Un sistema inteligente de metrología monocular basado en ordenador para el salto de longitud desde parado

Por qué importa la distancia del salto

El salto de longitud desde parado es una de las formas más sencillas con las que las escuelas de todo el mundo evalúan la condición física de los alumnos: colocarse en una línea, saltar lo más lejos posible y medir la distancia. Pero en patios escolares concurridos, esta prueba aparentemente simple puede volverse caótica. Los profesores siguen agachándose con cintas métricas, las decisiones pueden ser discutidas y registrar miles de saltos resulta lento y agotador. Este estudio presenta un sistema basado en cámara que puede medir automáticamente y con precisión la distancia de salto a partir de vídeo corriente, prometiendo pruebas más rápidas y objetivas sin hardware especializado costoso.

De la cinta métrica a la cámara inteligente

Las herramientas automatizadas de salto largo de hoy en día suelen depender de sensores ultrasónicos, plataformas de presión o haces de luz sobre la arena. Aunque efectivas, son caras de instalar, sensibles al clima y difíciles de mantener a gran escala en centros escolares. Los autores, en cambio, abordan la tarea como un problema de visión: si una sola cámara puede ver tanto los pies del atleta como la colchoneta de salto, el software debería poder calcular cuánto ha avanzado la persona. Diseñan una canalización completa que transforma vídeo bruto en un número de distancia final, todo en tiempo real, usando una mezcla de visión por ordenador moderna y un razonamiento geométrico cuidadoso.

Cómo el sistema ve un salto

El proceso comienza con una cámara de alta velocidad colocada a un par de metros al lateral de la colchoneta, capturando vídeo nítido a 240 fotogramas por segundo. El software primero divide este vídeo en fotogramas individuales y usa un detector estándar para localizar rápidamente cuándo un atleta entra y sale de la escena. Dentro de esta ventana, busca el momento en que el talón está más alto en la imagen (el pico del salto) y luego los fotogramas posteriores en los que la posición del talón deja de cambiar, lo que indica un aterrizaje estable. Esta selección automática de fotogramas clave evita que el sistema pierda tiempo analizando cada fotograma y le permite no confundirse con vistas parciales cuando el atleta solo está parcialmente en cuadro.

Encontrar la colchoneta, los talones y la distancia real

Una vez identificado el fotograma de aterrizaje, entra en acción un modelo de visión personalizado llamado FastNetSeg. Esta red ligera combina dos ideas: una rama Transformer que captura la disposición global de la escena y una rama convolucional compacta que se centra en el detalle local. Juntas colorean los píxeles que pertenecen al atleta y los que pertenecen a la colchoneta de salto. A partir de la máscara de la colchoneta, un algoritmo traza su contorno exterior, suaviza pequeñas irregularidades y lo reduce a cuatro puntos de esquina fiables. A partir de la máscara del atleta, otro algoritmo examina el contorno de la región inferior izquierda del cuerpo, filtra áreas irrelevantes y localiza el talón usando la curvatura—esencialmente encontrando el giro pronunciado donde la parte trasera del pie se encuentra con el suelo. Estos pocos puntos clave proporcionan los ingredientes brutos para la medición.

Convertir píxeles en centímetros

Debido a que la cámara ve la colchoneta en un ángulo, las distancias en la imagen no coinciden directamente con centímetros del mundo real: un píxel cerca del borde lejano de la colchoneta puede representar más distancia física que uno cercano a la cámara. Para resolver esto, el sistema aprende un “mapeo” de las coordenadas de la imagen a la superficie plana de la colchoneta, usando una herramienta geométrica estándar llamada transformación de perspectiva. Conociendo la longitud y el ancho reales de la colchoneta, el software calcula cómo se situaría cualquier punto visible—especialmente el talón—en un mapa en planta del suelo. Luego aplica un paso de corrección adicional basado en una simple curva polinómica, ajustada a partir de saltos de calibración, para reducir los pequeños errores sistemáticos que quedan cerca de los bordes del campo de visión de la cámara.

Qué tan bien funciona en el mundo real

Para evaluar el sistema en condiciones realistas, los investigadores construyeron un conjunto de datos dedicado: 1.200 saltos de 200 estudiantes universitarios, grabados al aire libre en distintos momentos del día y con clima variable. Annotadores humanos dibujaron contornos a nivel de píxel de atletas y colchonetas para entrenar y evaluar el modelo. En hardware GPU moderno pero accesible, el sistema completo procesa alrededor de 23 fotogramas por segundo, lo bastante rápido para uso en tiempo real durante pruebas escolares. Lo crucial: al comparar sus estimaciones de distancia con medidas cuidadosas con cinta métrica, el error medio es de solo unos 0,71 centímetros—menos que el ancho de un dedo. Eliminar cualquiera de los módulos clave, como el filtro de atletas incompletos, el mapeo monocular o el paso preciso de localización del talón, provoca una caída brusca de la precisión, lo que subraya la importancia del diseño completo.

Un test de salto más claro y más justo

En términos sencillos, este trabajo demuestra que una única cámara inteligente puede reemplazar las cintas métricas manuales y los montajes de sensores costosos para el salto de longitud desde parado, sin sacrificar precisión. Combinando análisis de vídeo rápido, delineado preciso del saltador y la colchoneta, una conversión geométrica cuidadosa de imagen a suelo y un paso final de suavizado de errores, el sistema ofrece fiabilidad a nivel de centímetros en tiempo real. Con código y herramientas de calibración compartidos, escuelas y programas deportivos podrían desplegar este enfoque de forma amplia, haciendo las pruebas de condición física más rápidas, más justas y menos dependientes del juicio humano.

Cita: Kuang, G., Li, S., Liu, Y. et al. A smart monocular vision metrology system based on computer for standing long jump. Sci Rep 16, 14611 (2026). https://doi.org/10.1038/s41598-026-44523-3

Palabras clave: salto de longitud desde parado, visión por ordenador, medición deportiva, aprendizaje profundo, pruebas de condición física