Apprendimento per trasferimento VGG16 spiegabile con SHAP e grad-CAM per il rilevamento della tignola del miele e delle infestazioni negli apiari usando dati di imaging

Perché vigilare sulle api riguarda tutti

Le api mellifere sostengono silenziosamente gran parte della produzione alimentare mondiale impollinando frutta, verdura e frutta secca. Eppure i loro alveari sono sotto attacco da un piccolo ma distruttivo parassita: la tignola del miele. Questi insetti possono scavare le matasse di cera, indebolire le colonie e, alla fine, ridurre raccolti e biodiversità. Lo studio qui riassunto mostra come una fotocamera e un sistema informatico intelligente e trasparente possano collaborare per individuare presto problemi dovuti alla tignola, offrendo agli apicoltori uno strumento pratico per proteggere gli alveari e, indirettamente, il nostro cibo.

L’invasore nascosto dentro l’alveare

Le tignole depongono le uova negli angoli bui dell’alveare. Le larve che ne schiudono scavano attraverso la cera, il polline e le celle del nido, lasciando dietro di sé seta, escrementi e favi disgregati. Col tempo, questi danni possono provocare il collasso dell’intera colonia e favorire la diffusione di malattie. I controlli tradizionali si basano sull’apicoltore che apre fisicamente ogni alveare, solleva i telaini e valuta i danni a occhio. È un lavoro lento e faticoso che diventa irrealistico per apiari grandi o remoti. Di conseguenza, le infestazioni vengono spesso scoperte solo dopo che il danno è già grave, con costi economici ed ecologici che vanno ben oltre l’azienda di un singolo apicoltore.

Trasformare le foto degli alveari in avvisi precoci

I ricercatori hanno costruito un nuovo sistema di monitoraggio basato su semplici fotografie dei telaini scattate con uno smartphone standard in apiari operativi nel sud del Pakistan. Hanno assemblato un dataset di 3.252 immagini ad alta risoluzione che mostrano sia favi sani sia infesti dalla tignola del miele in tre stadi: larva, pupa e adulto. Invece di costringere il modello a imparare tutto da zero, hanno impiegato il “transfer learning” con una rete di immagini preesistente chiamata VGG16 per estrarre pattern dettagliati di colore e texture da ogni foto. Questi pattern sono poi stati passati a metodi di machine learning più familiari — come regressione logistica, macchine a vettori di supporto e ensemble basati su alberi — che sono più semplici da ottimizzare, confrontare e spiegare.

Un controllo in due fasi per ogni telaino

Il sistema esamina ogni immagine su due livelli, rispecchiando il modo di pensare di un apicoltore esperto. Prima decide se un telaino è sano o infestato. Se viene rilevata un’infestazione, una seconda fase determina se il parassita visibile è nello stadio larvale, pupale o adulto. Per evitare bias verso i tipi di immagini più comuni, il team ha utilizzato una tecnica chiamata SMOTE per bilanciare i dati di addestramento. Hanno anche testato molte alternative di modelli e combinazioni, usando cross‑validation e test statistici per assicurarsi che i miglioramenti delle prestazioni non fossero dovuti al caso. La migliore combinazione per il primo passaggio, chiamata XAI‑HoneyNet, ha unito due forti classificatori in uno schema di voto e ha separato correttamente telaini sani da infestati in 99 immagini su 100 nei test. Per il secondo passaggio, un ensemble denominato XAI‑PestNet ha distinto con precisione gli stadi larva, pupa e adulto in circa il 96 percento dei casi.

Aprire la “scatola nera” dell’intelligenza artificiale

Molti potenti sistemi di riconoscimento delle immagini si comportano come scatole nere: forniscono una risposta ma non una ragione. Questo è un problema per gli apicoltori che devono decidere se rimuovere attrezzature, trattare gli alveari o lasciarli stare. Per affrontare la questione, gli autori hanno aggiunto strumenti di spiegabilità. Uno, noto come SHAP, assegna a ogni caratteristica dell’immagine un punteggio che riflette quanto ha spinto la decisione verso “sano” o “infestato”. Un altro, chiamato Grad‑CAM, produce mappe di calore che evidenziano le regioni della foto che più hanno influenzato la decisione. In questo studio, le regioni luminose di queste mappe tendevano a cadere sulla seta, sui favi danneggiati, sui tunnel larvali o sui corpi delle tignole stesse, piuttosto che sullo sfondo irrilevante. Questo dà agli utenti la certezza che il modello “sta guardando” dove un apicoltore esperto guarderebbe.

Dalle immagini intelligenti a un’apicoltura più intelligente

In termini pratici, il lavoro dimostra che una fotocamera a basso costo e un modello computazionale spiegabile possono segnalare in modo affidabile problemi di tignola del miele in fase precoce e indicare quale stadio di vita è presente. Poiché l’approccio utilizza componenti modulari — reti di immagini standard e classificatori ben noti — può essere adattato ad altri parassiti degli alveari, colture e regioni. Rendendo le decisioni comprensibili tramite indizi visivi, il sistema è più probabile che venga fidato e adottato dagli apicoltori che devono agire in base ai suoi risultati. Se integrato in dispositivi da campo semplici o app mobili, tali strumenti potrebbero contribuire a mantenere le colonie più forti, supportare l’impollinazione e favorire un’agricoltura più resiliente e sostenibile.

Citazione: 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

Parole chiave: salute delle api, rilevamento della tignola del miele, IA spiegabile, agricoltura di precisione, monitoraggio dei parassiti