TinyML实战项目：农业传感器数据预测
一、从一次田间调试说起
去年夏天在河北某智慧农业基地，我蹲在玉米地里盯着LoRa网关的串口输出，温度传感器读数在35℃到42℃之间疯狂跳变。现场工程师说传感器是新的，但数据明显异常。我掏出示波器一看，电源纹波高达800mV——太阳能板供电的电容老化导致电压不稳。这个坑让我意识到，农业场景的TinyML项目，数据质量才是第一道鬼门关。
后来我们重新设计了传感器节点，加入滑动窗口滤波和异常值剔除，模型准确率从68%直接跳到91%。今天这篇笔记，就从这个实战项目展开，聊聊如何在资源受限的MCU上跑农业传感器预测模型。
二、项目背景与硬件选型
项目需求：预测未来2小时土壤湿度变化趋势，提前触发灌溉决策。传感器节点部署在露天农田，电池供电，要求单次推理功耗低于50mJ。
硬件清单：
- 主控：STM32L476RG（Cortex-M4，80MHz，1MB Flash，128KB SRAM）
- 传感器：土壤湿度（电容式）、温度（DS18B20）、光照（BH1750）
- 通信：SX1278 LoRa模块（433MHz）
- 电源：3.7V锂电池+太阳能充电管理
选型理由：L4系列的低功耗特性在农业场景很关键，实测待机电流仅1.2μA。别用F系列，跑模型时功耗会翻倍。
