一文读懂上拉电阻:工作原理和阻值确定

上拉电阻器:它是如何工作的和选择一个值

上拉电阻器非常普遍,您会一直在数字电路中看到它。它只是一个电阻器,从输入端连接到V断续器,电路的正电源。

上拉电阻器示例电路

上拉电阻用于确保在未按下按钮时输入引脚上具有高电平状态。如果没有一个,您的输入将是浮动的,并且您有可能在输入在高和低之间随机变化,因为它在空气中拾取噪音。

如何选择上拉电阻值

低电阻值称为强上拉(电流流动较多),高电阻值称为弱上拉(电流较少

规则 1:值不能太高。

上拉值越高,输入端的电压就越低。重要的是,电压要足够高,芯片才能将其视为高电平或逻辑1输入。

例如,如果使用具有 10V 电源的 CD4017,则输入端至少需要 7V 才能将其视为 HIGH。

规则2:但它也不能太小。

例如,如果您选择100 Ω,问题是当按下按钮时,您会获得大量电流流经它。

使用9V电源时,您可以在100 Ω(90 mA)获得9V电压。这是不必要的功率浪费,但这也意味着电阻器需要承受0.81W。大多数电阻器只能处理高达0.25W的功率。

经验法则

原理图 内部上拉
一般规则是使用比输入引脚的输入阻抗(R2)**小一个数量级(1/10)**的上拉电阻(R1),小10倍的电阻值。

通常,10 kΩ的上拉值就可以解决问题。但是,如果您想了解它的工作原理,请继续阅读。

上拉电阻器如何工作?

在这里插入图片描述

您可以使用分压器公式查找未按下按钮时输入引脚上的电压:


如果对上拉R1使用1MΩ电阻,并且输入引脚的阻抗R2约为1MΩ(形成分压器),则输入引脚上的电压约为VCC的一半,并且微控制器可能不会将引脚记录为处于高电平状态。在5V系统上,输入电压为2.5V

计算示例

假设您的芯片的输入阻抗为1MΩ(对于许多芯片来说,100kΩ至1MΩ是正常的)。如果您的电源是9V,并且您选择10 kΩ的上拉电阻值,那么输入引脚上的电压是多少?

在这里插入图片描述
输入引脚上的电压为8.9V,足以用作高电平输入。

通常,如果您坚持使用不超过输入阻抗十倍的上拉电阻的经验法则,您将确保输入引脚上始终具有至少90%的VDD电压。

总结

由于通常需要上拉电阻,因此许多MCU(如Arduino平台上的ATmega328微控制器)都具有可以启用和禁用的内部上拉电阻。要在 Arduino 上启用内部上拉,您可以在 setup() 函数中使用以下代码行:

COPY CODEpinMode(5, INPUT_PULLUP); // Enable internal pull-up resistor on pin 5

需要指出的另一件事是,上拉电阻越大,引脚对电压变化的响应速度就越慢。这是因为馈电输入引脚的系统本质上是一个与上拉电阻耦合的电容器,因此形成RC滤波器,而RC滤波器需要一些时间来充电和放电。如果您有一个非常快速变化的信号(如USB),高阻值上拉电阻可以限制引脚改变状态的速度(信号还具有可靠性)。这就是为什么您经常会在USB信号线上看到1k至4.7KΩ电阻的原因。

所有这些因素都决定了使用什么值的上拉电阻器。

结束

少年就是少年,他们看春风不喜,看夏蝉不烦,看秋风不悲,看冬雪不叹,看满身富贵懒察觉,看不公不允敢面对,只因他们是少年。 – 陀思妥耶夫斯基 《少年》
在这里插入图片描述

  • 47
    点赞
  • 228
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
Yolov5 是一种广泛应用于目标检测的算法,其 loss 原理相对简单。Yolov5 通过将目标检测问题转化为一个回归问题,通过预测 bounding box 的坐标来实现目标检测。 Yolov5 的 loss 主要包括三个部分:分类损失、定位损失和目标置信度损失。 分类损失是用来衡量预测的类别与真实类别之间的差异。Yolov5 使用交叉熵损失函数来计算分类损失。对于每个边界框(bounding box),它将计算预测类别的 softmax 概率与真实类别的 one-hot 向量之间的交叉熵。 定位损失用于衡量预测的边界框位置与真实边界框位置之间的差异。Yolov5 使用 Smooth L1 损失函数来计算定位损失。它通过对预测边界框的坐标与真实边界框的坐标之间进行平滑处理,减小了异常值的影响。 目标置信度损失用于衡量预测的边界框与真实边界框之间的 IoU(Intersection over Union)之间的差异。Yolov5 使用 Binary Cross-Entropy 损失函数来计算目标置信度损失。它将预测的边界框是否包含目标与真实边界框是否包含目标之间的差异进行衡量。 最终,Yolov5 的总损失是通过将三个部分的损失加权求和得到的。这些权重可以根据具体的任务和数据集进行调整。 通过最小化 Yolov5 的 loss 函数,模型可以学习到更准确的目标检测结果。这样,我们就可以在图像中准确地检测和定位不同类别的目标。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 14
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值