用Seeed XIAO ESP32S3 Sense实现智能门禁与报警系统项目报告

一、 项目介绍

本项目基于电子森林2026年第6届“寒假在家一起练”活动的要求，选择并完成了“智能门禁系统”的开发任务。任务的核心目标是利用微控制器与边缘 AI 平台，构建一个具备离线人脸识别能力的智能门禁原型。 具体任务要求如下：

1. 基础 AI 识别：训练支持人脸比对的轻量化模型，至少存储 3 个用户数据。
2. 低功耗休眠：默认处于休眠状态，关闭人脸识别、LED 与 OLED 屏幕。
3. 雷达唤醒与补光：超声波检测有人靠近自动唤醒，三色 LED 亮起黄灯，OLED 显示“正在采集”并启动摄像头。
4. 验证开门与自动落锁：识别通过后，LED 变绿，驱动伺服电机开锁，OLED 显示“验证通过”并提供天气信息和问候语；检测无人后 10 秒内关门并休眠。
5. 超时拦截机制：1分钟内（可自定义）未通过验证，则退出识别，LED 变红，屏幕显示“识别失败”，随后休眠。
6. 附加要求 1（已完成）：设计开门时的氛围灯效果。
7. 附加要求 2（已完成）：使用网页进行远程布防、日志查询与状态监控等功能。
8. 附加要求 3（已完成）：自行设计 3D 打印门禁面板外壳结构，并完成装配。

【智能门禁系统实物成品图】

二、 项目介绍

本项目是一款深度融合了边缘计算（Edge AI）、物联网（IoT）云端协同以及 3D 打印工业设计的智能门禁系统原型。项目以 XIAO ESP32-S3 Sense 为主控核心，结合 Edge Impulse 平台训练的轻量化人脸识别模型，成功在受限的微控制器资源上实现了快速反应的离线身份验证。

系统的核心亮点在于“端-边-云”的高效协同：

• 在设备端：图像捕获与人脸识别推理在 ESP32-S3 本地离线运行，保障了弱网环境下的基本可用性与数据隐私。为了解决多任务同时运行导致的内存碎片问题，程序在底层调整了 DMA 内存的分配顺序。
• 在云端交互：通过 MQTT 协议将开门日志、设备状态与 Web 控制台进行同步。同时，系统接入了和风天气（QWeather）API，在单片机上实现了 GZIP 数据的解压，用于获取实时的天气情况和灾害预警。
• 在交互与结构上：设计了适配 86 型底盒的 3D 打印外壳。在 0.96 寸的单色 OLED 屏幕上，通过优化 I2C 的刷新逻辑，实现了 200ms 间隔的预警画面闪烁提示（包括红色预警的黑白反转和橙色预警的底边闪烁）。

三、 硬件介绍

本项目秉承精简高效的硬件选型原则，主要涉及以下模块：

1. XIAO ESP32-S3 Sense（核心主控与视觉输入）：搭载双核 Xtensa LX7 处理器，具备强大的 AI 向量加速指令集。自带 OV3660 摄像头模块（负责 QVGA 图像采集）及数字麦克风，支持 WiFi 联网，是本项目的运算与网络中枢。
2. HC-SR04 超声波传感器（低功耗探针）：利用声波反射原理进行距离测算（精度达毫米级）。在本项目中负责实时监测 50cm 范围内的动态，实现近距离无感唤醒。
3. SG90 伺服电机（机械执行器）：接收 50Hz 的 PWM 信号，可精准控制转动角度。本项目中用于模拟真实门禁锁舌的伸缩（设定 65° 为闭锁，125° 为开锁）。
4. SSD1306 OLED 显示屏（信息交互界面）：0.96 寸 I2C 接口单色屏幕，功耗极低，负责向用户反馈系统当前状态（如“正在采集”、“欢迎xxx”、“拒绝访问”及倒计时数字）。
5. WS2812B RGB 软灯带（光效与补光）：内置控制 IC 的高亮全彩灯珠，单线（DATA 引脚）即可串行控制。项目中提供面部暖色补光、验证状态指示（红/白）以及开门时的自定义呼吸流光氛围。
   

