188数码管驱动实战:5个IO控制20个LED的硬件设计与代码实现

外设驱动系列之188数码管驱动 本文详细介绍了188数码管模块的工作原理与驱动实现方法。188数码管是一种5引脚封装的数码管,采用查理复用算法实现0-100的数字显示。文中对比了合段法和独立法两种驱动方案,选择独立法设计驱动代码,提供完整的C语言驱动源码(dev_seg188.c/h),包含设备管理、数字显示、图标显示等功能。使用示例展示了硬件层接口实现和应用层调用方法,通过定时中断实现1ms周期的动态扫描显示。该驱动具有低耦合、易移植的特点,适用于嵌入式系统显示应用。 (共150字) 阅读详情

188数码管驱动实战:5个IO控制20个LED的硬件设计与代码实现

在消费电子产品的设计中,工程师们常常面临一个经典难题:如何在有限的微控制器IO口资源下,驱动尽可能多的显示单元?无论是电子烟的电量指示、充电宝的剩余电量显示,还是DVD播放器的状态面板,都需要用简洁明了的方式向用户传递信息。传统的方案要么增加IO扩展芯片,要么使用专用的LED驱动IC,但这都会带来额外的成本、PCB面积和功耗。

188数码管(有时也被称为188 LED阵列或188矩阵)提供了一种极其巧妙的解决方案。它仅用5个IO口,就能独立控制多达20个LED,无需任何外部驱动芯片。这种高“IO利用率”的设计,对于成本敏感、空间受限的消费电子产品而言,无疑具有巨大的吸引力。我第一次在项目中用到这种器件时,就被其精妙的电路结构所折服——它不像传统的7段数码管那样简单,其内部连接方式更像一个精心设计的“谜题”,而解开这个谜题,正是硬件工程师和嵌入式软件工程师的乐趣所在。

本文将从一个实战者的角度,深入剖析188数码管的电路原理,并提供一套从硬件设计到嵌入式软件驱动,再到高级应用技巧的完整解决方案。我们会以常见的STM32F103系列微控制器为例,但其中的思想可以轻松移植到任何其他MCU平台上。

1. 揭秘188数码管:硬件拓扑与驱动原理

要驾驭188数码管,首先必须理解其内部的电气连接。它并非一个标准的5x4矩阵,因为那样需要9个IO口(5行+4列)。188数码管的奥秘在于,它内部的20个LED以一种特殊的方式连接,使得5个引脚中的每一个,在特定时刻都可能扮演“行”或“列”的角色,或者更准确地说,是“公共端”和“段选端”的角色。

1.1 引脚定义与内部连接拓扑

一个典型的188数码管有5个引脚,我们通常标记为Pin1到Pin5。其内部可以理解为由4组LED构成,每组包含5个LED。但这5个LED并非并联或串联,而是通过一种交叉互联的方式,使得任意两个引脚之间,最多只连接了一个LED。

为了清晰地理解,我们可以将其抽象为一个连接表。假设我们定义当电流从引脚A流入,从引脚B流出时,某个特定的LED会被点亮。那么188数码管的内部连接可以描述如下(不同的厂家封装可能引脚顺序不同,但拓扑结构一致):

点亮LED编号 电流流入引脚 (阳极) 电流流出引脚 (阴极)
LED1 Pin1 Pin2
LED2 Pin1 Pin3
LED3 Pin1 Pin4
LED4 Pin1 Pin5
LED5 Pin2 Pin1
LED6 Pin2 Pin3
LED7 Pin2 Pin4
LED8 Pin2 Pin5
LED9 Pin3 Pin1
LED10 Pin3 Pin2
LED11 Pin3 Pin4
LED12 Pin3 Pin5
LED13 Pin4 Pin1
LED14 Pin4 Pin2
LED15 Pin4 Pin3
LED16 Pin4 Pin5
LED17 Pin5 Pin1
LED18 Pin5
188数码管高效驱动方案:5个IO口实现20灯动态扫描 本文详细介绍了188数码管的高效驱动方案,通过5个IO口实现20个LED灯的动态扫描。文章深入解析了188数码管的矩阵式电路设计和轮询扫描原理,提供了硬件电路设计要点和软件驱动实现代码,帮助开发者在资源有限的嵌入式系统中优化显示效果。 阅读详情

相关推荐

188数码管驱动实战:5个IO点亮20个灯的硬件魔法(附完整代码)

