1. Введение

Судейство в одиночном фигурном катании основано на системе ISU Judging System (IJS), введённой в 2004 году. Оценка каждого прыжкового элемента включает базовую стоимость (Grade of Execution Base Value, BV) по таблице Scale of Values и компонент качества исполнения (Grade of Execution, GOE) в диапазоне от −5 до +5 баллов, выставляемый девятью арбитрами визуально. Субъективный характер оценки GOE является системной проблемой: на Олимпийских играх 2026 года разброс GOE одного спортсмена у разных арбитров превысил 13 баллов [1]. Анализ скандалов ISU (2002–2026) подтверждает устойчивый характер проблемы [2].

Автоматизация анализа прыжков активно развивается в смежных видах спорта: система Hawk-Eye в теннисе с 2025 года обеспечивает полностью автоматический контроль линий [3], система VAR в футболе достигла точности принятия решений 97–98 % [4]. Фигурное катание существенно отстаёт от этой тенденции: ISU проводит тестирование высокоскоростных камер, однако инструментальная оценка GOE в рамках соревнований не используется. Ручной анализ видеозаписи одного прыжка специалистом занимает 15–20 минут; при нагрузке 200 анализов в месяц это составляет 50–67 чел.-ч.

Цель настоящей работы — разработка прототипа информационной системы (ИС), позволяющей автоматически определять тип прыжка, число оборотов, базовую стоимость и семь параметров качества исполнения на основе видеозаписи, загружаемой через веб-интерфейс.

2. Постановка задачи и технические требования

Разработанное техническое задание включает семь функциональных требований. Система должна принимать видеофайлы форматов MP4, AVI, MOV с разрешением не менее 720p и размером до 500 МБ; определять не менее 33 ключевых точек тела спортсмена с точностью PCKh@0.5 ≥ 85 %; классифицировать шесть типов прыжков ISU с точностью ≥ 80 %; определять число оборотов с погрешностью ≤ 0,25 оборота; рассчитывать семь метрик качества исполнения, включая расчётный GOE; формировать отчёт в форматах PDF и JSON; сохранять результаты в базе данных PostgreSQL 16 с поддержкой накопления обучающих данных при наличии согласия пользователя.

Нефункциональные требования сформулированы в соответствии с ГОСТ Р ИСО/МЭК 25010–2023. Требования к производительности: время полного анализа одного видеофрагмента не более 25 с при наличии GPU (NVIDIA CUDA) и не более 3 мин на CPU класса Intel Core i7. Требования к совместимости: поддержка операционных систем Windows 10+, Ubuntu 20.04+, macOS 12+. Требования к надёжности: среднее время между сбоями (MTBF) — не менее 200 последовательных анализов.

3. Архитектура и программная реализация

Система реализована как монолитное веб-приложение на базе фреймворка Streamlit 1.35. Архитектура задокументирована в нотации C4 на трёх уровнях: контекстная диаграмма, диаграмма контейнеров и диаграмма компонентов. Прикладной аналитический конвейер состоит из 13 Python-модулей (~3 500 строк кода) и реализует паттерны проектирования Facade, Strategy и Registry.

Технологический стек: Python 3.11, MediaPipe 0.10 (BlazePose Heavy), PyTorch 2.2 (LSTM-классификатор), OpenCV 4.9 (предобработка видео), NumPy / SciPy (вычисление метрик), scikit-learn (разбиение выборки, оценка качества), Streamlit 1.35 (веб-интерфейс), PostgreSQL 16 в третьей нормальной форме. Весь стек является программным обеспечением с открытым исходным кодом, что полностью исключает лицензионные расходы.

Конвейер обработки: OpenCV декодирует видео по кадрам; MediaPipe BlazePose Heavy извлекает 33 ключевых точки тела; PhaseDetector определяет четыре фазы прыжка (подготовка, отталкивание, полёт, приземление); RotationCounter применяет три независимых метода (FFT, интеграция yaw-угла таза, подсчёт нулевых пересечений) и возвращает медиану; LSTM-классификатор с 256 нейронами в каждом из двух слоёв определяет тип прыжка; QualityMetrics рассчитывает семь биомеханических показателей и расчётный GOE [2].

4. Формирование датасета и обучение классификатора

Обучающая выборка сформирована из 480 видеофрагментов прыжков (по 80 на каждый из шести классов), извлечённых из открытых трансляций соревнований ISU: чемпионатов мира и этапов Гран-При ISU 2023–2025 годов. Критерии включения: разрешение не ниже 720p, частота не менее 25 кадр/с, прыжок представлен полностью (от отталкивания до приземления), обе ноги спортсмена видны в кадре, угол съёмки фронтальный или не превышает 45°. Разметка выполнена двумя независимыми экспертами уровня кандидата в мастера спорта по фигурному катанию с использованием инструмента CVAT 2.x; коэффициент межэкспертного согласия Коэна κ = 0,94. Конфликты разрешались привлечением третьего эксперта.

Аугментация — горизонтальное зеркалирование, гауссовский шум (σ = 0,005) и изменение скорости (±15 %) — утроила выборку до 1 440 примеров (разбиение 70/15/15 %). Обучение LSTM: оптимизатор AdamW (lr = 1×10⁻³, wd = 1×10⁻⁴), CrossEntropyLoss с весами классов, ранняя остановка patience = 7. Итог: val_accuracy = 0,91, test_accuracy = 0,88.

