ESP32-S3 近红外基线校准踩坑

现象

同一物质、同一距离、同一光照，AS7263 连续采集 10 次，6 个通道值的 RSD（相对标准偏差）从 3% 到 18% 不等。这个方差直接毁掉了下游的分类模型——训练集准确率 92%，实测直接掉到 61%。

排查过程

1. 怀疑 I2C 时序

ESP32-S3 默认 I2C 400kHz，AS7263 数据手册标的是 100kHz。降到 100kHz 后方差略有改善，但没根治。

2. 怀疑供电

用示波器看 3.3V 轨，采集瞬间有 80mV 的跌落。加了一颗 100μF + 0.1μF 去耦，跌落降到 20mV，方差进一步收窄到 8% 以内。

3. 怀疑积分时间

AS7263 的积分时间（ATIME）默认 0xFF，实际曝光约 14ms。对于近红外弱信号，这个时间偏短。把 ATIME 调到 0xEA（约 180ms）后，信噪比显著提升。

// 关键寄存器配置
write_register(0x04, 0x40); // RST
delay(100);
write_register(0x04, 0x00);
write_register(0x01, 0xEA); // ATIME = 234 → ~180ms
write_register(0x00, 0x40); // BANK 0

4. 真正的根因：白参考校准

前三步都是物理层优化。真正解决问题的是每次开机做一次白参考校准：用 PTFE（聚四氟乙烯）漫反射板作为标准白，记录各通道基线值，后续采集都除以这个基线。

def calibrate_white():
    print("请放置白色漫反射板，3 秒后开始校准")
    time.sleep(3)
    samples = [read_channels() for _ in range(20)]
    baseline = [sum(s[i] for s in samples) / 20 for i in range(6)]
    save_baseline(baseline)  # 存到 NVS

def read_normalized():
    raw = read_channels()
    baseline = load_baseline()
    return [r / b for r, b in zip(raw, baseline)]

结果

白参考校准 + 物理层优化后，RSD 稳定在 2% 以内，端到端分类准确率回到 89%。

教训

1. 嵌入式 ML 的精度问题，80% 在数据采集层，不在模型层
2. 示波器和数据手册是朋友，直觉是敌人
3. 任何光谱类传感器，白参考校准是不能省的工序