氨基酸、蛋白质、氮和磷等养分的摄入量[7, 12, 55, 57, 63]，提高饲料利用效率，降低饲料成本[17, 55]，减少氮、磷排泄[12]；同时，可缓解生猪养殖业对环境的压力，减少碳排放、水体富营养化、土壤酸化等环境问题[55, 70]。个体水平精准饲养模式上述改善效果优于群体水平精准饲养模式[12, 17, 55]。传统阶段性饲养条件下，生长育肥猪群体采食同一配方的饲粮，当饲养模式由传统阶段性饲养转为精准饲养，生长育肥猪采食适合自身的个性化饲粮[58]，这种饲粮赖氨酸水平通常低于阶段性单一饲粮[7]，这种情况下，理想蛋白质的氨基酸模式也应当适当调整[57]。Remus等[57]认为，个体精准饲养模式下苏氨酸与赖氨酸比值应调整为传统阶段性饲养模式下苏氨酸与赖氨酸比值的85%，以获得最优生产成绩。精准饲养是一种新兴的饲养模式，此模式下，各种营养成分的比例、理想蛋白质的氨基酸模式可能需要进行一定的调整，探究精准饲养模式下平衡饲粮的组成是精准饲养系统的重要研究方向之一。
4 小结与展望生猪养殖业传统阶段性饲养方式难以最大程度发掘生长育肥猪生长潜力，生产效率低，精准饲养系统可依据猪只体况个性化制定饲养方案，最大程度发掘生长育肥猪生长潜力，节省饲料消耗，提高经济效益，缓解环境压力，是促进生猪养殖业可持续发展的有效措施。实现精准饲养系统需要整合生物学知识：1)建立饲料原料营养价值生物学效价评价理论和快速检测方法；2)完善生长育肥猪营养物质需要量评估模型，明确生长育肥猪对不同营养成分的需要量和个性化饲粮不同营养成分合理比例；3)开发智能化设备保证生长育肥猪群养模式下个性化饲养方案的实施。目前国内多个科研团队和一些企业已经具备了研发和生产精准饲养智能系统与设备的能力，同时国家和各级政府“十四五”期间均在大力推进畜牧机械的自动化和智能化升级，再加上因饲料成本和环保成本等上涨促使企业向养殖精细化要效益的自身动力，精准饲养系统和设备在生长育肥猪上的应用与推广指日可待。
| [1] |
FAO statistical data[EB/OL]. [2021-10-29]. https://www.fao.org/faostat/zh/#data.
|
| [2] |
国家统计局. 中国统计年鉴2020[M]. 北京: 中国统计出版社, 2020. National Bureau of Statistics. China statistical yearbook 2020[M]. Beijing: China Statistics Press, 2020 (in Chinese). |
| [3] |
中国海关数据库[EB/OL]. [2021-10-29]. http://43.248.49.97/. China customs database[EB/OL]. [2021-10-29]. http://43.248.49.97/. (in Chinese) |
| [4] |
郑键, 谢长城. 2020年全球大豆生产形势及中国市场趋势分析[J]. 中国畜牧杂志, 2020, 56(7): 188-190. ZHENG J, XIE C C. Analysis of global soybean production situation and Chinese market trend in 2020[J]. Chinese Journal of Animal Science, 2020, 56(7): 188-190 (in Chinese). |
| [5] |
POMAR C, HAUSCHILD L, ZHANG G H, et al. Precision feeding can significantly reduce feeding cost and nutrient excretion in growing animals[M]//SAUVANT D, VAN MILGEN J, FAVERDIN P, et al. Modelling nutrient digestion and utilisation in farm animals. Wageningen: Wageningen Academic Publishers, 2011: 327-334.
