【单片机毕业设计】基于 STM32 或 51 单片机的鱼缸环境感知与声光告警系统设计 基于 STM32 或 51 单片机的 WiFi 远程智能水族管理系统设计（025208）

硕博团队计算机辅导 硕博团队计算机辅导 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 12平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄2年
关注
原创 最新推荐文章于 2026-11-10 16:37:35 发布 12 阅读 AI 写同款· GEO 优化 ›
MTK Tunning ISP 模块面试总结 ISP面试问答 阅读详情

博主介绍：✌️码农一枚 ，专注于大学生项目实战开发、讲解和毕业🚢文撰写修改等。全栈领域优质创作者，博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于嵌入式单片机，Java、小程序技术领域和毕业项目实战
✌️技术范围：：单片机，STM32单片机，51单片机，小程序、SpringBoot、SSM、JSP、Vue、PHP、Java、python、爬虫、数据可视化、大数据、物联网、机器学习等设计与开发。
主要内容：免费开题报告、任务书、全bao定制+中期检查PPT、代码编写、🚢文编写和辅导、🚢文降重、长期答辩答疑辅导、一对一专业代码讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。
特色服务内容：答辩必过班 （全程一对一技术交流，帮助大家顺利完成答辩，小白必选）
全网粉丝50W+，累计帮助2000+完成优秀毕设
🍅文末或主页侧边栏获取源码🍅
👉👉👉👉点击获取源码 👈👈👈👈
感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及🚢文编写等相关问题都可以给我留言咨询，希望帮助更多的人

在这里插入图片描述

文章目录

20 个相关毕业设计备选题目

  1. 基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统设计
  2. 基于 STM32 或 51 单片机的水族箱多参数监测与远程控制平台设计
  3. 基于 STM32 或 51 单片机的鱼缸自动投喂换水恒温控制系统设计
  4. 基于 STM32 或 51 单片机的水族环境智能监测与手机 APP 控制系统设计
  5. 基于 STM32 或 51 单片机的多传感器鱼缸智能养护装置设计与实现
  6. 基于 STM32 或 51 单片机的水质水位监测及自动换水增氧系统设计
  7. 基于 STM32 或 51 单片机的鱼缸定时投喂与环境参数调控系统设计
  8. 基于 STM32 或 51 单片机的水族箱浑浊度检测与自动维护系统设计
  9. 基于 STM32 或 51 单片机的鱼缸环境感知与声光告警系统设计
  10. 基于 STM32 或 51 单片机的 WiFi 远程智能水族管理系统设计
  11. 基于 STM32 或 51 单片机的鱼缸光照补偿与恒温控制系统设计
  12. 基于 STM32 或 51 单片机的多传感器融合鱼缸自动运维系统设计
  13. 基于 STM32 或 51 单片机的水族箱手动自动双模式智能控制系统设计
  14. 基于 STM32 或 51 单片机的鱼缸定时增氧与水质监测系统设计
  15. 基于 STM32 或 51 单片机的智能水族设备手机端监控系统设计
  16. 基于 STM32 或 51 单片机的鱼缸水位补水与排水控制系统设计
  17. 基于 STM32 或 51 单片机的水族环境采集与自动养护装置设计
  18. 基于 STM32 或 51 单片机的鱼缸多维度环境监测智能终端设计
  19. 基于 STM32 或 51 单片机的 WiFi 通信鱼缸智能管控系统设计与实现
  20. 基于 STM32 或 51 单片机的鱼缸定时作业与水质异常处理系统设计

项目研究背景

随着家庭观赏水族饲养的普及，传统鱼缸养护大多依靠人工定时投喂、换水、观察水温与水质，存在人工看护耗时、环境参数无法实时监测、水质异常发现滞后等问题。传统水族养护方式智能化程度低，仅能依靠饲养人员经验判断，容易出现忘记喂食、水温异常、水位不足、水体浑浊等情况，进而造成水族生物死亡。目前市面上简易鱼缸设备大多功能单一，仅支持单一加温或增氧，缺少多传感器联动控制，同时缺少远程数据查看与手机 APP 控制能力，手动与自动模式切换功能缺失，难以实现定时投喂、自动换水、光照补偿一体化养护。物联网技术与嵌入式单片机技术的成熟，为水族环境自动监测与设备联动控制提供了实现基础。本课题依托 STM32 或 51 单片机，集成多种环境传感器与执行机构，搭建集多参数采集、自动养护、WiFi 远程监控于一体的智能鱼缸系统，解决传统人工养护效率低下、监测不及时的痛点，满足家庭水族饲养自动化、远程化的实际需求，具备良好的实际应用价值。

