Un sistema di metrologia monoculare intelligente basato su computer per il salto in lungo da fermo

Perché la distanza del salto conta

Il salto in lungo da fermo è uno dei modi più semplici con cui le scuole di tutto il mondo misurano la forma fisica degli studenti: ci si posiziona su una linea, si salta più lontano possibile e si misura la distanza. Ma nei cortili affollati questo test apparentemente semplice può diventare disordinato. Gli insegnanti si chinano ancora con i metri a nastro, le decisioni possono essere contestate e registrare migliaia di salti è lento e faticoso. Questo studio presenta un sistema basato su telecamera che può misurare automaticamente e con precisione la distanza del salto da normali video, promettendo test più rapidi e più obiettivi senza hardware specializzato costoso.

Dal metro alla telecamera intelligente

Gli strumenti automatizzati attuali per il salto spesso si basano su sensori a ultrasuoni, pedane di pressione o fasci di luce tesi sulla sabbia. Pur essendo efficaci, sono costosi da installare, sensibili alle condizioni atmosferiche e difficili da mantenere su larga scala nelle scuole. Gli autori trattano invece il problema come un compito di visione: se una singola telecamera riesce a vedere sia i piedi dell’atleta sia il tappeto di salto, il software dovrebbe essere in grado di determinare quanto la persona si è spostata. Progettano una pipeline completa che trasforma il video grezzo in un valore finale di distanza, tutto in tempo reale, usando un mix di tecniche moderne di visione artificiale e ragionamento geometrico accurato.

Come il sistema osserva un salto

Il processo inizia con una telecamera ad alta velocità posizionata a un paio di metri di lato rispetto al tappeto, che acquisisce video nitidi a 240 fotogrammi al secondo. Il software suddivide prima il video in singoli fotogrammi e utilizza un rilevatore disponibile in commercio per individuare rapidamente quando un atleta entra ed esce dalla scena. All’interno di questa finestra, cerca il momento in cui il tallone è più alto nell’immagine (il picco del salto) e poi i fotogrammi successivi in cui la posizione del tallone smette di cambiare, indicando un atterraggio stabile. Questa selezione automatica di fotogrammi chiave impedisce al sistema di perdere tempo ad analizzare ogni singolo frame e lo protegge dal confondersi in presenza di visuali parziali quando l’atleta è solo a metà nell’inquadratura.

Trovare tappeti, talloni e la distanza reale

Una volta identificato il fotogramma di atterraggio, entra in gioco un modello di visione personalizzato chiamato FastNetSeg. Questa rete leggera combina due idee: un ramo Transformer che cattura la struttura globale della scena e un compatto ramo convoluzionale che si concentra sui dettagli locali. Insieme colorano i pixel che appartengono all’atleta e quelli che appartengono al tappeto di salto. Dalla maschera del tappeto, un algoritmo traccia il suo contorno esterno, leviga piccole irregolarità e lo riduce a quattro punti d’angolo affidabili. Dalla maschera dell’atleta, un altro algoritmo esamina il profilo della regione inferiore sinistra del corpo, filtra le aree irrilevanti e individua il tallone usando la curvatura—trovando sostanzialmente la svolta netta dove il retro del piede incontra il suolo. Questi pochi punti chiave forniscono gli ingredienti grezzi per la misurazione.

Da pixel a centimetri

Poiché la telecamera osserva il tappeto con un angolo, le distanze nell’immagine non corrispondono direttamente ai centimetri del mondo reale: un pixel vicino al bordo lontano del tappeto può rappresentare più distanza fisica di uno vicino alla telecamera. Per superare questo problema, il sistema apprende una “mappatura” dalle coordinate dell’immagine alla superficie piana del tappeto, utilizzando uno strumento geometrico standard chiamato trasformazione prospettica. Conoscendo la lunghezza e la larghezza reali del tappeto, il software calcola come qualsiasi punto visibile—in particolare il tallone—sarebbe posizionato su una mappa dall’alto del terreno. Applica quindi un ulteriore passo di correzione basato su una semplice curva polinomiale, adattata con salti di calibrazione, per ridurre i piccoli errori sistematici che restano vicino ai bordi dell’inquadratura della telecamera.

Quanto bene funziona nel mondo reale

Per mettere alla prova il sistema in condizioni realistiche, i ricercatori hanno costruito un dataset dedicato: 1.200 salti da 200 studenti universitari, filmati all’aperto in diversi momenti della giornata e con condizioni meteorologiche variabili. Annotatori umani hanno disegnato contorni a livello di pixel di atleti e tappeti per addestrare e valutare il modello. Su hardware GPU moderno ma facilmente reperibile, il sistema completo elabora circa 23 fotogrammi al secondo, abbastanza veloce per l’uso in tempo reale durante i test scolastici. Crucialmente, quando le sue stime di distanza sono confrontate con misure accurate al metro a nastro, l’errore medio è di soli circa 0,71 centimetri—meno dello spessore di un dito. La rimozione di qualsiasi modulo chiave, come il filtro per atleti incompleti, la mappatura a singola vista o il passaggio di individuazione precisa del tallone, causa un forte calo di accuratezza, sottolineando l’importanza del progetto nella sua interezza.

Un test di salto più chiaro e più equo

In termini semplici, questo lavoro dimostra che una singola telecamera intelligente può sostituire metri a nastro manuali e configurazioni sensoriali costose per il salto in lungo da fermo, senza sacrificare la precisione. Combinando analisi video veloce, contorni precisi del saltatore e del tappeto, una conversione geometrica accurata dall’immagine al terreno e un ultimo passaggio di levigatura dell’errore, il sistema offre affidabilità a livello di centimetro in tempo reale. Con codice e strumenti di calibrazione condivisi, scuole e programmi sportivi potrebbero adottare ampiamente questo approccio, rendendo i test di fitness più rapidi, più equi e meno dipendenti dal giudizio umano.

Citazione: 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

Parole chiave: salto in lungo da fermo, visione artificiale, misurazione sportiva, deep learning, test di fitness