Объяснимое переносное обучение VGG16 с SHAP и grad-CAM для обнаружения восковой огневки и заражения в ульях медоносных пчёл с использованием изображений

Почему наблюдение за пчёлами важно для всех

Медоносные пчёлы тихо поддерживают значительную часть мирового продовольствия, опыляя фрукты, овощи и орехи. Тем не менее их ульи страдают от мелкого, но разрушительного вредителя — большой восковой огневки. Эти насекомые могут разъедать соты, ослаблять семьи и в конечном итоге снижать урожай и биологическое разнообразие. В представленном исследовании показано, как камера и интеллектуальная, объяснимая компьютерная система могут совместно обнаруживать проблемы с огневкой на ранней стадии, предоставляя пчеловодам практический инструмент для защиты ульёв и, косвенно, нашей продовольственной базы.

Скрытый захватчик внутри улья

Восковые огневки откладывают яйца в тёмных уголках улья. Выведшиеся личинки проделывают ходы в воске, питательных запасах и ячейках расплода, оставляя после себя паутинку, экскременты и крошасьщиеся соты. Со временем такие повреждения могут привести к гибели всей семьи и способствовать распространению болезней. Традиционные проверки требуют, чтобы пчеловод физически открывал каждый улей, поднимал рамки и оценивал ущерб визуально. Это медленная и утомительная работа, нереалистичная для больших или удалённых пасек. В результате заражения часто обнаруживают лишь после того, как вред уже нанесён, с экономическими и экологическими последствиями, выходящими за рамки хозяйства одного пчеловода.

Преобразование фото улья в ранние предупреждения

Исследователи создали новую систему мониторинга на основе простых фотографий рамок улья, сделанных стандартным смартфоном на рабочих пасеках в южном Пакистане. Они собрали набор данных из 3 252 высокоразрешённых изображений, на которых показаны как здоровые соты, так и поражённые восковой огневкой на трёх стадиях: личинка, куколка и имаго. Вместо обучения модели «с нуля» авторы использовали переносное обучение (transfer learning) с существующей свёрточной сетью VGG16, чтобы извлечь тонкие закономерности цвета и текстуры на каждом фото. Эти признаки затем передавались в более привычные методы машинного обучения — такие как логистическая регрессия, опорные векторные машины и ансамбли на деревьях решений — которые легче настраивать, сравнивать и объяснять.

Двухэтапная проверка каждой рамки

Система анализирует каждое изображение в два этапа, имитируя рассуждения опытного пчеловода. Сначала она решает, здорова ли рамка или заражена. Если обнаружено заражение, второй этап определяет, в какой форме вредитель: личинка, куколка или имаго. Чтобы избежать смещения в сторону более распространённых классов изображений, команда использовала метод SMOTE для балансировки обучающей выборки. Они также протестировали множество альтернативных моделей и их комбинаций, применяя кросс‑валидацию и статистические тесты, чтобы убедиться, что улучшения производительности не случайны. Лучшая комбинация для первого этапа, названная XAI‑HoneyNet, объединила два мощных классификатора в схеме голосования и правильно разделила здоровые и заражённые рамки в 99 из 100 тестовых изображений. Для второго этапа ансамбль под именем XAI‑PestNet с точностью примерно 96 процентов различал стадии личинки, куколки и имаго.

Открывая «чёрный ящик» искусственного интеллекта

Многие мощные системы распознавания изображений ведут себя как чёрные ящики: они выдают ответ, но не объясняют причину. Для пчеловодов, которые должны решить, извлечь ли оборудование, обработать ли улей или оставить всё как есть, это серьёзная проблема. Чтобы справиться с ней, авторы добавили инструменты объяснимости. Один из них, известный как SHAP, присваивает каждой признаковой составляющей изображения оценку, показывающую, насколько она сдвинула решение в сторону «здорово» или «заражено». Другой, Grad‑CAM, генерирует тепловые карты, выделяющие области снимка, которые наиболее повлияли на решение. В этом исследовании яркие области на таких картах обычно выпадали на паутинку, повреждённые соты, ходы личинок или тела самих моли, а не на несущественный фон. Это даёт пользователям уверенность в том, что модель «смотрит» туда, куда взглянул бы опытный пчеловод.

От умных снимков к более умному пчеловодству

Практически работа демонстрирует, что недорогая камера и объяснимая модель могут надёжно сигнализировать о проблемах с восковой огневкой на ранних стадиях и указывать, какая стадия присутствует. Благодаря модульной архитектуре — использующей стандартные свёрточные сети и известные классификаторы — подход можно адаптировать к другим вредителям улья, сельскохозяйственным культурам и регионам. Делая свои решения понятными с помощью визуальных подсказок, система имеет больше шансов вызывать доверие и быть принята пчеловодами, которым придётся действовать на основе её вывода. Встроенная в простые полевые устройства или мобильные приложения, такая технология может помочь поддерживать более сильные семьи, способствовать опылению и повышать устойчивость и экологичность сельского хозяйства.

Цитирование: 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

Ключевые слова: здоровье медоносных пчёл, обнаружение восковой огневки, объяснимая ИИ, точное сельское хозяйство, мониторинг вредителей