开始之前

参考项目：赛博魔杖_STM32卷积神经网络 - 立创开源硬件平台

立创开源链接：MagicWand-基于魔杖的智能家具控制 - 立创开源硬件平台

Github：moneypiaorui/MagicWand: 基于魔杖控制的智能家居系统

使用手册

硬件的组装和固件烧录见硬件手册，使用手册从固件烧录完成开始

配置WIFI

第一次使用时魔杖无法连接WIFI，会开启自身热点，名称为ESP32_Hotspot

用电脑连接该热点后，按住win+R，输入cmd打开命令行；然后输入ipconfig,下拉到无线局域网适配器一栏，复制默认网关这项的ip地址

在浏览器输入该ip地址，打开wifi配置界面，输入你的wifi名称和密码，点击保存，信息就会保存到esp32的存储中，下次启动的时候自动连接该WIFI

重启esp32，进入路由器的管理界面，检查esp32是否连接到wifi，连接成功会出现以下信息；新的ip地址可以记住，在后续的mqtt配置和开发中会使用到

Homeassistant和MQTT安装

Homeassistant（以下简称HA）是一个非常好用的智能家居平台，可以将米家和Homekit集成其中一起控制，自身还能拓展很多功能，DIY自由度非常高

MQTT是一个用于物联网设备的通信协议，本项目中魔杖将采用MQTT协议将动作指令发送给HA，然后由HA来实现具体的家居控制

Linux系统推荐使用宝塔面板进行安装，在宝塔的docker商店（需要9.2及以上才有docker）中搜索Homeassistant和emqx一键安装，省心省力

Windows系统安装

安装docker desktop

详见【从零开始】Docker Desktop：听说你小子要玩我-阿里云开发者社区

安装后打开命令行输入docker --version,能够运行代表安装成功，且docker desktop呈现如下界面，重点是左下角是绿色的running状态

docker安装HA

先在命令行输入docker pull homeassistant/home-assistant:latest拉取最新HA镜像

然后输入docker run -d --restart always --name homeassistant -v /data/homeassistant/config:/config -e TZ=Asia/Shanghai -p 8123:8123 homeassistant/home-assistant:latest启动HA，端口为8123

HA的配置文件在docker->file栏下的config文件夹中

docker安装MQTT

使用emqx免费版，安装命令见官网下载 EMQX 开源版，结束状态如下

MQTT相关配置

esp32配置MQTT

在配置WIFI的地方我们能够获取到esp32的ip地址，同样粘贴到浏览器中，填写MQTT的相关设置然后保存

服务器填写对应电脑的ip地址，同样可以通过路由器控制面板查看/通过ipconfig查看；端口默认1883;用户名密码默认EMQX不验证，随便写。

EMQX配置（可选）

用来开启EMQX的账密验证服务；开启后HA配置MQTT集成，ESP32设置MQTT服务器都要配置正确的账号密码；一般不用开启，直接跳过这一部分就行

宝塔安装完成后使用localhost:18083（如果是在本机装的话）进入EMQX控制面板，账号密码默认是admin和public

点击左侧的安全->客户端授权->创建，然后一路下一步直到创建完成

然后点击 用户管理->添加 来配置用户

HA相关配置

宝塔安装完成后使用localhost:8123（如果是在本机装的话）进入HA页面，后续具体配置流程见低成本玩转智能家庭（一）Home Assistant搭建和配置 - 知乎

进入HA的dashboard后参考下面的文章配置MQTT集成（注意用户名and密码是可选的，默认EMQX没有开启账密验证，用户名and密码可以随便填）

homeassistant配置MQTT集成以及传感器实体（STM32连接进入homeassistant）_mqtt实体-CSDN博客

HA自动化

启动esp32，如果wifi和mqtt都配置完成，进入HA的MQTT集成界面（设置->设备与服务->集成）；点击MQTT集成下的设备，能够看到Magic Wind的设备，点进去

