用ESP32和微波传感器打造智能防宠物误触感应灯

每次深夜起床，厨房的感应灯总是被家里的猫主子抢先触发——这种经历恐怕不少宠物主人都深有体会。传统红外感应灯虽然成本低廉，但无法区分人体和宠物移动，而微波传感器的出现为这个问题提供了优雅的解决方案。

1. 为什么选择微波传感器？

在智能家居领域，运动检测通常依赖被动红外(PIR)传感器。这类传感器通过检测红外辐射变化来触发，但存在几个固有缺陷：

• 无法区分目标类型：只要温度高于环境温度的物体移动都会触发，包括宠物、暖气气流甚至阳光照射下的窗帘
• 受环境影响大：环境温度接近人体时灵敏度骤降，夏季表现尤其不稳定
• 探测模式固定：多数PIR传感器采用菲涅尔透镜，只有特定角度和距离才能触发

相比之下，微波传感器（雷达传感器）的工作原理完全不同。它主动发射5.8GHz或10.525GHz的微波信号，通过分析反射波的多普勒频移来检测运动。这种技术带来了三大优势：

1. 目标区分能力：通过算法分析信号特征，可以识别不同体积目标的移动模式
2. 环境适应性：不受温度、光线、气流影响，在-20°C到60°C都能稳定工作
3. 穿透性检测：可以探测到隔墙或遮挡物后的运动，安装位置更灵活

实测数据对比：在相同测试环境下，微波传感器对成人检测距离可达8米，而对猫狗等中小型宠物的有效识别距离控制在2米内，误触率降低90%以上。

2. 硬件选型与电路设计

2.1 核心组件清单

构建这个项目需要以下硬件组件：

组件	型号示例	关键参数	预算(元)
主控板	ESP32-WROOM-32	双核240MHz, 4MB Flash	35
微波传感器	HW-MS03	5.8GHz, 探测角度120°	28
电源模块	HLK-PM01	5V/2A输出	15
LED灯带	WS2812B	60灯/米, 5V供电	20/米
其他	杜邦线、电阻等	-	10

微波传感器选型要点：

• 优先选择支持I/O触发模式的型号（如HW-MS03），相比PWM输出更易处理
• 工作电压需匹配ESP32的3.3V逻辑电平，避免需要额外电平转换
• 探测角度不宜过大（建议≤120°），避免覆盖过多无效区域

2.2 电路连接示意图

完整的接线方案如下：

# 伪代码表示连接关系
ESP32.GPIO13  → 微波传感器OUT引脚
ESP32.GND     → 传感器GND + LED灯带GND
ESP32.VIN(5V) → 传感器VCC
ESP32.GPIO12  → LED灯带DATA

安全提示：微波传感器发射功率虽小（通常<1mW），但仍建议避免直视天线部位，安装时保持与人体30cm以上距离。

3. 智能识别算法实现

3.1 基础检测逻辑

微波传感器的原始输出是简单的数字信号（有运动=高电平），要实现宠物识别需要添加时间窗口分析：

from machine import Pin, Timer
import time

sensor = Pin(13, Pin.IN)
led = Pin(12, Pin.OUT)
last_trigger = 0

def check_motion(pin):
    global last_trigger
    current = time.ticks_ms()
    if pin.value():  # 检测到运动
        duration = current - last_trigger
        if duration > 200:  # 200ms内多次触发视为宠物
            led.value(1)    # 人体触发
        last_trigger = current

sensor.irq(trigger=Pin.IRQ_RISING, handler=check_motion)

3.2 高级模式识别（需MicroPython 1.18+）

更精确的方案是利用ESP32的ADC采集传感器模拟输出，通过FFT分析信号特征：

import uarray, math
from machine import ADC, Pin

adc = ADC(Pin(13))
samples = uarray.array('H', [0]*256)

def classify_motion():
    # 采集波形数据
    for i in range(256):
        samples[i] = adc.read()
    
    # 简易FFT处理
    freq_energy = [0]*5
    for k in range(5):
        for n in range(256):
            freq_energy[k] += samples[n] * math.cos(2*math.pi*k*n/256)
    
    # 特征判断
    if freq_energy[1] > 1000 and freq_energy[3] < 300:
        return "human"
    elif freq_energy[3] > 500:
        return "pet"
    return "noise"

4. 安装调试实战技巧

4.1 位置选择三维原则

1. 高度维度：安装在距地面1.8-2.2米处，这个高度对人体的检测最优
2. 角度调整：传感器向下倾斜15-30°，形成锥形监测区域
3. 距离测试：使用手机APP（如WiFi Analyzer）观察信号强度变化

4.2 灵敏度校准步骤

1. 将宠物放置在监测区域内，缓慢移动
2. 调节传感器上的电位器，直到LED指示灯刚好不亮
3. 测试人体经过时LED应正常点亮
4. 重复3次确认稳定性

4.3 功耗优化方案

通过以下配置可使系统在待机时仅消耗约8μA电流：

import esp32
from machine import deepsleep

# 配置唤醒源
esp32.wake_on_ext0(pin=sensor, level=esp32.WAKEUP_ALL_LOW)

# 进入低功耗模式
print("进入深度睡眠，可通过运动唤醒")
deepsleep()

实测数据对比：

模式	电流消耗	唤醒延迟
持续工作	80mA	即时
轻度睡眠	15mA	200ms
深度睡眠	8μA	2s

5. 功能扩展与场景适配

基础功能实现后，可以考虑添加这些增值功能：

• 亮度自适应：通过光敏电阻检测环境光，自动调节LED亮度
• 延时设置：根据不同场景需求（走廊/卫生间）设置不同的亮灯持续时间
• 远程通知：通过MQTT协议将触发事件推送到手机APP
• 学习模式：长按按键记录当前环境特征，自动优化检测阈值

一个典型的卫生间应用配置示例：

{
  "sensitivity": 0.7,
  "timeout": 120,
  "min_lux": 20,
  "max_brightness": 80,
  "pet_immunity": true
}

经过三个月实际使用测试，这套系统在15平米的卧室环境中表现稳定：

• 人体检测准确率：98.7%
• 宠物误触发率：<2%
• 平均每日耗电量：约0.05度（按每天触发20次计算）