综述:蜜蜂与字节:蜜蜂研究中人工智能的系统综述(2011–2025)

《Computers and Electronics in Agriculture》:Bees and bytes: A systematic review of artificial intelligence in honey bee research (2011–2025)

【字体: 大 中 小 】 时间:2026年09月19日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   •首次全面综述2011–2025年深度学习时代的AI蜜蜂研究文献 •综合140项研究,覆盖七个生物学领域与四类AI任务 •提出以生物学问题为核心的分类体系 •揭示泛化能力——而非准确率——是本领域的核心挑战 •提出四项优先方向:基准测试、多模态融合、预训练、实际部署 引言

  

•首次全面综述2011–2025年深度学习时代的AI蜜蜂研究文献
•综合140项研究,覆盖七个生物学领域与四类AI任务
•提出以生物学问题为核心的分类体系
•揭示泛化能力——而非准确率——是本领域的核心挑战
•提出四项优先方向:基准测试、多模态融合、预训练、实际部署

引言

蜜蜂是全球最具经济价值的传粉者之一。在115种全球主要粮食作物中,75%在某种程度上依赖动物传粉,传粉依赖型作物的产量约占全球农业生产总量的35%(Klein et al., 2006)。除农业之外,传粉还支撑着大多数野生开花植物物种以及陆地生态系统所依赖的植物多样性。最近的评估进一步凸显了这一贡献的规模:直接依赖动物传粉者的作物年市场价值在全球估计为2350亿至5770亿美元(IPBES, 2016),远高于此前报道的2005年估值——1530亿欧元(占世界农业食品生产的9.5%)(Gallai et al., 2009)。因此,保护传粉者健康已成为农业科学、粮食安全和保护生物学的核心议题。

近年来,人工饲养蜂群遭受了严重损失(Aurell et al., 2023)。Reams和Rangel(2022)报道,美国蜂群平均损失率在2015–2016年为40.5%,在2020–2021年为45.5%;而COLOSS网络调查的37个国家在2019–2020冬季的总体损失率为18.1%(范围7.4%至36.5%)(Gray et al., 2022)。多种相互作用的胁迫因素共同驱动了这些损失。在美国,寄生螨Varroa destructor是蜂群死亡的首要驱动因素(Reams and Rangel, 2022);它以脂肪体组织为食,传播变形翅病毒,并通过与病毒混合感染、 Nosema寄生虫、农药暴露以及气候变化等因素的相互作用加剧蜂群损伤(No?l et al., 2020)。这些压力使得持续监测蜂群状态成为养蜂人、生态学家和政策制定者的优先事项。

传统监测难以规模化。打开蜂箱检查子脾、清点螨虫或评估群体规模需要专家投入大量时间,会干扰蜂群行为,且无法实现连续观察(Abdollahi et al., 2022)。诸如通过入口视频清点采蜜蜂、逐帧记录摇摆舞、或凭肉眼识别瓦螨等任务虽然技术上可行,但在整个蜂场尺度上速度极慢。人工智能(AI)从两个视角提供了替代方案。对于生物学家和养蜂人,AI使相机、麦克风以及一系列环境传感器(如温度、湿度、CO?和重量)能够在大量蜂箱上连续运行,无需人工即可将原始数据转化为可解释的蜂群级指标。对于AI研究者,该领域提出了具有挑战性的开放问题:在拥挤巢脾上对几乎无法区分的个体进行密集多目标跟踪、长时程声学及热异常检测、在严重类别不平衡下的细粒度分类,以及跨视频、音频与环境流的多传感器融合。

计算工具在蜜蜂生物学中的应用经历了若干明显阶段,每一阶段都拓展了能够回答的生物学问题范围。早期工作集中于基于传感器的监测,研究者通过在蜂箱上安装声学、成像和环境传感器来推断蜂群状态,例如分蜂、活动水平以及"无王"状态(Chen et al., 2012, Qandour et al., 2014)。由于这些方法主要依赖阈值规则和人工解读原始信号,其生物学洞察局限于粗粒度的蜂群级趋势。第二阶段引入了经典机器学习,将手工设计的声学与图像特征与支持向量机和浅层神经网络等算法相结合,用于分类蜂群声景和王台存在等离散状态(Nolasco and Benetos, 2021)。尽管自动化程度有所提升,性能仍取决于人工设计特征的质量和小型受控数据集。当前阶段由深度学习和多模态融合定义,卷积和循环架构直接从原始视频、音频和传感器流中学习表示。这一转变解锁了此前无法处理的生物学问题——最显著的是对整个蜂群中每个个体在其生命周期内进行密集的无标记跟踪,从而以前所未有的分辨率研究社会结构(Boenisch et al., 2018, Bozek et al., 2021)。总体而言,这一进展推动该领域从监测整体蜂群状态,转向解析个体蜜蜂的行为及其社会互动。

