Machine Vision-Based Smart Basketball System and Hardware Implementation

Wenjun Ren

doi:10.3390/electronics15184206

2026-09-17

DOI：10.3390/electronics15184206

原文链接

原文求助

摘要

En 中文

为解决篮球投篮参数非接触式定量获取的挑战，本文提出了一种基于机器视觉的智能篮球投篮反馈原型系统。该系统构建了用于YOLOv5目标检测的篮球与篮筐检测数据集，实现了投篮场景中对篮球和篮筐目标的识别。通过集成半全局块匹配（SGBM）立体测距算法，系统获取了篮球和篮筐的三维（3D）坐标。随后，基于理想抛物运动模型开发了投篮评估与反馈模块，用于分析出手位置、出手角度和出手速度，并在理想模型下提供参考出手速度、参考力量及命中/未命中反馈。为提升便携性，整个工作流程（包括目标检测、立体测距和反馈生成）部署在NVIDIA Jetson Nano B01开发板上，并采用TensorRT进行推理加速。实验结果表明，经过数据集扩展后，训练的检测模型在测试视频中对篮球和篮筐的帧级识别率约为95%，且立体测距模块在投篮实验尺度内提供了有效的深度估计。该系统能够对典型投篮片段进行轨迹提取和出手参数估计，系统提取的速度与理想抛物运动模型计算的速度之间的平均相对差异为1.96%。在涉及多位球员、不同投篮距离和光照条件的附加实验中，系统也表现出一定的鲁棒性。Jetson Nano测试进一步显示，完整的TensorRT YOLOv5s和SGBM工作流程的平均处理速率为3.65 FPS，平均单帧延迟为261.31 ms，活动阶段板功耗为5.41 W。总体而言，所提出的原型系统能够为篮球投篮训练提供非接触式、以参考为导向的定量反馈，为机器视觉技术在篮球训练辅助中的应用提供了可行的解决方案。

Keyword:

machine vision

assisted training

YOLOv5

Semi-Global Block Matching (SGBM)

smart sports

shooting feedback

embedded deployment