AI vision workspace
AI 影像辨識模型選用
這一頁專門拿來討論模型方向，不先急著定單一模型，而是先把任務拆清楚：作物病蟲害、畜禽異常、端側品質檢核、人工覆核與後台決策，到底各自需要哪一種模型與部署方式。
目前建議
Hybrid 架構
端側先做拍照品質檢核與輕量初篩，正式 AI 判讀交給雲端推論；高風險結果必須保留人工覆核。
Task split
先把任務定義清楚
作物病蟲害
建議
先做偵測，再做病徵分類
葉面斑點、霉斑、蟲咬、黃化、水分壓力這類目標，先框出異常區，再讓後端做分類會比較穩。
理由
背景干擾多
葉片角度、逆光、重疊、景深都會影響整張分類，偵測模型通常比較適合現場拍照條件。
畜禽異常
建議
先做異常偵測，不急著細病名分類
畜禽現場很多異常不能只靠單張照片判斷病名，先做姿態、群聚、活動力、呼吸異常的風險預警更務實。
理由
需要多模態資訊
禽舍與畜舍後續常會需要聲音、溫濕度、通風、時間序列資料，純影像不夠完整。
共通前處理
先做
端側品質檢核模型
判斷模糊、曝光、遮擋、主體是否足夠清楚。這個模型輕量、價值高，適合優先放在手機或眼鏡端。
必要
人工覆核流程
把 AI 結果分成可自動寫履歷、待覆核、必須升級通報三種，不要單一路徑全自動放行。
Model candidates
模型候選怎麼選
候選一：小型偵測模型
- 適合任務 葉片病斑、果實瑕疵、局部病蟲害、飼養區可疑主體標記。
- 優點 速度快、視覺說服力高，HUD 可以直接標框，適合第一版前後台流程展示。
- 風險 如果類別太多或標註品質不穩，誤報率會上升。
候選二：分類模型
- 適合任務 已經裁好主體、背景干擾低、類別定義固定的葉片病徵分類。
- 優點 訓練相對快、推論成本較低，適合作為第二層精分類。
- 風險 現場整張照片直接分類很容易被背景、角度、光線影響。
候選三：異常偵測模型
- 適合任務 未知病徵、少樣本問題、畜禽群體異常與非典型事件預警。
- 優點 不需要一開始就把所有病名列齊，能先把「不正常」抓出來。
- 風險 輸出通常是異常分數，不一定能直接給出清楚病名，後續仍需人工判讀。
Recommended path
我建議你先走的路線
Phase 1
先做作物線，目標收斂在 10 到 20 類常見病徵與健康異常。模型以小型偵測為主，端側只做品質檢核。
Phase 2
在雲端加第二層分類與人工覆核介面，把判讀結果連到任務、預警、履歷與資料庫版本管理。
Phase 3
畜禽線先做異常偵測與事件預警，再視資料成熟度決定是否進一步做細病名分類與多模態融合。
Discussion prompts
我們接下來先討論這五件事
1. 先做哪一條線
要先做作物，還是先做畜禽。這會直接決定資料集、標註規格與模型族群。
2. 要不要端側推論
如果現場一定要秒級回饋，就要考慮端側輕量模型；如果能接受非同步，就可以把主模型留在雲端。
3. 類別要多細
第一版不要把病名切太細，先做可操作的風險分類與處置建議，會比做漂亮但不穩的細病名分類更實用。
4. 標註資料從哪來
自建標註、公開資料集、專家覆核，還是混合模式。這會直接影響時程與模型可信度。
5. 人工覆核怎麼進
哪些結果可以直接寫履歷，哪些要進待覆核，哪些必須立刻轉預警與派工，這要先定規則。