开发者实战|基于LabVIEW和YOLOv8-Pose的跳绳计数装置

原创于 2025-06-03 17:39:49 发布 · 950 阅读

12 ·

CC 4.0 BY-SA版权

本文为博主原创文章，未经博主允许不得转载。

文章标签：

#labview #YOLO #人工智能 #深度学习 #姿态检测 #AI #yolov8-pose

LabVIEW深度学习实战同时被 2 个专栏收录

47 篇文章

订阅专栏

仪酷LabVIEW AI工具包案例

7 篇文章

订阅专栏

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主
🎄所属专栏：『LabVIEW深度学习实战』
📑推荐文章：『LabVIEW人工智能深度学习指南』
🍻本文由virobotics(仪酷智能)原创

🥳欢迎大家关注✌点赞👍收藏⭐留言📝订阅专栏

文章目录

🎯总结

大家好，这里是仪酷智能 VIRobotics。

本文为李筱语投稿内容，以下是投稿内容。

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。

1. 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。

2. 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）。

在这里插入图片描述

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

在这里插入图片描述

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。

在这里插入图片描述

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。

在这里插入图片描述

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。
在这里插入图片描述

步骤2：实时采集与姿态识别
每次循环从摄像头获取图像帧，送入YOLOv8-Pose推理函数中，获得识别结果图像和第一人的所有关键点位置。

在这里插入图片描述

步骤3：跳绳计数逻辑判断
调用跳绳计数器算法，判断是否跳绳数加1。

3. 跳绳计数算法设计

3.1 YOLOv8-Pose模型输出解析

YOLOv8-Pose的输出分为两部分：

Box：每个人的外接矩形 [left, top, width, height](左边的像素点、上边的像素点、宽度，高度)
Keypoints：由17个关键点构成，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值越小表示跳得越高。波形图可以清晰地看出跳跃周期，停止跳跃时Y轴波动减小。
在这里插入图片描述
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。

3.3 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。

3.4 算法实现代码逻辑（LabVIEW）

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。

在这里插入图片描述

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。

在这里插入图片描述

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：

在这里插入图片描述

4. 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，包含单人跳和双人交替跳两种模式，采集多组视频数据。

4.2 测试结果

在这里插入图片描述

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 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。

5. 创新点与优势

将LabVIEW与YOLOv8-Pose结合，实现深度学习模型的实时调用与可视化界面交互。
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。
系统成本低、部署简单，适合中学生科创比赛和实际推广。

6. 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