Details

Данная работа посвящена разработке программного модуля для автоматической оценки правильности выполнения удара ногой по доске в тхэквондо. Задачи, которые решались в ходе исследования: 1. Анализ существующих подходов и аналогов в области распознавания спортивных действий. 2. Формирование собственного датасета видеозаписей ударов. 3. Разработка алгоритмов извлечения позы и обнаружения доски. 4. Выбор и реализация архитектуры нейросетевой модели. 5. Обучение, тестирование и оценка качества работы разработанного модуля.  Разработка велась в PyCharm на языке Python, с использованием библиотек компьютерного зрения OpenCV и MediaPipe для извлечения позы. Для построения нейросетевой модели использовались TensorFlow и Keras. Обработка видеоданных и аугментация выполнялись с применением FFmpeg, auto-editor и встроенных средств Python. Обучение классификатора проводилось на временных последовательностях координат ключевых точек. В результате был разработан программный модуль, который на основе видеозаписи автоматически определяет момент удара, извлекает скелетную модель движения и классифицирует качество выполнения элемента, снижая субъективность судейства и обеспечивая единообразие принятия решений. Проведённые эксперименты подтверждают работоспособность предложенного подхода и его применимость в задачах автоматизации спортивного судейства.

This work is devoted to the development of a software module for automatically assessing the correctness of performing a board-breaking kick in Taekwondo. The tasks solved during the research are as follows: 1. Analysis of existing approaches and analogs in the field of sports action recognition. 2. Formation of a custom dataset of kick video recordings. 3. Development of algorithms for pose detection and board detection. 4. Selection and implementation of a neural network model architecture. 5. Training, testing, and evaluation of the developed module’s performance quality. The development was carried out in PyCharm using the Python language, employing the OpenCV and MediaPipe computer vision libraries for pose extraction. TensorFlow and Keras were used to build the neural network model. Video data processing and augmentation were performed using FFmpeg, auto-editor, and built-in Python tools. The classifier was trained on temporal sequences of key point coordinates. As a result, a software module was developed that, based on a video recording, automatically detects the moment of impact, extracts a skeletal model of the movement, and classifies the quality of execution, reducing the subjectivity of judging and ensuring uniformity of decision-making. The conducted experiments confirm the operability of the proposed approach and its applicability in the tasks of automating sports judging.