以下是模块引脚与使用情况表：

四、 方案框图和项目设计思路介绍

项目设计思路概括为：“本地计算核验结合云端数据同步”：

1. 休眠与唤醒策略（省电设计）：为控制能耗，系统默认状态处于 STATE_SLEEP 模式，切断屏幕与灯光。利用超声波传感器进行低频轮询，当探测到人员靠近时瞬间唤醒设备，并开启暖色灯光（RGB: 255, 200, 120）进行面部补光，辅助摄像头在暗光下获取清晰特征。
2. 云边协同处理（架构设计）：为避免网络延迟导致的门禁卡顿，人脸比对运算必须在本地完成。通过 Edge Impulse 将模型转换为 C++ 库固化在 Flash 中。验证成功或失败后，系统将结果（含用户名、置信度等）打包为 JSON，通过巴法云（Bemfa）异步推送到 Web 面板。
3. 天气预警与屏幕刷新设计：门禁系统加入了天气与灾害预警的提示功能。通过解析天气 API 返回的数据，系统会过滤掉同类型的重复预警，最多保留 5 个最高级别的预警进行轮播（第一个预警显示 3 秒，后续每个显示 2 秒）。为了配合预警的闪烁效果，程序采用了 200ms 的独立屏幕刷新周期。
4. 结构外壳设计（工业设计）：为了避免器件与线束外露，自主设计了适配标准 86 型墙壁开关尺寸的三件套面板外壳，巧妙利用透明导光环柔化 WS2812 光线，将各传感器模块进行了极简的工业化集成。

【系统方案框图】

五、 调试软件及使用的编程语言说明、软件流程图及关键代码介绍

1. 调试软件与编程语言

• 下位机（ESP32-S3）：使用 Arduino IDE 进行底层固件开发，编程语言为 C++。依赖库包括 esp_camera、PubSubClient、ESP32Servo 等。
• AI 模型训练：使用 Edge Impulse Studio 云端平台，完成图像裁剪、灰度转换、特征提取及 TFLite 神经网络构建。
• 上位机（云端看板）：基于现代前端技术栈，使用 HTML5 / JavaScript / Vue 3 / Tailwind CSS 开发免部署的 Web 监控端。

2. 软件流程图（状态机逻辑）

系统底层逻辑采用严格的五阶有限状态机进行调度，确保程序非阻塞运行：

【系统逻辑流程状态机图】

3. 关键代码介绍

关键代码一：摄像头旧帧清除 在间歇性采集中，ESP32底层 DMA 常会吐出缓存中的旧照片，导致 AI 识别错乱。通过“Dummy Read”机制解决：

bool ei_camera_capture(uint32_t img_width, uint32_t img_height, uint8_t *out_buf) {
    // 【关键】：先抓取一次旧帧并立即释放，清洗底层缓存
    camera_fb_t *fb = esp_camera_fb_get();
    if (fb) { esp_camera_fb_return(fb); }
    
    // 再次抓取，确保获取到毫秒级的最新实时画面
    fb = esp_camera_fb_get(); 
    if (!fb) return false;
    // ... 后续进行 RGB 转换与原位缩放
}

关键代码二：MQTT 日志上报与远程控制 设备在成功识别后，通过 PubSubClient 将信息构建为 JSON 格式并推送到巴法云，供 Web 端解析：

if(mqtt.connected()) {
    // 动态拼接包含用户姓名和置信度的 JSON 字符串
    String jsonLog = "{\"status\":\"passed\", \"user\":\"" + detectedUser + "\", \"confidence\":" + String(maxConfidence, 2) + "}";
    mqtt.publish(MQTT_TOPIC, jsonLog.c_str());
}

