基于传感器触发的 IoT 水果质量检测系统架构实战：IoT-For-Beginners 第 4 课-二趣网

基于传感器触发的 IoT 水果质量检测系统架构实战：IoT-For-Beginners 第 4 课

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

导读

本篇文章围绕 IoT-For-Beginners 课程体系「Manufacturing（制造业）」项目中的第 4 课（4-trigger-fruit-detector/README.md）展开，讲解如何把一个单一设备的数据采集应用，扩展为「多设备 + 多云服务 + 执行器响应」的复杂 IoT 应用：通过距离传感器触发图像分类、在边缘运行 AI 模型、将结果上报云端存储，并根据成熟度控制 LED 告警。读完本文，你将掌握参考架构（Things / Insights / Actions）的设计方法、近距传感器的接入与编程（Wio Terminal、Raspberry Pi 与虚拟设备三套方案）、多设备消息结构定义，以及如何用开发套件模拟多个 IoT 设备并平滑演进到生产环境。

复杂 IoT 应用的架构设计

真实的 IoT 应用很少是「一台设备采集数据并上传云端」这么简单，更多时候是多台设备协同工作：通过传感器采集物理世界的数据、基于数据做决策、再通过执行器或可视化与物理世界交互。

一个通用的抽象模型可以概括为三个角色：

Things（物）：设备从传感器采集数据，可能借助边缘服务（例如图像分类器）解释数据，并将数据发送到 IoT 服务；
Insights（洞察）：由无服务器应用或对存储数据的分析产生；
Actions（行动）：可以是下发给设备的命令，也可以是供人类决策的数据可视化。

一个典型的例子：发动机（Thing）上报温度数据，系统评估发动机是否按预期工作（Insight），从而主动调整维护计划的优先级（Action）。

参考 IoT 架构

参考架构（reference architecture）是一种可用于设计新系统的范例架构。当你从零搭建 IoT 系统时，可以遵循它，并将自己的设备与服务代入对应位置：

Things：设备采集传感器数据，可结合边缘服务（如图像分类器）解读数据，再发送到 IoT 服务；
Insights：来自无服务器应用，或对已存储数据的分析；
Actions：下发给设备的命令，或帮助人类决策的数据可视化。

把本课程已覆盖的组件代入参考架构（见上图中的 Azure 版本）：

Things：你已经编写了从传感器采集数据的设备代码，并用 Custom Vision 在云端和边缘设备上分析图像，数据发送到 IoT Hub；
Insights：你使用 Azure Functions 响应发送到 IoT Hub 的消息，并将数据存储到 Azure Storage 供后续分析；
Actions：你根据云端决策向设备下发命令来控制执行器，并使用 Azure Maps 进行数据可视化。

这一模式可以按需扩缩——无论增加多少设备与服务，结构都可以保持成立。

数据与安全

在定义系统架构时，需要始终考虑数据与安全：

设备发送和接收哪些数据？
这些数据应如何加密与保护（传输中、存储时）？
设备和云服务的访问应如何控制？

思考你自己拥有的 IoT 设备：其中多少数据属于个人隐私、应当保密？哪些数据根本不应该存储？

设计一个水果质量检测系统

现在把 Things / Insights / Actions 的想法应用到水果质量检测器上，设计一个完整的端到端应用。

业务场景：加工厂里水果在传送带上运送，目前靠人工检查并挑出未成熟的水果。为了降低成本，工厂希望实现自动化——水果到达传送带时被检测到，拍照后用运行在边缘的 AI 模型检查，结果发送到云端存储，如果水果未成熟则给出通知以便移除。

将系统拆解为三层：

原型应用架构

上图是原型应用的参考架构，工作流程如下：

带近距传感器的 IoT 设备检测到水果到达，向云端发送「已检测到水果」消息；
云端无服务器应用向另一台设备发送命令，让其拍照并分类图像；
带相机的 IoT 设备拍照，发送给运行在边缘的图像分类器，结果再发回云端；
云端无服务器应用存储该信息供后续分析（例如统计未成熟水果占比）；若水果未成熟，则向另一台 IoT 设备发送命令，通过 LED 告警工厂工人。