然后点击MQTT INFO，能够看到ESP32通过MQTT发现自动配置的所有trigger（动作类型）

点击自动化右边的+号，点击“使用设备作为触发条件”，然后根据HA自动化的相关规则配置

魔杖使用

到这里所有前置环境的配置就结束了，下面是魔杖的具体使用方法

拨动开关打开魔杖，等到红灯完全熄灭不再闪烁或者长亮，表示初始化完成，可以使用。

按下按钮开始动作录制，红灯亮起，松开按钮结束动作录制，红灯熄灭，然后ESP32会判断动作并通知HA。

默认内置的12种动作，使用的时候注意在魔杖停止移动的时候 开始/结束，移动速度不宜太快，幅度不宜太小

训练动作

数据采集

Esp32开启websocket服务在8080端口，用esp32内置的webui（/dashboard.html）进行数据采集，通过ws连接esp32。当esp32的电容触摸引脚(或者按钮)被按下时，设置isRecording=true,ws发送“start”信息，然后开始用ws流式传输传感器数据，采样频率设置为100HZ。松开电容引脚(或者按钮)，isRecording=false，并发送“end”告知一次数据采集结束。

网页会记录下每次采集的数据，并提供检查、选择、删除的功能，确认无误后导出为csv，作为一个动作的训练数据。采集新的动作数据时F5刷新网页，然后采集。

将每种动作的所有数据录制在同一个csv中，命名为<动作名.csv>，训练时根据.csv前面的文件名标识动作类名

模型训练

所有动作的csv在PC使用python进行预处理，训练测试集划分，模型训练保存

将所有动作的csv复制到train/data文件夹下，然后在train文件夹下右键打开终端，配置python环境后（推荐使用anoconda），输入python ANN.py运行神经网络的模型训练。

训练中自行根据正确率和loss下降趋势选择合适的epoch数量（或者就用默认的50epochs）

训练结束后会将one_hot编码和torch.nn的权重保存成json格式方便ESP32使用

模型导出

将train/model文件夹下的one_hot_encoder.json和model_weights.json复制到main/data文件夹下，使用LittleFS插件烧录到ESP32的flash中（需配置esp32c2开发板）
或者将train/model文件夹下的one_hot_encoder.json和model_weights.json通过配置网页上传到flash中

LittleFS安装见Arduino IDE 2：安装 ESP32 LittleFS 上传器 |随机书教程

硬件手册

PCB

电路板设计见立创开源平台

PCB主控采用ESP32C2系列ESP8684-WROOM-01C模组，本来打算用C3系列的8685-WROOM-01，但是市面上没有存货，而且考虑到PCB设计只有20cm的宽度，只好采用C2的模组了

但是C3系列的8685-WROOM-01在该电路上可以无缝替换，方便后面的编译环节

3D外壳

采用别人开源项目的外壳赛博魔杖_STM32卷积神经网络 - 立创开源硬件平台

固件烧录

代码采用Arduino开发，记得设置文件路径以保证相关库能正常使用

固件上传采用两种方式：

(不建议使用，详细方法见开发手册->开发环境)使用Arduino编译并上传：此方法较为复杂，因为Arduino原生没有提供ESP32C2的支持，详细解决方法见Arduino中不支持ESP32C2 – SZU_TIC，如果出现任何问题请通过博客主页联系我
- 如果使用C3系列的8685-WROOM-01替换的话则可以正常编译，而且不需要修改代码
- 此方式还需自行烧录flash文件系统Arduino IDE 2：安装 ESP32 LittleFS 上传器 |随机书教程
使用官方烧录工具工具｜乐鑫科技，将github仓库中/main/build/esp32.esp32.esp32c2下编译好的固件main.ino.merged.bin烧录到芯片的0x0中，然后将FS.bin烧录到0x290000中，具体操作见下图
- 或者也可以直接将/main/build/下合并好的target.bin烧录到0x0的位置，但Github仓库中的target.bin不保证最新

两种方法烧录固件时需要同时按下EN和BOOT按钮，然后先松开EN再松开BOOT进入下载模式

固件更新

开启了OTA更新功能，在webUI中选择bin文件上传即可进行更新

点击项目->导出已编译二进制文件，将相关bin文件导出到build文件夹下

能够更新的bin文件分别是main.ino.bin（主程序）~~和LittleFS编译出的FS.bin文件（文件系统）~~，其他例如bootloader.bin之类的不要上传（FS.bin暂时无法OTA，不知道为什么QAQ）