关键代码三：防重名的天气定位与 GZIP 数据解压 和风天气 API 返回的数据是 GZIP 压缩格式，且国内部分区县存在重名现象。我们在 Web 控制台的 XML 数据字典中实现了“省-市-区”的三级联动，将具体的区县名和上级城市名一起下发给设备以防重名。设备端使用 ArduinoUZlib 库对 HTTP 返回的数据进行解压缩：

// 1. 拼接 URL 并加入 adm 参数防止重名
String geoUrl = "https://" + String(QWEATHER_HOST) + "/geo/v2/city/lookup?location=" + urlEncode(WEATHER_LOCATION);
if (WEATHER_ADM.length() > 0) {
    geoUrl += "&adm=" + urlEncode(WEATHER_ADM); // 加上父级行政区划，如“沈阳”
}

// 2. GZIP 数据解压处理
String getDecompressedPayload(HTTPClient &http) {
    String rawPayload = http.getString();
    // 判断是否为 GZIP 格式 (1F 8B)
    if (rawPayload.length() > 2 && (uint8_t)rawPayload[0] == 0x1F && (uint8_t)rawPayload[1] == 0x8B) {
        uint8_t *outbuf = NULL; uint32_t outsize = 0;
        ArduinoUZlib::decompress((uint8_t*)rawPayload.c_str(), rawPayload.length(), outbuf, outsize);
        String decodedStr = ""; decodedStr.reserve(outsize);
        for(uint32_t i = 0; i < outsize; i++) decodedStr += (char)outbuf[i];
        free(outbuf); // 释放内存
        return decodedStr;
    }
    return rawPayload;
}

关键代码四：天气预警去重与屏幕刷新逻辑 为了避免倒计时逻辑影响屏幕闪烁频率，程序使用了一个独立的 200ms 定时器来刷新屏幕。在解析天气预警时，程序最多获取 15 个预警，如果发现同类型的灾害预警，则只保留级别最高的一个，并根据危险等级进行排序，确保严重的预警优先显示：

// 1. 同类预警去重逻辑
for (int i = 0; i < activeWarningCount; i++) {
    if (activeWarnings[i].name == newName) {
        isDuplicate = true;
        // 如果遇到同名预警，保留级别较高的那个
        if (lvl > activeWarnings[i].level) {
            activeWarnings[i].level = lvl; 
        }
        break;
    }
}

// 2. 独立的 200ms 屏幕刷新控制
if (currentMillis - lastUIRefresh >= 200) {
    lastUIRefresh = currentMillis;
    // 红色(4级)每 200ms 闪烁反转；橙色(3级)的底线每 400ms 闪烁
    bool currentBlinkState = true;
    if (currentWarningLevel == 3) currentBlinkState = (currentMillis % 800) < 400; 
    else if (currentWarningLevel == 4) currentBlinkState = (currentMillis % 400) < 200;
    
    // OLED 渲染执行代码...
}

关键代码五：非阻塞倒计时 在开门状态下，为了保持流水灯效，引入了 lastCountdown 过滤机制：

unsigned long elapsed = currentMillis - doorOpenStartTime;
int countdown = 10 - (elapsed / 1000);

// 【核心机制】：仅当“秒数”发生实际变化时才刷新屏幕
if (countdown != lastCountdown) {
    lastCountdown = countdown;
    display.clear();
    display.drawString(0, 5, "Welcome!");
    display.drawString(0, 25, lastRecognizedUser); // 动态显示当前用户
    display.drawString(0, 48, "Auto Close in: " + String(countdown) + "s");
    display.display();
}

六、 功能展示图及说明

1. 【休眠与唤醒抓拍】：超声波检测到人员靠近，外壳内的环形灯带发出暖黄色补光，OLED 提示“Scanning...”。
   
   【设备唤醒时的暖光补光图】
2. 【验证开门与流水灯效】：识别到预设的 Chris Evans 后，屏幕显示
   ----------------------------
   Good Morning, ☀ 18℃
   Chris Evans
   09:41 AQI:45 Lock: 10s
   ---------------------------
   同时，边缘亮起蓝色呼吸跑马灯效，舵机旋转，屏幕下方开始 10 秒倒计时进度条。
   