|
| [6] |
CLOUTIER L, POMAR C, LÉTOURNEAU MONTMINY M P, et al. Evaluation of a method estimating real-time individual lysine requirements in two lines of growing-finishing pigs[J]. Animal, 2015, 9(4): 561-568. DOI:10.1017/S1751731114003073 |
| [7] |
ANDRETTA I, POMAR C, RIVEST J, et al. The impact of feeding growing-finishing pigs with daily tailored diets using precision feeding techniques on animal performance, nutrient utilization, and body and carcass composition[J]. Journal of Animal Science, 2014, 92(9): 3925-3936. DOI:10.2527/jas.2014-7643 |
| [8] |
陶莎, 张峭, 张晶. 2019年中国饲料市场回顾及2020年展望[J]. 农业展望, 2020, 16(4): 12-17. TAO S, ZHANG Q, ZHANG J. China's feed market situation in 2019 and outlook for 2020[J]. Agricultural Outlook, 2020, 16(4): 12-17 (in Chinese). DOI:10.3969/j.issn.1673-3908.2020.04.004 |
| [9] |
陈伶俐. 饲喂方式对生长育肥猪肉品质及肠道微生物区系的影响[D]. 硕士学位论文. 武汉: 华中农业大学, 2020. CHEN L L. Effects of feeding programs on meat quality and intestinal microbiota of growing and finishing pigs[D]. Master's Thesis. Wuhan: Huazhong Agricultural University, 2020. (in Chinese) |
| [10] |
POMAR C, KYRIAZAKIS I, EMMANS G C, et al. Modeling stochasticity: dealing with populations rather than individual pigs[J]. Journal of Animal Science, 2003, 81(E.Suppl.2): E178-E186. |
| [11] |
BROSSARD L, DOURMAD J Y, RIVEST J, et al. Modelling the variation in performance of a population of growing pig as affected by lysine supply and feeding strategy[J]. Animal, 2009, 3(8): 1114-1123. DOI:10.1017/S1751731109004546 |
| [12] |
REMUS A, POMAR C, PERONDI D, et al. Response to dietary methionine supply of growing pigs fed daily tailored diets or fed according to a conventional phase feeding system[J]. Livestock Science, 2019, 222: 7-13. DOI:10.1016/j.livsci.2019.02.006 |
| [13] |
肖红莉. 三阶段和五阶段饲养模式对生长肥育猪免疫功能、肠道健康及肠道微生物区系的比较研究[D]. 硕士学位论文. 武汉: 华中农业大学, 2020. XIAO H L. Comparetive study of three-phase and five-phase feeding programs on immune function, gut health and intestinal microflora in growing-finishing pig[D]. Master's Thesis. Wuhan: Huazhong Agricultural University, 2020. (in Chinese) |
| [14] |
FLACHOWSKY G, KAMPHUES J. Carbon footprints for food of animal origin: what are the most preferable criteria to measure animal yields?[J]. Animals, 2012, 2(2): 108-126. DOI:10.3390/ani2020108 |
| [15] |
BROSSARD L, DOURMAD J Y, GARCIA-LAUNAY F, et al. Modelling nutrient requirements for pigs to optimize feed efficiency[M]//MATHEW A. Achieving sustainable production of pig meat. Cambridge: Burleigh Dodds Science Publishing, 2017: 307.
|
| [16] |
张帅, 刘岭, 王凤来, 等. 猪饲料原料营养价值与动态营养需要量模型化研究进展[J]. 动物营养学报, 2020, 32(10): 4525-4539. ZHANG S, LIU L, WANG F L, et al. Research progress on modeling of nutrient values and dynamic nutrient requirements of pig feed ingredients[J]. Chinese Journal of Animal Nutrition, 2020, 32(10): 4525-4539 (in Chinese). DOI:10.3969/j.issn.1006-267x.2020.10.006 |
| [17] |
GAILLARD C, BROSSARD L, DOURMAD J Y. Improvement of feed and nutrient efficiency in pig production through precision feeding[J]. Animal Feed Science and Technology, 2020, 268: 114611. DOI:10.1016/j.anifeedsci.2020.114611 |
| [18] |
PEÑA FERNÁNDEZ A, NORTON T, YOUSSEF A, et al. Real-time modelling of individual weight response to feed supply for fattening pigs[J]. Computers and Electronics in Agriculture, 2019, 162: 895-906. DOI:10.1016/j.compag.2019.05.046 |
| [19] |
农业农村部市场预警专家委员会. 2021年7月中国农产品玉米供需形势分析[EB/OL]. (2021-08-02)[2021-10-29]. http://www.chinagrain.cn/axfwnh/2021/08/02/3039626738.shtml. Ministry of Agriculture and Rural Affairs Market Early Warning Expert Committee. Analysis of supply and demand situation of agricultural products corn in China in July 2021[EB/OL]. (2021-08-02)[2021-10-29]. http://www.chinagrain.cn/axfwnh/2021/08/02/3039626738.shtml. (in Chinese) |
| [20] |
WOYENGO T A, BELTRANENA E, ZIJLSTRA R T. Nonruminant nutrition symposium: controlling feed cost by including alternative ingredients into pig diets: a review[J]. Journal of Animal Science, 2014, 92(4): 1293-1305. DOI:10.2527/jas.2013-7169 |
| [21] |
GARCIA-LAUNAY F, WILFART A, DUSART L, et al. Multi-objective formulation is an efficient methodology to reduce environmental impacts of pig feeds[C]//10th International Conference on Life Cycle Assessment of Food. Dublin: Conference Partners Ltd., 2016.
