基于 LabVIEW 和 YOLOv8-Pose 的跳繩計數裝置

跳繩是一項廣受歡迎的運動(dòng)項目，因其簡(jiǎn)單易行而備受學(xué)生和運動(dòng)愛(ài)好者青睞。然而，在實(shí)際運動(dòng)中，人工計數容易出現誤差，影響比賽和訓練效果。本文提出了一種基于 LabVIEW 和 YOLOv8-Pose 的跳繩計數裝置，利用深度學(xué)習的姿態(tài)檢測能力和 LabVIEW 的實(shí)時(shí)處理功能，實(shí)現跳繩動(dòng)作的精準識別與計數。本裝置具有操作簡(jiǎn)單、檢測精準、實(shí)時(shí)性強等優(yōu)點(diǎn)，適用于學(xué)校、體育館及家庭訓練場(chǎng)景。

引言

隨著(zhù)人工智能技術(shù)的發(fā)展，計算機視覺(jué)在體育領(lǐng)域的應用日益廣泛。傳統的跳繩計數方法主要依賴(lài)人工記錄，存在效率低、誤差大的問(wèn)題。近年來(lái)，基于機器視覺(jué)的自動(dòng)計數方法逐漸受到關(guān)注，其中人體姿態(tài)識別技術(shù)為跳繩計數提供了全新的解決方案。

系統設計

2.1 硬件設計

本裝置的硬件包括：

攝像頭：用于采集跳繩者的視頻圖像，支持USB接口的普通網(wǎng)絡(luò )攝像頭或工業(yè)相機。攝像頭的采樣速率建議高于30FPS（每秒30幀）。

AIPC：搭載GPU的臺式機或筆記本電腦，用于運行 YOLOv8-Pose 模型。

2.2 軟件模塊

YOLOv8-Pose 模型：基于深度學(xué)習的開(kāi)源模型，能夠精準識別人體關(guān)節點(diǎn)位置。模型通過(guò)訓練，能夠檢測跳繩者的肢體動(dòng)作。

LabVIEW：用于構建圖形化界面和處理邏輯，包括攝像頭采集、處理、計數及結果顯示。

OpenVINO? ：用于加快的模型推理速度，支持 Intel 的 CPU/GPU/NPU。在 AIPC 的 Intel 11 代 1165G7 芯片下，yolov8n-Pose 的最大推理速度可達到 60FPS。

2.3 軟件設計

步驟1：模型和攝像頭初始化

使用LabVIEW中的Opencv Camera模塊，即可快速采集攝像頭的圖像，并將圖像顯示在前面板上。程序中，我們需要設置采集圖像的寬度為640個(gè)像素，高度為480個(gè)像素。同時(shí)，我們初始化yolov8-pose模型，加載至OpenVINO? 推理引擎中。跳繩計數器歸零，然后進(jìn)入循環(huán)。

步驟2：實(shí)時(shí)采集與姿態(tài)識別

每次循環(huán)，軟件都從攝像頭中取出一幀圖像，送入 yolov8-pose 的推理函數中，獲取識別的結果圖像，和第一個(gè)人的所有關(guān)鍵點(diǎn)位置。

步驟3：

調用跳繩計數器算法，每次循環(huán)都需要判斷是否跳繩數加1。

跳繩計數算法設計

3.1 yolov8-pose模型輸出解析

Yolov8-pose算法的輸出分兩部分，第一部分是box，即每個(gè)人的外接矩形的位置，里面的參數為：

Box=[left,top,width,height] (左邊的像素點(diǎn)、上邊的像素點(diǎn)、寬度，高度)

第二部分是keypoints，由17個(gè)點(diǎn)構成，17個(gè)點(diǎn)的定義如下圖：

3.2 跳繩過(guò)程中的坐標變化

以雙腳跳為例，采集某同學(xué)整個(gè)跳繩過(guò)程中的keypoint-15（左腳踝）或者keypoint-16（右腳踝）的y軸數值。Y值越小，說(shuō)明在圖中的位置越高。

