主持人:黃俊龍教授
在羽球訓練中,除了增進羽球選手自身的基礎體能能力和技巧外,賽局及選手的分析也是不可或缺的角色。選手或教練能夠透過對如選手自身或對手的球種、球路、跑位、戰力、得失分分析等來制定相對應的戰術。除了選手和教練之外,民眾也可以透過這些分析更加了解羽球賽事及羽球選手的特點,而對於有羽球能力的民眾則是能藉此精進自己的羽球能力。在目前已知的羽球資料中,主要是影片類型居多,如果沒有相關的專業人員輔助說明,一般人很難從中獲得重要資訊,且影片類型的資料也較難分析,因此透過我們開發的拍拍標記系統將影片資料轉換,並且透過統計分析、機器學習等方法來進行資料分析及羽球視覺化,並公開到我們所創建的公享平台,分享給大眾,以利於精準運動的發展。
透過統一註冊方式將帳號註冊朝向以第三方登入為主,以及重新配置網頁呈現改善原有的網頁於單一頁面上提供過於繁雜的資訊及多個註冊方式。再來是以扁平化為目標來修改網頁,並且希望可以同時擁有中英文介面來給予使用者更好的視覺化體驗。
得失分站位回放: 球員可能會偏好右側攻擊或左側攻擊,因此以決勝拍(末拍)擊球者為觀察對象,根據擊球者的輸贏及擊球位置來分群,回放各回合的賽點末影像;為了觀察球路設計,可選擇回放比分最後的1/3/5拍。以統計圖表來說,我們可以看到再透過殺球得分的部分,戴資穎具有明顯的優勢。
殺球上網跑速統計: 殺球上網是最常見跑速的分析情境,計算在後場刹球之後,跑到前場接球的跑速,統計三局的跑速變化。
殺球得分率及回放: 殺球是相對耗體力的擊攻,因此有效殺球率可以評估球員有效使用體力的指標。
以上功能預期於今年年底開放
舉例來說:
以決勝拍(末拍)擊球者為觀察對象,根據擊球者的輸贏及擊球位置來分群,回放各回合的賽點末影像,可選擇回放比分最後的1/3/5拍。以統計圖表來說,我們可以看到再透過殺球得分的部分,戴資穎具有明顯的優勢。
我們也可以觀察到在這場比賽中戴資穎相對於陳雨菲來說,無論是在球場中間,抑或是整體的殺球得分率,都來得比較高。
今年我們共收集了40場單打比賽資料,其中包含今年 7 月底的巴黎奧運 7 場,和 8 月底的巴黎帕運 3 場賽事,以及13 場超級 1000—大馬公開賽、全英公開賽,10 場超級 750—印度公開賽、法國公開賽,3 場超級 500—泰國公開賽、大馬大師賽、印尼大師賽,4 場超級 300—德國公開賽、泰國大師賽。
至於雙打比賽,今年我們目前總共收集了16場比賽的資料,包括巴黎奧運7場,主要以台灣男子雙打組合王齊麟與李洋、以及混合雙打組合葉宏蔚與李佳馨以及以上兩組合次輪將對戰之對手先前出賽場次為主要收集目標,奧運期間以外,我們針對今年以上兩個代表台灣出賽巴黎奧運的組合亦收集了其他超級 500 系列以上的比賽資料,以提供更全面的分析。例如,對於葉宏蔚與李佳馨,我們收集了3場比賽的資料,分別來自2024年全英羽球公開賽、印度羽球公開賽和瑞士羽球公開賽。至於王齊麟與李洋,我們則收集了2場比賽的資料,分別來自2024年法國羽球公開賽和全英羽球公開賽。除了以上針對台灣選手組合的資料收集,我們還收集了4場其它組合超級 500 系列以上的八強賽資料。
除了以上賽事,今年另外新增標記帕拉羽球賽事,包含今年 8 月底舉行的巴黎帕運,著重國手胡光秋與楊依宸出場賽事,或次輪將對戰之對手先前出賽場次,共標記女子 WH1 組別 3 場賽事。
今年迎來巴黎奧運這一國際重大賽事,我們全力投入,針對選手的比賽進行資料收集,提供更全面的分析與視覺化呈現。我們收集巴黎奧運單雙打各七場共十四場的比賽資料,並皆提供視覺化的分析,例如雙打我們提供了決勝球數量分布、接發球統計等等。
以下為我們男子單打國手周天成於 2024 巴黎奧運 16 強對戰日本選手奈良岡功大之賽事的網站視覺化分析:
共分成五種失分種類,其中可以看到奈良岡功大的大多數失分次數皆高於周天成,其中又尤以回球出界之失分次數為最。
