家校小程式 AI 體測方案：體育作業自動批改與體測計數

引言：家长拍、系统判、老师看——把体测从“操场上的半天”，变成每天都能发生的几分钟。

一、引言：家校小程序，缺的正是"能判对错"的那只眼睛

家校互动小程序这几年已经成为中小学校的标配：通知公告、作业布置、打卡签到、班级圈、成长档案、请假报备，家长和老师每天都在用。它最大的价值，是把"学校—老师—家长—学生"这条关系链搬到了线上，让信息传递从微信群里的刷屏，变成了有结构、可追溯的业务流。

但这条链路上，一直缺一块内容：体育，而体育这一块又在义务教育阶段中越来越重视，比重逐年上调。

体育作业的处境更尴尬。老师布置"每天跳绳 300 个""睡前仰卧起坐 3 组"，家长只能盯着孩子"做没做"，看不出"做得对不对"；拍段视频发群里，几十个孩子的视频老师根本看不过来；至于"每天校内外各一小时体育活动"这样的要求，学校很难拿出过程性证据。

好消息是，补齐这块能力不需要新硬件。移动端人体姿态识别已经成熟到可以在普通手机的小程序里本地运行：摄像头抽帧、人体 17 个关键点识别、动作计数与姿态判定，全链路在端侧几百毫秒内完成，不上传视频、不依赖 GPU 服务器。家校小程序本身已经握有家长授权、学生身份、班级关系，只要加一个 AI 体测模块，就能把"发通知、收作业"升级为"看得见动作、判得出对错、留得下数据"。

这就是本文要讲的方案：在家校小程序里，用一套插件，快速长出 AI 体测能力。

帮我缩上面的文字，移除政策相关的叙述，仅一句带过即可。

二、方案实现思路：视频捕捉、动作检测、运动分析

方案的核心是一条三步链路：

视频捕捉（camera 抽帧） → 动作检测（人体 17 关键点） → 运动分析（计数 / 判姿 / 评分 / 纠错）

1. 视频捕捉：把摄像头变成"体测传感器"

小程序通过 camera 组件预览画面，用 wx.createCameraContext().onCameraFrame 持续抽帧，拿到每一帧的 width、height 和 rawData。这一步看似简单，实际决定了后面所有分析的成败：

站位预检：开始前先判断人体是否完整入镜。建议人体占画面高度的 55%~85%，太近提示后退、太远提示靠近，避免"只拍到半个身子"导致关键点缺失；
视角检查：跳绳、开合跳适合正面，仰卧起坐、坐位体前屈适合侧面，视角不对直接提示调整；
光线与遮挡提示：逆光、背光、多人入镜都会显著拉低识别质量，提前提示比事后报错体验好得多；
全屏适配：小屏手机上，全屏预览能显著提升可用性，插件已针对相机预览与抽帧图像不一致的问题做了适配。

这些"拍摄前的 10 秒钟"，能把后续识别的有效率提升一大截。

2. 动作检测：17 个关键点，撑起所有判断

抽到的帧交给插件的 humanDetection.detectionAsync(image)，返回人体的 17 个关键点：鼻、双眼、双耳、双肩、双肘、双腕、双髋、双膝、双踝，每个点包含 x / y 坐标和置信度 score。

有了关键点，就可以做三件事：

骨骼图叠加：把关键点连成骨架画在预览画面上，学生能直观看到"自己的动作长什么样"，这是体验感最强的一环；
置信度过滤：置信度过低的点不参与计算，避免遮挡、模糊造成的误判；
多人处理：画面中出现多人时，取画面中心、面积最大的主体，或直接提示"画面中只能有一个人"。

3. 运动分析：计数、判姿、评分、纠错

这是插件真正的价值所在，它把"运动分析"拆成了四层可组合的能力：

（1）计时计数。 内置十余种常见运动，通过关键点状态机判断动作周期，输出次数、时长。跳绳看手腕过顶与脚下落、仰卧起坐看肩背离地与回落、引体向上看下颌过杠、深蹲看髋膝角度变化，都是成熟逻辑，开箱即用。

（2）姿态规则判定。 pose-calc 把"动作标不标准"写成 JSON 规则，内置肢体角度匹配、水平/垂直检测、视角检查、站立/卧躺检查、人体范围检查、点位碰撞等原子规则，并支持 $and / $or 逻辑组合：

