墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
373平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
使用 Android 平台开发 RK3568 系列的相机步骤讲解
在 Android 平台上，使用 RK3568 平台开发相机功能需要经过一系列的步骤。本文将详细介绍如何在 Android 应用程序中使用相机，并提供相应的源代码示例。
步骤一：添加相机权限
首先，在 AndroidManifest.xml 文件中添加相机权限。打开 AndroidManifest.xml 文件，找到 <manifest> 标签，然后在其中添加以下权限：
<uses-permission android:name="android.permission.CAMERA" />
RK3568 Android 15驱动开发实战：从Linux内核到HAL层适配
Linux内核驱动是嵌入式系统的核心技术，它通过设备树机制描述硬件拓扑，实现硬件资源的统一管理。驱动开发需要深入理解硬件寄存器操作、中断处理和DMA传输等底层原理，其技术价值在于为上层应用提供稳定可靠的硬件抽象接口。在嵌入式Linux系统中，驱动遵循平台设备模型，通过probe函数初始化外设，并利用V4L2、Input等子系统框架标准化设备操作。RK3568作为一款高性能SoC，结合Android 15的最新特性，在智能设备、工业控制和边缘计算等应用场景中发挥着重要作用。本文以正点原子ATK-DLRK356
RK3568 Android 15驱动开发实战：从内核配置到外设调试
嵌入式Linux驱动开发是连接硬件与操作系统的核心技术，其原理是通过内核模块和设备树配置来管理外设硬件。在RK3568这类高性能芯片上，驱动开发的技术价值在于充分发挥GPU、NPU等专用硬件的性能，并确保Android系统的稳定性。常见的应用场景包括摄像头采集、显示输出、网络通信等外设功能适配。本文基于正点原子开发板，重点解析LVGL移植和相机驱动分层的实战流程，涵盖设备树修改、HAL层适配等关键环节，帮助工程师快速解决外设驱动调试中的典型问题。
RK3568平台开发：Camera系统结构与Android
本文将详细介绍RK3568平台开发中的Camera系统结构，并探讨其在Android环境下的应用。我们将深入了解Camera系统的组成部分、工作原理以及如何使用RK3568平台上的Camera模块进行图像捕捉和处理。在现代移动设备和嵌入式系统中，摄像头（Camera）系统扮演着至关重要的角色。在RK3568平台开发中，Camera系统的结构非常重要，因为它涉及到图像采集、处理和传输等关键任务。RK3568平台上的Camera硬件通常由摄像头传感器、图像处理器和接口电路组成。Camera系统的组成部分。
RK3568平台开发系列讲解：使用ADB进行Android设备管理与调试
通过使用ADB，您可以方便地管理设备、安装应用程序、调试应用程序，并执行其他与Android开发相关的任务。ADB还提供了强大的调试功能，使您能够在RK3568平台上的Android设备上调试应用程序。现在，我们将通过USB将RK3568平台上的Android设备连接到计算机上，并验证连接是否成功。在RK3568平台上，要使用ADB进行设备管理和调试，您需要先启用开发者选项和USB调试功能。c. 在“关于设备”页面上，找到“版本号”项并连续点击7次，直到出现“您现在是开发者”或类似的消息。
RK3568平台开发系列：深入解析Android中HAL模块架构
在Android系统中，硬件抽象层（Hardware Abstraction Layer，简称HAL）扮演着关键的角色，它负责将硬件设备的底层操作与上层应用程序的操作系统之间进行适配和交互。本文将深入探讨RK3568平台上的HAL模块架构，并通过源代码示例来详细说明其工作原理。HAL模块位于Android系统的底层，主要由C/C++代码编写。它提供了一组标准化的接口，使上层的Android框架和应用程序可以与底层硬件设备进行通信。Android框架和应用程序可以通过HAL模块提供的接口来访问底层硬件设备。
RK3568 OpenHarmony3.2 Camera介绍（MIPI、USB）
本文主要介绍OpenHarmony下的Camera整体框架，以及USB、MIPI摄像头在RK3568下的驱动调试。
RK3568平台开发系列讲解（摄像头篇）使用 Camera 的步骤
📢 本篇将介绍如何使用Camera。
RK3568平台开发系列讲解（Camera篇）快速了解RK Camera的使用
📢 本篇章带大家快速了解Camera的使用。
RK3568平台开发系列讲解（camera篇）Camera子系统层次及结构
Camera子系统是Android系统中比较复杂的子系统之一。在系统集成方面，Camera子系统除了实现camera功能外其作为多媒体实现的基础模块，与声音控制系统（Audio），视频编解码系统（Video Codec），显示系统(Display),存储系统（Storage）以及输入输出系统（I/O）都有密切的联系。在Camera模块内部，Camera系统也不仅仅是实现视频数据获取及存储。为了达到良好的视频（照片）质量。
[RK3568 Android11] 开发之RK628D HDMI IN 显示二
目录 前言 一、HDMI IN显示APK 二、确定RK628D的设备节点 三、再确定下软件配置和硬件连接 四、测试HdmiInDemo应用 前言 前面一篇HDMI IN章节，已讲述了RK628D的配置和编译问题，接下来再讲述后续调试遇到的问题; 一、HDMI IN显示APK 在Android11上使用系统相机打不开HDMI IN显示？还真的是无法使用系统相机打开...尴尬；其实HDMI IN也是模拟一个CSI的摄像头，通过HDMI输入的图像转化为MIPI...
