Indholdsfortegnelse[Skjule][At vise]
Træner du for at holde dig i form, eller er du måske en elsker af cricket eller fodbold? Andre elsker at se spil med venner.
Nogle mennesker deltager i sport for at være sunde og opmærksomme. Sport er uden tvivl et væsentligt aspekt af vores liv, uanset vores interesser eller måde at leve på.
Sport er, ligesom alle andre vigtige aspekter af vores daglige liv og den globale økonomi, uundgåeligt påvirket af teknologiske forbedringer.
I dag, i 2022, er sensorudstyrede F1-køretøjer og fodboldanalyse i realtid ikke futuristiske teknologiske fancy.
I virkeligheden går fremskridtene meget længere: de mest avancerede virksomheder har allerede brugt computervision og kunstig intelligens i sport for at imødekomme en række forskellige problemer.
Der er ingen tvivl om, at kunstig intelligens og maskinlæring vil fortsætte med at fremme denne disciplin i betragtning af den betydelige indflydelse, som teknologien har haft på sport.
Denne artikel vil koncentrere sig om brugen af computersyn i sport, herunder praktiske anvendelser, fordele og meget mere.
Vi starter med introduktionen af computersyn.
Så hvad er computersyn?
Området for kunstig intelligens og maskinlæring kendt som "computersyn" (CV) har til formål at udvikle teknikker til at lære computere at forstå og forstå indholdet af billeder.
For at genkende og klassificere objekter i et dynamisk og skiftende fysisk miljø, bruger computersyn dyb læring modeller til at simulere noget af kompleksiteten af menneskelige synssystemer og visuel perception.
Computeren gør en indsats for at efterligne, hvordan en person ser det visuelle miljø.
Men i modsætning til mennesker har computere kapacitet til at lagre enorme mængder data og behandle dem hurtigt, hvilket giver os fleksibiliteten til at delegere mange opgaver til de mest avancerede teknologier.
I dag er fremskridt inden for smartphoneteknologi, sociale medier, og deres udbredte brug af milliarder af mennesker – mere end 3 milliarder fotografier bliver lagt online hver dag – skaber endnu flere visuelle data end nogensinde før.
Sammen med øget adgang til stor computerkraft og fremskridt inden for deep learning og neurale netværksalgoritmer (f.eks. opfindelsen af foldede neurale netværk) har tilgængeligheden af sådanne enorme mængder billeder givet computere uvurderlige muligheder for at lære mønstrene og egenskaberne ved disse billeder og forbedre nøjagtighedsraterne for objektdetektion og klassifikation.
Som et resultat heraf har computervisionssystemer opnået nøjagtighedsgrader på 99 % i en række af deres applikationer, hvilket overgår nøjagtigheden af menneskeligt syn i specifikke detektions-, kategoriserings- og responsopgaver.
Computervision i sport: Eksempler fra den virkelige verden
1. Spillersporing
Spillersporing er et af hovedmålene, når man bruger computersyn i sport. For at gøre dette er det nødvendigt at identificere hver spillers placering på et givet tidspunkt.
Trænere kan hurtigt analysere, hvordan hver spiller bevæger sig på banen og strukturen af deres hold takket være spillersporing, som er en afgørende komponent i at hjælpe hold med at præstere bedre.
Tde mest banebrydende computervisionsapplikationer i sport anvender i dag automatiske segmenteringsalgoritmer til at udpege områder, der sandsynligvis tilhører atleter.
Ved at bruge machine learning og data mining-metoder på de ubehandlede spillersporingsdata, kan outputtet af et computervisionssystem forbedres.
Semantisk information kan oprettes, når vigtige komponenter i en billed- eller videoramme er blevet identificeret for at sætte de aktiviteter, deltagerne tager i perspektiv (f.eks. boldbesiddelse, aflevering, løb, forsvar og så videre).
Disse metoder kan bruges til at klassificere semantiske hændelser, såsom et "en-to-pas" i fodbold, og til at lave omfattende statistisk analyse af individuelle spilleres og holds præstationer.
For at give trænere mulighed for at sammenligne den ideelle spillerplacering med den faktiske spillerpositionering under et specifikt spil, kan der også komme forslag til de bedste pladser for spillere på banen.
De mange muligheder, som denne spillersporingsteknologi frembringer, har evnen til fuldstændig at ændre, hvordan atleter forbereder sig og bliver scoutet.
2. Forebyggelse af skader
For at imødekomme det øgede behov for mental omledning og velvære i lyset af social afstand, tyer mange mennesker til onlinekurser.
For at lære at træne sikkert og forebygge skader, er det vigtigt at prøve nogle få timer undervist af en erfaren instruktør, uanset om det er privat eller i gruppe.
For eksempel er både pilates og yoga enkle nok at lave derhjemme. Men især for en nybegynder er det vigtigt at prøve et par klasser. Computersyn, især estimering af kropsholdning, spiller ind i denne situation.
Holdningsestimering er et computervisionsjob, der har til formål at forudse og overvåge en persons eller objekts placering, og 3D-positurestimering-baserede apps er nu tilgængelige for at hjælpe menneskelige fitnesstrænere.
Disse teknologier evaluerer enhver handling fra brugeren og giver dem grundig feedback i realtid ved hjælp af et væld af bevægelsessporingsdata.
At modtage feedback i realtid og undgå træningsskader er to fordele ved at arbejde sammen med en virtuel coach.
3. Boldsporing
For informationsudvinding fra boldbaserede sportsgrene, især ketcher- eller bat-og-bold-sportsgrene som tennis, cricket, badminton og andre, er sporing af boldbevægelser afgørende.
