串口数据监测器

米思齐图形化编程与ESP32-C3:从零到一的MicroPython物联网开发实战 本文详细介绍了如何利用米思齐图形化编程工具与ESP32-C3开发板,从零开始进行MicroPython物联网开发。通过手把手的环境搭建、核心积木逻辑讲解,并最终完成一个智能环境监测器的实战项目,帮助初学者轻松跨越编程门槛,快速实现物联网应用原型开发。 阅读详情

 

1 产品

2 功能特性

       本产品的主要功能是监测串口线中通信的数据,非常适合串口编程的工作人员,可以通过捕获串口通信数据,进而分析硬件和软件的通信协议或数据,本产品最大的优势是:不破坏串口通信产品的正常使用而捕获它的数据;本产品还可以作为USB转串口使用。

3 应用

应用一

 

通过本机获取本机串口通信的数据

应用二

通过本机获取它机串口通信的数据

4 串口监测软件

软件说明:

GUID 本产品USB的ID,Device Path:USB在系统中的路径。

Open Device 打开设备,Close Device 关闭设备。

Com0 Receive Area 串口0的接收区;默认为ASCII接收,选中Binary Accept复选框后为16进制接收。

Com1 Receive Area 串口1的接收区;默认为ASCII接收,选中Binary Accept复选框后为16进制接收。

Send Area 发送区,默认为ASCII发送,选中Binary Send复选框后为16进制发送。

Com0 Property 设置COM0的参数

Com1 Property 设置COM1的参数

5 产品附件

类别

名称

单位

数量

附件

USB线

条

1

串口反接线

条

1

串口监测软件

个

1

USB驱动

个

1

 

 

 

 

基于Arduino的完整项目示例:温湿度监测器 通过将数据传输到计算机上,我们可以记录和分析温湿度数据,以满足各种应用需求。你可以根据自己的需求进行进一步的扩展和定制基于Arduino的完整项目示例:温湿度监测器。通过将数据传输到计算机上,我们可以记录和分析温湿度数据,以满足各种应用需求。通过读取DHT11传感器的数据,Arduino将温度和湿度信息显示在液晶显示屏上,并可以通过串口将数据传输到计算机上进行记录和分析。通过读取DHT11传感器的数据,Arduino将温度和湿度信息显示在液晶显示屏上,并可以通过串口将数据传输到计算机上进行记录和分析。 阅读详情

相关推荐

嵌入式系统:实现基于Arduino的温湿度监测器

请注意,在实际项目中,可能需要进行更多的错误处理和数据校验,以确保传感器数据的准确性和系统的稳定性。嵌入式系统的应用非常广泛,从家庭自动化到工业控制,从医疗设备到汽车电子,都有嵌入式系统的身影。e. 使用杜邦线连接一个10kΩ电阻,将其一端连接到DHT11传感器的电源引脚(左边脚),另一端连接到DHT11传感器的信号引脚(中间脚)。b. 打开Arduino IDE,选择正确的开发板(Arduino Uno)和端口(与你的Arduino Uno连接的端口)。嵌入式系统:实现基于Arduino的温湿度监测器。

CodeSageX的博客 425

串口(COM端口)列表/监听

针对即插即用型的USB串口,使用WMI来实现插拔时间的监控,获取设备断开事件,进行预警

phio_lei的博客 1746

ComMonitor:全能串口监控调试工具

本文还有配套的精品资源,点击获取 简介:串口监控调试工具是开发硬件和嵌入式系统的必备软件,用于测试和调试串口通信。ComMonitor是一款功能强大的工具,可以实时捕获数据、发送数据、以十六进制/二进制格式查看数据,并支持数据过滤、解析、波特率调整、记录、回放和握手协议。它支持多串口,帮助开发者高效调试设备、验证协议并解决问题。 1. 串口监控调试工具简介 ...

