Details

Основная цель исследования заключалась в создании программно-аппаратного комплекса, способного анализировать выступления фигуристов, точно идентифицировать элементы, оценивать их технические характеристики и формировать объективные судейские оценки. Разработанная система предназначена для дополнения традиционных методов судейства с целью повышения точности и воспроизводимости результатов. В процессе исследования использовались различные источники: видеоматериалы соревнований Международного союза конькобежцев (ISU), научные публикации по компьютерному зрению и машинному обучению, методические материалы Федерации фигурного катания России, а также собственные наработки автора в области анализа спортивных движений. Предмет ВКР: методы и алгоритмы автоматического распознавания элементов фигурного катания по видеоданным. Методы исследования: методы компьютерного зрения для трекинга движений, технологии глубокого обучения для классификации элементов, архитектурное моделирование гибридных нейросетей, методы временного анализа последовательностей, методики оценки технических параметров элементов, а также сравнительный анализ с существующими системами. Основные результаты исследования: был выполнен аналитический обзор современных систем судейства в фигурном катании, разработана уникальная гибридная архитектура нейронной сети (EfficientNet-BiLSTM) для анализа элементов, создан специализированный датасет видеозаписей элементов фигурного катания. Реализован комплексный конвейер предобработки видеоданных, достигнута высокая точность распознавания элементов на уровне 86,9%. Разработан механизм оценки технических параметров выполнения элементов, создан рабочий прототип системы с функцией генерации отчетов, проведена всесторонняя оценка производительности системы в режиме реального времени. Область применения результатов ВКР – системы судейства и тренировочного процесса в фигурном катании, телевизионные трансляции соревнований, образовательные программы для судей и тренеров. Научная новизна работы проявляется в нескольких аспектах: разработке оригинальной гибридной архитектуры для анализа элементов, создании механизма динамической калибровки под условия съемки, внедрении методов мультимодального анализа техники исполнения, а также в формализации критериев оценки технических элементов. Выводы. Задачи ВКР решены, цель достигнута, определена область применения результатов.

The main goal of the research was to create a hardware-software complex capable of analyzing figure skaters performances, accurately identify elements, evaluate their technical characteristics and form objective judging evaluations. The developed system is intended to supplement traditional methods of judging in order to improve the accuracy and reproducibility of results. Various sources were used in the research process: video materials of the International Skating Union (ISU) competitions, scientific publications on computer vision and machine learning, methodological materials of the Russian Figure Skating Federation, as well as the authors own developments in the field of analyzing sports movements. Subject of the research: methods and algorithms of automatic recognition of figure skating elements from video data. Research methods: computer vision methods for motion tracking, deep learning technologies for element classification, architectural modeling of hybrid neural networks, methods of temporal analysis of sequences, methods for estimating technical parameters of elements, as well as comparative analysis with existing systems. The main results of the research: an analytical review of modern figure skating judging systems was performed, a unique hybrid neural network architecture (EfficientNet-BiLSTM) for element analysis was developed, a specialized dataset of figure skating element videos was created. A complex pipeline of video data preprocessing was implemented, high accuracy of element recognition at the level of 86.9% was achieved. A mechanism for evaluating the technical parameters of element execution was developed, a working prototype of the system with the function of generating reports was created, a comprehensive evaluation of the system performance in real time was carried out. The field of application of the results of the research is the systems of judging and training process in figure skating, television broadcasts of competitions, educational programs for judges and coaches. The scientific novelty of the work is manifested in several aspects: the development of an original hybrid architecture for the analysis of elements, the creation of a mechanism of dynamic calibration for shooting conditions, the introduction of methods of multimodal analysis of performance technique, as well as in the formalization of criteria for the evaluation of technical elements. Conclusions. The tasks of the VKR are solved, the goal is achieved, the field of application of the results is defined.

• ЗАДАНИЕ
• ВВЕДЕНИЕ
• ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ
• 1.1. Особенности и требования к судейской оценке в фигурном катании
• 1.1.1. Существующие подходы к оценке элементов фигурного катания
• 1.1.2. Возможности автоматизации процессов судейской оценки
• 1.2. Методы и алгоритмы машинного обучения для распознавания элементов фигурного катания
• 1.2.1. Анализ систем автоматического распознавания движений в спорте
• 1.2.2. Методы компьютерного зрения для анализа видео
• 1.2.3. Нейронные сети для распознавания движений
• 1.2.4. Проблемы и ограничения существующих подходов
• ГЛАВА 2. РАЗРАБОТКА СИСТЕМЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЭЛЕМЕНТОВ ФИГУРНОГО КАТАНИЯ
• 2.1. Постановка задачи разработки системы
• 2.1.1. Формализация задачи
• 2.1.2. Требования к системе
• 2.1.3. Анализ входных данных
• 2.1.4. Ожидаемые результаты
• 2.2. Сбор и подготовка данных
• 2.2.1. Процесс сбора данных
• 2.2.2. Разметка данных
• 2.3. Разработка модели
• 2.3.1. Выбор архитектуры нейронной сети
• 2.3.2. Описание модели
• 2.3.3. Обучение модели
• ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ СИСТЕМЫ
• 3.1. Метрики оценки
• 3.2. Тестовые данные и кросс-валидация
• 3.3. Результаты и анализ ошибок
• 3.4. Сравнение с существующими методами
• ГЛАВА 4. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
• 4.1. Описание демонстрационного примера
• 4.2. Ограничения текущей реализации
• 4.3. Возможности улучшения и перспективы развития
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• СВЕДЕНИЯ ОБ УЧАСТИИ АВТОРА В НАУЧНОЙ РАБОТЕ