基于树莓派4B与STM32的UART串口通信实验（代码开源）

前言：本文为手把手教学树莓派4B与 STM32 的 UART 通讯，本次项目采用树莓派4B与 STM32 进行串口通讯，将彼此的数据进行互相传输。本篇博客同时提供了基于 YOLOv5-Lite 的目标检测数据联动，即将树莓派4B检测到的信息发送至 STM32，后续可以通过这些信息进行各种需求上的控制。树莓派4B与 STM32 的联动是很常见的嵌入式架构体系，通常树莓派4B负责计算量大的任务（例如：目标检测，激光雷达等），STM32 则负责进行控制任务，该架构也是目前主流的智能硬件处理框架！（文末有代码开源！）

硬件实物图：

效果图：

一、树莓派4B串口

1.1 树莓派4B的Pin

树莓派4B的引脚图：

树莓派4B作为一款小型电脑，其提供了额外大量的 Pin 引脚适用于嵌入式的日常开发，本次实验我们需要需要实现树莓派4B与STM32F103C8T6之间的UART通讯！

补充说明：

树莓派4B作为上位机负责计算量大的任务（例如：目标检测，激光雷达等），STM32 则负责进行控制为主的任务。该体系框架是目前主流的人工智能嵌入式流派之一，如今多数的智能小车，智能航行器，智能机械臂都有使用该套框架！

该框架的优势：

该框架将控制任务与计算任务隔离，实现了各 CPU 的专门专精，提高了系统的稳定性（方便后期任务的扩展或者检修）。同时，STM32虽然计算能力上是远远弱于树莓派4B的，但是其GPIO的控制能力是强于树莓派的，也就是它天生根据控制优势。所以，该框架是充分发挥了各自的专长！

树莓派4B与STM32之间常用的通讯方式：

(1)、UART，(2)、SPI，(3)、I2C（该项目使用Serial）

1.2 树莓派4B安装Serial与使用

引脚连接：

根据上图树莓派4B的 Pin 引脚图中 GPIO14(TXD) 和 GPIO15(RXD) 的两个引脚分别与 STM32F103C8T6 的 PA10(RXD) 和 PA10(RXD) 的引脚相连（交叉连接）

1.2.1 安装serial

在终端输入：sudo apt-get install serial

1.2.2 打开树莓派4B串口

在终端输入：sudo raspi-config 打开界面设置

 Interfacing Options→serial→否→是

在终端输入：ls -al /dev/查看设备

1.2.3 修改串口映射关系

在终端输入：sudo nano /boot/config.txt

末行添加 dtoverlay=pi3-miniuart-bit

重启树莓派4B，之后终端输入：ls -la /dev/查看设备

1.2.4 修改配置文件

在终端输入：sudo nano /boot/cmdline.txt

修改cmdline.txt文件的内容，内容如下：

dwc_otg.lpm_enable=0 console=tty1 root=/dev/mmcblk0p2 rootfstype=ext4 elevator=deadline rootwait

二、安装minicom与树莓派4B测试

2.1  minicom安装

minicom 是 Linux/树莓派4B 平台串口调试工具，相当于 windows 上的串口调试助手，此时需要先安装 minicom；

sudo apt-get install minicom

在终端输入：minicom -D /dev/ttyAMA0

如果要退出这个minicom软件的话，先按CTRL+A再按Z就会弹出菜单，按下0回车就退出了，然后就能直接关闭了。

2.2 树莓派4B通信测试

我们使用 XCOM 串口调试助手来测试树莓派4B能否正常进行 UART 通信！

使用USB-TTL模块交叉连接树莓派4B的 UART 的引脚；

★特殊说明：USB-TTL 模块的 VCC 和 GND 一定都要与树莓派4B的相应 Pin 相连，不然可能因为电流的不平衡导致端口疯狂输出乱码！

我们在下图 minicom 红框区域输入 Hi IKUN！字样之后，可以在 XCOM 的端口处看到字符串成功发送到了 PC 端；

同理，在 XCOM 端口发送 Hi My Brother 字样之后，可以在树莓派4B的  minicom 红框区域成功接收到该信息！

当成功完成上述的操作之后，说明我们已经成功的配置好树莓派4B的UART功能！之后就可以尝试与 STM32 进行通信了（发送数据给XCOM不仅可以通过 minicom，也可以通过python等代码）！

