基于深度卷積神經網絡的賽馬比賽輔助訓練平臺設計

【摘" 要】 對于現階段的輔助訓練平臺而言，其對訓練數據的分析精度較低，導致相關指標參數的誤差較大。為此，文章提出基于深度卷積神經網絡的賽馬比賽輔助訓練平臺設計研究。將INOGENI MAGNI作為賽馬比賽輔助訓練平臺的視頻采集裝置，基于 STM32MP1 處理器的新一代高性價比核心板—MYC-YA15XC-T作為處理中心。以全覆蓋為導向對視頻采集裝置進行布置后，利用深度卷積神經網絡的卷積核將采集到的數據轉化為二維離散形式，結合深度學習機制計算二維離散形式賽馬比賽訓練圖像數據的像素分布情況，實現對目標參數的提取。在測試結果中，設計平臺對于賽馬拉力的分析結果與實際值的誤差穩定在3.0 kN以內。

【關鍵詞】 深度卷積神經網絡；賽馬比賽輔助訓練；視頻采集裝置；處理中心；全覆蓋；二維離散形式；像素分布

本文提出基于深度卷積神經網絡的賽馬比賽輔助訓練平臺設計研究，并通過對比測試 的方式，分析驗證了設計平臺的實際運行效果。借助本文的設計與研究，希望能夠為實際的賽馬比賽訓練提供可靠的輔助價值。

一、硬件設計

（一）視頻采集裝置設計

為了能夠實現對賽馬比賽訓練相關數據的準確獲取，本文將INOGENI MAGNI作為賽馬比賽輔助訓練平臺的視頻采集裝置。對INOGENI MAGNI的屬性進行分析可以發現，其是一款具有帶HDMI環出功能的HDBaseT至USB 3.0 采集設備，因此，可以實現對賽馬比賽相關數據信息的精準采集。在實際應用階段，為了提高INOGENI MAGNI的可靠性，為其配置了HDBaseT to USB 3.0，通過這樣的方式使其能夠適用于不同的主板和USB 3.0芯片組硬件環境，為PC輸入提供更大便利條件。不僅如此，在采集賽馬比賽訓練相關數據時，未壓縮音頻視頻是其面臨的最大挑戰。針對此，INOGENI MAGNI將HDBaseT設備作為執行載體，提高影像采集的效果。在操作方面，INOGENI MAGNI可以與不同操作系統實現最大限度兼容，因此可以適應不同的工作環境。在此基礎上，對INOGENI MAGNI的具體參數配置情況進行統計，得到的數據結果如表1所示。

結合表1所示的參數配置，INOGENI MAGNI可以實現對賽馬比賽訓練過程中細節數據的準確獲取，結合平臺應用階段的需求，自動縮放圖像，進行幀速率轉換，通過對圖像的亮度、對比度、飽和度和色調的控制，最大限度滿足客觀要求。

（二）處理中心裝置設計

對于設計平臺的處理中心，本文將基于 STM32MP1 處理器的新一代高性價比核心板——MYC-YA15XC-T作為對應的硬件裝置。在配置方面，MYC-YA15XC-T核心板PCB尺寸大小37×39mm，搭載了基于單核或雙核Cortex-A7與Cortex-M4組成的異構架構，板載STPMIC電源芯片，DDR3，eMMC，NandFlash存儲器，使得其支持多應用和靈活應用的能力。

除此之外，MYC-YA15XC-T還提供對開源操作系統Linux的支持，并且Cortex-M4內核可以利用STM32MCU生態系統。在功能配置方面，表2為MYC-YA15XC-T的核心板資源及參數信息。

借助表2所示的資源配置情況，MYC-YA15XC-T可以實現對數據的快速分析和處理，保障設計平臺的邏輯能夠順利運行，相關功能也能夠順利運行。

二、軟件設計

（一）賽馬比賽訓練數據采集

在采集賽馬比賽訓練數據的過程中，本研究充分考慮了數據精度和完整度的重要性，因此，在以賽馬的訓練環境區間范圍，設置了全覆蓋式的數據采集方式。其中，數據采集設備INOGENI MAGNI的布置方式如圖1所示。

按照圖1所示的方式，實現對數據采集設備INOGENI MAGNI的布置。但是需要特別注意的是，為了確保數據采集結果的完整性，本文設置相鄰INOGENI MAGNI的采集區間范圍存在5%的重疊，通過這樣的方式，降低由于邊緣數據丟失導致的分析結果異常問題。其中，對于單側INOGENI MAGNI的設置數量，具體的計算方式可以表示為

其中，n表示單側INOGENI MAGNI的設置數量，l表示訓練場地的單側寬度，d表示INOGENI MAGNI的采集視角寬度，該參數主要取決于實際設置情況。

按照上述所示的方式，實現對賽馬比賽訓練數據的采集。

（二）基于深度卷積神經網絡的賽馬比賽訓練數據分析

在對采集的賽馬比賽訓練數據進行分析時，本文引入了深度卷積神經網絡。首先，利用卷積運算將采集到的賽馬比賽訓練圖像數據轉化為二維離散形式，卷積通常具有二維離散形式。具體的處理方式可以表示為

