一种基于YOLOv5的测试绕障碍跑的方法

一种基于yolov5的测试绕障碍跑的方法
技术领域
1.本发明涉及运动测试技术领域，尤其涉及一种基于yolov5的测试绕障碍跑的方法。


背景技术：

2.目前常用测试的绕障碍跑的方法有两种，一种是人工测试，在测试过程中，需要工作人员吹哨为开始的号令，然后手动按动秒表，当受试者越过终点线的同时按动秒表结束计时，并且在测试过程中需要有工作人员全程关注着受试者是否按照规定绕障碍进行测试。该方法存在人力投入大，易存在人为误差等问题。
3.另一种是利用红外传感器测试，该方法是将四个红外传感器安装在四个立杆上，起始点与终点分别放置两个装有红外传感器的立杆，再在中间部分放置多个锥桶进行测试，主机与四个红外传感器连接；当受试者遮挡起点处的红外传感器时计时开始，越过终点线遮挡终点处的红外传感器时停止计时，连续测试两次，主机会自动记录并将最好的成绩保存上传。但利用红外传感器的测试方法，只能减少人工手动按动秒表进行计时的过程，仍然需要工作人员全程关注受试者并判断受试者是否按照规定绕障碍进行测试。
4.因此，需要提供一种新的测试障碍跑的方法，解决测试测试果汁中需要人工全程关注受试者并判断受试者是否按照规定绕障碍进行测试，导致测试效率低，人力投入大，可能存在人为误差的问题。


技术实现要素：

5.本发明实施例的目的是提供一种基于yolov5的测试绕障碍跑的方法，以实现自动判断受试者是否按照规定绕障碍进行测试的功能，从而提高测试效率，减少人力投入，减少人为误差。
6.为解决上述技术问题，本发明实施例提供以下技术方案：
7.本发明提供了一种基于yolov5的测试绕障碍跑的方法，包括以下步骤：s1、获取受试者测试绕障碍跑的视频，作为训练视频；s2、截取所述训练视频中的图片，并对所述图片中障碍物被受试者遮挡、以及障碍物未被受试者遮挡两种情况进行标注，构建训练集和测试集；s3、利用所述训练集和所述测试集对yolov5模型进行训练和测试，获得训练好的yolov5模型；
8.s4、获取待检测的受试者测试绕障碍跑的视频，作为待检测视频；s5、利用所述训练好的yolov5模型对所述待检测视频进行检测，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试。
9.进一步地，在所述s1中，获取受试者测试绕障碍跑的视频的方法具体包括以下步骤：利用摄像头拍摄多个所述受试者测试绕障碍跑的视频；在所述s2中，构建所述训练集和所述测试集具体包括以下步骤：将拍摄得到的多个训练视频处理成多张图片，使用make sense工具对所述多张图片中的障碍物作为目标进行标注，将障碍物被受试者遮挡标记为“0”，将障碍物未被受试者遮挡标记为“1”；将标注得到包括有记录目标位置的txt文件与图片对应起来，将一部分对应的txt文件与图片放置在训练文件夹中，形成训练集；将另一部对应的txt文件与图片放置在测试文件夹中，形成测试集；在所述s3中，还包括以下步骤：利用s1中的受试者测试绕障碍跑的视频对yolov5模型进行测试，判断yolov5模型是否已训练好。
10.进一步地，在所述s3中，对yolov5模型进行训练和测试的步骤中：yolov5网络主要包括输入端、主干网络、neck网络以及head输出层四个模块；主干网络分为三层，每一层主要由cbh和csp结构组成；neck网络主要由fpn和pan结构组成；在主干网络中使用带有残差组件的csp结构，脖颈中用卷积操作代替了残差组件；csp结构把特征图分为两部分，一部分继续进行卷积操作，得到更加深刻的特征信息，另一部分与上一部分卷积操作之后的特征图进行拼接；在主干网络的第一层提出focus结构；在主干网络的第三层增加spp层；在主干网络提取目标的特征之后加入注意力机制；在图像输入主干网络第一层之前加入高斯滤波操作；
11.yolov5对于边框回归采用了ciou损失函数来进行模型训练：
[0012][0013][0014][0015]
其中，a代表真实框，b代表预测框，q,q
gt
分别为预测框和真实框的中心点，ν用来表示长宽比的相似性，α为权重系数，iou为交并比，ω
gt
和h
gt
分别为真实框的宽与高，ω和h分别为预测框的宽与高，l
ciou
为ciou损失，ρ为欧式距离函数，c为预测框和真实框的最小矩形的对角线长度。
[0016]
