Інтелектуальна система на основі комп’ютерного зору для навчання та контролю правильності виконання спортивних позицій
Автор: Коломійчук Данило Олегович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Коломійчук Д.О., Мельник М.Р. (керівник). Інтелектуальна система на основі комп’ютерного зору для навчання та контролю правильності виконання спортивних позицій. Магістерська кваліфікаційна робота – Національний університет «Львівська політехніка», Львів, 2025. Розширена анотація Магістерська кваліфікаційна робота присвячена розробці інтелектуальної системи на основі комп’ютерного зору для навчання та контролю правильності виконання спортивних позицій. Актуальність теми. Зростання популярності самостійних тренувань вдома створює потребу в інструментах, здатних замінити кваліфікованого тренера. Існуючі мобільні додатки часто обмежуються лише демонстрацією відео, не надаючи зворотного зв’язку щодо техніки виконання, що підвищує ризик травмування. Розробка доступної системи, яка здатна в реальному часі аналізувати біомеханіку рухів без використання дороговартісного обладнання, є актуальним науково-прикладним завданням. Мета роботи полягає у підвищенні ефективності та безпеки самостійних спортивних тренувань шляхом створення програмної системи, що використовує методи комп’ютерного зору для детекції помилок у позиціях користувача. Об’єкт дослідження: процес автоматизованого аналізу рухів людини під час виконання фізичних вправ. Предмет дослідження: методи комп’ютерного зору, алгоритми оцінки пози (Pose Estimation) та класифікації рухів. Методи дослідження. У роботі використано методи цифрової обробки зображень для попередньої підготовки відеопотоку; алгоритми глибокого навчання (фреймворк MediaPipe) для побудови скелетної моделі людини; методи обчислювальної геометрії для розрахунку кутів між суглобами; методи машинного навчання (k-найближчих сусідів) для класифікації вправ. Наукова новизна одержаних результатів: Удосконалення методу класифікації динамічних поз: Запропоновано гібридний підхід, що поєднує детекцію скелетної моделі за допомогою фреймворку MediaPipe BlazePose із швидким класифікатором k-найближчих сусідів (KNN). Це дозволило досягти достатньої точності розпізнавання при збереженні продуктивності на рівні 30 FPS на центральних процесорах (CPU), що робить систему доступною для масового використання. Розробка алгоритму біомеханічного зворотного зв’язку: Створено унікальну математичну модель оцінки помилок, яка базується не на бінарній логіці («правильно/неправильно»), а на розрахунку величини відхилення вектора ознак користувача від розрахованого центроїда кластера еталонної пози. Це дозволяє системі надавати локалізовані рекомендації (наприклад, «Виправте положення лівого ліктя»), що підвищує навчальний ефект. Забезпечення автономності системи: Розроблено архітектуру, що дозволяє проводити всі обчислення локально на пристрої користувача (Edge Computing). Це забезпечує повну функціональність додатка без необхідності підключення до мережі Інтернет, що є критично важливим для конфіденційності даних та стабільності роботи в умовах поганого зв’язку. Практичне значення одержаних результатів. Розроблено програмний додаток мовою Python, який здійснює моніторинг виконання вправ у реальному часі через веб-камеру ноутбука. Система не потребує спеціалізованих графічних прискорювачів (GPU) та може бути використана в домашніх умовах, освітніх закладах або реабілітаційних центрах. Дипломна робота містить: 96 стор., 23 рис., 30 посилань на використані джерела. Ключові слова: комп’ютерний зір, оцінювання пози (Pose Estimation), MediaPipe, OpenCV, машинне навчання, KNN, біомеханіка спорту, класифікація рухів, Python, штучний інтелект. Перелік використаних літературних джерел: Lugaresi C. et al. MediaPipe: A Framework for Building Perception Pipelines. arXiv preprint arXiv:1906.08172. 2019. URL: https://arxiv.org/abs/1906.08172 Bazarevsky V. et al. BlazePose: On-device Real-time Body Pose tracking. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. 2020. URL: https://arxiv.org/abs/2006.10204 Cao Z., Hidalgo G., Simon T., Wei S.-E., Sheikh Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021. Vol. 43, no. 1. P. 172–186. URL: https://ieeexplore.ieee.org/document/8765346 Lin Y., Jiao X., Zhao L. Detection of 3D Human Posture Based on Improved Mediapipe. Journal of Computer and Communications. 2023. Vol. 11, no. 2. P. 102–121. URL: https://www.scirp.org/journal/paperinformation?paperid=123355 Gong Y. et al. Quantitative analysis and evaluation of research on the application of computer vision in sports since the 21st century. Frontiers in Sports and Active Living. 2025. Vol. 7. URL: https://www.frontiersin.org/journals/sports-and-active-living/articles/10.3389/fspor.2025.1604232/full Safaldin M., Zaghden N., Mejdoub M. An Improved YOLOv8 to Detect Moving Objects. IEEE Access. 2024. Vol. 12. P. 59782–59806. URL: https://ieeexplore.ieee.org/document/10506642 Dang Q., Yin J., Wang B., Zheng W. Deep learning based 2D human pose estimation: A survey. Tsinghua Science and Technology. 2019. Vol. 24, no. 6. P. 663–676. URL: https://ieeexplore.ieee.org/document/8732383 Desai I. et al. Real-time gym exercise detection and tracking using MediaPipe and KNN. International Journal of Creative Research Thoughts (IJCRT). 2022. Vol. 10, no. 5. P. 234–240. Wang J. et al. Deep High-Resolution Representation Learning for Human Pose Estimation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 5693–5703. URL: https://openaccess.thecvf.com/content_CVPR_2019/html/Sun_Deep_High-Resolution_Representation_Learning_for_Human_Pose_Estimation_CVPR_2019_paper.html