当前位置：首页 > news >正文

基于STM32的农业病虫害检测检测系统：OpenCV、MQTT、Flask框架、MySQL（代码示例）

news 2026/2/9 5:03:03

一、项目概述

随着全球农业现代化的不断推进，智能农业监测系统应运而生。此项目旨在通过实时监测土壤湿度、温度等环境数据，结合作物生长状态的分析，提高农业生产效率和作物质量。通过引入STM32单片机、OpenCV图像处理技术和后端数据分析系统，项目能够有效解决农业生产中的以下问题：

实时监测：传统农业依赖人工监测，效率低，且易受主观因素影响。本项目通过自动化监测，提供实时数据。
病虫害检测：利用图像处理技术，及时识别作物病虫害，减少损失。
数据分析与决策支持：后端系统分析历史数据，提供科学的农业管理建议。

通过上述功能，本项目为农民提供了一种高效、可靠的农业管理工具，推动农业生产智能化。

二、系统架构

系统架构设计需满足数据采集、处理和分析的需求。整体架构可分为以下几个主要部分：

数据采集模块：使用STM32单片机连接土壤湿度传感器和温度传感器，定时采集土壤和气候数据。
数据处理模块：通过OpenCV对作物生长状态进行图像分析，检测病虫害。
后端系统：服务器端处理分析数据，提供决策支持，并通过API将数据传递给前端应用。
数据库系统：存储历史数据，便于后续的趋势分析和决策支持。

系统架构图

选型与技术栈

单片机：STM32系列，具备丰富的IO接口和低功耗特性。
传感器：土壤湿度传感器、温度传感器（如DHT11）。
图像处理：OpenCV库，用于图像采集和处理。
通信协议：使用MQTT或HTTP协议进行数据传输。
后端框架：Python Flask框架，便于快速开发RESTful API。
数据库：MySQL或SQLite，用于存储历史数据。

三、环境搭建

硬件环境

STM32开发板
土壤湿度传感器
温度传感器（DHT11）
摄像头模块（如USB摄像头）
路由器（用于网络连接）

软件环境

开发工具：Keil uVision或STM32CubeIDE
编程语言：C/C++（STM32部分），Python（后端部分）
数据库管理系统：MySQL或SQLite
图像处理库：OpenCV

安装步骤

STM32开发环境配置：

下载并安装STM32CubeIDE。
配置开发板的连接，安装对应的驱动程序。

Python环境配置：

安装Python：

sudo apt-get install python3 python3-pip

安装Flask和OpenCV：
```
pip install Flask opencv-python
```

数据库配置：

安装MySQL：
```
sudo apt-get install mysql-server
```

创建数据库和表：

CREATE DATABASE smart_agriculture;
USE smart_agriculture;
CREATE TABLE sensor_data (id INT AUTO_INCREMENT PRIMARY KEY,moisture FLOAT,temperature FLOAT,timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);

注意事项

确保STM32开发板与PC的连接正常，避免串口配置错误。
在安装OpenCV时，可能需要安装额外的依赖库，确保图像处理功能正常。

四、代码实现

数据采集模块（STM32）

在智能农业监测系统中，数据采集模块是系统的核心部分，负责实时采集土壤湿度和温度数据。这里我们使用STM32单片机，通过连接DHT11温度传感器和土壤湿度传感器，定期进行数据采集。以下是STM32的数据采集代码示例及详细说明。

代码示例

#include "stm32f4xx_hal.h"
#include "dht11.h"  // 包含DHT11传感器的库
#include "soil_moisture.h"  // 自定义土壤湿度传感器库// 定义传感器引脚
#define DHT11_PIN GPIO_PIN_1
#define SOIL_MOISTURE_PIN GPIO_PIN_2// 定义采集周期
#define SAMPLE_PERIOD 5000  // 5秒采样一次// 函数原型
void SystemClock_Config(void);
static void MX_GPIO_Init(void);
void collectSensorData(void);int main(void) {// 初始化HAL库HAL_Init();// 配置系统时钟SystemClock_Config();// 初始化GPIOMX_GPIO_Init();// 主循环while (1) {collectSensorData();  // 采集传感器数据HAL_Delay(SAMPLE_PERIOD);  // 延时5秒}
}void collectSensorData(void) {float humidity, temperature, soilMoisture;// 读取DHT11传感器数据if (DHT11_Read(DHT11_PIN, &humidity, &temperature) == HAL_OK) {// 成功读取温度和湿度printf("Temperature: %.2f °C, Humidity: %.2f %%\n", temperature, humidity);} else {// 读取失败printf("Failed to read from DHT11\n");}// 读取土壤湿度传感器数据soilMoisture = SoilMoisture_Read(SOIL_MOISTURE_PIN);printf("Soil Moisture: %.2f\n", soilMoisture);
}// 系统时钟配置函数
void SystemClock_Config(void) {// 这里配置系统时钟，具体内容根据使用的STM32型号进行调整
}// GPIO初始化函数
static void MX_GPIO_Init(void) {GPIO_InitTypeDef GPIO_InitStruct = {0};// 开启GPIO时钟__HAL_RCC_GPIOA_CLK_ENABLE();// 配置DHT11引脚GPIO_InitStruct.Pin = DHT11_PIN;GPIO_InitStruct.Mode = GPIO_MODE_INPUT;  // DHT11为输入引脚GPIO_InitStruct.Pull = GPIO_NOPULL;HAL_GPIO_Init(GPIOA, &GPIO_InitStruct);// 配置土壤湿度传感器引脚GPIO_InitStruct.Pin = SOIL_MOISTURE_PIN;GPIO_InitStruct.Mode = GPIO_MODE_ANALOG;  // 模拟输入HAL_GPIO_Init(GPIOA, &GPIO_InitStruct);
}

