top of page
智能羽球裁判系統
後方羽球偵測
1、多幀連續影像輸入
透過將三張連續影像堆疊，使模型能有效學習到羽球的「飛行向量」與「移動軌跡」，而非僅僅辨識球體外觀。能提高分辨球體與背景雜訊。系統將輸入影像統一調整為 288 x 512 像素，符合 TrackNetV2 模型的輸入規格，並透過計算比例係數將辨識座標還原至原始影像尺寸。
2、熱力圖偵測與座標定位
模型輸出並非直接給出座標，而是產生一張機率熱力圖[20]。設定信心度門檻為 0.4，當熱力圖中最大像素値超過此門檻時，代表模型判定該處存在羽球。利用 cv2.findContours 提取熱力圖中的高機率區塊，並計算輪廓的中心獲得球體的精確重心座標。座標會連同該幀的時間存入 CSV 檔案中。
原始影像機率熱力圖
去除背景影像機率熱力圖
3、雜訊過濾
由於實景拍攝可能出現光影閃爍或場外干擾導致誤判，因此加入雜訊過濾處理。利用羽球飛行軌跡通常具有連續性，系統會掃描生成的csv檔案，若某段連續出現的軌跡長度低於 20 幀則判定為雜訊，並自動將該段數據歸零。如果中斷的幀數小於 5 幀，接續的座標數據視為 同一球的飛行軌跡，以此提高羽球偵測的準確度。
原始羽球偵測座標csv檔
雜訊過濾後座標csv檔
後方影像_羽球偵測成果
原始羽球偵測成果
雜訊過濾後羽球偵測成果
bottom of page