开发手册

运行流程

setup
- 读取WIFI和MQTT设置
- 连接WIFI，启动http服务和websocket（以下简称ws）服务
- 设置http路由，包括/WIFIconfig（设置WIFI），/MQTTconfig（设置MQTT），/restart（重启ESP32）
- 初始化MPU6050
- 设置MQTT
LOOP
- 按下按钮时
  - 通过MPU6050采集6轴动作，存储为SensorData结构体，push_back到actionRecord中，采样频率为100hz；
  - 将六轴数据广播到所有的ws连接上
- 松开按钮时
  - 将所有SensorData通过线性插值转成20个frame的数据集actionInput
  - 将actionInput拉成120维的输入数据，通过手搓的前向传播和relu激活函数实现神经网络，得到12维（动作数）的output
  - 取output中最大值的索引，通过actions[index]获得预测类别
  - 将预测类别通过MQTT返回给HA

代码介绍

ESP32

websocket

主要用于向webUI传输陀螺仪数据

web服务器

设置以下路由

server.on("/WIFIconfig", handleWIFI);//处理WIFI表单上传
server.on("/MQTTconfig", handleMQTT);//处理MQTT配置表单上传
server.on("/restart", handleRestart);//处理重启请求
server.on("/upload", HTTP_POST, handleFileUpload, handleUploadForm); // 处理文件上传请求
server.on("/update", HTTP_POST, handleFirmwareUpload, handleUpdateBin); // 处理 OTA 请求

MQTT

自动配置为HA设备的触发器（trigger），具体规则见官方文档MQTT Discovery- Home Assistant

void publishDeviceConfiguration() {
  // 通过MQTT发现，自动配置触发器(trigger)
  for (String action : actions) {
    Serial.print(action);
    Serial.print(",");
    StaticJsonDocument<512> doc;  // 在每次循环中创建新的 JSON 对象
    doc["automation_type"] = "trigger";
    doc["type"] = "action";
    doc["subtype"] = action;  // 设置 subtype
    doc["payload"] = action;  // 设置 payload
    doc["topic"] = controlTopic;

    JsonObject device = doc.createNestedObject("device");
    device["identifiers"][0] = "magic_wind";  // 使用小写和下划线
    device["name"] = "Magic Wind";

    // 将 JSON 转换为字符串
    char jsonBuffer[512];
    serializeJson(doc, jsonBuffer);

    // 创建唯一的主题或 object_id
    String uniqueId = "homeassistant/device_automation/" + String("magic_wind/") + action + "/config";
    mqttClient.publish(uniqueId.c_str(), jsonBuffer);  // 使用保留消息
  }
  Serial.println("\nDevice configuration published");
}

前向传播

在esp32上编写relu，softmax，全连接层来手动实现实现ANN的前向传播

// 定义 ReLU 激活函数
float relu(float x) {
  return (x > 0) ? x : 0;
}
// Softmax 函数
void softmax(float* output, int length) {
  float sum = 0.0;
  // 计算所有输出值的指数和
  for (int i = 0; i < length; i++) {
    sum += exp(output[i]);
  }

  // 将每个输出转化为概率
  for (int i = 0; i < length; i++) {
    output[i] = exp(output[i]) / sum;
  }
}
// 线性插值函数
float linear_interpolation(float target_time, float time0, float time1, float value0, float value1) {
  return value0 + (value1 - value0) * (target_time - time0) / (time1 - time0);
}
// 全连接层操作
float fc(float* input, float* weights, float* bias, int input_size) {
  float output = 0;
  for (int i = 0; i < input_size; i++) {
    output += input[i] * weights[i];
  }
  return output + bias[0];
}
// 前向传播逻辑
void forward(float* input, float* output, float* fc1_weight, float* fc1_bias, float* fc3_weight, float* fc3_bias) {
  float hidden[layer2];

  // 第一层全连接 (fc1)
  for (int i = 0; i < layer2; i++) {
    hidden[i] = 0;
    for (int j = 0; j < layer1; j++) {
      hidden[i] += input[j] * fc1_weight[i * layer1 + j];
    }
    hidden[i] += fc1_bias[i];
    hidden[i] = relu(hidden[i]);  // ReLU 激活函数
  }

  // 第三层全连接 (fc3)
  for (int i = 0; i < layer3; i++) {
    output[i] = 0;
    for (int j = 0; j < layer2; j++) {
      output[i] += hidden[j] * fc3_weight[i * layer2 + j];
    }
    output[i] += fc3_bias[i];
  }
}

