Detectar de forma precisa qué celdas de un panal contienen miel, cría o polen es una tarea clave en apicultura, ya que permite determinar el momento adecuado para la recolección y evaluar la salud de la colmena. Tradicionalmente, esta labor se realiza de forma manual, pero su automatización presenta dificultades debido a que las abejas sellan con cera las celdas que almacenan miel, lo que altera su forma hexagonal y dificulta su reconocimiento por sistemas basados en esa geometría.

Para abordar este reto, un equipo de investigación de la Universidad de Córdoba ha desarrollado un sistema basado en inteligencia artificial que permite identificar automáticamente el contenido de las celdas mediante análisis de imágenes. El sistema utiliza un algoritmo de segmentación semántica por aprendizaje profundo conocido como ‘Feature Pyramid Network (FPN)’, capaz de realizar clasificaciones simultáneas a distintas resoluciones, lo que permite superar la barrera que supone la pérdida de la forma hexagonal.

El algoritmo fue entrenado con imágenes de panales captadas en el colmenar de la propia universidad y se ha comparado con otros métodos de segmentación semántica como U-Net, además de probarse con siete extractores de características diferentes. Según los resultados obtenidos, este sistema supera el 92% de precisión en métricas estándar de segmentación de imágenes, lo que supone una herramienta de gran valor para apoyar el trabajo tradicional de los apicultores, reduciendo el tiempo dedicado a esta tarea y aumentando su fiabilidad.

Esta herramienta forma parte de una línea más amplia de innovación en apicultura desarrollada por el equipo interdisciplinar de los departamentos de Zoología e Ingeniería Electrónica y de Computadores. Entre sus desarrollos previos destacan un contador de abejas, que monitoriza las entradas y salidas de las colmenas mediante luz infrarroja y pulsos eléctricos, y el sistema ‘WBee’, un sistema de monitorización remota pionero en España que permite observar la actividad interna de las colmenas sin alterar su comportamiento.

El estudio ha sido publicado en la revista Computers and Electronics in Agriculture y ha sido desarrollado por el personal investigador de la Universidad de Córdoba Francisco Javier Rodríguez Lozano, Francisco Javier Quiles Latorre, Manuel Ortiz López y José Manuel Flores Serrano.

Referencia: Francisco J. Rodríguez-Lozano, Sergio R. Geninatti, José M. Flores, Francisco J. Quiles-Latorre, Manuel Ortiz-Lopez. ‘Capped honey segmentation in honey combs based on deep learning approach’. Computers and Electronics in Agriculture Volume 227, Part 1, December 2025. https://doi.org/10.1016/j.compag.2024.109573