कैसे लेज़र और सेंसर न्यायाधीशों को परेशान रखने में मदद करते हैं

हेलो, हेब्र!

एक एथलीट के प्रदर्शन का मूल्यांकन एक कार्य है जो हर साल आसान नहीं होता है। गति बढ़ जाती है, कार्यक्रम अधिक जटिल हो जाते हैं, नए तत्व और उनके बंडल दिखाई देते हैं। कम से कम लंदन, रियो, वैंकूवर या सोची में स्केटर्स या जिमनास्ट के प्रदर्शन और उन कार्यक्रमों की तुलना करें जिनके लिए उनके पूर्ववर्तियों को आधी शताब्दी पहले सोना मिला था। अंतर उस एक को भी महसूस होगा जो खेल का पालन नहीं करता है।



कौन हैं जज? यद्यपि वे अपने क्षेत्र में पारंगत हैं, फिर भी सामान्य लोग जो थक जाते हैं, विचलित होते हैं, पलक झपकते हैं, भावनाओं में बह जाते हैं। परिणाम विवादास्पद निर्णय है, जिसके बाद प्रशंसक न्यायाधीशों के पूरे पैनल को "साबुन" पर भेजने के लिए तैयार हैं।
चूंकि एक व्यक्ति परिपूर्ण नहीं है, इसलिए विज्ञान और प्रौद्योगिकी की नवीनतम उपलब्धियों के साथ कमजोरियों की भरपाई क्यों नहीं की जाती है। फिनिश लाइन पर एक और मृत गर्मी ने एडवर्ड मेब्रिज को इस विचार के लिए प्रेरित किया कि लाइन पार करने वाले घोड़ों की एक समय पर तस्वीर उन्हें गर्म बहस और उनके समान रूप से गर्म परिणामों से बचाएगी जब दांव इतने ऊंचे होते हैं। उन्होंने जल्दी से अभ्यास करना शुरू किया और पहली बार दौड़ के दौरान फोटो खत्म 19 वीं शताब्दी के अंत में पहले से ही इस्तेमाल किया गया था। पहला वीडियो रीप्ले इस साल 65 वीं वर्षगांठ को चिह्नित करेगा। 1970 के दशक से, टेनिस इलेक्ट्रॉनिक लाइन जज का उपयोग करता रहा है - एक कम्प्यूटरीकृत प्रणाली जो यह निर्धारित करती है कि गेंद कहाँ उतरा।

ऐसी प्रणालियां प्रभावी होती हैं जब एक निश्चित कार्रवाई जीत की ओर ले जाती है (पहले फिनिश लाइन को पार करने के लिए, गोल में गेंद को स्कोर करें, विरोधियों के ऊपर कूदें, आदि), लेकिन सबसे अच्छा निर्धारित होने पर लगभग बेकार हैं, उदाहरण के लिए, तत्वों के प्रदर्शन की तकनीक से, उनकी संख्या और अनुक्रम। कार्यक्रम। यहां आपको सरल इंस्टेंट रिप्ले की तुलना में कुछ अधिक जटिल चाहिए। फुजित्सु 3 डी सेंसर तकनीक को इसके समाधान के रूप में देखता है, जो वास्तविक समय की स्कैनिंग, डिजीटलिंग और एथलीटों के आंदोलनों का मूल्यांकन करने की अनुमति देता है। कट के तहत इसके काम के सिद्धांत के बारे में अधिक।

मई 2016 में, Fujitsu और जापान जिमनास्टिक्स एसोसिएशन (JGA) ने 3 डी स्कैनिंग और मान्यता प्रौद्योगिकी का उपयोग करके एक रेफरी सपोर्ट सिस्टम बनाने के लिए एक संयुक्त शोध समझौता किया। JGA ने अपने हिस्से के लिए, Fujitsu को न्यायाधीशों के व्यावहारिक ज्ञान, एथलीटों पर डेटा, साथ ही एक परीक्षण वातावरण प्रदान किया, जबकि Fujitsu ने 3D सेंसर का उपयोग करके एक प्रोटोटाइप रेफरी समर्थन प्रणाली विकसित की।