💁 这个完整的 IoT 应用也可以实现为单台设备：把所有启动图像分类、控制 LED 的逻辑内建其中，IoT Hub 仅用于统计检测到的未成熟水果数量并配置设备。本课特意将其拆开，是为了演示大规模 IoT 应用的设计思路。

在原型实现中，所有逻辑都在一台设备上完成；如果使用微控制器，则需要一台独立的边缘设备运行图像分类器。前几课学到的大部分技能在这里都能复用。

从传感器触发水果质量检测

IoT 设备需要一个触发信号来指示「水果可以开始分类了」。一种方案是测量水果在传送带上的位置：通过测量到传感器的距离，判断水果是否到达了正确位置。

近距传感器（proximity sensor）用于测量传感器到物体之间的距离。它们通常发射一束电磁辐射（如激光或红外光），然后检测从物体上反弹回来的辐射。通过计算激光束发出到信号返回的时间差，即可算出到传感器的距离。

💁 你很可能已经在不知不觉中使用过近距传感器：多数智能手机在贴耳通话时会关闭屏幕，防止耳垂误触挂断电话——这正是近距传感器检测到屏幕附近有物体后禁用触摸功能。

任务：用距离传感器触发水果质量检测

按照对应硬件的指南，用近距传感器检测物体：

Arduino - Wio Terminal
单板计算机 - Raspberry Pi
单板计算机 - 虚拟设备

硬件：Grove 飞行时间（Time of Flight）距离传感器

三套方案使用的都是 Grove Time of Flight 距离传感器（VL53L0X）：

采用激光测距模块检测距离；
测量范围为10mm ~ 2000mm（1cm ~ 2m），该范围内读数比较准确，超过 1000mm 时报告值为8109mm；
激光测距仪位于传感器背面（与 Grove 插座相反的一侧）；
这是一款I²C 接口传感器。

连接方式：

Wio Terminal：断开电源后，将 Grove 线缆插入 Wio Terminal 左侧的 Grove 插座（面向屏幕时最靠近电源键、同时支持数字与 I²C 的插座）；
Raspberry Pi：断电后，将 Grove 线缆插入 Grove Base HAT 上标有I²C的插座（底部一行、与 GPIO 引脚相对的一端、紧邻摄像头排线槽）。

方案一：Raspberry Pi（Python + rpi-vl53l0x）

先安装 Python 包（基于 code-proximity/pi/fruit-quality-detector/distance_sensor.py）：

pip install rpi-vl53l0x

在项目fruit-quality-detector中新建distance-sensor.py（用不同 Python 文件分别模拟多个 IoT 设备，再同时运行，是模拟多设备的简便方式），代码如下：

import time from grove.i2c import Bus from rpi_vl53l0x.vl53l0x import VL53L0X distance_sensor = VL53L0X(bus = Bus().bus) distance_sensor.begin() while True: distance_sensor.wait_ready() print(f'Distance = {distance_sensor.get_distance()} mm') time.sleep(1)

grove.i2c.Bus提供 Grove I²C 总线访问，VL53L0X是针对传感器核心硬件的 Python 库；
wait_ready()等待传感器准备好一个可读的值，get_distance()返回以毫米为单位的距离；
运行方式：python3 distance_sensor.py（注意文件名是distance-sensor.py，不要用app.py）。

预期输出示例：

Distance = 29 mm Distance = 28 mm Distance = 30 mm Distance = 151 mm

方案二：虚拟 IoT 设备（CounterFit）

在虚拟环境下安装 CounterFit 的距离传感器 shim（它模拟了rpi-vl53l0x包）：

pip install counterfit-shims-rpi-vl53l0x

在 CounterFit Web 应用中创建传感器：Create sensor面板选择Distance类型，Units保持Millimeter；由于是 I²C 传感器，将地址设置为0x29（物理 VL53L0X 传感器硬编码此地址）。代码（基于 code-proximity/virtual-iot-device/fruit-quality-detector/distance_sensor.py）：

from counterfit_connection import CounterFitConnection CounterFitConnection.init('127.0.0.1', 5000) import time from counterfit_shims_rpi_vl53l0x.vl53l0x import VL53L0X distance_sensor = VL53L0X() distance_sensor.begin() while True: distance_sensor.wait_ready() print(f'Distance = {distance_sensor.get_distance()} mm') time.sleep(1)

