#### 软件计算波特率地址
对于MSP430系列微控制器，波特率的计算在其用户手册中有详细说明。为了简化这一过程，您可以使用官方提供的软件工具进行计算：[点击这里访问工具](http://software-dl.ti.com/msp430/msp430_public_sw/mcu/msp430/MSP430BaudRateConverter/index.html)。





#### MSP430波特率计算概述

MSP430的波特率计算过程在各类文档中都有提及，但实际操作中可能会遇到一些困惑。为了更好地理解这个过程，可以参考[官方指南](https://processors.wiki.ti.com/index.php/USCI_UART_Baud_Rate_Gen_Mode_Selection)。

假设使用1MHz的时钟频率并设置9600波特率，则计算步骤如下：

1. **计算N值：**  
   \[
   N = \frac{fBRCLK}{Baudrate} = \frac{1\text{MHz}}{9600} = 104.1667
   \]

2. **判断是否启用过采样模式：**  
   当N值大于16时，建议启用过采样模式（设置`UCOS16=1`）。

#### 低频波特率模式设置 (UCOS16=0)

在低频波特率模式下（`UCOS16=0`），波特率分频寄存器UCBRx和小数部分调制寄存器UCBRSx的计算如下：

- **UCBRx = 整数部分(N)**  
- **UCBRSx = 四舍五入((N - 整数部分(N)) * 8)**

例如，对于1MHz时钟和9600波特率：

- \[
  UCBRx = 104
  \]
- \[
  UCBRSx = 四舍五入(0.1667 \times 8) = 1
  \]

#### 过采样波特率模式设置 (UCOS16=1)

在过采样模式下（`UCOS16=1`），波特率分频寄存器UCBRx和一级调制寄存器UCBRFx的计算如下：

- **UCBRx = 整数部分(N/16)**  
- **UCBRFx = 四舍五入(((N/16) - 整数部分(N/16)) * 16)**

例如，对于4MHz时钟和9600波特率：

- \[
  UCBRx = 26
  \]
- \[
  UCBRFx = 四舍五入(0.0417 \times 16) = 1
  \]

#### 代码示例

为了更好地理解上述公式的应用，以下是一个简单的初始化MSP430 UART串口的代码示例：

```c
#define CPU_F ( (double) 8000000)
#define delay_us( x )   __delay_cycles( (long) (CPU_F * (double) x / 1000000.0) )
#define delay_ms( x )   __delay_cycles( (long) (CPU_F * (double) x / 1000.0) )

#define baud        9600                                          /* 设置波特率 */
#define baud_setting    (uint) ( (ulong) CPU_F / ( (ulong) baud) ) /* 波特率计算公式 */
#define baud_h      (uchar) (baud_setting >> 8)                    /* 提取高位 */
#define baud_l      (uchar) (baud_setting)                         /* 低位 */

void initUSART(void)
{
    P1SEL = BIT1 + BIT2;                 // P1.1 = RXD, P1.2=TXD
    P1SEL2 = BIT1 + BIT2;                // P1.1 = RXD, P1.2=TXD
    UCA0CTL1 |= UCSSEL_2;                // SMCLK
    UCA0BR0 = baud_l;                    // 8MHz 9600
    UCA0BR1 = baud_h;                    // 8MHz 9600
    UCA0MCTL = UCBRS1;                   // 调制UCBRSx
    UCA0CTL1 &= ~UCSWRST;                // 初始化USCI状态机
    IE2 |= UCA0RXIE;                     // 启用USCI_A0 RX中断
}
```

#### 进一步阅读与参考

- TI的[USCI UART波特率生成器模式选择](https://processors.wiki.ti.com/index.php/USCI_UART_Baud_Rate_Gen_Mode_Selection)
- MSP430系列微控制器的[用户手册](http://software-dl.ti.com/msp430/msp430_public_sw/mcu/msp430/MSP430BaudRateConverter/index.html)

通过以上方法，您可以轻松计算并设置MSP430的波特率，使其与目标通信设备准确匹配。

MSP430单片机如何计算串口波特率配置

# 原始题目

题2   现场数据采集装置设计
便携式数据采集装置将在现场采集到的数据装入装置的内部数存贮器，以待送实验室或试验中心的计算机进行分析处理，由于现场不一定有交流电供电，而且采集到的数据必须保存到送实验室，因此装置必须以电池或蓄电池供电或者采用FALSH、EEPROM型的存储器。整个装置的基本性能如下：



