跳繩是一項(xiàng)廣受歡迎的運(yùn)動項(xiàng)目，因其簡單易行而備受學(xué)生和運(yùn)動愛好者青睞。然而，在實(shí)際運(yùn)動中，人工計(jì)數(shù)容易出現(xiàn)誤差，影響比賽和訓(xùn)練效果。本文提出了一種基于LabVIEW和YOLOv8-Pose的跳繩計(jì)數(shù)裝置，利用深度學(xué)習(xí)的姿態(tài)檢測能力和LabVIEW的實(shí)時(shí)處理功能，實(shí)現(xiàn)跳繩動作的精準(zhǔn)識別與計(jì)數(shù)。本裝置具有操作簡單、檢測精準(zhǔn)、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)，適用于學(xué)校、體育館及家庭訓(xùn)練場景。

1

引言

隨著人工智能技術(shù)的發(fā)展，計(jì)算機(jī)視覺在體育領(lǐng)域的應(yīng)用日益廣泛。傳統(tǒng)的跳繩計(jì)數(shù)方法主要依賴人工記錄，存在效率低、誤差大的問題。近年來，基于機(jī)器視覺的自動計(jì)數(shù)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(jì)數(shù)提供了全新的解決方案。

2

系統(tǒng)設(shè)計(jì)

2.1硬件設(shè)計(jì)

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(jī)。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(jī)或筆記本電腦，用于運(yùn)行YOLOv8-Pose模型。

2.2軟件模塊

YOLOv8-Pose模型：基于深度學(xué)習(xí)的開源模型，能夠精準(zhǔn)識別人體關(guān)節(jié)點(diǎn)位置。模型通過訓(xùn)練，能夠檢測跳繩者的肢體動作。

LabVIEW：用于構(gòu)建圖形化界面和處理邏輯，包括攝像頭采集、處理、計(jì)數(shù)及結(jié)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(dá)到60FPS。

2.3 軟件設(shè)計(jì)

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(shè)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(jì)數(shù)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(shù)中，獲取識別的結(jié)果圖像，和第一個(gè)人的所有關(guān)鍵點(diǎn)位置。

步驟3：

調(diào)用跳繩計(jì)數(shù)器算法，每次循環(huán)都需要判斷是否跳繩數(shù)加1。

3

跳繩計(jì)數(shù)算法設(shè)計(jì)

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(shù)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(gòu)成，17個(gè)點(diǎn)的定義如下圖：

3.2 跳繩過程中的坐標(biāo)變化

以雙腳跳為例，采集某同學(xué)整個(gè)跳繩過程中的keypoint-15（左腳踝）或者keypoint-16（右腳踝）的y軸數(shù)值。Y值越小，說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，說明學(xué)生暫停跳躍。

3.2 算法實(shí)現(xiàn)思路

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

(2） 但是，曲線在接近最高點(diǎn)時(shí)，由于AI產(chǎn)生的誤差，曲線會有毛刺。因此需要判斷當(dāng)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(dāng)學(xué)生失誤停止跳繩時(shí)，由于學(xué)生本身還在移動或測量誤差導(dǎo)致的y值變化也應(yīng)去除。只需判斷當(dāng)前值與歷史數(shù)據(jù)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。

3.3 算法實(shí)現(xiàn)代碼

在LabVIEW中，我們?nèi)∽罱?0個(gè)點(diǎn)分析，其中最后5個(gè)點(diǎn)用來判斷曲線的極大值，如果5個(gè)值中第2個(gè)（從0開始計(jì)數(shù)）為最大值的，且與10個(gè)數(shù)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(yīng)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(shè)人類跳繩速度小于每分鐘360個(gè)），則忽略，小于則計(jì)數(shù)器加1。

將算法保存為子vi :跳繩計(jì)數(shù)判斷.vi，放入主程序，最終程序如下圖：

4

實(shí)驗(yàn)

4.1 實(shí)驗(yàn)設(shè)置

在校內(nèi)體育館搭建實(shí)驗(yàn)場景，選取10名學(xué)生進(jìn)行跳繩測試。設(shè)置單人跳繩和雙人交替跳繩兩種模式，采集多組視頻數(shù)據(jù)。

4.2 測試結(jié)果

實(shí)驗(yàn)結(jié)果表明，該裝置在雙腳跳繩場景下的計(jì)數(shù)準(zhǔn)確率達(dá)98.5%，在左右腳交替跳繩場景下準(zhǔn)確率為95.3%。與人工計(jì)數(shù)相比，誤差控制在±2次以內(nèi)。

誤差原因主要與相機(jī)位置有關(guān)，相機(jī)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(jī)鏡頭水平向前。如果相機(jī)斜著，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(tǒng)處理幀率可達(dá)60 FPS，滿足實(shí)時(shí)計(jì)數(shù)需求。

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

5

創(chuàng)新點(diǎn)與優(yōu)勢

將LabVIEW與YOLOv8-Pose結(jié)合，實(shí)現(xiàn)深度學(xué)習(xí)模型的實(shí)時(shí)調(diào)用與可視化界面交互。

提出了基于關(guān)鍵點(diǎn)運(yùn)動軌跡的跳繩動作識別算法，有效降低誤判率。

系統(tǒng)成本低、部署簡單，適合中學(xué)生科創(chuàng)比賽和實(shí)際推廣。

6

結(jié)論與展望

本文設(shè)計(jì)了一種基于LabVIEW和YOLOv8-Pose的跳繩計(jì)數(shù)裝置，成功解決了人工計(jì)數(shù)誤差大的問題。未來可進(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(zhǔn)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(shè)備的小型化與便攜化，使其適應(yīng)更多應(yīng)用場景。

參考文獻(xiàn)

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

英特爾、英特爾標(biāo)識、以及其他英特爾商標(biāo)是英特爾公司或其子公司在美國和/或其他國家的商標(biāo)。