weixin_42602726的博客 5130

串口监控工具

可以监控串口通讯数据。

光顶术士的博客 3169

串口侦听器

SUDT SerialTrace提供了全部符合串口标准的高级过滤功能,对各种串口输入、输出控制码(IOCTLS)也提供了良好的参数显示支持。经SerialTrace侦听、拦截得到的信息,完全符合RS232/422/485接口标准。<br><br>SerialTrace支持串行中继功能,可拦截两台设备间的通信信息。其原理是,利用计算机的两个串口分别与两台设备互联,通过SerialTrace进行设备间的报文中继转发,并在此基础上实现数据监控。<br><br>SerialTrace的界面美观精致,侦听、显示、仿真功能简捷易用,符合用户的操作和心理习惯。软件针对不同专业用户的关注内容,对信息进行分类,提供了 具有信息染色功能的多视图窗口供显示、分析使用,并提供查找功能方便用户查找相关信息。<br><br>SerialTrace拥有强大的实时数据捕捉、记录功能,支持高强度大数据量的侦听。数据信息可以 按照指定的格式显示(如:二进制、八进制、十进制、十六进制),便于用户观察数据。<br><br>SerialTrace内置仿真终端,支持全双工模式,最高波特率超过256000。并且为用户提供了数据“双击复制”功能,便于用户复制数据及时仿真。在当前任务运行或任务会话文件被导入,并且仿真终端窗口可见的情况下,只要双击Dump View窗口中带下划线的读写数据行(或Table View的读写数据行),即可将数据以十六进制字符串的形式复制到仿真终端的发送窗口,便于用户仿真测试。SerialTrace实现了侦听、拦截、分析、仿真功能的单窗口集中式服务。如上图所示。<br><br>SerialTrace提供了强大的任务会话导入、导出功能,可将每一次侦听任务过程中的所有数据导出为单一的会话文件文件供日后导入分析使用,也可以 将每个视图窗口的内容导出为RTF标准格式文档以及普通文本,为用户在多种场合下使用数据提供了方便。<br><br>SerialTrace还提供了详尽的参数设置,允许用户细致地设定每个视图的染色信息、显示内容、数据格式等,让用户能集中精力关注关键的信息。<br>

Synology File Station 官方 API 指南总结(中文版)

本文总结了Synology File Station官方API指南的核心内容,详细介绍了如何通过HTTP/HTTPS请求与DSM系统交互实现文件管理功能。主要内容包括: 基础API操作流程:从获取API信息、登录认证到执行请求和登出的完整工作流 请求构造与响应解析:JSON格式的请求参数处理和响应结果分析 关键API功能分类: 文件信息获取(List/Info) 文件搜索(Search) 收藏夹管理(Favorite) 缩略图生成(Thumb) 目录大小计算(DirSize) 文件上传(Upload)等 错

weixin_46001686的博客 2468

【亲测免费】 串口调试串口监听助手:高效串口通信调试的利器

串口调试串口监听助手:高效串口通信调试的利器 【下载地址】串口调试串口监听助手 本仓库提供了一个名为“串口调试串口监听助手”的资源文件。该工具主要用于串口调试和串口监听,其独特之处在于监听操作不会影响正常的调试过程,为用户提供了便捷的串口通信调试体验 ...

gitblog_09775的博客 1137

RTAB-MAP实战:用Realsense D435i在ROS中搭建室内3D地图(附避坑指南)

本文详细介绍了如何在ROS环境下,使用Intel Realsense D435i深度相机和RTAB-MAP算法进行室内3D地图构建的完整实战流程。内容涵盖环境配置、核心节点数据流解析、关键参数调优、地图保存与重定位,并提供了实用的避坑指南,帮助机器人开发者和研究者快速实现稳定的视觉SLAM应用。

weixin_29095049的博客 493

如何监听/抓取两个设备/芯片之间“UART串口”通信数据--监视TXD和RXD

如何监听/抓取两个设备/芯片之间“UART串口”通信数据--监视TXD和RXD

「汽车电子助手」的博客 4988

MATLAB PDE工具箱电磁场仿真平行电容板及电偶极子详解

首先打开matlab,在命令行输入pdetool打开PDE工具箱 工具箱的功能我就不赘述了,大概就是以有限元的数值计算方法,计算二阶偏微分方程,因此可以解决电磁场、热力学等问题。 首先点击左上角按钮,画三个矩形 画完一个后可以双击矩形编辑,参数如下: 其中R1表示上极板,R2表示下极板,R3表示整个空间区域。 在上方Set formula为R3-R2-R1,表示求解区域是整个空间区域减去两个极板。下拉框选择Electrostatics表示求解的是静电场问题。 接下来点击上方菜单栏中的这个按钮,表

