Syväoppimismallin kehittäminen jääkiekkomaalivahdin torjuntojen tunnistamiseen

Abstract

Jääkiekkomaalivahtien kehityksessä videopalautteella on keskeinen rooli, sillä sen avulla voidaan analysoida torjuntatekniikoita, sijoittumista sekä päätöksentekoa pelitilanteissa. Videopohjainen urheiluanalytiikka on kehittynyt merkittävästi viime vuosina, mutta sen hyödyntäminen erityisesti juniorijääkiekossa on edelleen rajallista. Yksi keskeinen syy tähän on analyysiprosessin työläys, sillä valmentajien täytyy käydä läpi useiden tuntien pelivideoita manuaalisesti löytääkseen analysoitavat torjuntatilanteet. Tämä tekee videopalautteen tuottamisesta aikaa vievää ja vaikeasti skaalautuvaa erityisesti ympäristöissä, joissa resurssit ovat rajalliset. Tässä opinnäytetyössä kehitettiin konenäköön ja syväoppimiseen perustuva järjestelmä, joka tunnistaa automaattisesti maalivahtien torjuntatilanteita videomateriaalista ja muodostaa niistä valmiin koostevideon analysointia varten.

Työ toteutettiin toiminnallisena kehittämistyönä, jossa rakennettiin konenäkömalli sekä sitä hyödyntävä Python-ohjelma. Järjestelmä hyödyntää YOLO-arkkitehtuuriin perustuvaa objektintunnistusmallia, joka koulutettiin annotoidulla jääkiekkomaalivahtien pelitilanteista koostuvalla kuva-datasetillä. Mallin koulutus toteutettiin Google Colab -ympäristössä, ja aineiston annotointi sekä hallinta toteutettiin Roboflow-palvelussa. Ohjelma käsittelee pelivideon automaattisesti, tunnistaa halutut tilanteet ja muodostaa niiden perusteella analysointiin soveltuvan koostevideon.

Työn tuloksena syntyi toimiva prototyyppi, joka automatisoi videoanalyysiprosessin eniten aikaa vievät vaiheet. Järjestelmä pystyi käsittelemään noin 2,5 tunnin mittaisen pelivideon keskimäärin 20–30 minuutissa, kun vastaava manuaalinen analyysi vie tyypillisesti 2–3 tuntia. Tulokset osoittavat, että konenäköön perustuva ratkaisu voi merkittävästi vähentää videovalmennukseen liittyvää manuaalista työmäärää sekä tehostaa urheiluanalytiikkaa. Vaikka järjestelmässä on vielä kehityskohteita esimerkiksi käytettävyyden ja tunnistustarkkuuden osalta, työ osoitti, että syväoppimiseen perustuvia menetelmiä voidaan hyödyntää tehokkaasti myös jääkiekkomaalivahtien videoanalytiikassa.