羽毛球视界：一项用于精英羽毛球比赛中自动战术分析的深度学习框架

《BMC Sports Science, Medicine and Rehabilitation》：Badmintonvision: a deep learning framework for automated tactical analysis in elite badminton

　　羽毛球战术分析对于表现优化至关重要，然而传统人工视频回看方式耗时费力、主观性强且难以规模化。现有深度学习方法在单帧快速击球识别方面仍存在不足，并需要大量标注数据。本文提出 BadmintonVision，一个融合自监督学习（SSL）、时序建模与战术分析的羽毛球自动化分析集成框架。检测模型基于 ConvNeXt V2，在139,501张未标注图像上进行预训练。我们开发了 MotionFormer，一种基于 Transformer 的模块，可处理10帧窗口（400毫秒），以捕捉完整击球周期；并构建了来自2019至2025年世界羽联世锦赛的30,000张专家标注图像数据集，涵盖五类动作类别。BadmintonVision 实现了94.1%的检测准确率（mAP@0.5），其中自监督预训练为击球识别带来9.8%的相对提升，时序建模进一步带来6.3%的相对提升。运动分析表明，得分回合与更高的路径效率（Cohen's d = 1.77）及更短的恢复时间（d = ?1.56）相关，但这些相关性发现需谨慎解读。在一项探索性的性别分层分析中，马尔可夫链建模进一步表明击球转换序列中存在与性别相关的初步规律；鉴于所分析的比赛和运动员数量有限，这些模式仅具有描述性，需在更大规模的平衡样本中加以验证。BadmintonVision 提供了一种可复现的定量战术分析方法，支持精英羽毛球领域的教练决策与表现研究。