摘要

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。系统支持手动、自动两种工作模式，参数异常时触发声光提醒，通过 ESP8266 WiFi 模块实现与手机 APP 通信，用户可远程查看环境数据、控制设备。经测试，系统能够稳定完成定时定量喂食、水位补水换水、水温恒温、定时增氧、光线补光、浑浊度触发换水等功能，可有效降低水族饲养人工成本，适用于家庭鱼缸智能养护场景。

总体方案

  1. STM32 或 51 单片机：作为系统主控核心，负责采集各类传感器信号、逻辑运算、任务调度，输出控制信号驱动继电器与外设，处理按键指令与 WiFi 数据交互；选型理由：资源充足，外设接口丰富，开发资料完善，适合本科嵌入式项目开发，能够满足多传感器与多路执行器件控制需求。
  2. LCD1602 液晶显示屏：用于本地实时显示 DS1302 时钟时间、水温、水位状态以及设备运行控制状态；选型理由：成本低、驱动简单，字符显示稳定，满足本地基础信息可视化需求。
  3. DS1302 时钟芯片：为系统提供实时时钟，作为定时投喂、定时增氧、定时换水的时间基准；选型理由：自带掉电走时功能，计时精度稳定，定时任务开发难度低。
  4. DS18B20 温度传感器：采集鱼缸水体温度数据，将温度信号传输至主控芯片；选型理由：数字型温度传感器，接线简单，测温精度满足水族恒温控制需求。
  5. TSW-30 浑浊度传感器：采集水体浑浊程度，用于判断水质是否需要换水；选型理由：模拟输出，适配单片机 AD 采集，可实现水质简易检测。
  6. 水位传感器：检测鱼缸内水位高低，判断缺水状态；选型理由：响应快速，可实现水位阈值检测，为自动补水、换水逻辑提供数据依据。
  7. 光敏电阻：采集环境光照强度，用于判断是否开启补光灯；选型理由：成本低廉，可感知环境明暗变化，满足光照补偿的检测需求。
  8. 9g 舵机：作为投喂执行机构，定时转动实现喂食动作；选型理由：体积小，响应速度快，可精准控制转动时间实现定量投喂。
  9. PTC 加热片：执行水体加热，当水温低于设定阈值时开启；选型理由：恒温特性好，适合水体低温加热控制。
  10. 两台水泵：一台用于加水补水，一台用于排水换水；选型理由：直流小水泵，由继电器控制启停，满足鱼缸换水、补水的流体驱动需求。
  11. 增氧泵：用于水体增氧，根据设定时间自动启停；选型理由：低功耗，适合间歇式定时增氧。
  12. USB 补光灯：环境光线不足时开启，完成光照补偿；选型理由：驱动简单，可由继电器通断控制。
  13. 蜂鸣器：声光提醒模块，参数异常时发出报警提示音；选型理由：控制简单，实现本地告警。
  14. 继电器模块：隔离单片机信号，控制加热片、水泵、增氧泵、补光灯等大功率外设通断；选型理由：高低压隔离，保护主控芯片，实现弱电控制强电。
  15. ESP8266 WiFi 模块：实现单片机与手机 APP 之间无线通信，上传监测数据，接收 APP 下发控制指令；选型理由：成熟低成本 WiFi 模组，资料丰富，适合嵌入式设备联网。
  16. 4 个独立按键：完成模式切换、参数设置、数值增减操作；选型理由：硬件简单，用于本地人机交互。
  17. 计算机：用于单片机程序编写、编译、烧录，手机 APP 源码调试；配置要求普通 PC 即可，支持 Keil 开发环境。

核心功能

基础功能

  1. 本地信息显示功能：通过 LCD1602 屏幕实时展示系统时间、采集水温、水位状态、设备当前控制状态；用户在设备本地直观查看鱼缸环境与运行信息，便于现场调试。
  2. 按键人机交互功能：包含模式切换、设置切换、数值增加、数值减少 4 个按键；支持现场手动修改阈值、定时参数，切换系统工作模式，实现本地参数配置。
  3. 手动控制模式：用户通过按键直接控制加热、水泵、增氧、补光、投喂设备启停；适用于人工临时干预、设备调试场景。

