1. 项目缘起：当开源硬件遇上经典生物实验

作为一名长期混迹于创客圈和STEM教育领域的“老炮儿”，我见过太多用Arduino、树莓派做的小玩意儿，从智能浇花到环境监测，创意层出不穷。但说实话，很多项目要么停留在“让灯亮起来”的玩具阶段，要么就是代码和硬件堆砌得过于复杂，让想入门的学生和老师望而却步。直到最近，我带着几个中学生，用一块名为“行空板K10”的国产开源硬件，重新折腾了一遍那个经典的初中生物探究实验——“光照对大豆幼苗生长的影响”，整个过程让我对“如何用技术赋能真实探究”有了全新的认识。

这个实验本身不新鲜，课本上就有：设置对照组和实验组，控制光照变量，观察记录大豆幼苗的株高、叶片数等。传统做法是靠尺子量、眼睛看、本子记，数据粗糙，周期长，而且“光照”这个核心变量往往控制得并不精确——“放在窗台边”和“放在灯光下”的照度可能天差地别，导致实验结果说服力打折扣。我们的目标很明确：利用行空板K10，构建一个低成本、高精度、可自动化的数据采集系统，将“光照强度”从一个模糊的描述，变成一个实时监测、精准记录的量化指标，并同步追踪环境温湿度，让整个探究过程数字化、可视化。

行空板K10在这类项目中是个“六边形战士”。它集成了高性能处理器、Wi-Fi/蓝牙、触摸屏、多种传感器接口和丰富的扩展能力，最关键的是，它原生支持Python和图形化编程，软硬件生态对教育场景极其友好。你不需要额外购买屏幕、传感器扩展板，也不用在复杂的系统安装和驱动问题上耗费精力，开箱即用，让学生能把注意力真正集中在科学问题和项目设计本身。接下来，我就把我们这个项目的完整实现过程、踩过的坑以及一些超乎预期的收获，毫无保留地分享出来。

2. 核心设计：构建一个智能化的光照培养监测系统

这个项目的核心，是设计并搭建一套替代人工观测的自动化系统。我们并不满足于仅仅记录一个最终结果，而是希望完整地捕捉大豆幼苗在特定光照条件下的动态生长过程与环境参数。因此，系统的设计需要兼顾传感器的精准性、数据记录的连续性、以及人机交互的直观性。

2.1 系统架构与硬件选型逻辑

我们的系统架构很简单，但每一部分的选择都有其考量：

1. 主控与显示核心：行空板K10。选择它而非树莓派Pico或Arduino Uno，主要基于三点：一体化与低门槛。K10板载了彩色LCD触摸屏，这意味着我们无需外接显示器就能实时展示图表和数据，极大简化了硬件连接。其内置的Python环境，让中学生可以从简单的print()语句和图形化积木块开始，平滑过渡到用matplotlib画生长曲线，学习路径非常顺畅。
2. 核心传感器：数字光照强度传感器（BH1750）。这是关键中的关键。市面上有模拟输出的光敏电阻，价格便宜，但需要复杂的校准，且受温度影响大，精度和稳定性都不够。BH1750是一款数字环境光传感器，通过I2C接口直接输出以勒克斯（Lux）为单位的照度值，精度高，线性度好，几乎不需要校准。这对于需要定量研究“光照强度”的实验来说，是必需品而非奢侈品。
3. 辅助传感器：温湿度传感器（DHT22或SHT30）。幼苗生长不仅受光照影响，温度和湿度也是重要环境变量。记录它们，一是为了确保实验的严谨性（排除温湿度差异的干扰），二是可以观察多环境因子之间的潜在关联。DHT22性价比高，但读取速度稍慢；SHT30更精准稳定。考虑到培养箱内环境变化慢，我们最终选了DHT22。
4. 执行机构：继电器模块与补光灯（LED植物生长灯）。这是实现“智能控制”的部分。通过继电器，行空板可以程序化地控制补光灯的开关。我们设定了一个阈值（例如，当自然光照低于2000 Lux时自动开启补光灯），以维持实验组光照条件的相对稳定，模拟一个理想的“恒定光照”环境。

硬件连接图在脑子里很简单：BH1750和DHT22的I2C接口（或单总线接口）连接到行空板的对应引脚，继电器模块连接到一个GPIO口，补光灯插在继电器常开触点上。行空板的优势在于，其引脚功能清晰，供电充足（5V/3.3V），省去了额外准备电源模块的麻烦。