आप शायद बताएंगे कि पहिया को क्यों मजबूत करना है। एक प्रसिद्ध गति पकड़ने की तकनीक है, जो लंबे समय से फिल्म उद्योग और गेम देव में सफलतापूर्वक उपयोग की जाती है। इसे लागू क्यों नहीं किया? जवाब बहुत आसान है। दर्जनों पिंग-पोंग बॉल की तुलना में छोटे सेंसर प्रशिक्षण के दौरान काफी हस्तक्षेप करते हैं, न कि एथलीटों को पदक के लिए प्रतिस्पर्धा करने के लिए तातमी या खेल के मैदान से बाहर जाने का उल्लेख करने के लिए। उन्होंने कोशिश की, लेकिन ऐसी तकनीक का अनुप्रयोग आमतौर पर प्रयोगशाला की स्थिति तक सीमित था। बेशक, एकत्रित डेटा का उपयोग प्रशिक्षण को अनुकूलित करने या चोटों को रोकने के लिए किया जा सकता है, लेकिन जूरी कम से कम जीवन को थोड़ा आसान बनाने में सक्षम नहीं था।

चीजों के इंटरनेट के विकास और IoT सेंसर की शुरूआत ने रेफरी को अधिक लाभ पहुंचाया है। उपकरण में छिपे हुए, कुछ रूपों में, जैसे कि तीरंदाजी या तायक्वोंडो, वे काफी सफलतापूर्वक यह निर्धारित करने में मदद करते हैं कि प्रतिभागियों में से कौन बेहतर था। तीरंदाजी में, सेंसर लक्ष्य में तीर की स्थिति को तायक्वोंडो में निर्धारित करता है - यह आपको ढाल और हेलमेट को हिट करने वाले हिट का मूल्यांकन करने की अनुमति देता है। यद्यपि यह विचार नए से दूर है, आइए टेनिस को याद करें, लेकिन IoT के विकास के साथ, विभिन्न विषयों में सेंसर का उपयोग करने के अधिक से अधिक अवसर हैं।
सच है, IoT सेंसर न्यायाधीशों का समर्थन करने के लिए वास्तव में सार्वभौमिक प्रणाली बनाने में मदद नहीं करेंगे। सबसे पहले, प्रत्येक खेल के लिए आपको अपने प्रकार का सेंसर चुनना होगा, और दूसरी बात, कई मामलों में, सेंसर को सीधे एथलीटों पर रखा जाना चाहिए। तीसरा, वे एथलीट के आंदोलन के 3 डी मॉडल बनाने के लिए वास्तविक समय में मदद नहीं करेंगे, जिसका अर्थ है कि वे उन खेलों में लागू नहीं हो पाएंगे जहां आंदोलनों, उपकरणों और तत्वों की जटिलता का मूल्यांकन किया जाता है।

प्रारंभिक बिंदु के रूप में जिम्नास्टिक का चुनाव आकस्मिक नहीं है। सबसे पहले, जिमनास्टिक एथलीटों द्वारा किए जाने वाले आंदोलनों की सबसे बड़ी विविधता से प्रतिष्ठित है। यह लंबी अवधि में बड़ी मात्रा में डेटा एकत्र करने की अनुमति देगा, इसके आधार पर उच्च स्तर की बहुमुखी प्रतिभा के साथ आंदोलनों का आधार बना सकता है और अन्य खेलों में इसका उपयोग कर सकता है।
दूसरा कारण अधिक पेशेवर है। जिम्नास्टिक जापान में एक लोकप्रिय और अच्छी तरह से विकसित खेल है। इसके अलावा, जापान की आबादी की "उम्र बढ़ने" की पृष्ठभूमि के खिलाफ (2035 तक, बुजुर्ग देश की कुल आबादी का लगभग एक तिहाई होगा), सरकार सक्रिय रूप से खेल और स्वास्थ्य देखभाल के विकास के उद्देश्य से पहल का समर्थन करती है। नतीजतन, फुजित्सु को अपेक्षाकृत आसानी से जापानी जिमनास्टिक एसोसिएशन और इंटरनेशनल जिमनास्टिक्स फेडरेशन के विशेषज्ञों के साथ-साथ अन्य इच्छुक संगठनों से व्यापक समर्थन और विशेषज्ञ सहायता मिली।

