Exploring Low-Cost Platforms for Automatic Chess Digitization

Autores
Mallasén, David; María José Belda; Del Barrio, Alberto A.; Castro, Fernando; Olcoz, Katzali; Prieto-Matías, Manuel
Año de publicación
2025
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Automatic digitization of chess games through computer vision poses a considerable technological challenge. This capability holds significant appeal for tournament organizers and both amateur and professional players, enabling them to broadcast over-the-board (OTB) games online or facilitate in-depth analysis with chess engines. While existing research provides encouraging results, there’s an ongoing demand to enhance recognition accuracy and minimize processing delays, particularly when leveraging affordable hardware. In our study, we adapted these techniques specifically for cost-effective single-board computers like the Nvidia Jetson Nano. Our framework combines a swift chessboard detection method with a Convolutional Neural Network for piece recognition. Notably, it can interpret an image of a chessboard setup in under a second, achieving accuracies of 92% in piece identification and 95% in board detection. Furthermore, we assessed a custom open-hardware platform equipped with affordable, low-power RISC-V processors. On their own, these processors were inadequate for realtime tasks. However, when paired with a systolic array accelerator, their performance significantly improved, yielding promising results in both piece classification and board detection.
La digitalización automática de juegos de ajedrez mediante visión por computador plantea un importante desafío tecnológico. Esta capacidad es muy atractiva para organizadores de torneos y jugadores, permitiéndoles transmitir online juegos sobre tablero (OTB) y facilitando el análisis en profundidad con motores de ajedrez. Aunque investigaciones previas proporcionan resultados alentadores, existe una creciente demanda para aumentar la precisión en el reconocimiento y minimizar los retardos del procesamiento, particularmente al utilizar hardware económico. En nuestro estudio, hemos adaptado estas técnicas específicamente para computadores monoplaca asequibles como la Nvidia Jetson Nano. Nuestro entorno combina un rápido método de detección del tablero de ajedrez con una Red Neuronal Convolucional para el reconocimiento de piezas, interpretando una imagen de una configuración de tablero en menos de un segundo y logrando precisiones del 92% en la clasificación de piezas y del 95% en la detección del tablero. Además, hemos evaluado una plataforma open hardware equipada con procesadores RISC-V de bajo consumo y económicos. Por sí mismos, estos procesadores no son adecuados para tareas de tiempo real, pero al combinarlos con un acelerador de array sistólico incrementan su rendimiento significativamente, proporcionando resultados prometedores tanto en la clasificación de piezas como en la detección del tablero.
Facultad de Informática
Materia
Ciencias Informáticas
Acceleration
Chess pieces classification
Computer vision
Neural networks
RISC-V
Aceleración
Clasificación de piezas de ajedrez
Redes Neuronales
RISC-V
Visión por computador
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/179674

id SEDICI_96885e4d33caca7380902065a7a56a6d
oai_identifier_str oai:sedici.unlp.edu.ar:10915/179674
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Exploring Low-Cost Platforms for Automatic Chess DigitizationExploración de plataformas de bajo coste para digitalización de ajedrez automáticaMallasén, DavidMaría José BeldaDel Barrio, Alberto A.Castro, FernandoOlcoz, KatzaliPrieto-Matías, ManuelCiencias InformáticasAccelerationChess pieces classificationComputer visionNeural networksRISC-VAceleraciónClasificación de piezas de ajedrezRedes NeuronalesRISC-VVisión por computadorAutomatic digitization of chess games through computer vision poses a considerable technological challenge. This capability holds significant appeal for tournament organizers and both amateur and professional players, enabling them to broadcast over-the-board (OTB) games online or facilitate in-depth analysis with chess engines. While existing research provides encouraging results, there’s an ongoing demand to enhance recognition accuracy and minimize processing delays, particularly when leveraging affordable hardware. In our study, we