RK3568平台开发系列讲解（Camera篇）Camera API v2框架
📢本篇讲介绍 `Camera API v2`框架。
rk3568 Android UVC
Android UVC（USB Video Class）是一种用于在Android设备上支持外接摄像头的标准。通过UVC，用户可以将外部摄像头连接到Android设备上，并在应用程序中使用这些摄像头进行视频捕获和处理。这种标准使得外接摄像头在Android设备上的使用变得更加简单和统一。Android系统通常会自动识别符合UVC标准的外部摄像头，并且不需要安装额外的驱动程序。一旦外部摄像头连接到Android设备上，用户可以利用Android的相机API或第三方的多媒体框架来访问和控制这些摄像头。
RK3568平台Camera子系统层次及结构详解（Android）
相机硬件抽象层（Camera Hardware Abstraction Layer，HAL）：这是Camera子系统的底层层次，它提供了与具体摄像头硬件驱动程序的接口。本文详细介绍了RK3568平台上Camera子系统的层次结构，并通过源代码示例展示了使用Camera2 API在Android应用程序中打开相机并进行图像捕捉的方法。Camera服务层（Camera Service Layer）：这是Camera子系统的中间层，它提供了与底层硬件驱动程序的接口。你可以根据自己的需求进行修改和扩展。
攻克RK3568适配USB读卡器难题，一文全掌握
在当今数字化时代，各类智能设备不断涌现，其中 RK3568 作为一款高性能的多媒体处理器，凭借其出色的性能和丰富的接口，广泛应用于工业控制、物联网终端、网络安全与存储、多媒体娱乐等多个领域。它采用四核 Cortex-A55 处理器，具备强大的运算能力，同时集成了 Mali-G52 2EE GPU，在图形处理和视频编解码方面表现卓越，能够流畅播放 4K 视频 ，支持多种视频格式，如 H.264 和 H.265 等。
RK3568_Android15相机数据流分析
相机数据流：传感器 → MIPI CSI-2→ VICAP (CIF) → ISP (含3A) → ISPP → 应用。VICAP 获取 RAW。ISP 输出 YUV。ISPP 根据需要进行缩放/转换。在 Rockchip 平台上，这被认为是标准路径。
Centos7.6操作系统安装+Bond配置（600GB磁盘版本）
1.安装前准备工作 准备centos7.6操作系统镜像 CentOS-7-x86_64-DVD-1810.iso 服务器安装一般都是在BMC界面操作，所以安装前需要在BMC界面挂载好操作系统镜像 重启服务器后自动进入安装界面。 华为大数据集群安装操作系统配置
HTOL集成电路老化测试学习总结-20250510
电子元器件的可靠性在产品开发中至关重要，尤其是在微电子技术迅速发展的今天。电子元器件的失效率通常遵循“浴盆曲线”，分为早期失效期、可使用期和老化期。为了评估芯片的可靠性，常采用高温操作寿命测试（HTOL），通过高温和高压加速芯片老化，以筛选出早期失效的芯片并评估其长期可靠性。HTOL测试中，芯片在高温下运行并监控其性能变化，通过阿伦尼乌斯公式计算加速因子，预测芯片的失效率和寿命。此外，Burn-in测试用于加速芯片老化，提前发现并剔除不合格产品，而早期失效率测试（ELFR）则用于评估产品初期使用阶段的可靠性
无人机：DJI Matrice 200 Series_（13）.行业应用案例分析
在前一节中，我们介绍了DJI Matrice 200系列无人机的基本硬件配置和性能参数。本节将通过具体的行业应用案例，分析如何利用DJI Matrice 200系列无人机进行二次开发，以满足不同行业的需求。
Python对象的基本组成和内存示意图及引用的本质
在Python中，变量也称为：对象的引用(reference)。变量存储的就是对象的地址。变量不需要显式声明类型。根据变量引用的对象，Python解释器自动确定数据类型。一个内存块，拥有特定的值，支持特定类型的相关操作。变量位于：栈内存（压栈出栈等细节，后续再介绍）。⚠️Python是动态类型语言。变量通过地址引用了“对象”。
黑猫带你学eMMC协议第2篇：eMMC部分相关名词释义
1 前言 1.1 声明 本文依据eMMC JEDEC5.1、网络资料及个人工作经验整理而成，如有错误请留言。 本文结合eMMC JEDEC5.1协议手册查看效果更佳。 1.2 本文背景 本文关键词不包括emmc jedec5.1协议第3章节：《Terms and definitions》内容。关于emmc协议层的关键词，直接查阅spec相关章节即可，清晰明了，此处没必要再列出。 本文为本人工作学习中常听到或常用到关乎于emmc/flash的一些关键词合集，没有固定分类，不需要强行记忆，供查询使用。 1.
【图论】系列（一）之图论的构成
图论是研究图的数学分支，本章介绍了图论的基本构成和概念
即插即用系列（代码实践） | CVPR 2025 FDConv：频域动态卷积，打破密集预测任务的参数效率瓶颈
本文提取自 CVPR 2025 的最新底层算子革新论文《Frequency Dynamic Convolution for Dense Image Prediction》。近年来，动态卷积（Dynamic Convolution）通过融合多个并行卷积核极大地提升了模型性能，但研究表明：这些并行卷积核在频域上的响应高度相似，导致了极其严重的参数浪费，且缺乏对不同频率特征的自适应能力。本文复现了该网络的核心架构——FDConv（频率动态卷积）。该方案创造性地在傅里叶域（Fourier Domain）中学习固定参
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');```[](https://bitdeli.com/free "Bitdeli Badge")
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
297
扫一扫
