从土壤湿度到云端控制：一个STM32物联网施肥机的开发手记

从土壤湿度到云端控制：一个STM32物联网施肥机的开发手记

作为一名嵌入式开发者，我始终对物联网技术在农业领域的应用充满兴趣。去年夏天，我决定亲手打造一套智能施肥系统，将传统的农业灌溉与现代化物联网技术相结合。这个项目不仅涉及硬件设计、传感器选型，还需要解决云端数据传输和移动端控制等一系列技术挑战。经过三个月的开发和调试，最终成功实现了从土壤数据采集到远程控制的完整闭环。本文将分享这个项目的详细开发过程，希望能为同样对智慧农业感兴趣的开发者提供参考。

1. 系统架构设计与核心组件选型

在开始具体开发前，我首先明确了系统的核心需求：实时监测土壤湿度与肥料浓度，根据预设阈值自动执行灌溉施肥操作，并通过WiFi将数据上传到云端，支持手机APP远程监控与控制。整个系统分为感知层、控制层、传输层和应用层四个部分。

感知层负责环境数据采集，我选择了YL-69土壤湿度传感器和MQ系列气体传感器。YL-69采用电阻式测量原理，通过检测土壤导电性间接反映湿度水平，虽然精度不是最高，但成本低廉且完全满足农业应用需求。MQ传感器则用于检测土壤中的氨气含量，从而间接判断肥料浓度，其模拟电压输出与气体浓度呈正相关。

控制层以STM32F103C8T6为核心，这款32位ARM Cortex-M3内核的MCU具有丰富的外设接口和足够的处理能力。我特别看重其内置的12位ADC模块，可以直接读取传感器模拟信号，无需额外转换芯片。同时，STM32的低功耗特性也符合农业设备长期野外工作的需求。

传输层采用ESP8266 WiFi模块，通过AT指令与STM32进行串口通信。ESP8266支持STA和AP两种模式，可以灵活接入现有无线网络或自建热点。我选择MQTT协议作为通信协议，其轻量级和发布/订阅模式非常适合物联网设备与云端的双向数据交换。

应用层包括云端数据平台和手机APP。我使用阿里云IoT平台作为数据中转站，提供设备管理、数据存储和API接口。手机APP则基于Android开发，通过调用云端API实现远程监控和控制功能。

提示：在选择传感器时，务必考虑其测量范围、精度与实际应用场景的匹配度。农业环境往往存在灰尘、湿度变化大等挑战，需要选择防护等级适当的传感器。

2. 硬件电路设计与集成

硬件设计是整个项目的基础，我采用模块化设计思路，将系统分为主控板、传感器模块、执行器模块和通信模块四个部分。

主控板以STM32F103C8T6最小系统为核心，包括晶振电路、复位电路和电源管理。农业现场通常只有12V或24V直流电源，我使用LM2596降压模块将电压降至5V，再通过AMS1117-3.3转换为MCU所需的工作电压。电源输入端加入了TVS二极管和自恢复保险丝，防止雷击和过流损坏设备。

传感器接口电路设计需要考虑信号调理。YL-69传感器输出信号较弱，我使用了LM358运放搭建同相放大电路，将信号放大到0-3.3V范围以适应STM32的ADC输入。MQ传感器则需要加热电压稳定，我专门设计了基于TL431的精密基准源为其供电，确保测量稳定性。

执行器部分采用继电器控制水泵和肥泵。STM32的IO口驱动能力有限，我使用ULN2003达林顿阵列驱动继电器线圈，并在继电器触点两端并联RC吸收电路，抑制感性负载产生的反电动势。

通信模块通过串口与主控连接，ESP8266的工作电压为3.3V，与STM32电平兼容，直接连接即可。为增强无线信号稳定性，我在PCB上预留了外接天线接口，实际部署时可根据需要安装高增益天线。

关键硬件参数配置表：

模块	型号	关键参数	接口方式
主控MCU	STM32F103C8T6	72MHz, 64KB Flash, 20KB RAM	-
土壤湿度传感器	YL-69	检测深度38mm, 工作电压3.3-5V	ADC1_IN0
肥料浓度传感器	MQ-135	检测范围10-1000ppm, 响应时间<10s	ADC1_IN1
WiFi模块	ESP8266-01S	支持802.11b/g/n, 内置TCP/IP协议栈	USART1
继电器	SRD-05VDC-SL-C	触点容量10A/250VAC	GPIOB.12

硬件集成时，我特别注意了电磁兼容性问题。模拟信号线与数字信号线分开布线，电源路径尽量短而宽，关键信号线添加了屏蔽层。整个控制箱采用IP65防护等级，确保在野外环境中能长期稳定工作。