代码说明

库引用：
- #include "stm32f4xx_hal.h"：包含STM32硬件抽象层库，提供对硬件的抽象接口。
- #include "dht11.h"：包含DHT11传感器的驱动库，负责读取温度和湿度数据。
- #include "soil_moisture.h"：自定义的土壤湿度传感器库，用于读取土壤湿度值。
宏定义：
- DHT11_PIN 和 SOIL_MOISTURE_PIN：定义DHT11和土壤湿度传感器的连接引脚。
- SAMPLE_PERIOD：定义数据采集的时间间隔，这里设置为5秒。
主函数：
- HAL_Init()：初始化HAL库。
- SystemClock_Config()：配置系统时钟，具体实现根据所选STM32型号设置。
- MX_GPIO_Init()：初始化GPIO引脚。
数据采集函数 collectSensorData：
- 使用DHT11_Read函数读取DHT11传感器的温度和湿度数据，返回成功与否的状态。
- 使用SoilMoisture_Read函数读取土壤湿度数据，并打印到控制台。
GPIO引脚配置：
- GPIO_InitStruct.Mode = GPIO_MODE_ANALOG;：将引脚设置为模拟输入模式，以便读取土壤湿度传感器的模拟信号。
- GPIO_InitStruct.Pin = DHT11_PIN;：选择用于DHT11的GPIO引脚。
- GPIO_InitStruct.Mode = GPIO_MODE_INPUT;：将该引脚设置为输入模式，因为DHT11传感器需要读取数据。
- GPIO_InitStruct.Pull = GPIO_NOPULL;：设置引脚不使用上拉或下拉电阻，以确保DHT11传感器正常工作。
- HAL_GPIO_Init(GPIOA, &GPIO_InitStruct);：初始化GPIO引脚。
- 对土壤湿度传感器引脚进行类似的配置：

数据处理模块（OpenCV）

在数据处理模块中，我们利用OpenCV库对作物的生长状态进行分析，特别是对病虫害的检测。以下是一个基本的使用OpenCV进行图像处理的代码示例。

代码示例

import cv2
import numpy as npdef detect_pests(image_path):# 读取输入图像image = cv2.imread(image_path)# 转换为灰度图gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 使用高斯模糊去噪声blurred = cv2.GaussianBlur(gray, (5, 5), 0)# 边缘检测edges = cv2.Canny(blurred, 100, 200)# 寻找轮廓contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 在原图上绘制轮廓for contour in contours:if cv2.contourArea(contour) > 100:  # 过滤小轮廓cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)  # 绘制绿色轮廓# 显示结果cv2.imshow('Detected Pests', image)cv2.waitKey(0)cv2.destroyAllWindows()if __name__ == "__main__":detect_pests('crop_image.jpg')  # 替换为实际的作物图像路径

代码说明

库引用：
- import cv2：导入OpenCV库。
- import numpy as np：导入NumPy库，用于数值计算。
函数 detect_pests：
- def detect_pests(image_path)：定义一个函数，接收图像路径作为参数。
- cv2.imread(image_path)：读取指定路径的图像。
- cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)：将图像转换为灰度图，以便于后续处理。
图像处理步骤：
- cv2.GaussianBlur(gray, (5, 5), 0)：对灰度图应用高斯模糊，以减少噪声。
- cv2.Canny(blurred, 100, 200)：使用Canny边缘检测算法提取边缘。
- cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)：寻找图像中的轮廓。
轮廓绘制：
- 遍历所有轮廓，使用cv2.drawContours在原图上绘制超过100个像素的轮廓。
结果显示：
- cv2.imshow('Detected Pests', image)：显示处理后的图像。
- cv2.waitKey(0)和cv2.destroyAllWindows()：等待用户

