Sistema de inteligencia artificial para la asistencia y corrección de técnicas de deportistas de alto rendimiento por visión artificial

Carlos Alfonso Trejo Villanueva; Derlis Hernández Lara; Emmanuel Tonatihu Juárez Velázquez; Cinthia Estela Trejo Villanueva

doi:10.5281/zenodo.17527815

Autores/as

Carlos Alfonso Trejo Villanueva a:1:{s:5:"es_ES";s:47:"Tecnológico de Estudios Superiores de Ecatepec";}
Derlis Hernández Lara TecNM / Tecnológico de Estudios Superiores de Ecatepec https://orcid.org/0000-0002-0167-618X
Emmanuel Tonatihu Juárez Velázquez TecNM / Tecnológico de Estudios Superiores de Ecatepec https://orcid.org/0000-0001-5388-0521
Cinthia Estela Trejo Villanueva TecNM / Tecnológico de Estudios Superiores de Ecatepec https://orcid.org/0000-0003-0606-1317

DOI:

https://doi.org/10.5281/zenodo.17527815

Palabras clave:

Deporte de alto rendimiento, Inteligencia Artificial, Media Pipe Pose, Python, Visión artificial

Resumen

En la actualidad, la visión artificial (VA) está experimentando un auge significativo gracias a los avances en inteligencia artificial (IA), aprendizaje automático (machine learning), la creciente disponibilidad de datos y potencia de cómputo. Las principales áreas de desarrollo de la IA son la industria manufacturera, el área de la salud, la automoción, seguridad y vigilancia, agricultura, deporte y otras más. En referencia al deporte de alto rendimiento, se establece que una de las grandes limitantes es la relación entre la cantidad de entrenadores capacitados y la cantidad de deportistas que atiende, entendiendo que el tiempo de atención a cada deportista se ve disminuido cuando aumenta la cantidad de personas con las que se entrena, generando un retraso en sus avances deportivos y posibles lesiones debido al desarrollo de técnicas erróneas por tal desatención. El presente trabajo desarrolla un sistema de asistencia para deportistas de alto rendimiento basado en inteligencia artificial, para la mejora de técnicas y corrección de errores en su ejecución. Se basa en algoritmos de visión artificial que permite establecer técnicas de entrenamiento y mecánicas de ejecución de ciertos ejercicios, haciendo uso de video en tiempo real en el que se informa a los deportistas de la correcta o deficiente ejecución de su técnica. Los resultados y conclusiones describen los por menores del desarrollo aplicados a técnicas de deportistas en el patinaje libre y los alcances de la implementación del prototipo.

Biografía del autor/a

Derlis Hernández Lara, TecNM / Tecnológico de Estudios Superiores de Ecatepec

Profesor Investigador de la División de Ingeniería Informática

Emmanuel Tonatihu Juárez Velázquez, TecNM / Tecnológico de Estudios Superiores de Ecatepec

Profesor Investigador en la División de Ingeniería Informática

Cinthia Estela Trejo Villanueva, TecNM / Tecnológico de Estudios Superiores de Ecatepec

Profesora Investigadora de la División de Ingeniería Informática

Citas

Bin Li, X. X. (2021). Application of Artificial Intelligence in Basketball Sport. Journal of Education, Health and Sport, 14.

Chen, Y., Zhu, Y., Papandreou, G., & Yuille, A. (2017). Associative embedding. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4107-4115).

Chunguang Li, J. C. (2023). Retracted: Intelligent Sports Training System Based on Artificial. Hindawai, 12.

Cruz, M. d. (Julio de 14 de 2021). La visión por computadora y las futuras aplicaciones tecnológicas en diversos escenarios. Obtenido de ESPE: https://journal.espe.edu.ec/ojs/index.php/Academia-de-guerra/article/view/VOL12ART13

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2961-2969).

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).

Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-excitation networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 7132-7141).

J. Riera, N., P. O., R. N. Verazay, A., Paz, F., Battezzati, V., Chuca, R., . . . Arjona, F. (2020). Técnicas de inteligencia artificial aplicadas a problemas de visión por computadora. Semantich Scholar.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.

Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In European Conference on Computer Vision (pp. 21-37). Springer.

Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3431-3440).

Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.

Redmon, J., Farhadi, S., & others. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).

Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Advances in Neural Information Processing Systems, 28, 91-99.

Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556*.

Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition.

Wang, Y., & Yu, Z. (2020). Deep learning for image super-resolution: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(4), 789-809.

Zhang, R., Isola, P., Efros, A. A., & Heeger, D. J. (2016). Colorful image colorization. In European Conference on Computer Vision (pp. 649-666). Springer.