• lentopallo
• sovelluskehitys
• tietokonenäkö

Kuvittele olevasi lentopallon pelaaja. Vastustajan passarilla on pallo ja sekunnin murto-osissa hyökkääjä lyö pallon verkon yli jopa 100 km/h. Näillä nopeuksilla ihmisen reaktioaika on yksinkertaisesti liian hidas. Jos odotat liian kauan ennen kuin alat liikkua, olet jo menettänyt pisteen.

Taitavat pelaajat luottavat havainto-kognitiivisiin taitoihin eli kykyyn lukea peliä. Tuleviin tapahtumiin ei niinkään reagoida vaan yritetään ennakoida lukemalla vastustajan kehonkieltä.

Hyvä tapa harjoitella vastustajan kehonkielen lukemista on otteluvideon katselu. Varsinkin sellaisten leikkeiden, joissa pelitilanne pysäytetään juuri ennen haluttua suoritusta. Tätä metodia kutsutaan englannin kielessä nimellä ”temporal occlusion training”.

Valmentajan työtaakka

Näiden harjoitusvideoiden manuaalinen tuottaminen on todella aikaavievää ja uuvuttavaa työtä. Valmentajan tai tilastoijan olisi käytettävä runsaasti aikaa videoklippien pilkkomiseen ja pysäyttämiseen.

Halusin korjata tämän ongelman opinnäytetyössäni. Asetin tavoitteekseni rakentaa sovelluksen, joka automatisoi kognitiivisten harjoitusmoduulien luomisen kokonaan. Tuloksena syntyi Volleyball IQ Trainer -ohjelmistosovellus, joka yhdistää edistyneen urheiluanalytiikan automatisoituun videonkäsittelyyn ja tarjoaa interaktiivisen pellillistetyn videonkatselukokemuksen.

Toteutus

Toimiakseen sovelluksen piti suorittaa kaksi hyvin erilaista tehtävää: pilkkoa suuria videotiedostoja ja suodattaa monimutkaista tilastotietoa. Koska mikään ohjelmointikieli ei ole täydellinen, jouduin käyttämään kahta eri kieltä toteutuksessa. Sovelluksen käyttöliittymä on toteutettu käyttäen PyQt6-kehystä.

1. Automatisoitu videon pilkkominen (Python): Sovellukselle syötetään otteluvideo, josta tietokonenäön avulla pilkotaan pelin pallorallit yksittäisiksi videoklipeiksi.
2. Tilastollinen jäsentäminen (R): R-skripti käsittelee DataVolley-tiedoston (.dvw). Se valitsee vain käyttäjän asettamien kriteerien mukaan halutut pelitilanteet ja muuntaa sekavat hyökkäyskoodit yksinkertaisiksi tiedoiksi: vasen, oikea tai keski ja tallentaa ne JSON-tiedostoon, joka toimii sovelluksen tietokantana.
3. Manuaalinen kalibrointityökalu (Python): Tämän työkalun avulla manuaalisesti asetetaan oikea kuva jolloin video pysähtyy.
4. Harjoitusmoduuli (Python): Käyttäjälle näytetään videoklippi, joka pysähtyy kun passari on koskettamassa palloa. Tässä vaiheessa täytyy yrittää ennakoida mitä seuraavaksi on tapahtumassa ja valita ruudulla näkyvistä painikkeista vasen, oikea tai keski.

Harjoittelukokemus

Lopputuloksena on selkeä työpöytäsovellus. Harjoitusmoduulissa sovellus toistaa videoklipit kronologisessa järjestyksessä. Jokaisessa klipissä video pysähtyy, kun passari on koskettamassa palloa ja pelaaja yrittää arvata mihin pallo seuraavaksi menee. Tämän jälkeen tilanteen voi katsoa loppuun tai mennä seuraavaan videoklippiin.

Mitä seuraavaksi

Sovellus osoittaa, että tällaisen urheluteknologian luomiseen ei tarvita massiivisia resursseja. Tulevaisuudessa sovellusta on mahdollista kehittää älykkäämmäksi. Tietokonenäköä voisi hyödyntää passarin ja pallon etsimiseen ja täten automatisoimaan pysäytyskuvan hetki, jonka seurauksena manuaaliselle kalibroinnille ei olisi enää tarvetta. Lisäksi koko arkkitehtuurin siirtäminen työpöytäversiosta verkkosovellukseksi antaisi urheilijoille mahdollisuuden käyttää harjoitusmoduuleja suoraan mobiililaitteilla tai tableteilla, mikä helpottaisi harjoittelun lisäämistä päivittäisiin rutiineihin.

Lähteet

Mäki, E. 2026, Lentopallon pelinlukua edistävä sovellus – Theseus, Turun ammattikorkeakoulun opinnäytetyö.
Artikkelikuva: Caglar Oskay, Unsplash