基于机器视觉的西方蜜蜂（Apis mellifera）蜂巢入口位移后蜂群水平归巢适应性的量化研究

《Insects》：Machine Vision-Based Quantification of Colony-Level Homing Adaptation in Apis mellifera Following Hive Entrance Displacement

　　

蜂巢位移和入口迁移均可能对蜜蜂归巢导航构成挑战，然而蜂巢入口位移后蜂群水平归巢行为的时间动态仍缺乏量化研究。为应对这一问题，研究人员建立了一套非侵入式自动化流程，整合基于YOLO11m的目标检测、OC-SORT跟踪以及归巢率（Homing Rate, HR），在半自然养蜂场条件下对九个西方蜜蜂（Apis mellifera）蜂群进行监测。HR将轨迹终点与实验定义的有效入口状态相关联，提供蜂群水平入口定向准确度的度量指标。水平入口位移导致处理组蜂群HR显著下降，而对照组仅出现小幅同步变化。在随后的四天观察期内，六个处理组蜂群均表现出相似的动态模式，其特征为HR先快速上升，随后缓慢上升。渐近指数模型比线性模型能更好地描述这些时间动态。对A1蜂群为期14天的观察进一步揭示了早期上升、短暂下降以及随后恢复至相对稳定水平的过程，表明位移后的变化轨迹并非严格单调。总体而言，本研究提供了一套自动化定量流程，用于连续表征蜂巢入口位移后蜂群水平入口定向行为及其时间动态。

基于机器视觉的蜜蜂归巢适应性量化研究论文解读

一、研究背景与问题

蜜蜂长期被用作研究昆虫导航机制的模式生物，其归巢行为由遗传禀赋与后天学习经验共同驱动。蜜蜂通过定向飞行建立以蜂巢为中心的空间记忆模板，并依赖视觉、太阳位置与偏振光、地磁场及信息素等多种线索完成归巢导航。在长距离定向阶段，蜜蜂依赖山脊、森林等全景视觉线索定位蜂巢所在区域；而在短距离定向阶段，蜂巢入口的精确识别高度依赖于蜂巢颜色、附近岩石或人工几何标记等局部视觉特征。既有研究主要通过三种实验范式量化信息线索对蜜蜂归巢的影响：在陌生地点释放标记蜜蜂、改变或移动蜂巢地标、以及位移蜂巢本身。然而，这些研究均忽视了蜂巢入口位置改变对蜂群正常归巢行为的影响。在实际养蜂实践中，双入口蜂箱、蜂门调整及智能蜂箱入口管理均可能涉及入口位置的改变，当入口物理位置突然变化而周围局部视觉线索保持不变时，蜜蜂将面临原有入口位置视觉记忆与位移后入口位置之间的冲突。

有效且连续地量化自然养蜂场条件下蜂巢入口位移后蜜蜂归巢行为的变化，在方法论上存在空白。传统研究方法中，人工标记观察劳动强度大且易出错，RFID标签无法捕获空间轨迹，谐波雷达成本高昂且会给蜜蜂带来额外物理负荷，高分辨率三维重建则计算复杂度极高且依赖严格实验室条件，难以在养蜂场长期部署。近年来的计算机视觉研究多集中于静态检测、行为分类或入口计数，但入口活动计数和空间分布本身无法直接指示归巢蜜蜂是否瞄准当前有效入口或原入口，需要将连续轨迹信息与入口状态相关联才能量化入口定向结果。为此，本研究构建了一套整合YOLO11m检测与OC-SORT跟踪的非侵入式高通量数字表型流程，并引入归巢率（Homing Rate, HR）作为入口定向准确度的量化指标，以实现蜂群水平归巢行为的时间动态分析。该研究发表于《Insects》期刊。

二、关键技术方法

研究人员在北京中国农业科学院南口试验站开展实验，于2025年8月1日至9月14日对九个西方蜜蜂蜂群进行监测，蜂群分为右移组（A1–A3）、左移组（B1–B3）和对照组（C1–C3），入口水平位移30厘米。实验采用定制双入口蜂箱结构，每巢安装EZVIZ C8W摄像头于入口正上方40厘米处，每日6:30至18:30连续录像12小时。技术流程包括：基于2024年独立采集的参考视频构建蜜蜂检测数据集（1003张原始图像、22529个有效标注框），对YOLO11全系列配置进行迁移学习以确定最优检测器；构建跟踪评估数据集（40秒视频片段、10224个手动标注框）对DeepSORT、StrongSORT、ByteTrack和OC-SORT四种多目标跟踪算法进行对比评估；采用扫描采样法从行为视频中每小时提取一分钟片段用于行为分析。归巢率定义为成功进入当前有效入口的轨迹数除以进入两侧入口指定区域的轨迹总数，通过轨迹终点与入口区域的严格空间匹配逻辑避免重复计数。

三、研究结果

3.1 蜜蜂检测与跟踪模型性能

在蜜蜂检测数据集上对五种YOLO11模型进行评估，YOLO11m在准确性和效率之间达到最优平衡，在测试集上精确率（Precision）达91.6，mAP@0.5:0.95为57.2，同时保持27.91 fps的高处理速度。在多目标跟踪评估中，OC-SORT取得最高MOTA（67.2）和MOTP（72.9），IDF1为64.2，误检数（FP）仅278；ByteTrack取得最高IDF1（68.5）和最低IDsw（8）及漏检数（FN）243，但FP高达1167。综合各项指标，研究选定YOLO11m与OC-SORT组合流程提取后续蜜蜂轨迹数据。

