核数据处理课程设计用java_核数据获取与处理课程设计-1期末

使用正点原子STMF4板子完成下列操作:

基础题1,实现从串口输入以下16进制指令操控LED灯的开关状态(40分)

非以下1-7指令,串口返回提示:

AA AA AA AA AA AA AA

指令1:使能LED0的闪烁(开机时默认为关闭状态)

AA AB 01 00 00 0D 0A

指令2:关闭LED0的闪烁

AA AB 02 00 00 0D 0A

指令3:使能LED1的闪烁(开机时默认为关闭状态)

AA AB 03 00 00 0D 0A

指令4:关闭LED1的闪烁

AA AB 04 00 00 0D 0A

基础题2,实现从串口输入以下16进制指令操控LED灯的闪烁间隔(40分)

指令5:配置LED0与LED1共用的闪烁延迟(默认延迟是500ms,注意数据的拼接,XXXX的格式为高8位在前,低8位在后,是一个16位数,表示LED闪烁延迟,单位:ms)

AA AB 05 XX XX 0D 0A

提高题,实现从串口输入以下16进制指令操控LED灯的闪烁机制(20分)

指令6:配置为两个LED交替闪烁模式,但不控制LED开关(默认开机使用的是共同闪烁)

AA AB 06 00 00 0D 0A

指令7:配置为两个LED共同闪烁模式,但不控制LED开关(默认开机使用的是共同闪烁)

AA AB 07 00 00 0D 0A

流程图:

712f3bf402dac22bef83eba08d1fc465.png

main.c文件代码:

#include "sys.h"

#include "delay.h"

#include "usart.h"

#include "led.h"

#include "beep.h"

#include "key.h"

int chartoint(char hex) //十六进制字符转十进制整型

{

if('0'<=hex&&hex<='9')

return hex-'0';

if('a'<=hex&&hex<='f')

return hex-'a'+10;

if('A'<=hex&&hex<='F')

return hex-'F'+10;

return -1;

}

int main(void)

{

u8 t; //定义循环用的变量

u8 len; //定义接收数据长度变量

u8 Flag=0; //指示输入指令是否正确标志

u8 LED0_flag=0; //指示LED0是否闪烁

u8 LED1_flag=0; //指示LED1是否闪烁

u8 code=0; //指令代号

u16 dalaytime=500; //定义延时时间

u8 shinemode=0; //定义闪烁模式并初始化为共同闪烁0,1为交替闪烁模式

uint8_t str1[]={'A','A',' ','A', 'B',' ', '0',' ','0','0',' ','0','0',' ','0','D',' ','0','A'}; //定义数组用于对比输入指令是否为要求的指令

NVIC_PriorityGroupConfig(NVIC_PriorityGroup_2);//设置系统中断优先级分组2

delay_init(168);//延时初始化

uart_init(115200);//串口初始化波特率为115200

LED_Init(); //初始化与LED连接的硬件接口

while(1)

{

if(USART_RX_STA&0x8000) //判断数据是否接收

{

len=USART_RX_STA&0x3fff;//得到此次接收到的数据长度

if(len==20) //判断数据长度是否是20,进一步判断输入代码是否是指令代码

{

Flag=1; //输入标志置1

for(t=0;t<7;t++)

{

if(USART_RX_BUF[t]!=str1[t]) //输入前7个字符是否与要求指令相同,不同输入标志置0并退出

{

Flag=0;

break;

}

}

code=USART_RX_BUF[7]-'0'; //得到指令序号

if(code==5) //判断是否为指令5

{

for(t=14;t<20;t++) //判断后6个字符是否一致,不同输入标志置0并退出

{

if(USART_RX_BUF[t]!=str1[t-1])

{

Flag=0;

break;

}

}

for(t=9;t<14;t++) //判断第10-14个字符是否一致,不同则输入标志置0并退出

{

if(t==11) //判断第12个字符是否一致,不同则输入标志置0

{

if(USART_RX_BUF[11]!=' ')

{

Flag=0;

}

continue ;

}

if (chartoint(USART_RX_BUF[t])==-1) //判断第10,11,13,14字符是否符合,不符合则输入标志置0退出

{

Flag=0;

break;

}

}

}

else //如果指令序号不是5

{

for(t=8;t<20;t++) //判断第9-20字符是否符合,不符合则输入标志置0退出

{

if(USART_RX_BUF[t]!=str1[t-1])

{

Flag=0;

break;

}

}

}

}

if(Flag==1) //判断输入的是否是内部指令

{

switch(code) //根据不同的指令序号,执行相应的操作

{

case 1:

LED0_flag=1; //LED0闪烁

break;

case 2:

LED0_flag=0; //LED0熄灭

break;

case 3:

LED1_flag=1; //LED1闪烁

break;

case 4:

LED1_flag=0; //LED1熄灭

break;

case 5: // 闪烁时间间隔设置

dalaytime=chartoint(USART_RX_BUF[9])*16*16*16+chartoint(USART_RX_BUF[10])*16*16+chartoint(USART_RX_BUF[12])*16+chartoint(USART_RX_BUF[13]);

break;

case 6:

shinemode=1; //交替闪烁

break;

case 7:

shinemode=0; //共同闪烁

break;

default:

printf("AA AA AA AA AA AA AA\r\n"); //不是以上指令 输出错误提示

}

}

else

{

printf("AA AA AA AA AA AA AA\r\n"); //输入错误,输出错误提示

}

USART_RX_STA=0; //接收状态置0

}

if(shinemode==0&&LED0_flag==1&&LED1_flag==1) //共同闪烁

{

GPIO_WriteBit(GPIOF,GPIO_Pin_9|GPIO_Pin_10,Bit_RESET); //点亮LED0,LED1

delay_ms(dalaytime); //延时dalaytime

GPIO_WriteBit(GPIOF,GPIO_Pin_9|GPIO_Pin_10,Bit_SET); //熄灭LED0,LED1

delay_ms(dalaytime);

}

else //交替闪烁

{

if(LED0_flag==1) //LED0闪烁

{

GPIO_WriteBit(GPIOF,GPIO_Pin_9,Bit_RESET);

delay_ms(dalaytime);

GPIO_WriteBit(GPIOF,GPIO_Pin_9,Bit_SET);

delay_ms(dalaytime);

}

if(LED1_flag==1) //LED1闪烁

{

GPIO_WriteBit(GPIOF,GPIO_Pin_10,Bit_RESET);

delay_ms(dalaytime);

GPIO_WriteBit(GPIOF,GPIO_Pin_10,Bit_SET);

delay_ms(dalaytime);

}

}

}

}

欢迎指正和交流!

2020年9月1日

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
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