【Modelground】个人AI产品MVP迭代平台（5）——神投手（实时投篮检测游戏）

本文主要是介绍【Modelground】个人AI产品MVP迭代平台（5）——神投手（实时投篮检测游戏），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

介绍

神投手是我开发的一款移动端web实时投篮检测游戏，基于Mediapipe对象检测模型，提供数据集，训练出可识别篮框的模型。利用图像处理算法，检测篮球进框的场景。提供了两种模式：计数模式和计时模式，界面如下：

点击开始按钮，进入游戏界面，对准篮框，手机保持静止后，点击录制，游戏开始。

左上角显示进球数，右侧可以退出和标定篮框。

篮框识别

篮框识别基于mediapipe的objectDetection模型，再训练。通过colab上的云服务器，在线训练，仅需要提供篮框的训练集即可。colab链接见：https://colab.research.google.com/github/googlesamples/mediapipe/blob/main/examples/customization/object_detector.ipynb#scrollTo=Mz3-eHe07FEX

篮框的识别不会稳定在真实篮框处，有时也会标错到其余的物体上，因此需要通过一个淘汰机制，来维持识别次数最多的矩形为篮框。不同的识别框也会根据覆盖度，确定新的篮框范围。

进球算法

进球算法使用图像处理，参考这篇论文Camera-based Basketball Scoring Detection Using Convolutional Neural Network。原理见下图：

简单讲就是每一张图片都和基准图片的灰度图做diff，得到的就是移动的物体，通过篮框周边范围的移动物体就是篮球，利用连通域算法，得到篮球的连通板块，再制定一些进球规则：

1. 板块的bbox宽度比篮框宽度小
2. 先经过篮框上边沿
3. 后经过篮框下边沿

符合以上规则，计一次进球，清空缓存，重新计算。

离屏渲染

由于模型计算量较大，如果通过通过渲染，会有明显卡顿，帧率较低。因此采用offscreenCanvas（离屏canvas）技术，这样可以大大提升运算的性能。

总结

这种算法的缺点是，手机不能移动，强依赖于图片的diff，另外，篮框的识别的准度和精度都有待提升（训练集是700+图片，似乎不够）。

实际使用场景较弱，很少有人带手机支架去球场打球，只能依赖篮球场边可以竖放手机的支撑物。横屏时前置摄像头靠近地面，拍摄的范围很狭窄，如果后置摄像头，又无法看到实际的篮框识别结果，无法手动标定篮框。

总体而言，是一次教难的尝试，但是过程中学到了蛮多东西，特别是死磕算法确实很难。

如果你有好的建议，请及时反馈我！如果你是篮球爱好者，欢迎试用神投手游戏！

这篇关于【Modelground】个人AI产品MVP迭代平台（5）——神投手（实时投篮检测游戏）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---