从flash中的json文件加载权重和分类信息字典，使用ArduinoJson库读取，StaticJsonDocument后为内存空间大小需要手动设置，注意不要过大不然可能堆栈溢出导致无限重启

// 加载模型权重
void loadModelWeights(const char* filename) {
  File file = LittleFS.open(filename, "r");
  if (!file) {
    Serial.println("Failed to open model-weights file");
    return;
  }
  // 解析 JSON
  StaticJsonDocument<121024> doc;
  DeserializationError error = deserializeJson(doc, file);
  if (error) {
    Serial.println("Failed to read model-weights");
    return;
  }
  // 从 JSON 中加载权重
  for (int i = 0; i < layer2; i++) {
    fc1_bias[i] = doc["fc1.bias"][i];
    for (int j = 0; j < layer1; j++) {
      fc1_weight[i * layer1 + j] = doc["fc1.weight"][i][j];
    }
  }
  for (int i = 0; i < layer3; i++) {
    fc3_bias[i] = doc["fc3.bias"][i];
    for (int j = 0; j < layer2; j++) {
      fc3_weight[i * layer2 + j] = doc["fc3.weight"][i][j];
    }
  }
  file.close();
}

// 加载 OneHotEncoder 类别信息
void loadOneHotEncoder(const char* filename) {
  File file = LittleFS.open(filename, "r");
  if (!file) {
    Serial.println("Failed to open OneHotEncoder file");
    return;
  }
  // 解析 JSON
  StaticJsonDocument<1024> doc;
  DeserializationError error = deserializeJson(doc, file);
  if (error) {
    Serial.println("Failed to read OneHotEncoder");
    return;
  }
  // 清空 actions vector，确保每次加载时都是干净的
  actions.clear();
  // 读取类别信息
  for (JsonVariant category : doc.as<JsonArray>()[0].as<JsonArray>()) {
    actions.push_back(category.as<String>());
  }
  file.close();
}

Python

数据预处理

数据预处理采用线性插值降维实现维度统一，然后拼接成6通道的（6*target_frame）vector输入ANN。代码在interpolate_data.py

# 线性插值
def interpolate_data(data, target_frames=100):
    interpolated_data = []

    # 根据 ID 分组
    grouped = data.groupby('id')

    for id_value, group in grouped:
        # 获取时间和特征
        time = group['time'].values
        Ax = group['Ax'].values
        Ay = group['Ay'].values
        Az = group['Az'].values
        gx = group['gx'].values
        gy = group['gy'].values
        gz = group['gz'].values

        # 仅在数据点数量足够时进行插值
        if len(time) > 1:  # 确保有足够的数据点进行插值
            target_time = np.linspace(time.min(), time.max(), target_frames)
            # 进行插值
            Ax_interp = np.interp(target_time, time, Ax)
            Ay_interp = np.interp(target_time, time, Ay)
            Az_interp = np.interp(target_time, time, Az)
            gx_interp = np.interp(target_time, time, gx)
            gy_interp = np.interp(target_time, time, gy)
            gz_interp = np.interp(target_time, time, gz)

            # 将插值结果添加到列表
            for t, ax, ay, az, gxi, gyi, gzi in zip(target_time, Ax_interp, Ay_interp, Az_interp, gx_interp, gy_interp, gz_interp):
                interpolated_data.append([id_value, t, ax, ay, az, gxi, gyi, gzi])

    # 转换为 DataFrame
    interpolated_df = pd.DataFrame(interpolated_data, columns=['id', 'time', 'Ax', 'Ay', 'Az', 'gx', 'gy', 'gz'])
    return interpolated_df

网络架构

model.py中实现了两个网络架构，3层MLP网络和两层卷积+一层全连接的CNN；默认使用MLP网络因为ESP32的前向传播只实现了MLP部分，卷积逻辑没有实现

# 构建神经网络模型
class ActionClassifier(nn.Module):
    def __init__(self,input_shape,output_classes):
        super(ActionClassifier, self).__init__()

        self.fc1 = nn.Linear(input_shape[1]*input_shape[2], 32)  # 输入特征数
        # self.fc2 = nn.Linear(32, 32)
        self.fc3 = nn.Linear(32, output_classes)  # 输出层节点数为CSV文件数量

    def forward(self, x):
        x = torch.flatten(x,start_dim=-2)
        x = self.fc1(x)
        x = torch.relu(x)
        # x = torch.nn.functional.leaky_relu(self.fc1(x), negative_slope=0.01)
        x = self.fc3(x)
        return x
    