进一步地，所述测试集包括过程测试集和最终测试集，所述测试文件夹包括过程测试文件夹和最终测试文件夹；一部分对应的txt文件与图片放置在过程测试文件夹中，形成过程测试集；将另一部对应的txt文件与图片放置在最终测试文件夹中，形成最终测试集。
[0017]
进一步地，在所述s4中，所述待检测的受试者测试绕障碍跑的视频为实时视频，通过摄像头对测试场地实时拍摄得到；在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行实时检测。
[0018]
进一步地，在所述s5中，还包括以下步骤：在所述受试者经过起点时，开始计时；当判断所述受试者按照规定绕障碍进行测试时，在受试者经过终点时终止计时，并录入成绩；当判断所述受试者未按照规定绕障碍进行测试时，停止计时，并语音提醒受试者重新进行测试。
[0019]
进一步地，基于yolov5的测试绕障碍跑的方法采用图像处理算法实现计时功能，具体包括以下步骤：在测试场地，用白颜色标出起跑线和终点线，拍摄带有起跑线与终点线的测试场地的图片，将带有起跑线与终点线的测试场地的图片进行二值化处理，利用canny
算法识别出线的轮廓，然后使用hough直线检测的方法检测并标出起跑线与终点线；当识别到受试者遮挡起点线时，开始计时；当识别到受试者遮挡终点线时，终止计时。
[0020]
进一步地，在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行检测具体包括以下步骤：利用所述训练好的yolov5模型在所述待检测视频中识别目标并定位，所述目标的类型包括障碍物被受试者遮挡和障碍物未被受试者遮挡；在所述s5中，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试具体包括以下步骤：根据检测到的目标的类型和定位，结合受试者在测试场地的测试路线，判断障碍物是否按照被受试者遮挡与未被受试者遮挡交替着在测试场地前进的；若是，则判断受试者按照规定绕障碍进行测试；若否，则判断受试者未按照规定绕障碍进行测试。
[0021]
进一步地，在所述测试场地中，在起点处设有起跑线，在终点处设有终点线；在所述起跑线和所述终点线之间设有多个间隔设置的障碍物；在所述测试场地的一侧设有一个带三角支架的摄像头。
[0022]
进一步地，所述障碍物为锥桶。
[0023]
与现有技术相比，本技术提供的基于yolov5的测试绕障碍跑的方法，具有自动判断受试者是否按照规定绕障碍进行测试的功能，从而能够提高测试效率，减少人力投入，减少人为误差。
附图说明
[0024]
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，相同或对应的标号表示相同或对应的部分，其中：
[0025]
图1示意性地示出了绕障碍跑测试的测试场地的俯视示意图；
[0026]
图2示意性地示出了绕障碍跑测试的测试场地的另一个角度的示意图；
[0027]
图3示意性地示出了本技术提供的基于yolov5的测试绕障碍跑的方法的一个可选实施例的部分流程的流程图；
[0028]
图4示意性地示出了本技术提供的基于yolov5的测试绕障碍跑的方法的另一个可选实施例的部分流程的流程图；
[0029]
附图标号说明：
[0030]
a、起点；b、锥桶；c、终点；d、带三角支架的摄像头。
具体实施方式
[0031]
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0032]
需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这
些实体或操作之间存在任何这种实际的关系或者顺序。术语“连接”、“相连”等术语应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接连接，也可以是通过中间媒介间接相连。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0033]
本技术提供了一种基于yolov5的测试绕障碍跑的方法，包括以下步骤：s1、获取受试者测试绕障碍跑的视频，作为训练视频；s2、截取所述训练视频中的图片，并对所述图片中障碍物被受试者遮挡、以及障碍物未被受试者遮挡两种情况进行标注，构建训练集和测试集；s3、利用所述训练集和所述测试集对yolov5模型进行训练和测试，获得训练好的yolov5模型；
[0034]