三、树莓派4B与STM32通信

STM32 的代码其实就是简单的UART串口通讯代码，但实质上是有很多坑！！！作者发现大部分博主并没有说明出坑所在，这部分作者将会为读者朋友把可能出现的坑给解决掉！

3.1 树莓派4B代码 

我们利用 Python 代码写一个循环发送数字的代码程序，具体代码如下：

import serial   import time      ser = serial.Serial('/dev/ttyAMA0',115200) # 串口初始化，根据实际情况修改串口号和波特率    # 定义要输出的数字   num =  196   while True:                        ser.write(str(int(num)).encode()) # 发送数字到串口        num += 1       if num > 205:           num = 196           time.sleep(0.2) # 等待1秒钟  

可以看出代码是非常简单的，但是这里读者朋友需要注意的是树莓派4B的端口发送至STM32的其实都是字符串流！在STM32端我们对发送过来的字符串流进行解码（很多博主其实都没有说明该点，导致很多朋友解码失败）！

3.2 CubeMX配置

1、RCC配置外部高速晶振（精度更高）——HSE；

2、SYS配置：Debug设置成Serial Wire（否则可能导致芯片自锁）；

3、I2C配置：

4、USART1配置：设置UART1串口；波特率：115200；开启UART串口中断；

5、时钟树配置

6、工程配置

3.3 STM32代码

3.3.1 OLED代码

OLED模块主要是方便显示树莓派4B发送给STM32的数据信息！考虑到实际情况，我们一般需要根据树莓派4B发送过来的数字信息，所以，我们这里利用OLED进行数字显示！

小数显示API函数：

//z_len为整数显示位数，f_len为小数显示位数，size2为字体大小 void OLED_Showdecimal(u8 x,u8 y,float num,u8 z_len,u8 f_len,u8 size2) {         	 	u8 t,temp; 	u8 enshow; 	int z_temp,f_temp;       	z_temp=(int)num; 	//整数部分 	for(t=0;t<z_len;t++) 	{ 		temp=(z_temp/oled_pow(10,z_len-t-1))%10; 		if(enshow==0 && t<(z_len-1)) 		{ 			if(temp==0) 			{ 				OLED_ShowChar(x+(size2/2)*t,y,' ',size2); 				continue; 			} 			else 			enshow=1; 		} 		OLED_ShowChar(x+(size2/2)*t,y,temp+'0',size2);  	} 	//小数点 	OLED_ShowChar(x+(size2/2)*(z_len),y,'.',size2);  	 	f_temp=(int)((num-z_temp)*(oled_pow(10,f_len)));   //小数部分 	for(t=0;t<f_len;t++) 	{ 		temp=(f_temp/oled_pow(10,f_len-t-1))%10; 		OLED_ShowChar(x+(size2/2)*(t+z_len)+5,y,temp+'0',size2);  	} }

篇幅有限，OLED参考博客：http://t.csdn.cn/kydg4

3.3.2 UART代码

这部分代码是比较核心的，上述博客作者已经说明了，其实树莓派4B发送给STM32的数据都是以字符串流的格式发送来得。所以，即使发送过来的是数字数据也会变成字符，这就需要我们进行解码！

uart.h：

#ifndef __UART_H #define __UART_H  #include "stm32f1xx_hal.h"   extern UART_HandleTypeDef huart1;  #define USART1_REC_LEN  600  extern int  USART1_RX_BUF[USART1_REC_LEN]; extern uint16_t USART1_RX_STA; extern int USART1_NewData;  void  HAL_UART_RxCpltCallback(UART_HandleTypeDef  *huart);  #endif

uart.c：

#include "uart.h" #include "oled.h"  int USART1_RX_BUF[USART1_REC_LEN];		//目标数据 uint16_t USART1_RX_STA=2; int USART1_NewData;  extern int num;		//百位 extern int num2;    //十位 extern int num3;    //个位   void  HAL_UART_RxCpltCallback(UART_HandleTypeDef  *huart) {     if(huart ==&huart1)     {  			       USART1_RX_BUF[USART1_RX_STA&0X7FFF]=USART1_NewData; 					       USART1_RX_STA++;   			 						       if(USART1_RX_STA>(USART1_REC_LEN-1))USART1_RX_STA=0;  			//num = USART1_RX_BUF[USART1_RX_STA]; 			 			HAL_UART_Receive_IT(&huart1,(uint8_t *)&USART1_NewData,1); 			 			num = USART1_RX_BUF[USART1_RX_STA-1];			 			num2 = USART1_RX_BUF[USART1_RX_STA-2]; 			num3 = USART1_RX_BUF[USART1_RX_STA-3];			     }		 }

