Erklärbares VGG16-Transferlernen mit SHAP und Grad‑CAM zur Erkennung von Wachsmotten und Befall in Bienenstöcken anhand bildgebender Daten

Warum die Beobachtung von Bienen uns alle betrifft

Honigbienen unterstützen still und leise einen Großteil der weltweiten Lebensmittelversorgung, indem sie Obst, Gemüse und Nüsse bestäuben. Dennoch sind ihre Völker von einem kleinen, aber zerstörerischen Schädling bedroht: der Wachsmotte. Diese Insekten können Waben aushöhlen, Völker schwächen und letztlich Erträge sowie Biodiversität schmälern. Die hier zusammengefasste Studie zeigt, wie eine Kamera und ein intelligentes, nachvollziehbares Computersystem zusammenarbeiten können, um Wachmottenprobleme frühzeitig zu erkennen und Imkern ein praktisches Werkzeug zu geben, ihre Völker und indirekt unsere Nahrung zu schützen.

Der verborgene Eindringling im Inneren des Stocks

Wachsmotten legen ihre Eier in dunklen Ecken des Stocks ab. Die schlüpfenden Larven tunneln sich durch Bienenwachs, Pollen und Brutzellen und hinterlassen dabei Gespinste, Fraßreste und bröckelnde Waben. Mit der Zeit kann dieser Schaden zum Zusammenbruch des gesamten Volkes führen und Krankheiten verbreiten. Traditionelle Kontrollen erfordern, dass ein Imker jeden Stock physisch öffnet, Rahmen herausnimmt und den Schaden mit dem Auge beurteilt. Das ist langsam und anstrengend und für große oder abgelegene Imkereien oft unrealistisch. Daher werden Befälle häufig erst entdeckt, nachdem bereits erheblicher Schaden entstanden ist, mit wirtschaftlichen und ökologischen Folgen, die weit über den Betrieb eines einzelnen Imkers hinausreichen.

Aus Stockfotos werden Frühwarnungen

Die Forschenden entwickelten ein Überwachungssystem, das auf einfachen Fotografien von Wabenrahmen basiert, aufgenommen mit einem handelsüblichen Smartphone in Bienenständen im Süden Pakistans. Sie stellten einen Datensatz von 3.252 hochauflösenden Bildern zusammen, die sowohl gesunde Waben als auch solche mit Wachmottenbefall in drei Stadien zeigen: Larve, Puppe und adultes Insekt. Anstatt das Modell alles von Grund auf lernen zu lassen, nutzten sie Transferlernen mit einem vorhandenen Bildnetzwerk namens VGG16, um aus jedem Foto detaillierte Muster von Farbe und Textur herauszuziehen. Diese Merkmale wurden dann an geläufigere Machine‑Learning‑Methoden weitergereicht — etwa logistische Regression, Support‑Vector‑Machines und baumbasierte Ensembleverfahren — die sich leichter abstimmen, vergleichen und erklären lassen.

Eine zweistufige Untersuchung für jeden Rahmen

Das System prüft jedes Bild in zwei Stufen, angelehnt an die Denkweise eines erfahrenen Imkers. Zuerst entscheidet es, ob ein Rahmen gesund oder befallen ist. Wird ein Befall erkannt, bestimmt eine zweite Stufe, ob der sichtbare Schädling im Larven-, Puppen- oder Adultstadium vorliegt. Um eine Verzerrung zugunsten häufigerer Bildtypen zu vermeiden, verwendete das Team eine Technik namens SMOTE, um die Trainingsdaten auszugleichen. Außerdem testeten sie zahlreiche Modellalternativen und Kombinationen, nutzten Kreuzvalidierung und statistische Tests, um sicherzustellen, dass Leistungssteigerungen nicht zufällig sind. Die beste Kombination für die erste Stufe, XAI‑HoneyNet genannt, verband zwei starke Klassifikatoren in einem Abstimmungsschema und trennte gesunde von befallenen Rahmen in 99 von 100 Testbildern korrekt. Für die zweite Stufe unterschied ein Ensemble namens XAI‑PestNet die Stadien Larve, Puppe und Adult etwa in 96 Prozent der Fälle korrekt.

Die "Black Box" der künstlichen Intelligenz öffnen

Viele leistungsfähige Bilderkennungssysteme verhalten sich wie Black Boxes: Sie liefern eine Antwort, aber keine Begründung. Das ist ein Problem für Imker, die entscheiden müssen, ob sie Material entfernen, Völker behandeln oder in Ruhe lassen. Um dem zu begegnen, ergänzten die Autorinnen und Autoren das System um Erklärbarkeits‑Werkzeuge. Eines, bekannt als SHAP, vergibt jedem Bildmerkmal einen Wert, der widerspiegelt, wie stark es die Entscheidung in Richtung „gesund“ oder „befallen“ beeinflusst hat. Ein anderes, Grad‑CAM genannt, erzeugt Heatmaps, die jene Bildregionen hervorheben, die die Entscheidung am stärksten beeinflusst haben. In dieser Studie fielen die hellen Bereiche in diesen Karten häufig auf Spinnfäden, beschädigte Waben, Larventunnel oder die Körper der Motten selbst, nicht auf irrelevante Hintergründe. Das gibt Anwendern Vertrauen, dass das Modell dort „hinschaut“, wo ein erfahrener Imker hinschauen würde.

Von smarten Bildern zu intelligenterer Imkerei

Praktisch zeigt die Arbeit, dass eine kostengünstige Kamera und ein erklärbares Computermodell Wachmottenprobleme frühzeitig und zuverlässig erkennen und das vorhandene Lebensstadium angeben können. Da der Ansatz modulare Komponenten verwendet — standardisierte Bildnetzwerke und bekannte Klassifikatoren — lässt er sich an andere Stockschädlinge, Nutzpflanzen und Regionen anpassen. Indem die Entscheidungen durch visuelle Hinweise verständlich gemacht werden, ist das System wahrscheinlicher, von Imkern, die darauf reagieren müssen, vertraut und übernommen zu werden. In einfachen Feldgeräten oder mobilen Apps eingebettet könnten solche Werkzeuge dazu beitragen, Völker zu stärken, die Bestäubung zu unterstützen und eine resilientere, nachhaltigere Landwirtschaft zu fördern.

Zitation: 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

Schlüsselwörter: Bienenwohl, Wachmottenerkennung, erklärbare KI, präzisionslandwirtschaft, Schädlingsüberwachung