其中，P（i，j）表示二維離散形式的賽馬比賽訓練圖像數據，I表示采集到的原始賽馬比賽訓練圖像數據，K表示深度卷積神經網絡的卷積核，（i，j）表示卷積核的寬度和高度信息，（u，v）表示原始賽馬比賽訓練圖像數據的像素信息。引入深度學習機制，對二維離散形式賽馬比賽訓練圖像數據的像素分布情況進行分析，其可以表示為

其中，f表示賽馬比賽訓練圖像數據的像素分布函數，sim表示深度學習函數，X表示樣本數據集，該數據中的參數屬性涵蓋了賽馬比賽訓練圖像數據所蘊含的性能參數，包括速度、拉力等。

按照上述所示的方式，實現對賽馬比賽訓練數據的分析，根據數據分布提取需要的信息即可。

三、應用測試

（一）測試環境概況

在測試本文設計基于深度卷積神經網絡的賽馬比賽輔助訓練平臺實際應用效果的過程中，本文以某實際的賽馬訓練馬場為基礎，開展了對比測試。在測試過程中，為了能夠更加客觀地分析系統的性能，分別設置文獻［5］提出的以動作捕捉為基礎的輔助系統，以及文獻［6］提出的以OpenPose為基礎輔助系統作為測試的對照組。在此基礎上，在對賽馬訓練過程進行分析時，設置訓練內容為拉力。其中，參與測試的賽馬數量共計7匹，編號分別為YDM001，YDM002……，YDM007。在輔助訓練平臺初次應用前，對其相應的指標參數進行統計，采用三個系統對訓練結果賽馬的狀態進行分析，分別統計不同系統的測試結果與實際情況之間的差異。

（二）測試結果與分析

結合上述情況，統計不同系統的測試結果，得到的拉力訓練強度具體數據信息如表3所示。

結合表3對三個輔助訓練系統的測試結果進行分析可以發現，動作捕捉輔助系統對于賽馬拉力的分析結果與實際值的差異表現出較為明顯的波動性，其中，最小誤差僅為1.0kN，最大誤差得到了22.0 kN；在OpenPose輔助系統的測試結果中，對于賽馬拉力的分析結果與實際值的差異相對穩定，但是誤差水平偏高，基本處于8.0kN—15.0kN區間范圍內。相比之下，在本研究設計的輔助平臺中，對于賽馬拉力的分析結果與實際值表現出了較高的穩定性，對應的誤差穩定在3.0kN以內。由此可以得出結論，本研究設計的基于深度卷積神經網絡的賽馬比賽輔助訓練平臺可以實現對賽馬狀態參數的準確分析，對于實際的訓練而言，具有良好的指導價值。

四、結束語

本研究提出基于深度卷積神經網絡的賽馬比賽輔助訓練平臺設計研究，充分考慮了影響賽馬比賽輔助訓練平臺性能的因素，分別從硬件角度和軟件角度展開了針對性設計。其中，在硬件方面強化了基礎數據的采集效果以及對于采集數據的處理性能；在軟件方面，借助深度卷積神經網絡強化了對采集數據的計算分析能力。在上述設計的基礎上，基于深度卷積神經網絡的賽馬比賽輔助訓練平臺切實實現了對賽馬比賽訓練階段相關數據的精準分析，具有良好的輔助作用。借助本文的設計與研究，希望能夠為相關訓練工作的開展提供有價值的幫助。

參考文獻：

［1］ 張瑞英. 基于深度學習卷積神經網絡的桑果成熟度檢測研究［J］. 農機化研究，2023，7（10）：1-5.

［2］ 韓豫，張萌，李宇宏，等. 基于深度學習和ArcMap的路面病害智能綜合檢測方法［J］. 江蘇大學學報（自然科學版），2023，44（04）：490-496.

［3］ 江魁，余志航，陳小雷，等. 基于BERT-CNN的Webshell流量檢測系統設計與實現［J］. 計算機應用，2023，43（S1）：126-132.

［4］ 廖勇軍. 基于人工智能技術的檔案整理及數據驗收輔助系統的運用研究［J］. 四川檔案，2023（03）：39-42.

［5］ 閆彥峰. 基于動作捕捉的體育教學訓練輔助系統設計［J］. 信息與電腦（理論版），2022，34（18）：26-28.

［6］ 李琳，李大琳，林灝泓. 基于OpenPose的舞獅訓練輔助系統研究［J］. 電視技術，2022，46（09）：37-41.

［7］ 鄭永權，張飛云，周帥. 基于體感識別技術的運動訓練輔助系統設計［J］. 電子設計工程，2021，29（24）：93-97.

［8］ 嚴志. 知識建模和輔助訓練系統下的多維柔性教學過程研究［J］. 計算機教育，2021（08）：189-193.

［9］ 李里. 利用“線上與線下”交互平臺進行芭蕾基訓課舞蹈輔助訓練的實踐研究［J］. 中國民族博覽， 2021（10）：160-162.

基金項目：湖北省教育廳科學技術研究計劃指導性項目“無接觸式‘智慧+速度賽馬’運動平臺的設計與實現”（項目編號：B2022296）；湖北省教育廳哲學社會科學研究項目“‘雙力+雙范+雙制’協同構建湖北省商業賽馬運行機制”（項目編號：22G088）。