【摘" 要】 對于現(xiàn)階段的輔助訓練平臺而言，其對訓練數(shù)據(jù)的分析精度較低，導致相關(guān)指標參數(shù)的誤差較大。為此，文章提出基于深度卷積神經(jīng)網(wǎng)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?qū)σ曨l采集裝置進行布置后，利用深度卷積神經(jīng)網(wǎng)絡的卷積核將采集到的數(shù)據(jù)轉(zhuǎn)化為二維離散形式，結(jié)合深度學習機制計算二維離散形式賽馬比賽訓練圖像數(shù)據(jù)的像素分布情況，實現(xiàn)對目標參數(shù)的提取。在測試結(jié)果中，設計平臺對于賽馬拉力的分析結(jié)果與實際值的誤差穩(wěn)定在3.0 kN以內(nèi)。

【關(guān)鍵詞】 深度卷積神經(jīng)網(wǎng)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(jīng)網(wǎng)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?qū)崿F(xiàn)對賽馬比賽訓練相關(guān)數(shù)據(jù)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(fā)現(xiàn)，其是一款具有帶HDMI環(huán)出功能的HDBaseT至USB 3.0 采集設備，因此，可以實現(xiàn)對賽馬比賽相關(guān)數(shù)據(jù)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(huán)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(guān)數(shù)據(jù)時，未壓縮音頻視頻是其面臨的最大挑戰(zhàn)。針對此，INOGENI MAGNI將HDBaseT設備作為執(zhí)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(tǒng)實現(xiàn)最大限度兼容，因此可以適應不同的工作環(huán)境。在此基礎上，對INOGENI MAGNI的具體參數(shù)配置情況進行統(tǒng)計，得到的數(shù)據(jù)結(jié)果如表1所示。

結(jié)合表1所示的參數(shù)配置，INOGENI MAGNI可以實現(xiàn)對賽馬比賽訓練過程中細節(jié)數(shù)據(jù)的準確獲取，結(jié)合平臺應用階段的需求，自動縮放圖像，進行幀速率轉(zhuǎn)換，通過對圖像的亮度、對比度、飽和度和色調(diào)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(gòu)架構(gòu)，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(tǒng)Linux的支持，并且Cortex-M4內(nèi)核可以利用STM32MCU生態(tài)系統(tǒng)。在功能配置方面，表2為MYC-YA15XC-T的核心板資源及參數(shù)信息。

借助表2所示的資源配置情況，MYC-YA15XC-T可以實現(xiàn)對數(shù)據(jù)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(guān)功能也能夠順利運行。

二、軟件設計

（一）賽馬比賽訓練數(shù)據(jù)采集

在采集賽馬比賽訓練數(shù)據(jù)的過程中，本研究充分考慮了數(shù)據(jù)精度和完整度的重要性，因此，在以賽馬的訓練環(huán)境區(qū)間范圍，設置了全覆蓋式的數(shù)據(jù)采集方式。其中，數(shù)據(jù)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(xiàn)對數(shù)據(jù)采集設備INOGENI MAGNI的布置。但是需要特別注意的是，為了確保數(shù)據(jù)采集結(jié)果的完整性，本文設置相鄰INOGENI MAGNI的采集區(qū)間范圍存在5%的重疊，通過這樣的方式，降低由于邊緣數(shù)據(jù)丟失導致的分析結(jié)果異常問題。其中，對于單側(cè)INOGENI MAGNI的設置數(shù)量，具體的計算方式可以表示為

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

按照上述所示的方式，實現(xiàn)對賽馬比賽訓練數(shù)據(jù)的采集。

（二）基于深度卷積神經(jīng)網(wǎng)絡的賽馬比賽訓練數(shù)據(jù)分析

在對采集的賽馬比賽訓練數(shù)據(jù)進行分析時，本文引入了深度卷積神經(jīng)網(wǎng)絡。首先，利用卷積運算將采集到的賽馬比賽訓練圖像數(shù)據(jù)轉(zhuǎn)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(shù)據(jù)，I表示采集到的原始賽馬比賽訓練圖像數(shù)據(jù)，K表示深度卷積神經(jīng)網(wǎng)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)的像素分布函數(shù)，sim表示深度學習函數(shù)，X表示樣本數(shù)據(jù)集，該數(shù)據(jù)中的參數(shù)屬性涵蓋了賽馬比賽訓練圖像數(shù)據(jù)所蘊含的性能參數(shù)，包括速度、拉力等。

按照上述所示的方式，實現(xiàn)對賽馬比賽訓練數(shù)據(jù)的分析，根據(jù)數(shù)據(jù)分布提取需要的信息即可。

三、應用測試

（一）測試環(huán)境概況

在測試本文設計基于深度卷積神經(jīng)網(wǎng)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(tǒng)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(tǒng)，以及文獻［6］提出的以OpenPose為基礎輔助系統(tǒng)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(nèi)容為拉力。其中，參與測試的賽馬數(shù)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(shù)進行統(tǒng)計，采用三個系統(tǒng)對訓練結(jié)果賽馬的狀態(tài)進行分析，分別統(tǒng)計不同系統(tǒng)的測試結(jié)果與實際情況之間的差異。

（二）測試結(jié)果與分析

結(jié)合上述情況，統(tǒng)計不同系統(tǒng)的測試結(jié)果，得到的拉力訓練強度具體數(shù)據(jù)信息如表3所示。

結(jié)合表3對三個輔助訓練系統(tǒng)的測試結(jié)果進行分析可以發(fā)現(xiàn)，動作捕捉輔助系統(tǒng)對于賽馬拉力的分析結(jié)果與實際值的差異表現(xiàn)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(tǒng)的測試結(jié)果中，對于賽馬拉力的分析結(jié)果與實際值的差異相對穩(wěn)定，但是誤差水平偏高，基本處于8.0kN—15.0kN區(qū)間范圍內(nèi)。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(jié)果與實際值表現(xiàn)出了較高的穩(wěn)定性，對應的誤差穩(wěn)定在3.0kN以內(nèi)。由此可以得出結(jié)論，本研究設計的基于深度卷積神經(jīng)網(wǎng)絡的賽馬比賽輔助訓練平臺可以實現(xiàn)對賽馬狀態(tài)參數(shù)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(jié)束語

本研究提出基于深度卷積神經(jīng)網(wǎng)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(shù)據(jù)的采集效果以及對于采集數(shù)據(jù)的處理性能；在軟件方面，借助深度卷積神經(jīng)網(wǎng)絡強化了對采集數(shù)據(jù)的計算分析能力。在上述設計的基礎上，基于深度卷積神經(jīng)網(wǎng)絡的賽馬比賽輔助訓練平臺切實實現(xiàn)了對賽馬比賽訓練階段相關(guān)數(shù)據(jù)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(guān)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(jīng)網(wǎng)絡的桑果成熟度檢測研究［J］. 農(nóng)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(tǒng)設計與實現(xiàn)［J］. 計算機應用，2023，43（S1）：126-132.

［4］ 廖勇軍. 基于人工智能技術(shù)的檔案整理及數(shù)據(jù)驗收輔助系統(tǒng)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(tǒng)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(tǒng)研究［J］. 電視技術(shù)，2022，46（09）：37-41.

［7］ 鄭永權(quán)，張飛云，周帥. 基于體感識別技術(shù)的運動訓練輔助系統(tǒng)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(tǒng)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(shù)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(xiàn)”（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(xié)同構(gòu)建湖北省商業(yè)賽馬運行機制”（項目編號：22G088）。