本文详细解析了188数码管的驱动原理,通过5个IO口控制20个LED灯的硬件设计技巧,包括轮询扫描技术、消影处理和完整代码实现。适用于STM32和51单片机,帮助开发者在IO资源紧张的场景下高效实现多LED控制,特别适合电子烟、充电宝等小型设备。

github5actions的博客 880

5个IO驱动188数码管:查理复用算法在低成本MCU上的实战解析

本文深入解析了查理复用算法在低成本MCU上驱动188数码管的实战应用。通过5个IO口实现20个LED的控制,详细介绍了双向电流控制、高阻态隔离和动态扫描等核心技术,并结合硬件设计、软件实现及低功耗优化技巧,为电子烟功率显示屏等应用提供了高效解决方案。

weixin_27066963的博客 356

5个IO口驱动188数码管:查理复用算法实战解析

本文详细解析了查理复用算法如何用5个IO口驱动188个数码管,通过分时复用和IO口状态切换实现高效驱动。文章对比了传统驱动与查理复用算法的优劣,提供了硬件设计要点和软件实现代码,并分享了亮度均匀性处理、抗干扰设计等实战经验,帮助开发者节省IO资源并提升显示效果。

weixin_29189363的博客 526

5个IO口驱动20个LED?188数码管轮询扫描实战指南(附完整代码)

本文详细介绍了如何利用5个GPIO引脚驱动20个LED的188数码管轮询扫描技术。通过解析188数码管的内部结构、设计外围驱动电路,并配合高效的轮询扫描算法与消影技术,实现了低成本、高稳定性的多LED控制方案。文中提供了基于STM32 HAL库的完整驱动代码,适用于资源受限的嵌入式产品开发。

c7d8e9的博客 195

用5个IO口驱动188数码管?手把手教你玩转单片机IO复用(附TM52F1363代码)

本文详细介绍了如何通过查理复用算法(Charlieplexing)仅用5个IO口驱动188数码管,大幅降低硬件成本并提升PCB布局灵活性。文章涵盖硬件设计关键、软件算法实现及实战优化技巧,特别适合资源受限的嵌入式开发场景。附TM52F1363单片机代码示例,帮助开发者快速掌握IO复用技术。

weixin_30516243的博客 876

从查理复用原理到188数码管驱动:如何用5个IO口点亮16段显示

本文详细解析了查理复用技术如何通过5个IO口高效驱动188数码管,涵盖原理、硬件设计、核心驱动算法及优化技巧。通过动态扫描和三态逻辑,显著节省IO资源,适用于嵌入式系统设计。文章还提供了抗干扰方案和性能优化代码,帮助开发者实现稳定高效的多段显示驱动。

weixin_28278377的博客 555

巧用IO高阻态:5个引脚驱动3位188数码管实战

本文详细解析了如何利用IO高阻态和查理复用算法,仅用5个引脚驱动3位188数码管的实战技巧。通过分析数码管内部结构、硬件设计避坑指南和软件优化方案,帮助开发者在IO资源紧张的单片机项目中实现高效驱动,避免鬼影现象并降低功耗。

weixin_29159995的博客 395

188数码管轮询扫描:从原理到实战应用

本文深入解析188数码管的轮询扫描原理与实战应用,涵盖硬件电路设计、软件驱动开发及高级功能实现技巧。通过矩阵式电路设计,188数码管能以极少的IO口控制大量LED灯,适用于充电宝、电子烟等多种场景。文章还提供了常见问题解决方案和实际项目案例,帮助开发者高效应用这一技术。

weixin_29193359的博客 140

STM8实现5个GPIO口控制20个LED,LED可独立控制,使用查理复用

ps: 1.在头文件中IO#define更换为自己想用的IO口 2.控制某一个LED亮灭只需在参数表中选择 3.同时亮灭某两个或多个需要配置扫描->如LED1亮,然后维持10ms关闭然后LED2亮10ms然后关闭,循环。 注意LED驱动能力取决于IO负载 本用作LED阶梯显示电量,也可用作流水灯,LED显示,自写,自测可用,挂载在自己工程里即可。

应广单片机IO驱动188数码管代码

本程序是用应广单片机PMS132的5个IO口驱动188数码管,用Mini编译器。可以做为类似应用的参考学习。

手把手带你编写miniQMT实盘量化执行程序(3) | 交易系统

本文介绍了miniQMT实盘量化执行系统的核心交易系统代码,重点讲解了其模块化设计和工作流程。系统采用主控类LiveSystem管理交易全流程,包含初始化引擎、交易日判断、交易时段划分(开盘前、盘中、收盘等)、主循环调度和异常处理等核心功能。作者详细解析了系统如何实现365天不间断运行、精准判断交易日、分阶段执行交易策略等功能,并强调系统的稳定性和异常处理机制。