3.2 自动化归巢率测量验证

基线期自动化与人工HR测量之间R2为0.780，RMSE为0.010，平均偏差（MB）为?0.002，95%一致性界限为?0.022至0.017，表明两者高度一致。调整期线性回归显示强相关性（r = 0.963，R2 = 0.825），Bland–Altman分析显示自动化方法存在系统性高估（MB = 0.087，RMSE = 0.122），95%一致性界限为?0.084至0.258，调整期测量误差大于基线期。

3.3 蜂巢入口位移对蜂群归巢行为的影响

热图分析显示，对照组C1在基线与调整期之间的空间分布无明显差异。处理组A1在基线期活动集中于左侧开放入口及其降落区，呈单中心聚集模式；入口右移后热图转为双峰分布，蜜蜂同时聚集于新右侧入口和原左侧入口位置。方向特异性轨迹分析表明，基线期向上、向左、向右三类轨迹在空间上高度重叠，调整期则发生空间分离。归巢率方面，基线期各组HR均超过99%，入口位移后右移组和左移组HR显著下降，对照组仅小幅下降。GLMM显示组别与时期存在显著交互作用（χ2 = 42.12，p < 0.001）。右移组HR相对基线下降50.36%，左移组下降40.89%（均p < 0.001），对照组仅下降0.13%（p = 0.448）。

3.4 基于归巢率的蜂群适应动态

六个处理组蜂群在位移后四天内均表现出先快速上升后缓慢上升的HR动态模式，组内相关系数右移组为0.988、左移组为0.982，组间为0.987。渐近指数模型（AICc = ?52.723）优于线性模型（AICc = ?43.280），ΔAICc = 9.443。六个蜂群的渐近参数a范围为0.539至0.930，速率常数k范围为0.246至1.140。A1蜂群14天长期观察显示，第1–5天HR快速上升后趋缓，第6天骤降至50.1%，第7–8天恢复至下降前水平，第9–14天在61.7%至66.8%范围内波动。完整14天数据的渐近指数拟合R2 = 0.530，RMSE = 0.059；排除第6–7天的敏感性分析使R2提高60.6%至0.851，RMSE降低45.8%，参数a从0.637增至0.664（变化4.2%），k从1.050降至0.952（变化9.3%）。

四、讨论与结论

讨论部分指出，双峰分布和区域特异性路径反映了蜜蜂在突发环境变化下从基于原入口位置的空间记忆向新位置探索的动态转变过程。蜜蜂先依赖旧记忆返回原入口，发现错误后启动局部搜索寻找新入口，这与初始定向和重定向行为机制一致。HR作为连接轨迹终点与入口有效状态的指标，能够连续量化蜂群水平入口定向准确度。位移后HR的显著下降与蜜蜂对既有局部空间线索的依赖一致，验证了自动化HR作为量化短距离重定向动态指标的有效性。A1蜂群第6天HR短暂下降与长期阴天后首个晴天的时间吻合，光照强度与日HR呈强负相关（Spearman's ρ = ?0.632），但基于单一蜂群的有限样本量不足以建立因果关系。渐近指数模型参数a和k可分别描述蜂群水平HR变化的程度和速率，但HR平台期低于100%表明蜂群水平入口定向结果达到稳定水平而非完全恢复，可能源于个体学习能力差异、蜂群内不同年龄和任务状态蜜蜂的异质性反应、重定向过程中的反复接近与悬停行为以及跟踪身份连续性误差等多重因素。方法学验证表明，调整期自动化HR的正向偏差虽导致HR下降幅度被低估，但HR仍显示出显著下降，且自动化与人工HR的强线性关系支持其用于比较蜂群水平归巢行为的相对变化。局限性方面，当前跟踪方法无法跨时间段提供持续个体识别，未来可整合个体标记实现纵向追踪；研究仅在单一养蜂场以九个蜂群和30厘米位移距离开展，结论的稳健性需在更大样本、多个养蜂场、不同位移距离和季节条件下验证。

研究结论：本研究建立了一套整合YOLO11m检测、OC-SORT跟踪和归巢率（HR）的非侵入式自动化流程，用于量化蜂巢入口位移后蜂群水平的短距离归巢重定向。HR将轨迹终点与有效入口状态相关联，提供连续可比的蜂群水平入口定向准确度指标。水平入口位移导致处理组蜂群HR显著下降，随后逐渐上升至相对稳定水平，渐近指数模型为该时间适应模式提供了描述性表征。A1蜂群14天观察进一步显示早期上升、短暂下降及随后恢复至相对稳定水平的过程，该稳定水平低于100%，与位移前及对照组接近完全的水平不同。拟合参数a和k可作为蜂群水平HR适应动态程度和速率的候选描述符，但其可重复性和适用性需在更大蜂群样本和更广泛实验条件下进一步验证。总体而言，本研究为连续监测蜂群水平入口定向行为及量化蜂巢入口位移后适应动态提供了方法论框架。