   【验证通过并带有蓝色氛围灯的实物图】
3. 【OLED 天气与预警看板】：屏幕右上角显示当前气温、AQI 指数和天气图标。当收到恶劣天气预警时，屏幕左上角会显示对应的提示动画：橙色预警会在文字下方显示闪烁的线条，红色预警则会使文字和底色每 200ms 反转一次。多个预警同时存在时会自动轮播显示。（详见实物展示视频）
4. 【Web 控制看板与参数设置】：Web 页面使用纯前端代码编写，将 XML 行政区划数据直接嵌入到了 HTML 文件中，方便本地打开。页面提供了省市区三级联动的下拉菜单，用于设置设备的具体位置，右侧区域则实时显示设备的验证日志和下发的指令记录。
   
   【Web 端截图】
5. 【3D打印面板总成】：设计的 86 型三件套外壳（主面板、导光环、集成底座）。摄像头与超声波完美对位。
   
   【3D结构件分解图】

七、 项目中遇到的难题及解决方法

在实际开发与软硬联调过程中，我们遇到了诸多意想不到的底层工程难题，最终通过严谨的排查一一攻克：

1. AI 置信度“死机”与内存溢出问题
2. • 现象：在初期的异步多线程方案中，识别置信度完全不变，似乎在反复识别同一张照片。
   • 解决：排查发现多线程导致了内存指针冲突，系统在循环读取同一块内存的陈旧特征。最终彻底舍弃多线程，回归 V28 版的纯线性单线程架构（拍照->缩放->推理->释放），彻底解决了死图和内存泄漏问题。
2. Web 看板 MQTT 无法连接（校园网拦截）
3. • 现象：前端网页一直报 connack timeout 或 WebSocket 连接失败。
   • 解决：通过查阅抓包与巴法云官方文档，发现 9503 端口极易被校园网/企业网的防火墙通过深度包检测（DPI）拦截。我们将测试网络切换为手机热点，同时将前端协议由严格的加密 wss 降级并替换为巴法云专属的 8083 ws 端口 (ws://wspro.bemfa.com:8083/)，并强制指定 protocolVersion: 4 (MQTT 3.1.1)，最终实现了网页的不掉线。
3. MQTT 上传后 OLED 屏幕假死
4. • 现象：在网络上报完成后的 10 秒倒计时期间，屏幕经常卡在 10s 不动，但后台仍在运行。
   • 解决：这是由于主循环中 OLED 刷新频率过高（原设 200ms），与刚完成 TCP 通信的底层硬件总线产生严重拥堵。改进方案是引入了秒级差异对比刷新算法（仅当倒计时秒数变化时才调用 display.clear()），倒计时画面恢复了顺滑。
4. 摄像头内存分配失败问题
5. • 现象：在增加了天气 API 请求功能后，ESP32-S3 频繁提示 Camera config failed，导致摄像头无法正常初始化。
   • 解决：检查发现，Arduino IDE直接复制项目文件后，不会同步“工具”选项卡里的版设置。需要手动重新启用PSRAM。
5. 预警文字显示不全与重复提示问题
6. • 现象：气象接口有时会对同一种灾害（如大风）发布不同级别的多个预警，导致屏幕频繁轮播重复信息。另外，屏幕左上角的预警文字上半部分会被切掉。
   • 解决：针对重复问题，在解析预警数据时增加了判断逻辑，如果存在同名的灾害类型，则只保留等级最高的一个，丢弃较低级别的预警。针对显示问题，排查后发现是 OLED 渲染时的 Y 轴坐标设置为了 -1，超出了显示区域。将其修改为 0 后显示恢复正常。同时，将橙色预警的提示方式由外侧画框改为了底部线条闪烁，使得界面排版更清晰。