s4、获取待检测的受试者测试绕障碍跑的视频，作为待检测视频；s5、利用所述训练好的yolov5模型对所述待检测视频进行检测，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试。
[0035]
这样，本技术提供的基于yolov5的测试绕障碍跑的方法，具有自动判断受试者是否按照规定绕障碍进行测试的功能，从而能够提高测试效率，减少人力投入，减少人为误差
[0036]
可选地，在所述s1中，获取受试者测试绕障碍跑的视频的方法具体包括以下步骤：利用摄像头拍摄多个所述受试者测试绕障碍跑的视频。这样，利用大量训练视频对yolov5模型进行训练和测试，获得训练好的yolov5模型，可以提升基于yolov5的测试绕障碍跑的方法的判断精准度。
[0037]
可选地，在所述s2中，构建所述训练集和所述测试集具体包括以下步骤：将拍摄得到的多个训练视频处理成多张图片，使用make sense工具对所述多张图片中的障碍物作为目标进行标注，将障碍物被受试者遮挡标记为“0”，将障碍物未被受试者遮挡标记为“1”；将标注得到包括有记录目标位置的txt文件与图片对应起来，将一部分对应的txt文件与图片放置在训练文件夹中，形成训练集；将另一部对应的txt文件与图片放置在测试文件夹中，形成测试集。这样，将障碍物作为目标进行标注，利用标注好的训练集和测试集对yolov5模型进行训练，获得训练好的yolov5模型，可以提升基于yolov5的测试绕障碍跑的方法的判断精准度。
[0038]
可选地，在所述s3中，还包括以下步骤：利用s1中的受试者测试绕障碍跑的视频对yolov5模型进行测试，判断yolov5模型是否已训练好。这样，利用s1中的受试者测试绕障碍跑的视频进一步判断yolov5模型是否已训练好，若判断yolov5模型已训练好，则可利用训练好的yolov5模型对待检测视频进行检测；若判断yolov5模型未训练好，则继续对yolov5模型进行训练，从而提升基于yolov5的测试绕障碍跑的方法的判断精准度。
[0039]
可选地，所述测试集包括过程测试集和最终测试集，所述测试文件夹包括过程测试文件夹和最终测试文件夹；一部分对应的txt文件与图片放置在过程测试文件夹中，形成过程测试集；将另一部对应的txt文件与图片放置在最终测试文件夹中，形成最终测试集。这样，训练和测试的效果更好。
[0040]
可选地，在所述s4中，所述待检测的受试者测试绕障碍跑的视频为实时视频，通过
摄像头对测试场地实时拍摄得到。在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行实时检测。这样，yolov5模型可以实时对受试者测试者测试绕障碍跑的过程进行检测，从而实时得到检测结果，若判断受试者未按照规定绕障碍进行测试，可尽快提示受试者重新测试，进而可以节约测试时间，提高测试效率。
[0041]
可选地，在所述s5中，还包括以下步骤：在所述受试者经过起点时，开始计时；当判断所述受试者按照规定绕障碍进行测试时，在受试者经过终点时终止计时，并录入成绩；当判断所述受试者未按照规定绕障碍进行测试时，停止计时，并语音提醒受试者重新进行测试。这样，本技术还具有计时功能，又能自动识别测试过程，具有智能化和实用化的意义。
[0042]
可选地，基于yolov5的测试绕障碍跑的方法采用图像处理算法实现计时功能，具体包括以下步骤：在测试场地，用白颜色标出起跑线和终点线，拍摄带有起跑线与终点线的测试场地的图片，将带有起跑线与终点线的测试场地的图片进行二值化处理，利用canny算法识别出线的轮廓，然后使用hough直线检测的方法检测并标出起跑线与终点线；当识别到受试者遮挡起点线时，开始计时；当识别到受试者遮挡终点线时，终止计时。
[0043]
可选地，基于yolov5的测试绕障碍跑的方法采用红外传感器实现计时功能。
[0044]
可选地，在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行检测具体包括以下步骤：利用所述训练好的yolov5模型在所述待检测视频中识别目标并定位，所述目标的类型包括障碍物被受试者遮挡和障碍物未被受试者遮挡。这样，可根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试。
[0045]
