DOI: https://doi.org/10.1038/s41598-025-96945-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40274843
تاريخ النشر: 2025-04-24
المؤلف: Abdallah Rabee وآخرون
الموضوع الرئيسي: إصابات الرياضة والوقاية منها
نظرة عامة
تقيّم هذه الدراسة أداء ثمانية هياكل متقدمة من التعلم العميق (DL) – EfficientNetV2 و ResNet50 و VGG16 و Xception و InceptionV3 و MobileNetV2 و InceptionResNetV2 و DenseNet121 – في سياق الكشف التلقائي عن الأخطاء في كرة القدم. باستخدام مجموعة بيانات تتكون من 7000 صورة، تم تدريب النماذج واختبارها باستخدام مجموعة اختبار متوازنة من 700 صورة، تتضمن تمثيلات متساوية للأحداث المخالفة وغير المخالفة. تضمنت مقاييس الأداء دقة الاختبار والدقة والاسترجاع ودرجة F1 ومنطقة تحت منحنى التشغيل (AUC). ومن الجدير بالذكر أن InceptionResNetV2 حقق أعلى دقة اختبار بنسبة 87.57% ودرجة F1 قدرها 0.8966، بينما تفوق DenseNet121 في الدقة (0.9786) وAUC (0.9641). كما سلطت الدراسة الضوء على الأداء التنافسي للنماذج الخفيفة مثل MobileNetV2، مما يشير إلى ملاءمتها للتطبيقات في الوقت الحقيقي.
في الختام، تشير النتائج إلى أن InceptionResNetV2 وDenseNet121 وMobileNetV2 تقدم أفضل توازن بين الدقة والدقة العامة، مما يجعلها مرشحة قوية للتكامل في أنظمة التحكيم الاحترافية مثل حكم الفيديو المساعد (VAR). إن استخدام GradCAM++ لزيادة قابلية تفسير النموذج يعزز من شفافية اتخاذ القرار، مما قد يزيد من الثقة بين اللاعبين والمدربين والمشجعين. يجب أن تركز الأبحاث المستقبلية على تحسين هذه النماذج للنشر في الوقت الحقيقي، وتوسيع مجموعات بيانات التدريب لتشمل ظروف متنوعة، ودمج النمذجة الزمنية ودمج البيانات متعددة الوسائط لتحسين دقة الكشف عن الأخطاء بشكل أكبر. يمكن أن تعزز هذه التطورات بشكل كبير من فعالية الأنظمة الآلية في التحكيم في كرة القدم المعاصرة.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث. يتناول التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. استخدمت الدراسة نهجًا مختلطًا، يجمع بين القياسات الكمية والتقييمات النوعية لتوفير فهم شامل لسؤال البحث.
تم جمع البيانات من خلال استبيانات منظمة ودراسات ملاحظة، مما يضمن مجموعة بيانات قوية للتحليل. تم تطبيق طرق إحصائية، مثل تحليل الانحدار وANOVA، لتقييم العلاقات بين المتغيرات واختبار الفرضيات. تم تحليل البيانات النوعية باستخدام التحليل الموضوعي، مما يسمح بتحديد الموضوعات الرئيسية والأنماط التي ظهرت من ردود المشاركين. تعزز هذه المنهجية متعددة الأوجه من موثوقية وصدق النتائج، مما يساهم في فهم أعمق للظواهر المدروسة.
النتائج
يقيم قسم النتائج في الدراسة مختلف هياكل التعلم العميق (DL) للكشف التلقائي عن الأخطاء في كرة القدم. تشمل النماذج التي تم تقييمها EfficientNetV2 وResNet50 وVGG16 وXception وInceptionV3 وMobileNetV2 وInceptionResNetV2 وDenseNet121. تشمل التقييمات مقاييس أداء متعددة، مثل دقة التدريب والتحقق، ودقة الاختبار والخسارة، بالإضافة إلى الدقة والاسترجاع ودرجة F1 ومنطقة تحت المنحنى (AUC).
لتحسين فهم أداء كل نموذج، يتضمن القسم تمثيلات بصرية، بما في ذلك رسوم بيانية لدقة التدريب والتحقق والخسارة، ومنحنيات ROC، ومصفوفات الارتباك. تساهم هذه المساعدات البصرية في فهم أعمق لنقاط القوة والقيود في الهياكل المختلفة في سياق الكشف عن الأخطاء في كرة القدم.
المناقشة
يوفر قسم المناقشة في ورقة البحث نظرة شاملة على المنهجيات والنتائج المتعلقة بتقنيات التعلم العميق (DL) للكشف التلقائي عن الأخطاء في كرة القدم. يبرز التحليل المقارن لمختلف هياكل DL، بما في ذلك EfficientNetV2 وResNet50 وDenseNet121، من بين آخرين، مع التركيز على نقاط قوتها وضعفها الفريدة في سياق الكشف عن الأخطاء. تم هيكلة مجموعة البيانات، التي تتكون من 7000 صورة مصنفة إلى “مخالفة” و”غير مخالفة”، بدقة لتسهيل التدريب والتقييم الفعال، مع التركيز على تحقيق توازن في تمثيل كلا الفئتين. استخدمت الدراسة نهجًا منهجيًا لتدريب النموذج، باستخدام تقنيات مثل الإيقاف المبكر وGradCAM++ لزيادة قابلية التفسير، مما عزز بشكل جماعي من قوة وموثوقية نظام الكشف عن الأخطاء.
