Ett smart enkammars synmetrologisystem baserat på dator för stående längdhopp

Varför hoppets längd spelar roll

Det stående längdhoppet är ett av de enklaste sätten skolor världen över testar elevers fysiska kondition: stå vid en linje, hoppa så långt du kan och mät avståndet. Men på trånga skolgårdar kan detta till synes enkla test bli rörigt. Lärare böjer sig fortfarande ner med måttband, beslut kan ifrågasättas och registrering av tusentals hopp är långsam och tröttande. Denna studie introducerar ett kamerabaserat system som automatiskt och noggrant kan mäta hopplängd från vanlig video, vilket lovar snabbare, mer objektiva tester utan dyr specialutrustning.

Från måttband till smart kamera

Dagens automatiserade verktyg för längdhopp förlitar sig ofta på ultraljudssensorer, tryckmattor eller ljusstrålar över sanden. Även om de är effektiva är de kostsamma att installera, väderkänsliga och svåra att underhålla för användning i stor skala i skolor. Författarna betraktar istället uppgiften som ett synproblem: om en enda kamera kan se både atletens fötter och hoppmattan bör mjukvara kunna räkna ut hur långt personen har färdats. De utformar en komplett pipeline som förvandlar rå video till ett slutgiltigt avståndsvärde, i realtid, med en blandning av modern datorseende och noggrant geometriskt resonemang.

Hur systemet ser ett hopp

Processen börjar med en högfrekvent kamera placerad några meter vid sidan av hoppmattan, som fångar skarp video i 240 bilder per sekund. Mjukvaran bryter först ner videon i enskilda ramar och använder en färdigdetektor för att snabbt hitta när en idrottare kommer in i och lämnar scenen. Inom detta fönster söker den efter ögonblicket då hälen är högst i bilden (hoppets topp) och sedan efter senare ramar där hälens position slutar förändras, vilket indikerar ett stabilt landningsögonblick. Denna automatiska nyckelramval gör att systemet inte slösar tid på att analysera varje enskild ram, och det undviker att förväxlas av partiella vyer när idrottaren bara är delvis i bilden.

Att hitta mattor, hälar och verkligt avstånd

När landningsramen identifierats tar en specialanpassad synmodell kallad FastNetSeg över. Detta lätta nät kombinerar två idéer: en Transformer‑gren som fångar scenens övergripande layout och en kompakt konvolutionsgren som fokuserar på lokal detalj. Tillsammans färglägger de pixlarna som tillhör idrottaren och de som tillhör hoppmattan. Från mattmasken spårar en algoritm dess yttre gräns, jämnar ut små ojämnheter och destillerar den till fyra pålitliga hörnpunkter. Från idrottarmasken tittar en annan algoritm på konturen av det nedre‑vänstra kroppsområdet, filtrerar bort irrelevanta regioner och lokaliserar hälen med hjälp av kurvatur—i praktiken genom att finna den skarpa böjen där fotens baksida möter marken. Dessa få nyckelpunkter utgör de råa ingredienserna för mätningen.

Från pixlar till centimeter

Eftersom kameran betraktar mattan i en vinkel motsvarar inte avstånden i bilden direkt verkliga centimeter: en pixel nära mattans bortre kant kan representera mer fysisk sträcka än en nära kameran. För att övervinna detta lär systemet en ”avbildning” från bildkoordinater till mattans plana yta, med ett standard geometriskt verktyg kallat perspektivtransformation. Genom att känna till mattans verkliga längd och bredd beräknar mjukvaran hur vilken synlig punkt som helst—särskilt hälen—skulle placeras på en översiktskarta av marken. Den applicerar sedan ett extra korrigeringssteg baserat på en enkel polynomkurva, som är anpassad från kalibreringshopp, för att minska de små systematiska fel som kvarstår nära kameravyns kanter.

Hur bra fungerar det i verkligheten

För att testa systemet under realistiska förhållanden byggde forskarna en dedikerad datamängd: 1 200 hopp från 200 universitetsstudenter, filmade utomhus vid olika tidpunkter på dagen och i skiftande väder. Mänskliga annotatörer ritade pixel‑nivå konturer av idrottare och mattor för att träna och utvärdera modellen. På modern men lättillgänglig GPU‑hårdvara bearbetar det kompletta systemet cirka 23 bilder per sekund, tillräckligt snabbt för liveanvändning under skoltest. Avgörande är att när dess avståndsbedömningar jämförs med noggranna måtttagningar med måttband är medelfelet endast omkring 0,71 centimeter—mindre än bredden på ett finger. Att ta bort någon av nyckelmodulerna, såsom filtret för ofullständiga idrottare, enkelvy‑kartläggningen eller det precisa häl‑lokaliseringssteget, leder till att noggrannheten faller kraftigt, vilket betonar hela designens betydelse.

Ett tydligare, rättvisare hopp-test

Enklare uttryckt visar detta arbete att en enda smart kamera kan ersätta manuella måttband och kostsamma sensorsystem för stående längdhopp, utan att ge avkall på noggrannheten. Genom att kombinera snabb videoanalys, precisa utsnitt av hoppare och matta, noggrann geometrisk omvandling från bild till mark och ett slutligt felutjämningssteg levererar systemet centimetersnivåpålitlighet i realtid. Med delad kod och kalibreringsverktyg skulle skolor och idrottsprogram kunna implementera detta tillvägagångssätt i stor skala, vilket gör fitnesstester snabbare, mer rättvisa och mindre beroende av mänskligt omdöme.

Citering: 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

Nyckelord: stående längdhopp, datorseende, idrottsmätning, djupinlärning, fitnesstestning