Computervisionsmodeller kan indikere den præcise placering af en bolds stød med jorden, registrere boldens bevægelse i tre dimensioner og endda forudsige boldens bane for at vurdere, om den ville have ramt wicket.
Med andre ord hjælper boldsporingssystemer drevet af computersyn med:
- Påvisning af bolde
- Sporing af banen
- Forudsigelse af spillets resultat
Denne type boldsporing er mere udfordrende i spil som basketball, volleyball og fodbold, fordi bolden kan skjules bag spillerne. Alternativt kan spillerudvekslinger med bolden ske hurtigt og uden varsel.
4. Forbedring af dommerbeslutning
Der har været utallige eksempler på åbenlyst snyd og forkerte dommerbeslutninger gennem sportens historie. Gennem årene har teknologien fundet vej ind i sporten, hvilket har bidraget til at reducere antallet af fejl, som dommere laver.
Med introduktionen af teknologier som Video Assistant Referee (VAR), Goal-Line Technology (GLT), Hawk-eye, Decision Review System (DRS) og Hawk-eye i tennis og cricket, kan dommer- eller dommerbeslutninger nu gennemgås og , hvis forkert, væltet.
Fremtidige sportsembedsmænd vil begå endnu færre fejl på grund af den voksende brug af kunstig intelligens og computersyn.
5. Pose estimering i mobilapplikation
Brug af banebrydende teknologier vil motivere folk til at bruge dit program ofte.
Hvor ofte er du stødt på applikationer, der bruger videoer til at demonstrere, hvordan man udfører træning korrekt?
Mest sandsynligt på det seneste ret regelmæssigt. Og overvej at udvikle en computervisionsmodel, der automatisk indstiller den korrekte position, holder styr på de fremførte tilgange og giver tips til, hvordan du forbedrer din træning. en fantastisk stand-in for en ægte træner.
Med denne form for applikation er træning altid tilgængelig; alt hvad du behøver er et kamera ved hånden. Udvikl dit ekspertiseområde ved at tilføje dine egne særlige stillinger og teknikker for at skille sig ud på dit marked uden at skulle betale mere for menneskelige lærere.
Denne teknologi er meget nyttig til at finpudse dit speciale, som kan være bestemte stillinger eller bevægelser. Du behøver ikke betale for ekstra professionelle undervisere for at undervise i dine programmer.
6. Journalistik og sportsindhold
Du kan producere spændende indhold ved at kombinere kunstig intelligens og computersynsteknologier.
Kameraet vil automatisk rykke tættere på det mest spændende tidspunkt, når modellen analyserer begivenheder, såsom et mål.
Forestil dig, hvis du blot skal opsætte et par kameraer, der intelligent og automatisk kan fokusere på de mest afgørende dele af spillet frem for at skulle betale et stort antal journalister og vente på postproduktion for at udgive sportsbegivenheder.
7. Fanstemning
Udvalget af computersynsapplikationer er simpelthen forbløffende. Nydelsen af en person, der ser noget, kunne tidligere måles ved test, der involverede vedhæftning af specielle ledninger for at detektere impulser.
Vi behøver ikke længere at begrænse enhver seer til et laboratorium takket være computervisionsteknologier. Få en grundig undersøgelse af biografgængernes tilfredshed.
Mange forskellige følelser, såsom lykke, kedsomhed, spænding, skuffelse osv., kan skelnes fra computervisionsmodeller.
Udfordringer
Sportscomputersyn er hovedsageligt afhængig af kamerasystemer til at fange og derefter analysere sportsoptagelser. Typisk er et antal kameraer placeret rundt om scenen af handlingen, såsom tribunerne under en sportsbegivenhed eller siderne af en træningsbane.
Selv inden for en enkelt kamp varierer vinklen, placeringen, hardwaren og andre skydeindstillinger meget fra sport til sport.
Computer vision-systemer skal også tilpasses til bestemte kampe og metoder til filmoptagelse, hvilket udgør et problem. Yderligere vanskeligheder omfatter:
- Mange sportsorganisationer og præstationsanalyseafdelinger mangler avanceret videoudstyr.
- De hyppige panorerings-, tilt- og zoomændringer foretaget af broadcast-kameraer gør det sværere for computervisions videobehandlingssystemer at tilpasse sig de konstant skiftende data, de modtager.
- Det kan være svært for computervisions-videobehandlingssystemer at skelne mellem elementer i baggrunden, spillere og genstande, spillere, der bærer den samme påklædning og andre situationer.
Til en vis grad har computervision løst disse fejl. For eksempel har billedbehandling gjort det muligt for computere at skelne mellem jorden, spillere og andre elementer i forgrunden.
Ellers gør farvebaserede segmenteringsalgoritmer det muligt at genkende bolden, overvåge spillere i bevægelse og lokalisere banezonen efter farven på græsset, som er grønt.
Konklusion
For at opsummere er computersyn det mest populære tekniske område, og dets popularitet vokser kun. Dette er et nyt perspektiv på databehandling og hvordan det ses; vi har endelig trænet computere til at se.
De mest almindelige computersynsopgaver i sport er spiller- og boldsporing, kropsholdningsestimat til forebyggelse af skader, segmentering for at skelne baggrund fra spillere og andre.
Hver dag genererer vi en enorm mængde data, som vi kan bruge til effektivt tog modeller, som så vil fungere som håbefuld hjælp til at løse forretningsmæssige vanskeligheder.
Giv en kommentar