温室作物病虫害智能识别系统

温室作物病虫害智能识别系统摘要随着设施农业的规模化发展，温室作物种植已成为我国蔬菜、瓜果供应的核心模式之一，而病虫害的及时识别与精准防控，直接决定了温室种植的产量与品质。传统人工巡查识别的方式存在效率低、误判率高、防控滞后等问题，难以适配规模化温室的种植管理需求。本文设计了一套基于STM32F103C8T6单片机的温室作物病虫害智能识别系统，可实现作物病虫害的实时AI识别、温室环境参数采集、生长环境自动调控与异常情况语音播报。系统搭载K230智能AI模组完成作物病虫害图像识别，通过DHT11传感器与电容式土壤湿度传感器采集环境温湿度与土壤墒情，配合独立按键完成阈值设置与界面切换，OLED屏实现实时数据可视化，SU-03T语音模块完成识别结果播报，研究成果为中小型温室的智能化管理提供了低成本、易部署的技术方案，对推动设施农业的数字化升级具有参考价值。关键词温室作物、病虫害智能识别、STM32单片机、环境参数监测、自动调控AbstractWiththelarge-scaledevelopmentoffacilityagriculture,greenhousecropplantinghasbecomeoneofthecoremodesofvegetableandmelonsupplyinChina.Thetimelyidentificationandprecisepreventionandcontrolofdiseasesandpestsdirectlydeterminetheyieldandqualityofgreenhouseplanting.Thetraditionalmanualinspectionandidentificationmethodhastheproblemsoflowefficiency,highmisjudgmentrateandlaggingpreventionandcontrol,whichisdifficulttoadapttotheplantingmanagementneedsoflarge-scalegreenhouses.ThispaperdesignsanintelligentidentificationsystemforgreenhousecropdiseasesandpestsbasedonSTM32F103C8T6single-chipmicrocomputer,whichcanrealizereal-timeAIidentificationofcropdiseasesandpests,greenhouseenvironmentalparametercollection,automaticregulationofgrowthenvironmentandvoicebroadcastofabnormalconditions.ThesystemisequippedwithK230intelligentAImoduletocompletetheimagerecognitionofcropdiseasesandpests,collectsenvironmentaltemperature,humidityandsoilmoisturethroughDHT11sensorandcapacitivesoilmoisturesensor,completesthresholdsettingandinterfaceswitchingwithindependentkeys,realizesreal-timedatavisualizationwithOLEDscreen,completesthebroadcastofidentificationresultswithSU-03Tvoicemodule,andrealizesautomaticcontrolofheating,cooling,humidificationandotheractuatorsthroughMOStubeandrelay.Theresearchresultsprovidealow-costandeasy-to-deploytechnicalschemefortheintelligentmanagementofsmallandmedium-sizedgreenhouses,andhavereferencevalueforpromotingthedigitalupgradingoffacilityagriculture.Keywords:greenhousecrops,intelligentidentificationofdiseasesandpests,STM32single-chipmicrocomputer,environmentalparametermonitoring,automaticregulation目录目录摘要 IAbstract III1绪论 11.1研究背景 11.2研究的目的与意义 11.3国内外研究现状 21.3.1国外研究现状 21.3.2国内研究现状 21.4研究内容 32系统方案设计与硬件选型 52.1需求分析 52.2可行性分析 52.2.1技术可行性 52.2.2经济可行性 62.2.3操作可行性 62.3系统方案设计 62.4硬件选型 82.4.1主控芯片模块 82.4.2DHT11温湿度传感器模块 82.4.3摄像头模块 9 10 112.5本章小结 123系统硬件电路设计 133.1电路设计 133.1.1控制器最小系统单元 133.1.2DHT11传感器单元 143.1.3摄像头单元 143.1.4语音播报单元 153.1.5显示界面单元 163.1.6独立按键输入单元 163.1.7智能灌溉与精准施药执行单元 173.2本章小结 184系统软件设计 194.1软件开发环境与病虫害识别模型训练 194.1.1主控系统软件开发环境 