# CNN模型
class ActionClassifierCNN(nn.Module):
    def __init__(self,input_shape,output_classes):
        super(ActionClassifierCNN, self).__init__()
        # 卷积层
        self.conv1 = nn.Conv1d(in_channels=input_shape[2], out_channels=30, kernel_size=3, stride=3, padding=1)
        self.conv2 = nn.Conv1d(in_channels=30, out_channels=15, kernel_size=3, stride=3, padding=1)
        # 全连接层
        self.fc1 = nn.Linear(15 * ((input_shape[1]-1)//9+1), output_classes)  
        self.dropout = nn.Dropout(0.3)

    def forward(self, x):
        x = x.permute(0, 2, 1)
        x = torch.nn.functional.leaky_relu(self.conv1(x))
        x = torch.nn.functional.leaky_relu(self.conv2(x))
        x = torch.flatten(x,start_dim=-2)# 倒数第二个维度开始，批量和单个数据都可以运行
        x = self.fc1(x)
        x = self.dropout(x)
        return x  # 分类问题使用 softmax 输出

模型训练

训练代码在ANN.py中，可以调整参数如下

target_frame：线性插值降维的目标frame，*6是真正降维后输入ANN的数据维度
test_size：划分训练测试集的时候测试集的比例
num_epochs：训练轮次（所有训练数据都通过nn进行一次反向传播称为一个epoch）

使用交叉熵损失函数，在降维维度为20的时候进行40个epoch训练的loss和accuracy曲线如下，可以发现在25个epoch后模型趋于收敛

模型部署

因为esp32上无法使用pytorch相关库，所以采取将权重json序列化保存后上传到esp32闪存中，同时保存传one-hot字典用于将ANN输出值softmax后解码

模型预测的时候使用softmax将model输出值映射到0-100%之间，取>80%的输出为预测结果，并通过one-hot字典解码成动作string后上报到MQTT服务器

模型优化

因为ESP32的内存只有328KB，为了避免内存堆栈溢出，需要对模型进行压缩

要对模型进行压缩和加速可以从降低线性插值维度和改变ANN结构来实现，下面主要尝试了降低线性插值维度。

设置frame从2到20，每次训练40个epoch，使用相同的训练测试集，得到loss和accuracy关于frame-epoch平面下的曲面图如下

可以发现插值维度10~20训练速度和accuracy差异不大，所以将插值维度降低为10，测得模型权重导出的json文件从90.6KB下降到49.2KB，压缩46%

开发环境

本项目使用Arduino2.0开发（不是1.0），相关依赖已放在Github仓库中，即根目录/libraries；点击main/main.ino自动打开项目文件夹，然后点击文件->首选项，修改项目文件夹为该项目根目录，即可在编译时自动查找依赖

在Arduino左侧开发板管理器中下载3.0.4版本的esp32开发板（注意版本要对），然后参考Arduino中不支持ESP32C2 – SZU_TIC开启ESP32C2的支持，在顶部选择对应串口和开发板

然后点击“工具”栏，配置flash Size和Flash Scheme（主要是OTA，app，文件系统等分区的配置），注意自己购买的的8684WROOM-1C后缀是H4，代表内置4MB flash

然后就可以正常编译上传了，data下的文件使用LittleFS Uploader上传，具体安装见Arduino IDE 2：安装 ESP32 LittleFS 上传器 |随机书教程

固件合并

点击项目->导出已编译二进制文件，将相关bin文件导出到build文件夹下

下面是Arduino编译时合并固件的命令，可以看到对应bin所在分区，按照这个配置flash_tool，其中boot_app0.bin可以忽略不合并，LittleFS固件地址和获取在下文介绍；配置完成点击combineBin进行合并