八、 AI 模型训练与其他部分实现情况

1. 视觉 AI 模型（人脸识别）

1. 训练目标

构建一个能够精准区分授权用户（多分类）与非授权目标（陌生人/背景）的图像分类模型。能够在低光照、不同角度下实现极速推理，并作为门禁系统的“第一道锁”。

2. 素材收集与数据工程

• 分类设计：系统设定了多个独立标签，包括授权用户（如 Rebecca, Chris, Zhang, Peng）以及极具关键性的负样本标签 Unknown。
• 收集方法：
• • 正样本：首先收集了每个用户的几张真实生活照作为基础，然后使用 Nano banana 图像大模型进行不同表情、姿势、着装的扩展生成，随后再进行复杂环境的背景合成，从而获取高质量、多样化的目标人物头像。
  • 负样本 (Unknown)：为了防止模型产生“幻觉”（将墙壁或陌生人强行识别为授权用户），我们大量采集了空背景、手掌遮挡、无关物品及未授权人员的照片。负样本数量占比达到总数据集的显著比例，极大提升了模型的安全性。

3. 脉冲设计与特征提取 (Impulse Design)

• 分辨率压缩：为了适应 ESP32-S3 的算力，将输入图像统一 Resize 为 96 x 96（Fit shortest 模式）。
• 色彩降维：在 Image 预处理模块中，强制将图像转为 Grayscale。灰度图的数据量仅为 RGB 的三分之一，不仅将推理速度提升了 3 倍，而且对于提取人脸轮廓特征而言已经完全足够。

4. 模型选择与训练策略

• 模型架构：选择了轻量级的 MobileNetV1 96x96 0.25（Transfer Learning）。相较于目标检测，图像分类网络在极低分辨率下区分“具体是谁”的能力更强，且 0.25 版本的参数量极小，非常适合微控制器。
• 训练参数：Epoch 设定为 120，Learning Rate 为 0.0005。
• 数据增强 ：强制开启。系统在训练时自动对图像进行随机缩放、旋转和裁切，使得几十张原始素材发挥了成百上千张的训练效果。
• 量化与导出：最终模型采用 Int8 量化导出为 Arduino 库，大幅降低了 Flash 和 RAM 占用，并在最终的硬件上实现了稳定、高置信度（>80%）的推理。

【混淆矩阵数据图】

2.听觉 AI 模型（语音口令）

1. 训练目标

训练一个关键词唤醒模型，能够在一片嘈杂的背景音中，精准捕捉特定指令（如“Open”、“Close”），作为原定门禁系统的“第二道锁”。

2. 数据合成与硬件在环采集

在语音数据的采集中，采用了非常前沿的工业级做法：

• 顶尖大模型合成：摒弃了传统的真人重复录音，采用了阿里云通义实验室开源的顶级语音模型 Qwen3-TTS (Voice Design 模式)。通过编写 Python 脚本，输入自然语言 Prompt（如“一个充满激情的男声”、“一个温柔的女声”），批量合成了包含不同性别、不同方言、不同情感的口令音频。
• 语速数据增强：利用 pydub 库对合成音频进行了从 -21% 到 +21% 的 7 档语速/音调变异，极大丰富了样本的多样性。
• RPA 自动化实录：如果直接上传干净的合成音频，模型在真实环境下会因为“麦克风底噪”而失效。因此，我们编写了基于 pyautogui 的自动化脚本，让电脑自动播放生成的音频，同时通过 ESP32-S3 板载的 I2S 麦克风进行实录。这种方法让训练数据完美包含了真实硬件的频响特征和环境回声。

3. 脉冲设计与特征提取

• 音频切片：采用 1000ms 窗口和 500ms 滑动步长处理音频流。
• 特征提取：选用了 Audio (MFE - Mel-filterbank energy)。相比于计算复杂的 MFCC，MFE 在单片机上运行速度更快，且对于简单的口令检测已经能提取出极具区分度的声谱图。