3 डी सेंसर

एथलीटों पर सीधे चिह्नित किए जाने वाले मार्कर और सेंसर से छुटकारा पाने के लिए, Fujitsu ने विश्लेषण के लिए गहरी छवियों (अर्थात, उस बिंदु पर वस्तु की दूरी जहां प्रत्येक पिक्सेल में संग्रहीत की जाती है, रंग नहीं) का उपयोग करने का निर्णय लिया। मानव आंदोलनों की त्रि-आयामी स्कैनिंग करने के लिए, सिस्टम तीन-आयामी लेजर सेंसर का उपयोग करता है जो गहराई की छवियों को पढ़ते हैं, जो शरीर की सतह के आकृति हैं। उसके बाद, जोड़ों की स्थिति निर्धारित करने के लिए कंकाल मान्यता तकनीक परिणामस्वरूप छवियों पर लागू होती है। बस यह आपको कोहनी, घुटने, रीढ़ आदि की स्थिति से जुड़े कोणों की सटीक गणना करने और इन कोणों के मूल्यों में एक अस्थायी परिवर्तन के आधार पर शरीर के आंदोलनों का विस्तार से विश्लेषण करने की अनुमति देता है। यही है, न्यायाधीश प्रणाली द्वारा प्राप्त मॉडल पर भरोसा कर सकते हैं,यह निर्धारित करें कि, उदाहरण के लिए, जिमनास्ट की पीठ तत्वों के निष्पादन के दौरान सीधे थी और जुर्माना तय करती थी।

एथलीट के तेज आंदोलनों की सटीक शूटिंग के लिए उच्च फ्रेम दर और गहराई से छवियों को इकट्ठा करने के लिए एक विधि की आवश्यकता होती है जो उच्च रिज़ॉल्यूशन और लंबी दूरी पर सभी आंदोलनों को कैप्चर कर सके। इस कारण से, मानक गहराई वाले कैमरे तुरंत दूर हो गए। इस तथ्य के बावजूद कि इस तरह के कैमरे को उच्च गति और उच्च रिज़ॉल्यूशन के साथ गहराई से जानकारी मिलती है, यह केवल थोड़ी दूरी से कर सकता है - 5 मीटर से अधिक नहीं। जो प्रतियोगिता स्थलों पर उनके उपयोग को बहुत सीमित करता है।
LIDAR तकनीक (लाइट डिटेक्शन एंड रेंजिंग) पर आधारित लेजर सेंसर के साथ स्थिति बेहतर है। वे 15 मीटर तक की दूरी से किसी वस्तु की गहराई से चित्र प्राप्त कर सकते हैं, लेकिन यहां स्कैनिंग गति और छवि गुणवत्ता प्रक्षेपण पक्ष पर स्कैनिंग प्रणाली के विन्यास और पता लगाने की दिशा में ऑप्टिकल प्रणाली पर निर्भर करती है। उदाहरण के लिए, एक प्रणाली में एक घूर्णन बहुभुज दर्पण के साथ, प्रत्येक स्कैन लाइन के बाद, सिस्टम को अगली स्कैनिंग प्रक्रिया शुरू करने के लिए दर्पण को एक निश्चित स्थिति तक घुमाने के लिए इंतजार करना चाहिए, जिससे गति कम हो जाती है।