weixin_42845306的博客 1万+

SAP 销售订单及发票 利润中心替代 Userexit出口 配置及程序

在跨公司销售业务中,跨公司销售订单的发票时无法从销售订单中将利润中心带到发票中,所以在跨公司的发票创建过程中需要配置出口来获取对应销售订单行项目的利润中心。 事务代码: 0KEM 配置步骤: 1、创建一个新的替代 2、创建一个步骤 3、维护一个先决条件,比如针对于特定工厂 PCASUB-VKBUR = '0001' 4、选择替代程序FORM,FORM必须为指定程序中存在的FORM名 5、编辑替代程序FORM 实现效果: 在程序FORM中打上断点 ...

李威威wiwi的博客 5069

使用serialPort读取GPS数据

using System; using System.IO.Ports; using System.Collections; using System.Collections.Generic; using System.Windows.Forms; using System.Runtime.InteropServices; namespace Lordeo.AssetMan.PPC.App {

524

矿卡CMP 170HX的AI推理性能优化实战

GPU计算在现代AI推理中扮演着核心角色,其并行计算架构特别适合处理神经网络的大规模矩阵运算。通过CUDA指令集优化和计算管线重构,可以显著提升硬件利用率,这在边缘计算和带宽敏感型任务中尤为重要。以NVIDIA CMP 170HX矿卡为例,通过禁用FMA指令和框架适配优化,其FP32性能可提升15.9倍,在Qwen2.5-1.5B模型的4-bit量化推理中达到A100同架构78%的解码速度。这种优化技术不仅让淘汰矿卡重获新生,更为边缘AI部署提供了高性价比解决方案,特别适合7B以下量化模型部署和多路视频分析

weixin_30432579的博客 639

从‘点灯’到‘通信’:用C51单片机定时器与串口实现一个简易环境监测器

本文详细介绍了如何使用C51单片机定时器与串口实现一个简易环境监测器,涵盖GPIO配置、定时器使用、中断处理及串口通信等核心功能。通过STC89C52单片机与Keil C51开发环境的结合,读者可学习如何从基础点灯实验进阶到实用项目开发,实现温度数据的定时采集与串口传输。

weixin_42532938的博客 374

使用VNA(Vector Network Analyzer)对S参数进行去嵌(二)

无论是使用 EM 仿真工具创建的简化模型(如一段理想传输线)还是复杂模型用于测试夹具,现在都需要使用该 S 参数模型执行去嵌入过程。

小孟同学的博客 6112

acados安装与调试指南:版本兼容性问题

在计算机编程领域,软件工具和库的安装与调试是每个开发者必经的挑战。最近,在安装和使用acados库时,我遇到了一个有趣的问题,这里我将详细分享我的经验和解决方案。

m0_62153576的博客 741

不止于引脚定义:用ESP32的PWM、I2C和串口,快速驱动你的第一个智能硬件项目

本文详细介绍了如何利用ESP32开发板的PWM、I2C和串口功能快速驱动智能硬件项目。从引脚分配策略到PWM调光、I2C传感器集成和串口通信,提供一站式解决方案,帮助开发者高效完成智能环境监测器等实际应用。特别适合ESP32初学者和创客快速上手。

weixin_33736649的博客 464

【Autoware】Autoware.universe安装过程与问题记录

Autoware.universe安装过程与问题记录

DevFrank的博客 2741

使用STM32实现心率监测器

以上是一个简单的心率监测器的代码示例,通过配置STM32和心率传感器的参数,可以实现心率的监测和显示。根据具体需求,可以添加更多的功能,如实时保存心率数据、发送数据到PC端等。希望以上内容对你有所帮助!