194.1.1主控系统软件开发环境 194.2主程序整体流程设计 204.3按键功能子程序设计 224.4显示功能子程序设计 234.5本章小结 245系统测试与结果分析 265.1硬件单元测试 265.2软件功能测试 265.3整机实物功能测试 275.3.1土壤湿度监测功能 275.3.2环境温湿度监测功能 275.3.3病虫害语音播报功能 285.4本章小结 28结论 30参考文献 32谢辞 33附录A 36附录B 38TOC\o"1-3"\h\z\u摘要 IAbstract III1绪论 11.1研究背景 11.2研究的目的与意义 11.3国内外研究现状 21.3.1国外研究现状 21.3.2国内研究现状 21.4研究内容 32系统方案设计与硬件选型 52.1需求分析 52.2可行性分析 52.2.1技术可行性 52.2.2经济可行性 62.2.3操作可行性 62.3系统方案设计 62.4硬件选型 82.4.1主控芯片模块 82.4.2DHT11温湿度传感器模块 82.4.3摄像头模块 9 10 112.5本章小结 123系统硬件电路设计 133.1电路设计 133.1.1控制器最小系统单元 133.1.2DHT11传感器单元 143.1.3摄像头单元 143.1.4语音播报单元 153.1.5显示界面单元 163.1.6独立按键输入单元 163.1.7智能灌溉与精准施药执行单元 173.2本章小结 184系统软件设计 194.1软件开发环境与病虫害识别模型训练 194.1.1主控系统软件开发环境 194.1.1主控系统软件开发环境 194.2主程序整体流程设计 204.3按键功能子程序设计 224.4显示功能子程序设计 234.5本章小结 245系统测试与结果分析 265.1硬件单元测试 265.2软件功能测试 265.3整机实物功能测试 275.3.1土壤湿度监测功能 275.3.2环境温湿度监测功能 275.3.3病虫害语音播报功能 285.4本章小结 28结论 30参考文献 32谢辞 33附录A 36附录B 381绪论1.1研究背景随着我国农业现代化进程的不断加快，设施农业作为一种高效、集约化的现代农业生产模式，凭借其可控的生长环境、高效的资源利用效率，已成为保障农产品周年稳定供应、破解土地资源约束、提升农业生产效益的核心支撑产业REF_Ref26383\r\h[1]。我国作为全球最大的农业生产大国，设施农业发展势头持续向好，截至2025年，全国设施农业种植总面积已突破4000万亩，其中温室种植面积占比超60%，主要集中在北方冬春季蔬菜、瓜果主产区，有效填补了北方淡季农产品供应缺口，对稳定农产品市场价格、增加种植户经济收入、推动农业产业转型升级发挥着不可替代的重要作用REF_Ref26589\r\h[2]。然而，温室自身封闭、高湿、高温的特殊环境，极易形成病虫害滋生、繁殖与快速传播的“温床”，病虫害已成为制约设施农业高质量发展的首要瓶颈REF_Ref26997\r\h[3]。据农业农村部相关数据统计，若病虫害未能及时识别并采取科学防控措施，平均会导致作物减产20%-30%，严重时减产幅度可达50%以上，甚至造成绝收，不仅直接损害种植户的切身经济利益，还会影响农产品质量安全，降低我国农产品的市场竞争力，阻碍设施农业产业的可持续发展REF_Ref27027\r\h[4]。1.2研究的目的与意义温室作物管理将嵌入式技术、AI识别技术与设施农业病虫害防控深度结合，丰富了智慧农业技术在设施农业领域的应用研究，完善了温室病虫害智能防控的理论体系；同时，通过系统分析传统防控模式的局限性与智能防控技术的适配性，为同类农业智能防控技术的研究提供了参考思路与方法支撑，推动农业智能化技术与病虫害防控理论的融合创新。在现实意义方面，研究构建的智能识别与防控体系，可有效突破传统人工防控的瓶颈，大幅提升病虫害识别准确率与防控及时性，减少作物减产损失，直接保障种植户的经济利益；主要采用低成本、易部署的设计思路，适配中小型温室的运营需求，降低了智能防控技术的应用门槛，便于在广大种植户中推广普及，助力农业生产模式从“经验驱动”向“数据智能驱动”转型；研究成果可推动设施农业智能化、标准化发展，助力破解资源约束、保障农产品周年稳定供应，为我国农业现代化与乡村振兴战略的实施提供有力支撑REF_Ref27801\r\h[5]。1.3国内外研究现状1.3.1国外研究现状国外设施国外设施农业起步较早，智慧化水平较高，在温室病虫害智能识别与防控领域的研究已形成较为成熟的技术体系，且注重技术的集成化与落地应用。欧美、以色列等农业发达国家，依托先进的AI技术、物联网技术与嵌入式技术，在病虫害早期识别、精准防控方面取得了诸多突破性成果REF_Ref27977\r\h[6]。在技术研究层面，国外研究者聚焦病虫害早期识别与精准监测，探索出多种创新技术路径。以色列耶路撒冷希伯来大学研究团队开发出一种通过监测植物蒸腾速率等微妙变化，提前识别番茄枯萎病的新方法，可在病害肉眼可见前的几天甚至几周内发现感染迹象，为作物病害早期监测提供了更为灵敏和量化的手段，且该方法在马铃薯晚疫病测试中也取得积极效果，展现出广泛适用性REF_Ref28013\r\h[7]。同时，国外普遍采用AI深度学习算法与物联网技术深度融合的模式，构建AI-IoT智能农业系统，通过卷积神经网络（CNN）、ResNet50、EfficientNet等主流算法，结合边缘计算技术，实现病虫害的实时识别与闭环防控，部分系统识别精度可达99%以上，且响应延迟低，能实现全天候自动化监测与响应REF_Ref28042\r\h[8]。1.3.2国内研究现状近年来，我国智慧农业快速发展，国家大力扶持设施农业智能化升级，温室病虫害智能识别与防控领域的研究取得了长足进步，逐步形成了“理论研究与应用探索并行、技术创新与成本优化并重”的发展格局，相关研究更贴合我国设施农业的实际场景，尤其是中小型温室的应用需求REF_Ref28232\r\h[9-REF_Ref28258\r\h13]。