可选地，在所述s5中，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试具体包括以下步骤：根据检测到的目标的类型和定位，结合受试者在测试场地的测试路线，判断障碍物是否按照被受试者遮挡与未被受试者遮挡交替着在测试场地前进的；若是，则判断受试者按照规定绕障碍进行测试；若否，则判断受试者未按照规定绕障碍进行测试。这样，结合受试者的测试路线，判断障碍物是否按照被受试者遮挡与未被受试者遮挡交替着在测试场地前进的，从而判断受试者是否按照规定绕障碍进行测试，判断更精准。
[0046]
例如，沿着受试者的测试路线，若检测得到的结果为：第一个障碍物被受试者遮挡，第二个障碍物未被受试者，第三个障碍物被受试者遮挡，这样，则判断受试者按照规定绕障碍进行测试。若检测得到的结果为：第一个障碍物被受试者遮挡，第二个障碍物也被受试者遮挡，则判断受试者未按照规定绕障碍进行测试。
[0047]
可选地，如图1和图2所示，在所述测试场地中，在起点处设有起跑线，在终点处设有终点线；在所述起跑线和所述终点线之间设有多个间隔设置的障碍物；在所述测试场地的一侧设有一个带三角支架的摄像头。这样，利用摄像头可拍摄训练视频或待检测视频。受试者需沿着虚线示出的测试路线进行测试。
[0048]
在图示的可选实施例中，障碍物设置有七个，若检测到的结果为：第一个障碍物未被受试者遮挡，第二个障碍物被受试者遮挡，第三个障碍物未被受试者遮挡，第四个障碍物被受试者遮挡，第五个障碍物未被受试者遮挡，第六个障碍物被受试者遮挡，第七个障碍物未被受试者遮挡，则判断受试者按照规定绕障碍进行测试。
[0049]
可选地，所述障碍物为锥桶。锥桶更方便作为目标进行标注和识别，有利于提升基于yolov5的测试绕障碍跑的方法的判断精准度。
[0050]
当然，也可以采用其它物品作为障碍物。
[0051]
相较于现有技术，本发明提供的基于yolov5的测试绕障碍跑的方法，能够代替工作人员的眼睛进行判断，解决目标跟踪和识别的问题，采用yolov5算法进行实时检测，将障碍物作为跟踪目标，将障碍物是否被遮挡作为判断根据，从而判断受试者是否绕障碍进行测试，进而可以提高测试效率，减少人力投入，减少人为误差。此外，本技术提供的基于yolov5的测试绕障碍跑的方法还具有自动计时、自动上传成绩的功能，从而可以进一步地降低人为误差，减少人力投入，提高测试效率。
[0052]
本发明提供的基于yolov5绕障碍跑的测试方法，在测试过程中利用摄像头代替工作人员的眼睛进行测试路线的判断，以此来提高工作效率，减少人力的投入。为解决目标跟踪识别的问题，本发明使用yolov5算法进行实时监测，将作为障碍的锥桶标定为目标，根据锥桶有没有被受试者遮挡来判断是否绕障碍进行的测试。本发明既能实现计时功能，又能自动识别测试过程，具有智能化和实用化的意义。
[0053]
本发明提供的基于yolov5绕障碍跑的测试方法利用yolov5算法来进行测试，该算法可以对指定目标进行跟踪检测。通过调用摄像头可以实现对测试场地的实时拍摄，从而可以进行实时的检测。利用yolov5算法检测到目标并进行定位，通过检测受试者的测试路线，进而检测锥桶是否按照被受试者遮挡与没被受试者遮挡交替着在测试场地前进的，如果是，则当受试者经过终点时终止计时，并录入成绩；若不是，则停止计时，同时提醒受试者重新进行测试。
[0054]
测试场地如图2所示，在平坦的地面上画一条15米的直线，在直线的起点处画约1.5米宽的横线作为起跑线；在直线的终点处画1.5米宽的横线作为终点线；在直线上距离起点3米处放置第一个锥桶，之后每间隔1.5米(桶与桶中心点距离)放置一个锥桶，共放7个锥桶，第七个锥桶与终点线距离为3米。
[0055]
如图3所示的可选实施例中，本发明提供的基于yolov5绕障碍跑的测试方法包括以下步骤：
[0056]
使用摄像头拍摄大量绕障碍跑测试的视频。
[0057]
将拍摄到的视频处理成图片，使用make sense工具对这些图片中的锥桶进行标注。
[0058]
将标注得到的txt文件与图片对应起来按照一定的比例放置在三个文件夹里，分别为test文件夹、train文件夹、val文件夹，然后用yolov5算法进行多轮训练。
[0059]
利用训练得到的结果文件(best.pt和last.pt)对拍摄到的视频进行测试。
[0060]
如图4所示的可选实施例中，本发明提供的基于yolov5绕障碍跑的测试方法包括以下步骤：
[0061]
