Uitlegbare VGG16 transfer learning met SHAP en grad-CAM voor detectie van wasmotplagen en besmetting in bijenkorven met beeldgegevens

Waarom het toezicht op bijen iedereen aangaat

Honingbijen ondersteunen stilletjes een groot deel van ’s werelds voedselvoorziening door bloemen van fruit, groente en noten te bestuiven. Toch worden hun kasten aangevallen door een kleine maar destructieve plaag: de grote wasmot. Deze insecten kunnen raten uithollen, kolonies verzwakken en uiteindelijk oogsten en biodiversiteit aantasten. De hier samengevatte studie toont hoe een camera en een intelligent, transparant computersysteem kunnen samenwerken om vroegtijdig wasmotproblemen te signaleren, zodat imkers een praktisch hulpmiddel krijgen om hun kasten te beschermen en indirect ons voedsel.

De verborgen indringer in de kast

Wasmotten leggen hun eitjes in donkere hoekjes van de kast. De rupsen die uitkomen graven zich een weg door bijenwas, stuifmeel en broedcellen en laten zijde, uitwerpselen en brokkelende raten achter. Na verloop van tijd kan deze schade de hele kolonie doen instorten en ziekte verspreiden. Traditionele controles vereisen dat een imker elke kast fysiek opent, ramen optilt en schade met het blote oog beoordeelt. Dat is traag en vermoeiend werk en onrealistisch voor grote of afgelegen imkerijen. Daardoor worden besmettingen vaak pas ontdekt nadat er al ernstige schade is ontstaan, met economische en ecologische kosten die verder reiken dan de bedrijfsvoering van één imker.

Hive-foto’s omzetten in vroege waarschuwingen

De onderzoekers bouwden een nieuw monitorsysteem gebaseerd op eenvoudige foto’s van rame n gemaakt met een standaard smartphone in werkende bijenteeltlocaties in Zuid-Pakistan. Ze stelden een dataset samen van 3.252 hoge-resolutie afbeeldingen die zowel gezonde raten als door wasmot geïnfecteerde raten tonen in drie stadia: larve, pop en volwassen insect. In plaats van het model alles vanaf nul te laten leren, gebruikten ze “transfer learning” met een bestaand beeldnetwerk genaamd VGG16 om gedetailleerde patronen van kleur en textuur uit elke foto te halen. Deze patronen werden vervolgens doorgegeven aan meer gebruikelijke machine-learningmethoden—zoals logistieke regressie, support vector machines en boomgebaseerde ensembles—die eenvoudiger te tunen, vergelijken en uitleggen zijn.

Een tweestapscontrole voor elk raam

Het systeem onderzoekt elke afbeelding in twee lagen, vergelijkbaar met hoe een ervaren imker denkt. Eerst bepaalt het of een raam gezond of geïnfecteerd is. Als er een infectie wordt gedetecteerd, bepaalt een tweede fase of de zichtbare plaag in het larvale, pupale of volwassen stadium verkeert. Om bias naar de meer voorkomende afbeeldingsklassen te vermijden, gebruikte het team een techniek genaamd SMOTE om de trainingsdata te balanceren. Ze testten ook veel alternatieve modellen en combinaties, met cross-validatie en statistische toetsen om zeker te zijn dat prestatieverbeteringen niet aan toeval te danken waren. De beste combinatie voor de eerste stap, XAI‑HoneyNet genoemd, mengde twee sterke classifiers in een stemschema en onderscheidde gezond van geïnfecteerd correct in 99 van de 100 testafbeeldingen. Voor de tweede stap onderscheidde een ensemble, XAI‑PestNet genoemd, de larve-, pop- en volwassen stadia nauwkeurig in ongeveer 96 procent van de gevallen.

De “zwarte doos” van kunstmatige intelligentie openen

Veel krachtige beeldherkenningssystemen gedragen zich als zwarte dozen: ze geven een antwoord maar geen reden. Dat is problematisch voor imkers die moeten beslissen of ze materiaal moeten verwijderen, kasten moeten behandelen of ze met rust moeten laten. Om dit aan te pakken voegden de auteurs uitlegbaarheidstools toe. Eén methode, bekend als SHAP, kent elk afbeeldingskenmerk een score toe die aangeeft hoeveel het de beslissing richting “gezond” of “geïnfecteerd” duwde. Een andere, Grad‑CAM genoemd, produceert heatmaps die de regio’s van de foto benadrukken die het meest van invloed waren op de beslissing. In deze studie vielen de heldere gebieden in die kaarten vaak samen met zijden webben, beschadigde raat, larvale tunnels of de lichamen van de motten zelf, in plaats van met irrelevante achtergrond. Dit geeft gebruikers vertrouwen dat het model “kijkt” waar een ervaren imker ook naar zou kijken.

Van slimme plaatjes naar slimmer imkeren

Praktisch gezien laat het werk zien dat een goedkope camera en een uitlegbaar computermodel betrouwbaar vroegtijdig wasmotproblemen kunnen signaleren en aangeven welk levensstadium aanwezig is. Omdat de aanpak uit modulaire componenten bestaat—standaard beeldnetwerken en bekende classifiers—kan ze worden aangepast aan andere kastenplagen, gewassen en regio’s. Door zijn beslissingen begrijpelijk te maken met visuele aanwijzingen is het systeem waarschijnlijker vertrouwd en overgenomen door imkers die naar de uitkomst moeten handelen. Als zulke tools in eenvoudige veldapparaten of mobiele apps worden ingebouwd, kunnen ze helpen kolonies sterker te houden, bestuiving ondersteunen en bijdragen aan meer veerkrachtige en duurzame landbouw.

Bronvermelding: 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

Trefwoorden: gezondheid van honingbijen, detectie van wasmot, uitlegbare AI, precisie-agrarisch, plaagmonitoring