唐纳德·布拉德曼爵士使用了一种球迷喜爱的击球技术，但一些评论家对此进行了抨击。一个关键的组成部分是他的侧向击球后举技术。非常成功的击球手一直使用到今天。
人工智能（AI）现在只能通过视频来区分直背式击球手和侧背式击球手。约翰内斯堡大学（UJ）的研究人员建立了第一个深度学习计算机视觉AI模型来实现这一点。他们的研究发表在科学报告中。
将来，教练可能会使用这种技术向球员提供更详细的反馈，或者更容易识别具有侧向后举组件的球员。
传奇技术
就在板球投手将球放在折缝处之前的那一刹那，击球手开始了一个微妙的动作，将球棒移动到位。他们根据比赛的形式和投球手的类型来选择。哈比卜·努尔巴伊教授表示，大多数速度快的投球手往往以140至150公里/小时（87至93英里/小时）的速度投球。
Noorbhai目前是约翰内斯堡大学（UJ）生物医学工程和医疗保健技术（BEHT）研究中心主任。他也是一名体育科学家，自2010年以来一直与当地和国际板球队合作。他的博士论文是第一篇将板球侧向击球后举技术理论化的研究。
另一个因素是击球手的直觉和训练。他们会把球棒直立起来，脸朝着地面还是树桩？或者他们会将球拍的正面向外朝向第二次滑倒或边门守门员吗？这是传奇击球手唐纳德·布拉德曼爵士使用的技术。成功测试的板球击球手至今仍在使用它。
AI帮助教练
研究人员Tevin Moodley、Dustin van der Haar和Habib Noorbhai都在学校打板球。
穆德利是一名博士生，范德哈尔是一名模式识别研究员。他们都在约翰内斯堡大学计算机科学和软件工程学院（ACSSE）。
穆德利在小学时打省级板球，在整个高中期间继续打板球。他一直热爱这项运动，并将人工智能与板球相结合，以期在板球界做出有意义的贡献。在之前的研究中，他使用人工智能识别不同的击球方式。
在这项研究中，他专注于让人工智能完成识别击球后举风格的微妙任务。
穆德利说：“我想知道我是否可以自动化这个过程。”。
“为什么教练要想，‘这是直的还是侧的？’如果他们知道，他们可以说‘你有一个侧背举，我现在可以用这种方式帮助你。’我正在尝试采用非常手动的过程并将其自动化，这样我们就可以帮助击球手掌握技术。”
记录设置和自学
布拉德曼爵士1908年出生于澳大利亚的一个小镇库塔蒙德拉，距离悉尼约350公里。他自学成才。他十几岁时就以惊人的成绩闯入了澳大利亚测试队。
布拉德曼非常规的侧向击球后举击球技术在他那个时代颇有争议。他受到一些人的严厉批评。但观众喜欢他为比赛带来的东西，他创造的记录至今仍保持不变。
直到今天，侧向后举仍然是国际测试水平板球比赛的一个显著优势。但打击风格大多不被视为标准训练的一部分。板球学院的球员主要只接受直背举训练，其他人则不太注意背举。
战略优势
努尔巴伊说：“我们发现，侧向后举可以让击球手在面对球时有一个更理想的位置。特别是对于速度快的投球手。它让击球手有更多的时间进入球后。”。
侧向后举还有另一个战略优势。
“板球场是圆形的，所以我们用‘马车轮’来表示击球手在哪个区域得分。当击球手有直背举时，他们通常只在某些区域得分。这已经被证明。这将更倾向于马车轮的直边，称为‘V’，”努尔贝补充道。
“当他们进行横向后举时，他们会在车轮内的更多区域得分。”
为AI寻找击球手
首先，由于没有可用的开放数据集，穆德利必须找到视频片段供其人工智能学习。他梳理了国际一流板球测试的在线视频片段。他使用了1995至2021的数据。
从那里，他挑选了10名直背式击球手：巴巴尔·阿扎姆（Babar Azam）、特姆巴·巴武马（Themba Bavuma）、拉胡尔·德拉维德（Rahul Dravid）、JP杜米尼（JP Duminy）、迪安·埃尔加（Dean Elgar）、马赫拉·贾亚沃丁（Mahela Jayawardene）、阿金卡·拉汉（Ajinkya Rahane）、乔·罗特（Joe Root）、罗里·伯恩斯（Rory Burns）、本·斯托克斯（Ben）和大卫·华纳（David Warner）。
另外10名队员采用侧向后举：AB de Villiers、Hashim Amla、Quintin de Kock、Faf du Plessis、Kevin Pieterson、Kumar Sangakara、Brian Lara、Ricky Ponting、Steve Smith和Virat Koli。
总的来说，穆德利从视频剪辑中手动选择了160帧（图像）作为人工智能的“训练课”他又选择了40名学生作为“测试班”
人工智能自行学习
穆德利说：“深入学习人工智能的美妙之处在于，你不必告诉人工智能要寻找什么。”。“教练需要关注击球手的脸在哪里，击球手的角度，击球手的脚和头在哪里，等等。”