上述UART代码，利用 UART 中断函数进行读取 USART1_NewData 的数值，因为我们最大传输的数字为3位数，所以我们分别读取缓存数组中最近的 3 个字节数据（树莓派4B发送过来的是字符串，也就是被转换成了对应数字的ASCII数值，例如：发送过来100，则STM32端接收到的为49 49 48 这3个字节）。

3.3.3 数据解码代码

control.c：

#include "control.h" #include "uart.h" #include "tim.h" #include "oled.h"  int num; int num2; int num3; int value; int flag; int last;   void TargetTracking() { 	flag = USART1_RX_STA - last; 				 	last = USART1_RX_STA; 	 	value = (num3-48) * 100 + (num2-48) * 10 + (num-48) * 1; 	 	OLED_ShowStr(10,2,"Object Center",2); 	OLED_Showdecimal(45,4,value,3,1,16); 	 	if(flag == 2) 	{ 		value = (num2-48) * 10 + (num-48) * 1; 		OLED_Showdecimal(40,4,value,3,1,16); 	} 	 }

这里默认都是 3 位数，所以之间按照 UART 数据传输高低位的数据将数据-48变为实际的数字，在×对应的比例即可得到实际值！flag 则是通过 USART1_RX_STA 变量的变化值判断一次传输过来几个字节的数据，可以判断是几位数！

读者朋友可以根据自己实际情况更改上述代码为己所用！

代码运行之后：

四、高级应用

智能小车的目标追踪

树莓派4B通常会出现在基于视觉技术进行规定目标的追踪，这个时候往往需要树莓派4B读取到目标框数据，然后发送给STM32下位机，之后STM32根据这些目标框信息来进行逻辑上的控制。

