Resumen

En el tenis de mesa, la pelota tiene numerosas características de alta velocidad, pequeño tamaño y trayectoria cambiante. Debido a estas características, el ojo humano a menudo no puede juzgar con precisión el movimiento y la posición de la pelota, lo que lleva al problema de la detección precisa del punto de caída de la pelota y el seguimiento del movimiento. En los deportes, el uso del aprendizaje automático para localizar y detectar el balón y el uso del aprendizaje profundo para reconstruir y mostrar las trayectorias del balón se consideran tecnologías futuristas. Por lo tanto, este trabajo propone un algoritmo novedoso para identificar y anotar puntos en tenis de mesa basado en la detección de movimiento de objetivos de doble canal. El algoritmo propuesto consta de múltiples canales de entrada para aprender conjuntamente diferentes características de las imágenes de tenis de mesa. La imagen original se utiliza como entrada del primer canal y, a continuación, se utiliza el operador Sobel para extraer la característica derivada de primer orden de la imagen original, que se utiliza como entrada del segundo canal. A continuación, se fusiona la información de los dos canales y se envía al módulo de red neuronal 3D. La capa totalmente conectada se utiliza para identificar el punto de caída de la pelota de tenis de mesa, compararlo con un punto de caída estándar, calcular la distancia de error y dar una puntuación. También construimos un conjunto de datos y realizamos experimentos. Los resultados experimentales muestran que el método de este artículo es eficaz en el deporte.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:pelota, imagen original, tenis de mesa, módulo de red neuronal 3D, detección del movimiento del objetivo del canal, información sobre las características del tenis de mesa, múltiples canales de entrada, punto de caída estándar, pelota de tenis de mesa, imágenes de tenis de mesa
• Keywords:ball, original image, table tennis, 3D neural network module, channel target motion detection, table tennis feature information, multiple input channels, standard drop point, table tennis ball, table tennis images