《Journal of Agriculture and Food Research》：Detection and Classification of Honeybee Castes Using Thermal Imaging and Deep Learning
编辑推荐：
本文介绍了如何利用热成像（Infrared Thermography）与深度学习技术，解决养蜂业中蜂王健康状况难以快速、无损伤检测的难题。研究人员通过构建受控拍摄箱采集蜜蜂热图像，并训练人工神经网络（PNN）与卷积神经网络（CNN）模型进行分类。结果显示，优化的PNN模型训练准确率达98.6%，而CNN模型在训练和测试中均实现了100%的准确率，成功将三类蜜蜂的热图像精确分类。该研究为非侵入性蜂群健康管理及昆虫生物学研究提供了一种高效、自动化的新方法。
在一个养蜂场，蜂农们面临着一个既重要又繁琐的任务：在成千上万只蜜蜂中，找到并确认蜂王的健康状况。蜂王是蜂群的“核心”，负责产卵和释放信息素维持蜂群秩序，其健康直接关系到整个蜂群的存续。没有蜂王的蜂群，工蜂会开始产下未受精卵，最终导致蜂群崩溃。传统上，这需要人工逐帧检查蜂巢，在密密麻麻的工蜂和雄蜂中找到蜂王，不仅耗时耗力，对于拥有大量蜂群的大型养蜂场来说更是成本高昂。如何快速、无损伤地定位蜂王、监测其健康，是提升养蜂效率和蜂群存活率的关键挑战。与此同时，红外热成像技术作为一种非破坏性检测手段，在生物学领域的应用日益广泛。蜜蜂作为变温动物，其体表温度与活动水平和新陈代谢密切相关。那么，不同品级的蜜蜂——肩负重任的蜂王、辛勤劳作的工蜂、以及专职繁殖的雄蜂——它们的体温是否存在差异？这种差异能否被热成像相机捕捉，并最终被人工智能“读懂”，从而实现对蜜蜂品级的自动识别呢？
为了回答这些问题，由Alireza Derakhshi、Hekmat Rabbani等人组成的研究团队开展了一项创新性研究，旨在利用热成像与深度学习技术，实现蜜蜂品级（蜂王、工蜂、雄蜂）的自动化检测与分类。他们的研究成果最终发表在《Journal of Agriculture and Food Research》期刊上。
研究人员主要运用了以下几项关键技术方法：首先，他们设计并建造了一个专门的拍摄箱，内部覆盖黑色纸板以控制环境反射辐射，并使用XY-TR01温湿度控制模块记录拍摄条件，以此确保热成像数据采集的标准化和一致性。其次，使用InfRec NEC G120热像仪对来自一个健康、无病害的卡尼鄂拉杂交蜂种（Apis mellifera）蜂群的个体蜜蜂（蜂王、工蜂、雄蜂）进行拍摄，最小采集了500张热图像。接着，利用MATLAB软件对图像进行两阶段处理：在颜色处理阶段，提取红、绿、蓝通道的直方图及其统计特征（一阶特征）；在纹理处理阶段，提取灰度图像的灰度共生矩阵（GLCM）并计算其统计特征（二阶特征）。最后，使用提取的53个特征训练了感知器神经网络（PNN），并直接使用原始热图像训练了一个17层的卷积神经网络（CNN），通过5折交叉验证和70/30的训练-测试数据划分来评估模型性能，防止过拟合。
研究结果
3.1. 热图像分析
对热图像的初步分析显示，不同品级蜜蜂的体表平均温度存在差异。例如，在一个样本中，蜂王的平均体表温度约为35.53°C，工蜂约为40°C，雄蜂约为39.5°C。蜂王体表温度明显低于工蜂和雄蜂，而工蜂与雄蜂之间的温差约为1%。
3.2. 方差分析（ANOVA）结果
方差分析证实，蜜蜂品级对其体表平均温度有极显著影响（p<0.01）。均值比较显示，蜂王的平均温度最低（35.45°C），雄蜂最高（38.50°C），工蜂居中（37.55°C）。蜂王体温分别比雄蜂和工蜂低约7.93%和5.59%，而雄蜂体温比工蜂高2.5%。这种差异被认为与它们不同的活动水平和飞行肌代谢有关。
3.3. 感知器神经网络（PNN）结果分析
研究比较了使用不同激活函数（Trainscg、Trainlm、Trainbr）训练的PNN模型。其中，使用Trainscg函数训练的模型表现最佳，其训练准确率达到98.6%，测试准确率为87.3%。该模型对蜂王检测的灵敏度最高，达95.2%。结果表明，基于手工提取特征的PNN模型能够有效分类蜜蜂品级，但雄蜂和工蜂因体温相近，模型对其区分的灵敏度相对较低。
3.4. 卷积神经网络（CNN）结果分析
研究人员构建的17层CNN模型取得了更优异的表现。模型在训练约10个周期后迅速收敛，训练和测试准确率均达到100%。混淆矩阵显示，该模型完美地将所有测试集中的蜂王、工蜂和雄蜂热图像分类到了正确的类别中。与之前一项使用可见光图像和CNN识别蜂王的研究（准确率89.71%）相比，本研究基于热图像的CNN模型准确率提升了10.29%，这得益于热图像提供了更丰富的、与温度分布相关的特征。
结论与讨论
这项研究成功验证了利用热成像技术结合深度学习对蜜蜂品级进行自动化分类的可行性。研究得出几个核心结论：首先，不同品级蜜蜂（蜂王、工蜂、雄蜂）的体表平均温度存在统计学上的显著差异，这为基于温度的识别提供了物理基础。其次，从热图像中提取的直方图特征和灰度共生矩阵（GLCM）特征，是进行图像处理和分类的有效工具。最后，在比较的多种人工智能模型中，深度学习方法，特别是卷积神经网络（CNN）展现了压倒性的优势。本研究构建的CNN模型实现了100%的分类准确率，其性能远超基于手工特征工程的感知器神经网络（PNN）模型。
该研究的意义重大。它为养蜂业提供了一种潜在的、革命性的非侵入性监测工具。通过自动化识别蜂王，可以极大减少蜂农检查蜂巢的时间与人力成本，实现蜂群健康的快速筛查与预警，有助于及时应对蜂王丢失或健康问题，保障蜂群稳定和农业生产。此外，该研究所展示的“热成像+深度学习”技术框架，不仅适用于蜜蜂品级鉴定，也为其他昆虫生物学研究、病虫害检测（如文中提及的利用热成像检测瓦螨）以及更广泛的农业和食品检测领域（如水果采后处理、污染物检测）提供了新的方法论参考。尽管本研究的样本均来自单一蜂群，限制了结果的普适性，但无疑为未来在更多样化的蜂群和环境中验证并优化该技术指明了方向，推动了精准农业和智慧养殖向更自动化、智能化的方向发展。