一、使用摄像头拍摄绕障碍跑的测试视频，将收集到的视频逐帧处理后选择合适的图片；其中，合适的图片是指：在这类图片中，受试者所在的位置恰好遮挡住锥桶或者恰好被锥桶所遮挡住的图片；
[0062]
二、使用make sense工具对图片中的锥桶进行目标标注，将锥桶被受试者遮挡标为“0”，锥桶没被受试者遮挡标为“1”，将记录目标位置的txt文件导出为yolo模式；
[0063]
三、在配置环境中安装好yolov5算法所需要的依赖库；其中，依赖库可采用requests、pyyaml、matplotlib、numpy、tensorboard、pytorch等依赖库；
[0064]
四、在yolov5文件夹下，新建个datasets文件夹，然后在datasets下新建images、labels、test、train、val等5个文件夹。然后：images文件夹下放刚刚参与标注的所有图片文件，labels文件夹下放刚刚解压(压缩文件为从标注完成后导出的yolo模式的文件)的txt文件，train就是训练用文件夹，把准备训练的图片(images文件夹里面选部分，一般90％以上)和对应的txt文件，一起放进来，注意图片和txt文件的名字要对应上。剩下的文件(images和labels文件夹中去掉训练用的文件)分别在test和val中放一些，注意跟上面一样，图片和txt文件要对应起来；其中，val中的为过程测试集，test中的为最终测试集，train中的为训练集；
[0065]
五、修改文件参数：修改coco128.yaml文件中train、val、test的路径以及识别的种类数目，修改yolov5s.yaml文件中的识别的种类数目，修改train.py文件中训练的轮数以及一次放入训练的数量；
[0066]
六、利用yolov5算法训练训练集中的数据，然后得到结果文件，结果文件包括适合训练模型的参数以及best.pt、last.pt文件；
[0067]
七、利用训练得到的结果文件测试视频，识别视频中的目标锥桶。
[0068]
yolov5的结构分为输入端，backbone，neck，prediction四个部分，yolov5提供了4中网络模型：yolov5s、yolov5m、yolov5l、yolov5x，其中yolov5s的网络是最小的，速度最快。本技术采用的网络模型为yolov5s，测试时需要对实时的视频进行目标识别，因为yolov5s的速度最快，并且通过训练的结果能看出yolov5s的精度达到85％以上，所以选用yolov5s很合适。
[0069]
可选地，在所述s3中，对yolov5模型进行训练和测试的步骤中：
[0070]
yolov5采用拼接方式来融合特征。经过三次不同的拼接操作之后，得到3个不同尺寸的特征图，再分别加入csp结构和卷积操作，在最终的三个特征图上分别进行预测。
[0071]
yolov5网络主要包括输入端、主干网络(backbone)、neck网络以及head输出层(prediction)四个模块；
[0072]
主干网络分为三层，每一层主要由cbh和csp结构组成；neck网络主要由fpn和pan结构组成；
[0073]
在主干网络中使用带有残差组件的csp结构，而脖颈中用卷积操作代替了残差组件；csp结构把特征图分为两部分，一部分继续进行卷积操作，得到更加深刻的特征信息，另一部分与上一部分卷积操作之后的特征图进行拼接；这种跨阶段设计的优点有：减少计算量、提升推理速度、降低内存成本和保证准确率等。
[0074]
在主干网络的第一层提出focus结构；增加focus结构是为了将高分辨率的图像信息由空间维度转变到通道维度上，这样既最大程度保留了输入信息又减小了输入尺寸，有利于提高网络训练和推理速度。
[0075]
在主干网络的第三层增加spp层；使得输入到主干网络的特征图尺寸不再受到限制，此外，对分离上下文特征起到了重大作用。
[0076]
yolov5对于边框回归采用了ciou损失函数来进行模型训练：
[0077]
[0078][0079][0080]
其中，a代表真实框，b代表预测框，q,q
gt
分别为预测框和真实框的中心点，ν用来表示长宽比的相似性，α为权重系数，iou为交并比，ω
gt
和h
gt
分别为真实框的宽与高，ω和h分别为预测框的宽与高，l
ciou
为ciou损失，ρ为欧式距离函数，c为预测框和真实框的最小矩形的对角线长度。
[0081]
