TinyML实战项目：智能水产养殖与监测从一次鱼塘溶氧量报警误触发说起凌晨三点，手机突然狂震。客户鱼塘的溶氧量监测系统报警——溶氧量低于2mg/L，紧急增氧指令已下发。我揉着眼睛打开后台，数据曲线显示溶氧量在凌晨两点五十分从5.8mg/L断崖式跌到1.9mg/L。但直觉告诉我不对劲：这个鱼塘是草鱼混养，密度不高，水温18℃，按理说夜间溶氧不会掉这么快。第二天一早赶到现场，发现传感器探头被一条死鱼缠住了。死鱼腐烂产生的有机物消耗了局部溶氧，但整个鱼塘的水体溶氧其实还在安全线以上。问题出在哪？我们的边缘计算节点只做了简单的阈值判断，没有做时间序列上的趋势分析，更没有融合水温、pH、天气等多维数据做交叉验证。这个坑让我意识到：TinyML在水产养殖中的价值，不是替代传统阈值报警，而是用轻量级模型在MCU上做“智能预判”——把误报率降下来，把真正的风险提前识别出来。硬件选型：别被“算力焦虑”带偏很多初学者一上来就想上树莓派、Jetson Nano，觉得STM32跑不了模型。实际上水产养殖场景对实时性要求并不苛刻——溶氧、温度、pH这些参数变化以分钟甚至小时为单位，STM32F4系列（Cortex-M4，带FPU和DSP指令）完全够用。我用的方案是：主控：STM32F407VGT6（1MB Flash，192KB SRAM）传感器：DO溶氧传感器（RS485 Modbus）、pH电极、水温DS18B20、浊度传感器