|
| [22] |
李硕, 陈宝江, 陈祥. 非常规植物性饲料资源固态发酵增值技术研究进展[J]. 饲料研究, 2021, 44(16): 145-147. LI S, CHEN B J, CHEN X. Research progress of solid state fermentation technology on unconventional plant-based feed resources[J]. Feed Research, 2021, 44(16): 145-147 (in Chinese). |
| [23] |
刘德稳. 生长猪常用七种饲料原料净能预测方程[D]. 博士学位论文. 北京: 中国农业大学, 2014. LIU D W. Determination and prediction equations for the net energy content of seven common ingredients in growing pigs[D]. Ph. D. Thesis. Beijing: China Agricultural University, 2014. (in Chinese) |
| [24] |
李忠超. 生长猪植物蛋白原料净能推测方程的构建[D]. 博士学位论文. 北京: 中国农业大学, 2017. LI Z C. Net energy prediction of plant protein ingredients to growing pigs[D]. Ph. D. Thesis. Beijing: China Agricultural University, 2017. (in Chinese) |
| [25] |
李亚奎. 生长猪谷物类原料净能预测方程的构建[D]. 博士学位论文. 北京: 中国农业大学, 2018. LI Y K. Net energy prediction equations for cereal ingredients in growing pigs[D]. Ph. D. Thesis. Beijing: China Agricultural University, 2018. (in Chinese) |
| [26] |
POMAR C, HAUSCHILD L, ZHANG G H, et al. Applying precision feeding techniques in growing-finishing pig operations[J]. Revista Brasileira de Zootecnia, 2009, 38: 226-237. DOI:10.1590/S1516-35982009001300023 |
| [27] |
王红亮. 大麦猪有效能预测方程及改善方法的研究[D]. 博士学位论文. 北京: 中国农业大学, 2017. WANG H L. Prediction equations and improving methods of available energy in barley fed to pigs[D]. Ph. D. Thesis. Beijing: China Agricultural University, 2017. (in Chinese) |
| [28] |
李全丰. 中国玉米猪有效营养成分预测方程的构建[D]. 博士学位论文. 北京: 中国农业大学, 2014. LI Q F. Establish prediction modeling on available nutrients with Chinese corn for pigs[D]. Ph. D. Thesis. Beijing: China Agricultural University, 2014. (in Chinese) |
| [29] |
LAGOS L V, STEIN H H. Chemical composition and amino acid digestibility of soybean meal produced in the United States, China, Argentina, Brazil, or India[J]. Journal of Animal Science, 2017, 95(4): 1626-1636. DOI:10.2527/jas.2017.1440 |
| [30] |
CASAS G A, STEIN H H. The ileal digestibility of most amino acids is greater in red dog than in wheat middlings when fed to growing pigs[J]. Journal of Animal Science, 2017, 95(6): 2718-2725. DOI:10.2527/jas.2017.1515 |
| [31] |
BERROCOSO J D, ROJAS O J, LIU Y, et al. Energy concentration and amino acid digestibility in high-protein canola meal, conventional canola meal, and soybean meal fed to growing pigs[J]. Journal of Animal Science, 2015, 93(5): 2208-2217. DOI:10.2527/jas.2014-8528 |
| [32] |
赵景鹏, 林海. 饲料营养价值评定的方法学进展[J]. 中国家禽, 2019, 41(6): 1-6. ZHAO J P, LIN H. Advances on feed evaluation methodology[J]. China Poultry, 2019, 41(6): 1-6 (in Chinese). |
| [33] |
NOBLET J, PEREZ J M. Prediction of digestibility of nutrients and energy values of pig diets from chemical analysis[J]. Journal of Animal Science, 1993, 71(12): 3389-3398. DOI:10.2527/1993.71123389x |
| [34] |
吴绮雯, 李平, 熊云霞, 等. 猪饲料原料营养价值评定及研究进展[J/OL]. 中国畜牧杂志: 1-13. (2021-12-01)[2021-12-01]. https://doi.org/10.19556/j.0258-7033.20210603-08. DOI: 10.19556/j.0258-7033.20210603-08. WU Q W,LI P,XIONG Y X,et al.Research progress on nutritional value evaluation of pig feed raw materials[J].Chinese Journal of Animal Science:1-13.(2021-12-01)[2021-12-01]. https://doi.org/10.19556/j.0258-7033.20210603-08. DOI: 10.19556/j.0258-7033.20210603-08.(inChinese) |
