登录社区云，与社区用户共同成长
邀请您加入社区
AI智能小车实战项目摘要 本项目实现了一个融合嵌入式与AI技术的智能小车系统，核心特点如下： 硬件架构： STM32作为控制核心（实时电机控制/传感器处理） ESP32-CAM负责视觉采集与无线通信 云端AI服务器运行YOLOv8/ResNet模型 关键技术： 实时控制系统：FreeRTOS任务调度+PID闭环控制 无线通信：WiFi图像传输+蓝牙近场控制 AI集成：目标检测、语音指令识别、标志分
使用灯哥开源FOC驱动板，版本为V3P。自带STM32转接板以及STM32F103C8T6最小系统板以及电源线。【自制FOC驱动器】深入浅出讲解FOC算法与SVPWM技术 - 知乎。在这里我只引用稚晖君部分内容，更多的是加上自己学习时遇到的问题与思考，如果看了我的部分难以理解，还是去看大佬的文章吧，直译是磁场定向控制，也被称作矢量控制，是目前无刷直流电机（BLDC）和永磁同步电机（PMSM）高效控
本文介绍了一个基于STM32与深度学习的口罩佩戴检测系统设计。系统分为上位机(PC端)和下位机(STM32)两部分，通过WiFi通信实现数据传输。上位机使用深度学习模型进行实时口罩检测，准确率达97%，检测结果通过TCP传输至STM32。下位机系统包含主控、通信、显示和报警模块，能实时显示检测结果并在未佩戴口罩时触发蜂鸣器报警。硬件采用STM32F103RCT6开发板，配合ESP01S WiFi模
20 0 0 0;0 0 0 1;-1 0 0 0];B = [0;1;0;1];C = eye(4);单片机中使用 LQR，真正重要的是工程流程，而不是只会公式。1. 确定控制对象2. 选择状态变量3. 建立状态空间模型4. 选择控制周期 Ts5. 离散化 A、B 矩阵6. 设置 Q、R7. 计算 K8. 单片机周期运行 u = -Kx9. 加入限幅、滤波、保护10. 实物调试和参数优化所以不要
MQTT协议是专为物联网设计的轻量级发布/订阅协议，具有以下核心特点：1）采用发布/订阅模式，最小报文仅2字节；2）包含客户端和代理服务器两类角色；3）支持通配符主题订阅（单层+和多层#）；4）提供遗愿机制和三种QoS等级（0-2）；5）支持保留消息和会话管理。协议适用于智能家居等场景，通过心跳包保持连接，需确保客户端ID唯一性。MQTTX客户端使用需配置服务器地址、端口等五个参数，3.1.1版本
摘要： 本项目设计了一个基于STM32的人脸识别快递柜系统，包含硬件电路设计和上位机软件实现。系统通过摄像头采集人脸信息，利用OpenCV和Dlib等开源库进行人脸检测与识别，将结果通过WiFi传输至STM32控制器，实现柜门智能开关。硬件部分采用继电器模拟门禁，软件部分包含人脸录入、特征比对、远程通信等功能模块。项目创新性地将人脸识别技术与物联网结合，具有识别准确、响应快速的特点，为快递存取提供
DLL和SO是操作系统中的动态链接库，功能相同但系统不同：DLL用于Windows（.dll后缀），SO用于Linux/安卓（.so后缀）。它们实现代码复用、节省程序体积、便于升级和代码保护。核心差异在于系统兼容性：DLL依赖Windows环境，SO依赖Linux环境。开发时，Windows生成.dll，Linux生成.so；运行时缺少相应库文件会报错。动态库（.dll/.so）相比静态库（.li
AI-Enhanced STM32 IoT Framework (AESIF) 是基于人工智能的新一代STM32物联网端到端开发框架，集成STM32CubeAI 4.0官方套件和边缘智能调度平台。该框架通过四层AI架构实现全流程智能化：1）智能配置引擎支持自然语言转HAL代码；2）自适应协议栈生成；3）云平台自动适配；4）边缘AI优化。2026年数据显示，该技术可使开发效率提升70%，调试周期缩短
这篇文章介绍了一个基于STM32和深度学习的口罩佩戴检测系统设计。系统分为上位机和下位机两部分：上位机通过深度学习模型检测口罩佩戴情况，准确率达97%；下位机以STM32为核心，接收检测结果并控制显示和报警模块。硬件包括STM32开发板、WiFi模块、显示屏和蜂鸣器等组件。系统采用TCP通信实现数据传输，当检测到未佩戴口罩时会触发声光报警。项目提供了完整的设计方案，包括硬件原理图、软件流程、深度学
x86示例代码如下，需要注意的是编译器如果发现 OriginalHelloWorldFunction 内容很短，且在同一个文件里，它在编译 main 函数时，将不会去执行 CALL 指令，而是直接把那句 printf 的内容复制到了 main 里面。：如果你还想让原程序继续运行，就在执行完你的逻辑后，先执行备份的原始指令，再跳回目标函数的后续位置。：0x00401050 - 0x00401000