1、模数转换器分辨率：  1 2位

2、采样速率：100 μs／一次采样～100 ms／一次采样， 共十种采样速率可选择

3、输入电压量程：    10 mV～10 V ，共十种量程可选择

4、一次采样点数：    1 K点～64 K点．共七种采样点数可选择

5、读写存贮器的容量：  SARM, EEPROM或FLASH

6、面板显示器：    LCD（液晶）数码显示，用于显示已采样次数或显示剩余
存贮器容量

7、串行通信能力：标准RS-232-C电平，波特率可选择9600或115200。具备把本地数据批量上传到上位机的功能。

8、电源： 4节5号电池供电

9、节电功能：5 min不采样，自动进入低功耗状态。

设计以MSP430为核心的采集装置电路，并编写相关的系统软件。

# 改编后的题目

用单片机自带的10位adc做个电压表

（1）实时显示采集到的电压

（2）按键1切换参考电压

（3）按键2可以存储一次当前电压，最多存储10次

（4）按键3可以查看存储的电压

（5）按键4可以一次性将存储的电压发送到电脑

MSP430G2553，单片机，现场数据采集装置设计，程序

**以下题目，都可以代做。有需要就联系我。**





第一篇    MSP430系统设计
 （每位同学选做一题，学号末位1，选第1题，。。。。。。学号末位9，选择第9题，学号末位0，选做第10题。）

一、项目
设计MSP430应用系统， 所有题目采用TI公司的经典单片机芯片——MSP430，项目如下：

（一）课程基本内容
题1  空调机遥控发射机
空调遥控器可以用来庙宇空调机的控制温度（室内温度）、工作状态（常态、除湿、通风）、风扇风速（强、弱、中）以及定时时间（空调工作多少小时自动开机或延时多少小时自动开机）。使用者在遥控器上庙宇预期的空调机工作状态、控制温度及延时时间后，这些参数即送至空调机，空调机按要求开始工作。
该遥控器的要求如下：
（1） 数字显示器：第一组显示时间，发送前指示设定的延时时间：0——9 h,发送后指示剩余的延时时间；第二组显示控制温度15——35℃。
（2） 工作状态指示器3组：第一组指示设定的工作状态：常态、除湿、通风；第二组指示延时开机、延时停机、取消等三种延时要求；第三组指示空调机的三种工作速度：慢速、中速、高速。
（3）红外发射管，发射的调制频率是45 KHz。
（4）3节5号电供电。
（5）面板示意图见图，用LCD实现界面。

 
设计以MSP430为核心的遥控器电路，并编写相关的系统软件。

题2   现场数据采集装置设计
便携式数据采集装置将在现场采集到的数据装入装置的内部数存贮器，以待送实验室或试验中心的计算机进行分析处理，由于现场不一定有交流电供电，而且采集到的数据必须保存到送实验室，因此装置必须以电池或蓄电池供电或者采用FALSH、EEPROM型的存储器。整个装置的基本性能如下：
    1、模数转换器分辨率：  1 2位
    2、采样速率：100 μs／一次采样～100 ms／一次采样， 共十种采样速率可选择
    3、输入电压量程：    10 mV～10 V ，共十种量程可选择
    4、一次采样点数：    1 K点～64 K点．共七种采样点数可选择
5、读写存贮器的容量：  SARM, EEPROM或FLASH
    6、面板显示器：    LCD（液晶）数码显示，用于显示已采样次数或显示剩余
    存贮器容量
    7、串行通信能力：标准RS-232-C电平，波特率可选择9600或115200。具备把本地数据批量上传到上位机的功能。
    8、电源： 4节5号电池供电
9、节电功能：5 min不采样，自动进入低功耗状态。

设计以MSP430为核心的采集装置电路，并编写相关的系统软件。

题3  烘箱温度控制器
设计一个基于MSP430的温度控制器，满足如下技术指标：
（1）1KW 电炉加热，最度温度为110℃
（2）恒温箱温度可设定，温度控制误差≦±2℃
（3）实时显示温度和设置温度，显示精度为1℃。
（4）温度超过设置温度±5℃，发出超限报警（声、光），升温和降温过程不作要求。
（5）温度超过 115℃，报警并自动切断主回路电源开关。
（6）电炉可使用二阶系统仿真。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