理解这一轨迹——从基于阈值的传感器到表示学习——对于评估该领域在多大程度上跟上了现代AI的步伐至关重要。已有若干综述描绘了这一交叉领域,但各自的覆盖范围不同。一份综述广泛审视了精准养蜂和物联网(IoT)基础设施,但未详述底层AI方法(Hadjur et al., 2022)。另一份聚焦于声学蜂箱监测,但未延伸至视觉或重量测量方法(Abdollahi et al., 2022)。还有一份综述考察了机器学习在图像、声音、蜂箱传感器、气象数据和光谱学中的应用,但其两年时间窗口(约2020–2022年)排除了奠基性的早期深度学习文献(Dimitrijevi? and Zogovi?, 2022)。据我们所知,此前没有综述横跨将现代深度学习应用于蜜蜂科学的整个时期,同时明确以当代AI能力为基准来评估文献。

本文填补了这一空白。我们遵循系统综述和荟萃分析首选报告条目(PRISMA)指南(Page et al., 2021),对2011年至2025年间发表的140项研究进行了系统综述。两个研究问题指导我们的综述:

•RQ,1. 研究者用AI解决了哪些生物学问题,并应用了哪些AI方法?
•RQ,2. 当前文献在哪些方面落后于现代AI——自监督预训练、预训练视觉与音频表示、多模态融合、不确定性量化和实时边缘推理——在其他领域已经实现的能力?

主要贡献有三:

1.一个涵盖2011年至2025年的综合文献库,包括140项研究,覆盖主要感知模态,超越了既有综述的时间和主题范围。
2.以生物学问题为优先的结构,按生物学问题而非AI方法组织文献,形成七个领域章节,并按AI任务类别细分,供生物学家和AI研究者共同参考。
3.相对于当代AI实践的差距分析,识别出表示学习、多模态集成、不确定性感知预测以及评估设计方面的方法学缺口。

核心发现是:基于AI的蜜蜂监测已经超越概念验证阶段,但尚未超越泛化问题:该领域在受控条件下能够检测、分类、跟踪和计数,却尚不能在实际养蜂所面临的环境变异性下稳定运行。

本文其余部分结构如下。第2节描述检索策略、筛选标准和数据提取方案。第3节蜂群健康监测、第4节个体跟踪与重识别、第5节瓦螨与疾病检测、第6节蜂箱入口与流量监测、第7节物种与亚种分类、第8节摇摆舞与社会行为、第9节花粉与采集监测综述七个生物学领域。第10节综合跨领域模式、回答两个研究问题、与既有综述进行比较并指出未来方向。第11节总结全文。

章节摘要

综述方法

研究筛选流程遵循以PRISMA流程图(Page et al., 2021)呈现的结构化筛查方案,并根据本综述跨越计算机科学与养蜂学的跨学科性质进行了调整。图1总结了从数据收集、质量评估和深度审阅到最终文献库的工作流程。我们检索了四种来源类型——IEEE Xplore、Google Scholar、通用搜索引擎和目标期刊——并通过回溯式检索补充。

蜂群健康监测

健康的蜂群既是养蜂业也是传粉生态学的基础。若干生物学信号反映蜂群状态,原则上无需打开蜂箱即可通过传感器捕获:有王和无王蜂群产生可测量的不同声学特征(Allamaprabhu et al., 2025);蜂群在分蜂前表现出特征性的内部温升(Jeong et al., 2024);而抢巢和化学暴露等事件会在音频和环境数据中留下痕迹。

个体跟踪与重识别

理解蜜蜂蜂群的社会结构——包括劳动分工、哺育蜂向采集蜂的转换、寿命决定因素和社会网络结构——从根本上需要知道每只蜜蜂的身份以及其一生中的行踪(Boenisch et al., 2018, Bozek et al., 2021)。当蜂群由数万工蜂组成时,对少数焦点个体之外的手动观察变得不可能(Kimura et al., 2011)。这推动了两种范式:条形码或标记

