Modern technologies for determining body links of wrestlers
DOI:
https://doi.org/10.15391/ed.2023-4.05Keywords:
freestyle wrestling, competitive activity, modern technologies, detection, body partsAbstract
Purpose: to determine the effectiveness of using modern computer vision technologies to determine the body parts of wrestlers in competitive activities. Material and methods. The following methods were used in the research: analysis of scientific and methodical literature and Internet sources, analysis of video and images with the help of computer vision (Computer Vision, Machine Learning), methods of mathematical statistics. The final bout in the 65 kg weight category at the 2021 Tokyo Olympics in freestyle wrestling was chosen for analysis. The total number of video fragments was 1763 images. The Yolo machine learning model was used to detect faces, and Google's MediaPipe model was used to detect body parts. For each athlete, 21 body parts were identified. Results: the accuracy of identifying athletes' body parts was obtained: all indicators were above 78 %. The results of the analysis showed that the lower limbs are better identified: hip, knee, ankle, etc. The identification accuracy is above 90%. At the same time, the identification accuracy of the upper limbs is lower. In our opinion, this is due to the fact that athletes spend a sufficient amount of time in the grip and preparing for an attack during the fight. During this time, certain parts of the upper limbs are closed for identification. Analysis of the results of the number of unidentified images showed a similar trend to the identification accuracy. Most of the unidentified body parts were associated with the upper limbs (more than 25 %). At the same time, 10 to 12 % of the body parts associated with the delicate limbs were not identified. Conclusions. The analysis of results of the use of modern technologies of computer vision for determination of links of a body of wrestlers in competitive activity is carried out. The algorithm for studying the body parts of athletes had two stages: the first stage is to determine the area of the image fragment (video) where the athletes are located and the second is to determine the body parts of each wrestler. At the first stage of the study, it was possible to identify both athletes in 79,5 % of the images. The analysis of the accuracy of the athletes' body parts identification showed that the body parts of the lower limbs are better identified than those of te right limbs. This is due to the peculiarity of competitive activity. The visual analysis of the images showed that a certain part of the identified links do not coincide with the actual location of the athletes' body links.
References
Архипов, О.А., & Питомець, О.П. (2016). Якісний біомеханічний аналіз техніки бігу на короткі, середні та довгі дистанції. Науковий часопис НПУ імені М.П. Драгоманова, 3 (70), 285-288.
Бартік, П., Бойченко, Н.В., & Куриленко, М.М. (2014). Особливості змагальної діяльності в спортивній боротьбі. Проблемы развития спортивных игр и единоборств в высших учебных заведениях, 1, 18-22.
Гамалій, В. (2020). Біомеханічні аспекти раціоналізації процесу навчання рухів у процесі технічної підготовки спортсменів. Теорія і методика фізичного виховання і спорту, 28(2), 36-41. DOI:10.32652/tmfvs.2020.2.36-41
Задорожна, О.Р. (2021). Тактика участі провідних спортсменок світу у системі змагань з жіночої боротьби упродовж олімпійського циклу 2013-2016 рр. Єдиноборства, 2, 47-61. DOI:10.15391/ed.2021-2.04
Закорко, І.П. (2013). Використання елементів біомеханічного аналізу в навчально-тренувальному процесі дзюдоїстів високої кваліфікації. Вісник Чернігівського національного педагогічного університету. Педагогічні науки. Фізичне виховання та спорт, 112 (4), 123-126.
Камаєв, О.І., Тропін, Ю.М., & Арнаут, В.Ю. (2019). Біомеханічний аналіз виконання технічних дій у спортивній боротьбі. Проблеми і перспективи розвитку спортивних ігор і єдиноборств у вищих навчальних закладах, 1, 32-35.
Коробейніков, Г., Воронцов, А., Костюченко, В., & Григоренко, О. (2020). Аналіз змагальної діяльності збірної команди України з греко-римської боротьби на чемпіонатах Європи 2019–2020 років. Теорія і методика фізичного виховання і спорту, (4), 27-33. DOI:10.32652/tmfvs.2020.4.27-33
Латишев М.В., Поляничко О.М., Вольський Д.С., Лахтадир О.В., & Рибак Л.О. (2022). Аналіз попередніх досягнень призерів чемпіонату світу 2022 року з вільної боротьби. Єдиноборства, 4(26), 44–53. DOI:10.15391/ed.2022-4.05
Латишев, М.В., Квасниця, О.М., Спесивих, О.О., & Квасниця, І.М. (2019). Прогнозування: методи, критерії та спортивний результат. Спортивний вісник Придніпров’я, 1, 39-47.