"C:\\Users\\24518\\AppData\\Local\\Arduino15\\packages\\esp32\\tools\\esptool_py\\4.6/esptool.exe" --chip esp32c2 merge_bin -o "C:\\Users\\24518\\AppData\\Local\\Temp\\arduino\\sketches\\BFDA5DF393641D20E0648E7CFC4A91E2/main.ino.merged.bin" --fill-flash-size 2MB --flash_mode keep --flash_freq keep --flash_size keep 0x0 "C:\\Users\\24518\\AppData\\Local\\Temp\\arduino\\sketches\\BFDA5DF393641D20E0648E7CFC4A91E2/main.ino.bootloader.bin" 0x8000 "C:\\Users\\24518\\AppData\\Local\\Temp\\arduino\\sketches\\BFDA5DF393641D20E0648E7CFC4A91E2/main.ino.partitions.bin" 0xe000 "C:\\Users\\24518\\AppData\\Local\\Arduino15\\packages\\esp32\\hardware\\esp32\\3.0.4/tools/partitions/boot_app0.bin" 0x10000 "C:\\Users\\24518\\AppData\\Local\\Temp\\arduino\\sketches\\BFDA5DF393641D20E0648E7CFC4A91E2/main.ino.bin"

在使用LittleFS上传的时候观察命令行可以发现有这么一段输出

 Sketch Path: E:\Project\electronicDIY\MagicWand\main
   Data Path: E:\Project\electronicDIY\MagicWand\main\data
      Device: ESP32 series, model esp32c2
Using partition: default
  Partitions: C:\Users\24518\AppData\Local\Arduino15\packages\esp32\hardware\esp32\3.0.4\tools\partitions\default.csv
       Start: 0x290000
         End: 0x3f0000

打开对应的CSV文件结构如下，存储flash中各种固件起始位置，而且根据开发板，flash Size和Flash Scheme设置不同，分区表也不同；对于该项目使用的esp32c2，4MBflash，default配置，文件系统地址为0x290000

# Name,   Type, SubType, Offset,  Size, Flags
nvs,      data, nvs,     0x9000,  0x5000,
otadata,  data, ota,     0xe000,  0x2000,
app0,     app,  ota_0,   0x10000, 0x140000,
app1,     app,  ota_1,   0x150000,0x140000,
spiffs,   data, spiffs,  0x290000,0x160000,
coredump, data, coredump,0x3F0000,0x10000,

除此之外命令行还有一条信息

Command Line: C:\Users\24518\AppData\Local\Arduino15\packages\esp32\tools\esptool_py\4.6\esptool.exe --chip esp32c2 --port COM5 --baud 921600 --before default_reset --after hard_reset write_flash -z --flash_mode dio --flash_freq 60m --flash_size detect 2686976 C:\Users\24518\AppData\Local\Temp\tmp-40156-RVtpLUV4YNGT-.littlefs.bin

最后的地址就代表文件系统固件存放位置

查看评论 - 4 条评论

Comments 4 条评论

博主巫枫-

回复

发布于 14 天前 ( Edge 131 Windows 10/11 )( ) 来自:
Warning: 通过Sakurairo获取IP地理位置失败：返回的数据不是json格式 in /www/wordpress/wwwroot/wp-content/themes/Sakurairo/inc/classes/IpLocation.php on line 58
中国广西 Hechi

这个pcb为什么我插在电脑上，没有显示串口
- 博主 ChainPray
  
  回复
  
  发布于 14 天前 ( Edge 131 Windows 10/11 )( ) 来自:
  Warning: 通过Sakurairo获取IP地理位置失败：返回的数据不是json格式 in /www/wordpress/wwwroot/wp-content/themes/Sakurairo/inc/classes/IpLocation.php on line 58
  中国广东深圳
  
  @巫枫- 得下ch340串口芯片的驱动 https://www.wch.cn/downloads/CH341SER_EXE.html
博主巫枫-

回复

发布于 13 天前 ( Edge 131 Windows 10/11 )( ) 来自:
Warning: 通过Sakurairo获取IP地理位置失败：返回的数据不是json格式 in /www/wordpress/wwwroot/wp-content/themes/Sakurairo/inc/classes/IpLocation.php on line 58
中国广西 Hechi

有相关的群吗，我不太会烧录固件，遇到了很多问题
- 博主 ChainPray
  
  回复
  
  发布于 13 天前 ( Edge 131 Windows 10/11 )( ) 来自:
  Warning: 通过Sakurairo获取IP地理位置失败：返回的数据不是json格式 in /www/wordpress/wwwroot/wp-content/themes/Sakurairo/inc/classes/IpLocation.php on line 58
  中国广东深圳
  
  @巫枫- 暂时没建群，你直接加我主页v或者QQ吧