作者这里以上一篇博客的网络模型检测结果为例，代码如下：

import cv2 import numpy as np import onnxruntime as ort import serial import time  ser = serial.Serial('/dev/ttyAMA0',115200)  def plot_one_box(x, img, color=None, label=None, line_thickness=None):     """     description: Plots one bounding box on image img,                  this function comes from YoLov5 project.     param:          x:      a box likes [x1,y1,x2,y2]         img:    a opencv image object         color:  color to draw rectangle, such as (0,255,0)         label:  str         line_thickness: int     return:         no return     """     tl = (         line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1     )  # line/font thickness     color = color or [random.randint(0, 255) for _ in range(3)]     c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3]))              ser.write(str(int((int(x[2])-int(x[0]))/2+int(x[0]))).encode())     print(int((int(x[2])-int(x[0]))/2+int(x[0])))              cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA)     if label:         tf = max(tl - 1, 1)  # font thickness         t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0]         c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3         cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA)  # filled         cv2.putText(             img,             label,             (c1[0], c1[1] - 2),             0,             tl / 3,             [225, 255, 255],             thickness=tf,             lineType=cv2.LINE_AA,         )  def _make_grid( nx, ny):         xv, yv = np.meshgrid(np.arange(ny), np.arange(nx))         return np.stack((xv, yv), 2).reshape((-1, 2)).astype(np.float32)  def cal_outputs(outs,nl,na,model_w,model_h,anchor_grid,stride):          row_ind = 0     grid = [np.zeros(1)] * nl     for i in range(nl):         h, w = int(model_w/ stride[i]), int(model_h / stride[i])         length = int(na * h * w)         if grid[i].shape[2:4] != (h, w):             grid[i] = _make_grid(w, h)          outs[row_ind:row_ind + length, 0:2] = (outs[row_ind:row_ind + length, 0:2] * 2. - 0.5 + np.tile(             grid[i], (na, 1))) * int(stride[i])         outs[row_ind:row_ind + length, 2:4] = (outs[row_ind:row_ind + length, 2:4] * 2) ** 2 * np.repeat(             anchor_grid[i], h * w, axis=0)         row_ind += length     return outs    def post_process_opencv(outputs,model_h,model_w,img_h,img_w,thred_nms,thred_cond):     conf = outputs[:,4].tolist()     c_x = outputs[:,0]/model_w*img_w     c_y = outputs[:,1]/model_h*img_h     w  = outputs[:,2]/model_w*img_w     h  = outputs[:,3]/model_h*img_h     p_cls = outputs[:,5:]     if len(p_cls.shape)==1:         p_cls = np.expand_dims(p_cls,1)     cls_id = np.argmax(p_cls,axis=1)      p_x1 = np.expand_dims(c_x-w/2,-1)     p_y1 = np.expand_dims(c_y-h/2,-1)     p_x2 = np.expand_dims(c_x+w/2,-1)     p_y2 = np.expand_dims(c_y+h/2,-1)     areas = np.concatenate((p_x1,p_y1,p_x2,p_y2),axis=-1)          areas = areas.tolist()     ids = cv2.dnn.NMSBoxes(areas,conf,thred_cond,thred_nms)     if len(ids)>0:         return  np.array(areas)[ids],np.array(conf)[ids],cls_id[ids]     else:         return [],[],[] def infer_img(img0,net,model_h,model_w,nl,na,stride,anchor_grid,thred_nms=0.4,thred_cond=0.5):     # 图像预处理     img = cv2.resize(img0, [model_w,model_h], interpolation=cv2.INTER_AREA)     img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)     img = img.astype(np.float32) / 255.0     blob = np.expand_dims(np.transpose(img, (2, 0, 1)), axis=0)      # 模型推理     outs = net.run(None, {net.get_inputs()[0].name: blob})[0].squeeze(axis=0)      # 输出坐标矫正     outs = cal_outputs(outs,nl,na,model_w,model_h,anchor_grid,stride)      # 检测框计算     img_h,img_w,_ = np.shape(img0)     boxes,confs,ids = post_process_opencv(outs,model_h,model_w,img_h,img_w,thred_nms,thred_cond)      return  boxes,confs,ids     if __name__ == "__main__":      # 模型加载     model_pb_path = "best.onnx"     so = ort.SessionOptions()     net = ort.InferenceSession(model_pb_path, so)          # 标签字典     dic_labels= {0:'drug',             1:'glue',             2:'prime'}          # 模型参数     model_h = 320     model_w = 320     nl = 3     na = 3     stride=[8.,16.,32.]     anchors = [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]]     anchor_grid = np.asarray(anchors, dtype=np.float32).reshape(nl, -1, 2)          video = 0     cap = cv2.VideoCapture(video)     flag_det = False     while True:         success, img0 = cap.read()         if success:                          if flag_det:                 t1 = time.time()                 det_boxes,scores,ids = infer_img(img0,net,model_h,model_w,nl,na,stride,anchor_grid,thred_nms=0.4,thred_cond=0.5)                 t2 = time.time()                                               for box,score,id in zip(det_boxes,scores,ids):                     label = '%s:%.2f'%(dic_labels[id],score)                                  plot_one_box(box.astype(np.int16), img0, color=(255,0,0), label=label, line_thickness=None)                                      str_FPS = "FPS: %.2f"%(1./(t2-t1))                                  cv2.putText(img0,str_FPS,(50,50),cv2.FONT_HERSHEY_COMPLEX,1,(0,255,0),3)                                           cv2.imshow("video",img0)         key=cv2.waitKey(1) & 0xFF             if key == ord('q'):                      break         elif key & 0xFF == ord('s'):             flag_det = not flag_det             print(flag_det)                  cap.release()            

作者上述代码仅以目标物体中心的 x 轴坐标为例，控制机理是这样的：当 x 数值大于320（图片为640×640）时候控制小车向便宜右偏移，反之则向左偏移。目标框的w，h则可以根据实际情况设置阈值，控制小车的前进速度。当目标框的宽度 w 太小时候，加速小车前进，反之则减速！

作者有话：

目前的 YOLOv-Lite 网络模型的 FPS 还是太低了，在该 FPS 下去进行目标追踪的控制是非常困难的。此外，实际情况下搭载在小车亦或是航行器的 Camera 在拍摄过程中避免不了强烈的高斯白噪，需要加卡尔曼滤波进行优化目标框信息！

所以，后续作者将推出可以基于视觉追踪实战的网络模型和目标追踪代码，感兴趣的读者朋友可以期待一下！

五、项目效果

基于树莓派4B与STM32通信追踪

六、项目代码

代码地址：基于树莓派4B与STM32的UART串口通信实验代码资源-CSDN文库

如果积分不够的朋友，点波关注，评论区留下邮箱，作者无偿提供源码和后续问题解答。求求啦关注一波吧 ！！！