uboot中背光的启动参数传递

MTK平台Bootloader启动流程深度解析:从Pre-loader到LK的完整指南 Bootloader是嵌入式系统上电后执行的第一段关键代码,负责初始化硬件、建立软件运行环境并引导操作系统启动。其工作原理基于分阶段执行的启动链,从芯片固件到可定制化引导程序逐步移交控制权。这一机制的技术价值在于为系统提供了稳定、安全的启动基石,并成为驱动开发、系统移植和性能优化的核心。在联发科(MTK)平台中,这一流程具体体现为从Pre-loader到Little Kernel(LK)的跳转与协作。Pre-loader作为硬件初始化大师,专注于时钟、内存等底层配置;而LK则作为承上启下的系统引导者,负责外 阅读详情

uboot中不同的启动模式下,背光的传递参数也是不一样的,因此在不同模式下,其他的参数也可能是有区别的。

不同的启动模式:

fastboot模式

通过power key开机

通过重启方式开机

panic导致的重启开机

关机时插入usb导致的充电模式开机

关机闹钟引起的开机


关于背光是否开启的启动参数源头在函数:

vlx_nand_boot(BOOT_PART, cmd_buf, BACKLIGHT_OFF);

以下是在uboot中搜到的所有调用位置。


---- vlx_nand_boot Matches (30 in 9 files) ----

Alarm_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=alarm", BACKLIGHT_OFF);
Alarm_mode.c (property):    vlx_nand_boot(BOOT_PART, "androidboot.mode=alarm", BACKLIGHT_OFF);
Boot_mode.h (include):extern void vlx_nand_boot(char * kernel_pname, char * cmdline, int backlight_set);
Calibration_detect.c (property): vlx_nand_boot(BOOT_PART, buf, BACKLIGHT_OFF);
Calibration_detect.c (property):        vlx_nand_boot(RECOVERY_PART,cmd_buf, BACKLIGHT_OFF);
Calibration_detect.c (property): vlx_nand_boot(BOOT_PART, cmd_buf, BACKLIGHT_OFF);
Calibration_detect.c (property): vlx_nand_boot(BOOT_PART, buf, BACKLIGHT_OFF);
Calibration_detect.c (property): vlx_nand_boot(RECOVERY_PART,cmd_buf, BACKLIGHT_OFF);        
Calibration_detect.c (property): vlx_nand_boot(BOOT_PART, cmd_buf, BACKLIGHT_OFF);
Charge_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=charger", BACKLIGHT_ON);
Charge_mode.c (property):    vlx_nand_boot(BOOT_PART, "androidboot.mode=charger", BACKLIGHT_ON);
Engtest_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=engtest", BACKLIGHT_OFF);
Engtest_mode.c (property):    vlx_nand_boot(BOOT_PART, "androidboot.mode=engtest", BACKLIGHT_OFF);
Normal_emc_mode.c (property):void vlx_nand_boot(char * kernel_pname, char * cmdline, int backlight_set)
Normal_emc_mode.c (property):printk("\n=============================vlx_nand_boot==================================\n");
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS, BACKLIGHT_ON);
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, NULL, BACKLIGHT_ON);
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=special", BACKLIGHT_OFF);
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, "androidboot.mode=special", BACKLIGHT_OFF);
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=iq", BACKLIGHT_OFF);
Normal_mode.c (property):    vlx_nand_boot(BOOT_PART, " androidboot.mode=iq", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=wdgreboot", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, "androidboot.mode=wdgreboot", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=unknowreboot", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, "androidboot.mode=unknowreboot", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, CONFIG_BOOTARGS " androidboot.mode=panic", BACKLIGHT_OFF);
Normal_mode.c (property): vlx_nand_boot(BOOT_PART, "androidboot.mode=panic", BACKLIGHT_OFF);
Normal_nand_mode.c (property):void vlx_nand_boot(char * kernel_pname, char * cmdline, int backlight_set)
Recv_mode.c (property):    vlx_nand_boot(RECOVERY_PART, CONFIG_BOOTARGS, BACKLIGHT_ON);
Recv_mode.c (property):    vlx_nand_boot(RECOVERY_PART, NULL, BACKLIGHT_ON);
全志T113开发板LCD显示异常问题分析与解决 LCD显示时序配置是嵌入式系统开发中的常见技术挑战,涉及设备树参数、驱动代码和硬件寄存器等多个层面的协同工作。RGB行场同步时序作为显示驱动的核心参数,直接影响屏幕的显示效果。在嵌入式Linux系统中,设备树(Device Tree)用于描述硬件配置,但实际驱动实现可能存在差异。本文以全志T113开发板为例,深入分析了7寸LCD屏幕显示异常问题,发现设备树参数未被驱动完全使用、uboot与内核时序设置不一致等典型问题。通过修改内核驱动代码、调整设备树配置,最终解决了屏幕右侧显示异常问题。案例展示了嵌入式显示 阅读详情

