1. Bachelor Exposé
2. Präsentation meines Themas
3. Zeitplan
4. Research
4.1 Technik und Methodik
4.2 Lernlogistik und Feedback
4.3 Sozialer Kontext und Ethik
4.4 State of the Art
4.5 Technische Tools und Systeme
5. Umsetzungsmöglichkeiten
6. Why, How, What?
7. Zielgruppen und Sinus Milieu
7.1 Primäre Zielgruppen
7.2 Sekundäre Zielgruppen
7.3 Sinus Milieus
8. Umfrage
8.1 Übersicht
8.2 Ergebnisse
9. Personas
9.1 Primäre Zielgruppen
9.2 Sekundäre Zielgruppen
10. User Stories
11. User Journeys
12. Funktionsbeschreibungen
12.1 Komplett
12.2 Realistisch mit Sensor
12.3 Realistisch ohne Sensor
13. Skizzierter Workflow der Anwendung
14. Wireframes
Eine komplette Übersicht des Wireframe Kits in Webflow: https://skate-helper-ba.webflow.io/
15. Moodboards
15.1 Clean und sportlich
15.2 Grunge und punkig
16. Designvarianten
16.1 Clean
16.2 Grunge
17. Finales Design der Web App
Links zu Webflow
Launch: https://skate-helper-ba-de60203d8213528f393ae25.webflow.io/launch-1
Home: https://skate-helper-ba-de60203d8213528f393ae25.webflow.io/
Screenshots
Styleguide
18. Entwicklung Interface
Das Analyse Interface mit Python in einem Jupyter Notebooks umgesetzt und als Entwicklungs- und Darstellungsumgebung genutzt. Das Notebook ist modular strukturiert aufgebaut und trennt Interface Komponenten wie Videoverarbeitung, Parametersteuerung und Ergebnisvisualisierung von der Analyse Logik, damit visuelle Anpassungen unabhängig von der Pipeline erfolgen konnten.
Die Visualisierung des Feedbacks wird direkt im Videobild realisiert und umfasst Skelett-, Ghost-Pose- und Richtung Overlays. Die Umsetzung erfolgt über Python basierte Visualisierungsroutinen und OpenCV, die im Notebook erzeugt, angepasst und überprüft werden. Das Notebook dient sowohl als technische Entwicklungsumgebung als auch als prototypisches Analyse Interface.
Vergleich der Entwicklung
19. Fertiges Interface
Visuell
Graphische Darstellung
20. Funktion der Pipeline im Backend
1. Trick wird hochgeladen, an den Server gesendet und zur Analyse vorbereitet.
2. Eine KI erkennt die wichtigsten Körperpunkte in jedem Frame.
3. Der Trick wird automatisch in einzelne Bewegungsphasen unterteilt.
4. Gelenkwinkel und Timing werden berechnet und mit einer Referenz verglichen.
5. Visuelles Feedback wird direkt in das Video gerendert.
6. Das analysierte Video wird optimiert und im Browser abgespielt.
21. Code
worker/main: https://subdued-pigeon-89f.notion.site/worker-main-py-2f6362cc927180618be2c6dbc9bd658c
web/main: https://subdued-pigeon-89f.notion.site/Web-main-py-2f6362cc927180bcaaf1c30fd6c1b262?pvs=73
worker/pipeline: https://subdued-pigeon-89f.notion.site/worker-pipeline-py-2f6362cc9271800f914be84943135785
22. Zusammenfassung des Projekts
23. Thesis
