📚 课程目录第1章课程导入

课程导入：TinyML在智慧农业中的价值、课程目标、整体技术栈与学习路径

智慧农业正在经历从“经验驱动”到“数据驱动”的深刻变革。传统农业物联网方案通常将传感器数据上传至云端，由云端模型完成推理后再下发控制指令。然而，在大田、温室、养殖场等实际场景中，网络不稳定、带宽有限、数据隐私敏感、实时性要求高，使得“端侧智能”成为刚需。TinyML——即在微控制器（MCU）等资源受限设备上部署机器学习模型的技术——恰好填补了这一空白。它让设备在本地完成感知、推理与决策，功耗低至毫瓦级，成本控制在几十元以内，且无需持续联网。本课程将带你从零构建一套完整的TinyML农业应用系统，覆盖传感器数据采集、模型训练与优化、嵌入式部署、无线通信以及联动控制，最终实现一个可落地的“感知-决策-执行”闭环。

1.1 TinyML在智慧农业中的核心价值

核心原理：TinyML的本质是“模型压缩 + 边缘推理”。农业场景中，作物生长环境参数（土壤墒情、光照强度、病虫害特征）往往具有强时空相关性，传统阈值判断无法捕捉复杂模式。例如，番茄灰霉病的早期叶片病斑与正常叶片的颜色差异可能仅有5-10个RGB色阶，且受光照影响显著。通过部署在MCU上的轻量级卷积神经网络（CNN），可以在叶片图像采集后50ms内完成病害分类，准确率可达92%以上，而功耗仅增加15mW。这种“本地智能”避免了将图像上传云端所需的数秒延迟和大量带宽消耗。

判断方法：是否适合采用TinyML，可从以下四个维度评估：

实时性要求：决策延迟需小于1秒（如温室风机联动控制）还是可容忍数分钟（如土壤墒情记录）？
网络可靠性：大田环境是否经常断网？断网期间是否仍需智能决策？
功耗约束：设备是否依赖电池供电？目标续航是否超过3个月？
数据隐私：作物图像或养殖场视频是否涉及商业机密或生物安全？

对比维度	传统云端AI方案	TinyML端侧方案
推理延迟	2-5秒（含上传+推理+回传）	30-100ms（本地完成）
网络依赖	完全依赖，断网即失效	断网仍可运行，仅需定期同步
单节点功耗	3-5W（含通信模块）	0.1-0.5W（MCU+传感器）
单节点硬件成本	200-500元（含4G模块）	30-80元（ESP32+传感器）
数据隐私	原始数据上传云端	仅上传推理结果或告警

  典型场景：某草莓种植基地部署了30个TinyML节点，每个节点配备土壤湿度传感器和摄像头。当摄像头识别到白粉病早期斑点时，节点立即通过LoRa发送告警并自动启动对应区域的硫磺熏蒸器。整个决策链路在本地完成，即使基地的Wi-Fi因雷暴中断，系统仍能正常工作。相比此前云端方案，单次病害发现时间从平均4小时缩短至15分钟，农药使用量降低22%。

1.2 课程目标与能力模型

核心原理：本课程不是单纯讲授算法理论，而是以“完成一个可运行的农业TinyML系统”为最终交付物。课程覆盖从硬件选型、数据采集、模型训练、模型转换、嵌入式部署到联动控制的完整工程链路。你将掌握的核心能力包括：使用TensorFlow Lite Micro在ESP32上部署模型、通过量化将模型体积压缩4-10倍、设计低功耗传感器采集策略、实现基于MQTT的指令下发与执行器控制。

能力拆解：完成本课程后，你应具备以下六项关键技能：

传感器工程能力：正确连接土壤温湿度传感器（如 capacitive soil sensor）、光照传感器（BH1750）、摄像头（OV2640）到MCU，并校准数据。
数据标注与增强：针对农业图像（如叶片病害）进行标注，使用旋转、亮度调整、噪声注入等方法扩充数据集，避免过拟合。
模型训练与压缩：使用TensorFlow训练CNN或MobileNetV2，并通过量化感知训练（QAT）将模型从float32压缩至int8。
嵌入式部署：将.tflite模型转换为C++字节数组，集成到ESP32或STM32工程中，处理内存对齐和算子兼容问题。
通信协议实现：使用MQTT over Wi-Fi/LoRa实现设备与网关的双向通信，设计心跳与重连机制。
联动控制逻辑：编写基于推理结果的控制策略（如阈值+滞回控制），驱动继电器或MOSFET电路。

经验提醒：初学者最容易忽略的是“数据分布偏移”问题。例如，在实验室采集的叶片图像与田间实际光照下的图像差异巨大。建议在课程项目中，至少安排一次“现场数据采集”环节，使用实际部署环境的数据重新评估模型准确率。