माइक्रोइलेक्ट्रॉनिक सिस्टम्स (एमईएमएस) पर आधारित दर्पणों के उपयोग से स्कैनिंग की गति में काफी वृद्धि हो सकती है, लेकिन यहां तक ​​कि "इसे एक फाइल के साथ संशोधित करना" आवश्यक था। खेल में लेजर सेंसर और एमईएमएस दर्पण पर आधारित एक स्कैनिंग सिस्टम का उपयोग करने के लिए, मौजूदा LIDAR प्रौद्योगिकी की तुलना में स्कैन बिंदुओं की संख्या को दस गुना से अधिक बढ़ाना आवश्यक है, जिसका अर्थ है कि एमईएमएस दर्पणों की स्कैनिंग गति को बढ़ाना आवश्यक है। अन्यथा, आप उच्च-रिज़ॉल्यूशन छवियों को प्राप्त करने में सक्षम नहीं होंगे।
इसलिए, स्कैनिंग कोण आवर्धन लेंस का उपयोग करके MEMS दर्पण के आकार को कम करना आवश्यक था। यदि प्रकाश का प्रक्षेपण और पता लगाना समाक्षीय है, तो MEMS दर्पण के आकार को कम करना, जिसका उपयोग पता लगाने के लिए भी किया जाता है, लक्ष्य से सभी प्रकाश के प्रतिबिंब को रोक देगा, जिससे फोटोडेटेक्टर पर प्रकाश की मात्रा कम हो जाएगी। पर्याप्त पता लगाने योग्य प्रकाश सुनिश्चित करने के लिए, Fujitsu ने अलग-अलग प्रक्षेपण और पहचान इकाइयों के साथ एक ऑप्टिकल प्रणाली का उपयोग किया।

नीचे दिया गया आंकड़ा फुजित्सु प्रयोगशालाओं द्वारा विकसित तीन-आयामी लेजर सेंसर के कॉन्फ़िगरेशन को दर्शाता है, जो एक एमईएमएस दर्पण का उपयोग करके ऑप्टिकल विभाजन प्रक्षेपण / पहचान प्रणाली से लैस है।



लक्ष्य की दूरी को मापने के लिए, यह प्रणाली उड़ान के समय (ToF) पद्धति का उपयोग करती है, जो लेजर नाड़ी को प्रक्षेपित करने से लेकर उसके प्रतिबिंब का निर्धारण करने तक के समय को मापती है। एक लेज़र पल्स प्रोजेक्ट करने के लिए आवश्यक समय का उल्लेख करने, लक्ष्य से पता लगाने और ΔT के रूप में डिटेक्शन यूनिट पर प्रकाश का पता लगाने और c (लगभग 300,000 km / s) के रूप में प्रकाश की गति के साथ, आप निम्न समीकरण का उपयोग करके लक्ष्य को दूरी निर्धारित कर सकते हैं:

d = (c × Δ) टी) / 2

लेकिन मुश्किलें यहीं खत्म नहीं हुईं। सबसे पहले, सेंसर की स्थिति की सापेक्ष स्वतंत्रता सुनिश्चित करना महत्वपूर्ण था, क्योंकि वस्तुओं से उन्हें निश्चित और निरंतर दूरी पर स्थापित करना हमेशा संभव नहीं होता है, क्योंकि प्रतियोगिताओं के लिए सभी स्थान अलग-अलग होते हैं। उदाहरण के लिए, संवेदक को उच्च रिज़ॉल्यूशन में किसी ऑब्जेक्ट की गहरी छवि प्राप्त हुई जब वह करीब सीमा पर था। लेकिन अगर ऑब्जेक्ट सेंसर से आगे बढ़ता है, तो छवि रिज़ॉल्यूशन गिर जाएगा, बशर्ते कि देखने का कोण समान रहे। इससे बचने के लिए, हमने सिस्टम को देखने के कोण को नियंत्रित किया।

सिस्टम में प्रवेश करने वाले अतिरिक्त प्रकाश को "कट ऑफ" करना भी आवश्यक था (सूरज की रोशनी, स्पॉटलाइट, कैमरा फ्लैश, आदि)। ऐसा करने के लिए, एक मल्टी-सेगमेंट लाइट डिटेक्शन तकनीक विकसित की गई थी, जिसकी बदौलत स्कैनिंग सिस्टम MEMS मिरर कंट्रोल सिग्नल्स के साथ सिंक्रोनाइज़ किया जाता है ताकि केवल फोटोडेटेक्टर को चालू किया जा सके जो ऑब्जेक्ट से परावर्तित प्रकाश की सबसे बड़ी मात्रा प्राप्त करता है, जबकि अन्य सभी जो कि डिसिएंट लाइट से प्रभावित होते हैं। ।