吃不胖. 824

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

从入门到精通:gh_mirrors/esp/esphome组件快速集成Emporia Vue 2的3个核心步骤

gh_mirrors/esp/esphome是一个为ESPHome定制的组件,专门用于为Emporia Vue 2能源监测器添加支持,帮助用户轻松实现能源数据的本地监控与管理。 ## 📋 准备工作:集成前的必备清单 在开始集成Emporia Vue 2之前,需要准备以下工具和材料: - USB转串口转换器模块(如CH340G适配器) - 4根公对母杜邦线 - 4个PCB安装公头 - 电烙铁及

gitblog_01099的博客 479

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

nrf51822 AT SIM868

/* Copyright (c) 2009 Nordic Semiconductor. All Rights Reserved. * * The information contained herein is property of Nordic Semiconductor ASA. * Terms and conditions of usage are described in detail i...

kernel_my的博客 1058

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

从零到一:用Arduino-ESP32构建智能物联网设备的终极指南

你是否曾想过,如何将普通的微控制器转变为功能强大的物联网设备?Arduino-ESP32项目为你提供了完美的答案。这个开源框架让ESP32系列芯片能够在熟悉的Arduino环境中运行,将复杂的嵌入式开发变得简单而高效。无论你是想创建智能家居设备、工业传感器还是可穿戴设备,Arduino-ESP32都能为你提供完整的解决方案。 ## 为什么选择Arduino-ESP32?不仅仅是兼容性 当大多数

gitblog_01149的博客 935

树莓派R800C GSM/GPRS HAT物联网应用实战:从硬件连接到Python编程

串口通信是嵌入式系统和物联网设备中实现微控制器与外围模块通信的基础技术,其原理是通过UART协议进行异步串行数据传输。在物联网领域,这种通信方式的价值在于能够以极低的硬件成本连接各类传感器和通信模块,实现数据采集与远程传输。典型的应用场景包括环境监测、远程控制和资产追踪等。本文聚焦于树莓派通过串口与R800C GSM/GPRS HAT模块的集成,详细解析了AT指令集在控制GSM模块进行短信收发和GPRS数据透传中的核心作用,并提供了基于Python的串口操作封装实例,帮助开发者快速构建低功耗、广覆盖的物联网

weixin_29179311的博客 345

Arduino Uno与ESP8266物联网集成:硬件连接、AT指令通信与实战项目

在物联网开发中,微控制器与无线通信模块的协同工作是实现设备联网的基础。其核心原理在于通过串口通信协议,在主控芯片与网络模块间建立可靠的数据交换通道。这种架构的技术价值在于能够灵活扩展传统嵌入式设备的网络能力,无需更换主控平台即可快速实现远程数据传输与控制。典型的应用场景包括环境监测、智能家居和远程控制等。本文聚焦于Arduino Uno与ESP8266的集成方案,详细解析了**电平转换**和**软件串口**等关键硬件设计,并提供了基于AT指令的稳定通信代码实现,帮助开发者高效构建联网设备原型。

weixin_29178069的博客 341

STM32F103C8T6:从入门到实战的嵌入式开发指南

本文是STM32F103C8T6嵌入式开发的全方位指南,涵盖从开发环境搭建、LED控制、串口通信到ADC采集、定时器应用及低功耗优化等核心实战内容。通过详细的代码示例和项目案例,帮助开发者快速掌握这款“嵌入式开发神器”的应用,提升在工业控制、智能设备等领域的开发能力。

ss78901的博客 848

自制一个 LoRa PM2.5 监测器

这篇文章分享下小能手如何使用 P-NUCLEO-LRWAN3 LoRa 开发套件自制的 PM2.5 监测器。 有兴趣的朋友不妨也来DIY一个,特别是家里有小孩或者慢性呼吸疾病的家人,更应该关注空气质量。当了解到自己生活空间的空气质量后,我们就可以决策是否需要在家里安置空气净化器,甚至是否需要换房子,寒暑假是否要把孩子送回环境更好的老家农村等等。

IoT小能手 3710
上一篇: 简单Makefile
下一篇: YUV/RGB格式及快速转换
skdev
博客等级 码龄20年 139粉丝 84原创
评论 2
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
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