Теория и методика физического воспитания, спортивной тренировки, оздоровительной и адаптивной физической культуры | Мир педагогики и психологии №01 (114) Январь 2026

Применение алгоритмов компьютерного зрения для оценки техники выполнения упражнений на академических занятиях по физической культуре в вузе

Занкина Елена Валерьевна
кандидат пед. наук, доцент, доцент, кафедра физического воспитания и спорта, Комсомольский-на-Амуре государственный университет, РФ, Комсомольск-на-Амуре, elzankina@yandex.ru
Костецкая Екатерина Сергеевна
студент, Комсомольский-на-Амуре государственный университет, РФ, Комсомольск-на-Амуре

Аннотация: В статье проводится обзор программных решений на основе компьютерного зрения (MediaPipe, OpenPose) для анализа выполненных физических упражнений. Ключевым фактором успешной интеграции технологий в оздоровительную практику и образовательный процесс является не их автономность, а эффективный симбиоз с педагогом. Определяются уровни и конкретные функции педагогической интерпретации данных ИИ, это позволяет преподавателю перейти от унифицированных методик к персонализированному, научно обоснованному учебному процессу. Обосновывается, что внедрение цифровых инструментов в академическую физическую культуру вуза трансформирует подходы к анализу и совершенствованию двигательной деятельности.
Ключевые слова: компьютерное зрение, искусственный интеллект, физическая культура, биомеханика, педагогическая интеграция, персонализация, MediaPipe, оздоровительные технологии.

Zankina Elena Valeryevna
Candidate of Pedagogical Sciences, Associate Professor, Associate Professor, Department of Physical Education and Sports, Komsomolsk-on-Amur State University, Russian Federation, Komsomolsk-on-Amur,
Kostetskaya Ekaterina Sergeevna
student, Komsomolsk-na-Amure State University, Russian Federation, Komsomolsk-on-Amur

Abstract: The article provides an overview of computer vision-based software solutions (MediaPipe, OpenPose) for analyzing completed physical exercises. The key factor in the successful integration of technologies into wellness practice and the educational process is not their autonomy, but an effective symbiosis with the teacher. The levels and specific functions of pedagogical interpretation of AI data are determined, which allows the teacher to move from unified methods to a personalized, scientifically based learning process. It is proved that the introduction of digital tools into the academic physical education of the university transforms approaches to the analysis and improvement of motor activity.
Keywords: computer vision, artificial intelligence, physical education, biomechanics, pedagogical integration, personalization, MediaPipe, health technologies.

Технологии машинного зрения открывают новые перспективы для детальной оценки, выполненных физических упражнений студентами. Академические исследования показывают многогранность их применения в различных сегментах – от спорта высших достижений, физической культуры в вузах до любительских тренировок.  

Последнее десятилетие характеризуется ростом количества работ в этой области, что во многом обусловлено активным внедрением методов искусственного интеллекта и глубинных нейронных сетей. Эти технологии радикально упростили прочтение сложных данных и существенно расширили инструментальные возможности исследователей.

Значительный вклад в развитие методов распознавания упражнений внесен отечественными учеными. Н.И. Вельможко и А.А. Бойко (2020). Они продемонстрировали работоспособность алгоритма на базе нейросетей и датчика Microsoft Kinect, добившись высокой точности в идентификации шести базовых движений для нижних конечностей через анализ суставных углов.

К.В. Германов с соавторами (2023) структурируют применение компьютерного зрения по трем основным векторам: тренировочно-соревновательный процесс (оценка техники и тактики), телевизионные трансляции (визуализация для комментаторов) и судейство (повышение точности) [1, с.97; 2].

Актуальность технологий не должна ограничивается спортом высших достижений. В системе высшего образования отмечается тренд на интеграцию инноваций, таких как AR/VR, для отображения биомеханики и повышения мотивации студентов. Примером успешной адаптации является программа «CV-Тренер», которая с помощью библиотек OpenCV и MediaPipe оценивает антропометрию и технику выполнения упражнений у студентов [2, с.102].

Таким образом, обзор текущего положения выявляет очевидный прогресс и высокий потенциал компьютерного зрения для модернизации физической культуры. Но обнаруживается и существенный дисбаланс: наибольшее внимание уделено спортивной результативности, в то время как вопросам оздоровительной практики, где педагогический контроль и индивидуализация являются центральными элементами, уделено непропорционально мало внимания. При этом технология сама по себе не является методикой. Ее эффективность в образовательном и оздоровительном процессе целиком зависит от профессиональных объяснений педагога и их интеграции в учебный план. Значит, востребованным становится анализ не только технических возможностей систем компьютерного зрения, но и моделей их методически грамотного применения при ведущей роли преподавателя (тренера).

Целью работы является аналитический обзор и сравнительное изучение существующих программных решений и технологических платформ (таких как MediaPipe, OpenPose, коммерческие фитнес-приложения), которые позволяют применять компьютерное зрение для анализа физических упражнений студентов. Педагог может выявить за короткое время не общие, а конкретные типовые ошибки (например, недостаточная глубина приседа у 60% группы, а завал корпуса вперед у 30%). На этой основе формируется микро-группы для дифференцированной работы и не используется усреднённый для всех подход.

