SHAP と grad-CAM を用いた説明可能な VGG16 転移学習による養蜂場におけるワックスモス害虫・被害検出（画像データ利用）

なぜミツバチの見守りが誰にとっても重要なのか

ミツバチは静かに世界の食料供給の多くを支え、果物や野菜、ナッツの受粉を担っています。しかし、巣箱は小さいながら破壊的な害虫であるワックスモスの攻撃にさらされています。これらの昆虫は巣礎を食い破り、コロニーを弱らせ、最終的には収穫や生物多様性に打撃を与えかねません。本稿でまとめた研究は、カメラと説明可能な知的コンピュータシステムが協調してワックスモスの問題を早期に発見し、養蜂家が巣箱を保護するための実用的なツールを提供できることを示しています。間接的には私たちの食糧を守る助けにもなります。

巣箱の内部に潜む侵入者

ワックスモスは巣箱の暗い隅に卵を産み付けます。孵化した幼虫は蜜蝋や花粉、育房をトンネル状に食べ進み、絹状の巣材やフラス（糞）や崩れた巣礎を残します。時間が経つとこの被害が蓄積してコロニー全体が崩壊し、病気を広げることもあります。従来の点検は養蜂家が各巣箱を開けて巣枠を持ち上げ、目視で被害を判断する方法に頼っています。これは遅く、疲れる作業で、大規模あるいは遠隔の養蜂場では現実的ではありません。その結果、被害が深刻化して初めて発見されることが多く、経済的・生態学的な損失は単一の養蜂家の範囲を超えて広がります。

巣枠写真を早期警報に変える

研究者らは南パキスタンの作業中の養蜂場でスマートフォンの標準カメラで撮影した巣枠の写真を基に、新しいモニタリングシステムを構築しました。健康な巣礎とワックスモスに侵された巣礎（幼虫、さなぎ、成虫の3段階）を含む3,252枚の高解像度画像データセットを収集しました。モデルにすべてを一から学習させる代わりに、既存の画像ネットワークである VGG16 を用いた転移学習で各写真の色や質感の詳細なパターンを抽出しました。抽出されたパターンは、その後ロジスティック回帰、サポートベクターマシン、木構造のアンサンブルなど、調整や比較、説明がしやすい従来の機械学習手法に渡されました。

各巣枠に対する二段階のチェック

システムは熟練した養蜂家の思考を模して、各画像を二段階で評価します。まず、その巣枠が健康か侵されているかを判定し、侵入が検出された場合は第二段階で幼虫、さなぎ、成虫のどの段階かを判定します。より一般的な画像タイプに偏らないよう、学習データのバランスを取るために SMOTE と呼ばれる手法を用いました。また、交差検証や統計的検定を使って結果が偶然によるものではないことを確認し、多くの代替モデルやモデルの組み合わせを試験しました。第一段階で最良だった組み合わせ（XAI‑HoneyNet と呼ばれるもの）は、強力な二つの分類器を投票方式で融合し、テスト画像100枚のうち99枚を正しく健康/侵入に分類しました。第二段階のアンサンブル（XAI‑PestNet と呼ぶ）は、幼虫・さなぎ・成虫の区別を約96パーセントの精度で達成しました。

人工知能の「ブラックボックス」を開く

多くの高性能な画像認識システムはブラックボックスのように振る舞い、答えは出すもののその理由は示しません。これは、機材を取り外すか処置するか放置するかを判断しなければならない養蜂家にとって問題です。これに対処するため、著者らは説明可能性のツールを導入しました。1つは SHAP として知られる手法で、各画像特徴が「健康」または「侵入」の判断にどれだけ寄与したかをスコアとして割り当てます。もう1つは Grad‑CAM と呼ばれる手法で、判断に最も影響を与えた写真の領域をハイライトするヒートマップを生成します。本研究では、これらのマップの明るい領域は、背景の無関係な部分ではなく絹状の巣材、損傷した巣礎、幼虫のトンネル、あるいはモスの体そのものに一致する傾向がありました。これによりモデルが経験ある養蜂家が見るべき場所を「見ている」ことに利用者は安心感を得られます。

スマートな写真からより賢い養蜂へ

実践的には、低コストのカメラと説明可能なコンピュータモデルを組み合わせることで、ワックスモスの問題を早期に確実に検知し、どの生活段階が存在するかを示すことができると示されました。手法がモジュール型—標準的な画像ネットワークとよく知られた分類器を用いているため—であることから、他の巣害、作物、地域にも適用可能です。視覚的な根拠を通じて判断を理解可能にすることで、養蜂家が結果に基づいて行動を起こす際の信頼性と採用率が高まるでしょう。フィールド用の簡易機器やモバイルアプリに組み込まれれば、コロニーの強化、受粉支援、より強靭で持続可能な農業への貢献が期待できます。

引用: 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

キーワード: ミツバチの健康, ワックスモス検出, 説明可能なAI, 精密農業, 害虫モニタリング