基于STM32和树莓派智能灌溉系统的设计与实现

蓝 宇，黄中舟，朱彦博，陈 品

（广州软件学院 网络技术系，广东 广州 510990）

0 引 言

本项目的科学性在于合理的市场调研、充分的社会分析。首先是市场调研部分，基于艾媒数据中心收集的数据所得：中国居民人均可支配收入正在逐年增长，由2014年的20 167.0元增长到2018年的28 228.0元，如图1所示。人均收入明显的增长释放出一个信号：人们将更加注意品质生活；基于华经情报网收集的盆栽植物类花卉市场规模数据可得：种植花卉的兴趣并不是突然的兴起，而是呈现缓和增长的趋势，并且此趋势也将平稳增长很长一段时间。2017年的规模已达到362.22亿元，如图2所示。在经济增长缓慢的2017年尚可达到如此成绩，往后的增长更是在此基础上不断上升。

图1 2014—2018年中国居民人均可支配收入

图2 2013—2017年盆栽植物类花卉市场规模

在社会分析方面，随着国家不断发展，经济不断增长，人们更加在意生活质量，想过有品质的生活，小到办公桌前的仙人掌，大到家里的万年青等。如何使用户可以更好、更轻松地种植植物便是本文所需要思考的事情，最后真正地将智能灌溉系统融入日常生活当中。

1 系统总体框架图

智能灌溉系统的设计主要目的是解决何时浇水、浇多少水、如何养护而避免绿植枯萎死亡等问题。系统选用土壤干湿度传感器配合监测环境的变化，为了达到效果，传感器的比较器采用LM393芯片。

系统的整体设计思路是：由高清摄像头实现自动拍照功能，并根据已训练完成的智能识别算法，实时根据特征点进行识别工作。同时输出绿植的具体品种，将品种数据传入STM32单片机。由STM32单片机调用专属该绿植品种的灌溉方案，并以土壤干湿度传感器的监测数据为辅，智能判断是否需要浇水，如果需要浇水，应该浇多少水。该过程无需用户干预，真正做到了智能化。最后，整个过程的数据可反馈至手机APP内，做到数据可视化的效果。系统总体框架图如图3、图4所示。

图3 智能灌溉系统硬软件关系图

图4 智能灌溉系统版块关系图

2 硬件设计

2.1 单片机设计

单片机由STM32单片机、四角按键、DC 5 V的电源座、ADC0832模数转换芯片、LED1602液晶显示屏、DC 5 V水泵等部件组成。

（1）LED1602液晶显示屏

LED1602液晶显示屏主要用于显示当前的土壤干湿度值、自动浇水湿度值以及关闭水泵阀门的湿度值。LED显示屏的显示容量为16×2个字符，工作电压为4.5～5.5 V，工作电流为2.0 mA（5.0 V），字符尺寸为2.95 mm×4.35 mm（W×H）。

（2）单片机

本文采用STM32F101R6单片机，其工作频率最高为72 MHz，1.25 DMIPS/MHz，电压为2.5～6 V，存储器为32 KB的FLASH存储器，主要在系统中担任处理由土壤湿度传感器传回来的电信号，并通过放大信号从而判断是否对水泵传出电信号。

（3）ADC0832模数转换芯片

ADC0832模数转换芯片是一种8位分辨率A/D转换芯片，主要将模拟信号转换成数字信号，用于与STM32F101R6单片机联合使用，测量土壤干湿度。

（4）土壤干湿度传感器

土壤干湿度传感器的比较器采用LM393芯片，因此智能灌溉系统的工作非常稳定，工作电压为3.3～5 V，PCB尺寸为3.2 cm×1.4 cm。此传感器可以控制土壤的湿度，通过电位器调节控制相应阈值，湿度低于设定值时，D0输出高电平；高于设定值时，D0输出低电平。土壤干湿度传感器电路如图5所示。

图5 土壤干湿度传感器电路

2.2 树莓派设计

2018-11-13-raspbian-stretch-full版本的树莓派，把C270摄像头传回来的图像通过卷积神经网络OpenCV进行植物智能识别，然后把识别结果显示在APP端，将识别数据传输到单片机端。

C270摄像头：500万像素的CMOS图像传感器，采用OmniBSI技术提供2 592×1 944视频输出。它通过串行摄像机控制总线或mipi接口提供多分辨率原始图像。

2.3 训练数据过程

在树莓派上使用OpenCV和Python 3进行植物识别，树莓派通过调用C270摄像头模块获取视频。

基于图像分析的植物叶片识别主要有图像预处理、叶片特征提取和叶片分类识别三个步骤，其流程如图6所示。

图6 区域特征法识别流程

3 软件设计

本系统采用下位机控制终端软件和上位机软件设计。

3.1 上位机软件设计

上位机软件采用Eclipse 4.7开发，开发语言为Java，具有界面简洁、可操作性强的特点。上位机软件版块为设置模块、数据模块、控制模块、传输模块。在上位机中，可以实时进行植物数据的显示以及对植物历史数据的查询，并可将数据传输到用户的手机上以及管理者服务器上。本系统采用4G DTU USR-G780模块进行植物数据的传输。通过上位机，用户可以在PC端、移动端对植物的土壤干湿度数据、植物现状进行实时查看，并且可以远程控制水泵的开关与闭合，实时改变土壤的含水量。水泵阀门的闭合通常与数据的上传由软件自动完成。为满足植物在不同阶段的需求，用户可以通过上位机操作不同生长阶段的灌溉量，系统也会根据不同的成长趋势给出推荐方案。

