AI harvest tools predict crop timing from phone photos

科

科技新报10-09 00:30TechNews 編輯台Official

AI summary

In Canada, Okanagan Specialty Fruits is testing a tractor-mounted camera system from local firm Vivid Machines that uses AI to spot buds, flowers and fruit as it moves through orchards, estimating yields and optimal harvest windows; experts say accuracy depends heavily on the quality of historical data and requires per-farm customisation rather than a generic model. In the UK, FruitCast gathers drone, smartphone or machinery imagery to help growers track ripening of strawberries, raspberries, blackberries, blueberries and tomatoes, with co-founder and COO Raymond Martin noting that strawberries must be picked as soon as they ripen. The lighter-weight Fruit Forecast app has growers film 50 representative plants each week and combines that with weather forecasts, variety data and fruit weight to generate four-week harvest projections; it is already on Android and Apple app stores and offers an API.

Why it matters: Farm-level AI adoption remains early, but these tools show how imagery plus local data can turn ripening estimates into concrete harvest decisions and cut crop loss.

Vivid MachinesOkanagan Specialty FruitsFruitCast

Source text科技新报 · 3 min read

手機一拍就能預測產量，AI 走入農田化身精準採收的最強大腦

人工智慧正逐步走進農田與果園，成為農民判斷何時採收的得力助手。從蘋果園、草莓田到糖蔗產區，農業界正積極導入影像辨識、氣象預報與歷史產量資料，試圖將傳統憑經驗判斷的「果實是否成熟」，進一步轉化為「現在是否該採收」的精準行動建議。

影像辨識精準出擊：從蘋果到脆弱莓果

在加拿大，Okanagan Specialty Fruits 團隊正測試由當地公司 Vivid Machines 開發的攝影系統。這套安裝在拖拉機上的相機能在穿越果園時，拍攝並交由 AI 分析樹上的花芽、花朵與果實，進而估算產量與最佳採收期。專家指出，系統能敏銳辨識肉眼容易忽略的細小花芽，但預測的準確度仍高度仰賴輸入模型的歷史資料品質，且必須針對個別農場量身打造，無法直接套用通用模型。

相較於採收期較具彈性的蘋果（例如 Granny Smith 蘋果的收成窗口可長達三週），莓果類的採收則是在與時間賽跑。英國 FruitCast 的共同創辦人兼營運長 Raymond Martin 強調，草莓一旦成熟就必須立即採收，否則整批作物極易迅速報銷。為此，FruitCast 透過無人機、智慧型手機或農機攝影設備蒐集影像，協助農民精準掌握草莓、覆盆子、黑莓、藍莓與番茄等作物的成熟進度。

另一款名為 Fruit Forecast 的工具則主打輕量化，讓農民無需添購昂貴硬體，只需用手機自行拍攝影片即可。使用者只要在田間選定 50 株代表性植株，每週拍攝同一區域的日照與陰影面，AI 就能結合天氣預報、品種資訊與果重，立即生成未來四週的採收預估。開發團隊表示，加入影像辨識後預測準確度大幅提升，目前該 App 已在 Android 與 Apple 商店上架，並支援 API 供其他系統串接。

巨觀數據整合：打通田間與加工廠的決策鏈

除了微觀的影像辨識，AI 在更大範圍的農業管理上也展現了驚人潛力。透過整合衛星影像、土壤資訊、田間觀察與作物歷史紀錄，AI 能協助判斷哪些地塊應優先巡查，以及如何順暢地將作物送往加工端。以糖蔗產業為例，作物的生長狀況與含水量不僅會影響是否需要使用催熟劑，更決定了進場收割的最佳時機，進而直接左右送抵糖廠的數量與品質。

多位業者皆強調，AI 在農業的核心價值不在於單純的自動化，而是將分散的龐雜資料轉化為可執行的商業決策。然而他們也提醒，所有模型都必須建立在真實、完整且持續累積的在地資料之上，否則再強大的預測，也難以如實反映每一塊農田、每一個品種與每一次氣候變化的微小差異。