Название базовой системы (платформы): | Искусственный интеллект (ИИ, Artificial intelligence, AI) |
Разработчики: | ПНИПУ Пермский Национальный Исследовательский Политехнический Университет |
Дата премьеры системы: | 2025/01/27 |
Отрасли: | Индустрия развлечений, досуг, спорт |
Технологии: | СППР - Система поддержки принятия решений, Системы видеоаналитики |
Основные статьи:
- Система поддержки принятия решений (СППР, Decision Support Systems, DSS)
- Видеоаналитика (термины, сферы применения, технологии)
2025: Представление нейросети для оценки качества тренировок юных футболистов
Ученые Пермского Политеха предложили нейросетевую технологию для оценки качества тренировок юных футболистов. Об этом университет сообщил 27 января 2025 года.
С развитием методов компьютерного зрения появились возможности для анализа и улучшения качества подготовки юных спортсменов. Один из инструментов в этой области – технология трехмерной детекции – определения в пространстве и времени положения ключевых точек человека. Она позволяет не только отслеживать движения, но и проводить глубокий анализ их техники, помогая тренерам и спортсменам выявлять слабые места, совершенствовать навыки и автоматизировать контроль качества выполнения упражнений. Ученые Пермского Политеха разработали прототип информационной системы поддержки тренерских решений, основанной на нейросетевой технологии. Это позволит оценивать тренировочный процесс футболистов с помощью интеллектуального анализа данных, получаемых с видеокамер. Нужны ли роботы складам? Опрос участников рынка и мнения экспертов
Определять движения спортсмена можно по положению его 2D-скелета и взаимодействию со спортивным инвентарем. Но этого не всегда достаточно, так как для некоторых упражнений необходимо знать нахождение ключевых точек относительно друг друга в пространстве. Более того, после видеосъемки потребуется синхронизировать по времени кадры с левой и правой камеры. При использовании нейронных сетей в 3D-пространстве необходимость в этом отпадает. В целом 3D-подход предлагает лучшую точность и глубину анализа по сравнению с двухмерными методами детектирования, поэтому он положен в основу компьютерной программы.
Ученые Пермского Политеха с помощью обученной нейросети разработали прототип информационной системы поддержки принятия решений, которая сможет определять, насколько качественно идет тренировка юных футболистов. Система позволяет отслеживать индивидуальную работу каждого спортсмена команды одновременно и автоматизировать контроль качества со стороны тренера.
![]() | Всего программа фиксирует 34 ключевые точки человека, среди которых плечи, локти, кисти, пальцы на руках и ногах, тазобедренные суставы, колени и стопы. Видеокамеры устанавливаются на тренировочном поле, а программно-аппаратная система записывает упражнения в форме видеоряда и передает его на компьютер, где происходит выявление ошибок при выполнении упражнений с мячом и без. Это позволит тренерам и аналитикам проводить детальный анализ техники членов футбольной команды и разрабатывать стратегии совершенствования спортивного мастерства, – сказал Александр Терехин, аспирант кафедры «Вычислительная математика, механика и биомеханика» ПНИПУ. | ![]() |
![]() | Для проверки работы системы мы провели эксперименты на ряде упражнений, требующих анализа трехмерных изображений, например, наклонов. Задача нейросети – определить, насколько качество движений спортсмена соответствует заданным требованиям: не сгибать ноги в коленях, касаться пола пальцами обеих рук не более 3 секунд и т.д. Видеосъемка игрока осуществлялась справа, чтобы не было перекрытия одних частей тела другими, из-за чего нейронная сеть может не понять, как объединить в скелет отдельные ключевые точки. По предварительным результатам разработанная технология полностью справляется с выявлением ошибок в движениях игрока, – пояснил Валерий Столбов, заведующий кафедрой «Вычислительная математика, механика и биомеханика» ПНИПУ, доктор технических наук. | ![]() |
В дальнейшем планируется расширить количество анализируемых спортивных упражнений (не менее 40) и провести комплексные испытания в футбольном манеже в процессе реальной тренировки. Разработка ученых Пермского Политеха позволит повысить эффективность занятий и автоматизировать процесс обработки результатов тестирования юных футболистов за счет внедрения компьютерного зрения и методов искусственного интеллекта.
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Данные не найдены
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Данные не найдены
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Данные не найдены
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)