Inteligentny system metrologii wizyjnej z jednego obiektywu oparty na komputerze do skoku w dal z miejsca

Dlaczego dystans skoku ma znaczenie

Skok w dal z miejsca to jeden z najprostszych sposobów, w jaki szkoły na całym świecie oceniają sprawność uczniów: stanąć przy linii, skoczyć jak najdalej i zmierzyć dystans. Jednak na zatłoczonych szkolnych boiskach ten pozornie prosty test może stać się chaotyczny. Nauczyciele nadal schylają się z miarkami, decyzje mogą być kwestionowane, a rejestrowanie tysięcy skoków jest powolne i męczące. W tym badaniu przedstawiono system oparty na kamerze, który automatycznie i dokładnie mierzy odległość skoku z zwykłego nagrania wideo, obiecując szybsze i bardziej obiektywne testy bez drogiego, specjalistycznego sprzętu.

Od miarki do inteligentnej kamery

Dzisiejsze zautomatyzowane narzędzia do pomiaru skoku często opierają się na czujnikach ultradźwiękowych, matach ciśnieniowych lub belkach światła rozciągniętych nad piaskiem. Choć skuteczne, są kosztowne w instalacji, wrażliwe na warunki pogodowe i trudne w utrzymaniu w zastosowaniach szkolnych na dużą skalę. Autorzy traktują zadanie jako problem wizji: jeśli jedna kamera widzi zarówno stopy zawodnika, jak i matę do skoków, oprogramowanie powinno być w stanie określić, jak daleko poruszył się skoczek. Zaprojektowali kompletny przebieg przetwarzania, który zamienia surowe wideo w końcową wartość dystansu, wszystko w czasie rzeczywistym, wykorzystując połączenie nowoczesnej wizji komputerowej i starannego rozumowania geometrycznego.

Jak system widzi skok

Proces zaczyna się od szybkiej kamery umieszczonej kilka metrów na boku maty do skoków, rejestrującej ostre wideo z prędkością 240 klatek na sekundę. Oprogramowanie najpierw dzieli to wideo na pojedyncze klatki i używa gotowego detektora, by szybko znaleźć moment wejścia i wyjścia zawodnika ze sceny. W tym oknie wyszukuje chwilę, gdy pięta jest najwyżej w obrazie (szczyt skoku), a następnie późniejsze klatki, gdzie pozycja pięty przestaje się zmieniać, co wskazuje na stabilne lądowanie. Automatyczny wybór kluczowych klatek sprawia, że system nie traci czasu na analizę każdej klatki i unika zamieszania spowodowanego częściowymi ujęciami, gdy zawodnik jest tylko w połowie widoczny na obrazie.

Wykrywanie maty, pięty i rzeczywistego dystansu

Gdy zidentyfikowana zostanie klatka lądowania, przejmuje ją niestandardowy model wizyjny o nazwie FastNetSeg. Ta lekka sieć łączy dwie koncepcje: gałąź Transformer przechwytującą ogólny układ sceny oraz zwartą gałąź konwolucyjną skupioną na lokalnych detalach. Razem kolorują piksele należące do zawodnika i do maty do skoku. Z maski maty algorytm wyznacza jej zewnętrzną granicę, wygładza drobne nieregularności i sprowadza ją do czterech wiarygodnych punktów narożnych. Z maski zawodnika inny algorytm analizuje kontur dolno‑lewego obszaru ciała, filtruje nieistotne rejony i lokalizuje piętę za pomocą krzywizny — zasadniczo znajdując ostry załom, gdzie tył stopy łączy się z podłożem. Te kilka kluczowych punktów daje surowe składniki do pomiaru.

Jak piksele zamieniają się w centymetry

Ponieważ kamera ogląda matę pod kątem, odległości na obrazie nie odpowiadają bezpośrednio rzeczywistym centymetrom: piksel blisko dalekiego brzegu maty może reprezentować większy dystans fizyczny niż piksel blisko kamery. Aby temu zaradzić, system uczy się „odwzorowania” ze współrzędnych obrazu na płaską powierzchnię maty, używając standardowego narzędzia geometrycznego zwanego transformacją perspektywiczną. Znając rzeczywistą długość i szerokość maty, oprogramowanie oblicza, jak dowolny widoczny punkt — szczególnie pięta — zostałby umieszczony na mapie z lotu ptaka. Następnie stosuje dodatkowy krok korekty oparty na prostej krzywej wielomianowej, dopasowanej na podstawie skoków kalibracyjnych, aby zredukować niewielkie systematyczne błędy, które pozostają przy krawędziach pola widzenia kamery.

Jak sprawdza się w rzeczywistych warunkach

Aby przetestować system w realistycznych warunkach, badacze zbudowali dedykowany zbiór danych: 1200 skoków od 200 studentów uniwersytetu, filmowanych na zewnątrz o różnych porach dnia i w różnej pogodzie. Ludzkie osoby adnotujące rysowały kontury na poziomie pikseli zawodników i mat, aby trenować i oceniać model. Na nowoczesnym, lecz powszechnie dostępnym sprzęcie GPU cały system przetwarza około 23 klatek na sekundę, co jest wystarczające do pracy na żywo podczas testów szkolnych. Co kluczowe, porównując jego oszacowania dystansu z dokładnymi pomiarami wykonanymi miarką, średni błąd wynosi zaledwie około 0,71 centymetra — mniej niż szerokość palca. Usunięcie któregokolwiek z kluczowych modułów, takich jak filtr niepełnego zawodnika, odwzorowanie z jednego widoku czy precyzyjne wykrywanie pięty, powoduje gwałtowny spadek dokładności, podkreślając znaczenie pełnego projektu.

Jasniejszy, bardziej sprawiedliwy test skoku

Mówiąc wprost, praca ta pokazuje, że pojedyncza inteligentna kamera może zastąpić ręczne miarki i kosztowne zestawy czujników przy skoku w dal z miejsca, bez utraty dokładności. Łącząc szybką analizę wideo, precyzyjne wyodrębnianie sylwetki skoczka i maty, staranne przekształcenie geometryczne z obrazu na grunt oraz końcowy krok wygładzania błędów, system dostarcza niezawodność na poziomie centymetra w czasie rzeczywistym. Dzięki udostępnionemu kodowi i narzędziom kalibracyjnym szkoły i programy sportowe mogłyby szeroko wdrożyć to podejście, czyniąc testy sprawności szybszymi, bardziej obiektywnymi i mniej zależnymi od ludzkiej oceny.

Cytowanie: 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

Słowa kluczowe: skok w dal z miejsca, wizja komputerowa, pomiary sportowe, uczenie głębokie, testy sprawnościowe