| [35] |
何英. 糠麸糟渣、饼粕类饲料猪有效能预测模型的研究[D]. 硕士学位论文. 雅安: 四川农业大学, 2004. HE Y. Study of predicting bioavailble energy models of cereal by-products and distillers dried grain and beans meals (Exp. or Sol)[D]. Master's Thesis. Ya'an: Sichuan Agricultural University, 2004. (in Chinese) |
| [36] |
REGMI P R, SAUER W C, ZIJLSTRA R T. Prediction of in vivo apparent total tract energy digestibility of barley in grower pigs using an in vitro digestibility technique[J]. Journal of Animal Science, 2008, 86(10): 2619-2626. DOI:10.2527/jas.2008-1058 |
| [37] |
SUN T H, LÆRKE H N, JØRGENSEN H, et al. The effect of extrusion cooking of different starch sources on the in vitro and in vivo digestibility in growing pigs[J]. Animal Feed Science and Technology, 2006, 131(1/2): 67-86. |
| [38] |
BOISEN S, FERNÁNDEZ J A. Prediction of the total tract digestibility of energy in feedstuffs and pig diets by in vitro analyses[J]. Animal Feed Science and Technology, 1997, 68(3/4): 277-286. |
| [39] |
高庆涛. 基于模拟生长猪体内消化过程测定谷实类饲料有效能值的研究[D]. 硕士学位论文. 北京: 中国农业科学院, 2019. GAO Q T. Study on determination of effective energy in cereal grains based on simulating in vivo digestion process for growing pigs[D]. Master's Thesis. Beijing: Chinese Academy of Agricultural Sciences, 2019. (in Chinese) |
| [40] |
王美琴. 用仿生消化系统估测鸡饲料代谢能值评定方法的相关性与灵敏度检验[D]. 硕士学位论文. 雅安: 四川农业大学, 2013. WANG M Q. Correlation and sensitivity test for the method of predicting metabolizable energy of feed using simulated digestion system[D]. Master's Thesis. Ya'an: Sichuan Agricultural University, 2013. (in Chinese) |
| [41] |
MCBURNEY M I, SAUER W C. Fiber and large bowel energy absorption: validation of the integrated ileostomy-fermentation model using pigs[J]. The Journal of Nutrition, 1993, 123(4): 721-727. DOI:10.1093/jn/123.4.721 |
| [42] |
王少青, 傅宽, 吴海英, 等. NIR技术在畜禽饲料营养价值评定的应用研究进展[J]. 草学, 2021(3): 1-5. WANG S Q, FU K, WU H Y, et al. Review on the application of near-infrared spectroscopy in the assessment of nutritional value about livestock and poultry feed[J]. Prataculture & Animal Husbandry, 2021(3): 1-5 (in Chinese). |
| [43] |
TEJERINA D, GARCÍA-TORRES S, MARTÍN-TORNERO E, et al. NIRS potential use for the determination of natural resources quality from dehesa (acorn and grass) in Montanera system for Iberian pigs[J]. Archivos de zootecnia, 2018, 67(S1): 71-73. |
| [44] |
李玉鹏, 李海花, 朱琪, 等. 近红外光谱分析技术及其在饲料中的应用[J]. 中国饲料, 2017(4): 22-26. LI Y P, LI H H, ZHU Q, et al. Application of near infrared reflectance spectroscopy in feed[J]. China Feed, 2017(4): 22-26 (in Chinese). |
| [45] |
李金林, 许迟, 何立荣, 等. 近红外光谱分析技术在饲料检测领域的应用研究[J]. 饲料研究, 2017(5): 10-12. LI J L, XU C, HE L R, et al. Research on the application of near infrared spectroscopy in feed detection[J]. Feed Research, 2017(5): 10-12 (in Chinese). |
| [46] |
辛娜, 郭亮, 邓露芳, 等. 近红外光谱技术在饲料氨基酸检测中的研究进展[J]. 饲料研究, 2021, 44(9): 143-145. XIN N, GUO L, DENG L F, et al. Research progress of near infrared reflectance spectroscopy in the determination of amino acid in feed[J]. Feed Research, 2021, 44(9): 143-145 (in Chinese). |
| [47] |