Метод, использующий упрощенную биомеханическую модель, основывается на статистическом расчете нагрузок на основе антропометрических пропорций. Алгоритм использует введенные пользователем данные (рост, масса тела) и принятые в биомеханике стандартные пропорции распределения массы. На основе выделенных ключевых точек программа рассчитывает длины сегментов тела и, используя уравнения, определяет усилия в ключевых суставах (коленном, тазобедренном для заданной позы). Этот подход позволяет получить оценку нагрузки в упрощенной двухмерной постановке.

Данные биомеханического расчета (подход на основе пропорций) дают педагогу научно обоснованный критерий для подбора упражнений. Вместо интуитивного выбора веса или амплитуды, преподаватель, зная расчетную нагрузку на суставы конкретного студента, может адаптировать упражнение (например, изменить ширину постановки ног в приседе) для достижения оптимального и безопасного эффекта. Алгоритм считает, а педагог принимает методическое решение. 

Исследования направлены на изучение принципов работы, функциональных возможностей и практической применимости готовых технологических решений, базирующихся на компьютерном зрении. Это -  открытые фреймворки (MediaPipe, OpenPose) и подходы, используемые в коммерческих фитнес-платформах (на примере FORA VISION) [3, с.454].

Основу большинства современных решений составляет единый технологический конвейер, который можно разделить на последовательные этапы:

1. Детекция и трекинг позы. Захват видеопотока с последующей идентификацией человека в кадре и определением его семантических ключевых точек (landmarks). На этом этапе преобладают обученные свёрточные нейронные сети (CNN). Например, фреймворк MediaPipe Pose предлагает модель, которая детектирует 33 ключевые точки, формируя тем самым упрощенную кинематическую модель скелета. Аналогичный подход, но с другим архитектурным решением, реализован в библиотеке OpenPose. Критически важным параметром здесь является скорость, обеспечивающая обработку в реальном времени (от 12 до 30 FPS), что делает технологии доступными даже для мобильных устройств.

2. Анализ позы и кинематики. Координаты обнаруженных точек используются для расчета углов в суставах, определения пространственного положения сегментов тела (туловища, конечностей) и классификации текущей позы. Этот этап трансформирует "сырые" координаты в биомеханические параметры.

3. Распознавание упражнения и оценка техники. На основе последовательности поз или изменений углов во времени система идентифицирует тип выполняемого упражнения (например, приседание, отжимание) и оценивает корректность его исполнения. Здесь применяются различные подходы: от классических алгоритмов машинного обучения (логистическая регрессия, SVM), работающих с извлеченными признаками, до рекуррентных нейронных сетей (LSTM), анализирующих временные ряды поз [4, с.179; 5, с.101].

Ознакомление с технологическими платформами выявляет их ключевое ограничение с точки зрения педагогики: они поставляют данные, но не осуществляют образовательное воздействие. Превращение массива чисел (углы, количество повторов, расчетная нагрузка) в осмысленную педагогическую стратегию – исключительная компетенция педагога.

Таким образом, технологии компьютерного зрения не замещают педагога, а переводят его роль с уровня исполнителя-демонстратора на уровень аналитика. ИИ становится мощным «ассистентом», расширяющим возможности преподавателя, а ключевые решения - что исправлять в первую очередь, как мотивировать, какую педагогическую задачу решать с помощью данных - остаются за человеком [6, с.38].

Проведенный обзор демонстрирует, что выбор технологического инструментария для академической физической культуры должен определяться не только его техническими характеристиками, но и потенциалом для интеграции в педагогический процесс [7, с.57].

Открытые фреймворки (MediaPipe, OpenPose) предоставляют педагогу гибкий инструмент для углубленной диагностики и исследовательской работы, а готовые платформы берут на себя рутинные задачи подсчета и базового контроля, высвобождая время преподавателя для индивидуальной работы.

Критерием успешности внедрения следует считать не степень автоматизации, а то, насколько усилились компетенции педагога, при переходе к качественно новому уровню персонализации и обоснованности оздоровительного процесса.

1. Вельможко Н. И., Бойко А.А. Разработка алгоритма распознавания физических упражнений //Физика и радиоэлектроника в медицине и экологии: труды XIV Международной научной конференции. Кн. 2. - Владимир, 2020. - С. 94-99.
2. Германов К. В. Анализ применения компьютерного зрения в спорте/ К. В. Германов, Т. В. Красноперова, А. А. Германова // Ученые записки университета имени П. Ф. Лесгафта. - 2023. - № 9 (223). - С. 100-105.
3. Коберник П. С. Использование искусственного интеллекта в сфере спорта для оптимизации работы фитнес-приложений // Молодой ученый. - 2024. - № 15 (514). - С. 453 -454.
4. Кулаков П. А., Еремин А. С. Особенности разработки компьютерных обучающих тренажеров в Unity 3D // Известия Тульского государственного университета. Технические науки. - 2024. - № 1. - С. 177-181.
5. Пятаева А. В., Мерко М. А., Жуковская В. А., Казакевич А. А. Распознавание активности человека по видеоданным // International Journal of Advanced Studies. - 2022. - Т. 12, № 4. - С. 96-110.
6. Наливайко Т. Е. Культура применения технологии искусственного интеллекта в высшем образовании /Т.Е. Наливайко, В.В. Иванов // Ученые записки Комсомольского-на-Амуре государственного университета. 2025. № IV (84) / Наука о человеке, обществе и культуре. С. 36-40
7. Наливайко Т.Е. К проблеме технологичности процесса обучения/ Т.В. Наливайко // Ученые записки Комсомольского-на-Амуре государственного университета. 2024. № IV (76) / Наука о человеке, обществе и культуре. С. 56-59.