4. 模型选择与极高抗干扰训练

• 模型架构：选择了专门处理时间序列的一维卷积神经网络（1D Conv / CNN）。
• 抗干扰训练 (Data Augmentation)：
• • 引入了长达数十分钟的日常噪音和无关谈话作为 Unknown / Noise 类别。
  • 在训练选项中，开启了 Add noise (High)、Mask time bands 和 Warp time axis。这迫使神经网络在极度嘈杂、语速畸变的情况下依然能抓住目标词的核心发音特征。

5. 未实装说明

尽管语音模型在云端表现优异，但由于本次赛题的要求发生变更，明确聚焦于“基于人脸比对”以及“通过超声波测距唤醒”，为了避免偏题，同时也为了节省 ESP32 单片机极其宝贵的 Flash 和 RAM 资源，该语音模型最终并未合并到主程序中。

3. 默认休眠与节能设定

在 STATE_SLEEP 状态下，系统主动清空并关闭 OLED 屏幕显示，并向 WS2812 发送指令关闭所有灯珠。此时摄像头暂停图像获取，仅依赖超声波传感器进行定期的距离检测。

4. 雷达唤醒与补光采集

当超声波传感器检测到 50cm 范围内有物体靠近时，触发系统唤醒：

• 补光辅助：三色 LED 切换为暖黄色调（RGB: 255, 200, 120），为面部提供柔和的光线补偿。
• 界面提示：OLED 屏幕亮起，显示“Collecting... Face to Camera”。
• 图像获取：底层调用接口获取最新的摄像头帧数据，准备送入模型进行特征提取与推理。

5. 识别防抖与自动关门逻辑

• 防抖判定：程序中设置了 faceDetectionCount 变量，需连续 2 帧识别到同一用户且置信度达到 70% 及以上，才判定为验证通过。
• 开门执行：验证通过后，OLED 屏幕显示对应的用户名（如 "Welcome Eddie Peng"），同时舵机转动至特定角度模拟解锁过程。
• 延时关门：开门动作完成后，系统启动 10 秒的非阻塞倒计时。为避免频繁刷新造成 I2C 硬件通信堵塞，屏幕采取每秒刷新一次倒计时数字的策略，倒计时结束后自动控制舵机闭锁。

6. 超时与失败处理

系统在唤醒时记录时间戳 recognizingStartTime。若在 1 分钟（60000ms）内未能识别出符合要求的人脸（可以通过云端自定义时长），状态机将切换至 STATE_FAILED。此时 LED 灯带亮起红色，屏幕提示“Timeout Denied”，维持 3 秒后系统重新进入休眠状态。

九、 附加任务项实现说明

在完成基础验证功能之余，本项目也尝试实现了一些扩展功能：

附加项 1：开门氛围灯效与自定义颜色

在验证通过并保持开门的 10 秒倒计时期间，设计了一组流动呼吸灯效，作为通道开启状态的视觉指示。系统支持通过 Web 控制台的颜色选择器自定义 RGB 颜色参数。用户在网页端配置后，颜色数据会通过 MQTT 协议下发至设备，动态改变硬件上的开门氛围灯颜色。

附加项 2：Web 云端管理页面与气象接口定位

基于巴法云提供的设备接口，利用 Vue.js 和 Tailwind CSS 编写了一个简易的 HTML 静态控制页面。

• 日志查看：设备会将验证结果（成功/失败原因、置信度等）以 JSON 格式上报云端，Web 页面可定时拉取并以列表形式展示最近的通信记录。
• 远程操作：在 Web 页面点击“远程开门”按钮，可通过云端向设备下发指令。设备接收解析后，执行相应的舵机开锁与灯光响应。
• 天气接口配置：页面集成了省、市、区三级联动的地址选择器。用户选择精确位置后，网页会将包含详细层级的地理位置参数（用于防重名）同步给设备，供其调用和风天气 API 获取准确的实时气象与灾害预警信息。