题4   步进电机运动控制器设计
     用步进电机作为X-Y移动平台的执行机构，实现开环位置控制。本题中的步进电机为两相步进电机， 一相激励时步距角为1.8°（即每个脉冲，转动1.8°），由步进电机驱动器接受控制器的脉冲，每一个脉冲走一步，可正反转。步进电机的转动带动丝杆，将旋转运动转换为直线运动，步进电机的每一走步传递到X或Y方向的移动距离为0.02mm.系统中步进电机工作频率为500Hz--4KHz。运动要求是：
(1) 当按键K1按下时，X方向步进电机正向运转，X正向移动1mm；
当按键K2按下时，X方向步进电机反向运转，X反向移动1mm;
当按键K3按下时，Y方向步进电机正向运转，Y正向移动1mm；
当按键K3按下时，Y方向步进电机反向运转，Y反向移动1mm；
（2） 按键按住不放，连续运动直到按键释放，停止运转。
（3）控制器实时显示步进电机转过的步数和X或Y向移动的距离。
 （4） 系统供电电源为36 VDC。
设计以MSP430和STK672-040为核心的控制电路，并编写相关的系统软件。

题5  单相交流电压、电流计设计
设计基于MSP430的单相工频交流电参数检测仪。交流有效值0-220V，电流有效值0-40A。电压、电流值经电压、电流传感器输出有效值为0-5V的交流信号，传感器输出的电压、电流信号与被测电压、电流同相位。
基本要求如下
 （1） 电流、电压测量精度0.1%
 (2)   检测电压、电流的相位角，求出功率因素
（3） 电流、电压有效值由LED轮流显示，也可由按键切换显示量
  (4)  有效值、功率因素可以发送至远程主机。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

题6   函数发生器的设计
    设计一款简易函数发生器。由按键选择所以生成的函数，由LCD显示函数波形并由D/A转换输出模拟量信号。
基本要求如下：
（1）	模拟量输出分辨率在10位以上；
（2）	可生成正弦波、三角波、锯齿波、方波等信号，由按键选择所要生成的波形；
（3）	信号幅度、周期（频率）、及垂直位移（直流偏置）可由按键设定。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

题7  多路温度巡回检测仪的设计
设计一个多路温度检测仪，共有8个测温点，每个点连续检测8次，以平均值代表该点温度，并轮流在LED显示器上显示。测试检测元件为铂热电阻Pt1000, 温度测量范围为100℃ ——+500℃，测量精度为±1℃。系统每隔10秒完成一个点的测量，测量值除在LED显示器上显示外，还必须通过串行口（RS485）发送到上位机。任何时刻，可以通过按键切换显示通道。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

注：铂热电阻测量范围为－200～850℃，R0有10Ω 、100Ω和1000Ω三种，分度号分别为Pt10、Pt100和Pt1000。铂热电阻的精度高，体积小，测温范围宽，稳定性好，再现性好，但是价格较贵。其电阻与温度的关系为：

当T≥0℃时            R(T)= R0（1+AT+BT²）              
当T< 0℃时   R(T)= R0 [1+AT+BT²+CT³(T-100)]              
              
式中： RT为被测温度T下的阻值，单位为Ω 
R0为0℃下的阻值     
T为实际温度值   
A为常数3.9083×10ˉ³/℃
  B为常数-5.775×10ˉ7/℃²
 C为常数-4.183×10ˉ12/℃4


题8  交通灯控制系统
   十字路口交通灯由红、绿两色LED显示器（两位8段LED显示器）组成，LED显示器显示切换倒计时，以秒为单位，每秒更新一次；为确保安全，绿LED计数到0转红，经5秒延时（显示红色0）后，另一道开始绿色倒计时。
(1)主干道(A道)先通行且通行时间为45 s；（加5秒红灯延时，共50秒）
    (2)支道(B道)通行时间为25 s；（加5秒红灯延时，共30秒）
    (3)主道与支道的车辆交错通行；
      (4)若遇紧急情况，按开关K1时，主道与支道都为红灯20 s
     (5)根据实时交通堵塞情况人为控制时，按K2时，主道延时30 s通行，按K3时，支道延时30 s通行。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