5. Результаты тестирования

Тестирование прототипа проводилось на четырёх уровнях: модульное (18 тест-кейсов pytest, покрытие кода 74 %), интеграционное, системное и приёмочное. Приёмочное тестирование выполнялось на отдельном датасете из 50 аннотированных видеофрагментов, не входивших в обучающую выборку. Все семь функциональных сценариев (ТС-01 — ТС-07) пройдены успешно. В ходе тестирования выявлено три дефекта (D-001 — D-003), которые устранены до финальной приёмки.

Таблица 1

Ключевые показатели качества прототипа СОП

Анализ матрицы ошибок выявил единственный систематический тип ошибок: прыжки флип (F) и лутц (Lz) путаются в 4 % случаев при малом угле съёмки, когда ребро отталкивания визуально неразличимо. Данный дефект может быть устранён применением мультикамерной съёмки или дообучением на расширенном датасете с метками ребра.

6. Экономическое обоснование

Себестоимость разработки прототипа рассчитана по нормативам РФ. Трудоёмкость составила 440 чел.-ч. (11 недель × 40 ч/нед.); часовая ставка разработчика уровня Junior–Middle по данным hh.ru за I квартал 2026 года — 565,48 руб./ч (при среднемесячной заработной плате 95 000 руб./мес. и нормативе 21 рабочий день × 8 ч). Основная заработная плата составила 248 811,90 руб.; с учётом дополнительной заработной платы (12 %, ТК РФ), страховых взносов (30,2 %: ПФР 22 % + ФСС 2,9 % + ФОМС 5,1 % + НС 0,2 %, НК РФ) и накладных расходов (20 % от ФОТ) фонд оплаты труда составил 362 791,07 руб. Расходы на лицензионное программное обеспечение равны нулю — весь технологический стек распространяется под свободными лицензиями. Итоговая себестоимость разработки: 442 323 руб.

Прямой экономический эффект от внедрения определяется сокращением трудозатрат специалиста на 480 чел.-ч/год (при нагрузке 200 анализов в месяц и экономии 40 чел.-ч/мес.) и составляет 288 000 руб./год. Косвенный эффект от автоматического накопления размеченного датасета прыжков (стоимость профессиональной разметки одной записи — 400 руб.) при 120 верифицированных записях в месяц: 576 000 руб./год. Совокупный годовой эффект: 864 000 руб. Простой срок окупаемости PP = 472 323 / 288 000 = 1,64 года (20 месяцев), что соответствует нормативу ≤ 24 месяцев. Коэффициент экономической эффективности КЭЭ = 0,61 при нормативе > 0,33 [5].

7. Заключение

В работе разработан и верифицирован прототип информационной системы классификации и оценки прыжков в фигурном катании. Система реализует полный аналитический конвейер: от детекции позы спортсмена до формирования структурированного отчёта с семью биомеханическими метриками и расчётным GOE. Достигнутая точность классификации 88 % превышает критерий технического задания на 8 процентных пунктов; погрешность определения числа оборотов 0,14 об. вдвое лучше допустимого значения. Все шесть задач, поставленных во введении, выполнены в полном объёме.

Практическая значимость системы определяется тремя факторами: объективизацией оценки прыжковых элементов, сокращением трудозатрат на анализ видеозаписей в 4–5 раз и созданием инфраструктуры для автоматического накопления размеченного датасета. Экономические показатели подтверждают целесообразность проекта: срок окупаемости не превышает нормативного значения, коэффициент экономической эффективности вдвое превышает нормативный порог.

Перспективы: мультикамерная съёмка для разделения флипа/лутца, расширение датасета, интеграция с облачными платформами и разработка мобильного приложения для тренировочного процесса.

Литература:

1. Olympics — Figure Skating turns to AI to tackle judging controversies [Электронный ресурс] // Reuters / The Star. — 2026. — 8 February. — Режим доступа: https://www.thestar.com.my/sport/others/2026/02/08/olympics-figure-skating-turns-to-ai-to-tackle-judging-controversies (дата обращения: 07.04.2026).
2. International Skating Union. Special Regulations & Technical Rules: Single & Pair Skating and Ice Dance 2024 [Электронный ресурс] / International Skating Union. — Lausanne: ISU, 2024. — Режим доступа: https://www.isu.org/inside-isu/rules-regulations/isu-statutes-constitution-regulations-technical-rules (дата обращения: 07.04.2026).
3. Farewell tradition, hello robots: Wimbledon adjusts to life without line judges [Электронный ресурс] // The Guardian. — 2025. — 30 June. — Режим доступа: https://www.theguardian.com/sport/2025/jun/30/farewell-tradition-hello-robots-wimbledon-adjusts-to-life-without-line-judges (дата обращения: 07.04.2026).
4. Işın A. The effect of the video assistant referee (VAR) on referees' decisions at FIFA Women's World Cups / A. Işın, Q. Yi // BMC Sports Science, Medicine and Rehabilitation. — 2024. — Vol. 16. — Art. 122. — DOI: 10.1186/s13102–024–00914–3.
5. Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации. Методические рекомендации по оценке эффективности инвестиционных проектов в сфере информационных технологий [Электронный ресурс] / Минцифры России. — М.: Минцифры России, 2022. — Режим доступа: https://digital.gov.ru/ru/documents/7768/ (дата обращения: 12.05.2026).