在 CounterFit 中修改距离值或使用随机值，即可看到读数变化：

Distance = 37 mm Distance = 42 mm Distance = 29 mm

方案三：Wio Terminal（PlatformIO + Seeed VL53L0X 库）

新建 PlatformIO 项目distance-sensor，在 platformio.ini 中添加库依赖：

[env:seeed_wio_terminal] platform = atmelsam board = seeed_wio_terminal framework = arduino lib_deps = seeed-studio/Grove Ranging sensor - VL53L0X @ ^1.1.1

main.cpp完整实现（基于 code-proximity/wio-terminal/distance-sensor/src/main.cpp）：

#include <Arduino.h> #include "Seeed_vl53l0x.h" Seeed_vl53l0x VL53L0X; void setup() { Serial.begin(9600); while (!Serial) ; // Wait for Serial to be ready delay(1000); VL53L0X.VL53L0X_common_init(); VL53L0X.VL53L0X_high_accuracy_ranging_init(); } void loop() { VL53L0X_RangingMeasurementData_t RangingMeasurementData; memset(&RangingMeasurementData, 0, sizeof(VL53L0X_RangingMeasurementData_t)); VL53L0X.PerformSingleRangingMeasurement(&RangingMeasurementData); Serial.print("Distance = "); Serial.print(RangingMeasurementData.RangeMilliMeter); Serial.println(" mm"); delay(1000); }

要点：

VL53L0X_common_init()初始化传感器，VL53L0X_high_accuracy_ranging_init()启用高精度测距模式；
PerformSingleRangingMeasurement()将测量结果填充到VL53L0X_RangingMeasurementData_t结构体中，通过RangeMilliMeter字段读取毫米距离；
编译上传后，用串口监视器即可看到与 Raspberry Pi 方案相同的输出（Distance = 29 mm等）。

💁 三套方案的完整代码分别位于4-manufacturing/lessons/4-trigger-fruit-detector/code-proximity/下的pi/、virtual-iot-device/、wio-terminal/目录。

水果质量检测器所用的数据

原型检测器包含多个相互通信的组件，消息流向如下：

近距传感器测量到水果的距离并发送到 IoT Hub；
控制相机的命令从 IoT Hub 下发到相机设备；
图像分类结果发送回 IoT Hub；
控制 LED 告警的命令从 IoT Hub 下发到带 LED 的设备。

在开始构建应用之前，最好先定义清楚这些消息的结构——几乎所有有经验的开发者都曾因「实际发送的数据与预期不符」而排查数小时甚至数天的 bug。

例如发送温度信息时，JSON 字段命名如何定义？用temperature还是常见缩写temp？

{ "temperature": 20.7 }

对比：

{ "temp": 20.7 }

还要考虑单位：温度是 °C 还是 °F？如果用户用消费级设备并切换了显示单位，必须保证发送到云端的单位保持一致。

回到水果质量检测器：你会如何定义每条消息？在哪里分析数据、决定发送什么数据？例如用近距传感器触发图像分类时——决策在哪里做？是设备判断「水果足够近」然后发送消息让 IoT Hub 触发分类？还是设备只上报距离测量值、由 IoT Hub 决策？

答案取决于具体场景，每个用例都不一样。这正是 IoT 开发者需要理解系统本身、使用方式与所测数据的原因：

如果由 IoT Hub 决策，就需要发送多条距离测量值；
消息过多会增加 IoT Hub 的成本与 IoT 设备的带宽占用（工厂里可能有数百万台设备），还可能拖慢设备本身；
如果在设备端决策，则需要提供配置手段来微调机器参数。