अंत में, अंधा धब्बों से बचने के लिए 3 डी लेजर सेंसर के कई ब्लॉक के बीच सिंक्रोनाइजेशन जोड़ा गया है।

तो, उच्च गुणवत्ता और उच्च गति के साथ एथलीटों के आंदोलनों की गहराई से छवियों को प्राप्त करने का कार्य हल किया गया है। उनका विश्लेषण करने के लिए केवल एक चीज बची है।

कंकाल मान्यता प्रौद्योगिकी

कंकाल मान्यता तकनीक आपको 3 डी सेंसर से गहरी छवियों से मानव शरीर के विभिन्न जोड़ों के पदों पर डेटा निकालने की अनुमति देती है। खेल और लयबद्ध जिमनास्टिक, फिगर स्केटिंग, डाइविंग आदि जैसे खेलों में, जोड़ों की स्थिति के बारे में 3 डी-जानकारी, उनका कोण बेहद सटीक होना चाहिए, क्योंकि अंकों की संख्या इस पर निर्भर करती है, जो अंततः विजेता को निर्धारित करती है।

निम्नलिखित आंकड़ा प्रौद्योगिकी के सिद्धांत को दर्शाता है जो कंकाल की पहचान की उच्च गति और सटीकता प्रदान करता है। प्रारंभिक चरण में, सिस्टम को यह निर्धारित करने के लिए पहले से ही प्रशिक्षित किया गया है कि जोड़ों को छवि में कहां है और उनके आधार पर शरीर की स्थिति का एक 3D मॉडल बनाएं, लेकिन यह उस नए डेटा से प्रक्रिया में भी सीखता है जो इसे प्राप्त करता है।



प्रशिक्षण चरण में, पूर्वानुमान मॉडल बनाए जाते हैं जो जोड़ों के निर्देशांक के अनुमानित मूल्यों को गहराई से छवियों का उपयोग करके प्राप्त करते हैं। ऐसा करने के लिए, मशीन सीखने के लिए प्रशिक्षण सेट तैयार करने के लिए जोड़ों के निर्देशांक के साथ पहले से प्राप्त आंदोलनों से कंप्यूटर ग्राफिक्स का उपयोग करके गहरी छवियां बनाई गईं।

नतीजतन, मान्यता चरण में, कई 3D लेजर सेंसर से प्राप्त बहु-बिंदु गहरी छवियां जोड़ों के तीन-आयामी निर्देशांक (यानी, कंकाल को पहचानने) के लिए प्रशिक्षण चरण में बनाई गई भविष्यवाणी मॉडल के साथ सुपरिम्पोज की जाती हैं। इस स्तर पर, जोड़ों के प्राप्त निर्देशांक का उपयोग मानव मॉडल को एक बिंदु क्लाउड पर लागू करने के लिए प्रारंभिक मानों के रूप में किया जाता है, प्रत्येक सेंसर से प्राप्त गहरी छवियों के अनुरूप। इस प्रक्रिया को "फिट" कहा जाता है। फिटिंग के लिए उपयोग किए जाने वाले मानव मॉडल की सतह के निर्देशांक के करीब बिंदु बादल के निर्देशांक को यथासंभव बनाने के लिए, "संयोग की डिग्री" (संभावना) निर्धारित की जाती है, और फिर निर्देशांक अधिकतम संभावना के साथ खोजे जाते हैं, जो संयुक्त के अंतिम तीन आयामी निर्देशांक का निर्धारण करेगा।

