Açıklanabilir VGG16 aktarım öğrenmesi ile SHAP ve grad‑CAM kullanarak görüntü verileriyle bal peteği arı kovanlarında balmumu güvesi zararı ve istilâ tespiti

Arıları izlemenin neden hepimiz için önemi var

Bal arıları meyve, sebze ve yemişlerin tozlaşmasını sağlayarak dünyanın gıda arzının büyük bir bölümünü sessizce destekler. Ancak kovanları küçük ama yıkıcı bir zararlı tarafından tehdit ediliyor: büyük balmumu güvesi. Bu böcekler petekleri oyabilir, koloniyi zayıflatabilir ve nihayetinde verimi ve biyolojik çeşitliliği azaltabilir. Burada özetlenen çalışma, bir kameranın ve akıllı, şeffaf bir bilgisayar sisteminin balmumu güvesi sorununu erken aşamada birlikte tespit edebileceğini, arıcılara kovanlarını korumaya yönelik pratik bir araç sunabileceğini gösteriyor.

Kovandaki gizli istilâcı

Balwumu güveleri yumurtalarını kovanın karanlık köşelerine bırakır. Çıkan larvalar arı mumu, polen ve yavru gözelerini tüneller, ipek ve dışkı bırakarak söker; petekleri parçalar. Zamanla bu hasar bütün koloninin çökmesine ve hastalıkların yayılmasına yol açabilir. Geleneksel kontroller arıcının her kovana fiziksel olarak girip çerçeveleri kaldırmasına ve hasarı göze göre değerlendirmesine dayanır. Bu yavaş ve yorucu bir iştir; büyük veya uzak arıcılıklar için gerçekçi değildir. Sonuç olarak, istilâlar genellikle ciddi zararlar oluşana dek fark edilmez ve ekonomik ile ekolojik yükleri tek bir arıcılığın ötesine uzanır.

Kovan fotoğraflarını erken uyarıya dönüştürmek

Araştırmacılar, güney Pakistan’daki çalışma arı bahçelerinde standart bir akıllı telefonla çekilen kovan çerçevelerinin basit fotoğraflarına dayanan yeni bir izleme sistemi geliştirdiler. Sağlıklı petekleri ve balmumu güvesi ile üç evreyi (larva, pupa ve erişkin) gösteren toplam 3.252 yüksek çözünürlüklü görüntüden oluşan bir veri seti derlediler. Modelin her şeyi sıfırdan öğrenmesini zorlamaktansa, VGG16 adlı mevcut bir görüntü ağını kullanarak her fotoğraftan renk ve dokuya ilişkin ayrıntılı desenler çıkardılar. Bu desenler daha sonra ayarlaması, karşılaştırması ve açıklaması daha kolay olan lojistik regresyon, destek vektör makineleri ve ağaç tabanlı topluluklar gibi daha tanıdık makine öğrenimi yöntemlerine aktarıldı.

Her çerçeve için iki aşamalı kontrol

Sistem her görüntüyü, yetkin bir arıcının düşünme biçimini yansıtır şekilde iki aşamada inceler. Önce bir çerçevenin sağlıklı mı yoksa istilâ altında mı olduğunu belirler. İstilâ saptanırsa, ikinci aşama görünen zararlının larva, pupa veya erişkin formunda olup olmadığını tespit eder. Daha yaygın görüntü türlerine eğilimli olmamak için ekip, eğitim verilerini dengelemek amacıyla SMOTE adlı bir teknik kullandı. Ayrıca performans artışlarının şansa bağlı olmadığından emin olmak için çok sayıda alternatif model ve model kombinasyonunu çapraz doğrulama ve istatistiksel testlerle denediler. Birinci adım için en iyi birleşim olan XAI‑HoneyNet, oy çokluğu şemasıyla iki güçlü sınıflandırıcıyı harmanlayarak test görüntülerinin 100’ünde 99’unda sağlıklı ile istilâ altındaki çerçeveleri doğru ayırdı. İkinci adımda XAI‑PestNet adlı ansambl, larva, pupa ve erişkin evrelerini yaklaşık yüzde 96 doğrulukla ayırt etti.

Yapay zekânın “kara kutusunu” açmak

Birçok güçlü görüntü tanıma sistemi kara kutu gibi davranır: bir yanıt verir ama nedenini açıklamaz. Bu, ekipman söküp sökmeme, kovanlara müdahale etme veya bırakma kararını vermesi gereken arıcılar için sorun teşkil eder. Bunu ele almak için yazarlar açıklanabilirlik araçları eklediler. SHAP olarak bilinen araç, her görüntü özelliğine kararın «sağlıklı» veya «istilâ» yönünde ne kadar etki ettiğini gösteren bir puan atar. Diğeri olan Grad‑CAM ise karara en çok etki eden fotoğraf bölgelerini vurgulayan ısı haritaları üretir. Bu çalışmada bu haritalardaki parlak bölgeler genellikle ipek ağları, hasarlı petek, larva tünelleri veya güvelerin bedenleri üzerinde yoğunlaştı; alakasız arka planda değil. Bu da kullanıcılara modelin deneyimli bir arıcının bakacağı yerlere «baktığı» konusunda güven veriyor.

Akıllı fotoğraflardan daha akıllı arıcılığa

Pratik anlamda çalışma, düşük maliyetli bir kamera ve açıklanabilir bir bilgisayar modelinin balmumu güvesi sorunlarını güvenilir şekilde erken işaretleyebileceğini ve hangi yaşam evresinin mevcut olduğunu gösterebileceğini ortaya koyuyor. Yaklaşım modüler bileşenler—standart görüntü ağları ve iyi bilinen sınıflandırıcılar—kullandığı için diğer kovan zararlılarına, ürünlere ve bölgelere uyarlanabilir. Kararlarını görsel ipuçlarıyla anlaşılır kılarak sistem, çıktısına göre harekete geçmesi gereken arıcılar tarafından daha fazla güvenilip benimsenme olasılığı taşır. Basit saha cihazlarına veya mobil uygulamalara entegre edildiğinde bu tür araçlar kolonileri daha güçlü tutmaya, tozlaşmayı desteklemeye ve daha dirençli, sürdürülebilir bir tarıma katkıda bulunmaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: bal arısı sağlığı, balmumu güvesi tespiti, açıklanabilir yapay zeka, kesin tarım, zararlı izleme