Aprendizado por transferência explicável com VGG16 usando SHAP e grad‑CAM para detecção de traça da cera e infestações em apiários por meio de imagens

Por que cuidar das abelhas importa para todos

As abelhas‑mel silenciosamente sustentam grande parte da produção alimentar mundial ao polinizar frutas, hortaliças e oleaginosas. Ainda assim, suas colmeias estão sob ataque de uma pequena mas destrutiva praga: a traça maior da cera. Esses insetos podem escavar favos, enfraquecer colônias e, em última instância, reduzir colheitas e biodiversidade. O estudo resumido aqui mostra como uma câmera e um sistema computacional inteligente e transparente podem trabalhar juntos para detectar cedo problemas com traças da cera, oferecendo aos apicultores uma ferramenta prática para proteger suas colmeias e, indiretamente, nossa alimentação.

O invasor oculto dentro da colmeia

As traças da cera depositam seus ovos em cantos escuros da colmeia. As larvas que emergem perfuram a cera, o pólen e as células de cria, deixando seda, frass e favos esfarelados. Com o tempo, esse dano pode levar ao colapso de toda a colônia e facilitar a disseminação de doenças. Inspeções tradicionais dependem do apicultor abrindo fisicamente cada colmeia, levantando quadros e avaliando os danos a olho nu. Isso é um trabalho lento e cansativo, que se torna pouco viável em apiários grandes ou remotos. Como resultado, as infestações muitas vezes só são detectadas após danos sérios já terem ocorrido, com custos econômicos e ecológicos que vão além da operação de um único apicultor.

Transformando fotos de quadros em alertas precoces

Os pesquisadores construíram um novo sistema de monitoramento baseado em fotografias simples de quadros de colmeia tiradas com um smartphone comum em apiários de trabalho no sul do Paquistão. Eles reuniram um conjunto de dados com 3.252 imagens em alta resolução que mostram favos saudáveis e favos infestados pela traça em três estágios: larva, pupa e adulto. Em vez de forçar o modelo a aprender tudo do zero, usaram "transfer learning" com uma rede de imagens existente chamada VGG16 para extrair padrões detalhados de cor e textura de cada foto. Esses padrões foram então repassados a métodos de aprendizado de máquina mais tradicionais — como regressão logística, máquinas de vetor de suporte e conjuntos baseados em árvores — que são mais fáceis de ajustar, comparar e explicar.

Um check‑up em duas etapas para cada quadro

O sistema examina cada imagem em duas camadas, espelhando a forma de pensar de um apicultor experiente. Primeiro, decide se um quadro está saudável ou infestado. Se houver detecção de infestação, uma segunda etapa determina se a praga visível está na forma larval, pupal ou adulta. Para evitar viés em relação aos tipos de imagem mais comuns, a equipe usou uma técnica chamada SMOTE para balancear os dados de treinamento. Também testaram muitos modelos alternativos e combinações de modelos, usando validação cruzada e testes estatísticos para garantir que os ganhos de desempenho não fossem fruto do acaso. A melhor combinação para a primeira etapa, chamada XAI‑HoneyNet, misturou dois classificadores fortes em um esquema de votação e separou corretamente quadros saudáveis de infestados em 99 de cada 100 imagens de teste. Para a segunda etapa, um ensemble batizado XAI‑PestNet distinguiu com precisão entre larva, pupa e adulto em cerca de 96% dos casos.

Abrindo a “caixa‑preta” da inteligência artificial

Muitos sistemas poderosos de reconhecimento de imagem se comportam como caixas‑pretas: dão uma resposta, mas não explicam o porquê. Isso é um problema para apicultores que precisam decidir se removem equipamentos, tratam colmeias ou as deixam como estão. Para enfrentar isso, os autores adicionaram ferramentas de explicabilidade. Uma, conhecida como SHAP, atribui a cada característica da imagem uma pontuação que reflete quanto ela empurrou a decisão para "saudável" ou "infestado". Outra, chamada Grad‑CAM, produz mapas de calor que destacam as regiões da foto que mais influenciaram a decisão. Neste estudo, as regiões brilhantes nesses mapas tendiam a incidir sobre teias de seda, favos danificados, túneis de larvas ou os próprios corpos das traças, em vez de fundos irrelevantes. Isso dá aos usuários confiança de que o modelo está "olhando" onde um apicultor experiente também olharia.

De imagens inteligentes a uma apicultura mais sensata

Em termos práticos, o trabalho demonstra que uma câmera de baixo custo e um modelo computacional explicável podem sinalizar de forma confiável problemas com traça da cera de modo precoce e indicar qual estágio de vida está presente. Como a abordagem usa componentes modulares — redes de imagem padrão e classificadores conhecidos — ela pode ser adaptada para outras pragas de colmeia, culturas e regiões. Ao tornar suas decisões compreensíveis por meio de indícios visuais, o sistema tem mais chances de ser confiável e adotado por apicultores que precisam agir com base em suas recomendações. Se incorporadas a dispositivos de campo simples ou aplicativos móveis, essas ferramentas poderiam ajudar a manter colônias mais fortes, apoiar a polinização e contribuir para uma agricultura mais resiliente e sustentável.

Citação: 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

Palavras-chave: saúde das abelhas, detecção de traça da cera, IA explicável, agricultura de precisão, monitoramento de pragas