Diagnóstico da Atividade de Colônias de Abelhas Sem Ferrão por Meio de Imagens Termográficas e Inteligência Artificial

O artigo apresenta o desenvolvimento de uma ferramenta baseada em inteligência artificial (IA) e termografia para o diagnóstico não invasivo da saúde de colônias de abelhas nativas sem ferrão no Brasil. A meliponicultura, atividade de relevância crescente tanto econômica quanto ecológica, enfrenta desafios no monitoramento preciso das colmeias sem a necessidade de interferência direta. No estudo, empregou-se uma câmera termográfica de baixo custo para registrar imagens térmicas do interior das colmeias, as quais foram analisadas por uma Rede Neural Convolucional (RNC) treinada com um conjunto de 251 imagens de colmeias classificadas como ativas, hipoativas ou inativas. O modelo foi implementado na biblioteca de aprendizado profundo de código aberto PyTorch e, após 50 épocas de treinamento, atingiu 93,33% de acurácia na classificação de imagens inéditas. A métrica F1-Score também apresentou desempenho elevado (95,15%), evidenciando a robustez do modelo, por equilibrar a precisão (redução de falsos positivos) e a revocação (redução de falsos negativos). Assim, a proposta mostrou-se promissora, acessível e de baixo custo, configurando-se como uma alternativa viável para práticas sustentáveis na meliponicultura.