3.2 下位机控制终端软件设计

下位机软件是在Keil μVision 5 IDE集成环境中使用C语言开发而成。系统工作时，会实时分析植物的土壤干湿度、植物生长趋势等数据，并且开始分析从采集部分得到的数据，通过植物生长趋势以及天气情况将土壤干湿度调整至预设范围。当土壤干湿度处于正常范围时，水泵阀门会关闭；当土壤干湿度低于设定区间最低值时，水泵阀门会打开，随着灌溉水量的增加，土壤湿度增加；当植物土壤干湿度高于正常范围上限时，停止灌溉。

系统软件流程如图7所示。

图7 系统软件流程

4 智能识别算法

在众多算法模型面前，本着易训练、准确率高、性价比高的原则，最终选择了较为经典的算法模型—AlexNet结构。该结构特点如下：

（1）8层结构，其中前5层为卷积层，后3层为全连接层；学习参数有6 000万个，神经元有650 000个。

（2）可在2个GPU上运行，大大提高训练速率。

（3）在第2，4，5层均是前一层在自己GPU内连接，第3层是与前面两层全连接，全连接是2个GPU全连接；RPN层是在第1，2个卷积层后；Max pooling层在RPN层以及第5个卷积层后；ReLU函数在每个卷积层以及全连接层后。

（4）卷积核大小数量：

conv1：96 11×11×3（个数/长/宽/深度）

conv2：256 5×5×48

conv3：384 3×3×256

conv4：384 3×3×192

conv5：256 3×3×192

（5）ReLU、双GPU运算：提高训练速度（应用于所有卷积层和全连接层）。

（6）重叠pool池化层：提高精度，不容易产生过度拟合（应用在第1层、第2层、第5层后面）。

（7）局部响应归一化层（LRN）：提高精度（应用在第1层和第2层后面）。

（8）Dropout：减少过度拟合（应用在前2个全连接层）。

5 总体设计

5.1 系统特点

系统软件主要分为三大部分，分别是APP端、树莓派端和STM32单片机端。其中，APP端主要设计语言为Java，此端主要让用户从手机上控制单片机端水泵阀门的打开或者关闭，并且可以在APP端显示树莓派端识别的植物结果；树莓派端主要实现识别植物种类的功能，并且把识别结果传输给APP端、STM32单片机端；STM32单片机端主要设计语言为C语言，利用STM32库函数开发。为了实现自动灌溉功能，用户可以通过硬件的按键实现浇水区间的手动设置，并且在单片机端的显示屏上实时显示土壤干湿度值。当土壤干湿度低于预设范围最低值时，红色LED灯会发光，并且蜂鸣器会发出声音；当土壤干湿度位于预设值范围时，绿色LED灯会发光，同时停止蜂鸣器发出声音。系统外形图如图8所示。

图8 外形

5.2 应用价值

（1）节省水源。因系统为全自动化一体设备，拥有电子信息采集的功能，可以实时检测盆栽环境，依据植物生长条件，合理灌溉，从而减少水资源浪费。通过管道、喷枪或喷头形成喷灌，均匀、定量、定时喷洒盆栽。

（2）由于地理条件、环境气候、土壤差异的影响，植物生长会受到一定的限制，但是智能灌溉系统可以实时监测土壤情况，有效地改善土壤环境，为种植物创造较好的生长条件。

（3）减少劳动力成本。普通的灌溉浇水需要耗费时间和人力，而智能灌溉是全自动灌溉模式，同时拥有PC端和移动端，并且可以通过远程操控进行灌溉。

（4）现代的自动灌溉系统大多数都是大型的，多数均用于花园、农场等大型植物种植场所。可是随着人们的生活品质日益提升，现在更多的用户需要小型智能的灌溉系统，而现有的小型灌溉系统均存在共性问题：价格高昂、实用性低、无法为用户提供相应的种植提示等。于是，基于传统特点，改良共性问题，是本设备最大的价值体现。

5.3 转化前景

本系统的预期成果是达到商用化的使用程度，即用户需要购买我们的系统以及设备，然后用户只需要负责放置种植物，剩下的工作可以全部交由系统设备完成。

本系统不仅仅实现家庭用户对灌溉的基本需求，而且提升实用性与科学性的同时，降低技术成本，提高水资源的利用率；同时能够实现让每一位使用者都能很快上手，使花卉灌溉系统安装和使用更为方便。

本系统的社会效益：在绿色环保方面，可以达到节省水资源的效果；在经济方面，此行业目前还是蓝海，仍有较大的发展空间。

6 结 语

基于STM32和树莓派共同设计的智能灌溉系统，在改良传统灌溉系统基础之上，将智能化引入，加以土壤干湿度传感器进行环境监测，从而提出更智能化、更自动化、更人性化的绿植成长方案，一定程度上也避免了绿植的枯萎死亡，做到了节约水源的社会效益。经过一系列测试工作，目前设备可达到日常使用状态，同时也达到了预期设计效果。

未来的发展方向将是引入病虫害识别功能，以完善对于绿植生病问题的解决方案，同时不断更新识别算法，以提高识别效率以及准确度。

致谢：非常感谢王健老师的指导。因为是初次写论文，在写论文的期间遇到了许多困难，是他不断地给出建设性意见，不厌其烦地帮助我们修改和改进论文。王健老师严谨的治学态度、渊博的学术知识以及诲人不倦的敬业精神使我们获益颇多。