https://dom.lndb.lv/data/obj/1716483 Teksts Zinātnisks darbs/Teksts https://dom.lndb.lv/data/obj/1716483.html https://dom.lndb.lv/data/obj/1716483.png Futbola bumbas detektēšanas uzlabošana, izmantojot video kadru differenci un dziļās mācīšanās modeļus Bakalaura darbs Andrii Zaporozhets Jānis Hofmanis, 1984 -zinātniskais vadītājs Ginta Majorerecenzents 51 lp. Ventspils: Ventspils Augstskola 2026 Digitāli radīts angļu Title of the Thesis: Improving Football Ball Detection Using Frame Differencing and Deep Learning Models. Author: Andrii Zaporozhets Supervisor: Dr. Sc. Comp Jānis Hofmanis Length of the Thesis: 37 pages, 2 tables, 10 references, 2 appendices. Keywords: ball detection, deep learning, optical flow, computer vision, image pro- cessing. The technological advancements have increased the amount of visual sport data by a great extent. With the synchronous rise of AI, it gives a lot of opportunities for visual data analysis. It helps to observe each player’s performance and is very important to teams and their coaches. But some video analysis tasks can be hard to complete for the ordinary models. As for the moving ball detection, it is often impossible for the majority of models to capture the ball while it is flying in the air passing by the complex background. For instance, just like a human eye, the model is likely to lose the ball when it appears to be on the motley background of the tribunes. In similar cases the ball is completely invisible and it disrupts the overall model performance greatly. This thesis proposes a solution to this problem where the main idea is applying optical flow methods for pre-processing training dataset and training the model on it. In this thesis author proves that stabilizing the motion in the video images using approaches as Lucas-Kanade stabilization method, Shi-Tomasi corner detector and frame difference method to the train data, the resulting performance of the model is much better in the specific cases when the ball is hard to find. Darba nosaukums: Futbola bumbas detektēšanas uzlabošana, izmantojot video kadru differenci un dziļās mācīšanās modeļus. Autors: Andrii Zaporozhets Darba vadītājs: Dr. Sc. Comp Jānis Hofmanis Darba apjoms: 37 lapas, 2 tabulas, 10 references, 2 pielikumi. Atslēgas vārdi: bumbas atpazīšana, dziļā apmācība, optiskās plūsmas metode, da- torredze, attēlu apstrāde. Datortehnoloģiju attīstība ir ievērojami palielinājusi vizuālo sporta datu apjomu. Vienlaikus ar straujo mākslīgā intelekta attīstību šis fakts paver plašas iespējas sporta datu analīzei. Šāda analīze palīdz novērtēt katra spēlētāja sniegumu un ir ļoti nozīmīga gan komandām, gan to treneriem. Tomēr daži video analīzes uzdevumi izplatītākajiem datorredzes modeļiem var būt grūti izpildāmi. Piemēram, kustīgas bumbas noteikšana bieži vien ir sarežģīta, jo lielākā daļa datorredzes modeļu nespēj uztvert bumbu brīdī, kad tā lido gaisā uz sarežģīta fona. Līdzīgi kā cilvēka acs, arī modelis var pazaudēt bumbu, ja tā parādās uz raiba tribīņu fona. Šādos gadījumos bumba kļūst gandrīz neredzama un saplūst ar fonu, kas būtiski pasliktina kopējo modeļa darbības kvalitāti. Šajā darbā tiek piedāvāts risinājums šai problēmai, kura galvenā ideja ir optiskās plūsmas metožu izmantošana apmācības datu kopas priekšapstrādē un modeļa apmācība, izmantojot šādi sagatavotus datus. Darbā autors pierāda, ka, stabilizējot kustību video attēlos ar tādām pieejām kā Lucas–Kanade stabilizācijas metode, Shi–Tomasi stūru detektors un kadru starpības metode apmācības datiem, iegūtā modeļa veiktspēja ir ievērojami labāka īpašos gadījumos, kad bumbu ir grūti saskatīt. Academia Bakalaura darbi Ventspils Augstskola. Informācijas tehnoloģiju fakultāte Datorzinātnes Ventspils (Latvija) Ventspils Augstskola 2026-08-17 Aizsargāts ar tiesībām Šo darbu aizsargā autortiesības un/vai blakustiesības. Šo darbu var brīvi lietot personiskai lietošanai, zinātniskam pētījumam vai pašizglītībai. Citiem izmantošanas veidiem jāsaņem tiesību subjekta (-u) atļauja. Ir aizsargāts ar autortiesībām — komerciālā apritē neesošs Pieejams tīmeklī (bez iespējas lejupielādēt) false Ir aizsargāts ar autortiesībām Nav pieejams https://dom.lndb.lv/data/obj/file/41695910 Microsoft Edge PDF Document 41695910.pdf 15,5 MB application/pdf 17.08.2026 11:53:38 17.08.2026 11:53:38 51 LaTeX with hyperref pdfTeX-1.40.27 17.08.2026 11:53:38 No Document K:\Cache\3956598 17.08.2026 11:53:38 1.5 copyright.json Autortiesību fails JSON File 41695918.json 7,32 KB application/json 17.08.2026 11:55:22 17.08.2026 11:55:22 17.08.2026 11:55:22 K:\Cache\3956598 17.08.2026 11:55:22