波形圖中，左右兩邊部分表示了正常的跳躍時(shí)間段，中間有一部分y軸變化較小，說(shuō)明學(xué)生暫停跳躍。

3.3 算法實(shí)現思路

(1） 在正常跳躍時(shí)，當學(xué)生腳部處于一個(gè)周期的最低點(diǎn)（即曲線(xiàn)的極大值）時(shí)可認為跳了一個(gè)。

(2） 但是，曲線(xiàn)在接近最高點(diǎn)時(shí)，由于A(yíng)I產(chǎn)生的誤差，曲線(xiàn)會(huì )有毛刺。因此需要判斷當前新產(chǎn)生的最高點(diǎn)與上一次最高點(diǎn)的循環(huán)間隔，如果間隔太小，就可以忽略。

(3） 當學(xué)生失誤停止跳繩時(shí)，由于學(xué)生本身還在移動(dòng)或測量誤差導致的y值變化也應去除。只需判斷當前值與歷史數據中的最高點(diǎn)（y的最小值）的差，如果小于一個(gè)閾值就可忽略。

3.4 算法實(shí)現代碼

在 LabVIEW 中，我們取最近的10個(gè)點(diǎn)分析，其中最后5個(gè)點(diǎn)用來(lái)判斷曲線(xiàn)的極大值，如果5個(gè)值中第2個(gè)（從0開(kāi)始計數）為最大值的，且與10個(gè)數的最小值的差大于60（最高點(diǎn)與最低點(diǎn)的高度像素差），可將該點(diǎn)作為候選點(diǎn)。

獲取候選點(diǎn)所對應的時(shí)間，與它之前的一個(gè)候選點(diǎn)做比較。如果時(shí)間大于150毫秒（5幀，假設人類(lèi)跳繩速度小于每分鐘360個(gè)），則忽略，小于則計數器加1。

將算法保存為子vi :跳繩計數判斷.vi，放入主程序，最終程序如下圖：

實(shí)驗

4.1 實(shí)驗設置

在校內體育館搭建實(shí)驗場(chǎng)景，選取10名學(xué)生進(jìn)行跳繩測試。設置單人跳繩和雙人交替跳繩兩種模式，采集多組視頻數據。

4.2 測試結果

實(shí)驗結果表明，該裝置在雙腳跳繩場(chǎng)景下的計數準確率達98.5%，在左右腳交替跳繩場(chǎng)景下準確率為95.3%。與人工計數相比，誤差控制在±2次以?xún)取?/p>

誤差原因主要與相機位置有關(guān)，相機需要放在學(xué)生正前方2~3米左右，高度大約為學(xué)生身高的一半，且相機鏡頭水平向前。如果相機斜著(zhù)，可能造成一定誤差。

4.3 性能分析

實(shí)時(shí)性：使用 OpenVINO? 及英特爾 GPU 加速，系統處理幀率可達60 FPS，滿(mǎn)足實(shí)時(shí)計數需求。

穩定性：即使在光照變化和背景復雜的情況下，模型依然能夠有效識別關(guān)鍵動(dòng)作。

創(chuàng )新點(diǎn)與優(yōu)勢

1. 將 LabVIEW 與 YOLOv8-Pose 結合，實(shí)現深度學(xué)習 型的實(shí)時(shí)調用與可視化界面交互。

2. 提出了基于關(guān)鍵點(diǎn)運動(dòng)軌跡的跳繩動(dòng)作識別算法，有效降低誤判率。

3. 系統成本低、部署簡(jiǎn)單，適合中學(xué)生科創(chuàng )比賽和實(shí)際推廣。

結論與展望

本文設計了一種基于 LabVIEW 和 YOLOv8-Pose 的跳繩計數裝置，成功解決了人工計數誤差大的問(wèn)題。未來(lái)可進(jìn)一步優(yōu)化算法，使用平均濾波算法提高人體位置（如腳踝位置的準確度）、并兼容雙腳跳和單腳跳兩種跳繩模式。同時(shí)探索硬件設備的小型化與便攜化，使其適應更多應用場(chǎng)景。

參考文獻

Redmon J., Farhadi A. YOLOv8: Real-Time Object Detection and Pose Estimation. arXiv preprint.

National Instruments. LabVIEW User Manual. NI.

Cao Z., Simon T., Wei S. Pose Estimation in Sports Applications. IEEE Transactions.

https://doc.virobotics.net/zh_cn/ai_toolkit_for_ov

https://github.com/openvinotoolkit/openvino_notebooks/tree/latest/notebooks/pose-estimation-webcam