2.2 软件与数据流设计

软件层面，我们基于行空板内置的Pinpong库（一个对开源硬件进行统一控制的Python库）和常见的科学计算库进行开发。数据流设计如下：

• 定时采集：程序设定每30分钟自动唤醒，读取一次光照强度、温度、湿度数据。
• 本地存储：每次采集的数据，连同时间戳，以追加模式写入到一个CSV格式的文本文件中。CSV文件的好处是，既可以被行空板上的程序直接读取、绘图，也可以轻松导出到电脑上用Excel或更专业的统计软件进行分析。
• 实时显示：行空板的屏幕上，我们设计了一个简单的UI，实时滚动显示最近24小时的光照、温湿度曲线，以及当前数值。这让同学们在课间就能直观地看到培养箱内的“气候”变化。
• 阈值控制：程序判断当前光照值，若低于设定阈值，则控制GPIO输出高电平，触发继电器吸合，打开补光灯；当光照恢复到阈值以上，则关闭补光灯。同时，这一“开关事件”也会被记录到日志中。

注意：数据存储一定要采用“追加写入”模式，并且每次写入后最好执行一下file.flush()操作。这是因为操作系统为了效率，会缓存写入数据，如果程序意外退出或断电，缓存中的数据可能会丢失。flush()能强制将数据写入磁盘，虽然稍微影响一点性能，但对于实验数据的完整性至关重要。

3. 实操部署：从代码编写到环境搭建的细节

理论设计清晰后，真正的挑战在于落地。下面我把关键的实操步骤和代码逻辑拆解开来。

3.1 硬件连接与初始测试

首先，确保所有传感器能正常工作。行空板开机后，可以直接通过其内置的“代码”应用或Web IDE进行编程。

# 示例：测试BH1750光照传感器 from pinpong.board import Board, Pin from pinpong.libs.dfrobot_bh1750 import DFRobot_BH1750 import time Board().begin() # 初始化行空板 # 初始化BH1750，I2C地址通常是0x23 light_sensor = DFRobot_BH1750() while True: if light_sensor.ready(): lux = light_sensor.light_strength() # 读取光照强度，单位Lux print("光照强度: {:.2f} Lux".format(lux)) time.sleep(2)

将这段代码运行，用手电筒照射或遮挡传感器，观察输出的Lux值是否发生合理变化。用同样的方法测试DHT22，确保能正确读取温湿度。这个步骤不能省，它能快速排除接线错误、传感器损坏或库安装不正确等基础问题。