// 仰卧起坐：起身时躯干抬起到位（髋-肩-膝夹角约 90°）
const rule = {
   
  name: '仰卧起坐起身判定',
  calc: '$and',
  rules: [
    {
    name: '全身入镜', calc: 'whole' },
    {
    name: '躯干抬起', calc: 'match-angle', angleKey: 'left_hip',
      secondKey: 'left_shoulder', thirdKey: 'left_knee', angle: 90, offset: 30 }
  ]
};

规则是纯 JSON，可以存到后端按年级、按项目下发，改判定标准不需要重新发版。

（3）相似度与评测。 calc.PoseComparer 可以把学生动作与标准动作样本比对，输出头部、躯干、左右手、左右脚六个维度的相似度和总分；v1.7.0 新增的评测模式 evaluating 还会返回每一条规则的执行明细和可读提示，例如"肩背未完全离地""手臂未伸直"。这些文案可以直接变成语音或字幕，做成"哪里不对、怎么改"的即时指导。

（4）图片与视频识别。 除了实时摄像头，插件也支持对上传的图片、视频做离线分析。这一点对家校场景尤其关键：家长没空陪着实时练，可以拍一段视频提交，系统在后台逐帧分析、给出成绩和报告，既保留了"过程证据"，又不占用家长的整块时间。需要留痕的体测视频，还可以把抽帧的 RGBA 图像转成 JPG 存档，用于复核与申诉。

4. 基于插件开发，而不是从零造轮子

如果自研这套能力，团队要面对的是模型选型、端侧推理加速、机型兼容、关键点抖动、动作状态机、规则引擎、调试工具等一长串问题，周期以月计。用现成插件的差别在于：

不用算法团队：人体检测、姿态计算、相似度比对、评测反馈都是现成 API；
端侧运行：不上传视频流，不需要 GPU 服务器，弱网、断网都能用；
配置化：运动项目、判定规则、达标阈值、纠错文案都在后台配置；
工程细节已踩平：分包发布（不占主包 2M）、鸿蒙适配、增强模式自动初始化、老机型兼容；
可持续迭代：插件按版本持续更新，学校新增项目不用改代码。

三、可实现的应用场景

3.1 自主体测锻炼记录：把"每天练"变成可积累的数据

学生打开小程序，选择项目（跳绳、仰卧起坐、开合跳、深蹲、高抬腿、平板支撑等），把手机往桌上一立，跟着提示开始，系统自动计数、自动计时、自动判定动作是否规范。

日常打卡：每天 5~10 分钟，完成即记录，形成连续打卡；
成长曲线：按周、按月看次数、时长、达标率的变化，而不是只有一个期末数字；
班级/年级榜单：按人均次数、达标率排名，激发班级荣誉感；
家庭挑战：家长和孩子同项目 PK，把"督促"变成"一起练"；
成长档案：数据自动进入学生成长档案，体育老师、班主任、家长各看各的视图。

这一层的意义在于：体测不再是一年一次的"考试"，而是每天都在发生的"记录"。

3.2 体测作业：老师布置得下去，学生交得上来，系统判得出来

这是家校小程序最刚需的场景，也是 AI 体测最容易体现价值的地方。

教师端：选择项目、设定目标（如"1 分钟跳绳 120 个""仰卧起坐 30 个/组 × 3 组"）、设置截止时间，一键布置到班级；可以按班级、按学生分层布置，给体质较弱的学生降低目标。

学生端：收到作业提醒，点开即练，摄像头自动计数，完成后提交；没做完可以重测，取最好成绩；网络不好时可以本地完成、联网后补传。

系统侧：自动判定成绩是否达标、动作是否规范，生成个人报告；对异常数据（次数突增、动作明显不达标、画面中无人）自动标记，提示复核。

教师端汇总：班级完成率、达标率、平均成绩、未交名单一屏可见；成绩一键导出，直接用于体质健康测试数据汇总与上报，省掉最耗时的人工录入环节。

对于"家长拍视频提交"的场景，系统支持上传视频离线分析：家长录一段 1 分钟跳绳视频，系统逐帧识别、自动计数，老师看到的不是一个"自报数字"，而是带关键点轨迹和计数的分析结果。

