Golf, dünya çapında büyük bir kitle tarafından rağbet gören sporlar arasındadır. Golf oyuncuları, golf oynarken veya atış pratiği yaparken atışlarını izleme ve atışlarına ait bilgileri öğrenmeye ihtiyaç duyarlar. Dolayısıyla tüm golf oyuncularının oyun deneyimlerini ve performanslarını artıracak ürünlerin gelştirilmesi golf endüstrisi için oldukça önemlidir. Bu çalışma kapsamında Rapsodo Yazılım A.Ş., golf oyuncularının performansını daha iyi değerlendirmek, kullandığı sopa türüne göre oyun esnasında ve sonrasında analiz yaparak çıkarımlarda bulunmak için geliştirilen Mobil Atış İzleme (Mobile Launch Monitor (MLM)) ürününe görüntü işleme, Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) derin öğrenme teknikleri ile You Only Look One (YOLO) mimarisi kullanılarak mobil cihazlara uyumlu gerçek zamanlı golf sopası tespiti, sopa üzerinde yer alan karakterin tespiti, golf sopası sınıflandırılması ve görüntü arama gibi yetkinlikler kazandırılmıştır. Çalışma sonuçlarına göre golf sopası ve numara tespit süresi için 30 ms altında olması hedeflenen değer 20 ms, golf sopalarının sınıflandırılması için 20 msnin altında olması hedeflenen değer 15 ms olarak gerçekleşmiştir. Hedeflerimiz arasında tespit süresinin yanında Ar-Ge çalışmaları içerisindeki başarı oranları da oldukça önemlidir. Bu kapsamda golf sopasının doğru tespit oranının %95 üzerinde olması hedeflenen değer %97, görüntü başarı oranı %90 ve üzeri hedeflenen değer %93, sopa sınıflandırılmasında ise minimum %85 ve üzeri hedeflenen değer %89 olarak gerçekleşerek çalışma hedeflerine başarı ile ulaşılmıştır. Rakip analizleri yapıldığında muadil ürünlerde otomatik golf sopası tanıma özelliğinin olmadığı tespit edilmiştir. Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) 1501-Sanayi Ar-Ge Projeleri Destekleme Programı kapsamında 3211049 no’lu proje ile desteklenmiştir. ORCID NO: 0009-0003-7733-0163
Anahtar Kelimeler: Görüntü İşleme, Performansa Yönelik Çıkarımlar, Data Analitik, Golf Sopası Tanıma, Sopa Sınıflandırma, Görüntü Arama
|