無論是受迫性或非受迫性失誤,奈良岡功大皆較周天成高,其中受迫性失誤差異較為明顯,顯示周天成的攻勢能有效壓迫對手,造 成其較不易防守回擊,容易產生失誤而失分。此外,雙方非受迫性失誤的次數皆較高,此數據由上圖「失分種類」中的出界次數可見一斑。
了解雙方失分與失誤種類後,再搭配下圖「失分位置分布」的數據,可以了 解雙方失分時球的落點分布位置。球場空白處代表對手所在半場,而有顏色與數字標記之半場為選手所在位置,舉例而言:下左圖的左半場(空白)為奈良岡功 大的所在位置,而右半場(黃色)為周天成所在位置,至於奈良岡功大的半場外 圍,代表周天成選手回擊出界的範圍。
周天成選手的網前失分比例較高,搭配上方「失分種類」圖表掛網失分為第 二多,可推論對方回小球質量高導致回球容易掛網,亦或是放小球未成功。而奈 良岡功大的失分位置以中場中線附近為最高,此處較容易失分的原因可能是周天 成的殺球攻擊奏效,奈良岡功大未能成功擋下而造成失分。另外在「失分種類」 圖表中可見,雙方的失分種類皆屬出界為最高,若再搭配上圖,便能了解雙方出界落點,皆集中在右側邊線與底線。
羽球比賽中,單打與雙打比賽是有區別性的。在單打比賽中,主要關注的是球員的特定風格與自身的爆發力及耐力;而在雙打比賽中,著重的點為與隊友之間的默契配合,來形成獨特的團體戰術風格,且雙打時會主要攻擊較弱的對手。所以單打與雙打著重點不同,因此要設計兩個不同的拍拍標記。
因此透過我們所設計的單打標記的半自動化標記程式,以此為基礎設計出雙打半自動化標記程式:Double labeling tool。根據單打程式的架構,雙打標記流程改為以組為單位,在標記球員位置上,原本的程式是標記球員的慣用腳,而在雙打比賽中,球員位置的定義是兩隻腳的中心點。再來,為了更詳細記錄雙打比賽中四位球員資訊,會分別記錄該得分中的失分類型及失誤球員。最後為了防止在標記時判斷球員錯誤而造成資料錯誤,有特別在標記旁設置四位球員照片以供參考,如圖一。同樣的,雙打標記我們一樣偕同本校羽球校隊來協助標記雙打賽事,也會根據標記校隊成員給予我們的反饋來修改修改程式,已給予一個完善設計的來降低手動標記的錯誤率。
圖一 雙打標記流程
圖二 雙打拍拍標記介面
如何蒐集使用者的羽球資料並分析球員的球速、角度、最大高度等資訊,以提供準確且有價值的運動分析結果,同時處理攝影系統錯誤定位和雜點干擾所引起的不確定性,以確保軌跡資訊的準確性和可靠性。
因此開發一個攝影系統並應用深度學習和數學方法進行羽球資料的處理和分析:
1.攝影系統開發:建立一個包含四個相機的攝影系統,以同步錄影方式捕捉球場上的羽球活動。確保攝影機的覆蓋範圍和影像品質,以獲得準確的影片資料。
2.深度學習模型應用:利用我們所開發的深度學習模型,對攝影系統所錄下的影片進行處理。該模型可以定位羽球在2D影像中的座標位置,為後續的3D軌跡定位提供基礎。
3.三角定位與3D軌跡定位:利用已定位的2D座標和相機間的幾何關係,應用三角定位方法計算出羽球在3D空間中的軌跡。這樣可以得到羽球的位置和運動軌跡。
4.雜點去除和軌跡平滑化:由於3D軌跡定位可能存在誤判和雜點,使用數學方法去除這些雜點,並對軌跡進行平滑化處理,以獲得更準確和平滑的軌跡資訊。
5.資料分析:利用獲得的軌跡資訊,進行球速、角度、最大高度等球員的運動資訊分析。這可以通過計算位移、速度和加速度等數據指標來實現。
相機拍攝影像時會受到內部設計和鏡頭特性的影響,因此要進行校正以還原真實世界的空間比例。內部參數用來描述相機的焦距、光學中心和鏡頭形變,這些數據能讓我們精確地將像素點對應到空間位置。形變係數則表示影像平面在橫向與縱向之間的角度偏移,這通常是鏡頭與感測器不完全平行造成的,在專業應用中特別重要。棋盤格法是校正過程中常用的標定工具,利用棋盤格的規律結構計算交點的空間位置,進而推算出相機的內部參數和形變係數。這些參數對於後續的物件偵測、追蹤等應用至關重要,使得影像分析更加準確可靠。
去形變前
去形變後
單打雙打資料收集
羽球社群平台與智慧球館平台:為了推廣羽球運動,我們也會在平台上提供選手及教練不同面向技術戰分析
基於3D攝影系統的智慧球館應用