A tecnologia de visão por computador tem revolucionado vários desportos, mas a sua aplicação no judo continua relativamente inexplorada. Esta dissertação investiga o desenvolvimento de um sistema automatizado para classificar projeções de judo, utilizando técnicas de estimação de pose e aprendizagem automática. A pesquisa aborda duas questões principais: identificar os modelos mais eficazes para a deteção da pose dos atletas e determinar a viabilidade de uma classificação precisa das projeções a partir de dados de vídeo. O estudo avalia vários modelos de deteção de objetos e estimação de pose, destacando-se o YOLOv8 e o YOLO-NAS como as soluções mais promissoras para acompanhar os movimentos dos judocas. Foi desenvolvida uma abordagem de classificação baseada em redes LSTM duplas para processar a sequência temporal dos dados de pose, alcançando uma taxa de acertos de 79,17% no conjunto de testes na distinção entre diferentes técnicas de projeção e ações que não envolvem quedas. Embora demonstre a viabilidade da classificação automatizada de projeções, a pesquisa identificou também desafios importantes, especialmente na manutenção de uma estimação de pose precisa durante sequências complexas de projeções e em situações de oclusão. Os resultados sugerem que as limitações atuais podem ser superadas através da expansão do conjunto de dados, melhorias arquiteturais e da evolução natural da tecnologia de estimação de pose. Esta pesquisa estabelece uma base sólida para a análise automatizada de técnicas de judo, destacando o seu potencial como um marco fundamental para futuros avanços na análise desportiva, particularmente no judo. À medida que a tecnologia de estimação de pose evolui e os conjuntos de dados se tornam mais completos, a metodologia aqui apresentada abre caminho para ferramentas de análise de desempenho mais sofisticadas e inovações. Estes sistemas estão destinados a alcançar maior precisão e fiabilidade, conduzindo a aplicações práticas que podem beneficiar significativamente toda a comunidade do judo.

Computer vision technology has revolutionized various sports, yet its application in judo remains relatively unexplored. This dissertation investigates the development of an automated system for classifying judo throws using pose estimation and machine learning techniques. The research addresses two primary questions: identifying the most effective models for athlete pose detection and determining the feasibility of accurate throw classification from video data. The study evaluates multiple object detection and pose estimation models, with YOLOv8 and YOLO-NAS emerging as the most promising solutions for tracking judoka movements. A classification approach utilizing dual LSTM networks was developed to process the temporal sequence of pose data, achieving an accuracy of 79.17% on the test dataset in distinguishing between different throwing techniques and non-throw actions. While demonstrating the viability of automated throw classification, the research also identified key challenges, particularly in maintaining accurate pose estimation during complex throwing sequences and occlusions. The findings suggest that current limitations could be addressed through dataset expansion, architectural improvements, and the natural evolution of pose estimation technology. This research establishes a strong foundation for automated judo technique analysis, highlighting its potential as a pivotal building block for future advancements in sports analysis, particularly in judo. As pose estimation technology evolves and datasets become more comprehensive, the methodology introduced here paves the way for more sophisticated performance analysis tools and innovations. These systems are poised to achieve greater accuracy and reliability, ultimately leading to practical applications that can significantly benefit the entire judo community.