新闻详情

新闻详情

首页 / 资讯中心 / 详情

【CanMV K210】传感器实验 雨滴传感器数字检测与模拟量采集

发布时间:2026/11/17 9:31:06来源:尧图网络
【CanMV K210】传感器实验 雨滴传感器数字检测与模拟量采集
在智能硬件项目中,环境检测类传感器经常承担“让设备感知外部变化”的任务。雨滴探测传感器就是一个典型例子,它可以把雨水、湿润程度或水滴接触情况转换成电信号,程序再根据这些信号判断当前环境状态。对于硬件编程入门来说,这类实验比单纯点亮 LED 更接近真实应用,因为代码不只是控制输出,还要不断读取外部传感器返回的数据。本实验使用 CanMV K210 开发板读取雨滴探测传感器的数字信号和模拟信号。代码中通过 GPIOHS0 读取雨滴传感器 DO 端口的高低电平,用来判断“有雨滴”或“没有雨滴”;通过 I2C 连接 PCF8591 模块,并读取 ADC0 通道的模拟量数值,用来观察雨滴传感器输出变化。程序运行后,终端会持续打印 ADC0 的模拟量读数,当 DO 电平发生变化时,会输出对应的雨滴检测提示信息。学习目标说明理解传感器输入认识雨滴传感器如何把水滴接触情况转换成电信号掌握数字量检测使用 GPIO 输入模式读取雨滴传感器 DO 端口状态掌握模拟量读取使用 PCF8591 读取雨滴传感器 AO 模拟输出变化理解双通道检测区分“数字状态判断”和“模拟趋势观察”的不同用途建立排查思路能从接线、供电、I2C、阈值和传感器检测面分析异常从 IT 工程视角看,这个实验很像一次“外部数据采集”。数字量类似布尔状态,适合快速触发报警、开关控制或条件判断;模拟量类似连续数据,适合趋势分析、阈值调试和数据记录。理解这两种输入方式后,后续扩展环境监测、自动遮雨、农业灌溉、联网告警等项目会更加自然。文章目录理论基础硬件设施软件代码扩展应用总结理论基础雨滴探测传感器通常由检测板和信号处理模块组成。检测板表面有裸露导电区域,当水滴、湿润物体或手指接触检测区域时,电路状态会发生变化。信号处理模块会把这种变化转换成两类输出:一类是 DO 数字输出,另一类是 AO 模拟输出。DO 数字输出只有高电平和低电平两种状态,适合直接做“是否检测到雨滴”的判断。代码中使用raind_DO.value()读取 DO 电平,并约定 DO 为 1 时表示未检测到雨滴,DO 为 0 时表示检测到雨滴。这类低电平有效的传感器模块很常见,实际触发灵敏度通常可以通过模块上的电位器进行调整。AO 模拟输出不是简单的 0 或 1,而是会随着检测面湿润程度、接触面积和模块电路状态产生连续变化。CanMV K210 本身更适合通过 GPIO 读取数字状态,若要读取模拟量,需要借助 PCF8591 这类 ADC 模数转换模块。PCF8591 把雨滴传感器 AO 端口的电压变化转换成数字值,再通过 I2C 总线返回给 CanMV 程序。电路控制流程可以按照“数字检测路径”和“模拟采集路径”两条线理解。数字路径负责快速判断状态,模拟路径负责观察变化趋势,两条路径最终都会进入 Python 程序,成为后续报警、记录、显示或控制逻辑的输入来源。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