3.2 主程序逻辑实现

主程序需要将数据采集、存储、显示和控制逻辑整合起来，并实现长时间稳定运行。我们采用了面向过程的简单结构，但将功能封装成了函数，便于调试。

import csv import time from datetime import datetime from pinpong.board import Board, Pin from pinpong.libs.dfrobot_bh1750 import DFRobot_BH1750 # 假设使用dht库，需根据实际传感器调整 import dht import matplotlib.pyplot as plt from matplotlib.dates import DateFormatter import matplotlib.dates as mdates # 初始化 Board().begin() light_sensor = DFRobot_BH1750() dht_sensor = dht.DHT22(Pin(15)) # 假设DHT22接在GPIO15 relay = Pin(16, Pin.OUT) # 继电器控制引脚 LIGHT_THRESHOLD = 2000 # 光照阈值，单位Lux DATA_FILE = 'plant_growth_data.csv' # 初始化数据文件，写入表头 def init_data_file(): with open(DATA_FILE, 'w', newline='') as f: writer = csv.writer(f) writer.writerow(['Timestamp', 'Light_Lux', 'Temp_C', 'Humidity_%', 'Lamp_Status']) # 读取一次传感器数据 def read_sensors(): lux = light_sensor.light_strength() if light_sensor.ready() else -1 dht_sensor.measure() temp = dht_sensor.temperature() humidity = dht_sensor.humidity() return lux, temp, humidity # 控制补光灯 def control_lamp(current_lux): if current_lux < LIGHT_THRESHOLD and current_lux > 0: # 光照不足且传感器正常 relay.write_digital(1) # 打开继电器 lamp_status = 'ON' else: relay.write_digital(0) # 关闭继电器 lamp_status = 'OFF' return lamp_status # 记录一行数据 def log_data(timestamp, lux, temp, humidity, lamp_status): with open(DATA_FILE, 'a', newline='') as f: writer = csv.writer(f) writer.writerow([timestamp, lux, temp, humidity, lamp_status]) f.flush() # 关键！强制写入磁盘 # 更新实时图表（简化版，实际需考虑性能） def update_display(data_list): # 此处省略具体的matplotlib绘图代码，涉及时间序列转换、多子图绘制等 # 核心是读取CSV文件最近N条数据，绘制光照、温湿度随时间变化的折线图 pass # 主循环 def main(): init_data_file() print("大豆幼苗光照监测系统已启动...") while True: try: now = datetime.now().strftime('%Y-%m-%d %H:%M:%S') lux, temp, humidity = read_sensors() lamp_status = control_lamp(lux) log_data(now, lux, temp, humidity, lamp_status) print(f"[{now}] Lux:{lux:.1f}, Temp:{temp:.1f}C, Humi:{humidity:.1f}%, Lamp:{lamp_status}") # 每30分钟更新一次显示，避免过于频繁绘图导致卡顿 # update_display(...) time.sleep(1800) # 睡眠30分钟（1800秒） except Exception as e: print(f"数据采集出错: {e}") # 简单的错误处理，记录到错误日志 with open('error.log', 'a') as err_f: err_f.write(f"{datetime.now()}: {e}\n") time.sleep(60) # 出错后等待1分钟再试 if __name__ == '__main__': main()

这段代码是一个高度简化的框架，实际开发中，图形显示部分需要仔细设计，避免在循环中重复创建图形对象导致内存泄漏。一个实用的技巧是：将数据采集/记录逻辑和图形显示逻辑用两个独立的线程或异步任务来处理。采集线程严格按照定时器工作，显示线程可以以较低的频率（如每5分钟）刷新一次图表，这样既能保证数据记录的准时性，又能让界面保持流畅响应。

3.3 培养环境搭建与实验设置

硬件和软件准备好后，实验环境的搭建同样需要科学严谨：

1. 培养容器：我们使用了两个相同的透明塑料整理箱，一个作为实验组（智能补光），一个作为对照组（仅有自然散射光）。箱子侧壁开了孔，用于走传感器线缆，并覆盖透光薄膜，减少内部空气流动对温湿度的影响，同时允许光线进入。
2. 传感器布置：将BH1750和DHT22传感器固定在一个小支架上，传感器探头部位置于大豆幼苗冠层的高度，这是植物实际感受光照和温湿度的位置，而不是箱顶或箱底。确保传感器不被叶片直接遮挡。
3. 光源控制：LED植物生长灯悬挂于实验组箱子的顶部，通过继电器控制。我们选择了全光谱LED灯，以模拟太阳光。关键点在于，要通过调整灯的高度或使用遮光板，确保实验组箱子内，在补光灯开启时，传感器测得的照度能稳定在预设阈值区间内，而不是一个剧烈波动的值。
4. 大豆种植：两组使用相同品种、相同批次的大豆种子，同时浸种、催芽，移栽到同样规格、同样土壤的育苗杯中。每组设置至少10株以上的重复，以降低个体差异带来的误差。
5. 系统部署：将行空板K10放置在箱子附近安全、通风的位置。连接好所有线缆，并妥善固定，防止被碰掉。开机，运行主程序，观察初期数据是否正常。