深度学习AI中的神经网络可以自行学习，找出每种背举方式涉及的因素。当然，它需要从一个好的数据集中看到直线和侧向后举的良好击球图像。如果有更多的数据，它可以更好地自学。它甚至不需要知道一个因子叫什么，比如下挥杆或后举角度。
横向vs直线
接下来，Moodley在四种不同的AI架构上运行了他的深度学习模型：AlexNet、Inception V3、Inception Resnet V2和Exception。老亚历克斯内特是否最适合新的例外？所有这些都是在一台7年前的i7处理器计算机上完成的。
但是160张图像对于人工智能来说是非常少的数据。区分直举和侧举是一项非常复杂的任务。
“从教练的角度来看，他们会首先看球棒的角度。球棒的脸是否朝向第二次滑倒的角度？”
“还是蝙蝠的脸朝向树桩或地面鈥攆还是直接背举？在横向和直线范围内，也存在进一步的变化。还有其他影响它的因素，比如手的位置和你举起球棒的高度，”穆德利说。
即使在视频分析软件的帮助下，人类教练也可能需要数年的时间才能准确地分辨出差异。
培训前AI
这就是Moodley和Van der Haar采用“迁移学习”来补偿小数据集的地方。
范德哈尔说：“深度学习方法需要大量的数据才能表现良好。”。“如果我们从头开始训练模型，而不使用已经训练过的神经网络，它将不会非常准确。数据将太少。”
他补充道：“通过转移学习，你可以用更一般的数据作为起点对神经网络进行预训练。然后，你可以使用更具体的数据对其进行进一步训练，例如侧向和直背举。”。
他们用转移学习对模型进行了预训练，因此它只能从160张图像中学习到很好的信息，然后在40张图像的测试中表现良好。
初始与异常
使用Exception AI架构的模型是最精确的。它可以正确区分采用侧向后举技术的球员和倾向于采用直式后举的球员，98.2%的时间是这样。紧随其后的是Inception Resnet V2，准确率为96.1%。
范德哈尔说：“Xception体系结构接收每个视频帧，并在神经网络中积极应用块变换序列，以帮助分离侧向和垂直后举类别。”。
穆德利说，一旦模型经过训练，它就可以在直线和侧面之间提供“端到端”的识别。只需按下电脑上的一个按钮，整个过程就完成了。
他补充道：“没有多个小步骤。就像我们对人工智能说的：‘这是图像，去学习，去完成。’”。
从胳膊和腿辨别草
范德哈尔说，教练分析视频片段以更好地帮助球员，必须处理大量的“噪音”。球场上还有其他球员和其他物品。因此，人工智能必须善于识别视频帧中与击球技术相关的内容。
如果人工智能模型只看视频帧中的纹理来区分草地和面糊，它将在很多时间内出现短缺。AI也一样，只寻找明暗转换鈥攖他的分析将非常不准确。
范德哈尔说：“深度学习人工智能之所以如此引人注目，是因为它不必担心所有这些。它可以判断视频帧的某个区域是否相关。”。
他说，用于这种人工智能模型的神经网络有几个层次。第一层查看低级别的内容，如纹理，或从明暗过渡，称为渐变。
神经网络的每一个更高层次都在看一些更接近我们所看到的东西。在最高层次上，神经网络关注的是胳膊、腿和蝙蝠的角度。
范德哈尔说，一旦神经网络计算出视频帧中的不同层，它就可以说‘这是一种横向或直接的后举。’。
AI的指导见解
传统上，板球教练依靠分析工具来了解他们的球员在做什么。这是一个三步或四步的过程。他们必须带上相机记录球员。然后他们将这些视频输出到分析软件。努尔巴伊说，然后他们分析录像并向玩家提供建议。
他补充道：“深度学习人工智能所做的是一种自动化形式，将四个步骤合并为一个步骤。他们今后所要做的就是拍摄视频片段，并将深度学习人工智能作为一种自动化他们所看到内容的形式。”。
“我不认为这项研究是为了分析更多的球员。我认为这是为了给教练和球员提供比他们目前所获得的更多的洞察力，”努尔巴伊说。
未经训练的球员使用侧向
Noorbhai说，未经训练的球员通常会本能地使用侧向后举。
“我们发现，如果年轻球员没有接受传统方法的指导，他们就不会直接拿起球棒。他们会横向拿起球棒。这间接表明，直接后举不是一种自然的动作。”
从直线切换到侧向
另一方面，一些非常成功的击球手同时使用直举和侧举。
“在击球手的局数刚开始时，我们发现他们有更多的直后举。为什么？因为他们必须在进攻中有更多的防守，这样他们才能适应球场、投球手和条件，”努尔贝说。
“一旦他们对自己的局数有了信心，他们就会开始开球，然后他们的后举会更多地向侧面移动，球拍的脸也会张开。”
穆德利、范德哈尔和诺尔贝的研究表明，板球教练的自动化已经成为可能。他们的模式可以帮助教练培养有前途的板球运动员，仅使用视频。
传奇人物布拉德曼的后举在他那个时代被称为“环回举”或“旋转击球技术”。今天，正如Noorbai和Noakes在2016年提出的科学理论，我们将其视为侧向后举。这种风格是未经训练的球员本能地使用的鈥攁由成功的专业人士战略性地或内在地进行nd。
