如何从Raspberry Pi Pico的模数转换器捕获数据计算？

了解如何在Raspberry Pi Pico上以高达500 kHz的频率采样并根据捕获的数据计算快速傅立叶变换。

硬件部件：

Raspberry Pi Pico× 1个

在此项目中，我们将使用一些特殊功能以极快的速度从Raspberry Pi Pico的模数转换器（ADC）捕获数据，然后对数据进行快速傅立叶变换。这是许多项目的常见任务，例如涉及音频处理或广播的项目。

很可能您已经有了一个想要从中收集数据的传感器。就我而言，我有一个麦克风连接到Pico的A0输入。如果您只是来这里学习，则可以使模拟输入悬空而无任何连接。

您可以在GitHub上找到完整程序。

1.背景

Raspberry Pi Pico如此有用的一个主要原因是其众多的硬件功能使处理器从执行常规I / O任务中解放出来。在我们的例子中，我们将使用Pico的直接内存访问（DMA）模块。这是一项硬件功能，可以自动化任务，涉及以极快的速度将大量数据进出内存到IO。

可以将DMA模块配置为在准备好样本后立即将它们从ADC中取出。以最快的速度，您可以在高达0.5 MHz的频率下采样！

收集所有这些数据后，您可能需要对其进行一些处理。一个常见的任务是将您的信息从时域转换到频域以进行进一步处理。就我而言，我有一个麦克风，我想从该麦克风收集音频样本，然后计算样本中包含的最大频率分量。最常用的算法是快速傅立叶变换。

2. ADC采样代码

如果您还没有这样做，我强烈建议您在GitHub上克隆Raspberry Pi的pico-examples库。这是我用来开始的所有采样代码的地方。以下代码的很大一部分来自此存储库中的dma_capture示例。

我将介绍软件的一些关键要素，以解释发生了什么。您可以在“代码”部分找到完整的程序。

// set sample rate

adc_set_clkdiv（CLOCK_DIV）;

这条线确定ADC收集样本的速度。“ clkdiv”是指时钟分频，它使您可以分割48 MHz基本时钟，以更低的速率进行采样。目前，一个样本需要96个循环来收集。这样得出的最大采样率是每秒48、000、000个循环/每个样本96个循环=每秒500、000个样本。

为了降低采样速度，可以增加时钟分频。将CLOCK_DIV设置为960将使每个样本的循环数增加10倍，从而每秒产生50000个样本。您猜到了，将CLOCK_DIV设置为9600可以得到每秒5 000个样本。

void sample（uint8_t *capture_buf） {

adc_fifo_drain（）;

adc_run（false）;

dma_channel_configure（dma_chan， &cfg，

capture_buf， // dst

&adc_hw-》fifo， // src

NSAMP， // transfer count

true // start immediately

）;

gpio_put（LED_PIN， 1）;

adc_run（true）;

dma_channel_wait_for_finish_blocking（dma_chan）;

gpio_put（LED_PIN， 0）;

}

该功能实际上是从ADC收集样本。处理器复位ADC，排空缓冲区，然后开始采样。它还将在采样期间打开LED，以便您查看正在发生的情况。

3. FFT代码

// get NSAMP samples at FSAMP

sample（cap_buf）;

// fill fourier transform input while subtracting DC component

uint64_t sum = 0;

for （int i=0;i《NSAMP;i++） {sum+=cap_buf［i］;}

float avg = （float）sum/NSAMP;

for （int i=0;i《NSAMP;i++） {fft_in［i］=（float）cap_buf［i］-avg;}

上面的这一部分用ADC的采样填充cap_buf数组，然后对其进行预处理以进行傅立叶变换库。对于许多应用程序，在对数据进行傅里叶变换之前，先从数据序列中减去平均值是有利的。否则，任何直流电平（信号偏移会超过零）将导致输出频点接近零而具有巨大的幅度。我使用的库KISS FFT期望信号具有浮点类型，因此我在减去均值的同时也转换了样本。

// compute fast fourier transform

kiss_fftr（cfg ， fft_in， fft_out）;

// compute power and calculate max freq component

float max_power = 0;

int max_idx = 0;

// any frequency bin over NSAMP/2 is aliased （nyquist sampling theorum）

for （int i = 0; i 《 NSAMP/2; i++） {

float power = fft_out［i］.r*fft_out［i］.r+fft_out［i］.i*fft_out［i］.i;

if （power》max_power） {

max_power=power;

max_idx = i;

}

}

float max_freq = freqs［max_idx］;

printf（“Greatest Frequency Component： %0.1f Hz\n”，max_freq）;

下一部分将计算FFT，然后计算输出数据中的最大频率分量。FFT的输出是复数值，因此要获得可用的功率值，可以取复结果的大小。

还要注意的是，与其循环遍历FFT的所有NSAMP输出值，我们仅对NSAMP / 2进行装箱。由于奈奎斯特采样定理，任何大于采样率1/2的频率都将被混叠在一起，因此这些bin对我们没有用。这是信号处理的基本结果，如果您不熟悉，则值得进一步研究！

就音频而言，人耳通常可以听到高达20 kHz左右的频率。我使用的CLOCK_DIV值为960，产生的采样率为50 kHz。因此，我可以捕获的最大非混叠频率为25 kHz，这应该绰绰有余！

// BE CAREFUL： anything over about 9000 here will cause things

// to silently break. The code will compile and upload， but due

// to memory issues nothing will work properly

#define NSAMP 1000

需要指出的最后一点代码是NSAMP或收集的样本数。在信号处理中，在较高和较低数量的样本之间存在一个基本的权衡。更多的样本将花费更长的时间来收集和处理，但是会产生更高分辨率的傅里叶变换。更少的样本将导致更短的采样周期和更快的处理，但是您的傅立叶变换将更加精细。

对于Pico，我发现分配过多的内存会导致难以调试的失败。如果您将NSAMP设置得太大，您的Pico将没有足够的内存来分配给保存样本的阵列。该代码仍然可以编译和上传，但是您可能会得到一些奇怪的行为。在我的示例中，将NSAMP保持在9000以下似乎很好。

3.编译和上传

如果尚未下载，请下载Raspberry Pi Pico入门。这是一个坚实的资源，可为您提供设置构建系统，编译C / C ++代码并将其上传到Pico所需的一切。

以下所有说明均适用于macOS / Linux，但我想Windows上的CMake也有类似的过程。

要编译我的代码，请先在GitHub上下载我的存储库。

导航到adc_fft目录

创建一个名为“ build”的目录

在其中导航，然后键入“ cmake 。./”

输入“ make”，如果正确安装了Pico构建系统，则所有内容均应编译

将您的Pico放入引导加载程序模式，然后将adc_fft.uf2文件拖放到出现的驱动器中

那应该是全部！您可以通过USB监视程序的输出。它将在从A0采样的数据中输出最大频率分量，并且LED应该快速闪烁。
责任编辑:pj