在技术研究与产品研发方面，国内研究者聚焦AI识别技术的本土化优化与嵌入式技术的低成本部署，取得了一系列成果REF_Ref28013\r\h[14]。在AI识别领域，科研团队通过构建海量、标准、高精度的病虫害影像数据集，优化深度学习算法，提升了病虫害识别的准确率与泛化能力，例如海南三亚崖州湾科技城的科研团队，通过灯诱法采集害虫样本，经超低温处理、微距堆叠摄影等流程制作高清标本影像，用于训练AI识别模型，力求“拍虫识虫”的便捷应用，解决热带作物害虫识别“脸盲”难题REF_Ref28013\r\h[15]。北京市植物保护站联合相关科研机构研发的“神农植保多模态大模型1.0”，整合了大量植保数据，实现了347种病虫害的智能识别，覆盖53种作物，还新增全语音智能问答功能，提升了系统实用性REF_Ref28013\r\h[16]。温室作物管理主要分为传统人工和智能化两大类别，如图1.1（a）和（b）所示。（b）1.4研究内容温室作物病虫害智能识别系统的实现是一个较为复杂的过程，需要实现病虫害实时识别、环境参数监测、智能防控提示和数据可视化显示等功能。针对以上需求，通过外接AI图像识别模块，实现温室作物病虫害的精准识别；外接温湿度传感器实现对温室环境参数的实时采集；外接蜂鸣器和LED指示灯实现病虫害预警功能；外接OLED显示屏实现对环境参数、病虫害识别结果的实时显示；借助嵌入式主控块实现各模块的协同控制。本文设计的温室作物病虫害智能识别系统识别精度较高，并且部署简单使用方便，系统工作稳定。具体设计内容如下：（1）温室作物病虫害智能识别原理分析。该系统可以通过手动触发识别指令，同时采用了AI图像识别技术，可自动捕捉作物叶片图像并识别病虫害。通过各类传感器对温室环境状态和作物生长状态进行检测，并将采集到的数据、识别结果显示在OLED屏幕上，方便种植户直观查看。（2）系统总体设计，本设计的系统以STM32作为核心控制器，借助AI图像识别模块、温湿度传感器模块、OLED屏幕、土壤湿度传感器、DHT11温湿度传感器、LED指示灯以及蜂鸣器等外围器件来实现智能化功能，完整系统架构。（3）系统硬件设计，在系统硬件设计方面详尽描述了硬件电路的设计要素。主要包括电路布局的设计、核心元件的挑选，以及电路工作原理的剖析，重点设计核心控制器与各传感器、识别模块、显示模块的接口电路，旨在确保硬件设计的合理性与稳定性，满足温室复杂环境下的使用需求。（4）系统软件设计，在系统软件的设计方面，本文详细分析了控制系统的工作流程，并对各个模块的控制规则进行了逐一阐释，包括图像采集与预处理算法、病虫害识别算法、环境参数采集与分析逻辑、预警机制以及数据显示控制等，目的是保障软件系统能够准确且高效地执行预定任务，以此作为系统稳定运行的稳固基础。2系统方案设计与硬件选型2.1需求分析在设施农业快速发展与劳动力成本不断上升的背景下，传统温室管理方式已难以满足现代化种植需求。为实现温室作物的高效管理与病虫害及时防控，本系统需满足以下基本需求：2.2可行性分析2.2.1技术可行性本设计以STM32单片机为控制核心，结合传感器采集、AI视觉识别、无线通信及自动控制技术，整体技术成熟可靠。STM32系列单片机技术完善，主频高、接口丰富，可同时连接多路传感器、显示屏、语音模块及执行机构，满足系统多任务处理需求。K230识别模块技术成熟，内置轻量化深度学习模型，可实现病虫害本地快速识别，通过串口即可与单片机完成数据交互，开发难度低。温湿度、土壤湿度等传感器技术稳定，输出精度高，能够满足温室环境监测需求；继电器、MOS管等驱动电路成熟，可安全可靠地控制外围设备。软件开发环境完善，资料丰富，模块化编程方式可有效提高开发效率，保证系统运行稳定性。因此，本系统在技术上完全可行。2.2.2经济可行性本设计整体采用低成本器件方案，硬件成本低、性价比高，适合大面积推广使用。系统核心器件如STM32单片机、K230AI模块、传感器、显示屏等价格低廉，采购方便，整套硬件成本远低于市面上的商用温室智能系统。系统部署简单，无需复杂布线与额外设备，普通农户可独立完成安装与使用，降低部署与维护成本。系统可有效减少人工巡查工作量，降低人力成本，同时通过及时识别病虫害减少农药滥用与作物减产，提升种植经济效益。综合来看，系统经济成本低、实用价值高，具备良好的经济可行性REF_Ref28013\r\h[18]。2.2.3操作可行性操作界面简洁直观，使用流程简单易懂，无需专业技术知识即可快速上手。系统采用OLED显示屏与独立按键组合，界面清晰，参数一目了然，按键功能明确，普通种植人员经过简单学习即可熟练操作。系统具备语音播报功能，无需查看屏幕即可获取识别结果与异常信息，使用更加便捷。系统采用模块化设计，硬件接线简单、故障易排查，后期维护与更换器件方便。系统上电即可自动运行，无需复杂配置，可实现全天候无人值守智能管理。因此，本系统在操作上完全可行，适合在中小型温室中广泛使用REF_Ref28013\r\h[19]。2.3系统方案设计本系统以STM32单片机为核心控制单元，采用分层式架构设计，整合感知输入、核心控制与执行输出三大环节，实现温室环境智能调控与病虫害精准防控的一体化管理。感知层由土壤湿度检测模块、空气温湿度检测模块、机器视觉识别模块、参数设置模块、电源模块及时钟电路模块组成，负责实时采集温室环境参数、作物病虫害图像与用户操作指令，为系统控制提供完整数据支撑；STM32单片机作为核心控制层，承担数据处理、逻辑判断与指令调度的核心功能，对感知层传输的各类数据进行分析运算，结合预设参数与识别结果生成对应控制指令；执行层包含加热系统、喷淋装置、通风系统、语音模块、药雾喷淋与显示模块，接收单片机下发的指令，完成环境温湿度调节、土壤湿度控制、病虫害自动施药、异常语音播报与运行状态可视化展示等功能。