Розробка мобільного додатку для садівників та городників

Уявіть: садівник завантажує фото підозрілої плями на листку помідора — через секунду додаток видає діагноз (фітофтора, 87% впевненості) і рекомендує обробку мідним купоросом. Все це без інтернету, на дачі в глибинці. Реалізувати таке на iOS та Android — завдання, де кожна деталь вирішує: від вибору моделі машинного навчання до фонової синхронізації.

Ми створюємо додатки, в яких CV-моделі, погодні тригери та офлайн-режим працюють як єдиний механізм. За плечима — 6 років мобільної розробки та 50+ проектів у AgriTech. Складність не в окремих компонентах, а в їхній безшовній інтеграції: датчик дощу через OpenWeatherMap, локальна база на SQLite, розпізнавання за допомогою CoreML або TFLite — і все це має стабільно працювати на пристроях п'ятирічної давності.

Як працює розпізнавання рослин?

Центральна фіча — визначення рослин і хвороб по фото. Два підходи: хмарний API (Plant.id, PlantNet) або on-device модель (CoreML/TFLite). Порівняємо:

On-device розпізнавання працює в 5 разів швидше за хмарне — 0.2 с проти 1–3 с — але точність нижча на 15–20%. Для дачі без інтернету це єдиний варіант.

Plant.id API повертає назву, хвороби з confidence score та рекомендації щодо лікування. Фото кодується в base64, надсилається POST-запитом, відповідь містить suggestions з probability. Важливо: API вимагає добре освітлений знімок листка або квітки — фото загального плану дає низьку точність. Ми обов'язково навчаємо користувача правильній зйомці.

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 варіант використовує моделі від iNaturalist або навчені на датасеті PlantVillage (54 000 зображень, 38 класів хвороб листків). Точність нижча за хмару на 15–20%, але повністю офлайн.

Чому важлива інтеграція з погодою?

Звучить просто, але головна помилка — ставити сповіщення з фіксованим часом і дивуватися, чому користувачі скаржаться на пропущені поливи. Проблема: сповіщення не перераховуються при зміні опадів.

Правильна логіка: щоранку запитуємо прогноз погоди через OpenWeatherMap API або Apple WeatherKit. Якщо прогнозується дощ > 5 мм — пропускаємо полив і скасовуємо сповіщення через UNUserNotificationCenter.removePendingNotificationRequests. Це вимагає фонового завдання: BGAppRefreshTask на iOS або WorkManager на Android.

На Android використовуємо WorkManager з PeriodicWorkRequest та обмеженням NetworkType.CONNECTED. Не AlarmManager напряму — на Android 12+ потрібен дозвіл SCHEDULE_EXACT_ALARM, який користувачі рідко надають.

Економія часу на ручному плануванні поливу — до 2 годин на тиждень. Зниження витрат на воду за рахунок розумного обліку опадів — до 30% у сезон.

Що входить в роботу

Замовляючи розробку під ключ, ви отримуєте:

• Архітектуру та вибір стеку (iOS/Android/крос-платформа)
• Інтеграцію всіх API (погода, розпізнавання)
• Офлайн-базу рослин з кешуванням зображень
• Налаштування пуш-сповіщень та фонових завдань
• Документацію з експлуатації та посилання на доступи
• Допомогу з публікацією в App Store та Google Play
• Гарантію на код — 3 місяці безкоштовної підтримки

Офлайн та база рослин

Локальна база рослин (назва, опис, правила догляду, календар посіву) зберігається в SQLite. Для 500–1000 записів використовуємо Room на Android, Core Data або GRDB на iOS. Зображення кешуються при першому перегляді з LRU-політикою (Kingfisher на iOS, Coil на Android).

Дача без інтернету — реальність. Всі базові функції (додавання рослини, перегляд порад, встановлення нагадувань) працюють без мережі. Синхронізація при відновленні з'єднання — через чергу відкладених операцій.

Погодна інтеграція

OpenWeatherMap — стандарт для таких додатків: безкоштовний тариф покриває 1000 запитів на день. WeatherKit на iOS (з новітніх версій) точніший і не вимагає власного ключа, але доступний тільки на платформах Apple. Для городнього додатку важлива не тільки температура, а й humidity, uvi, rain (опади за 1 та 3 години) — ці поля доступні в current ендпоінті OWM.

Процес роботи

1. Аналітика — визначаємо набір фіч: які рослини (тільки город чи сад+кімнатні), чи потрібна соціальна складова, чи потрібна офлайн-база хвороб.
2. Проектування — створюємо архітектуру, обираємо стек (нативний або крос-платформа).
3. Розробка — офлайн-база → додавання рослин → розклад поливу зі сповіщеннями → погодна інтеграція → розпізнавання. Розпізнавання — останнім, оскільки API-ключі та тарифікація потребують узгодження.
4. Тестування — покриваємо основну логіку unit-тестами, проводимо польові випробування на реальних пристроях.
5. Деплой — публікація в сторах, налаштування моніторингу Crashlytics та аналітики.

Отримайте консультацію щодо вашого проекту — ми допоможемо обрати оптимальний стек та оцінити терміни.

Орієнтири за термінами

Щоб оцінити ваш проект, зв'яжіться з нами — ми підготуємо точний кошторис і запропонуємо оптимальне рішення. Гарантуємо проходження App Store Review та Google Play Review з першого разу.