التعلّم بالنقل القابل للتفسير باستخدام VGG16 مع SHAP وgrad-CAM لاكتشاف آفة ومُصاب دبور الشمع في خلايا النحل باستخدام بيانات التصوير

لماذا يهم مراقبة النحل الجميع

يدعم نحل العسل بهدوء جزءاً كبيراً من إمدادات الغذاء العالمية بتلقيحه للفواكه والخضروات والمكسرات. ومع ذلك، تتعرّض خلاياه لهجوم من آفة صغيرة ومدمرة: دبور الشمع الكبير. يمكن لهذه الحشرات أن تنخّبش الأقراص الشمعية، وتضعف المستعمرات، وفي النهاية تقلل المحاصيل والتنوّع الحيوي. تُظهر الدراسة الموجزة هنا كيف يمكن لكاميرا ونظام حاسوبي ذكي وشفاف أن يعملا معاً لاكتشاف مشكلات دبور الشمع مبكراً، مما يوفّر للنحالين أداة عملية لحماية خلاياهم وبطريقة غير مباشرة غذائنا.

الغازي الخفي داخل الخلية

تضع ذبابة دبور الشمع بيضها في زوايا مظلمة من الخلية. اليرقات التي تفقس تحفر أنفاقاً عبر شمع العسل والغبار الخلوي وخلايا الحضنة، تاركة وراءها حريراً وبرازاً ومنحنيات متهرّئة في الأقراص. مع مرور الوقت، قد يؤدي هذا الضرر إلى انهيار المستعمرة بأكملها وانتشار الأمراض. التفتيش التقليدي يعتمد على فتح النحال لكل خلية يدوياً ورفع الإطارات وتقييم الضرر بالعين. هذا عمل بطيء ومرهِق ويصبح غير عملي في المناحل الكبيرة أو النائية. ونتيجة لذلك، غالباً ما تُكتشف الإصابات فقط بعد حدوث ضرر كبير، مع تكاليف اقتصادية وبيئية تمتد إلى ما هو أبعد من مشروع نحل واحد.

تحويل صور الخلايا إلى تحذيرات مبكرة

بنَى الباحثون نظام مراقبة جديد يعتمد على صور بسيطة لإطارات الخلايا ملتقطة بهاتف ذكي عادي في ساحات النحل العاملة في جنوب باكستان. جمعوا مجموعة بيانات تضم 3,252 صورة عالية الدقة تُظهر أقراصاً صحية وتلك المصابة بدبور الشمع في ثلاث مراحل: يرقات، عذاريّات، وبالغين. بدلاً من إجبار النموذج على تعلم كل شيء من الصفر، استخدموا "التعلّم بالنقل" مع شبكة صور موجودة تُدعى VGG16 لاستخراج أنماط مفصّلة من اللون والملمس من كل صورة. ثم نُقلت هذه الأنماط إلى طرق تعلم آلي أكثر تقليدية — مثل الانحدار اللوجستي، وآلات الدعم الناقلة، وتجميعات الأشجار — التي يسهل ضبطها ومقارنتها وشرحها.

فحص من خطوتين لكل إطار

يفحص النظام كل صورة على مرحلتين، مرافقاً طريقة تفكير النحال الماهر. أولاً، يقرّر ما إذا كان الإطار صحياً أم مُصاباً. إذا تم اكتشاف الإصابة، تحدد المرحلة الثانية ما إذا كان الآفة المرئية في شكل يرقة أم عذراء أم بالغ. لتجنّب التحيّز نحو أنواع الصور الأكثر شيوعاً، استخدم الفريق تقنية تسمى SMOTE لمعادلة بيانات التدريب. كما اختبروا العديد من النماذج والخلطات البديلة، مستخدمين التحقق المتقاطع والاختبارات الإحصائية للتأكد من أن تحسّن الأداء لم يكن نتيجة للصدفة. أفضل توليفة للخطوة الأولى، المسماة XAI-HoneyNet، جمعت بين مصنّفين قويين في آلية تصويت وفصلت بشكل صحيح بين الإطارات الصحية والمصابة في 99 من أصل 100 صورة اختبار. أما للخطوة الثانية، فقد ميّزت مجموعة نماذج أُطلق عليها XAI-PestNet بدقة بين مراحل اليرقة والعذراء والبالغ بنحو 96 بالمئة من الوقت.

فتح "الصندوق الأسود" للذكاء الاصطناعي

تتصرف العديد من أنظمة التعرف على الصور القوية كصناديق سوداء: تعطي إجابة لكن دون سبب واضح. وهذا يمثل مشكلة للنحالين الذين يجب أن يقرروا ما إذا كانوا سيزيلون معدات، يعالجون الخلايا، أم يتركونها كما هي. لمواجهة ذلك، أضاف المؤلفون أدوات توضيحية. أداة واحدة، معروفة باسم SHAP، تمنح كل ميزة في الصورة درجة تعكس مقدار ما دفعت القرار نحو "صحي" أو "مُصاب". وأخرى، تُدعى Grad‑CAM، تولّد خرائط حرارية تبرز مناطق الصورة التي أثّرت أكثر في القرار. في هذه الدراسة، تميل المناطق المضيئة في هذه الخرائط إلى أن تقع على الخيوط الحريرية، والأقراص التالفة، وأنفاق اليرقات، أو أجسام العث نفسها، بدلاً من الخلفية غير ذات الصلة. هذا يمنح المستخدمين ثقة بأن النموذج "ينظر" إلى الأماكن التي ينظر إليها النحال المتمرس.

من الصور الذكية إلى تربية نحل أذكى

عملياً، تُظهر الدراسة أن كاميرا منخفضة التكلفة ونموذج حاسوبي قابل للتفسير يمكنهما بشكل موثوق الإشارة إلى مشكلات دبور الشمع مبكراً وتحديد مرحلة الحياة الموجودة. وبما أن النهج يستخدم مكوّنات معيارية — شبكات صور قياسية ومصنّفين معروفين جيداً — يمكن تكييفه مع آفات خلايا أخرى، ومزروعات، ومناطق جغرافية مختلفة. ومن خلال جعل قراراته مفهومة عبر مؤشرات بصرية، من المرجح أن يكتسب النظام ثقة النحالين ويتبنّوه عند اتخاذ إجراءات بناءً على مخرجاته. وإذا دمج في أجهزة ميدانية بسيطة أو تطبيقات جوال، فقد تساعد مثل هذه الأدوات في الحفاظ على قوة المستعمرات، ودعم التلقيح، والمساهمة في زراعة أكثر مرونة واستدامة.

الاستشهاد: Ghafoor, A., Majid, M., Amjad, M. et al. Explainable VGG16 transfer learning with SHAP and grad-CAM for wax moth pest and infestation detection in honeybee apiaries using imaging data. Sci Rep 16, 13861 (2026). https://doi.org/10.1038/s41598-026-43455-2

الكلمات المفتاحية: صحة النحل, اكتشاف دبور الشمع, الذكاء الاصطناعي القابل للتفسير, الزراعة الدقيقة, مراقبة الآفات