核心功能

  1. 定时定量投喂功能：基于 DS1302 时间触发，到达预设时间驱动 9g 舵机执行投喂；通过设置舵机开启等待时长控制投喂量，完成定量喂食，避免忘记投喂。
  2. 水温采集与恒温加热功能：DS18B20 持续采集水温，当水温低于预设阈值，主控驱动继电器开启 PTC 加热片升温；水温达标后自动停止加热，维持水体温度稳定。
  3. 水位检测与自动补水功能：水位传感器实时监测水位，水位低于下限阈值自动启动加水水泵补水；水位达到正常区间停止加水，防止缺水。
  4. 定时换水功能：按照预设定时任务执行换水流程，先启动排水泵排水至低水位，再启动加水泵补水至正常水位，完成水体更换。
  5. 定时增氧功能：预先设置增氧泵启停时间，系统时钟到达设定时间自动开启增氧泵，到达结束时间自动关闭，定时提升水体溶氧量。
  6. 光照采集与自动补光功能：光敏电阻采集环境光照强度，光照低于设定阈值自动开启 USB 补光灯，光线充足时关闭补光灯，模拟自然光照。
  7. 水体浑浊度监测与触发换水功能：TSW-30 传感器实时采集水体浑浊度，自动模式下，浑浊度超过设定阈值，系统自动执行一次换水流程，保障水质。
  8. 自动模式联动控制：系统依据时钟定时任务与各类传感器采集数据自动驱动外设，出现温度、水位、水质异常时，蜂鸣器触发声光提醒。
  9. WiFi 远程监控 APP 功能：ESP8266 建立无线通信链路，手机 APP 实时接收鱼缸温度、水位、浑浊度数据；APP 下发指令远程控制各类设备启停，查看设备运行状态。

辅助功能

  1. 声光告警功能：自动模式下，水温异常、水位异常、水质超标时，蜂鸣器发出提示音，实现本地异常提醒。
  2. 模式状态管理：系统区分手动模式、自动模式，两种模式独立运行，模式切换后更新 LCD 屏幕状态展示，避免控制逻辑冲突。

技术路线

  1. C 语言：作为单片机主控程序开发语言，完成传感器数据读取、定时逻辑、外设驱动、WiFi 数据收发、按键逻辑、设备联动控制代码编写；是嵌入式主控程序的核心开发语言。
  2. Keil MDK 开发工具：用于 STM32 或 51 单片机代码编写、编译、调试、程序烧录，完成嵌入式固件开发。
  3. Arduino 开发环境（备选）：可用于 ESP8266 模块程序开发，编写 WiFi 通信程序，实现单片机与 APP 的数据交互。
  4. ESP8266 AT 指令：用于配置 WiFi 模组，完成无线数据透传，实现嵌入式终端与手机 APP 通信。
  5. Android Studio：用于手机 APP 源码开发，编写 APP 界面，完成数据接收展示、远程控制指令下发。
  6. LCD1602 驱动库：实现液晶屏幕字符输出，完成本地环境参数与状态显示。
  7. DS1302、DS18B20 传感器驱动程序：实现时钟读取、温度采集，完成定时任务与环境感知底层驱动。
  8. 串口调试助手：用于硬件联调，查看传感器原始数据，排查通信故障，测试外设控制逻辑。
  9. Proteus 仿真软件：前期用于电路原理图绘制、电路仿真，验证硬件电路逻辑，降低实物焊接调试风险。
  10. 硬件电路设计：使用 Altium Designer 绘制系统原理图，完成主控、传感器、执行器件硬件电路设计。
  11. 测试工具：万用表，用于硬件实物调试，测量电路电压，排查硬件接线故障。

项目演示

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

关于我们

博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、有自己的独立工作室，目前只专注做自己专业领域的事。团队人员有多年架构师设计经验、多人有参加校企合作经验，被多个学校常年聘为校外企业导师，指导学生毕业设计并参与学生毕业答辩指导，有较为丰富的相关经验。期待与各位高校教师、企业讲师以及同行交流合作。

项目案例

下面是我们团队最新的定制开发的项目平台，广受到大家客户的喜爱！大家看看我们开发出来的部分效果图吧！！！
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