瓦螨与疾病检测

Varroa destructor是受管蜜蜂健康面临的最严重威胁之一,既通过直接寄生效应,也通过放大蜂群的其他病理压力造成危害。传统评估方法,包括直接检查和黏板人工计数,耗费人力、不连续且常造成干扰,这促使人们开发基于AI的工具以进行更快、侵入性更低的评估。本节的18项研究在三个层面解决这一问题:蜂群级监测来自

蜂箱入口与流量监测

蜂箱入口提供了视觉上可及的观察区域,无需打开蜂箱即可提取生物学相关信息。本节16篇论文中,位于或靠近入口的相机可量化流量、区分进出事件、识别携带花粉的采集蜂、重建个体轨迹,并识别降落板上的采集、扇风和防御等行为。

物种与亚种分类

物种与亚种分类针对的是另一个生物学问题:不是蜂群状态、入口活动或健康相关目标定位,而是分类学身份本身。准确鉴定支撑着生物多样性监测、育种与保护项目以及传粉研究。本节12篇论文均属于分类任务类别,但在被视为具分类学意义的信号上差异显著:飞行声学、全身

摇摆舞与社会行为

摇摆舞与社会行为引入了另一生物学问题:不是蜂群健康、分类学身份或入口流量,而是蜜蜂如何交流、互动和协调。所研究的行为涵盖摇摆舞、食物传递、相遇行为,乃至自我清洁和气味标记。许多行为短暂、频繁或嵌入密集的集体场景,使人工标注缓慢且难以规模化。本节11篇论文跨越四类AI任务。

花粉与采集监测

花粉与采集监测针对的生物学产出比单纯的入口流量更为广泛。核心问题是如何将返回或访花蜜蜂的视觉观察转化为可解释的资源流入、传粉活动和花卉资源利用度量。AI在两个相互关联的层面发挥作用:在个体观察层面,模型检测花粉囊或携带花粉的蜜蜂;在生物学解释层面,这些观察被汇总为

讨论

前述七个章节综述了现代与传统机器学习被应用于蜜蜂研究的全部时期文献,每节结尾均以领域特定的讨论总结趋势与局限。本节综合这些发现,识别跨领域模式,回答引言中提出的两个研究问题,并梳理当前文献与当代AI能力之间的主要差距。

结论

本综述考察了140项(2011–2025)将人工智能应用于蜜蜂研究的研究。按生物学问题而非AI方法组织文献,结果显示在七个领域中AI可支持多样化的非侵入式监测任务,包括蜂王状态评估、瓦螨检测、蜂箱入口分析、亚种分类、摇摆舞解码,以及花粉与采集测量。然而,许多在受控或

CRediT作者贡献声明

Monireh Moshavash:写作——审阅与编辑,写作——初稿,可视化,验证,方法学,调查,形式化分析,数据管理,概念化。Haridhra Suresh:写作——审阅与编辑,写作——初稿,可视化,验证,调查,形式化分析,数据管理。Mahdi Eftekhari:写作——审阅与编辑,写作——初稿,可视化,验证,监督,资源,项目管理,方法学,调查,

生成式AI与AI辅助技术使用声明

在本文准备过程中,作者使用了Anthropic公司的Claude进行语言编辑、提升清晰度和增强可读性。使用此工具后,作者对所撰写内容进行了审阅和必要的编辑,并对出版内容承担全部责任。

数据与代码可用性

支持本系统综述的数据集已公开获取并归档于开放研究知识图谱(ORKG),网址为https://doi.org/10.48366/R1701322。

相关代码也将在 GitHub 上公开可用,网址为 https://github.com/nimi-research/bee-survey。
利益冲突声明
作者声明,他们没有已知的竞争性财务利益或个人关系,这些利益或关系可能会影响本文所报告的工作。
致谢
作者感谢 Ladan Ghasemi 在本综述早期阶段提供的初步文献检索协助。
本工作中的评估得到了德国联邦教育和研究部 (BMBF, SCADS22B) 以及萨克森州科学、文化和旅游部 (SMWK) 通过资助大数据与人工智能能力中心 ScaDS.AI Dresden/Leipzig 所提供的基础设施支持。
Monireh Moshavash|Haridhra Suresh|Mahdi Eftekhari|Sahar Vahdati
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号