Förklarbar VGG16 transferinlärning med SHAP och grad‑CAM för upptäckt av vaxmott och angrepp i biodlingar med bilddata

Varför det spelar roll för alla att vaka över bin

Honungsbin stödjer diskret mycket av världens livsmedelsförsörjning genom att pollinera frukter, grönsaker och nötter. Ändå utsätts deras samhällen för en liten men förödande skadegörare: större vaxmott. Dessa insekter kan urholka vaxkakorna, försvaga samhällen och i förlängningen minska skördar och biologisk mångfald. Den här sammanfattade studien visar hur en kamera och ett intelligent, transparent datorsystem kan samarbeta för att tidigt upptäcka vaxmottproblem, vilket ger biodlare ett praktiskt verktyg för att skydda sina kupor och indirekt vår mat.

Den dolda inkräktaren inne i kupan

Vaxmott lägger sina ägg i mörka vrår av kupan. Larverna som kläcks borrar sig igenom bivax, pollen och yngelceller och lämnar efter sig silke, avföringsrester och smulande vaxkakor. Med tiden kan den här skadan få hela samhällen att kollapsa och främja spridning av sjukdomar. Traditionella kontroller kräver att en biodlare fysiskt öppnar varje kupa, lyfter ramar och bedömer skador med ögat. Det är ett långsamt och slitigt arbete som blir orealistiskt för stora eller avlägsna bigårdar. Som följd upptäcks angrepp ofta först efter att allvarlig skada redan uppstått, med ekonomiska och ekologiska kostnader som sträcker sig långt utöver en enskild biodlares verksamhet.

Att förvandla kupbilder till tidiga varningar

Forskarna byggde ett nytt övervakningssystem baserat på enkla fotografier av ramar tagna med en vanlig smartphone i arbetsbigårdar i södra Pakistan. De satte samman en datamängd på 3 252 högupplösta bilder som visar både friska vaxkakor och sådana angripna av vaxmott i tre stadier: larv, puppa och vuxen. Istället för att tvinga modellen att lära sig allt från grunden använde de ”transfer learning” med ett befintligt bildnätverk kallat VGG16 för att extrahera detaljerade mönster av färg och textur från varje foto. Dessa mönster fördes sedan vidare till mer välkända maskininlärningsmetoder — såsom logistisk regression, supportvektormaskiner och trädensemblemetoder — som är lättare att finjustera, jämföra och förklara.

En tvåstegsgenomgång för varje ram

Systemet granskar varje bild i två nivåer, i likhet med hur en skicklig biodlare tänker. Först avgör det om en ram är frisk eller angripen. Om angrepp upptäcks avgör en andra fas om den synliga skadegöraren är i larv-, pupp- eller vuxenstadiet. För att undvika bias mot de vanligare bildtyperna använde teamet en teknik kallad SMOTE för att balansera träningsdata. De testade också många alternativa modeller och kombinationer av modeller, med korsvalidering och statistiska tester för att säkerställa att prestandavinster inte berodde på slumpen. Den bästa kombinationen för första steget, kallad XAI‑HoneyNet, blandade två starka klassificerare i ett röstningsschema och separerade korrekt friska från angripna ramar i 99 av 100 testbilder. För det andra steget granskade en ensemble benämnd XAI‑PestNet larv-, pupp‑ och vuxenstadier och särskilde dem korrekt ungefär 96 procent av gångerna.

Att öppna artificiell intelligens "svarta låda"

Många kraftfulla bildigenkänningssystem beter sig som svarta lådor: de ger ett svar men ingen förklaring. Det är ett problem för biodlare som måste avgöra om de ska ta bort utrustning, behandla kupor eller låta dem vara. För att möta detta lade författarna till förklarbarhetsverktyg. Ett, känt som SHAP, tilldelar varje bildfunktion en poäng som speglar hur mycket den drev beslutet mot ”frisk” eller ”angripen”. Ett annat, kallat Grad‑CAM, producerar värmekartor som lyfter fram de regioner av fotot som mest påverkade beslutet. I den här studien föll de ljusa regionerna i dessa kartor ofta på silkesnät, skadade vaxkakor, larvgångar eller själva moths kroppar, snarare än på irrelevanta bakgrunder. Det ger användarna förtroende för att modellen ”tittar” där en erfaren biodlare skulle titta.

Från smarta bilder till smartare biodling

I praktiska termer visar arbetet att en lågkostnadskamera och en förklarbar datormodell tillförlitligt kan flagga vaxmottproblem tidigt och ange vilket livsstadium som är närvarande. Eftersom angreppssättet använder modulära komponenter — standardiserade bildnätverk och välkända klassificerare — kan det anpassas till andra kup‑skadedjur, grödor och regioner. Genom att göra sina beslut begripliga via visuella ledtrådar är systemet mer sannolikt att få förtroende och att användas av biodlare som måste agera utifrån dess resultat. Om det integreras i enkla fältanordningar eller mobilappar kan sådana verktyg bidra till att hålla samhällen starkare, stödja pollinering och bidra till mer motståndskraftigt och hållbart jordbruk.

Citering: 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

Nyckelord: honungsbiers hälsa, upptäckt av vaxmott, förklarbar AI, precisionsjordbruk, skadedjursövervakning