ciou考虑的范围更多，包括了重叠的面积，中心点距离，宽高比。这样的话对于框的回归会更充分，所以yolov5当中默认的矩形框损失是ciou loss。
[0082]
yolov5目标检测器，集成了tensorrt多种技术方便模型在硬件部署阶段的应用，可针对不同的应用场景，对目标进行分类和定位。
[0083]
yolov5是一个在coco数据集上预训练的物体检测架构和模型系列，它是yolo系列的一个延申，其网络结构共分为：input、backbone、neck和head四个模块，yolov5的优点在于：在input端使用了mosaic数据增强、自适应锚框计算、自适应图片缩放；在backbone端使用了focus结构与csp结构；在neck端添加了fpn+pan结构；在head端改进了训练时的损失函数，使用giou_loss，以及预测框筛选的diou_nms。除了模型结构，yolov5使用pytorch框架，对用户非常友好；代码易读；模型训练快速；能够直接对图像，视频进行推理；能直接部署到手机应用端；预测速度非常快。
[0084]
因此，本技术选用了yolov5算法，并对yolov5算法进行了改进：
[0085]
在算法中加入了注意力机制，即在主干网络提取目标的特征之后加入注意力机制，把更多的注意力放在感兴趣的区域(也就是测试场地)，而把少量注意力放在非重点关注的区域(测试场地以外的地方)，以减少背景中人物移动带来的影响，提高检测性能；同时
[0086]
在算法中还加入了高斯滤波操作，即在图像输入主干网络第一层之前加入高斯滤波操作；有利于进行特征提取，针对目标物体与背景环境比较相似的情况下，进行背景去噪操作有利于对目标进行检测。
[0087]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于yolov5的测试绕障碍跑的方法，其特征在于，包括以下步骤：s1、获取受试者测试绕障碍跑的视频，作为训练视频；s2、截取所述训练视频中的图片，并对所述图片中障碍物被受试者遮挡、以及障碍物未被受试者遮挡两种情况进行标注，构建训练集和测试集；s3、利用所述训练集和所述测试集对yolov5模型进行训练和测试，获得训练好的yolov5模型；s4、获取待检测的受试者测试绕障碍跑的视频，作为待检测视频；s5、利用所述训练好的yolov5模型对所述待检测视频进行检测，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试。2.根据权利要求1所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述s1中，获取受试者测试绕障碍跑的视频的方法具体包括以下步骤：利用摄像头拍摄多个所述受试者测试绕障碍跑的视频；在所述s2中，构建所述训练集和所述测试集具体包括以下步骤：将拍摄得到的多个训练视频处理成多张图片，使用make sense工具对所述多张图片中的障碍物作为目标进行标注，将障碍物被受试者遮挡标记为“0”，将障碍物未被受试者遮挡标记为“1”；将标注得到包括有记录目标位置的txt文件与图片对应起来，将一部分对应的txt文件与图片放置在训练文件夹中，形成训练集；将另一部对应的txt文件与图片放置在测试文件夹中，形成测试集；在所述s3中，还包括以下步骤：利用s1中的受试者测试绕障碍跑的视频对yolov5模型进行测试，判断yolov5模型是否已训练好。3.根据权利要求2所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述s3中，对yolov5模型进行训练和测试的步骤中：yolov5采用拼接方式来融合特征，经过三次不同的拼接操作之后，得到3个不同尺寸的特征图，再分别加入csp结构和卷积操作，在最终的三个特征图上分别进行预测；yolov5网络主要包括输入端、主干网络、neck网络以及head输出层四个模块；主干网络分为三层，每一层主要由cbh和csp结构组成；neck网络主要由fpn和pan结构组成；在主干网络中使用带有残差组件的csp结构，脖颈中用卷积操作代替了残差组件；csp结构把特征图分为两部分，一部分继续进行卷积操作，得到更加深刻的特征信息，另一部分与上一部分卷积操作之后的特征图进行拼接；在主干网络的第一层提出focus结构；在主干网络的第三层增加spp层；在主干网络提取目标的特征之后加入注意力机制；在图像输入主干网络第一层之前加入高斯滤波操作；yolov5对于边框回归采用了ciou损失函数来进行模型训练：yolov5对于边框回归采用了ciou损失函数来进行模型训练：
