# 树莓派学习日志6.20系统备份和还原

全卡备份：两张sd卡

方式一、软件：Win32

流程：卡1备份到电脑上；电脑再把系统备份到卡2中；

方式二、软件：SDCard Copier

连接上树莓派后（ip地址于是否有sd卡插入不冲突，sd卡写入树莓派中相当于就没用了）

将一张空的sd卡插入树莓派中

附件中找到SDCard Copie

然后直接开始备份

方式三、树莓派中使用终端命令

先插入新卡

lsblk（查看硬盘设备的命令）

会出现两个硬盘 （如何区分有两个分区 有boot以及root（可能显示为part）就是旧卡，另一张就是新卡）

命令1：sudo dd if=/dev/mmcblk0 of（旧卡）=/dev/sda（新卡）(if表示要复制的内容 of表示要复制到哪里去)

命令2：sudo ps -ef | grep dd(查看命令1的进程号) 

命令3：sudo watch -n 3 kill -USR1
pid(pid是查到的进程号；发送USR1（用户自定义的信号），查看copy进度；结合watch实现刷新)

压缩备份

备份内容 ：整个boot分区（不管是否使用）和root分区所使用的空间

df -h查看系统卡的空间使用情况

命令1：git clone https://github.com/nanhantianyi/rpi-backup,git && cd rpi-backup

命令2:sudo ./back.sh 备份镜像的名字(可以任意取名).img

（ps：实际上就是访问github上的一个备份程序进行备份）

命令：ls（在当前目录下生成一个刚刚我们取名的系统镜像）

df -h再次查看系统卡空间使用情况



树莓派学习日志6

# 树莓派学习日志6.20gpio 管脚点亮led灯

GPIO：通用输入输出（即IO口）

分类：

1.电源引脚（5V、3V、接地）

2.GPIO控制引脚（控制引脚高低电平）

3.GPIO通讯引脚（SPI、I2C通讯、TxD/RxD串口通讯）

三种编码：

1.板载编码

按照树莓派主板上引脚排针的编号直接进行编码（图见树莓派原理图）

2.BCM编码

Python

3.WiringPi编码

C语言

几个命令：

1）pinout查看板载编码

2）gpio readall查看完整编码（具体就是包括板载编码以及WiringPi编码，BCM编码，管脚名称以及管脚模式）

1）gpio -g mode 4 out #设置管脚为输出模式，-g表示是以BCM编码（去掉-g则是以wiringPi编码）

2）gpio -g read 4 #读取管脚的当前状态

3）gpio -g write 4 1 #设置管脚为高电平

4）gpio -g write 4 0 #设置管脚为低电平

（ps：强调一遍4是管口对应的BCM码）

面包板的电路连接图

![](https://i-blog.csdnimg.cn/blog_migrate/acdc7d2907d11e74bc8704f9694f7ac8.jpeg)



# 树莓派学习日志6.15续

1.解决树莓派不能上网的问题  
使用win中自带的桥连 失败  
1）利用校园网连接  
校园网自身不允许三台及以上的设备对其网络进行占用 故失败  
2）利用苹果的有线网络连接  
插入线的一瞬间可以连接，但很快连接就会断开  
原因：未知 可能其他网络有冲突 但拔掉网线关闭wifi后结果还是如此  
2.给以太网设置了一个与树莓派同一频段的网关  
能ping成功 但再次连接vnc失败了  
原因：未知



# 三重积分：先二后一和先一后二的几何意义

为方便讨论：本文的被积函数f（x）为1

先二后一（即截面法）：从z轴上将几何体切割为一个个平面，然后通过定积分（z轴是定范围），每个平面的面积是变化的，最终积得结果

先一后二：其实和截面法的思想有些类似，它是先对z轴进行定积分，然后再对其进行二重。其实了这个时候涉及到一维转二维的思想。z是关于x、y的函数，将z转化为x、y后就成功的将一维转化为二维了，这个时候z在z轴上的长度就转变为了xOy面上的面积，然后将这些面积投影到底面上，地面再通过二重积分进行计算，最终得到每个平面相加起来的总值即是体积的值。

（ps：从宏观来看，先一后二是将体积进行了降维化处理，将其一层一层的切割，然后将切割到的平面投影到底面上，再对底面进行二重积分）

如果觉得有用的话，不妨点个小心心



三重积分：先二后一和先一后二的几何意义

# 关于openmv在电赛中的识别7.27

1.识别点

最难处理的莫过于时大小极其的小的点：这种一般通过硬件层面上解决（比如换长焦镜头，增加分辨率等等）

或者亮度极高的激光点（这种则需要将图像进行二值化，设置一个阈值，使得图像除识别点外的其他地方都要小于这个阈值）

2.识别线

小车循迹就会用到这一点，这里可以将图像二值化（根据要识别线的颜色来调整阈值，可以识别同一颜色的多条线o！不过openmv支持多通道颜色处理，也可以使用这个来识别不同颜色的直线；或者使用霍夫变换进行形状识别来检测多条直线，这里就没有什么颜色之分了），然后通过线性回归对图像进行运算，可以返回一个关于对象line的的各个参数，再将这些参数传递给MCU，对小车的运动进行处理

3.识别图形

矩形：四元检测法

圆形：霍夫圆检测

4.识别物体

1）模板匹配

2）特征点检测

3）上述两种方法其实都是具有一定的局限性的，而且精度不高，所以我更喜欢使用神经网络训练大模型，然后导入到摄像头中进行识别，但是这种对硬件要求较高，对算力的需求比较大