4. 数据采集、分析与意料之外的发现

系统连续运行了两周。这期间，除了每天检查一下设备是否正常运行、给大豆浇等量的水之外，几乎不需要人工干预。所有数据都安静地记录在行空板的CSV文件里。

4.1 数据可视化与初步洞察

实验结束后，我们将CSV文件导出，用电脑上的Python（Jupyter Notebook）进行了更深入的分析。首先是最直观的时间序列图。

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 读取数据 df = pd.read_csv('plant_growth_data.csv', parse_dates=['Timestamp']) # 设置绘图风格 sns.set_style("whitegrid") # 绘制光照强度变化曲线 fig, axes = plt.subplots(2, 1, figsize=(12, 10)) # 光照曲线 axes[0].plot(df['Timestamp'], df['Light_Lux'], label='Light Intensity (Lux)', color='orange', linewidth=0.5) axes[0].axhline(y=LIGHT_THRESHOLD, color='red', linestyle='--', label=f'Threshold ({LIGHT_THRESHOLD} Lux)') axes[0].set_ylabel('Light Intensity (Lux)') axes[0].set_title('Light Intensity & Lamp Status Over Time') axes[0].legend() axes[0].tick_params(axis='x', rotation=45) # 温湿度曲线（共享X轴） ax2 = axes[0].twinx() ax2.plot(df['Timestamp'], df['Temp_C'], label='Temperature (°C)', color='blue', linewidth=0.5) ax2.plot(df['Timestamp'], df['Humidity_%'], label='Humidity (%)', color='green', linewidth=0.5) ax2.set_ylabel('Temperature / Humidity') ax2.legend(loc='upper right') # 补光灯状态（用条形图表示） axes[1].fill_between(df['Timestamp'], 0, 1, where=df['Lamp_Status']=='ON', color='gray', alpha=0.3, label='Lamp ON') axes[1].set_yticks([]) axes[1].set_xlabel('Timestamp') axes[1].set_title('Lamp Status (Shaded area means ON)') axes[1].legend() axes[1].tick_params(axis='x', rotation=45) plt.tight_layout() plt.show()

通过图表，我们清晰地看到：在阴天或傍晚，实验组的光照强度曲线会在阈值线附近被“削峰填谷”，补光灯的开启（图中灰色区域）有效地将照度维持在了不低于2000 Lux的水平。而对照组的曲线则完全随自然光波动，夜间降至接近0。温湿度曲线则显示两组环境基本一致，排除了这两个变量的干扰。

4.2 生长指标测量与关联分析

两周后，我们手动测量了所有大豆幼苗的株高、茎粗（用游标卡尺）、叶片数，并计算了平均值。传统上，实验到这里就结束了，结论很可能是“实验组生长状况优于对照组”。但有了连续的环境数据，我们可以做更有意思的关联分析。

我们计算了每个实验组幼苗在整个生长期所经历的“累积光照”（即光照强度对时间的积分，可以近似为每天光照数据的平均值乘以时间）。然后，将“累积光照”与“株高增长量”、“茎粗增长量”分别做散点图并计算相关系数。

# 假设我们已经有了每个幼苗的ID和最终生长指标数据 growth_df # 以及从环境数据中计算出的对应时间段内的平均光照 avg_light_per_day merged_df = pd.merge(growth_df, avg_light_df, on='Plant_ID') # 按植株ID合并数据 fig, axes = plt.subplots(1, 2, figsize=(14, 5)) # 株高 vs 平均光照 sns.scatterplot(data=merged_df, x='Avg_Light_Lux', y='Height_Growth_cm', ax=axes[0]) axes[0].set_xlabel('Average Daily Light Intensity (Lux)') axes[0].set_ylabel('Height Growth (cm)') # 添加趋势线 z = np.polyfit(merged_df['Avg_Light_Lux'], merged_df['Height_Growth_cm'], 1) p = np.poly1d(z) axes[0].plot(merged_df['Avg_Light_Lux'], p(merged_df['Avg_Light_Lux']), "r--", alpha=0.8) corr_coef = merged_df['Avg_Light_Lux'].corr(merged_df['Height_Growth_cm']) axes[0].set_title(f'Height Growth vs Light (Corr: {corr_coef:.3f})') # 茎粗 vs 平均光照 sns.scatterplot(data=merged_df, x='Avg_Light_Lux', y='Stem_Thickness_Growth_mm', ax=axes[1]) axes[1].set_xlabel('Average Daily Light Intensity (Lux)') axes[1].set_ylabel('Stem Thickness Growth (mm)') # 添加趋势线 z2 = np.polyfit(merged_df['Avg_Light_Lux'], merged_df['Stem_Thickness_Growth_mm'], 1) p2 = np.poly1d(z2) axes[1].plot(merged_df['Avg_Light_Lux'], p2(merged_df['Avg_Light_Lux']), "r--", alpha=0.8) corr_coef2 = merged_df['Avg_Light_Lux'].corr(merged_df['Stem_Thickness_Growth_mm']) axes[1].set_title(f'Stem Thickness Growth vs Light (Corr: {corr_coef2:.3f})') plt.tight_layout() plt.show()