题9  流量积算仪设计
某型流量计精度为0.1%, 满刻度值为4L/s，流量计输出为4---20 mA。
设计基于MSP430及VFC32的流量积算仪。
具体要求
 (1) 积算仪满刻度10000  L，精度0.1 L; 计满10000 L，自动归零并通过串口（RS232）向上位PC机发送信息
（2）LED显示积算值，可通过按键切换显示某时刻的流量
 (3)  PC机通过串口可实时查询当前流量及积算量。
设计以MSP430为核心的控制电路，并编写相关的系统软件。

题10  数字电子日历/时钟设计
     
设计一个基于MSP430的电子日历和时钟。
基本要求
（1） 可通过按键在日历和时间之间切换显示；
（2） 可由按键调整日期和时间
（3） 可整点报时（“嘟、嘟”声）
（4） 可设定时，定时时间到发出“嘟、嘟”声
（5） 具有秒表功能
设计以MSP430为核心的控制电路，并编写相关的系统软件。

思考题：1、设计基于串口的具有IAP在线升级功能的软件。
			2、设计具有SD卡文件管理功能的AWG音频播放器。

二、设计报告


硬件系统设计报告可参照如下格式：

1项目概述
2 系统设计
   设计思想、方案可行性分析，总体方案
3 硬件设计
   硬件电路工作原理，参数计算等
4 软件设计
   软件设计思想、程序流程图、程序清单
*5 系统仿真及调试
      实际调试或仿真数据分析，结果分析
6  结果与展望
7 参考文献

（同一设计题目，若报告、图、程序完全相同，则视作相互抄袭，则以总成绩/n 计分。  其中：n为雷同人数；总成绩为 0---100之间的数；
  若报告、图、程序与网上资料高度相似，则视作抄袭他人成果）

三、需提交的材料
1 纸质课程设计报告

五、评分方法
1 考勤 2 平时检查 3 书面考查及实考（考核软件的使用、实验内容、硬件设计） 4设计及实验报告。
设计及实验报告要规范，尽量避免病句、错别字，报告必须加封面，以便随时候各类、各级评估专家抽阅、评估。报告封面日期填：2012年6月21日起——2012年7月5日止，课程名称填写：单片机课程设计，可另加副标题，如：XXXXXXXXXX及单片机实验。
。

一些单片机题目

我的一些可以直接用的Docker镜像

@[toc]

#  资料

依据这个进行训练：
https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detection/faster_rcnn







```bash
 ├── backbone: 特征提取网络，可以根据自己的要求选择
  ├── network_files: Faster R-CNN网络（包括Fast R-CNN以及RPN等模块）
  ├── train_utils: 训练验证相关模块（包括cocotools）
  ├── my_dataset.py: 自定义dataset用于读取VOC数据集
  ├── train_mobilenet.py: 以MobileNetV2做为backbone进行训练
  ├── train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练
  ├── train_multi_GPU.py: 针对使用多GPU的用户使用
  ├── predict.py: 简易的预测脚本，使用训练好的权重进行预测测试
  ├── validation.py: 利用训练好的权重验证/测试数据的COCO指标，并生成record_mAP.txt文件
  └── pascal_voc_classes.json: pascal_voc标签文件
```


![image.png](/static/img/9f10bfa210ff79c85e3f94559dbb20ab.image.webp)



# 环境

dockerfile：

```dart
FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu22.04
ENV DEBIAN_FRONTEND=noninteractive

# 安装基本软件包
RUN apt-get update && \
    apt-get upgrade -y && \
    apt-get -y --no-install-recommends install vim wget curl build-essential python3.10-dev python3.10 python3-pip sudo && \
    update-alternatives --install /usr/bin/python python /usr/bin/python3.10 1 && \
    apt-get install -y libgl1 libglib2.0-0 ffmpeg tzdata && \
    ln -sf /usr/share/zoneinfo/Asia/Shanghai /etc/localtime && \
    echo "Asia/Shanghai" > /etc/timezone


RUN apt-get -y --no-install-recommends install vim wget curl git build-essential python3.10 python3-pip python3.10-venv sudo

RUN apt-get install -y libgl1 libglib2.0-0 iputils-ping python3.10-dev libgoogle-perftools-dev nginx

# 更改默认Shell为bash
SHELL ["/bin/bash", "-c"]

