【技術實現步驟摘要】
本專利技術涉及數據分析的，具體為一種基于ai識別的體育運動軌跡數據分析系統。
技術介紹
1、在智能化體育訓練領域，基于ai識別的系統正在成為優化運動訓練和提升運動員表現的重要工具，該領域涵蓋了運動數據的采集、分析和反饋等多個方面，特別是應用于乒乓球訓練中的智能系統，通過精確捕捉運動軌跡和運動員的狀態來優化訓練效果。
2、在當前的乒乓球訓練中，傳統的訓練方法往往依賴于教練的觀察和經驗，缺乏科學的量化分析，這種方法存在一些缺陷，如難以精確測量運動員的動作細節和球的運動軌跡，訓練數據的記錄和分析往往不夠全面和及時。此外，在訓練的過程中，運動員擊球往往會出現網觸或出界的現象，那么對于這方面的分析還不夠深入，容易造成訓練出現瓶頸期，從而難以克服網觸或者出界的現象。
技術實現思路
1、針對現有技術的不足，本專利技術提供了一種基于ai識別的體育運動軌跡數據分析系統，解決了上述
技術介紹
中的問題。
2、為實現以上目的，本專利技術通過以下技術方案予以實現：一種基于ai識別的體育運動軌跡數據分析系統，包括圖像模塊、數據采集模塊、器械中界分析模塊、器械出界分析模塊及反饋模塊；
3、所述圖像模塊用于利用圖像采集儀器對運動員的乒乓球訓練過程進行全程拍攝，以獲取視頻流，并從視頻流中截取連續圖像幀，對連續圖像幀進行預處理，去除噪聲和進行幾何校正；
4、所述數據采集模塊用于結合ai識別技術，識別連續圖像幀中的人物對象及運動軌跡，以記錄相關器械運動數據信息和運動員接發球
5、所述器械中界分析模塊用于將運動員在訓練的過程中的訓練數據集進行特征提取，以分別獲取擊球角度jqjd、落點距離ldjz、飛行高度差值fxgc及擊球的初始速度jcsz，通過將所述擊球角度jqjd及落點距離ldjz相關聯，構建相應擊球狀態下的風險系數fxxs，若風險系數fxxs未落入安全范圍<mstyle displaystyle="true" mathcolor="#000000"><mo>[</mo><mrow><mi>a</mi><mi>，</mi><mi>b</mi></mrow><mo>]</mo></mstyle>，初步判斷球子在傳送過程中存在網觸風險，并通過連續圖像幀，優化安全范圍<mstyle displaystyle="true" mathcolor="#000000"><mo>[</mo><mrow><mi>a</mi><mi>，</mi><mi>b</mi></mrow><mo>]</mo></mstyle>；
6、所述器械出界分析模塊用于在分析是否存在網觸風險后，依據特征提取后的訓練數據集，構建軌跡影響系數gyxs，結合經過訓練后的訓練分析模型，擬合獲取訓練水平評估指數sgzs；
7、所述反饋模塊用于預先設置評估閾值u，通過將所述訓練水平評估指數sgzs與所述評估閾值u進行比對分析，以綜合判斷出本次乒乓球訓練狀態。
8、優選的，所述圖像模塊包括圖像記錄單元和處理單元；
9、所述圖像記錄單元用于利用圖像采集儀器，多角度拍攝獲取運動員的乒乓球訓練過程進行全程拍攝，并將獲取的視頻流截取出連續圖像幀，以確保將整體的訓練進行完整記錄，依據圖像中的數據信息和拍攝順序對連續的圖像幀按照對應的順序進行依次排序，以便檢測連續圖像幀中人物對象的運動軌跡及器械的運動軌跡；
10、所述處理單元用于利用小波去噪技術，將在小波域中去除噪聲分量，并采用直方圖均衡化來調整亮度，拉伸圖像范圍，調整圖像的對比度；同時以png格式來壓縮圖像數據。
11、優選的，所述訓練數據集包括相關器械運動數據信息和運動員接發球狀態數據信息；
12、所述數據采集模塊包括第一采集單元和第二采集單元；
13、所述第一采集單元用于從連續圖像幀中采集獲取運動員在乒乓球訓練過程中的相關器械運動數據信息，其中，所述相關器械運動數據信息包括各個擊球狀態下的落點距離ldjz、擊球轉速jqzs以及飛行高度差值fxgc；
14、所述第二采集單元用于從連續圖像幀中采集獲取運動員在乒乓球訓練過程中的運動員接發球狀態數據信息，其中，所述運動員接發球狀態數據信息包括各個擊球狀態下運動員擊球的初始速度jcsz以及擊球角度jqjd。
15、優選的，所述器械中界分析模塊包括觸碰分析單元、判斷單元及優化單元；
16、所述觸碰分析單元用于通過將訓練數據集中的擊球角度jqjd及相應擊球狀態下的落點距離ldjz做線性歸一化處理后，獲取相應擊球狀態下的風險系數fxxs，具體通過以下方式獲取：
17、；
18、式中，表示為第i次擊球狀態的風險系數，表示為第i次擊球狀態的落點距離，表示為第i次擊球狀態的擊球角度，表示為第i次擊球狀態的擊球轉速，及均為權重值，c表示為第一修正常數。
19、優選的，所述判斷單元用于結合歷史階段生成的訓練數據集，獲取歷史階段的若干組風險系數fxxs，通過將歷史階段的若干組風險系數fxxs通過統計學求均值的算法，分別計算獲取歷史平均風險系數和歷史風險系數的標準差；
