基于Flask与树莓派的智能植物养护系统开发

1. 项目背景与需求分析

去年夏天，我养了三个月的绿萝突然开始大面积黄叶。作为程序员，我本能地想到：能不能用技术手段解决这个问题？这就是"基于Flask的植物养护系统"的起源——一个通过传感器数据采集和环境调控来实现智能植物养护的Web应用。

这个系统要解决的核心痛点是：

• 植物养护依赖主观经验，缺乏量化指标
• 环境变化难以及时感知和响应
• 养护记录分散，难以形成有效参考

典型使用场景包括：

1. 家庭阳台/客厅的绿植养护
2. 办公室桌面植物的自动化管理
3. 小型植物培育实验的环境监控

2. 技术架构设计

2.1 为什么选择Flask？

相比Django等全功能框架，Flask的轻量级特性更适合本项目：

• 微内核架构方便按需扩展（我们只需要REST API和简单前端）
• 与硬件交互的灵活性更高（通过GPIO库直接控制传感器）
• 开发部署更轻量化（Raspberry Pi等设备也能流畅运行）

核心技术栈组合：

python复制Flask（后端框架）
SQLAlchemy（ORM）
Vue.js（前端可选）
Raspberry Pi + 传感器（硬件层）

2.2 系统模块划分

mermaid复制graph TD
    A[传感器模块] --> B[数据采集服务]
    B --> C[Flask后端]
    C --> D[Web前端]
    C --> E[报警服务]
    D --> F[用户操作]
    E --> G[邮件/短信提醒]

（注：实际实现时应替换为文字描述）

3. 硬件集成方案

3.1 必备传感器选型

注意：DHT22需要上拉电阻（4.7KΩ），接线长度建议不超过20cm

3.2 树莓派GPIO配置示例

python复制# 传感器初始化
import Adafruit_DHT
dht_sensor = Adafruit_DHT.DHT22
dht_pin = 4  # GPIO4

def read_dht():
    humidity, temperature = Adafruit_DHT.read_retry(dht_sensor, dht_pin)
    return {
        'temp': round(temperature, 1),
        'humi': round(humidity, 1)
    }

常见问题排查：

1. 读取返回None：检查接线是否松动，尝试降低读取频率
2. 数据跳变剧烈：增加软件滤波（如滑动平均算法）
3. GPIO冲突：使用gpio readall命令检查引脚状态

4. Flask后端实现

4.1 数据模型设计

python复制from datetime import datetime
from flask_sqlalchemy import SQLAlchemy

db = SQLAlchemy()

class Plant(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    name = db.Column(db.String(80), nullable=False)
    species = db.Column(db.String(80))
    created_at = db.Column(db.DateTime, default=datetime.now)

class SensorData(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    plant_id = db.Column(db.Integer, db.ForeignKey('plant.id'))
    timestamp = db.Column(db.DateTime, default=datetime.now)
    soil_moisture = db.Column(db.Float)
    temperature = db.Column(db.Float)
    humidity = db.Column(db.Float)
    light_intensity = db.Column(db.Float)

4.2 REST API设计

python复制from flask import Flask, jsonify, request
app = Flask(__name__)

@app.route('/api/plants/<int:plant_id>/data', methods=['POST'])
def add_sensor_data(plant_id):
    data = request.get_json()
    new_data = SensorData(
        plant_id=plant_id,
        soil_moisture=data['soil_moisture'],
        temperature=data['temperature'],
        humidity=data['humidity'],
        light_intensity=data['light']
    )
    db.session.add(new_data)
    db.session.commit()
    return jsonify({"status": "success"}), 201

@app.route('/api/plants/<int:plant_id>/stats', methods=['GET'])
def get_plant_stats(plant_id):
    # 获取最近24小时数据
    records = SensorData.query.filter(
        SensorData.plant_id == plant_id,
        SensorData.timestamp > datetime.now() - timedelta(days=1)
    ).all()
    return jsonify([r.to_dict() for r in records])

5. 前端交互实现

5.1 实时数据看板

使用Chart.js实现动态图表：

javascript复制// 在Vue组件中
methods: {
  async fetchData() {
    const res = await fetch(`/api/plants/${this.plantId}/stats`)
    const data = await res.json()
    this.renderChart(data)
  },
  renderChart(data) {
    const ctx = document.getElementById('sensorChart')
    new Chart(ctx, {
      type: 'line',
      data: {
        labels: data.map(d => new Date(d.timestamp).toLocaleTimeString()),
        datasets: [
          {
            label: '土壤湿度(%)',
            data: data.map(d => d.soil_moisture),
            borderColor: 'rgb(75, 192, 192)'
          }
        ]
      }
    })
  }
}

5.2 预警通知配置

后端定时任务示例：

python复制from apscheduler.schedulers.background import BackgroundScheduler

def check_conditions():
    plants = Plant.query.all()
    for plant in plants:
        latest = SensorData.query.filter_by(
            plant_id=plant.id
        ).order_by(SensorData.timestamp.desc()).first()
        
        if latest.soil_moisture < 30:  # 土壤湿度低于30%
            send_alert(plant, f"需要浇水！当前湿度{latest.soil_moisture}%")

scheduler = BackgroundScheduler()
scheduler.add_job(check_conditions, 'interval', minutes=30)
scheduler.start()

6. 部署与优化

6.1 生产环境部署

推荐使用Gunicorn + Nginx组合：

bash复制# 安装Gunicorn
pip install gunicorn

# 启动命令（4个工作进程）
gunicorn -w 4 -b 0.0.0.0:8000 app:app

Nginx配置要点：

nginx复制location / {
    proxy_pass http://127.0.0.1:8000;
    proxy_set_header Host $host;
    proxy_set_header X-Real-IP $remote_addr;
}

6.2 性能优化技巧

1. 传感器数据缓存：使用Redis缓存频繁访问的实时数据
2. 数据库索引优化：为timestamp和plant_id字段创建复合索引
3. 异步任务：将报警邮件等耗时操作交给Celery处理
4. 前端数据压缩：配置Flask-Compress减少传输量

7. 扩展方向

1. 植物识别功能：集成TensorFlow Lite实现拍照识花
2. 养护知识图谱：用Neo4j构建植物病症与解决方案的关系网络
3. 自动化控制：连接继电器模块实现自动浇水补光
4. 多用户支持：增加用户系统实现家庭多成员协作养护

在实现过程中，我发现几个值得注意的细节：

• DHT22在高温环境下需要增加通风散热
• 土壤湿度传感器长期使用会产生电解腐蚀，建议每半年更换
• Flask的development server不适合直接暴露在公网
• 前端图表更新频率建议不超过10秒，避免浏览器性能问题