用开发者设备模拟多个 IoT 设备

构建原型时，你的 IoT 开发套件需要扮演多个设备：既要发送遥测，也要响应命令。

在 Raspberry Pi 或虚拟 IoT 硬件上模拟多设备

单板计算机（如 Raspberry Pi）可以同时运行多个应用程序，因此可以通过**创建多个应用（每个「IoT 设备」一个应用）**来模拟多设备。例如，把每个设备实现为独立的 Python 文件，在不同终端会话中分别运行。

💁 注意：某些硬件在被多个同时运行的应用程序访问时可能无法正常工作。

在微控制器上模拟多设备

微控制器模拟多设备要复杂得多：与单板计算机不同，你无法同时运行多个应用，必须把所有设备的逻辑放进同一个应用中。以下建议可让这一过程更顺利：

每个 IoT 设备对应一个或多个类——例如DistanceSensor、ClassifierCamera、LEDController，每个类有自己的setup和loop方法，由主setup和loop函数调用；
在单一位置处理命令，再按需分发到对应的设备类；
在主loop函数中要考虑每个设备的时序。例如，一个设备类需要每 10 秒处理一次，另一个需要每 1 秒处理一次，那么主loop使用 1 秒延时：每次loop调用触发需要每秒处理的设备代码，并用计数器累计循环次数，计数达到 10 时再处理另一个设备（然后重置计数器）。

迈向生产环境

原型将成为最终生产系统的基础。投入生产时的主要差异包括：

加固组件：使用为工厂噪声、高温、振动与压力而设计的硬件；
内部通信：部分组件直接通信，避免每次都绕道云端，只把需要存储的数据发送到云端。具体方式取决于工厂布局——可以是直接通信，也可以通过网关设备在边缘运行部分 IoT 服务；
配置选项：每个工厂与用例各不相同，硬件需要可配置。例如近距传感器可能需要在不同距离检测不同水果，不应硬编码触发分类的距离，而应能通过云端配置（例如使用设备孪生（device twin））；
自动化水果移除：不再用 LED 提示未成熟水果，而是由自动化设备直接将其移除。

✅ 思考：除了以上几点，生产设备与开发套件还有哪些差异？

挑战与课后作业

挑战：回顾之前的项目，它们如何融入上文展示的参考架构？任选一个已完成的项目，设计一个比原项目更复杂、融合多种能力的方案，画出架构图并列出所需的所有设备与服务。例如：一个结合 GPS 与传感器的车辆追踪设备（监控冷藏卡车温度、发动机启停时间、司机身份）——涉及哪些设备、哪些服务、传输哪些数据、有哪些安全与隐私考量？

作业（详见 assignment.md）：构建水果质量检测器——综合运用之前所有课程所学：基于近距检测触发图像分类（AI 模型运行在边缘）、将分类结果存入存储、根据水果成熟度控制 LED。评分标准包括：能否配置好 IoT Hub / Azure Functions / Azure Storage 全套云服务；能否在物体进入预设距离时向 IoT Hub 发送消息并通过命令触发相机；能否拍摄图像、用边缘设备分类并上报结果；能否根据分类结果通过命令控制 LED 开关。

🗑 注意：这是本项目的最后一课。完成本课与作业后，请记得清理云服务资源（作业需要用到这些服务，请先完成作业），清理步骤参见 clean-up.md。

延伸学习建议

深入了解 IoT 架构设计，可参考 Azure IoT 参考架构文档（Microsoft Learn 上的 IoT reference architecture）；
了解设备孪生，可阅读 IoT Hub 文档中关于理解与使用设备孪生的章节；
了解 OPC-UA——工业自动化中使用的机器对机器通信协议。

结合本课内容，你可以把此前各课中分散的能力——传感器数据采集（Things）、Azure Functions 与 Azure Storage 处理与存储（Insights）、命令下发与 LED 控制（Actions）、Custom Vision 图像分类（云端 + 边缘）——统一编排到一个完整的水果质量检测原型中，并理解它在真实工厂场景下的生产化演进路径。

【免费下载链接】IoT-For-Beginners12 Weeks, 24 Lessons, IoT for All!项目地址: https://gitcode.com/GitHub_Trending/io/IoT-For-Beginners

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析