Разработка мобильного приложения для садоводов и огородников

Разработка мобильного приложения для садоводов/огородников

Представьте: садовод загружает фото подозрительного пятна на листе помидора — через секунду приложение выдаёт диагноз (фитофтора, 87% уверенности) и рекомендует обработку медным купоросом. Всё это без интернета, на даче в глубинке. Реализовать такое на iOS и Android — задача, где каждая деталь решает: от выбора модели машинного обучения до фоновой синхронизации.

Мы создаём приложения, в которых CV-модели, погодные триггеры и офлайн-режим работают как единый механизм. За плечами — 6 лет мобильной разработки и 50+ проектов в AgriTech. Сложность не в отдельных компонентах, а в их бесшовной интеграции: датчик дождя через OpenWeatherMap, локальная база на SQLite, распознавание с помощью CoreML или TFLite — и всё это должно стабильно работать на устройствах пятилетней давности.

Как работает распознавание растений?

Центральная фича — определение растений и болезней по фото. Два подхода: облачный API (Plant.id, PlantNet) или on-device модель (CoreML/TFLite). Сравним:

On-device распознавание работает в 5 раз быстрее облачного — 0.2 с против 1–3 с — но точность ниже на 15–20%. Для дачи без интернета это единственный вариант.

Plant.id API отдаёт название, болезни с confidence score и рекомендации по лечению. Фото кодируется в base64, отправляется POST-запросом, ответ содержит suggestions с probability. Важно: API требует хорошо освещённый снимок листа или цветка — фото общего плана даёт низкую точность. Мы обязательно обучаем пользователя правильной съёмке.

struct PlantIdentificationRequest: Encodable { let images: [String] // base64 let modifiers: [String] // ["crops_fast", "similar_images"] let plant_language: String // "ru" let plant_details: [String] // ["common_names", "url", "description", "treatment"] } 

On-device вариант использует модели от iNaturalist или обученные на датасете PlantVillage (54 000 изображений, 38 классов болезней листьев). Точность ниже облака на 15–20%, но зато полностью офлайн.

Почему важна интеграция с погодой?

Звучит просто, но главная ошибка — ставить уведомления с фиксированным временем и удивляться, почему пользователи жалуются на пропущенные поливы. Проблема: уведомления не пересчитываются при изменении осадков.

Правильная логика: каждое утро запрашиваем прогноз погоды через OpenWeatherMap API или Apple WeatherKit. Если прогнозируется дождь > 5 мм — пропускаем полив и отменяем уведомление через UNUserNotificationCenter.removePendingNotificationRequests. Это требует фоновой задачи: BGAppRefreshTask на iOS или WorkManager на Android.

На Android используем WorkManager с PeriodicWorkRequest и NetworkType.CONNECTED constraint. Не AlarmManager напрямую — на Android 12+ требуется SCHEDULE_EXACT_ALARM permission, которое пользователи редко дают.

Экономия времени на ручном планировании полива — до 2 часов в неделю. Снижение затрат на воду за счёт умного учёта осадков — до 30% в сезон.

Что входит в работу

Заказывая разработку под ключ, вы получаете:

• Архитектуру и выбор стека (iOS/Android/кроссплатформа)
• Интеграцию всех API (погода, распознавание)
• Офлайн-базу растений с кэшированием изображений
• Настройку пуш-уведомлений и фоновых задач
• Документацию по эксплуатации и ссылки на доступы
• Помощь с публикацией в App Store и Google Play
• Гарантию на код — 3 месяца бесплатной поддержки

Офлайн и база растений

Локальная база растений (название, описание, правила ухода, календарь посева) хранится в SQLite. Для 500–1000 записей используем Room на Android, Core Data или GRDB на iOS. Изображения кешируются при первом просмотре с LRU-политикой (Kingfisher на iOS, Coil на Android).

Дача без интернета — реальность. Все базовые функции (добавление растения, просмотр советов, выставление напоминаний) работают без сети. Синхронизация при восстановлении соединения — через очередь отложенных операций.

Погодная интеграция

OpenWeatherMap — стандарт для таких приложений: бесплатный тариф покрывает 1000 запросов в день. WeatherKit на iOS (с новейших версий) точнее и не требует собственного ключа, но доступен только на Apple платформах. Для огородного приложения важна не только температура, но и humidity, uvi, rain (осадки за 1 и 3 часа) — эти поля доступны в current эндпоинте OWM.

Процесс работы

1. Аналитика — определяем набор фич: какие растения (только огород или сад+комнатные), нужна ли социальная составляющая, требуется ли офлайн-база болезней.
2. Проектирование — создаём архитектуру, выбираем стек (нативный или кроссплатформа).
3. Разработка — офлайн-база → добавление растений → расписание полива с уведомлениями → погодная интеграция → распознавание. Распознавание — последним, так как API-ключи и тарификация требуют согласования.
4. Тестирование — покрываем основную логику unit-тестами, проводим полевые испытания на реальных устройствах.
5. Деплой — публикация в сторах, настройка мониторинга Crashlytics и аналитики.

Получите консультацию по вашему проекту — мы поможем выбрать оптимальный стек и оценить сроки.

Ориентиры по срокам

Чтобы оценить ваш проект, свяжитесь с нами — мы подготовим точную смету и предложим оптимальное решение. Гарантируем прохождение App Store Review и Google Play Review с первого раза.