附加项 3：定制 86 型 3D 打印外壳

针对开发板与传感器散落不易展示的问题，设计了尺寸兼容 86 型底盒的 3D 打印结构件：

1. 主面板：预留了摄像头、屏幕和超声波探头的开孔。
2. 底座：内部设有用于固定 ESP32-S3 主板和超声波模块的位置，方便理线。
3. 导光环：采用透明材料打印的环形垫件，放置于 LED 灯带前方，起到一定的柔光和漫反射作用。

十、 结构装配指南

本系统的物理外壳基于标准 86 型开关面板尺寸设计，整体划分为前面板（P-01）、导光环（P-02）及集成底座（P-03）三个主要 3D 打印部件。具体装配流程如下：

1. 前面板与显示组件预组装

• 屏幕对位：首先将 0.96 寸 OLED 显示屏对准主前面板中央的矩形视窗放入，确认显示区域无遮挡后，使用热熔胶或硅胶在背部四角进行轻微固定。
• 导光环嵌入：将使用透明或白色材料打印的导光环（P-02）压入前面板内侧预留的 3mm 嵌槽中。
• 光源布置：裁剪适量长度（包含 3-4 颗灯珠）的 WS2812 柔性灯带，环绕粘贴于导光环正后方，确保发光面朝向前方透明结构，以实现光线的均匀漫反射。

2. 核心控制板与传感器就位

• 超声波模块：将 HC-SR04 超声波模块的两个探头朝外，平稳推入集成底座（P-03）底部的专用限位挡板中。
• 主板安装：将 ESP32-S3 Sense 主控板卡入底座内部的固定支架上。特别注意：安装过程中需为摄像头 FPC 排线预留出足够的 U 型弯折空间，避免硬件拉扯损坏。

3. 整机扣合与机电部署

• 线缆引出：将伺服电机控制线（连接至门框真实机械结构）及外部电源线穿过底座背部的走线孔引出。
• 内部理线：规整底盒内部的 OLED I2C 线束、灯带数据线与超声波信号线，确保线缆不会干涉摄像头排线及光学镜头。
• 面板扣合：将组装好的前面板对准底盒，使摄像头镜头与超声波探头精准穿过面板预留的圆孔（摄像头孔位 Ø 7mm，超声波孔位 Ø 16.5mm）。
• 最终固定：使用两颗标准 M4 螺丝穿过前面板两侧孔位，将整套装置稳固锁紧于墙面的 86 底盒内。系统复位后，即可配合舵机（65° 闭锁态 / 125° 开启态）进行联机测试。
  

十一、 心得体会

本次智能门禁系统的开发，是一次从底层硬件逻辑到云端全栈开发的完整洗礼。我深刻体会到了以下几点：

1. 软硬协同的严谨性：在嵌入式系统中，一行错误的多线程代码或过高的 I2C 刷新率，都可能导致系统崩溃或假死。敬畏硬件资源的边界，采用极简的线性状态机往往是保证系统稳定运行的最佳实践。
2. 工程联调的思维跃升：当遇到网页连不上云端的问题时，通过查看串口返回的错误码 rc=-2 并比对官方微信小程序原生 HTTP 接口的思路，让我学会了跳出代码本身，从“网络拓扑”和“端口防火墙”的角度去定位和解决系统级 Bug。
3. 技术广度决定产品完成度：一个优秀的作品不应只停留在“能跑通代码”的层面。本次项目将 Edge Impulse 机器学习、ESP32 嵌入式 C++ 开发、Vue 3 前端页面构建以及 3D 打印工业设计结合在一起，让我真切感受到“全栈开发”在实现产品闭环时带来的巨大成就感。这次比赛不仅锻炼了我的技术能力，更塑造了我用工程手段解决实际问题的大局观。