源码获取

👉👉👉👉 点击我获取源码 -> 进我个人主页 👈👈👈👈

⬇️⬇️⬇️⬇️

收录于
毕设精品项目

当前文章被收录于：

毕设精品项目
887 篇文章 0 人学习
订阅专栏 查看详情
单片机

当前文章被收录于：

单片机
874 篇文章 0 人学习
订阅专栏 查看详情
标签
#毕业设计 #课程设计 #毕设 #51单片机 #单片机
#stm32
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Palantir解密：“本体”的建模逻辑及其扩展方向 上一篇重点从对现实世界建模的角度探讨了“本体”在数字化架构中的核心意义。这里借Palantir的“本体”概念、解析Palantir只是起点，目标旨在以他山之石攻玉——探索数字世界的底层架构逻辑，最终为构建自主体系提供思考。Palantir以“本体论”为核心的建模方案是否代表终极答案，不宜过早下结论，但其思路值得深入剖析。 阅读详情

相关推荐

Qt QChart实战：从零打造一个实时温度监控仪表盘（附完整源码）

本文详细介绍了如何使用Qt QChart模块从零构建一个工业级实时温度监控仪表盘。通过实战案例，展示了波形图的绘制、坐标轴配置、数据流模拟等关键技术，并提供了完整的源码实现，帮助开发者快速掌握Qt在数据可视化领域的应用。

weixin_42537919的博客 243

【单片机毕设案例分享】基于 STM32 或 51 单片机的智能水族设备手机端监控系统设计 基于 STM32 或 51 单片机的鱼缸水位补水与排水控制系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

QQ_2876970413的博客 10

Unity中USD场景导入与工业级协作实战指南

USD（Universal Scene Description）是一种面向复杂三维场景的结构化数据模型，其核心在于分层描述、变体管理与非破坏性组合，本质是支持多团队并行协作的场景协议。它不同于传统模型格式，强调运行时可编辑性与版本可控性，技术价值体现在跨软件资产一致性、零拷贝动态叠加及内存中实时合成。典型应用场景包括建筑BIM实时漫游、汽车多配置仿真、影视级灯光材质协同等工业管线。在Unity中，USD已深度集成于URP/HDRP管线，通过原生USD Importer、Runtime与Exporter三组件

weixin_32073537的博客 301

【单片机毕业设计推荐】基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统设计 基于 STM32 或 51 单片机的水族箱多参数监测与远程控制平台设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

bishe7_is_vx的博客 379

《Swin-Unet: 类Unet的纯Transformer架构用于医学图像分割》学习笔记

近年来，卷积神经网络（CNN）在医学图像分析领域取得了重要进展。尤其是基于U形架构和跳跃连接的深度神经网络广泛应用于各种医学图像任务。然而，尽管CNN表现优异，但由于卷积操作的局部性，其难以很好地学习全局和长距离语义信息的交互。在本文中，我们提出了Swin-Unet，一种用于医学图像分割的类Unet纯Transformer模型。被切分为Token的图像块输入到基于Transformer的U形编码器-解码器架构中，通过跳跃连接实现局部和全局语义特征的学习。

学无止境。 5547

当传统CFD遇上AI：PINN如何帮我们省下90%的仿真计算时间？

本文探讨了物理信息神经网络（PINN）在计算流体力学（CFD）中的应用，如何通过无网格方法节省90%的仿真计算时间。PINN将物理定律编码到神经网络中，显著减少传统CFD中的网格生成和计算时间，同时保持高精度。文章还对比了PINN与传统方法的性能，并讨论了其独特优势和当前局限。

weixin_32678995的博客 320

【计算机毕业设计单片机案例】基于 STM32 或 51 单片机的 WiFi 通信鱼缸智能管控系统设计与实现 基于 STM32 或 51 单片机的鱼缸定时作业与水质异常处理系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

15

ESP32 Arduino 学习篇（五）TFT_eSPI库

该库有User_Setup.h和 User_Setup_Select.h两个配置文件，支持 ①自定义参数或 ②使用已有配置 驱动TFT屏幕。优点是: 1. 占用空间非常小 2. 动画清晰,充分利用每个像素点 3. 可以非常灵动. 4. 方便进行微调。首先在Libraries里面搜索安装TFT_eSPI库到你的工程文件里面。初始化屏幕, 如果是ST7735,可以往里面传一个参数, 具体用到时再看。缺点是: 1. 容易闪屏 2. 一般不会太复杂 3.需要大量的计算。特别注意: 字库7是仿7段数码屏的样式。