上电后各模块协同运行，持续完成环境监测、病虫害识别、自动化调控与信息展示的全流程工作，架构清晰、模块化程度高，既适配中小型温室的实际应用场景，又具备低成本、易部署、运行稳定的特点，可有效提升温室管理的智能化水平与种植经济效益。本设计总体设计框图如图2.1所示。该系统通过集成多种元器件实现了多元化的功能，包括环境检测模块、k230摄像头模块、语音播报模块和显示界面等，构建了一个高效、智能的温室作物管理系统。控制单元为STM32F103单片机，是整个智能温室管理系统的核心，外接环境检测模块，实时采集温室空气温湿度、土壤湿度等参数，根据预设阈值自动控制加热、通风、喷淋等执行机构，实现温室环境的无人化智能调控；外接机器视觉识别模块，该模块采用K230AI摄像头模块，能够快速、准确地识别作物叶片的病虫害类别，将识别结果通过串口传输至主控单元，主控单元根据识别结果触发药雾喷淋装置完成自动施药，同时通过语音模块进行异常播报；外接显示模块实时展示环境参数、病虫害识别结果与系统运行状态；外接参数设置模块，支持用户手动调整各项阈值，适配不同作物的种植需求；外接电源与时钟电路模块，为系统提供稳定供电与精准时序，保障设备在温室高湿环境下长期稳定运行。2.4硬件选型2.4.1主控芯片模块本设计选用STM32F103单片机，该单片机是一款基于内核的32位闪存微控制器，具备独立的指令和数据总线，内置大容量闪存存储器，用于程序存储，以及SRAM用于数据存储，同时集成了丰富的外设接口，便于与其他设备进行通信和数据交换。STM32F103单片机集成了多个定时器，支持多种定时和中断功能，且具备多种低功耗模式。相较于STM32F4系列，STM32F103虽然性能稍逊，但其更低的成本和足够的处理能力完全满足本项目需求，同时，与ESP32相比STM32F103具备更丰富的GPIO接口和定时器资源，适合多传感器集成的设计要求。STM32F103单片机实物如图2.2所示。2.4.2DHT11温湿度传感器模块本系统环境采集模块包含空气温湿度采集子模块与土壤湿度采集子模块，分别选取成熟度高、稳定性强的通用器件。空气温湿度采集采用DHT11数字式温湿度传感器。DHT11采用单总线数字输出方式，数据传输稳定、抗干扰能力强，可实时采集温室空气温度与湿度信息，采集精度满足常规温室管理需求，且与STM32单片机接口适配性高、接线简单、开发成本低，适合嵌入式系统部署。DHT11温湿度传感器实物如图2.3所示。DHT11温湿度传感器的引脚1（VCC）为电源输入端，引脚2为单总线数据传输端，引脚3为空脚，引脚4（GND）为接地端。所有引脚功能涵盖电源供电、数据通信及空置引脚。DHT11温湿度传感器模块引脚功能如表2.1所示。PIN（引脚）1VCC电源输入2GND接地端3DATA单总线数据传输端4NC空脚2.4.3摄像头模块相较于传统人工目视检查、普通摄像头监控等方案，K230AI模块具备更高的识别精度、更快的响应速度和更强的场景适应性。此外，其内置的AI硬件加速器与轻量化深度学习模型显著简化了算法部署流程，降低了嵌入式系统的开发难度。因此，本系统温室作物病虫害检测与图像采集使用的是K230AI模块，K230是一款集成了高性能AI处理器、图像采集单元和神经网络加速器的嵌入式视觉模块，专为实时目标检测、图像识别类应用设计。该模块以其高算力、低功耗、体积小巧以及部署便捷的特性，在农业视觉检测、智能识别与嵌入式AI领域得到了广泛应用。K230的核心特性之一是其内置的硬件KPU神经网络处理器，该处理器允许用户根据不同的识别需求运行YOLOv5等轻量化检测模型，从而优化识别效果。在操作过程中，摄像头通过电阻值的改变产生图像数据信号。K230模块则负责对这些图像数据进行预处理、特征提取与AI推理，快速识别病虫害类别与位置，然后利用UART串口通信接口，将转换后的识别结果数据传输至单片机进行进一步的处理和分析，实现病虫害的自动识别与联动控制。K230摄像头模块实物如图2.4所示。K230摄像头模块的引脚1（GND）为接地端，引脚2接入3.3V电源输入；串口通信功能由TXD和RXD实现，引脚3为TXD串口数据发送端，引脚4为RXD串口数据接收端。所有引脚功能涵盖电源供电、串口通信及数据传输接口。K230摄像头模块引脚功能如表2.2所示。PIN（引脚）123.3V3TXD串口数据发送端4RXD串口数据接收端语音播报模块选用SU-03T语音模块，实现环境异常与病虫害识别结果的语音播报，提升温室管理的响应效率。相较于传统蜂鸣器简易提示，SU-03T支持自定义语音内容、串口指令触发播报，可实现环境温湿度超标、病虫害识别结果等关键信息的清晰播报，为用户提供直观、便捷的状态反馈。该模块体积小巧、功耗低、开发接口简单，与STM32单片机通过UART串口通信即可完成指令交互，无需复杂外围电路设计，在检测到环境参数异常或病虫害时，自动触发对应语音播报，提醒农户及时处理，大幅提升温室管理的响应效率与使用便捷性，是本系统人机交互的核心辅助模块。SU-03T语音模块实物如图2.5所示SU-03T语音模块的引脚1（GND）为接地端，引脚2接入5V电源输入，引脚3为TXD数据发送端，引脚4为RXD数据接收端；串口通信功能由TXD和RXD实现，无需额外引脚辅助；模块核心引脚集中于电源供给与串口通信，无多余GPIO端口。所有引脚功能涵盖电源供电、串口数据传输接口。SU-03T语音模块引脚功能如表2.3所示。PIN（引脚）123TXD数据发送端4RXD数据接收端显示模块使用OLED显示屏，实时显示当前温室的温湿度、土壤湿度、病虫害识别结果与系统运行状态。相较于LCD1602等传统显示器件，OLED显示屏具备自发光、高对比度、响应速度快、低功耗的优势，无需背光源即可实现清晰的中文与图形显示，在温室高湿、多尘的环境下仍能保持稳定的显示效果。该模块通过I2C通信接口与STM32单片机连接，接线简单、控制逻辑清晰，仅需占用2个单片机IO口即可完成通信，有效节省接口资源，为其他功能模块预留充足的拓展空间。