相关推荐

OMI数据获取与可视化:从下载到大气污染分析

本文详细介绍了如何获取与处理OMI卫星数据,以进行大气污染分析。内容涵盖从NASA GES DISC官方源下载对流层NO2数据、使用MATLAB或Python进行月均数据处理与网格化,到利用m_map或cartopy工具进行专业可视化的完整流程。重点解析了数据下载技巧、NetCDF格式处理、地图投影与填色方法,并探讨了时间序列分析与动态可视化等深度应用,为环境研究者提供了一套从数据到洞察的实用指南。

weixin_29210759的博客 269

深入Simple Framebuffer:uboot与Linux内核如何‘无缝交接’显示控制权(以荔枝派为例)

本文深入解析了uboot与Linux内核通过Simple Framebuffer实现显示控制权无缝交接的技术细节,以荔枝派开发板为例,详细介绍了硬件状态保持、内存管理和控制权交接等关键实现技术,帮助开发者避免屏幕闪烁、黑屏等问题,优化启动流程。

weixin_30666401的博客 272

Xilinx Vivado vitis IDE launch Failed \ Web installer client Obsolete 怎么办

Xilinx vitis_IDE failed Web installer client Obsolete

weixin_44820962的博客 8647

LCD驱动调试中部分常见问题的分析及解决办法

LCD点不亮——无法正确完成初始化:        LCD点不亮问题的原因有很多,但出现这个问题后,首先应该判断LCD是否正确完成初始化。最简单的判断方法就是测量LCM的FPC上的电容两端电压。(具体的值可以和模组供应商沟通)        如果经过上一步,检测出没有正确完成初始化,接下来首先和模组、IC一起确认初始化代码是否有问题。        确认好代码以后还是点不亮,说明

wyymaomi的专栏 2318

材料力学小白必看:纯弯曲正应力计算全解析(附实例演示)

本文详细解析了材料力学中纯弯曲正应力的计算原理与工程应用,通过实例演示帮助初学者掌握关键公式和计算流程。内容涵盖纯弯曲的基本假设、正应力分布规律、截面特性计算,以及现代工具如Excel、ANSYS和Python在应力分析中的应用,特别适合材料力学小白系统学习。

sea99的博客 1234

实战指南:如何优雅解决SpringBoot3与Mybatis-Plus的版本兼容性问题

本文深入解析SpringBoot3与Mybatis-Plus的版本兼容性问题,提供实战解决方案。通过Maven依赖排除策略、Gradle配置方案及自动配置覆盖策略,有效解决包冲突和初始化顺序问题,确保项目平稳升级。适用于开发者快速解决SpringBoot3与Mybatis-Plus的集成难题。

weixin_28432777的博客 601

全志 Tina Linux LCD显示屏调试指南 支持MIPI DSI RGB LVDS I8080 SPI等接口,开发板支持百问网T113 D1-H哪吒 DongshanPI-D1s V853

编写目的本文档将介绍sunxi 平台Display Engine 模块中LCD 的调试方法。LCD 调试方法,调试手段。LCD 驱动编写。lcd0 节点下各个属性的解释。典型LCD 接口配置。适用范围:sunxi 平台DE1.0/DE2.0 中LCD 屏幕参数设置。表2-1: LCD 相关术语术语解释说明SUNXIAllwinner 一系列SoC 硬件平台LCDLiquid Crystal Display, 液晶显示器MIPIDSI。

韦东山嵌入式专栏 1万+

Paddle账户与支付宝功能快速开通指南:全球化支付解决方案

本文为开发者提供了Paddle账户与支付宝功能集成的详细开通与配置指南。通过Paddle这一全球化支付与销售平台,开发者可一站式管理全球支付与税务合规,而集成支付宝则能无缝覆盖中国用户,实现“一个平台,覆盖全球主流支付方式”,有效提升支付转化率与收款效率。

qq_27496129的博客 1123

如何修改开机背光亮度

配置位置如下 logo阶段 1.uboot阶段 \u-boot15\include\boot_mode.h #define BACKLIGHT_ON 25 2.kernel阶段 \kernel\arch\arm\boot\dts\sp9832e-common.dtsi default-brightness-level = <25>; logo以后 3.androdi起...