1312

2021英伟达暑期实习面经(芯片设计)

2021英伟达暑期实习面经(芯片设计前端/DFT) 准备了将近一个月,终于赶在三月的最后一天拿到了offer,暑期实习算是上岸了,后面还有阿里/华为等一些国内公司的面试,但既然拿到了nv的offer,后面的先就当积累面试经验吧~ 网上关于nv的实习or秋招面经很少,硬件岗的更少(约等于没有好吧)。之前准备面试的时候,在网上找了半天,好像就只在牛客网上见过一篇关于nv硬件岗的面经,幸好当时认真看了哈哈。所以既然幸运上岸了,想趁自己还记得,record一下,希望可以帮到有缘人呀~ 好了,废话不多说,开始正题。

Hadleysjtu的博客 1万+

基于python的超市历年数据可视化分析

包含:Order_Date Sales Quantity Profit year month。所有这些物品都在美国4个地区的49个州销售,来着793位客户的5009个订单。9994行,21列数据。

m0_74872863的博客 540

advanced installer 打包Flutter的Windows程序安装包(基本打包、开机自启、定时自动检测升级、包含卸载程序)

advanced installer 打包Flutter的Windows程序安装包(基本打包、开机自启、定时自动检测升级、包含卸载程序)

qq_45634989的博客 2883

基于Simulink的新能源汽车热管理系统设计与仿真详细介绍

新能源汽车(如纯电动汽车和混合动力汽车)的热管理系统是确保电池、电机和电控系统高效运行的关键。通过合理设计热管理系统,可以提高车辆的续航里程、延长电池寿命并提升整体性能。以下是如何在 MATLAB 和 Simulink 中设计并仿真一个新能源汽车热管理系统的详细步骤。通过上述步骤,我们成功设计并实现了基于 Simulink 的新能源汽车热管理系统。该系统能够根据目标温度和实际反馈,通过 PID 控制器或模糊控制器调整冷却液流量、风扇转速等参数,实现对电池、电机和车内的精确温度控制。

xiaoheshang_123的博客 385

【Java开发者必看】LangChain4j实战指南:使用AIService轻松集成聊天记忆Chat Memory到SpringBoot应用,通过封装多轮复杂对话,使聊天记忆的实现变得简单

聊天记忆是指在与用户的多轮对话过程中,能够记住之前的交互内容,从而提供更加连贯和个性化的回复。LangChain4j支持通过ChatMemoryProvider接口实现聊天记忆功能。

Spring Boot-Common On With You 448

【AVRCP】规范精讲[19]: 媒体属性全解析,让你的蓝牙设备显示完整歌曲信息

AVRCP协议中的媒体属性是蓝牙音频设备传输歌曲元数据的关键,包含标题、艺术家、专辑等32位ID标识的键值对信息。规范要求字符串属性必须使用UTF-8编码,但乱码问题频发(如中文显示异常),主因是设备未遵循编码标准或使用GBK等非规范格式。常见问题包括信息不全(仅显示标题)、封面缺失(因带宽限制或格式不支持)及更新延迟(通知机制未启用)。解决方案包括强制UTF-8编码、优化封面大小(如300x300像素JPEG)、主动请求缺失属性。Android示例代码展示了通过广播接收器解析媒体属性的方法。

byte轻骑兵的技术小窝 1万+

用 i18n 驯服标准文案:SAP Fiori elements 的 UI 文本本地化与可替换实践全景

本文系统介绍了SAP Fiori elements应用中UI文本本地化的全面解决方案。从框架层与应用层文本的分类原则出发,详细解析了标准文本替换的四步法:资源准备、键值定位、模型配置和验证部署。文章特别针对不同开发场景,提供了XML、ABAP CDS和CAP CDS三种注解方式的文本覆盖写法示例。同时深入探讨了语言回退机制、表格组件标准键覆盖等关键技术细节,并指出了实际项目中的常见问题与解决方案。通过结合官方文档和社区实践,为开发人员在不破坏框架约定的前提下,实现稳定可靠的UI文本本地化提供了完整指导。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 298

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

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

上一篇: 利用OpenCV与HSV色彩空间构建高效实时颜色识别系统
下一篇: RF射频电路设计进阶:如何用一字型布局和L形布局提升信号完整性
人间清醒863
博客等级 码龄3年 33粉丝 1544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  | 博主筛选后可见
 
 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
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