DOF526570的博客 2万+

【单片机课程设计/毕业设计】基于 STM32 或 51 单片机的鱼缸定时投喂与环境参数调控系统设计 基于 STM32 或 51 单片机的水族箱浑浊度检测与自动维护系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

15

如何把DeepSeek这个奈斯工具接入到Pycharm里

DeepSeek接入到Pycharm中，提高编程效率，以及帮助解决遇到的问题。

学无止境，何以言满 2623

uniapp - 实现扫码功能自定义扫描二维码/条码界面+手电筒轻触照亮+扫码屏幕添加手动输入框，手机扫描二维码并跳转过程，调用手机原生摄像头进行扫码且自动识别执行事件（uniApp安卓苹果App端）

uniapp，app端，安卓app，苹果ios，uniapp扫码识别，二维码展示和扫码，uniapp如何实现扫码功能，uni-app实现扫码功能，二维码和一维码/条码扫描，UniApp实现扫描二维码，uniapp开发原生app页面的扫码功能，自定义扫码界面，uniapp怎么调用扫一扫功能，app自定义扫码界面，uniapp 自定义扫一扫页面，扫码手电筒功能，自定义扫描框，扫码报错怎么办，扫码黑屏，扫一扫摄像头黑屏，uniapp扫码原生插件，最新扫码组件，连续扫码，uniapp APP扫码，扫码后如何处理跳转

✅ 精选推荐文章 1万+

单片机毕设选题推荐：基于 STM32 或 51 单片机的鱼缸光照补偿与恒温控制系统设计 基于 STM32 或 51 单片机的多传感器融合鱼缸自动运维系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

项目帮 11

详细解释SigLIP的原理，为什么有些多模态模型喜欢用他？怎么应用于机器人控制呢

详细解释SigLIP的原理，为什么有些多模态模型喜欢用他？怎么应用于机器人控制呢。

具身机器人和通用AI 1230

单片机毕业设计-基于 STM32 或 51 单片机的鱼缸自动投喂换水恒温控制系统设计 基于 STM32 或 51 单片机的水族环境智能监测与手机 APP 控制系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

我的个人博客：https://bishe666.top 103

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

单片机毕设项目：基于 STM32 或 51 单片机的多传感器融合鱼缸自动运维系统设计 基于 STM32 或 51 单片机的水族箱手动自动双模式智能控制系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

2501_91703032的博客 140

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

单片机计算机毕设之基于 STM32 或 51 单片机的水族箱手动自动双模式智能控制系统设计 基于 STM32 或 51 单片机的鱼缸定时增氧与水质监测系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

17

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

计算机单片机毕设实战-基于 STM32 或 51 单片机的多传感器鱼缸智能养护装置设计与实现 基于 STM32 或 51 单片机的水质水位监测及自动换水增氧系统设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

项目帮 13

【单片机课设毕设项目】基于 STM32 或 51 单片机的水族环境采集与自动养护装置设计 基于 STM32 或 51 单片机的鱼缸多维度环境监测智能终端设计（025208）

针对传统水族箱人工养护繁琐、环境参数监测滞后、缺少自动化运维手段的问题，本文设计一套基于 STM32 或 51 单片机的智能鱼缸监控与自动养护系统。系统集成 DS18B20 温度传感器、水位传感器、TSW-30 浑浊度传感器、光敏电阻采集水体与环境信息，搭载 DS1302 时钟芯片实现定时任务调度，利用舵机、水泵、PTC 加热片、增氧泵、补光灯完成投喂、换水、恒温、增氧、补光等操作。

102

【原创毕设项目】基于深度学习的杂草图像分类系统设计与实现

本文设计并实现了一套基于深度学习的杂草图像分类系统，采用ResNet50迁移学习，融合负样本拒识机制，支持图片、视频与摄像头实时识别，具备9类输出（8类杂草+背景），结合Django+Vue架构与ECharts可视化看板，实现识别记录管理与六图统计分析。系统有效提升田间杂草识别效率与准确性，为智能农业提供可落地的技术方案。

qq_1445749146的博客 217

【学习笔记】51单片机 按键控制LED流水灯模式&定时器时钟

在下面去给他写中断子函数，他会在main中去到Timer0这个子函数当中去，再接着跳转回来。再TMOD上，这个是不可位寻址的，必须八位同时复制，如果同时使用定时器1和定时器0，先配置定时器1再去配置定时器0会把 之前前定时器1的更新掉，我们去给他让他只去执行一部分。现在我们要去做中断了，改正之后的是这样，但其实是还有缺陷在的。寄存器是连接软硬件的媒介，我们现在写一个关于这个的代码。这样得到的和我们预期的一样。TMOD的寄存模式，M1和M0是来决定工作模式的。我们要看的是关于以下的寄存器。