wkgoodboy2016的博客 1369

C++利用spdlog生成日志

C++利用spdlog生成日志下载编译spdlog配置并使用 环境:Win10-x64+VS2015 spdlog是一个快速的C++日志库,能够兼容C++11,具备快速、无需依赖第三方库、支持多线程、多平台的优良特性! 下载编译spdlog 1.第一步,下载spdlog 下载spdlog,下载地址:https://github.com/gabime/spdlog#header-only-version,从Github上下载zip压缩包。下载完成后会获取一个名为spdlog-1.x.zip的压缩包 2.第二步

weixin_42975610的博客 3223

【Matlab】matlab代码实现迭代学习控制

该文介绍了在Matlab中实现迭代学习控制(ILC)的方法。ILC通过利用历史轨迹数据来优化重复任务的控制性能。文章提供了一个步进电机控制示例,包括:1)定义正弦轨迹;2)设置100次迭代和0.1学习率;3)建立二阶系统模型;4)执行ILC算法计算控制输入;5)绘制期望轨迹与实际输出的对比图。该示例展示了ILC的基本实现过程,并指出实际应用可能需要更复杂的设计。代码演示了误差计算、控制输入更新和结果可视化等关键步骤。

unber的博客 203

展讯8810中LCD 在uboot和Kernel中的基本流程

一、LCD显示的基本原理   通过framebuffer,应用程序用mmap把显存映射到应用程序虚拟地址空间,将要显示的数据写入这个内存空间就可以在屏幕上显示出来。   驱动程序分配系统内存作为显存;实现file_operations 结构中的接口,为应用程序服务;实现fb_ops 结构中的接口,控制和操作LCD控制器;          驱动程序将显存的起始地址和长度传给 L

li_heaven1的专栏 3360

从数字后端角度谈谈occ电路(二)

从图中,我们可以清晰的看出,当scan_en为1时,test mode为1时,经过一系列逻辑单元后,得到clk_sel输出信号为1,同样可推算fast_clk_en = 0,slow_clk_en为1,此时clk_out输出为slow clk,符合我们预期。在该模式下,是使用slow clock进行scan shift,接着我们开始进行推导;从图中,我们根据逻辑运算可以看出,clk_sel输出信号为0,fast clk en为1,此时通过mux选择,clk out即为fast clk;

芯冰乐 361

uboot源码分析——关于LCD的代码分析

以下内容源于朱有鹏嵌入式课程的学习与整理,如有侵权请告知删除。

主要记录嵌入式学习与开发过程。 3540

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Linux系统移植之对NXP的Uboot修改后移植

对于该板子具体就是:①告诉uboot这个板子的信息是:IMX6ULL芯片,用emmc存储,有俩网卡,,②告诉uboot启动的时候从emmc加载内核,网卡初始化好,③启动时候将这些参数传递到内核中。bootcmd保存uboot默认命令,当uboot倒计时结束后,会执行bootcmd中的命令,一般用于启动Linux内核,比如读取EMMC中的镜像文件zImage和设备树文件到DDR(DRAM)中,然后调用bootz 启动内核。LCD驱动修改,①使用的GPIO,查看IO的配置是否正确,这个在.c文件中修改即可。

xxxx123445的博客 1068

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

底层技术简述

BSP做过的IC项目工程:红外、环境光、距离传感器IC项目I2DR读写,ICM20608芯片多轴传感器项目,指纹项目,多点电容触摸屏,PWM配置占位比操控背光项目,Camera模组 OV264n、OV564n、OV7725。 UBoot烧写linux linux (驱动|裸机)项目: 配置设备启动方式(boot_mode:fuses、serial downlaoder、internal boot[USB、MicroSD、EMMC、NAND])。 熟悉8路PLL和8路PFD原理图:配置ARM PLL、USB

qq_30986861的博客 1065

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

7862之uboot-lcd的流程及移植

从开机过程中LCD初始化的流程,来分析LCD的驱动架构。 在开机的时候首先进行板级的初始化(U-boot/arch/arm/lib/board.c),现在flash中跑board_init_f(),划分一部分Mermory用来跑U-BOOT,划定范围之外的Mermory在U-boot的时候是不能被操作的。同时预留给malloc() arena、U-Boot code, data & bss、VFD display、LCDdisplay、TLB table、PRam、logBuffer等空间。 接