其中，a代表真实框，b代表预测框，q,q
gt
分别为预测框和真实框的中心点，ν用来表示长宽比的相似性，α为权重系数，iou为交并比，ω
gt
和h
gt
分别为真实框的宽与高，ω和h分别为预测框的宽与高，l
ciou
为ciou损失，ρ为欧式距离函数，c为预测框和真实框的最小矩形的对角线长度。4.根据权利要求2所述的基于yolov5的测试绕障碍跑的方法，其特征在于，所述测试集包括过程测试集和最终测试集，所述测试文件夹包括过程测试文件夹和最终测试文件夹；一部分对应的txt文件与图片放置在过程测试文件夹中，形成过程测试集；将另一部对应的txt文件与图片放置在最终测试文件夹中，形成最终测试集。5.根据权利要求1所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述s4中，所述待检测的受试者测试绕障碍跑的视频为实时视频，通过摄像头对测试场地实时拍摄得到；在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行实时检测。6.根据权利要求5所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述s5中，还包括以下步骤：在所述受试者经过起点时，开始计时；当判断所述受试者按照规定绕障碍进行测试时，在受试者经过终点时终止计时，并录入成绩；当判断所述受试者未按照规定绕障碍进行测试时，停止计时，并语音提醒受试者重新进行测试。7.根据权利要求6所述的基于yolov5的测试绕障碍跑的方法，其特征在于，所述基于yolov5的测试绕障碍跑的方法采用图像处理算法实现计时功能，具体包括以下步骤：在测试场地，用白颜色标出起跑线和终点线，拍摄带有起跑线与终点线的测试场地的图片，将所述带有起跑线与终点线的测试场地的图片进行二值化处理，利用canny算法识别出线的轮廓，然后使用hough直线检测的方法检测并标出所述起跑线与终点线；当识别到受试者遮挡起点线时，开始计时；当识别到受试者遮挡终点线时，终止计时。8.根据权利要求1所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述s5中，利用所述训练好的yolov5模型对所述待检测视频进行检测具体包括以下步骤：利用所述训练好的yolov5模型在所述待检测视频中识别目标并定位，所述目标的类型包括障碍物被受试者遮挡和障碍物未被受试者遮挡；在所述s5中，根据障碍物是否被受试者遮挡来判断受试者是否按照规定绕障碍进行测试具体包括以下步骤：根据检测到的目标的类型和定位，结合受试者在测试场地的测试路线，判断障碍物是否按照被受试者遮挡与未被受试者遮挡交替着在测试场地前进的；若是，则判断受试者按照规定绕障碍进行测试；若否，则判断受试者未按照规定绕障碍进行测试。9.根据权利要求1所述的基于yolov5的测试绕障碍跑的方法，其特征在于，在所述测试场地中，在起点处设有起跑线，在终点处设有终点线；在所述起跑线和所述终点线之间设有多个间隔设置的障碍物；在所述测试场地的一侧设有一个带三角支架的摄像头。
10.根据权利要求1至8中任一项所述的基于yolov5的测试绕障碍跑的方法，其特征在于，所述障碍物为锥桶。

技术总结
本发明提供一种基于YOLOv5的测试绕障碍跑的方法，涉及运动测试技术领域。该方法包括以下步骤：S1、获取受试者测试绕障碍跑的视频；S2、截取所述视频中的图片，并对所述图片中障碍物被受试者遮挡、以及障碍物未被受试者遮挡两种情况进行标注，构建训练集和测试集；S3、利用所述训练集和所述测试集对YOLOv5模型进行训练和测试，获得训练好的YOLOv5模型；S4、利用所述训练好的YOLOv5模型对待检测的受试者测试绕障碍跑的视频进行检测，结合受试者的测试路线，检测障碍物是否按照被受试者遮挡与未被受试者遮挡交替着在测试场地前进的；若是，则判断受试者按照规定测试绕障碍跑；若否，则判断受试者未按照规定测试绕障碍跑。从而能够提高测试效率，减少人力投入。减少人力投入。减少人力投入。


技术研发人员：郭辉 赵蒙 马亚宁 范超群 翟小宁 刘韵婷 黄甫 贾潇 孔振兴 于晶晶
受保护的技术使用者：沈阳工业大学
技术研发日：2023.05.25
技术公布日：2023/8/24