中华人民共和国国家质量监督检验检疫总局. 饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸快速测定近红外光谱法: GB/T 18868—2002[S]. 北京: 中国标准出版社, 2002. General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Method for determination of moisture, crude protein, crude fat, crude fibre, lysine and methinione in feeds near infrared reflectance spectroscopy: GB/T 18868—2002[S]. Beijing: Standards Press of China, 2002. (in Chinese) |
| [48] |
石冬冬, 刘志英, 常淑平, 等. 利用近红外图谱技术同时检测预混料中多种维生素含量的研究[J]. 粮食与饲料工业, 2015(8): 61-65. SHI D D, LIU Z Y, CHANG S P, et al. Determination of several vitamins contents in premix feed by near-infrared spectroscopy[J]. Cereal & Feed Industry, 2015(8): 61-65 (in Chinese). |
| [49] |
牛智有, 韩鲁佳, 苏晓鸥, 等. 鱼粉品质的近红外反射光谱快速检测方法[J]. 农业机械学报, 2005, 36(5): 68-71. NIU Z Y, HAN L J, SU X O, et al. Quality prediction of fish meal by near infrared reflectance spectroscopy[J]. Transactions of the Chinese Society of Agricultural Machinery, 2005, 36(5): 68-71 (in Chinese). DOI:10.3969/j.issn.1000-1298.2005.05.017 |
| [50] |
李静. 傅立叶近红外测定麦麸、棉粕化学成分及适宜建模水分背景的选择[D]. 硕士学位论文. 雅安: 四川农业大学, 2007. LI J. Prediction of the chemical composition in wheat bran and cottonseed meal by Fourier Near Infrared Spectroscopy and the confirmation of suitable moisture background for the models[D]. Master's Thesis. Ya'an: Sichuan Agricultural University, 2007. (in Chinese) |
| [51] |
FONTAINE J, HÖRR J, SCHIRMER B. Near-infrared reflectance spectroscopy enables the fast and accurate prediction of the essential amino acid contents in soy, rapeseed meal, sunflower meal, peas, fishmeal, meat meal products, and poultry meal[J]. Journal of Agricultural and Food Chemistry, 2001, 49(1): 57-66. DOI:10.1021/jf000946s |
| [52] |
VAN MILGEN J, VALANCOGNE A, DUBOIS S, et al. InraPorc: a model and decision support tool for the nutrition of growing pigs[J]. Animal Feed Science and Technology, 2008, 143(1/2/3/4): 387-405. |
| [53] |
VAUTIER B, QUINIOU N, VAN MILGEN J, et al. Accounting for variability among individual pigs in deterministic growth models[J]. Animal, 2013, 7(8): 1265-1273. DOI:10.1017/S1751731113000554 |
| [54] |
HAUSCHILD L, LOVATTO P A, POMAR J, et al. Development of sustainable precision farming systems for swine: estimating real-time individual amino acid requirements in growing-finishing pigs[J]. Journal of Animal Science, 2012, 90(7): 2255-2263. DOI:10.2527/jas.2011-4252 |
| [55] |
ANDRETTA I, POMAR C, RIVEST J, et al. Precision feeding can significantly reduce lysine intake and nitrogen excretion without compromising the performance of growing pigs[J]. Animal, 2016, 10(7): 1137-1147. DOI:10.1017/S1751731115003067 |
| [56] |
CORNOU C, KRISTENSEN A R. Use of information from monitoring and decision support systems in pig production: collection, applications and expected benefits[J]. Livestock Science, 2013, 157(2/3): 552-567. |
| [57] |
REMUS A, HAUSCHILD L, LÉTOURNEAU-MONTMINY M P, et al. The ideal protein profile for late-finishing pigs in precision feeding systems: threonine[J]. Animal Feed Science and Technology, 2020, 265: 114500. DOI:10.1016/j.anifeedsci.2020.114500 |
| [58] |