3.3 动作指导：从"做够数量"到"做对动作"

体测成绩上不去，很多时候不是练得少，而是动作错了：仰卧起坐双手抱头猛拉颈椎、深蹲膝盖内扣、跳绳全脚掌砸地、引体向上靠摆动借力。这些错误动作，轻则影响成绩，重则造成损伤。

AI 体测模块可以这样用：

标准动作示范：教学视频 + 骨骼图叠加，先讲清"标准长什么样"；
实时比对纠错：练习过程中，系统按帧比对关键点，提示"手臂再伸直一点""下蹲再深一点""身体不要左右晃"；
分部位反馈：评测模式会指出是左手、右腿还是躯干没到位，比一句"动作不标准"有用得多；
错误动作库：把常见错误（抱头、膝内扣、塌腰、耸肩）做成规则，命中即提示，形成"错误—纠正—再练"的闭环；
教师讲评素材：系统留存的关键帧和评分，可以直接作为体育课讲评的素材，也可以发给家长，让家庭辅导有依据。

对体育老师来说，这相当于给每个学生配了一个"不会累的助教"；对家长来说，终于知道"该怎么提醒孩子"。

四、方案优势：成熟方案直接集成，无需开发

1. 开箱即用，不是半成品。
方案提供的不是一段算法 demo，而是完整的"AI 体测"解决方案：小程序插件、体测页面模板、成绩与报告接口、教师端数据看板，都已经封装好。学校或集成商只需要替换项目配置、接上自己的账号体系，最快一到三天即可完成联调上线。

2. 不改主体，风险可控。
标准小程序插件形态，在 app.json 声明、加一个页面即可，原有家校小程序的架构、UI、会员体系都不用动；出问题可以随时下线该页面，不影响通知、作业等主业务。

3. 成本低，长期账更划算。
识别在手机端完成，不需要 GPU 服务器、不需要专用体测设备、不需要视频转码集群；一套配置可以复用到多个年级、多个校区、多个学年。

4. 合规友好，适合校园场景。
未成年人信息保护是校园信息化的红线。本方案原始视频不出设备，后台上报的是结构化成绩数据；采集前由家长授权，数据最小必要，学生可查询、可删除。

5. 可扩展，跟着政策走。
新增项目只需配置规则与样本帧；从小学到大学，从跳绳到引体向上，从体测到日常锻炼，用的都是同一套引擎。

五、方案前景及收益

1. 政策确定性带来长期需求

学生体质健康监测已经常态化：每年测试、数据上报、抽查复核，加上中考体育分值提升、过程性评价落地、近视与肥胖防控考核，学校对"可验证、可汇总、可追溯"的体测工具需求只会增加，不会减少。AI 体测不是一次性项目，而是每年都要用的基础设施。

2. 三方都能感知到价值

体育老师：从"掐表计数录入"中解放出来，把时间用在教学和个别指导上；
家长：知道孩子练得对不对，辅导有抓手，体育作业不再靠"拍视频发群里"；
学生：即时反馈、游戏化激励，运动不再是枯燥的重复。

3. 商业化路径清晰

面向学校、教育局的 SaaS 订阅（按校、按区、按年）；
与教育信息化厂商、体测设备厂商、校园智慧体育平台合作，作为能力模块输出；
增值服务：体质报告、个性化训练计划、寒暑假体育作业包、校际赛事；
与"双减"后的课后服务、社团课程结合，形成"课程—练习—测评—报告"的完整产品。

4. 数据资产与生态延展

长期积累的体测与锻炼数据，可以支撑区域学生体质健康分析、教学研究、政策评估；同一套能力还可以延展到幼儿园体适能、特教学校康复训练、社区青少年体育、体育培训机构，以及 AR 体感游戏等更有趣的形态——底座是同一套，场景可以不断长出来。

结语

家校小程序解决了"信息通不通"的问题，AI 体测解决的是"运动对不对、数据真不真"的问题。前者是连接，后者是价值。

成熟方案，可以让这套能力在一到三天内长到你的小程序里：不用组建 AI 团队，不用买专用设备，不用改主体架构。家长拍、系统判、老师看，体测从此有过程、有反馈、有数据。