weixin_42432281的博客 1714

linux-uboot 移植一 uboot启动加载过程

概述 Linux系统启动之前还需要一段程序来进行引导工作,比如先初始化DDR内存等外设,然后将内核从外部的flash(nandflash、SD、EMMC等)中拷贝到DDR中,最后启动内核。这段程序就是BootLoader,它功能就是用于引导操作系统,类似于bios和windows的关系。UBOOT就是一款开源的BootLoader程序,可用于引导多种操作系统,并且支持多种体系结构(ARM、MIPCS、PPC、X86等),因此收到广泛的应用。 uboot 的全称是 Universal Boot Loader,

u010681589的博客 3471

Android启动流程(一)

本章节内容是基于手机平台的android启动流程进行解析,不同厂商的手机平台启动流程也都大体相似,涉及的代码大多开源,可以在相关社区进行下载。 启动顺序为: 1. ROM启动 2. spl 3. uboot 4. kernel 5. Andriod 我也将按照上述顺序对启动流程进行解析,本小节首先介绍ROM启动,spl和uboot。 1 ROM启动 手机SOC芯片内部一般都固

flaoter的博客 1720

在uboot中获取设备树的gpio属性并控制+屏幕初始化分析

1. 在以往调驱动的经历中,改动最多的就是内核,在内核中我们可以去修改设备树,修改驱动源码,在驱动中去获取设备树中相关的硬件信息,但是我们都很少在uboot中修改或者添加代码,然而我们在工作中有时候也会碰到需要在uboot中去修改相关的驱动源码,去获取设备树的相关信息,以此满足项目需求。好了话不多少直接进入正题。 板子是基于rk3368的板子,板子上挂了一块lvds屏,硬件工程师提出要修改一下屏幕的时序,原本想来应该很简单的才对,结果按照以往的思维去内核中panel-simple.c的probe函数添加代码

lkdom 5032

uboot启动流程——C阶段的start_armboot函数

以下内容源于朱有鹏嵌入式课程的学习与整理,如有侵权请告知删除。

主要记录嵌入式学习与开发过程。 2032

android 用gpio作为pwm输出控制led背光

转载时请注明出处和作者文章出处:http://blog.youkuaiyun.com/lbmygf  1、在板级初始化文件mx53_smd_c中将gpio1-1配置为pwm模式:           /* GPIO1 FOR pwm */      MX53_PAD_GPIO_1

曼云-->孤峰 1万+

sprd bootloader 分析流程

2. bootloader的代码流程 2.1 入口: u-boot15/board/spreadtrum/ums512_1h10_go/u-boot.lds ENTRY(_start) //当前入口_start .text : { *(.__image_copy_start) //入口 CPUDIR/start.o (.text*)代码段 *(.text*) } 2.2 start.S bl main 2.3 arch/arm/lib/crt0_64.S 设置初始化C运行环境,然后

qq_15013271的博客 1317

armV8 uboot 启动流程简介

armv8 uboot 启动

weixin_44740132的博客 1908

IMX51 uboot中设置启动图标

本文档针对 IMX51 android 平台下设置开机图标,其他本台未作测试。 步骤如下 1、LOGO图片保存在tools/logos目录下,可自行进行修改。注意图片大小不要超过你的屏的大小,色彩深度不能大于256色,即8位色深的图片8bpp的bmp图。 2、打开/tools/Makefile,定位到124行附近,修改如下: # Generated LCD/vide

Haidern 学习共享 5072

LCD驱动移植之背光控制

移植环境 BootLoader:u-boot-1.1.6 kernel:linux-2.6.30.4 CPU:s3c2440 开发板:TQ2440 移植步骤 控制 LCD 背光的开关对于TQ2440 开发板来讲,就是控制S3C2440 的 LCD 控制的LCD_PWREN 脚,根据 S3C2440 的datasheet,可以知道在 LCDCON5 寄存器的 PWREN 位是控制 LCD 是否输出的...

阿乐的博客 680
上一篇: Driver porting: the workqueue interface.
下一篇: android耳机检测之最复杂的耳机检测流程
YasinLeeX
博客等级 码龄19年 380粉丝 310原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

YasinLeeX

再来一杯西湖龙井。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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