POMAR C, REMUS A. Precision pig feeding: a breakthrough toward sustainability[J]. Animal Frontiers, 2019, 9(2): 52-59. DOI:10.1093/af/vfz006 |
| [59] |
RAMAEKERS P J L, HUISKES J H, VERSTEGEN M W A, et al. Estimating individual body weights of group-housed growing-finishing pigs using a forelegs weighing system[J]. Computers and Electronics in Agriculture, 1995, 13(1): 1-12. DOI:10.1016/0168-1699(95)00009-S |
| [60] |
PARSONS D J, GREEN D M, SCHOFIELD C P, et al. Real-time control of pig growth through an integrated management system[J]. Biosystems Engineering, 2007, 96(2): 257-266. DOI:10.1016/j.biosystemseng.2006.10.013 |
| [61] |
BANHAZI T M, TSCHARKE M, FERDOUS W M, et al. Improved image analysis based system to reliably predict the live weight of pigs on farm: preliminary results[J]. Australian Journal of Multi-Disciplinary Engineering, 2011, 8(2): 107-119. DOI:10.1080/14488388.2011.11464830 |
| [62] |
WU J H, TILLETT R, MCFARLANE N, et al. Extracting the three-dimensional shape of live pigs using stereo photogrammetry[J]. Computers and Electronics in Agriculture, 2004, 44(3): 203-222. DOI:10.1016/j.compag.2004.05.003 |
| [63] |
POMAR C, POMAR J, DUBEAU F, et al. The impact of daily multiphase feeding on animal performance, body composition, nitrogen and phosphorus excretions, and feed costs in growing-finishing pigs[J]. Animal, 2014, 8(5): 704-713. DOI:10.1017/S1751731114000408 |
| [64] |
沈明霞, 太猛, CEDRIC O, 等. 基于深层卷积神经网络的初生仔猪目标实时检测方法[J]. 农业机械学报, 2019, 50(8): 270-279. SHEN M X, TAI M, CEDRIC O, et al. Real-time detection method of newborn piglets based on deep convolution neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(8): 270-279 (in Chinese). |
| [65] |
李泊, 沈明霞, 刘龙申, 等. 基于YOLO v3与图结构模型的群养猪只头尾辨别方法[J]. 农业机械学报, 2020, 51(7): 44-51. LI B, SHEN M X, LIU L S, et al. Head and tail identification method for group-housed pigs based on YOLO v3 and pictorial structure model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 44-51 (in Chinese). |
| [66] |
CADERO A, AUBRY A, DOURMAD J Y, et al. Towards a decision support tool with an individual-based model of a pig fattening unit[J]. Computers and Electronics in Agriculture, 2018, 147: 44-50. DOI:10.1016/j.compag.2018.02.012 |
| [67] |
CADERO A, AUBRY A, DOURMAD J Y, et al. Effects of interactions between feeding practices, animal health and farm infrastructure on technical, economic and environmental performances of a pig-fattening unit[J]. Animal, 2020, 14(Suppl.2): s348-s359. |
| [68] |
POMAR C, POMAR J, BABOT D, et al. Effet d'une alimentation multiphase quotidienne sur les performances zootechniques, la composition corporelle et les rejets d'azote et de phosphore du porc charcutier[J]. Journées Recherche Porcine, 2007, 39: 23-30. |
| [69] |
ZHANG G H, POMAR C, POMAR J, et al. L'alimentation de précision chez le porc charcutier: estimation des niveaux dynamiques de lysine digestible nécessaires à la maximisation du gain de poids[J]. Journées Recherche Porcine, 2012, 44: 171-176. |
| [70] |
ANDRETTA I, HAUSCHILD L, KIPPER M, et al. Environmental impacts of precision feeding programs applied in pig production[J]. Animal, 2018, 12(9): 1990-1998. DOI:10.1017/S1751731117003159 |