3. 嵌入式软件设计与实现

嵌入式软件采用Keil MDK开发环境，基于HAL库进行开发。软件架构采用前后台系统设计，主循环处理正常任务，中断处理紧急事件。

系统初始化包括时钟配置、GPIO初始化、ADC校准和串口设置。STM32的时钟树配置较为复杂，我使用STM32CubeMX生成初始化代码，将系统时钟设置为72MHz，ADC时钟分频为12MHz（最大允许14MHz），确保采样率满足需求。

// 系统时钟配置
void SystemClock_Config(void)
{
  RCC_OscInitTypeDef RCC_OscInitStruct = {0};
  RCC_ClkInitTypeDef RCC_ClkInitStruct = {0};
  
  // 配置HSE和PLL
  RCC_OscInitStruct.OscillatorType = RCC_OSCILLATORTYPE_HSE;
  RCC_OscInitStruct.HSEState = RCC_HSE_ON;
  RCC_OscInitStruct.HSEPredivValue = RCC_HSE_PREDIV_DIV1;
  RCC_OscInitStruct.PLL.PLLState = RCC_PLL_ON;
  RCC_OscInitStruct.PLL.PLLSource = RCC_PLLSOURCE_HSE;
  RCC_OscInitStruct.PLL.PLLMUL = RCC_PLL_MUL9;
  HAL_RCC_OscConfig(&RCC_OscInitStruct);
  
  // 配置系统时钟
  RCC_ClkInitStruct.ClockType = RCC_CLOCKTYPE_HCLK|RCC_CLOCKTYPE_SYSCLK
                              |RCC_CLOCKTYPE_PCLK1|RCC_CLOCKTYPE_PCLK2;
  RCC_ClkInitStruct.SYSCLKSource = RCC_SYSCLKSOURCE_PLLCLK;
  RCC_ClkInitStruct.AHBCLKDivider = RCC_SYSCLK_DIV1;
  RCC_ClkInitStruct.APB1CLKDivider = RCC_HCLK_DIV2;
  RCC_ClkInitStruct.APB2CLKDivider = RCC_HCLK_DIV1;
  HAL_RCC_ClockConfig(&RCC_ClkInitStruct, FLASH_LATENCY_2);
}

数据采集任务通过ADC多通道扫描实现。我配置ADC1的通道0和通道1分别采集土壤湿度和肥料浓度，采用DMA传输减少CPU开销。采样值经过移动平均滤波后，转换为实际物理值。

// ADC数据采集处理
void ADC_Process(void)
{
  // 读取ADC原始值
  uint16_t soil_moisture_raw = adc_buffer[0];
  uint16_t fertilizer_raw = adc_buffer[1];
  
  // 移动平均滤波
  soil_moisture_filter = (soil_moisture_filter * 0.9) + (soil_moisture_raw * 0.1);
  fertilizer_filter = (fertilizer_filter * 0.9) + (fertilizer_raw * 0.1);
  
  // 转换为实际值
  soil_moisture = (soil_moisture_filter / 4095.0) * 100.0;  // 百分比
  fertilizer_concentration = (fertilizer_filter / 4095.0) * 1000.0;  // ppm
}

控制逻辑采用有限状态机实现，根据当前传感器数据和系统状态决定执行机构动作。我设置了手动和自动两种模式，在自动模式下，系统比较当前值与阈值，决定是否启动灌溉或施肥。

// 控制状态机
void Control_FSM(void)
{
  switch(current_state)
  {
    case STATE_IDLE:
      if(soil_moisture < SOIL_MOISTURE_THRESHOLD)
        current_state = STATE_WATERING;
      else if(fertilizer_concentration < FERTILIZER_THRESHOLD)
        current_state = STATE_FERTILIZING;
      break;
      
    case STATE_WATERING:
      HAL_GPIO_WritePin(WATER_PUMP_GPIO_Port, WATER_PUMP_Pin, GPIO_PIN_SET);
      if(soil_moisture >= SOIL_MOISTURE_THRESHOLD + 5)  //  hysteresis
        current_state = STATE_IDLE;
      break;
      
    case STATE_FERTILIZING:
      HAL_GPIO_WritePin(FERTILIZER_PUMP_GPIO_Port, FERTILIZER_PUMP_Pin, GPIO_PIN_SET);
      if(fertilizer_concentration >= FERTILIZER_THRESHOLD + 50)
        current_state = STATE_IDLE;
      break;
  }
}

WiFi通信任务负责与云端数据交换。我实现了MQTT客户端，定时发布传感器数据，并订阅控制主题接收远程指令。为节省流量，我设置了数据变化上报机制，只有数据变化超过一定幅度时才上报。

4. 云端平台与移动端开发

云端平台选择阿里云IoT平台，其主要优势在于提供完整的设备管理能力和海量数据存储服务。我在平台上创建了产品型号，定义了设备功能点（土壤湿度、肥料浓度、水泵状态等），生成了设备三元组（ProductKey、DeviceName、DeviceSecret）用于设备认证。

