板子制作_牛逼,竟然制作了一个带充电宝功能的便携显示器

94f5a44799422f4739cbbffaf7945615.png

大家好,我是章鱼猫。

今天推荐的这个项目是「PocketLCD」,是一个带充电宝功能的便携显示器。

看项目之前,可以用七八分钟看下作者的整个制作过程视频,视频放在了 B 站:https://www.bilibili.com/video/BV17D4y1X7AT

这个项目是作者最近为了解决个人痛点设计制作的一个便携口袋显示器,最终成品的完成度比较高,所以也就顺便开源分享出来了。

其中屏幕显示部分是基于作者之前开源另一个项目 HDMI-PI,关联仓库地址在这里:https://github.com/peng-zhihui/HDMI-PI

关于屏幕选型:

如视频介绍中所述,MIPI 并不是一个通用的接口,需要针对不同的屏幕模组定制驱动固件,这一块比较复杂所以建议大家直接用作者编译好的固件进行烧录。

屏幕的型号是 5.5 英寸的 1080P IPS 屏幕,价格不贵,显示效果还是很理想。

电路的一些说明:

  • 充电宝快充的时候电流会比较大,所以 PCB 上是有开窗处理的,在焊接的时候记得把开窗的地方多上点焊锡增加导线厚度。
  • HDMI 转 MIPI 板子的设计使用了 0.5mm 的 FPC 连接线,实际上是可以用 PCB 走线代替的,作者这里这样设计的原因是想留出接口,便于以后扩展调试其它型号的屏幕。当然如果你没有这个需求的话,可以把电路改一下这样焊接和物料都会更省事,不过 MIPI 的走线要注意符合信号完整性规则(等长、阻抗)。
  • LED 的阻值可以自己调整,目前原理图里面的阻值会稍微有点亮;屏幕的背光的亮度由那个 10R 的电位器调节。
  • 充电宝有一个功能按键,按一下查看电量,按两下强制关闭输出;如果 PD 协议开启了,最左边会有一个指示灯亮起,普通 5V 充电则不亮。
  • 购买充电宝电芯注意买不需要保护模块的,因为板子已经集成了一个保护模块,或者你不焊那个保护模块,然后搭配带保护的电芯使用。
  • 铜柱和 PCB 之间通过焊锡固定,这个要考虑好组装顺序,不然拆起来会比较麻烦。

开源项目地址:https://github.com/peng-zhihui/PocketLCD

开源项目作者:peng-zhihui

公众号:「GitHub精选」,值得你关注,每天都分享开源项目,挖掘开源的价值。

推荐阅读:

命令行终端神器,你值得拥有

重磅:阮一峰的又一开源力作

好未来开源首个在线教学中文预训练模型

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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