前言

作为一个“植物杀手”，我家的绿萝换过7盆，多肉养成了“干花”，阳台的薄荷永远蔫头耷脑。痛定思痛，我决定用技术向“植物杀手”宣战——造一盆能自己“喝水”、会“报告”状态的智能花盆！

历时2个月，从选型硬件到调通AI模型，这台搭载STM32+Kendryte K210双芯的小设备，不仅能自动监测温湿度、土壤墒情，还能通过摄像头识别叶片状态，判断是否缺肥、是否有病虫害。更妙的是，它会把数据同步到手机APP，连出差一周都不怕“后院起火”。

今天，我把整个开发过程拆解成硬件选型、双芯协作、AI赋能、落地调试四个章节，分享给同样想玩点“聪明硬件”的你。（文末附关键代码片段+实物图，建议收藏实操！）

一、需求拆解：智能花盆到底要“多聪明”？

项目初期，我列了份需求清单，既要避免功能冗余，又要解决核心痛点：

• ​基础监测​：温湿度、光照强度、土壤湿度（解决“浇多少水”“什么时候浇”的问题）；
• ​智能干预​：根据土壤湿度自动启停水泵（告别手动浇水）；
• ​进阶诊断​：通过叶片图像识别判断植物健康状态（比如黄叶可能是缺氮，黑斑可能是病害）；
• ​远程交互​：手机APP实时查看数据，接收异常提醒（出差也能云养花）。

二、硬件选型：双芯架构，各司其职

为了平衡成本、算力和开发难度，我选择了STM32F405作为主控+Kendryte K210作为AI协处理器的双芯方案：

1. 主控：STM32F405（负责“体力活”）

• ​优势​：Cortex-M4内核，72MHz主频，丰富的外设（UART、I2C、PWM），适合驱动传感器和水泵；
• ​搭配模块​：
  • 土壤湿度传感器（YL-69，模拟量输出，需ADC采样）；
  • SHT30温湿度传感器（I2C接口，精度±0.3℃/±2%RH）；
  • BH1750光照传感器（I2C接口，测量范围1-65535 lux）；
  • 继电器模块（控制5V小水泵，低电平触发）。

2. AI协处理器：Kendryte K210（负责“脑力活”）

• ​优势​：RISC-V 64位双核，内置KPU（神经网络加速器），支持轻量级CNN模型，算力6TOPS，专为边缘AI设计；
• ​任务​：运行MobileNetV2简化版模型，识别叶片图像中的异常特征（黄叶、黑斑、虫洞）。

硬件连接示意图（附实物图）

[插入硬件连线图：STM32与K210通过UART通信，STM32驱动传感器和水泵，K210外接OV2640摄像头]

三、软件设计：从驱动到AI，手把手调通

1. STM32底层驱动开发

• ​传感器数据读取​：用HAL库实现SHT30的I2C读取（注意校准温度补偿）、BH1750的连续测量模式；
• ​水泵控制逻辑​：设定土壤湿度阈值（比如＜30%启动，＞60%停止），通过继电器高低电平控制；
• ​与K210通信​：通过UART发送“拍照指令”，接收K210返回的识别结果（JSON格式：{"status": "healthy", "confidence": 0.92}）。

​关键代码片段（STM32读取SHT30）​​：

float read_sht30_temp(void) {  
  uint8_t data[6];  
  HAL_I2C_Master_Transmit(&hi2c1, 0x44<<1, (uint8_t[]){0x24, 0x00}, 2, 100);  
  HAL_Delay(50);  
  HAL_I2C_Master_Receive(&hi2c1, 0x44<<1, data, 6, 100);  
  uint16_t raw_temp = (data[0]<<8) | data[1];  
  return -45 + 175 * (float)raw_temp / 65535;  
}  

2. K210端：模型训练与部署

• ​数据集准备​：收集1000张健康/黄叶/黑斑叶片图片（用手机拍摄，统一尺寸224×224），用LabelImg标注；
• ​模型训练​：基于MaixPy的KPU训练工具，将MobileNetV2量化为INT8，模型大小压缩至1.2MB；
• ​部署到K210​：通过kflash_gui烧录固件，调用sensor.run()启动摄像头，kpu.run_yolo2()执行推理。

​效果验证​：测试集准确率91%，识别耗时仅80ms（满足实时性需求）。

四、落地调试：那些踩过的坑与解决方法

• ​坑1​：土壤湿度传感器易受电解液腐蚀，测了3次就失效。
  → 换用镀金探头的FC-28传感器，定期用去离子水清洗，寿命延长至半年。

• ​坑2​：K210识别黄叶时误判（把光照不足的深绿叶认成黄叶）。
  → 在模型输入前增加直方图均衡化，提升图像对比度；同时在STM32端记录光照强度，作为辅助判断条件。

• ​坑3​：手机APP推送延迟高（有时5分钟才收到提醒）。
  → 改用MQTT协议替代HTTP，配合EMQ X轻量级服务器，延迟降至200ms以内。

五、成果展示与未来规划

现在，这台智能花盆已稳定运行1个月：

• 手机APP实时显示温湿度、土壤状态（附APP界面截图）；
• 成功预警2次土壤过干（自动浇水后恢复）；
• 识别出1次黄叶（提示补充氮肥，一周后新叶萌发）。

未来计划升级：

• 加入CO₂传感器（针对室内植物）；
• 训练更复杂的模型（识别具体病害类型）；
• 开源全部硬件图纸和代码（已经在整理，预计下月初发布到GitHub）。

结语

从一块电路板到会“思考”的智能设备，创造的过程远不止代码和焊接——它是“植物杀手”对生命的敬畏，是工程师对细节的偏执，更是“造物者”最朴素的浪漫。

如果你也想动手做个属于自己的智能花盆，欢迎在评论区交流！有任何问题，我可以把硬件清单、模型文件打包分享～

（文末互动：你养死过最“顽强”的植物是什么？评论区抽3位送STM32开发板！）

​配图建议​：

1. 硬件实物全景图（花盆+传感器+摄像头）；
2. 电路连接特写（STM32与K210、传感器接线）；
3. 手机APP数据界面（温湿度、土壤湿度曲线）；
4. K210识别结果示例（健康叶/黄叶对比）；
5. 开发过程工作照（焊接、调试、植物对比）。

​活动标签​：#嵌入式 #硬件开发 #开源硬件 #AIoT实践派 #DIY智能设备

---

​作者说​：本文完全原创，所有代码、硬件方案均可复现。开发中参考了《STM32 HAL库开发实战指南》《Kendryte K210 AIoT开发手册》，在此致谢！希望能抛砖引玉，和更多同好一起玩转智能硬件～