智能羽球裁判系統
附註/文獻
[5] 複合式損失函數 (Composite Loss Function)： 結合多種誤差計算方式的數學公式，讓模型在訓練時能同時優化多個目標，達到精確定位與分類的平衡。
[6] 反向傳播 (Backpropagation)： 深度學習的演算法。透過計算損失函數對各層參數的偏導數，將誤差由輸出端向輸入端傳遞，用以更新神經網路中的權重。
[7] 梯度下降 (Gradient Descent)： 一種優化演算法，沿著損失函數梯度的反方向逐步調整參數，目標是尋找到函數的全局最小値，使模型的預測誤差達到最小。
[8] 時序狀態機 (Temporal State Machine)： 一種邏輯控制模型。系統根據羽球當前的飛行狀態與歷史資訊，決定當前的判定邏輯與狀態轉換。
[10] 滑動窗口平滑化 (Sliding Window Smoothing)： 透過計算一段時間視窗內座標數據的平均値或加權値，過濾掉因偵測誤差產生的微小震盪，使羽球飛行軌跡更為滑順穩定。
[9] 循環隊列 (Circular Queue)： 一種固定容量且首尾相連的資料結構。本系統利用其高效更新的特性，儲存最近連續數幀的座標資訊，實現實時的軌跡追蹤。
[11] ROI (Region of Interest)： 指影像中「感興趣的區域」。透過限定運算範圍於球場線或發球區周遭，能有效減少計算量並排除場外無關物體的干擾。
[12] Top-Hat 運算： 影像處理中的形態學運算，為原始影像與開啓運算結果之差。常用於提取背景較暗且具備細小亮點或線條的特徵，本系統以此強化白色場地線。
[13] fillPoly： OpenCV 中的多邊形填充函式。本系統利用其建立不規則的遮罩，僅保留場地特定區域內的特徵點，實現精確的區域偵測。
[14] 霍夫直線變換 (Hough Line Transform)： 一種將影像空間點轉換至參數空間，用以偵測直線的技術。本系統藉此從複雜的邊緣點中識別出正式的羽球場邊線。
[19] 透視畸變 (Perspective Distortion)： 因攝影機拍攝角度與距離，導致影像中物體形狀與實際比例產生偏離的現象。透過校正此畸變來建立精確的物理座標。
[20] 機率熱力圖 (Probability Heatmap)： 將偵測目標出現機率視覺化的矩陣。模型輸出的每個像素値代表該點為羽球中心的信心度，系統再透過尋找熱力圖中的極大値點來鎖定球心座標。
[15] BGR (Blue-Green-Red)： 電腦視覺中常用的色彩顯示模型，與標準 RGB 順序相反，為OpenCV 預設的影像讀取格式。
[16] HLS (Hue, Lightness, Saturation)： 將顏色分解為色相、亮度與飽和度的色彩間。利用 L 通道（亮度）來過濾光影干擾，以精準提取白色球場線特徵。
[17] 機率性霍夫變換 (Probabilistic Hough Transform)：從影像中偵測直線的演算法。相較於標準霍夫變換，其運算效率更高，能從破碎的邊緣點中提取出關鍵的球場邊線段。
[18] 單應性矩陣 (Homography Matrix)： 一個 3 X 3 的數學矩陣，描述了同一場景在不同視角間的投影關係。將攝影機捕捉到的梯形影像轉化為矩形鳥瞰圖。
[1] TrackNetV2 : 一種專門為球類運動追蹤設計的深度學習模型，透過卷積神經網路分析連續三幀影像，預測球體的座標位置。
[2] YOLO (You Only Look Once) : 即時物件偵測演算法。本計畫採用其姿態估計分支，用於偵測球員身體的 33 個關鍵節點，特別是發球瞬間的手腕座標。
[3] 資料增強 (Data Augmentation)： 在訓練階段透過對原始影像進行隨機旋轉、縮放、亮度調整等變換，為增加訓練樣本的多樣性，以提升模型在不同環境下的泛化能力。
[4] Backbone： 指深度學習模型中負責「特徵提取」的主幹網路。它負責從原始像素中抽取出高階的幾何與 語意特徵，供後續的檢測頭進行判讀。
1. 傅慧晴、黃聖筑、涂冠樺、李祐宇、吳秉杰、劉恭哲、蔡易辰、邱瑛蓁（2024）。羽球比賽辨識系統。 靜宜大學資料科學暨大數據分析與應用學系畢業專題。取自：https://tu211.github.io/badminton/
2. 邱輝傑、劉柏宇、邱子宸、易志偉（2024）。透視羽球—控球力評估系統。112年度國家科學及技術委員 會大專學生研究計畫成果報告。
3. Huang, Yu-Chuan (wolfyeva). "TrackNetV2: Improved Version of TrackNetV2."
GitHub, https://github.com/wolfyeva/TrackNetV2. Accessed 30 Apr. 2024.
4. Allen108108（2023）。YOLO相關筆記。HackMD。取自：
https://hackmd.io/@allen108108/r1-wSTAjS
5. 張家銘（2021）。YOLOv4 產業應用心得整理。台灣人工智慧學校。取自：