Wyjaśnialne uczenie transferowe VGG16 z użyciem SHAP i grad‑CAM do wykrywania moli woskowych i infestacji w pasiekach pszczelich przy użyciu danych obrazowych

Dlaczego obserwacja pszczół ma znaczenie dla wszystkich

Pszczoły miodne w dyskretny sposób wspierają znaczną część światowych zapasów żywności, zapylając owoce, warzywa i orzechy. Tymczasem ich ule są atakowane przez niewielkiego, lecz destrukcyjnego szkodnika: mola woskowego. Owady te mogą wydrążać węzę, osłabiać rodziny i w rezultacie ograniczać plony oraz bioróżnorodność. Badanie streszczone tutaj pokazuje, jak kamera i inteligentny, przejrzysty system komputerowy mogą współpracować, by wcześnie wykryć problemy z molami woskowymi, dając pszczelarzom praktyczne narzędzie do ochrony uli, a pośrednio także naszej żywności.

Ukryty najeźdźca wewnątrz ula

Mole woskowe składują jaja w ciemnych zakamarkach ula. Wylęgające się larwy drążą przez wosk, pyłek i komórki potomne, pozostawiając jedwabne sieci, odchody i kruszącą się węzę. Z czasem takie uszkodzenia mogą doprowadzić do załamania całej rodziny i rozprzestrzeniania chorób. Tradycyjne kontrole opierają się na ręcznym otwieraniu każdego ula przez pszczelarza, podnoszeniu ramek i ocenie uszkodzeń wzrokowo. To powolna, męcząca praca, która staje się nierealistyczna w dużych lub odległych pasiekach. W efekcie infestacje często odkrywane są dopiero po wyrządzeniu poważnych szkód, z kosztami ekonomicznymi i ekologicznymi wykraczającymi poza pojedyncze gospodarstwo.

Przekształcanie zdjęć uli w wczesne ostrzeżenia

Badacze stworzyli nowy system monitoringu oparty na prostych fotografiach ramek uli wykonanych standardowym smartfonem w aktywnych pasiekach w południowym Pakistanie. Zgromadzili zbiór danych liczący 3 252 obrazy o wysokiej rozdzielczości pokazujące zarówno zdrowe węzy, jak i te zainfekowane przez mole woskowe na trzech etapach: larwa, poczwarka i osobnik dorosły. Zamiast zmuszać model do uczenia się wszystkiego od zera, zastosowali „uczenie transferowe” z istniejącą siecią obrazową VGG16, aby wydobyć z każdego zdjęcia szczegółowe wzorce kolorów i tekstur. Wzorce te przekazano następnie do bardziej klasycznych metod uczenia maszynowego — takich jak regresja logistyczna, maszyny wektorów nośnych i losowe zespoły drzew decyzyjnych — które są łatwiejsze w strojenia, porównywaniu i wyjaśnianiu.

Dwustopniowe badanie każdej ramki

System analizuje każde zdjęcie w dwóch etapach, naśladując sposób myślenia doświadczonego pszczelarza. Najpierw decyduje, czy ramka jest zdrowa czy zainfekowana. Jeśli wykryta zostanie infestacja, drugi etap określa, czy widoczny szkodnik jest w stadium larwy, poczwarki czy osobnika dorosłego. Aby uniknąć uprzedzeń wobec częściej występujących typów obrazów, zespół zastosował technikę SMOTE do zbilansowania danych treningowych. Przetestowali też wiele alternatywnych modeli i kombinacji modeli, używając walidacji krzyżowej i testów statystycznych, by upewnić się, że poprawa wyników nie wynika z przypadku. Najlepsza kombinacja dla pierwszego etapu, nazwana XAI‑HoneyNet, połączyła dwa silne klasyfikatory w schemacie głosowania i poprawnie rozróżniła zdrowe od zainfekowanych ramek w 99 na 100 obrazów testowych. W drugim etapie, zespół zwany XAI‑PestNet z dużą dokładnością rozróżniał stadia larwy, poczwarki i osobnika dorosłego w około 96 procent przypadków.

Otwarcie „czarnej skrzynki” sztucznej inteligencji

Wiele potężnych systemów rozpoznawania obrazów działa jak czarne skrzynki: podają odpowiedź, ale nie uzasadnienie. To problem dla pszczelarzy, którzy muszą zdecydować, czy usuwać sprzęt, leczyć ule, czy zostawić je w spokoju. Aby to rozwiązać, autorzy dodali narzędzia wyjaśnialności. Jedno z nich, znane jako SHAP, przypisuje każdej cesze obrazu ocenę odzwierciedlającą, jak bardzo przesunęła ona decyzję w stronę „zdrowe” lub „zainfekowane”. Drugie, zwane Grad‑CAM, generuje mapy cieplne podkreślające obszary zdjęcia, które najwięcej wpłynęły na decyzję. W tym badaniu jasne obszary na tych mapach zwykle pokrywały się z jedwabnymi sieciami, uszkodzoną węzą, tunelami larwalnymi lub ciałami samych moli, a nie z nieistotnym tłem. Daje to użytkownikom pewność, że model „patrzy” tam, gdzie spojrzałby doświadczony pszczelarz.

Od inteligentnych zdjęć do lepszego pszczelarstwa

W praktyce praca pokazuje, że tani aparat i wyjaśnialny model komputerowy mogą niezawodnie wykrywać problemy z molami woskowymi wcześnie i wskazywać, które stadium rozwojowe jest obecne. Ponieważ podejście wykorzystuje modułowe komponenty — standardowe sieci obrazowe i powszechnie znane klasyfikatory — można je dostosować do innych szkodników uli, upraw i regionów. Poprzez udostępnianie decyzji za pomocą wskazówek wizualnych, system ma większą szansę zdobyć zaufanie i zostać przyjęty przez pszczelarzy, którzy muszą działać na podstawie jego wyników. Jeśli zintegrować go z prostymi urządzeniami polowymi lub aplikacjami mobilnymi, takie narzędzia mogą pomóc utrzymać silniejsze rodziny, wspierać zapylanie i przyczynić się do bardziej odpornego i zrównoważonego rolnictwa.

Cytowanie: 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

Słowa kluczowe: zdrowie pszczół miodnych, wykrywanie moli woskowych, wyjaśnialna sztuczna inteligencja, rolnictwo precyzyjne, monitoring szkodników