新闻详情

新闻详情

首页 / 资讯中心 / 详情

【CanMV K210】通信扩展 MFRC522 RFID SPI 读卡写入与校验

发布时间:2026/11/17 6:56:07来源:尧图网络
【CanMV K210】通信扩展 MFRC522 RFID SPI 读卡写入与校验
在智能门禁、校园一卡通、设备身份识别、仓储标签管理和自动化签到系统中,RFID 是非常常见的近场识别技术。它的价值不只是“刷一下卡”,而是让程序可以读取真实卡片的身份信息,并在安全的数据块中完成数据写入、读取和校验。对于硬件编程入门而言,RFID 实验比普通 LED 实验更接近实际项目,因为它同时涉及外设通信、协议指令、数据块管理和业务流程控制。本实验使用 CanMV K210 开发板连接 MFRC522 RFID 模块,通过 SPI 通信完成 Mifare 卡片检测、UID 读取、卡片选择、数据块认证、16 字节数据写入、写入后读取校验等完整流程。程序默认使用0x12数据块,也就是十进制 18 号块,避开了 0 号厂商信息块和每个扇区的控制块,降低误写关键区域的风险。学习目标说明理解 RFID 识别流程掌握卡片检测、UID 读取、选卡、认证、读块和写块的基本流程掌握 SPI 通信连接理解 SCK、MOSI、MISO、CS 在 K210 与 MFRC522 通信中的作用理解数据块读写知道 Mifare 卡片数据块以 16 字节为单位进行读写建立安全写卡意识避免写入 0 号厂商块和每个扇区的控制块完成写入校验闭环写入数据后立即读取并比对,确认数据是否真正写入成功实验运行后,终端会提示靠近 RFID 卡片。卡片进入感应区后,程序读取卡片类型和 UID,选择卡片并对目标块进行认证。认证通过后,程序把"K210 RFID DEMO"转换成 16 字节数据写入卡片,再立即读取同一块内容进行比对。如果读取结果和写入数据一致,终端会输出Verify : PASS。为了避免同一张卡停留在感应区时反复写入,程序在处理完成后会等待卡片移开,再允许下一轮触发。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RFID 可以理解成一种近距离无线身份识别方式。卡片本身不需要像普通串口模块那样直接接线到开发板,而是通过 MFRC522 读写模块和卡片之间的射频交互完成识别。CanMV K210 不直接读取卡片,而是通过 SPI 总线控制 MFRC522;MFRC522 再负责和 RFID 卡片完成检测、防冲突、认证、读写等底层动作。SPI 通信由 SCK、MOSI、MISO 和 CS 几类信号组成。SCK 提供通信时钟,MOSI 表示主控向外设发送数据,MISO 表示外设向主控返回数据,CS 用于选择当前要通信的外设。当前实验中,CanMV K210 是 SPI 主机,MFRC522 是 SPI 外设。程序通过拉低 CS 进入通信,通过拉高 CS 结束通信。Mifare Classic 兼容卡片内部以数据块形式组织内容。常见 1K 卡片包含多个扇区,每个扇区包含 4 个块,每个块为 16 字节。其中 0 号块通常保存厂商信息,不应写入;每个扇区最后一个块是控制块,保存密钥和访问控制信息,也不应随意写入。本实验默认使用0x12数据块,即十进制 18 号块,属于普通数据块,更适合做教学写入实验。下面这张流程图从电路通信和业务流程两个角度展示本实验。K210 通过 SPI 访问 MFRC522,MFRC522 负责和 RFID 卡片交互,程序再把底层读写结果组织成检测、认证、写入、读取、校验的完整流程。
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
📞 ✉