मशीन लर्निंग का उपयोग करके कंकाल को पहचानते समय, सटीकता आमतौर पर कम होती है, क्योंकि भविष्यवाणी मॉडल के आधार पर जोड़ों की स्थिति निर्धारित की जाती है। हालांकि, यह बाद की फिटिंग प्रक्रिया कई 3D लेजर सेंसर से बिंदु बादलों के अनुसार वास्तविक मापा मूल्यों के साथ जोड़ों की स्थिति की तुलना करके सटीकता में सुधार करती है। इस समय, मशीन लर्निंग के आधार पर कंकाल की पहचान में मापा मूल्यों की सटीकता समायोजन की सीमा निर्धारित करती है और इसलिए, कंकाल की पहचान और प्रसंस्करण समय के अंतिम परिणामों की सटीकता को प्रभावित करती है। मशीन लर्निंग के आधार पर कंकाल की पहचान की सटीकता को बढ़ाने के लिए, कई भविष्यवाणी मॉडल तैयार किए जा रहे हैं जो इस तरह के शरीर की स्थिति को सामने, हैंडस्टैंड और रियर के रूप में संयोजित करते हैं।और एक विधि लागू होती है जो कंकाल को पहचानने से पहले शरीर की स्थिति का निर्धारण करके इष्टतम भविष्यवाणी मॉडल का चयन करती है। एकल पूर्वानुमान मॉडल में सभी आंदोलनों को समेकित करने की विधि की तुलना में, यह विधि उन आंदोलनों को सीमित करके मान्यता सटीकता बढ़ाती है जिन्हें पूर्वानुमान मॉडल में अध्ययन किया जाना चाहिए।



यह छवि जिमनास्टिक प्रतियोगिताओं में कई सेंसर का उपयोग करके मशीन सीखने के आधार पर कंकाल की पहचान के परिणामों को दिखाती है। घोड़े पर सर्कल की सवारी करते समय, आगे की स्थिति के अनुरूप एक भविष्यवाणी मॉडल का उपयोग किया जाता है, और एक छलांग के लिए, एक हैंडस्टैंड के अनुरूप एक भविष्यवाणी मॉडल का उपयोग किया जाता है। इन परिणामों से पता चलता है कि विभिन्न प्रकार की शरीर की स्थिति के लिए भविष्यवाणी मॉडल के बीच स्विच करना कंकाल को जिमनास्टिक के विशिष्ट आंदोलनों के लिए उच्च सटीकता के साथ मान्यता प्रदान करता है।

कार्यान्वयन और अनुप्रयोग

सिस्टम का पहला परीक्षण प्रदर्शन अक्टूबर 2016 में कांग्रेस के अंतर्राष्ट्रीय जिम्नास्टिक फेडरेशन में आयोजित किया गया था, जिसके बाद प्रौद्योगिकी के वास्तविक कार्यान्वयन पर काम शुरू हुआ। अक्टूबर 2017 में, मॉन्ट्रियल में 47 वीं विश्व जिमनास्टिक चैंपियनशिप में, वास्तविक प्रतियोगिता डेटा का उपयोग करके पहला सत्यापन प्रयोग किया गया था।

2019 में स्टटगार्ट में विश्व जिमनास्टिक्स चैंपियनशिप में, फुजित्सु प्रणाली को आधिकारिक रूप से 4 रूपों में प्रदर्शन की कठिनाई का आकलन करने के लिए एक सहायक उपकरण के रूप में मान्यता दी गई थी: जिमनास्टिक घोड़ा, रिंग, वॉल्ट (पुरुष और महिला)।
यह कहने योग्य है कि फुजित्सु 3 डी-सेंसर प्रणाली का उपयोग केवल न्यायाधीशों की मदद तक सीमित नहीं है। कई संभावित अनुप्रयोग परिदृश्य हैं।

