Apprentissage par transfert explicable VGG16 avec SHAP et grad‑CAM pour la détection des mites de la cire et des infestations dans les ruches d’abeilles à partir de données d’imagerie

Pourquoi surveiller les abeilles importe à tous

Les abeilles mellifères soutiennent discrètement une grande partie de l’approvisionnement alimentaire mondial en pollinisant fruits, légumes et fruits à coque. Pourtant, leurs ruches sont attaquées par un petit ravageur destructeur : la grande mite de la cire. Ces insectes peuvent creuser les rayons, affaiblir les colonies et, en fin de compte, réduire les récoltes et la biodiversité. L’étude résumée ici montre comment une caméra et un système informatique intelligent et transparent peuvent collaborer pour repérer tôt les problèmes liés aux mites de la cire, offrant aux apiculteurs un outil pratique pour protéger leurs ruches et, indirectement, notre alimentation.

L’envahisseur caché à l’intérieur de la ruche

Les mites de la cire pondent leurs œufs dans les recoins sombres de la ruche. Les larves qui en éclosent creusent des galeries dans la cire d’abeille, le pollen et les cellules de couvain, laissant derrière elles de la soie, des déjections et des rayons friables. Avec le temps, ces dégâts peuvent provoquer l’effondrement de la colonie et favoriser la propagation de maladies. Les contrôles traditionnels obligent l’apiculteur à ouvrir physiquement chaque ruche, soulever les cadres et juger les dommages à l’œil nu. Ce travail est lent et fatigant, et devient irréaliste pour les apicultures de grande taille ou isolées. En conséquence, les infestations sont souvent découvertes seulement après des dommages importants, avec des coûts économiques et écologiques qui dépassent l’exploitation d’un seul apiculteur.

Transformer des photos de ruches en alertes précoces

Les chercheurs ont développé un nouveau système de surveillance basé sur des photographies simples de cadres de ruche prises avec un smartphone standard dans des ruchers du sud du Pakistan. Ils ont constitué un jeu de données de 3 252 images haute résolution montrant à la fois des rayons sains et infestés par la mite de la cire à trois stades : larve, pupe et adulte. Plutôt que d’obliger le modèle à tout apprendre de zéro, ils ont utilisé l’« apprentissage par transfert » avec un réseau d’images existant appelé VGG16 pour extraire des motifs détaillés de couleur et de texture de chaque photo. Ces motifs ont ensuite été transmis à des méthodes d’apprentissage automatique plus classiques — telles que la régression logistique, les machines à vecteurs de support et les ensembles d’arbres — qui sont plus faciles à régler, comparer et expliquer.

Un contrôle en deux étapes pour chaque cadre

Le système examine chaque image selon deux niveaux, en miroir de la réflexion d’un apiculteur expérimenté. D’abord, il décide si un cadre est sain ou infesté. Si une infestation est détectée, une seconde étape détermine si le ravageur visible est au stade larvaire, pupal ou adulte. Pour éviter un biais en faveur des types d’images les plus fréquents, l’équipe a utilisé une technique appelée SMOTE pour équilibrer les données d’entraînement. Ils ont aussi testé de nombreux modèles alternatifs et combinaisons de modèles, en utilisant la validation croisée et des tests statistiques pour s’assurer que les gains de performance n’étaient pas dus au hasard. La meilleure combinaison pour la première étape, nommée XAI‑HoneyNet, a mélangé deux classifieurs puissants selon un schéma de vote et a correctement séparé cadres sains et infestés dans 99 cas sur 100 sur l’échantillon de test. Pour la seconde étape, un ensemble baptisé XAI‑PestNet a distingué correctement entre les stades larvaire, pupal et adulte dans environ 96 % des cas.

Ouvrir la « boîte noire » de l’intelligence artificielle

Beaucoup de systèmes puissants de reconnaissance d’images se comportent comme des boîtes noires : ils donnent une réponse sans fournir de raison. C’est un problème pour les apiculteurs qui doivent décider s’il faut retirer du matériel, traiter des ruches ou les laisser en l’état. Pour y remédier, les auteurs ont ajouté des outils d’explicabilité. L’un, connu sous le nom de SHAP, attribue à chaque caractéristique de l’image un score reflétant son influence en faveur de la décision « sain » ou « infesté ». Un autre, appelé Grad‑CAM, produit des cartes thermiques qui mettent en évidence les régions de la photo ayant le plus influencé la décision. Dans cette étude, les régions lumineuses de ces cartes tendaient à correspondre à de la soie, des rayons endommagés, des galeries larvaires ou les corps des mites eux‑mêmes, plutôt qu’à l’arrière‑plan non pertinent. Cela donne aux utilisateurs la confiance que le modèle « regarde » là où un apiculteur expérimenté regarderait.

Des images intelligentes pour une apiculture plus avisée

Sur le plan pratique, le travail montre qu’un appareil photo peu coûteux et un modèle informatique explicable peuvent signaler de manière fiable tôt les problèmes de mites de la cire et indiquer quel stade de vie est présent. Parce que l’approche utilise des composants modulaires — réseaux d’images standard et classifieurs bien connus — elle peut être adaptée à d’autres ravageurs de ruche, cultures et régions. En rendant ses décisions compréhensibles par des indices visuels, le système a plus de chances d’être approuvé et adopté par les apiculteurs qui doivent agir sur ses recommandations. Intégrés à de simples dispositifs sur le terrain ou à des applications mobiles, de tels outils pourraient aider à maintenir des colonies plus fortes, soutenir la pollinisation et contribuer à une agriculture plus résiliente et durable.

Citation: 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

Mots-clés: santé des abeilles, détection de la mite de la cire, IA explicable, agriculture de précision, surveillance des ravageurs