← 所有客戶
已上線 石見草莓 · 台中新社
石見草莓 × NEXUPIRA × NCIR

拍一張照,AI 告訴你草莓生了什麼病。

楊先生的草莓園 — wide shot
楊先生的草莓園 · 台中新社 · 背景檳榔樹是台灣中部的標誌

關鍵數字

2 hr → <10 sec
巡園時間
1 photo
完成診斷
AI
標記病害位置與類型

30 秒摘要

台中新社有機草莓園,園主每天花兩小時巡園找病蟲害,靠經驗判斷,沒有對照資訊。現在打開手機拍一張照,10 秒內 AI 標出病害位置跟類型,照片跟數據自動收集歸檔。

農場主手裡的工具

一張照片,10 秒內 AI 框出病害。

楊先生只看一個畫面:打開 PWA、拍一張照、AI 把病害框出來告訴他類型,還附上對照資料跟處理建議。不用裝 App、不用打字、不用上傳到別的系統。

互動 demo · 點擊開始 · 內建音效開關

PWA disease detection — capture, detect, diagnose, log
PWA 四步驟:拍照 / 偵測 / 診斷 / 記錄

NEXUPIRA 在這個案子裡做了什麼

楊先生不需要知道什麼是 YOLO 或 Workflow Engine。他只知道拍照就有答案。但背後跑的是 NEXUPIRA 的完整堆疊。光譜儀上線後,同一條 Workflow 加一個步驟就能整合 — 不用重寫系統,不用換平台。

  • Vision 模組

    YOLO 物件偵測,辨識病害類型與位置。

  • Event Bus

    辨識結果觸發事件,異常自動通知。

  • Workflow Engine

    從拍照到通知到數據歸檔,一條 DAG 自動跑完。

  • Google Cloud

    所有資料跑在雲端,園主用手機就能操作。

背後的 ML 工作

AI 是怎麼學會辨識病害的。

10 秒內辨識的背後是一條傳統 ML pipeline:從田間實拍收集草莓病害樣本、用 Roboflow 一張一張標註類別與位置、訓練 YOLO 模型直到 mAP 收斂到接近 90%、再上線到 PWA。下面是真實工作畫面。

Roboflow labeling interface
01 — Roboflow 標註:病害類別 + 位置邊框
Model training metrics
02 — 訓練曲線:mAP 收斂、Box / Class / Object Loss 下降

階段

  • 已上線

    PWA 拍照辨識草莓與葉片病害,10 秒內出結果。

  • 導入中

    與國家實驗研究院 國家儀器科技中心(NCIR)合作,加入光譜分析,不摘草莓就能測甜度跟農藥殘留。

    光譜示意

合作夥伴

技術

  • YOLO
  • Roboflow
  • NEXUPIRA Workflow Engine
  • Google Cloud
  • LINE

同一個引擎,下一個案例可以換你。

跟我們聊聊 →