Подригало, Л.В., & Володченко, О.А. (2016). Порівняльний аналіз біомеханічних аспектів кік-боксу та інших одноборств. Вісник Чернігівського національного педагогічного університету. Педагогічні науки. Фізичне виховання та спорт, 139 (1), 145-149.
Тропин, Ю.Н., & Бойченко, Н.В. (2017). Технико-тактическое мастерство борца. Єдиноборства, (3), 78-81.
Тропин, Ю.Н., Латышев, Н.В., Бойченко, Н.В., Кожанова, О.С., & Мозолюк, А.В. (2020). Анализ выступлений сборной команды Украины по греко-римской борьбе. Український журнал медицини, біології та спорту, 5(3), 492-497.
Чертов, І.І., Бойченко, Н.В., Зантарая Г.М. & Мирошниченко, Е.С. (2021). Аналіз показників змагальної діяльності лідируючих дзюдоїсток вагової категорії до 52 кг. Єдиноборства, 1(19), 69-78. DOI:10.15391/ed.2021-1.07
Чертов, І.І., Бойченко, Н.В., Пирог Ю.А. & Алексеев, А.Ф. (2020). Аналіз показників змагальної діяльності висококваліфікованих дзюдоїсток легких вагових категорій. Єдиноборства, 3(17), 4-12. DOI:10.15391/ed.2020-3.01
Шандригось, В.І. (2018a). Cистемно-історичний аналіз досягнень країн-учасниць в змаганнях з вільної боротьби на Олімпійських Іграх (1904-2016 рр.). Єдиноборства, 1 (7), 89-97.
Шандригось, В.І. (2018b). Використання інформаційних технологій в теорії і практиці спортивних єдиноборств. Науково-методичні основи використання інформаційних технологій в галузі фізичної культури та спорту, 25(2), 137-41.
Шандригось, В.І., Блажейко, А.І., & Латишев, М.В. (2022). Стан і перспективи розвитку вільної боротьби в Україні. Єдиноборства, №2(24), 96–116, DOI:10.15391/ed.2022-2.09
Cook, G., Burton, L., Hoogenboom, B. J., & Voight, M. (2014). Functional movement screening: The use of fundamental movements as an assessment of function‐part 1. International journal of sports physical therapy, 9(3), 396.
Groos, D., Ramampiaro, H., & Ihlen, E. A. (2021). EfficientPose: Scalable single-person pose estimation. Applied intelligence, 51, 2518-2533.
Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A Review of Yolo algorithm developments. Procedia Computer Science, 199, 1066-1073.
Latyshev, M., Shandrygos, V., Tropin, Y., Polianychko, O., Deineko, A., Lakhtadyr, O., & Mozoliuk, O. (2021). Age distribution of wrestlers participating in the world championships. Acta Kinesiologica, 15 (1), 138-143. DOI. 10.51371/issn.1840-2976.2021.15.1.17
Latyshev, M., Tropin, Y., Podrigalo, L., & Boychenko, N. (2022). Analysis of the Relative Age Effect in Elite Wrestlers. Ido movement for culture. Journal of Martial Arts Anthropology, (22 (3)), 28-32.
Pardos, A., Tziomaka, M., Menychtas, A. & Maglogiannis, I. (2022). Automated Posture Analysis for the Assessment of Sports Exercises. In Proceedings of the 12th Hellenic Conference on Artificial Intelligence, 1-9.
United World Wrestling. Access Mode: – [Електронний ресурс]. – Режим доступу https://unitedworldwrestling.org/ (дата звернення: 25.04.2023).
Wang, J., Qiu, K., Peng, H., Fu, J., & Zhu, J. (2019). AI coach: Deep human pose estimation and analysis for personalized athletic training assistance. In Proceedings of the 27th ACM international conference on multimedia, 374-382. https://doi.org/10.1145/3343031.3350910
Youtube. Men's freestyle 65 kg. FINAL Highlights. Olympic Games - Tokyo 2020 Access Mode: – [Електронний ресурс]. – Режим доступу https://www.youtube.com/watch?v=4Gg8F85T3vo
Zhang, W., Liu, Z., Zhou, L., Leung, H., & Chan, A. B. (2017). Martial arts, dancing and sports dataset: A challenging stereo and multi-view dataset for 3D human pose estimation. Image and Vision Computing, 61, 22-39. https://doi.org/10.1016/j.imavis.2017.02.002