تشير النتائج إلى أن DenseNet121 وMobileNetV2 حققتا دقة تدريب عالية، حيث أظهرت DenseNet121 أداءً متفوقًا في التحقق، بينما تفوقت InceptionResNetV2 في دقة الاختبار والاسترجاع. تم تطبيق مقاييس التقييم، بما في ذلك الدقة والدقة والاسترجاع ودرجة F1 وAUC، بدقة لتقييم أداء النموذج، مما يكشف أن DenseNet121 حققت أعلى دقة وAUC، بينما تصدرت InceptionResNetV2 في الاسترجاع ودرجة F1. يبرز هذا التحليل التفصيلي للأداء إمكانيات هذه الهياكل DL للتطبيقات في الوقت الحقيقي في التحكيم في كرة القدم، لا سيما في تعزيز عمليات اتخاذ القرار من خلال الكشف الآلي عن الأخطاء. بشكل عام، تشير النتائج إلى أن اختيار النموذج بعناية أمر حاسم لتحسين الأداء في البيئات العملية، مثل أنظمة حكم الفيديو المساعد (VAR).
DOI: https://doi.org/10.1038/s41598-025-96945-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40274843
Publication Date: 2025-04-24
Author(s): Abdallah Rabee et al.
Primary Topic: Sports injuries and prevention
Overview
This study evaluates the performance of eight advanced Deep Learning (DL) architectures—EfficientNetV2, ResNet50, VGG16, Xception, InceptionV3, MobileNetV2, InceptionResNetV2, and DenseNet121—in the context of automated foul detection in football. Utilizing a dataset of 7,000 images, the models were trained and tested with a balanced test set of 700 images, comprising equal representations of foul and non-foul events. Performance metrics included test accuracy, precision, recall, F1-score, and Area Under the Receiver Operating Characteristic Curve (AUC). Notably, InceptionResNetV2 achieved the highest test accuracy at 87.57% and an F1-score of 0.8966, while DenseNet121 excelled in precision (0.9786) and AUC (0.9641). The study also highlighted the competitive performance of lightweight models like MobileNetV2, suggesting their suitability for real-time applications.
In conclusion, the findings indicate that InceptionResNetV2, DenseNet121, and MobileNetV2 offer the best balance of accuracy, precision, and generalization, making them strong candidates for integration into professional officiating systems such as the Video Assistant Referee (VAR). The use of GradCAM++ for model interpretability enhances decision-making transparency, potentially increasing trust among players, coaches, and fans. Future research should focus on optimizing these models for real-time deployment, expanding training datasets to encompass diverse conditions, and incorporating temporal modeling and multimodal data fusion to further improve foul detection accuracy. These advancements could significantly enhance the efficacy of automated systems in contemporary football officiating.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical procedures. The study utilized a mixed-methods approach, combining quantitative measurements with qualitative assessments to provide a comprehensive understanding of the research question.
Data were collected through structured surveys and observational studies, ensuring a robust dataset for analysis. Statistical methods, such as regression analysis and ANOVA, were applied to evaluate the relationships between variables and to test the hypotheses. The qualitative data were analyzed using thematic analysis, allowing for the identification of key themes and patterns that emerged from participant responses. This multifaceted methodology enhances the reliability and validity of the findings, contributing to a deeper insight into the studied phenomena.
Results
The results section of the study evaluates various deep learning (DL) architectures for the automatic detection of fouls in football. The models assessed include EfficientNetV2, ResNet50, VGG16, Xception, InceptionV3, MobileNetV2, InceptionResNetV2, and DenseNet121. The evaluation encompasses multiple performance metrics, such as training and validation accuracy, test accuracy and loss, as well as precision, recall, F1-score, and area under the curve (AUC).
To enhance comprehension of each model’s performance, the section includes visual representations, including training and validation accuracy and loss graphs, ROC curves, and confusion matrices. These visual aids contribute to a deeper understanding of the strengths and limitations of the different architectures in the context of foul detection in football.
Discussion
The discussion section of the research paper provides a comprehensive overview of the methodologies and findings related to deep learning (DL) techniques for automated foul detection in football. It highlights the comparative analysis of various DL architectures, including EfficientNetV2, ResNet50, and DenseNet121, among others, emphasizing their unique strengths and weaknesses in the context of foul detection. The dataset, comprising 7000 images categorized into “Foul” and “Not Foul,” was meticulously structured to facilitate effective training and evaluation, with a focus on balancing the representation of both classes. The study employed a systematic approach to model training, utilizing techniques such as early stopping and GradCAM++ for interpretability, which collectively enhanced the robustness and reliability of the foul detection system.
The results indicate that DenseNet121 and MobileNetV2 achieved high training accuracy, with DenseNet121 demonstrating superior validation performance, while InceptionResNetV2 excelled in test accuracy and recall. The evaluation metrics, including accuracy, precision, recall, F1-score, and AUC, were rigorously applied to assess model performance, revealing that DenseNet121 achieved the highest precision and AUC, whereas InceptionResNetV2 led in recall and F1-score. This detailed performance analysis underscores the potential of these DL architectures for real-time applications in football officiating, particularly in enhancing decision-making processes through automated foul detection. Overall, the findings suggest that careful model selection is crucial for optimizing performance in practical settings, such as Video Assistant Referee (VAR) systems.