一个意料之外但情理之中的发现出现了：株高与光照强度的相关性是显著的正相关（相关系数约0.85），这与预期一致。但茎粗与光照的相关性却弱得多（相关系数仅0.3左右），且散点图更分散。这引发了学生们的热烈讨论：是不是在有限的光照资源下，植物会优先将能量用于“长高”以争夺阳光，而“长壮”的优先级相对较低？还是说茎粗受其他未控制因素（如土壤微环境、遗传差异）影响更大？这个由精确数据引出的新问题，其价值远远超过了简单得出“光照充足长得更好”的结论。

5. 项目复盘：技术细节、踩坑经验与教学启示

回顾整个项目，从技术实现到科学探究，有几个关键点和踩过的坑值得重点总结。

5.1 传感器精度与校准的陷阱

我们最初贪便宜试过光敏电阻模块，结果数据跳动巨大，且不同模块之间读数差异显著，根本无法用于定量分析。切换到数字传感器BH1750是项目成功的基石。即便如此，传感器也需要正确使用：

• 避免直射强光：虽然BH1750量程广，但长期正对高强度LED灯或阳光直射，可能影响寿命和长期稳定性。我们通过将传感器稍微倾斜放置，并避免灯珠直射来缓解。
• 理解采样频率：BH1750有高分辨率模式和低分辨率模式。在光照变化不剧烈的培养箱内，我们使用低分辨率模式，采样更快、功耗更低。如果需要捕捉快速的光照变化（如云层飘过），则需要切换到高分辨率模式。
• 温湿度传感器的滞后性：DHT22每次测量之间需要至少2秒的间隔，且从干燥环境进入高湿环境，读数稳定需要时间。程序中加入足够的延时和异常值过滤（比如瞬间跳变的湿度值）是必要的。

5.2 长期运行的稳定性保障

要让系统无人值守运行数周，稳定性是关键。

1. 电源是命脉：行空板K10和传感器我们使用了可靠的5V/2A电源适配器供电。千万不要依赖电脑USB口长期供电，电脑休眠或重启会导致系统掉线。继电器控制的补光灯则单独接在家用电路上。
2. 程序容错与日志：主程序中的try...except块和错误日志error.log至关重要。网络波动（如果涉及）、传感器偶尔读取失败、文件写入权限问题等，都会导致程序崩溃。良好的异常处理能让程序在遇到小问题时自动恢复，并将错误信息记录下来供后期排查。我们甚至写了一个简单的“看门狗”脚本，定时检查主程序是否在运行，如果不在则自动重启。
3. 数据备份：除了本地CSV存储，我们还可以增加一个功能：定期（如每天一次）通过行空板的Wi-Fi，将数据文件同步到局域网内的NAS或老师的电脑上，实现异地备份，防止因SD卡损坏导致数据丢失。

5.3 对STEM教育的深层启示

这个项目的意义远超一个“电子小制作”。它完美诠释了STEM（科学、技术、工程、数学）的融合：

• 科学（S）：探究光照对植物生长的影响，提出假设，设计对照实验。
• 技术（T）：运用传感器技术、自动控制技术、编程技术构建数据采集系统。
• 工程（E）：设计并搭建稳定的硬件系统，编写可靠、可维护的软件，解决实际部署中的各种问题（如散热、布线、抗干扰）。
• 数学（M）：处理时间序列数据，进行统计分析（平均值、相关性分析），绘制专业图表。

更重要的是，它改变了学生的学习模式。他们从被动的数据记录员，变成了实验系统的设计者和数据分析师。当看到自己写的代码实时控制着灯光，当从亲手绘制的图表中发现潜在规律并提出新的科学问题时，那种成就感和探究热情是传统实验课难以比拟的。行空板K10这类一体化、低门槛的工具，极大地降低了技术实现的壁垒，让学生和老师能把精力集中在科学思维和问题解决的核心上。

最后，关于项目扩展，思路还有很多：可以增加土壤湿度传感器实现自动灌溉，可以加入摄像头定时拍照结合图像识别技术自动测量株高和叶面积，甚至可以将数据上传到物联网平台进行多班级、多学校的实验数据对比研究。这个“光照对大豆幼苗生长的影响”项目，就像一颗种子，借助开源硬件和计算思维，已经生长出了一个充满可能性的探究世界。