20、基于歷史平均風險系數和歷史風險系數的標準差，生成安全范圍<mstyle displaystyle="true" mathcolor="#000000"><mo>[</mo><mrow><mi>a</mi><mi>，</mi><mi>b</mi></mrow><mo>]</mo></mstyle>，具體生成內容如下：
21、；；
22、式中，k為常數，具體數值由用戶進行設定；
23、通過將相應擊球狀態下的風險系數fxxs與安全范圍<mstyle displaystyle="true" mathcolor="#000000"><mo>[</mo><mrow><mi>a</mi><mi>，</mi><mi>b</mi></mrow><mo>]</mo></mstyle>進行大小比對，以判斷球子在傳送過程中是否存在網觸風險，具體判斷內容如下：
24、若相應擊球狀態下的風險系數fxxs未落入安全范圍<mst本文檔來自技高網...
【技術保護點】
1.一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：包括圖像模塊、數據采集模塊、器械中界分析模塊、器械出界分析模塊及反饋模塊；
2.根據權利要求1所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述圖像模塊包括圖像記錄單元和處理單元；
3.根據權利要求1所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述訓練數據集包括相關器械運動數據信息和運動員接發球狀態數據信息；
4.根據權利要求3所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述器械中界分析模塊包括觸碰分析單元、判斷單元及優化單元；
5.根據權利要求4所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述判斷單元用于結合歷史階段生成的訓練數據集，獲取歷史階段的若干組風險系數Fxxs，通過將歷史階段的若干組風險系數Fxxs通過統計學求均值的算法，分別計算獲取歷史平均風險系數和歷史風險系數的標準差；
6.根據權利要求5所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述優化單元用于根據判斷單元
7.根據權利要求3所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述器械出界分析模塊包括未落點分析單元和綜合分析單元；
8.根據權利要求7所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述綜合分析單元用于將風險系數Fxxs及軌跡影響系數Gyxs輸入至訓練后的訓練分析模型內，并經過線性歸一化處理后，擬合獲取訓練水平評估指數Sgzs：
9.根據權利要求1所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述反饋模塊包括比對分析單元和狀態反饋單元；
10.根據權利要求9所述的一種基于AI識別的體育運動軌跡數據分析系統，其特征在于：所述狀態反饋單元用于根據比對分析單元中的比對結果，向教練與運動員提供實時的反饋信息，以幫助了解當前的訓練狀態，同時記錄訓練數據和反饋信息，并對訓練表現進行長期分析和優化。
...【技術特征摘要】
1.一種基于ai識別的體育運動軌跡數據分析系統，其特征在于：包括圖像模塊、數據采集模塊、器械中界分析模塊、器械出界分析模塊及反饋模塊；
2.根據權利要求1所述的一種基于ai識別的體育運動軌跡數據分析系統，其特征在于：所述圖像模塊包括圖像記錄單元和處理單元；
3.根據權利要求1所述的一種基于ai識別的體育運動軌跡數據分析系統，其特征在于：所述訓練數據集包括相關器械運動數據信息和運動員接發球狀態數據信息；
4.根據權利要求3所述的一種基于ai識別的體育運動軌跡數據分析系統，其特征在于：所述器械中界分析模塊包括觸碰分析單元、判斷單元及優化單元；
5.根據權利要求4所述的一種基于ai識別的體育運動軌跡數據分析系統，其特征在于：所述判斷單元用于結合歷史階段生成的訓練數據集，獲取歷史階段的若干組風險系數fxxs，通過將歷史階段的若干組風險系數fxxs通過統計學求均值的算法，分別計算獲取歷史平均風險系數和歷史風險系數的標準差；
6.根據權利要求5所述的一種基于ai識別的體育運動軌跡數據分析系統，其特征在...
【專利技術屬性】
技術研發人員：陳賢敏，池聲宇，
申請(專利權)人：福建南億智能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。