后端系统

在后端系统中，我们将使用Flask框架处理前端发来的请求，提供数据接口，并将处理后的数据存储到数据库中。以下是一个简单的后端实现示例。

代码示例

from flask import Flask, request, jsonify
import mysql.connectorapp = Flask(__name__)# 数据库连接配置
db_config = {'user': 'your_username','password': 'your_password','host': 'localhost','database': 'smart_agriculture'
}@app.route('/submit_data', methods=['POST'])
def submit_data():"""接收传感器数据并存储到数据库"""data = request.jsonmoisture = data.get('moisture')temperature = data.get('temperature')try:# 连接数据库connection = mysql.connector.connect(**db_config)cursor = connection.cursor()# 插入数据insert_query = "INSERT INTO sensor_data (moisture, temperature) VALUES (%s, %s)"cursor.execute(insert_query, (moisture, temperature))connection.commit()return jsonify({"message": "Data inserted successfully!"}), 201except mysql.connector.Error as err:return jsonify({"error": str(err)}), 500finally:cursor.close()connection.close()@app.route('/get_data', methods=['GET'])
def get_data():"""获取历史传感器数据"""try:connection = mysql.connector.connect(**db_config)cursor = connection.cursor()# 查询数据cursor.execute("SELECT * FROM sensor_data ORDER BY timestamp DESC")results = cursor.fetchall()# 转换为字典列表data = [{"id": row[0], "moisture": row[1], "temperature": row[2], "timestamp": row[3]} for row in results]return jsonify(data), 200except mysql.connector.Error as err:return jsonify({"error": str(err)}), 500finally:cursor.close()connection.close()if __name__ == "__main__":app.run(debug=True)

代码说明

库引用：
- from flask import Flask, request, jsonify：导入Flask相关模块，用于创建Web应用和处理HTTP请求。
- import mysql.connector：导入MySQL连接器，用于连接和操作MySQL数据库。
Flask应用配置：
- app = Flask(__name__)：创建Flask应用实例。
数据库连接配置：
- db_config字典中包含数据库的连接信息，包括用户名、密码、主机和数据库名称。
数据提交接口：
- @app.route('/submit_data', methods=['POST'])：定义一个POST请求的路由，用于接收传感器数据。
- data = request.json：获取请求中的JSON数据。
- 通过mysql.connector.connect(**db_config)连接数据库。
- 使用SQL INSERT语句将传感器数据插入数据库。
数据获取接口：
- @app.route('/get_data', methods=['GET'])：定义一个GET请求的路由，用于返回历史传感器数据。
- 执行SQL SELECT语句查询所有传感器数据，并将结果转换为字典列表。
- 返回JSON格式的响应。
启动Flask应用：
- if __name__ == "__main__": app.run(debug=True)：在调试模式下启动Flask应用。

数据库设计

为了支持智能农业监测系统的功能，我们需要设计合适的数据库结构。以下是数据库表的简单设计：

数据库表结构

CREATE TABLE sensor_data (id INT AUTO_INCREMENT PRIMARY KEY,moisture FLOAT NOT NULL,temperature FLOAT NOT NULL,timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
);

表结构说明

id：主键，自增字段，用于唯一标识每条记录。
moisture：土壤湿度值，浮点型，表示当前的土壤湿度。
temperature：温度值，浮点型，表示当前环境温度。

五、项目总结

在本项目中，我们设计并实现了一个智能农业监测系统，主要功能包括实时监测土壤湿度和温度，利用图像处理技术检测作物生长状态（如病虫害），并将数据存储到数据库中以供后续分析。系统架构明确，模块分工合理，具体实现步骤如下：

数据采集模块：

使用STM32单片机和传感器（DHT11和土壤湿度传感器）进行实时数据采集。
定期将采集到的数据通过后端接口发送到服务器。

图像处理模块：

利用OpenCV进行作物图像处理，通过边缘检测和轮廓提取分析作物的健康状况。
针对检测到的病虫害，生成相应的分析结果。

后端系统：

使用Flask框架搭建RESTful API，接收前端提交的传感器数据，并将其存储到MySQL数据库中。
提供获取历史数据的接口，方便用户查看历史记录并进行数据分析。

数据库管理：

设计合理的数据库表结构，以存储传感器数据及其时间戳，支持数据的高效存取和查询。

一、项目概述

二、系统架构

系统架构图

选型与技术栈

三、环境搭建

硬件环境

软件环境

安装步骤

注意事项

四、代码实现

数据采集模块（STM32）

代码示例

代码说明

数据处理模块（OpenCV）

代码示例

代码说明

后端系统

代码示例

代码说明

数据库设计

数据库表结构

表结构说明

五、项目总结

相关文章：