设备连接采用MQTT over TLS加密通信，确保数据传输安全。我使用ESP8266的AT固件支持SSL加密，虽然增加了计算开销，但对于农业数据保护是必要的。连接成功后，设备定期发布JSON格式的传感器数据：

{
  "id": "1234567890",
  "version": "1.0",
  "params": {
    "soil_moisture": 45.6,
    "fertilizer_concentration": 320,
    "water_pump_status": 0,
    "fertilizer_pump_status": 0
  },
  "method": "thing.event.property.post"
}

云端规则引擎将数据转发到TSDB时序数据库存储，同时触发数据流转到函数计算服务进行异常检测。我编写了简单的函数代码，当检测到土壤湿度持续低于阈值时，自动发送报警通知到手机APP。

移动端采用Android平台开发，使用MQTT协议直接与设备通信，同时也通过REST API从云端获取历史数据。主界面显示当前传感器数据和控制按钮，数据趋势以图表形式展示，支持按时间范围查询历史数据。

云端数据处理流程：

1. 设备上传原始数据到IoT平台
2. 规则引擎数据解析和转发
3. 时序数据库长期存储
4. 函数计算实时分析
5. 手机APP实时展示和控制
6. 微信小程序轻量级访问

在实际部署中，我发现农村地区的网络覆盖并不理想，因此增加了离线工作模式。设备在网络中断时继续本地自动控制，同时缓存重要数据，待网络恢复后补传数据，确保系统可靠性。

5. 系统测试与性能优化

系统开发完成后，我进行了全面的测试，包括单元测试、集成测试和现场测试。测试不仅验证功能正确性，还评估系统在恶劣环境下的可靠性。

硬件测试主要包括传感器精度校准和执行机构响应测试。我使用标准土壤湿度计和气体检测仪作为参考，对比测量结果，建立传感器原始值与实际物理量的对应关系。发现YL-69传感器对不同土壤类型的响应特性差异较大，为此我增加了土壤类型选择功能，用户可根据实际土壤设置校准参数。

软件测试重点验证边界条件下的系统行为。我模拟了传感器故障、网络中断、电源波动等异常情况，确保系统能够正确处理异常而不崩溃。特别是测试了突然断电后的恢复能力，增加了状态保存机制，重启后能恢复之前的工作状态。

现场测试在实际农田中进行，连续运行30天，记录系统性能数据。测试期间发现了几个关键问题：阳光直射导致传感器测量误差、晨露造成电路板短路风险、昆虫进入设备箱等。针对这些问题，我增加了防晒罩、防水涂层和防虫网等改进措施。

性能优化措施：

• 功耗优化：采用间歇工作模式，CPU大部分时间处于睡眠状态，只有定时采集时才唤醒
• 通信优化：压缩传输数据，减少MQTT报文大小，节省流量和功耗
• 控制算法优化：增加滞后环防止执行机构频繁启停，延长设备寿命
• 内存优化：使用内存池管理动态内存，避免内存碎片问题

经过优化后，系统平均功耗从85mA降至22mA，可以使用太阳能电池板供电，真正实现能源自给。数据传输量减少60%，即使在信号较弱的地区也能稳定通信。

6. 实际部署与运维经验

项目最终部署在朋友的蔬菜大棚中，覆盖面积约2亩地。部署过程中遇到了许多预料之外的问题，这些经验对后续项目很有借鉴意义。

设备安装位置选择很有讲究。最初我将土壤传感器插入地面约10cm深度，但发现测量值不能准确反映作物根区的实际情况。后来请教了农业专家，了解到不同作物的根系深度不同，需要根据具体作物调整传感器安装深度。现在通常安装在不同深度的多个传感器，全面监测土壤情况。

网络连接是另一个挑战。大棚内信号强度往往较弱，我尝试了多种方案：首先使用ESP8266自带天线，信号不稳定；然后改用外接天线，有所改善但仍不理想；最后部署了LoRaWAN网关作为中继，彻底解决了覆盖问题。虽然增加了成本，但保证了通信可靠性。

维护方面，我建立了远程诊断系统，设备定期自检并报告状态。通过手机APP可以查看设备健康度，提前预警潜在故障。我还编写了详细的维护手册，指导用户如何进行日常清洁、校准和更换耗材。

注意：农业电子设备需要定期维护，特别是传感器探头容易因土壤腐蚀而性能下降。建议每月清洁一次传感器，每季度进行一次全面校准，确保测量准确性。

这个项目给我的最大启示是：技术方案必须紧密结合实际应用场景。实验室环境下运行完美的系统，到了真实农田中可能会遇到各种意想不到的问题。只有深入了解农业生产的实际需求，才能设计出真正实用的智能农业系统。

现在这套系统已经稳定运行半年多，朋友反馈说不仅节省了人工成本，水肥利用率也提高了30%左右。最近我正在开发第二代产品，增加了图像识别功能，能够根据作物生长状态调整灌溉策略，让农业生产更加智能化。