深度学习神经网络辅助的羽毛球运动识别和体能训练优化训练
1Department of Physical Education, Tianjin Sino-German University of Applied Sciences, Tianjin, 300350, China.
Heliyon
|December 6, 2024
概括
这项研究通过改进的Tiny YOLOv2深度学习模型和无气味卡尔曼波器来提高羽毛球轨迹识别的准确性. 这种新方法在追踪羽毛球运动时达到91%以上的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 运动分析 运动分析
背景情况:
- 准确识别羽毛球运动轨迹对于机器人系统至关重要.
- 现有的方法在视频流中难以检测飞行穿机的小目标.
研究的目的:
- 为了提高羽毛球运动轨迹识别的准确性.
- 为了增强羽毛球机器人中飞行穿机的检测和跟踪能力.
主要方法:
- 通过修改损失函数和网络结构,开发了一种改进的深度学习单阶段检测网络Tiny YOLOv2.
- 将注意力机制集成到一个卷积神经网络中,用于轨迹识别.
- 结合了增强的Tiny YOLOv2与无味卡尔曼波器进行轨迹预测.
主要成果:
- 拟议的方法实现了追踪羽毛球轨迹的平均准确率为91.40%和回忆率为84.60%.
- 在各种场景中,该系统的平均精度为96.7%,回忆率为95.7%,率为29.2/秒.
- 在追踪和预测羽毛球轨迹方面表现优于现有的算法.
结论:
- 改进的算法显著提高了羽毛球轨迹的识别.
- 这种方法为羽毛球运动分析和机器人应用提供了强大的支持.