本文分享了基于STM32N6开发板的火灾检测系统实现过程。作者选择YOLOv8n模型进行火焰识别，通过320×320输入尺寸优化处理，将模型从PT格式转换为ONNX/TFLite格式并进行int8量化以减小体积。重点介绍了在STM32N6上的后处理实现，包括候选框筛选、IOU计算和DMA2D绘制检测框等关键步骤。系统虽然检测速度较慢但精度较高，展示了STM32N6"MCU+NPU&quo
本文介绍了基于STM32N6开发板实现边缘AI目标检测的完整流程。通过DCMIPP配置双流水线，将IMX335摄像头数据分别处理为800x480显示画面和320x320神经网络输入。利用STM32CubeMX集成YoloV8模型，结合NPU加速推理。采用LTDC双图层显示方案，底层显示摄像头画面，顶层通过DMA2D绘制检测框。详细解析了模型后处理流程，包括坐标转换、置信度过滤和非极大值抑制算法，最
上电 → 从 Flash 读取栈顶地址 → 加载复位中断函数地址 → 跳转到复位函数 → 初始化硬件 → 跳转到 main () → 死循环STM32 上电先找栈，再找复位函数，初始化 RAM 后才进入 main ()。
YLB3118是云澜电子推出的高性能PCIe3.0转8路SATA3.0主控芯片，采用工业级8×8TFBGA-143封装，单芯片实现1路PCIe3.0x2扩展8路SATA3.0。具有8Gbps/lane高速传输、支持NCQ/热插拔/SSC等功能，内置AHCI控制器和硬件LED状态指示。核心优势包括单芯片高集成、PCIe3.0满带宽、工业级稳定性及灵活固件升级。广泛应用于安防监控、数据中心、工业控制等
《从二战军工到万物互联：C语言的不可替代性》 文章通过历史纵深和行业应用，揭示了C语言历经半个世纪仍屹立不倒的核心原因。二战催生的计算机需求暴露了底层开发困境——机器码晦涩、汇编语言绑定硬件。1972年诞生的C语言以三大突破改变格局：1）接近汇编的执行效率，直驱硬件满足军工级精度；2）跨平台特性实现代码复用，推动Unix系统普及；3）成为操作系统内核和物联网设备的底层基石。如今在航天控制（北斗卫星
本文介绍了在STM32N6微控制器上部署和运行神经网络模型的过程。STM32N6是意法半导体首款集成神经处理单元(NPU)的MCU产品，采用"MCU+NPU"异构架构，适合边缘AI应用。文章详细讲解了使用STM32CubeMX工具进行模型部署的步骤，包括内存配置、模型分析、权重文件烧录等关键环节。测试部分展示了如何初始化NPU、运行推理并解析YOLOv8模型的输出结果。作者还分
│(主控)││┌──────┐┌──────┐│↑共用一组上拉电阻(SCL和SDA各一个4.7kΩ)：SCL和SDA线上各需要一个4.7kΩ上拉电阻到3.3V（在总线上任意位置放置一组即可）。
定义一个uint32_tBootStaFlag;他的每一位发生变化，都会导致相应事件的发生。当 BootStaFlag |= UpData_A_Flag;时，代表着更新A区事件的发生，并在main.c中执行相应操作//更新A区//OTA_Info.FireLen[]的每一位代表着一个更新的函数的大小， 比如【1】是电灯函数10KB【2】是串口。。。
STM32标准库与HAL库开发指南摘要 本文详细介绍了STM32标准库和HAL库的开发流程。主要内容包括： 库文件结构：标准库包含CMSIS核心文件和StdPeriph_Driver外设驱动，HAL库则采用模块化设计 工程创建：从下载固件库、建立目录结构到MDK工程配置，重点说明两种库的差异设置 启动流程：分析从启动文件到SystemInit()再到main()的执行顺序，比较标准库和HAL库初始
这篇文章介绍了一个基于STM32和深度学习的口罩佩戴检测系统毕业设计项目。系统分为上位机和下位机两部分：上位机通过深度学习模型实时检测口罩佩戴情况，下位机通过STM32控制器接收检测结果并控制显示和报警模块。项目采用YOLO目标检测算法，使用8535张标注图片进行训练，最终模型准确率达到97%。硬件部分包含STM32开发板、WiFi模块、显示屏和蜂鸣器等组件，软件部分实现了TCP通信、数据处理和报
stm32
——stm32
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AtomGit开源社区
