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

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）

来源：花匠小妙招时间：2024-11-13 09:08

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

采集数据

分析结果

存储数据

历史数据

数据采集模块

数据处理模块

后端系统

数据库

前端应用

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 1

安装Flask和OpenCV：

pip install Flask opencv-python 1 数据库配置：

安装MySQL：

sudo apt-get install mysql-server 1

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 ); 12345678 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GPIO MX_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 DHT11n"); } // 读取土壤湿度传感器数据 soilMoisture = SoilMoisture_Read(SOIL_MOISTURE_PIN); printf("Soil Moisture: %.2fn", 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); }

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071 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 np def 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

123456789101112131415161718192021222324252627282930 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.connector app = 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.json moisture = 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!"}), 201 except mysql.connector.Error as err: return jsonify({"error": str(err)}), 500 finally: 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), 200 except mysql.connector.Error as err: return jsonify({"error": str(err)}), 500 finally: cursor.close() connection.close() if __name__ == "__main__": app.run(debug=True)

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859 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 ); 123456 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。