使用 SHAP 和 grad-CAM 的可解释 VGG16 迁移学习：基于影像数据的蜂箱大蠟蛾害虫与感染检测

为何守护蜜蜂与每个人息息相关

蜜蜂通过为水果、蔬菜和坚果授粉，悄然支撑着全球大量的食物供应。然而，它们的蜂群正受到一种虽小却具有破坏性的害虫——大蠟蛾的侵袭。这类昆虫会掏空蜂巢蜡脾、削弱群体，并最终影响收成和生物多样性。本研究总结展示了如何将相机与一个智能且透明的计算系统结合，及早发现蠟蛾问题，为养蜂人提供切实可行的工具来保护蜂群，从而间接维护我们的粮食供应。

蜂箱内部的隐匿入侵者

蠟蛾会在蜂箱的阴暗角落产卵。孵化出的幼虫在蜂蜡、花粉和育房中打洞，留下丝状物、粪屑和崩解的巢脾。随着时间推移，这些损害可能导致整个群体崩溃并传播疾病。传统的检查需要养蜂人逐箱打开、抬起框片并用肉眼判断受损情况。这既缓慢又辛苦，对大规模或偏远 apiary 来说难以为继。因此，侵扰常在已造成严重损害后才被发现，带来超出单个养蜂户运营的经济和生态代价。

将蜂脾照片转化为早期预警

研究人员基于在巴基斯坦南部工作蜂场用普通智能手机拍摄的蜂脾照片，构建了一个新的监测系统。他们汇集了 3,252 张高分辨率图像，既包含健康的巢脾，也包含处于幼虫、蛹与成虫三个阶段的蠟蛾侵染图像。研究没有让模型从零开始学习全部特征，而是采用了名为 VGG16 的已有图像网络进行“迁移学习”，从每张照片中提取细致的颜色与纹理模式。随后这些特征被传递给更常见的机器学习方法——如逻辑回归、支持向量机和基于树的集成模型——这些方法更易于调参、比较和解释。

每幅框片的两步检查

系统对每张图像分两层次检查，类似有经验的养蜂人思考的流程。第一步判定该框片是健康还是被感染；若检测到感染，第二步则判定可见害虫处于幼虫、蛹或成虫阶段。为避免对更常见类别的图像产生偏倚，团队使用了一种称为 SMOTE 的技术来平衡训练数据。他们还测试了多种替代模型和模型组合，使用交叉验证和统计检验确保性能提升并非偶然。第一步表现最佳的组合称为 XAI‑HoneyNet，通过投票机制融合了两个强分类器，在 100 张测试图像中有 99 张能正确区分健康与感染框片。第二步的集成模型 XAI‑PestNet 则能以约 96% 的准确率区分幼虫、蛹与成虫阶段。

打开人工智能的“黑箱”

许多强大的图像识别系统表现得像黑箱：给出结论却不说明理由。这对必须决定是否拆除设备、处理蜂箱或暂不行动的养蜂人来说是个问题。为此，作者加入了可解释性工具。其中一项称为 SHAP，会为图像的每个特征赋予一个分数，反映该特征在多大程度上将决策推向“健康”或“感染”。另一项称为 Grad‑CAM，会生成热图，突出照片中对决策影响最大的区域。在本研究中，这些热图的高亮区域通常落在丝状网、受损巢脾、幼虫隧道或蛾体本身，而不是无关背景。这让用户更有信心，相信模型“看”的正是有经验的养蜂人会关注的地方。

从智能图像走向更明智的养蜂

从实用角度看，这项工作表明低成本相机与可解释的计算模型可以可靠地及早标记蠟蛾问题并指示出现的生命阶段。由于该方法使用模块化组件——标准图像网络和常用分类器——它可以适配到其他蜂箱害虫、作物和地区。通过以可视化线索使决策易于理解，该系统更容易获得养蜂人的信任和采纳。如果将其集成到简单的现场设备或移动应用中，这类工具可助力保持群体健康、支持授粉并促进更具韧性和可持续性的农业。

引用: 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

关键词: 蜜蜂健康, 蠟蛾检测, 可解释人工智能, 精准农业, 害虫监测