MENU
蜜蜂為農業生產中的重要授粉者，約有50–80%的農作物仰賴其授粉，對糧食供應與生態系穩定具有重要作用。近年蜂群數量下降，損失率偏高，其中幼蟲疾病為主要原因之一，對農業生產與養蜂產業造成影響。在實務上，養蜂人多依賴經驗判斷疾病，但細菌感染與病毒感染外觀相似，辨識不易。誤判可能導致預防性使用抗生素，除可能引發抗藥性外，亦可能干擾蜜蜂腸道微生物，進而增加感染風險。蜜蜂為農業生產中的重要授粉者，約有50–80%的農作物仰賴其授粉，對糧食供應與生態系穩定具有重要作用。近年蜂群數量下降，損失率偏高，其中幼蟲疾病為主要原因之一，對農業生產與養蜂產業造成影響。在實務上，養蜂人多依賴經驗判斷疾病，但細菌感染與病毒感染外觀相似，辨識不易。誤判可能導致預防性使用抗生素，除可能引發抗藥性外，亦可能干擾蜜蜂腸道微生物，進而增加感染風險。
為改善此問題，美國農業部農業研究署與亞利桑那大學研究團隊合作，開發結合影像分析與深度學習的人工智慧診斷系統。研究團隊蒐集蜂場幼蟲影像，並透過分子檢測確認病原，建立訓練資料庫。
在此基礎上，研究人員進行模型訓練與設計，採用遷移學習方法，將已於大型影像資料集訓練之模型（如ResNet與InceptionResNet）進行調整，使其可辨識幼蟲的顏色變化、組織狀態及病徵差異。
結果顯示，模型在訓練與驗證階段的準確率達73–88%，對細菌感染的判別表現較佳；對病毒感染則仍受限於資料量與影像特徵差異，顯示需進一步擴充資料以提升穩定性。
該技術未來具發展為手機應用程式之潛力，讓養蜂人可透過影像進行疾病判斷，以維持蜂群健康，並有助於減少不必要的抗生素使用。若能進一步納入更多病原與不同地區資料並進行驗證，將有助於提升模型穩定性與應用範圍。相關研究已發表於《Scientific Reports》期刊。
研究採用ResNet與InceptionResNet等模型進行調整與訓練。
模型在訓練與驗證階段的準確率達73–88%。
研究指出病毒感染判別表現仍受限於資料量與影像特徵差異。