2601_96469072的博客 221

【学习笔记】51单片机 矩形键盘

原理：读取第1行（列）—>读取第2行（列）—>读取第3行—>......，然后快速循环这个过程，最终实现说有按键同时检测的结果。这个If是必须要加的，进过测试如果不加if会导致的就是LED上面太快的闪动要的数字，而变回0。我们进行测试，发现编译没有问题，再次进行下载烧录，和预想的结果一样根据按键来变换LED屏幕的对应数字变化。if循环部分也是根据矩形按键来看变换的，如下图，这是第一列的变换部分，接着还有其他列的部分。我们所要写的是有返回值类型的，再给他加有if循环的，以及延迟消抖的检测松手。

2601_96469072的博客 218

【学习笔记】51单片机 定时器

定时器子单片机内部就像一个小闹钟一样，根据时钟的输出信号，每隔“一秒”，计数单元的数值就增加一，当技术单元数值增加到“设定的闹钟提醒时间”时，计数单元就会向中断系统发出中断申请，产生“响铃提醒”，使程序跳转到中断服务函数执行。注意：定时器的资源和单片机的型号是关联在一起的，不同的型号可能会有不同的定时器个数和操作方式，但一般来说，T0和T1的操作方式是所有51单片机所共有的。注意：中断的资源和单片机的型号是关联在一起的，不同的型号可能会有不同的终端资源，例如中断源个数不同、中断优先级个数不同等。

2601_96469072的博客 255

【51单片机实现从下到上，从上到下，从中间到两边，两边到中间】2024-10-23

这是一个基于51单片机的LED流水灯控制程序。程序通过变量控制实现三种流水灯效果：1）LED从低位到高位依次点亮；2）LED从高位到低位依次熄灭；3）特殊模式显示固定图案。程序使用P1口控制LED，通过定时计数和条件判断实现状态转换，展示了基本的单片机I/O控制和状态机编程思想。代码结构包含多级嵌套的条件判断，实现了LED灯的多种变化效果。

浤济的专栏 307

基本定时器（TIM6/TIM7）

基本定时器最简单，就干一件事：到点了触发中断。定时器本质就是计数器，每个时钟脉冲加1，数到ARR就溢出、产生中断、清0重来。三个核心寄存器：PSC（预分频器）：对输入时钟分频CNT（计数器）：从0往上数ARR（自动重装载值）：数到这个值就溢出，CNT清0，产生更新中断公式：  定时周期 = (PSC+1) × (ARR+1) / 定时器时钟  更新事件频率 = 定时器时钟 / ((PSC+1) × (ARR+1)) 例：TIM6时钟84MHz，要定时0.5秒（2

2401_89890233的博客 226

芯片适配快讯：合兴软件 ISDT 完成对芯驰 E3系列 MCU 的适配

芯片适配快讯：ISDTx芯驰E3系列MCU。合兴软件HXSC-ISDT(嵌入式软件时间分析工具)完成对芯驰E3系列MCU的适配，助力跨域融合控制器的实时性能分析。

合兴软件的博客 175

TMS320F28335 学习笔记（二）：系统时钟、PLL 与看门狗

本文系统介绍F28335的时钟架构与看门狗应用，涵盖外部晶振、PLL倍频生成系统时钟（SYSCLKOUT）、高速/低速外设时钟分频配置，以及看门狗的启用、关闭与喂狗机制。强调时钟配置准确性对延时、PWM、通信等外设的重要性，指出常见错误如晶振不匹配、未等待PLL锁定、随意修改PLL或喂狗周期过长等问题，并提供初始化框架与验证方法，帮助开发者正确配置时钟系统，确保程序稳定运行。

2403_83044722的博客 321
上一篇： 【单片机毕业设计】基于 STM32 或 51 单片机的语音播报式智能垃圾桶设计与开发 基于 STM32 或 51 单片机的烟雾与金属检测智能垃圾桶装置（025108）
下一篇： 【单片机毕业设计】基于 STM32 或 51 单片机的红外感应智能水杯硬件系统设计 基于 STM32 或 51 单片机的 TDS 水质检测与声光报警系统
点赞 0
评论 0
书签 书签 0
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值