大疆(DJI)手持Osmo Pocket3格式化后的恢复方法

大疆Osmo Pocket3采用性能强大的 1 英寸 CMOS、可快速切换横竖拍的 2 英寸旋转屏,配合全像素疾速对焦以及4K/120fps 超高拍摄规格和三轴云台机械增稳,让Pocket3武装到牙齿。今天我们来看看大疆(DJI)Osmo Pocket3存储卡格式化后的恢复方法。

故障存储:

型号:DJI Osmo Pocket3/存储大小:128GB/文件系统:exFat/簇大小:128KB

故障现象:

客户描述拍摄时发现存储卡空间不够,于是直接进行了格式化。结果想起来没有备份素材,需要恢复格式化前的所有素材。

图1:格式化后的存储卡

故障分析:

DJI Osmo Pocket3在拍摄时会同时采集两种分辨率的视频文件,一种扩展名是MP4,一种是LRF,这两种文件特征如下(图2 注:两种文件其视频内容是一样的):

  1. MP4文件为原始视频文件其采用HVC视频编码,分辨率较高。
  2. LRF文件为预览文件其采用AVC视频编码,分辨率较低,用于设备预览查看。

由于在采集数据时需要同时写入LRF和MP4两种文件,所以就需要排队写入,这也导致了文件碎片率较高(图3),这也是通用类恢复软件恢复后无法播放的真正原因,因为恢复的文件除了第1个碎片外其它全部是错误的,简单来说就是以下两条原因:

1、删除或者格式化后FAT32、exfat 都会对FAT表进行清0(日志型文件系统一般是对位图或者盘区进行清0),清0后存在碎片的文件是无法得到有效的链表的,没有链表就无法得到准确的数据。

2、由于文件不连续存放,所以此时通用型恢复软件只能采用起始簇指针+文件长度进行“野蛮定位”,最终数据全部错误无法播放。

图2:MP4和LRF两种文件(非本案仅演示)

        

图3:LRF和MP4“排队写入”导致文件碎片数量惊人(非本案仅演示)

故障处理:

视频类碎片恢复可以使用CHS零壹视频恢复程序高级版来扫描,操作方法也很简单。

STEP1:选择要扫描的逻辑盘点击右键->扫描大类选择“记录仪”->扫描小类选择 “大疆”->勾选CHS FS辅助->扫描

注意:CHS FS辅助在某些情况下可以有效恢复丢失的素材,如果此方法不行再添加样本扫描即可。

关于逻辑盘,逻辑盘是指文件系统非“RAW”的盘符,本例中是 “exFat”(图4)。

图4:选择exFAT逻辑盘

STEP2:等待扫描完成

STEP3:扫描完成后直接查看数据,可以看到高级版已经列出了视频类型、级别、拍摄时间、摄像机型号、视频编码、时长、长度等参数,这些参数为查找数据提供了便利。可以看到程序成功找到了大约77条114GB左右的视频素材,经过和客户对比所有素材成功恢复,到此数据恢复工作完成!

图6:CHS零壹视频恢复程序高级版扫描结果

这就是大疆(DJI) OSMO Pocket3手持云台视频文件删除后的恢复方法,大家在遇到此类问题时,可以和CHS数据实验室联系!

点击下载:CHS零壹视频恢复程序高级版

【四轴飞行器】非线性三自由度四轴飞行器模拟器研究(Matlab代码实现)内容概要:本文围绕非线性三自由度四轴飞行器模拟器的研究展开,重点介绍基于Matlab代码实现的四轴飞行器动力学建模与仿真方法。研究构建了考虑非线性特性的飞行器数学模型,涵盖姿态动力学与运动学方程,实现了三自由度(滚转、俯仰、偏航)的精确模拟。文中详细阐述了系统建模过程、控制算法设计思路及仿真结果分析,帮助读者深入理解四轴飞行器的飞行动力学特性与控制机制;同时,该模拟器可用于算法验证、控制器设计与教学实验。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的高校学生、科研人员及无人机相关领域的工程技术人员,尤其适合从事飞行器建模、控制算法开发的研究生和初级研究人员。; 使用场景及目标:①用于四轴飞行器非线性动力学特性的学习与仿真验证;②作为控制器(如PID、LQR、MPC等)设计与测试的仿真平台;③支持无人机控制系统教学与科研项目开发,提升对姿态控制与系统仿真的理解。; 阅读建议:建议读者结合Matlab代码逐模块分析,重点关注动力学方程的推导与实现方式,动手运行并调试仿真程序,以加深对飞行器姿态控制过程的理解。同时可扩展为六自由度模型或加入外部干扰以增强仿真真实性。
基于分布式模型预测控制DMPC的多智能体点对点过渡轨迹生成研究(Matlab代码实现)内容概要:本文围绕“基于分布式模型预测控制(DMPC)的多智能体点对点过渡轨迹生成研究”展开,重点介绍如何利用DMPC方法实现多智能体系统在复杂环境下的协同轨迹规划与控制。文中结合Matlab代码实现,详细阐述了DMPC的基本原理、数学建模过程以及在多智能体系统中的具体应用,涵盖点对点转移、避障处理、状态约束与通信拓扑等关键技术环节。研究强调算法的分布式特性,提升系统的可扩展性与鲁棒性,适用于多无人机、无人车编队等场景。同时,文档列举了大量相关科研方向与代码资源,展示了DMPC在路径规划、协同控制、电力系统、信号处理等多领域的广泛应用。; 适合人群:具备一定自动化、控制理论或机器人学基础的研究生、科研人员及从事智能系统开发的工程技术人员;熟悉Matlab/Simulink仿真环境,对多智能体协同控制、优化算法有一定兴趣或研究需求的人员。; 使用场景及目标:①用于多智能体系统的轨迹生成与协同控制研究,如无人机集群、无人驾驶车队等;②作为DMPC算法学习与仿真实践的参考资料,帮助理解分布式优化与模型预测控制的结合机制;③支撑科研论文复现、毕业设计或项目开发中的算法验证与性能对比。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注DMPC的优化建模、约束处理与信息交互机制;按文档结构逐步学习,同时参考文中提及的路径规划、协同控制等相关案例,加深对分布式控制系统的整体理解。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值