2025全国大学生数学建模竞赛E题解析：基于AI的智能体测辅助系统设计与实现

1次阅读

没有评论

共计 2308 个字符，预计需要花费 6 分钟才能阅读完成。

大学生体质测试长期面临两大难题：

人工评判主观性强 ：引体向上计数、跳远距离测量等环节易受裁判视角影响
流程效率低下 ：单个学生完成全部测试平均耗时 15 分钟，千人规模高校需连续工作两周

AI 技术的引入可带来三方面提升：

通过摄像头实时捕捉动作，实现毫秒级响应
基于历史数据建立个性化成绩预测模型
自动生成可视化报告，减少教师 80% 文书工作

我们对比了两种主流方案：

框架	准确率	速度 (FPS)	模型大小	适用场景
OpenPose	92%	8	190MB	高精度科研场景
MediaPipe	88%	30	9MB	实时移动端应用

最终选择 MediaPipe 方案，因其：

内置轻量级 BlazePose 模型
支持 Android/iOS 跨平台部署
提供 Python API 方便快速验证

使用 YOLOv8nano 版本实现实时检测：

from ultralytics import YOLO

# 加载预训练模型
detector = YOLO('yolov8n.pt')

def detect_human(frame):
    results = detector(frame, classes=[0])  # 只检测 person 类
    return results[0].boxes.xyxy.cpu().numpy()  # 返回 bbox 坐标

构建 LSTM 时序评估模型：

import torch
import torch.nn as nn

class ActionEvaluator(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(
            input_size=33*3,  # MediaPipe 输出的 33 个关键点 *3D 坐标
            hidden_size=64,
            batch_first=True
        )
        self.fc = nn.Linear(64, 5)  # 输出 5 个评分维度

    def forward(self, x):
        _, (h_n, _) = self.lstm(x)
        return self.fc(h_n.squeeze(0))

采用带注意力机制的回归算法：

\hat{y} = \sum_{i=1}^T \alpha_i h_i \\
\alpha_i = \text{softmax}(W^T \tanh(Vh_i))

from threading import Thread
import cv2

class VideoStream:
    def __init__(self, src=0):
        self.stream = cv2.VideoCapture(src)
        self.grabbed, self.frame = self.stream.read()
        self.stopped = False

    def start(self):
        Thread(target=self.update, args=()).start()
        return self

    def update(self):
        while not self.stopped:
            self.grabbed, self.frame = self.stream.read()

    def read(self):
        return self.frame

import mediapipe as mp

mp_pose = mp.solutions.pose

with mp_pose.Pose(
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5
) as pose:
    try:
        results = pose.process(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
        landmarks = results.pose_landmarks.landmark
    except AttributeError:
        print("检测失败，调整摄像头位置")
        return None

模块	原始耗时	量化后	加速比
人体检测	45ms	22ms	2.04x
关键点提取	33ms	18ms	1.83x
成绩预测	28ms	15ms	1.87x

使用 Gamma 校正增强低光环境表现：

def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0 / gamma
    table = np.array([((i / 255.0) ** invGamma) * 255
        for i in np.arange(0, 256)]).astype("uint8")
    return cv2.LUT(image, table)

标注数据常见错误
左右关节标记混淆（建议使用对称校验算法）
遮挡部位强行标注（应标记为不可见状态）

模型量化技巧

# TensorRT 量化示例
from torch2trt import torch2trt

model = ActionEvaluator().eval()
data = torch.randn(1, 30, 99)  # 模拟输入
model_trt = torch2trt(model, [data])