למידת העברה מסבירה עם VGG16 בעזרת SHAP ו-grad-CAM לגילוי עש השעווה והנגעים בכוורות דבורים באמצעות נתוני הדמיה

מדוע שמירה על הדבורים חשובה לכולנו

דבורי הדבש תורמות בשקט לחלק ניכר מאספקת המזון העולמית באמצעות האבקה של פירות, ירקות ואגוזים. עם זאת, הכוורות שלהן מותקפות על־ידי מזיק קטן אך מהרס: עש השעווה הגדול. חרקים אלה יכולים לחפור בתאי השעווה, להחליש את המושבות ולפגוע בתוצרת ובמגוון הביולוגי. המחקר המתואר כאן מראה כיצד מצלמה ומערכת חישובית חכמה ושקופה יכולות לעבוד יחד כדי לזהות מוקדם בעיות של עש שעווה, ולהעניק ליוצאי דבש כלי מעשי להגן על הכוורות — ובעקיפין על אספקת המזון שלנו.

הפורץ המוסתר בתוך הכוורת

עש השעווה מטיל את ביציו בפינות חשוכות בכוורת. הזחלים שבוקעים חופרים בתאי השעווה, באבקני האבקה ובתאי הגידול, ומשאירים אחריהם רשתות משי, גללים ותאי שעווה מתפוררים. עם הזמן הנזק הזה עלול לגרום לקריסת המושבה כולה ולהשמעת מחלות. בדיקות מסורתיות תלויות בבודק פיזי של כל כוורת — הרמת מסגרות והערכת הנזק בעין. זהו תהליך איטי ומתיש, שאינו ריאלי עבור כוורות גדולות או מרוחקות. כתוצאה מכך, לעתים קרובות הגילוי של ההדבקה מתרחש רק לאחר שנגרם נזק חמור, עם עלויות כלכליות ואקולוגיות החורגות מעבר לפעילותו של דבוראי יחיד.

הפיכת תמונות כוורת לאמצעי התרעה מוקדמת

החוקרים בנו מערכת ניטור מבוססת על צילומים פשוטים של מסגרות כוורת שצולמו בסמארטפון סטנדרטי בחצרות דבוראים בדרום פקיסטן. הם אספו מערך נתונים של 3,252 תמונות ברזולוציה גבוהה שהראו גם מסגרות בריאות וגם מסגרות נגועות על ידי עש השעווה בשלוש שלבים: זחל, גלגלת ובוגר. במקום לכפות על המודל ללמוד הכל מאפס, השתמשו בלמידת העברה עם רשת תמונה קיימת בשם VGG16 כדי לחלץ דפוסי צבע ומרקם מפורטים מכל צילום. דפוסים אלה הועברו אז לשיטות למידת מכונה מוכרות יותר — כגון רגרסיה לוגיסטית, מכונות וקטור תומכות ואנסמבלים מבוססי עצים — שקל יותר לכוונן, להשוות ולהסביר אותן.

בדיקה דו‑שלבית עבור כל מסגרת

המערכת בודקת כל תמונה בשני שלבים, בהדמיה לאופן בו חושב דבוראי מיומן. קודם כל היא מחליטה האם המסגרת בריאה או נגועה. אם מזוהה הדבקה, שלב שני קובע האם המזיק הנראה נמצא במצב זחל, גלגלת או בוגר. כדי להמנע מהטיה כלפי סוגי התמונות הנפוצים יותר, הצוות השתמש בטכניקה בשם SMOTE לאיזון נתוני האימון. הם גם בדקו מודלים רבים חלופיים ושילובים של מודלים, תוך שימוש ב־cross‑validation ובמבחנים סטטיסטיים כדי לוודא שהשיפורים בביצועים אינם מקריים. הצירוף הטוב ביותר לשלב הראשון, בשם XAI‑HoneyNet, שילב שני מסווגים חזקים בסיכוי הצבעה והבחין נכון בין מסגרות בריאות לנגועות ב‑99 מתוך 100 תמונות במבחן. לשלב השני, אנסמבל שכונתה XAI‑PestNet הבחין באופן מדויק בין שלבי הזחל, הגלגלת והבוגר בכ־96 אחוז מהמקרים.

פתיחת "הקופסה השחורה" של הבינה המלאכותית

מערכות זיהוי תמונה עוצמתיות רבות מתנהגות כמו קופסאות שחורות: הן מספקות תשובה אבל לא סיבה. זהו בעיה עבור דבוראים שנדרשים להחליט אם להוציא ציוד, לטפל בכוורות או להשאיר אותן. כדי לטפל בכך, החוקרים הוסיפו כלים להסברתיות. כלי אחד, הנודע כ‑SHAP, מעניק לכל תכונה בתמונה ציון המשקף כמה היא דחפה את ההחלטה לעבר "בריא" או "נגוע". אחר, שנקרא Grad‑CAM, מייצר מפות חום המדגישות את אזורי התמונה שהשפיעו ביותר על ההחלטה. במחקר זה, האזורים הבהירים במפות אלה נוטים לשקוע על גבי רשתות משי, תאי שעווה פגומים, מסלולי זחלים או גופות עש, ולא על רקע שאינו רלוונטי. זה מעניק למשתמשים ביטחון בכך שהמודל "מבין" ומסתכל איפה שדבוראי מנוסה היה מסתכל.

מתמונות חכמות לדבוראות חכמה יותר

במונחים מעשיים, העבודה מראה שמצלמה בעלת עלות נמוכה ומודל חישובי מוסבר יכולים לזהות בעיות עש שעווה מוקדם ולהצביע באיזה שלב חיים נמצאת האוכלוסייה. מאחר שהגישה משתמשת ברכיבים מודולריים — רשתות תמונה סטנדרטיות ומסווגים ידועים — ניתן להתאימה למזיקים אחרים בכוורת, לגידולים ולאזורים שונים. על ידי הפיכת ההחלטות לנגישות דרך רמזים ויזואליים, המערכת סבירה יותר שתזכה לאמון ולהטמעה מצד דבוראים שעליהם לפעול לפי התוצאות. אם תשלב במכשירים שדה פשוטים או באפליקציות מובייל, כלים כאלה יכולים לסייע לשמור על מושבות חזקות יותר, לתמוך בהאבקה ולתרום לחקלאות חסינת וסביבתית יותר.

ציטוט: 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

מילות מפתח: בריאות דבורים, זיהוי עש שעווה, בינה מלאכותית מוסברת, חקלאות מדויקת, ניטור מזיקים