显示界面可实时刷新温室核心参数与系统运行状态，用户可直观获取系统运行数据，满足温室现场管理的信息展示需求，是本系统人机交互的核心显示单元。OLED模块实物如图2.5所示。显示屏的引脚1（GND）为接地端，引脚2接入5V电源输入，引脚3为SCL（I2C时钟总线），引脚4为SDA（I2C数据总线）；I2C通信功能由SCL和SDA实现。所有引脚功能涵盖电源、通信接口。OLED引脚功能如表2.4所示。PIN（引脚）12VCC3SCLI2C时钟总线4SDAI2C数据总线2.5本章小结本章围绕温室作物管理与病虫害识别系统的方案设计与硬件选型展开，通过需求分析明确环境监测、病虫害AI识别、自动调控、人机交互等核心功能，经技术、经济、操作可行性论证后，构建以STM32F103C8T6单片机为核心，集成DHT11与电容式土壤湿度传感器的环境感知层、K230AI摄像头的识别层、OLED与独立按键的交互层、继电器及MOS管的驱动执行层，以及SU-03T语音播报层的完整系统架构。硬件选型上，各模块均兼顾功能需求与成本控制，如STM32丰富接口适配多设备协同、K230模组实现本地轻量化推理、OLED与语音模块提升使用便捷性，整体方案稳定可靠、易于部署与维护，为后续硬件电路设计与系统软件开发奠定了坚实基础。 3系统硬件电路设计3.1电路设计3.1.1控制器最小系统单元本系统以STM32F103C8T6单片机为核心控制单元，最小系统电路作为单片机稳定运行的基础，包含复位电路、时钟电路、电源电路及程序下载与启动配置电路四大核心部分。HYPERLINK\l"bookmark75"最小系统原理图图3.1最小系统原理图复位电路由NRST引脚、10kΩ上拉电阻、100nF去耦电容及复位按键构成，集成上电复位与按键复位双重功能，其中上电复位通过RC网络在电源上电瞬间生成复位信号，实现系统自动初始化；按键复位则支持人工手动触发，配合去耦电容消除机械抖动干扰，复位功能可清除CPU内部状态数据，在系统运行异常时快速将系统拉回正常工作状态，保障运行可靠性。时钟电路采用8MHz外部晶振配合30pF负载电容，连接至OSCIN与OSCOUT引脚，利用石英晶体的压电效应生成高稳定性振荡信号，为单片机提供精准的主时钟基准，保障指令执行与数据处理的时序同步；同时系统预留PC14与PC15引脚接口，可扩展32.768kHzRTC晶振电路，为实时时钟功能提供时间基准，适配温室环境周期性。输出，为单片机及外围传感器、驱动模块提供适配供电，输入端与输出端均并联100nF滤波电容，滤除电源纹波与高频噪声，提升供电稳定性。BOOT设置电路通过10kΩ电阻将BOOT0、BOOT1引脚配置为下拉状态，设定系统默认从主闪存启动，避免调试异常影响正常运行；SWD下载电路连接SWDIO与SWCLK引脚至下载接口，支持程序在线烧录、调试与仿真，开发便捷高效。整套最小系统电路设计紧凑、布线合理，各模块协同工作，为STM32单片机稳定运行及后续外围功能拓展提供坚实的硬件基础。3.1.2DHT11传感器单元REF_Ref28013\r\h[20]图3.2DHT11传感器单元原理图3.1.3摄像头单元图3.3K230摄像头单元原理图3.1.4语音播报单元SU-03T语音识别模块的电路原理图如图3.4所示。该模块4号引脚VCC连接+5V电源，1号引脚GND接地，为模块提供稳定的工作供电，保障其语音采集、识别处理等核心功能正常运行。2号引脚RXD为数据接收端，与单片机的TX2引脚相连，用于接收单片机发送的控制指令或初始化信号；3号引脚TXD为数据发送端，与单片机的RX2引脚相连，负责将模块识别完成的语音指令结果、工作状态等数据回传至单片机。5号引脚EN为使能端，直接连接+5V高电平，保持模块处于持续使能的工作状态，无需额外触发控制。SU-03T内置语音采集麦克风，可实时捕获环境中的语音声波信号，经内部模数转换将模拟信号转为数字信号后，通过预设的语音识别算法完成特征提取、模型匹配，解析出具体的语音指令。识别完成后，模块通过TXD引脚将识别结果串行传输至单片机，单片机接收指令后执行对应的温室环境调节、病虫害预警反馈等操作，实现系统的语音交互控制，提升温室管理的智能化操作便捷性。图3.4语音播报单元原理图3.1.5显示界面单元OLED显示模块的电路原理图如图3.5所示。该模块2号引脚VCC连接+5V电源，1号引脚GND接地，为模块提供稳定的工作供电，保障其显示驱动电路、像素阵列正常运行。模块4号引脚SDA为I2C总线数据引脚，与单片机PB14引脚相连，用于实现数据的双向传输；3号引脚SCL为I2C总线时钟引脚，与单片机PB15引脚相连，提供同步的时钟信号，规范数据传输的时序。OLED模块依托I2C通信协议，接收单片机发送的温湿度、病虫害识别结果、温室状态等数据，通过内部显示驱动电路将数据转化为可视化的像素信号，最终在屏幕上以文字、图形形式清晰呈现。单片机实时更新传输数据，OLED模块同步刷新显示界面，为温室作物管理与病虫害识别系统提供直观的人机交互数据展示界面，方便工作人员实时掌握系统运行状态与环境参数。3.1.6独立按键输入单元独立按键输入单元电路原理图如图3.6所示。该电路包含S1、S2、S3三个独立按键，每个按键的1号引脚均连接GND接地，2号引脚分别与单片机PA5、PA6、PA7引脚相连。电路采用独立式按键设计，按键未按下时，单片机对应引脚通过内部上拉电阻保持高电平；当按键按下时，引脚与地导通，电平被拉低，单片机通过检测引脚电平变化，识别按键的触发状态。单片机实时扫描PA5、PA6、PA7引脚的电平信号，根据不同按键的触发动作，执行对应的温室系统控制指令，如参数设置、功能切换、手动调控等操作，为系统提供便捷的手动交互方式，与语音控制形成互补，保障系统在不同场景下均可稳定操作。