| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Datorredzes risinājumu izstrāde specifisku spēka vingrinājumu izpildes formas analīzei |
| Nosaukums angļu valodā |
Development of Computer Vsion Solutions for Specific Strength Training Exercise Form Analysis |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Olga Krutikova |
| Recenzents |
Laima Vītoliņa |
| Anotācija |
Šis pētījums apskata cilvēka pozas noteikšanas metožu darbības pamatprincipus, īsi iepazīstinot ar klasiskām cilvēka pozas noteikšanas metodēm, kā arī jaunākām metodēm, kas izmanto mašīnmācīšanos. Darbā tiek salīdzināti un apskatīti vairāki populāri mūsdienu cilvēka pozas noteikšanas modeļi kā “Openpose” un “Mediapipe”. Tiek apskatīti pētījumi, kuros tie tiek izmantoti specifiskos nolūkos tieši fitnesa un svarcelšanas vingrinājumu formas noteikšanai un analīzei. Tiek pētīts, vai šie modeļi ir pietiekami precīzi un uzticami, lai tiktu izmantoti kā palīglīdzekļi sportistu vai iesācēju treniņos.
Bakalaura darbs sastāv no ievada, teorijas apskata, praktiskās daļas, eksperimentālās daļas, rezultātiem un secinājumiem.
Ievadā tiek definēts darba mērķis un apskatāmā problēma.
Teorijas apskatā tiek definētas divas pieejas vingrinājumu formas noteikšanas programmām ar datorredzi – noteikumos balstīta metode un dziļās mācīšanās algoritmu metode. Tiek izpētīts, ka viena no bīstamākajām svarcelšanas kļūdām ir muguras noapaļošanās vilkmes vingrinājumā.
Praktiskajā daļā tiek izstrādātas divas metodes, kas analizē muguras noapaļošanos no sāna vilkmes vingrinājumā, izmantojot “Mediapipe” datorredzes metodi. Pirmā metode ir balstīta iepriekš ieprogrammētos noteikumos, otra metode tiek izveidota, apmācot LSTM (angļu val. Long short term memory) neironu tīklu.
Darba eksperimentālajā daļā tiek pārbaudīta izstrādāto metožu darbība ar testa datu kopu, kas sastāv no video ar 110 vilkmes vingrinājuma izpildes reizēm. Tiek uzrādīta noteikumos balstītās metodes kopējā precizitāte – 85,4%, dziļās mācīšanās algoritmu metodes kopējā precizitāte – 86,3% vingrinājuma korektas formas atpazīšanā.
Rezultātu un secinājumu daļā metodes tiek salīdzinātas un tiek izvirzīti secinājumi par datorredzes risinājumu pielietojamību svarcelšanas treniņos.
Bakalaura darbā ir 59 lappuses, 31 attēls, 5 tabulas, 1 pielikums un 35 informācijas avoti. |
| Atslēgas vārdi |
POZAS ATPAZĪŠANA, MEDIAPIPE, DZIĻĀS MĀCĪŠANĀS ALGORITMI, VINGRINĀJUMA FORMAS NOTEIKŠANA, LSTM |
| Atslēgas vārdi angļu valodā |
POSE ESTIMATION, MEDIAPIPE, DEEP LEARNING ALGORITHMS, EXERCISE POSE DETECTION, LSTM |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 21:26:25 |