1.3 整体技术栈与选型策略

核心原理：技术栈的选择直接影响开发效率和系统可靠性。本课程推荐以ESP32-S3作为主控MCU，理由如下：内置Wi-Fi/BLE、双核240MHz、512KB SRAM、支持向量指令加速（PIE），且兼容Arduino和ESP-IDF开发环境。对于视觉类任务，ESP32-S3的8MB PSRAM可缓存一帧320×240的RGB565图像（约150KB），满足轻量级CNN推理需求。传感器方面，土壤湿度使用电容式（避免直流腐蚀），空气温湿度使用SHT30（I²C接口），光照使用BH1750（I²C接口）。通信方面，短距离场景使用Wi-Fi直连，大田场景使用LoRa（如SX1278）通过网关汇聚。

选型对比：以下是三种主流MCU在农业TinyML场景中的对比：

MCU型号	算力（MACs/s）	SRAM	无线能力	适用场景
ESP32-S3	~1.2G（向量加速）	512KB	Wi-Fi + BLE	温室/大棚（有Wi-Fi覆盖）
STM32L4+	~200M	320KB	需外挂LoRa	大田/果园（低功耗）
RP2040	~150M	264KB	需外挂Wi-Fi	教学原型验证

操作流程：技术栈搭建遵循以下步骤：

确定传感器组合：根据种植作物类型选择参数（叶菜类关注土壤EC，果菜类关注光照和CO₂）。
选择MCU平台：优先考虑已有库支持（如TensorFlow Lite Micro官方支持的平台列表）。
设计电源方案：使用3.7V锂电池+DC-DC降压至3.3V，估算峰值电流（ESP32-S3在Wi-Fi发射时约240mA）。
搭建开发环境：安装Arduino IDE或PlatformIO，配置ESP32-S3板级支持包。
验证最小系统：先实现“传感器读取→串口打印”的裸机程序，再逐步加入模型推理。

风险提示：ESP32-S3的PSRAM（外部RAM）访问速度远低于内部SRAM。如果模型推理需要频繁访问大数组（如图像数据），建议将关键缓冲区放在内部SRAM，将模型权重放在PSRAM或Flash映射区域。否则推理延迟可能从50ms恶化到200ms以上。

1.4 学习路径与项目实战规划

核心原理：本课程采用“螺旋式”学习路径，每章都包含理论讲解、代码实现和硬件实验。前5章聚焦传感器数据采集与预处理，第6-10章讲解模型训练与优化，第11-15章深入嵌入式部署与调试，第16-20章覆盖通信与联动控制，第21-25章完成综合项目（如智能灌溉系统），第26-30章进行性能调优与产品化思考。每个阶段都有明确的验收标准，例如“能够通过串口输出稳定的土壤湿度值，误差小于±3%”。

项目闭环案例：以“番茄温室智能病害防控系统”为例，完整项目流程如下：

背景与约束：温室面积500㎡，种植番茄3000株，已有滴灌系统但无自动病害监测。人工巡检每2小时一次，发现病害时往往已扩散。要求系统功耗低于1W，成本控制在200元/节点以内。
初始现象：春季连续阴雨，温室内湿度长期高于85%，灰霉病发病率上升至15%。
关键输入数据：采集叶片图像（320×240 RGB）、空气温湿度、土壤湿度。标注了1200张叶片图像（健康/灰霉病/叶霉病三类），按8:1:1划分训练/验证/测试集。
分析判断过程：使用MobileNetV2作为特征提取器，在PC上训练得到float32模型（4.2MB），经量化感知训练后转为int8模型（420KB）。在ESP32-S3上推理延迟为85ms，RAM占用约180KB。
实际操作步骤：① 部署5个节点，每个节点覆盖约100㎡；② 设置推理频率为每10分钟一次（避免频繁拍照耗电）；③ 当模型输出“灰霉病”概率>0.85时，节点通过MQTT发送告警并自动开启对应区域的除湿风机；④ 同时将告警推送至管理员手机。
结果对比：系统运行30天后，病害发现时间从平均4小时缩短至20分钟，农药喷洒次数减少3次，综合防治成本下降28%。
风险与代价：初期模型在夜间低光照条件下误报率较高（约12%），通过增加夜间图像增强预处理（直方图均衡化）后降至4%。
复盘经验：模型部署后仍需持续收集边缘案例数据，建议每两周用新数据微调模型并OTA更新。

  学习建议：不要试图一次性完成所有章节的硬件搭建。建议先使用Wokwi或Proteus进行电路仿真，验证传感器读取逻辑后再购买实物。对于视觉模型，可先在PC上使用OpenCV模拟图像输入，调试推理流程，最后再切换到真实摄像头。

总结复盘：TinyML在智慧农业中的落地并非简单的“模型移植”，而是一个系统工程。它要求开发者同时具备传感器知识、机器学习基础、嵌入式编程能力和农业领域常识。本课程将帮助你建立这套跨学科知识体系，并通过完整的项目实战，让你真正掌握从数据到决策的每一环。记住，成功的TinyML农业应用，不是“最先进的模型”，而是“最合适的模型”——在功耗、成本、准确率和实时性之间找到最佳平衡点。