Ayakta uzun atlama için bilgisayar tabanlı akıllı tek lens görsel ölçüm sistemi

Neden Sıçrama Mesafesi Önemli?

Ayakta uzun atlama, dünya çapında okulların öğrencilerin kondisyonunu test etmek için kullandığı en basit yöntemlerden biridir: bir çizginin önünde durun, olabildiğince uzağa atlayın ve mesafeyi ölçün. Ancak kalabalık okul bahçelerinde bu sözde basit test karışık hale gelebilir. Öğretmenler hâlâ metreyle eğilip ölçüyor, kararlar tartışmaya açık olabiliyor ve binlerce atlamayı kaydetmek yavaş ve yorucu oluyor. Bu çalışmada, sıradan videodan atlama mesafesini otomatik ve doğru biçimde ölçebilen kamera tabanlı bir sistem tanıtılıyor; pahalı, özel donanım olmadan daha hızlı ve daha nesnel test vaadediyor.

Metre Bandından Akıllı Kameraya

Günümüzde otomatik uzun atlama araçları sıklıkla ultrasonik sensörlere, basınç paspaslarına veya kum üzerindeki ışık şeritlerine dayanıyor. Etkili olmalarına karşın, bunlar kurulumu pahalı, hava koşullarına duyarlı ve okul ölçeğinde kullanım için bakımı zor olan çözümler. Yazarlar bunun yerine görevi bir görme problemi olarak ele alıyor: tek bir kamera hem sporcunun ayaklarını hem de atlama paspasını görebiliyorsa, yazılım kişinin ne kadar ilerlediğini hesaplayabilmelidir. Ham videoyu gerçek zamanlı olarak son bir mesafe değerine dönüştüren; modern bilgisayarlı görü ve dikkatli geometrik çıkarım karışımıyla çalışan eksiksiz bir boru hattı tasarlıyorlar.

Sistem Bir Atlama Nasıl Görüyor?

Süreç, atlama paspasının yanına birkaç metre mesafeye yerleştirilmiş yüksek hızlı bir kamerayla başlar; kamera net 240 kare/saniye video yakalar. Yazılım önce videoyu ayrı karelere böler ve hazır paket bir algılayıcı kullanarak sporcunun sahneye girdiği ve çıktığı zamanları hızlıca bulur. Bu pencere içinde, görüntüde topuğun en yüksek olduğu anı (atlamanın zirvesi) ve daha sonra topuk konumunun değişmeyi kestiği, yani stabil inişi gösteren kareleri arar. Bu otomatik ana kare seçimi, sistemin her kareyi analiz etmek için zaman kaybetmemesini sağlar ve sporcu sadece kısmi göründüğünde karışıklığı önler.

Paspasları, Topukları ve Gerçek Mesafeyi Bulmak

İniş karesi belirlendikten sonra FastNetSeg adlı özel bir görme modeli devreye girer. Bu hafif ağ iki fikri birleştirir: sahnenin genel düzenini yakalayan bir Transformer dalı ve yerel ayrıntılara odaklanan kompakt bir konvolüsyon dalı. Birlikte sporcunun ve paspasın ait olduğu pikselleri doldururlar. Paspas maskesinden bir algoritma dış sınırını izler, küçük düzensizlikleri düzeltir ve güvenilir dört köşe noktasına indirger. Sporcu maskesinden başka bir algoritma alt-sol vücut bölgesinin dış hatlarına bakar, alakasız alanları filtreler ve topuğu eğrilik kullanarak belirler—temelde ayağın arka kısmının zemine bağlandığı keskin dönüşü bulur. Bu birkaç anahtar nokta ölçüm için gereken ham malzemeyi sağlar.

Pikselleri Santimetreye Çevirmek

Kamera paspası açılı gördüğü için görüntüdeki mesafeler doğrudan gerçek dünyadaki santimetrelere karşılık gelmez: paspasın uzak kenarına yakın bir piksel, kameraya yakın bir piksele göre daha fazla fiziksel mesafeyi temsil edebilir. Bunu aşmak için sistem, görüntü koordinatlarından paspasın düz yüzeyine bir “eşleme” öğrenir; standart bir geometrik araç olan perspektif dönüşümü kullanılarak. Paspasın gerçek uzunluğu ve genişliği bilindiğinde, yazılım herhangi bir görünen noktanın—özellikle topuğun—zeminin kuşbakışı haritasında nerede yer alacağını hesaplar. Ardından, kameranın görüşünün kenarlarında kalan küçük sistematik hataları azaltmak için kalibrasyon atlamalarından uyarlanmış basit bir polinom eğri tabanlı ek düzeltme uygular.

Sahada Ne Kadar İyi Çalışıyor?

Sistemi gerçekçi koşullar altında test etmek için araştırmacılar özel bir veri seti oluşturdu: farklı gün saatlerinde ve değişen hava koşullarında açık havada çekilmiş 200 üniversite öğrencisinden 1.200 atlama. İnsan anotatörler modeli eğitmek ve değerlendirmek için sporcuların ve paspasların piksel düzeyinde dış hatlarını çizdi. Modern ancak kolayca erişilebilen GPU donanımında, tam sistem saniyede yaklaşık 23 kare işlemekte; okul testleri sırasında canlı kullanım için yeterince hızlı. Kritik olarak, sistemin mesafe tahminleri dikkatli metre ölçümleriyle karşılaştırıldığında ortalama hata yalnızca yaklaşık 0,71 santimetre—bir parmak genişliğinden daha az. Eksik sporcu filtresi, tek görüşlü eşleme veya hassas topuk bulma adımı gibi ana modüllerden herhangi biri çıkarıldığında doğruluk hızla düşüyor; bu da tam tasarımın önemini vurguluyor.

Daha Net, Daha Adil Bir Atlama Testi

Düz ifadeyle, bu çalışma tek bir akıllı kameranın ayakta uzun atlama için manuel metre bantlarını ve maliyetli sensör kurulumlarını doğruluktan ödün vermeden ikame edebileceğini gösteriyor. Hızlı video analizi, atlayanın ve paspasın hassas dış hatlandırılması, görüntüden zemine dikkatli geometrik dönüşüm ve son bir hata düzeltme adımını birleştirerek sistem gerçek zamanlı santimetre düzeyinde güvenilirlik sunuyor. Paylaşılan kod ve kalibrasyon araçlarıyla okullar ve spor programları bu yaklaşımı yaygın şekilde konuşlandırabilir; böylece fitlik testleri daha hızlı, daha adil ve insan yargısına daha az bağımlı hale gelir.

Atıf: 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

Anahtar kelimeler: ayakta uzun atlama, bilgisayarlı görü, spor ölçümü, derin öğrenme, fitlik testi