图3.6独立按键单元原理图3.1.7智能灌溉与精准施药执行单元智能灌溉与精准施药执行单元电路的原理图如图3.7所示。电路左侧为N-MOS管Q1驱动的LED2与接口H2支路：+3V3经1kΩ上拉电阻R3连接LED2正极，LED2负极经接口H2接Q1漏极；PA11通过200Ω限流电阻R5连接Q1栅极，10kΩ下拉电阻R7将Q1源极拉低接地。当PA11输出高电平时，Q1导通，LED2点亮并驱动接口H2对应的外设支路；二极管D1用于释放感性负载反电动势，保护电路元件。电路右侧为NPN三极管Q2驱动的继电器JK1与LED3支路：+5V经1kΩ电阻R4连接LED3正极与继电器JK1线圈一端，继电器另一端接Q2集电极；PA12通过1kΩ限流电阻R6连接Q2基极，Q2发射极接地。当PA12输出高电平时，Q2导通，继电器JK1线圈得电吸合，触点切换，同时LED3点亮，实现大功率负载的通断控制。图3.7智能灌溉与精准施药执行单元3.2本章小结本章详细完成了温室作物病虫害智能识别系统的硬件电路设计，针对主控、识别、采集、交互、驱动、电源等核心部分，完成了电路原理设计与器件选型，同时结合温室高湿、多干扰的环境特点，对电路进行了抗干扰、防水防腐、保护机制等方面的优化，保证了系统在温室复杂环境下的稳定运行。所有电路设计都兼顾了实用性与低成本，安装部署简单，维护方便，完全适配中小型温室的使用需求，同时为后续软件功能的实现提供了稳定的硬件基础。4系统软件设计4.1软件开发环境与病虫害识别模型训练4.1.1主控系统软件开发环境系统的软件开发采用Keil5MDK集成开发环境，配合STM32CubeMX完成芯片的初始化配置，程序代码采用标准C语言编写。Keil5MDK是ARM公司推出的专为ARMCortex-M系列内核设计的集成开发环境，内置了代码编辑、编译链接、调试下载、项目管理等全流程功能，支持STM32全系列芯片的开发，代码优化能力强，生成的可执行文件体积小，运行效率高，完全适配STM32F103C8T6单片机的运行特性。同时Keil5拥有完善的调试功能，支持断点、单步执行、寄存器查看等多种调试方式，可快速定位程序中的问题，大幅缩短开发周期。STM32CubeMX是ST官方推出的芯片配置工具，可通过可视化界面，快速完成芯片的时钟树配置、外设引脚分配、初始化参数设置，自动生成基础的工程代码，避免了手动编写初始化代码可能出现的错误，保证了底层代码的稳定性，同时大幅缩短了开发周期。本次设计中，通过STM32CubeMX完成了芯片的时钟、GPIO、ADC、串口、定时器的配置，生成基础工程后，在Keil5中完成应用层逻辑的开发。图4.1Keil_5软件界面4.1.1主控系统软件开发环境本部分完成病虫害AI识别模型的训练优化与K230边缘端部署，实现“模型训练-硬件适配-主控联动”的闭环设计，核心流程如下：（1）开发环境PC端模型训练采用PyTorch1.13.0框架搭配UltralyticsYOLOv5开源库，使用Python3.8完成数据集处理与训练；边缘端部署采用K230官方配套的CanMVIDE与K230SDK，实现模型硬件适配与嵌入式推理程序开发。（2）数据集构建针对温室主栽作物与高发病虫害构建专用数据集：结合PlantVillage、AIChallenger等开源数据集，筛选番茄、黄瓜、辣椒、生菜4类作物样本；补充新疆本地温室实地采集的灰叶斑病、叶霉病、蚜虫等样本，最终数据集包含12类病虫害与健康叶片，共1.8万张图像。对数据集进行预处理与增强：统一缩放至640×640像素，通过翻转、旋转、亮度调整扩充样本，按7:2:1比例划分为训练集、验证集、测试集，保障模型泛化能力。（3）模型选型与轻量化适配选用YOLOv5n轻量化检测模型，其体积小、推理快，适配K230边缘端算力。对模型进行轻量化优化：通过通道剪枝压缩冗余结构，采用INT8量化降低算力需求，最终将模型转换为K230硬件可直接加载的kmodel格式，完成与KPU神经网络加速器的深度适配。（4）模型训练与性能验证采用迁移学习方式，加载YOLOv5n在COCO数据集上的预训练权重，设置BatchSize=16、初始学习率0.001、训练轮次300，搭配早停机制避免过拟合。训练完成后，模型在测试集上的mAP@0.5（平均精度均值）达94.2%；部署到K230模组后，单张图像推理耗时小于1s，识别准确率保持在92%以上，满足温室现场实时识别需求。（5）边缘端程序与串口交互基于CanMVIDE开发K230嵌入式程序，实现图像采集、预处理、模型推理、结果解析与串口通信全流程：系统上电后初始化摄像头与模型，接收到STM32触发指令后启动识别，筛选置信度大于60%的结果，通过UART串口发送至主控单元。约定串口通信参数为波特率9600、数据位8位、停止位1位，制定标准化报文格式，保障识别模块与STM32主控的稳定联动，为后续语音播报、执行机构联动提供数据支撑。4.2主程序整体流程设计系统上电后，首先完成硬件的底层初始化，包括主控芯片的时钟配置、GPIO口、ADC、串口、定时器等外设的初始化，设置系统的时钟主频为72MHz，串口的波特率与通信参数，设置ADC的采集精度与转换模式。底层初始化完成后，依次完成OLED显示屏、传感器、语音模块、识别模组的初始化，设置系统的初始参数，包括温度上下限、土壤湿度下限的默认值，界面初始状态，变量初始值等，确保系统上电后进入稳定的初始状态。初始化完成后，系统进入主循环，主循环采用非阻塞式的时间片轮询设计，分为实时处理任务与周期性处理任务两个部分，避免单个任务占用过多系统资源，导致其他任务响应延迟。实时处理任务在每次主循环中都执行，包括按键状态检测、核心业务逻辑处理、识别模组数据接收处理，保证用户操作的响应速度与识别结果的及时处理，不会出现操作卡顿、识别结果延迟的情况。