```
python 环境：
```dart
git clone https://github.com/WZMIAOMIAO/deep-learning-for-image-processing.git
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
conda create -n py38 python=3.8 -y
conda activate py38
# CUDA 11.0
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch -y
cd /deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn
pip install -r requirements.txt


```

得到readme.md说的一些权重：

```dart
cd /deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn/backbone

 wget https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
--2024-06-05 13:50:21--  https://download.pytorch.org/models/mobilenet_v2-b0353104.pth

mv mobilenet_v2-b0353104.pth mobilenet_v2.pth

wget https://download.pytorch.org/models/resnet50-0676ba61.pth
--2024-06-05 13:50:46--  https://download.pytorch.org/models/resnet50-0676ba61.pth

mv resnet50-0676ba61.pth resnet50.pth

wget https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth

mv fasterrcnn_resnet50_fpn_coco-258fb6c6.pth fasterrcnn_resnet50_fpn_coco.pth

mkdir /deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn/data
cd /deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn/data

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar


```



# 尝试训练


反向commit 镜像：

```dart
docker commit 74d9893ccb29 kevinchina/deeplearning:fasterrcnn_train_v1

docker push kevinchina/deeplearning:fasterrcnn_train_v1
```

重启容器：

```dart
docker run --gpus all -it -v $PWD:/wkp --shm-size=64g kevinchina/deeplearning:fasterrcnn_train_v1 bash
```

训练：
```dart
conda activate py38
cd /deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn/
python train_mobilenetv2.py
```

启动成功：


![image.png](/static/img/81335fd1b2a0d7be58e5c43bc23db258.image.webp)

一轮训练完成后的验证：



![image.png](/static/img/f3399d9588ab11ec4fc0f2c1ec6cefa5.image.webp)


# 安全帽数据训练

安全帽佩戴检测
数据集：https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset

加入安全帽数据，小小修改一下源代码的一些小的东西：


![image.png](/static/img/1e06798ee54fdc375e7d5abffb8ef482.image.webp)


![image.png](/static/img/f05405c240b910cf06a56878cc0f84a8.image.webp)


![image.png](/static/img/20b3d4268a66b1ef323765cd716f1bb1.image.webp)


![image.png](/static/img/e96dc1cbd599c6cf04c8691312214207.image.webp)

启动训练：

```dart
python train_mobilenetv2.py
```

训练完一轮：


![image.png](/static/img/97791fc37173e5a3d01ff2d0a68dac8c.image.webp)

训练结束：

```dart
Test:  Total time: 0:00:52 (0.0858 s / it)
Averaged stats: model_time: 0.0590 (0.0440)  evaluator_time: 0.2436 (0.0344)
Accumulating evaluation results...
DONE (t=1.42s).
IoU metric: bbox
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.412
 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.695
 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.425
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.171
 Average Precision  (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.540
 Average Precision  (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.669
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=  1 ] = 0.169
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets= 10 ] = 0.395
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.466
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.262
 Average Recall     (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.602
 Average Recall     (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.714
successful save loss curve!
successful save mAP curve!

```

# 测试

用test.txt中测试准确率

```dart
python validation.py
```


![image.png](/static/img/04ccf5406ccc6fbd8e073b675d2e2ee6.image.webp)




# 预测

```dart
(py38) root@f3661bce90f6:/deep-learning-for-image-processing/pytorch_object_detection/faster_rcnn# python  predict.py
using cuda:0 device.
inference+NMS time: 0.018668174743652344
```


docker push kevinchina/deeplearning:fasterrcnn_train_v2


# 全部数据、代码、训练完的权重等资料见：

```dart
https://docs.qq.com/sheet/DUEdqZ2lmbmR6UVdU?tab=BB08J2
```

【深度学习】安全帽检测，目标检测，Faster RCNN训练

我是一个专注技术分享的博主,尤其爱搞深度学习和单片机电子。你现在看到的是我的个人博客网站。