जिमनास्ट के प्रदर्शन के बाद, सिस्टम सबसे विविध और जटिल आंदोलनों को पहचानना सीखता है। इसलिए, जल्द ही अन्य खेलों के लिए इसके आवेदन को अनुकूलित करना संभव होगा, प्रत्येक विशिष्ट अनुशासन के लिए उपयुक्त पूर्वानुमान मॉडल को निर्धारित करना केवल आवश्यक है। यह न केवल न्यायाधीशों को तेजी से निर्णय लेने में मदद करेगा, जिसका टेलीविजन प्रसारण में दिखावे की संख्या (एथलीटों के लिए कैमरों के सामने कम समय) में लाभकारी प्रभाव होगा, बल्कि दर्शकों को यह समझने में भी मदद मिलेगी कि अदालत पर क्या हो रहा है। प्रदर्शन के व्यक्तिगत क्षणों (जटिल तत्वों, त्रुटियों का निष्पादन) के दृश्य के लिए स्कैनर से संसाधित छवियां उत्कृष्ट हैं।




एथलीट और प्रशिक्षक वीडियो के उपयोग में सुधार करने, प्रशिक्षण का अनुकूलन करने और चोटों को रोकने के लिए स्कैनिंग के परिणामस्वरूप प्राप्त 3D मॉडल का उपयोग करके सिस्टम के संचालन और उसके अनुप्रयोग के परिदृश्यों के बारे में वीडियो का उपयोग कर सकते हैं। इसके अलावा, इस तरह की प्रणाली दूरस्थ प्रशिक्षण और परामर्श के लिए नई संभावनाओं को खोलती है, क्योंकि सिस्टम के मॉडल पारंपरिक वीडियो रिकॉर्डिंग की तुलना में एथलीट की तकनीक की बेहतर समझ देते हैं। उसी समय, मानव आंदोलनों को डिजिटल प्रारूप में प्रस्तुत किया जाता है, जिसका अर्थ है कि इन आंकड़ों का उपयोग अनुसंधान के लिए किया जा सकता है।

यह उपयोग परिदृश्य वर्तमान अवधि में विशेष रूप से प्रासंगिक हो रहा है। अब शहरों के बीच और यहां तक ​​कि देशों के बीच और भी अधिक लोगों की आवाजाही सीमित है, एथलीटों, हालांकि, खेल जीवन सामान्य होने पर वापस आने की प्रत्याशा में प्रशिक्षकों और अन्य विशेषज्ञों से अभ्यास और सक्षम सलाह की आवश्यकता नहीं होती है।

आप "रेफरी के नियमों के कब्रों" को भी त्याग सकते हैं, जो स्थैतिक चित्रण और व्यायाम के व्यायाम की आवश्यकता के बारे में लंबी व्याख्याओं से मेल खाते हैं। भविष्य अनुप्रयोगों के साथ निहित है, और 3 डी सेंसर से प्राप्त डेटा और मॉडल के आधार पर, हम नियमों के एक सेट के साथ न्यायाधीशों के लिए एक शानदार आवेदन प्राप्त करते हैं, सही निष्पादन तकनीक के गतिशील विस्तृत चित्र, जो न्यूनतम विसंगतियों या दोहरी व्याख्या की अनुमति देता है।

अंत में, वे रोगियों के पुनर्वास के लिए परिणामी 3 डी स्कैनिंग और मान्यता प्रणाली का उपयोग करने जा रहे हैं। यह संयुक्त गतिशीलता की बहाली की कल्पना करने और उपचार को सही ढंग से समायोजित करने में मदद करता है। दिलचस्प है, यह तकनीक मूल रूप से चिकित्सा संस्थानों में पुनर्वास के लिए Fujitsu प्रयोगशालाओं के विकास से बढ़ी है। दरअसल, इतिहास चक्रीय है।

उपयोगी लिंक

3 डी सेंसिंग टेक्नोलॉजी फॉर रियल-टाइम क्वांटिफिकेशन ऑफ़ एथलीट्स मूवमेंट्स
आईसीटी-आधारित जजिंग सपोर्ट सिस्टम फॉर आर्टिस्टिक जिम्नास्टिक और इरादा नई दुनिया को 3 डी सेंसिंग टेक्नोलॉजी के माध्यम से बनाया गया " फ्यूज की ओर एक कदम" फ्यूजित्सु तकनीक
के पहले आधिकारिक उपयोग के साथ। 2019 कलात्मक जिमनास्टिक विश्व चैंपियनशिप में