实战精选 | 基于 LabVIEW 和 YOLOv8-Pose 的跳绳计数装置

点击蓝字

关注我们,让开发变得更有趣

作者 | 李筱语

指导老师 | 王立奇 英特尔创新大使

OpenVINO™

跳绳是一项广受欢迎的运动项目，因其简单易行而备受学生和运动爱好者青睐。然而，在实际运动中，人工计数容易出现误差，影响比赛和训练效果。本文提出了一种基于 LabVIEW 和 YOLOv8-Pose 的跳绳计数装置，利用深度学习的姿态检测能力和 LabVIEW 的实时处理功能，实现跳绳动作的精准识别与计数。本装置具有操作简单、检测精准、实时性强等优点，适用于学校、体育馆及家庭训练场景。

OpenVINO™

引言

随着人工智能技术的发展，计算机视觉在体育领域的应用日益广泛。传统的跳绳计数方法主要依赖人工记录，存在效率低、误差大的问题。近年来，基于机器视觉的自动计数方法逐渐受到关注，其中人体姿态识别技术为跳绳计数提供了全新的解决方案。

OpenVINO™

系统设计

2.1 硬件设计

本装置的硬件包括：

摄像头：用于采集跳绳者的视频图像，支持USB接口的普通网络摄像头或工业相机。摄像头的采样速率建议高于30FPS（每秒30帧）。

AIPC：搭载GPU的台式机或笔记本电脑，用于运行 YOLOv8-Pose 模型。

2.2 软件模块

YOLOv8-Pose 模型：基于深度学习的开源模型，能够精准识别人体关节点位置。模型通过训练，能够检测跳绳者的肢体动作。

LabVIEW：用于构建图形化界面和处理逻辑，包括摄像头采集、处理、计数及结果显示。

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 的最大推理速度可达到 60FPS。

2.3 软件设计

步骤1：模型和摄像头初始化

使用LabVIEW中的Opencv Camera模块，即可快速采集摄像头的图像，并将图像显示在前面板上。程序中，我们需要设置采集图像的宽度为640个像素，高度为480个像素。同时，我们初始化yolov8-pose模型，加载至OpenVINO™ 推理引擎中。跳绳计数器归零，然后进入循环。

步骤2：实时采集与姿态识别

每次循环，软件都从摄像头中取出一帧图像，送入 yolov8-pose 的推理函数中，获取识别的结果图像，和第一个人的所有关键点位置。

步骤3：

调用跳绳计数器算法，每次循环都需要判断是否跳绳数加1。

OpenVINO™

跳绳计数算法设计

3.1 yolov8-pose模型输出解析

Yolov8-pose算法的输出分两部分，第一部分是box，即每个人的外接矩形的位置，里面的参数为：

Box=[left,top,width,height] (左边的像素点、上边的像素点、宽度，高度)

第二部分是keypoints，由17个点构成，17个点的定义如下图：

3.2 跳绳过程中的坐标变化

以双脚跳为例，采集某同学整个跳绳过程中的keypoint-15（左脚踝）或者keypoint-16（右脚踝）的y轴数值。Y值越小，说明在图中的位置越高。

波形图中，左右两边部分表示了正常的跳跃时间段，中间有一部分y轴变化较小，说明学生暂停跳跃。

3.2 算法实现思路

(1） 在正常跳跃时，当学生脚部处于一个周期的最低点（即曲线的极大值）时可认为跳了一个。

(2） 但是，曲线在接近最高点时，由于AI产生的误差，曲线会有毛刺。因此需要判断当前新产生的最高点与上一次最高点的循环间隔，如果间隔太小，就可以忽略。

(3） 当学生失误停止跳绳时，由于学生本身还在移动或测量误差导致的y值变化也应去除。只需判断当前值与历史数据中的最高点（y的最小值）的差，如果小于一个阈值就可忽略。

3.3 算法实现代码

在 LabVIEW 中，我们取最近的10个点分析，其中最后5个点用来判断曲线的极大值，如果5个值中第2个（从0开始计数）为最大值的，且与10个数的最小值的差大于60（最高点与最低点的高度像素差），可将该点作为候选点。

获取候选点所对应的时间，与它之前的一个候选点做比较。如果时间大于150毫秒（5帧，假设人类跳绳速度小于每分钟360个），则忽略，小于则计数器加1。

将算法保存为子vi :跳绳计数判断.vi，放入主程序，最终程序如下图：

OpenVINO™

实验

4.1 实验设置

在校内体育馆搭建实验场景，选取10名学生进行跳绳测试。设置单人跳绳和双人交替跳绳两种模式，采集多组视频数据。

4.2 测试结果

实验结果表明，该装置在双脚跳绳场景下的计数准确率达98.5%，在左右脚交替跳绳场景下准确率为95.3%。与人工计数相比，误差控制在±2次以内。

误差原因主要与相机位置有关，相机需要放在学生正前方2~3米左右，高度大约为学生身高的一半，且相机镜头水平向前。如果相机斜着，可能造成一定误差。

4.3 性能分析

实时性：使用 OpenVINO™ 及英特尔 GPU 加速，系统处理帧率可达60 FPS，满足实时计数需求。

稳定性：即使在光照变化和背景复杂的情况下，模型依然能够有效识别关键动作。

OpenVINO™

创新点与优势

1. 将 LabVIEW 与 YOLOv8-Pose 结合，实现深度学习 型的实时调用与可视化界面交互。

2. 提出了基于关键点运动轨迹的跳绳动作识别算法，有效降低误判率。

3. 系统成本低、部署简单，适合中学生科创比赛和实际推广。

OpenVINO™

结论与展望

本文设计了一种基于 LabVIEW 和 YOLOv8-Pose 的跳绳计数装置，成功解决了人工计数误差大的问题。未来可进一步优化算法，使用平均滤波算法提高人体位置（如脚踝位置的准确度）、并兼容双脚跳和单脚跳两种跳绳模式。同时探索硬件设备的小型化与便携化，使其适应更多应用场景。

参考文献

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

OpenVINO™

---------------------------------------

*OpenVINO and the OpenVINO logo are trademarks of Intel Corporation or its subsidiaries.

-----------------------------

 OpenVINO 中文社区 

微信号 : openvinodev

B站：OpenVINO中文社区

“开放、开源、共创”

致力于通过定期举办线上与线下的沙龙、动手实践及开发者交流大会等活动，促进人工智能开发者之间的交流学习。

○ 点击 “ 在看 ”，让更多人看见