周期性处理任务设置10ms的执行周期，通过HAL库的系统时钟计时，每次循环判断当前时间与上一次执行周期性任务的时间差，当时间差达到10ms时，更新时间基准值，依次执行环境参数采集、执行机构状态更新、显示内容刷新任务，避免频繁执行带来的系统资源占用，同时保证参数采集与显示刷新的实时性。整个主循环逻辑清晰，各任务之间解耦，便于后续的功能拓展与维护，同时保证了系统多任务运行的流畅性与稳定性。图4.2系统逻辑流程图4.3按键功能子程序设计按键处理逻辑负责解析用户的按键操作，执行对应的功能，支持短按与长按两种触发方式，适配不同的操作需求，同时设置了完善的参数边界保护，避免用户设置超出合理范围的数值。按键1的核心功能是界面循环切换，短按按键1时，系统会在主监测界面、温度下限设置界面、温度上限设置界面、土壤湿度下限设置界面之间循环切换，每次切换都会触发屏幕内容的全量刷新，保证用户直观看到当前所处的界面，不会出现界面内容叠加的情况。按键2与按键3的功能跟随当前界面状态动态变化，在参数设置界面下，短按按键2可增加对应参数的数值，短按按键3可减少对应参数的数值，同时设置了参数的边界保护规则：温度下限的最大值不能超过温度上限，温度上限的最小值不能低于温度下限，土壤湿度数值限制在0-100%的范围内，当参数达到边界值时，自动停止增减，避免用户设置无效的参数。长按按键2与按键3时，参数会以固定步长连续增减，无需用户反复短按，大幅提升了大范围参数调整的便捷性，同时设置了连续增减的频率，保证用户可精准停在目标数值，不会出现调整过量的情况。图4.3按键子程序流程图4.4显示功能子程序设计显示逻辑负责OLED屏幕的内容刷新，根据当前的界面状态，展示对应的内容，保证用户直观掌握系统的运行状态，同时通过合理的刷新周期设置，避免屏幕闪烁，保证显示的流畅性。显示逻辑设置50ms的刷新周期，每间隔50ms完成一次屏幕内容的刷新，既保证了内容更新的及时性，又避免了刷新过快导致的屏幕闪烁与系统资源占用。系统设置了四个显示界面，分别为主监测界面、温度下限设置界面、温度上限设置界面、土壤湿度下限设置界面，显示逻辑根据当前的界面编号，加载对应的显示内容。主监测界面为系统默认界面，展示实时的空气温度、空气湿度、土壤湿度数值，以及当前的病虫害识别结果，所有核心数据都采用大字号显示，保证用户远距离也能清晰查看，数值实时更新，直观反映温室的环境与作物状态。参数设置界面展示对应参数的当前数值，同时对当前选中的参数行进行反白显示，让用户清晰看到当前调整的参数，调整后的数值会实时刷新在屏幕上，保证用户直观看到调整结果。每次界面切换时，都会先清空屏幕显存，再加载新的界面内容，避免不同界面的内容叠加，保证显示的清晰度。图4.4显示子程序流程图4.5本章小结本章围绕系统的功能需求，完成了软件的整体设计，明确了系统的软件开发环境，设计了的主程序运行流程，详细阐述了按键处理、显示刷新等核心逻辑的设计思路，所有逻辑都围绕温室的实际使用场景设计，保证了系统运行的流畅性、稳定性与实用性，完整实现了系统设计的全部软件功能，为系统的整体联调与测试奠定了基础。5系统测试与结果分析5.1硬件单元测试硬件焊接完成后，首先对各个硬件单元进行单独测试，验证每个部分的电路是否正常工作，避免后续整体测试时出现故障无法定位，所有测试均在常温常湿的实验室环境下完成。首先进行电源电路测试，输入5V直流电源，使用万用表测量稳压芯片的输出电压，确认3.3V输出稳定，电压波动范围在±0.1V以内，纹波在允许范围内，电源指示灯正常点亮，防反接、过流保护功能可正常触发，故障排除后可自动恢复。随后对主控电路进行测试，通过下载器将测试程序下载到芯片中，确认芯片可正常启动，程序可正常下载运行，所有外设接口都可正常工作，无引脚虚焊、短路的情况。之后依次对识别模组电路、传感器电路、按键电路、显示电路、驱动电路进行测试，识别模组测试确认模组可正常启动，可正常采集图像，输出识别结果，与主控的串口通信正常，无数据丢包的情况；传感器测试确认所有传感器可正常采集数据，输出结果与标准仪器的测量值一致，无数据异常的情况；按键测试确认每个按键触发正常，无连键、误触的情况，硬件防抖功能正常；显示测试确认屏幕正常点亮，显示内容清晰，无花屏、闪屏的情况，界面切换正常；驱动电路测试确认主控可正常控制MOS管与继电器的通断，执行机构动作准确，保护电路可正常工作。所有硬件单元测试全部通过后，进行整体的软硬件联调。5.2软件功能测试硬件单元测试通过后，进行软件功能的逐项测试，验证所有软件逻辑是否正常运行，是否达到设计的功能需求，测试过程中模拟温室的实际使用场景，覆盖所有可能的操作与运行情况。首先测试主程序的运行流程，确认系统上电后可正常完成初始化，进入主循环，连续运行24小时无死机、重启、程序跑飞的情况，运行稳定。随后依次测试按键处理逻辑、参数采集逻辑、识别联动逻辑、显示逻辑，按键逻辑测试确认界面切换正常，参数增减准确，上下限保护功能正常触发，短按、长按功能都可正常触发，无操作无响应、误触发的情况；参数采集逻辑测试确认传感器数据采集正常，数据校验、平滑处理功能正常，采集结果准确，更新频率符合设计要求；识别联动逻辑测试确认可正常接收识别结果，语音播报准确，喷药设备联动正常，防重复播报功能有效，无重复播报、误触发的情况；显示逻辑测试确认界面切换流畅，内容显示准确，无闪烁、花屏、内容叠加的情况。同时进行异常情况测试，模拟传感器断线、通信中断、电源波动等异常情况，确认系统可正常处理异常，不会出现死机、程序崩溃的情况，可在异常排除后自动恢复正常运行，保证了系统在复杂环境下的运行稳定性。所有软件功能测试全部通过，系统的所有功能都可正常实现，达到了设计的需求。5.3整机实物功能测试5.3.1土壤湿度监测功能本次测试使用标准温湿度计与土壤湿度标定样本作为参照，系统连续采集100组数据，测试结果显示，空气温度采集误差控制在±0.5℃以内，空气湿度误差在±2%RH以内，土壤湿度误差在±3%以内，采集精度满足温室环境调控的设计需求。图5.1土壤湿度监测5.3.2环境温湿度监测功能本次测试通过温湿度箱模拟不同的环境条件，设置对应的阈值，测试结果显示，当参数超出阈值范围时，系统可准确触发对应的执行机构，参数恢复至正常范围后，可及时关闭设备，调控逻辑准确无误。图5.2环境温湿度检测5.3.3病虫害语音播报功能本次测试选取温室常见的灰叶斑、叶霉病、虫害叶片样本各50份，以及健康叶片样本100份，进行连续识别测试，结果显示系统整体识别准确率达到92%，单张样本识别耗时小于1秒，满足温室现场实时识别的设计需求。图5.3虫害检测5.4本章小结本章完成了系统的全面测试，通过硬件单元测试验证了所有硬件电路的正常工作，通过软件功能测试验证了所有软件逻辑的正常运行，通过实物整体功能测试，量化验证了系统的采集精度、识别准确率、功能完整性与长期运行稳定性。所有测试项目都达到了设计的预期目标，系统的各项性能指标都满足温室种植的实际使用需求，充分验证了系统设计的合理性、可行性与实用性。结论本次研究围绕中小型温室的实际种植管理需求，设计了一套基于STM32F103C8T6单片机的温室作物病虫害智能识别系统，解决了传统温室种植中病虫害识别效率低、误判率高、环境调控滞后、人工成本高的痛点问题，完整实现了病虫害实时AI识别、环境参数自动采集、生长环境智能调控、异常情况语音播报、可视化人机交互五大核心功能。系统采用低成本、易部署的设计思路，通过多方案对比完成了核心器件的选型，针对温室高湿、多干扰的环境特点，完成了硬件电路的优化设计，保证了系统在复杂环境下的稳定运行；软件采用非阻塞式的时间片轮询设计，保证了系统多任务运行的流畅性与实时性，操作逻辑简单易懂，无需专业知识即可快速上手，完全适配中小型温室的使用需求。经过全面的测试验证，系统对温室常见的灰叶斑、叶霉病、虫害识别准确率达到92%，环境参数采集误差控制在±2%以内，可连续72小时稳定运行无异常，所有性能指标都达到了设计的预期目标，为中小型温室的智能化管理提供了可行的低成本技术方案。参考文献王庆成.基于AI视觉识别的林果病虫害精准检测与靶向施药技术[J].中国农机装备,2025,(08):24-26.肖夫同.基于深度学习的番茄病虫害识别系统的设计与实现[D].四川农业大学,2025.胡开明,王剑强,王孚贵.基于物联网的智慧农业大棚监控系统[J].南方农机,2024,55(22):44-47.蔡国庆,吴建军,祝玉华,等.基于卷积神经网络的农作物病虫害检测研究进展[J].山东农业科学,2024,56(11):170-180.陈远祝,禹谢华.基于人工智能的计算机图像识别技术发展研究[J].昭通学院学报,2024,46(05):76-82.IagăruR,IagăruP,PetreMI,etal.ImplementationofaScalableAerialCropMonitoringSystemforEducationalPurposes(ACMS-E):TheCaseofEmergingMarkets[J].AgriEngineering,2026,8(3):115-115.SpišićJ,VinkoD,ŽarkoPI,etal.AnEnergy-EfficientHybridSystemCombiningSentinel-2SatelliteDataandGround-BasedSingle-PixelDetectorforCropMonitoring[J].AppliedSciences,2025,15(24):13241-13241.RomeroGA,JerezMK,FaniaF.LeaningonSmartAgriculturalSystemsforCropMonitoring[J].Agriculture,2025,15(14):1542-1542.彭鑫.基于深度学习的农业害虫识别方法研究[D].吉林化工学院,2024.车美娜.基于深度学习—注意力机制的水稻病虫害识别研究[D].吉林农业大学,2024.甘晓阳.基于知识工程的蓝莓智慧种植系统设计与实现[D].大连理工大学,2024.庞宗洋.农作物叶片病虫害识别与监控系统设计[J].农业工程技术,2023,43(26):20-21.钱飞扬.农业环境智能监控系统研究与设计[D].苏州大学,2023.牛学德.基于深度学习的农作物病虫害图像分类研究[D].新疆大学,2022.邓朋飞.基于深度学习的农作物病害图像识别研究[D].云南大学,2022.王琳琳.农作物叶片病虫害识别与监控系统的设计[D].哈尔滨理工大学,2022.肖三湘.深度学习在农作物病虫害图像识别中的应用[J].集成电路应用,2022,39(01):240-241.吴海龙,陶君怡,王璐.水肥一体化灌溉监控系统设计与应用[J].科技创新与应用,2021,11(12):84-86.陈镜旭.基于神经网络结构搜索的植物叶部图像病害识别方法研究[D].东北林业大学,2021.边柯橙,杨海军,路永华.深度学习在农业病虫害检测识别中的应用综述[J].软件导刊,2021,20(03):26-33.谢辞本毕业设计与学位论文现已顺利完成。在此，我首先向悉心指导我的导师致以最诚挚的感谢。在整个课题研究与项目研发的全过程中，从最初课题方向的确定、整体硬件架构的规划设计，到软件程序逻辑的搭建编写，再到后期系统联调优化、功能测试与实验数据的整理验证，老师始终给予我耐心细致的全方位指导。面对研究过程中遇到的各类技术难点与设计瓶颈，老师总能精准梳理问题核心，提出科学可行的优化方案，引导我独立思考、逐步突破难题，保障项目能够稳步推进并顺利落地。老师严谨审慎的科研思维、深厚扎实的专业学识以及务实踏实的工程实践素养，不仅让我顺利完成本次毕业设计，更在学习方法与专业认知上给予我深远启发，使我在专业实践中收获满满、成长良多。同时，衷心感谢实验室的各位同窗与伙伴。在电Q路调试排查、程序漏洞修正以及整机功能测试的关键阶段，大家相互交流探讨、互帮互助，分享实践经验与调试技巧，一同协作攻克多项技术难题，营造了高效融洽