adapted these techniques specifically for cost-effective single-board computers like the Nvidia Jetson Nano. Our framework combines a swift chessboard detection method with a Convolutional Neural Network for piece recognition. Notably, it can interpret an image of a chessboard setup in under a second, achieving accuracies of 92% in piece identification and 95% in board detection. Furthermore, we assessed a custom open-hardware platform equipped with affordable, low-power RISC-V processors. On their own, these processors were inadequate for realtime tasks. However, when paired with a systolic array accelerator, their performance significantly improved, yielding promising results in both piece classification and board detection.La digitalización automática de juegos de ajedrez mediante visión por computador plantea un importante desafío tecnológico. Esta capacidad es muy atractiva para organizadores de torneos y jugadores, permitiéndoles transmitir online juegos sobre tablero (OTB) y facilitando el análisis en profundidad con motores de ajedrez. Aunque investigaciones previas proporcionan resultados alentadores, existe una creciente demanda para aumentar la precisión en el reconocimiento y minimizar los retardos del procesamiento, particularmente al utilizar hardware económico. En nuestro estudio, hemos adaptado estas técnicas específicamente para computadores monoplaca asequibles como la Nvidia Jetson Nano. Nuestro entorno combina un rápido método de detección del tablero de ajedrez con una Red Neuronal Convolucional para el reconocimiento de piezas, interpretando una imagen de una configuración de tablero en menos de un segundo y logrando precisiones del 92% en la clasificación de piezas y del 95% en la detección del tablero. Además, hemos evaluado una plataforma open hardware equipada con procesadores RISC-V de bajo consumo y económicos. Por sí mismos, estos procesadores no son adecuados para tareas de tiempo real, pero al combinarlos con un acelerador de array sistólico incrementan su rendimiento significativamente, proporcionando resultados prometedores tanto en la clasificación de piezas como en la detección del tablero.Facultad de Informática2025-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf1-15http://sedici.unlp.edu.ar/handle/10915/179674enginfo:eu-repo/semantics/altIdentifier/issn/1666-6038info:eu-repo/semantics/altIdentifier/doi/10.24215/16666038.25.e01info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:49:03Zoai:sedici.unlp.edu.ar:10915/179674Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:49:04.199SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Exploring Low-Cost Platforms for Automatic Chess Digitization
Exploración de plataformas de bajo coste para digitalización de ajedrez automática
title Exploring Low-Cost Platforms for Automatic Chess Digitization
spellingShingle Exploring Low-Cost Platforms for Automatic Chess Digitization
Mallasén, David
Ciencias Informáticas
Acceleration
Chess pieces classification
Computer vision
Neural networks
RISC-V
Aceleración
Clasificación de piezas de ajedrez
Redes Neuronales
RISC-V
Visión por computador
title_short Exploring Low-Cost Platforms for Automatic Chess Digitization
title_full Exploring Low-Cost Platforms for Automatic Chess Digitization
title_fullStr Exploring Low-Cost Platforms for Automatic Chess Digitization
title_full_unstemmed Exploring Low-Cost Platforms for Automatic Chess Digitization
title_sort Exploring Low-Cost Platforms for Automatic Chess Digitization
dc.creator.none.fl_str_mv Mallasén, David
María José Belda
Del Barrio, Alberto A.
Castro, Fernando
Olcoz, Katzali
Prieto-Matías, Manuel
author Mallasén, David
author_facet Mallasén, David
María José Belda
Del Barrio, Alberto A.
Castro, Fernando
Olcoz, Katzali
Prieto-Matías, Manuel
author_role author
author2 María José Belda
Del Barrio, Alberto A.
Castro, Fernando
Olcoz, Katzali
Prieto-Matías, Manuel
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Acceleration
Chess pieces classification
Computer vision
Neural networks
RISC-V
Aceleración
Clasificación de piezas de ajedrez
Redes Neuronales
RISC-V
Visión por computador
topic Ciencias Informáticas
Acceleration
Chess pieces classification
Computer vision
Neural networks
RISC-V
Aceleración
Clasificación de piezas de ajedrez
Redes Neuronales
RISC-V
Visión por computador
dc.description.none.fl_txt_mv Automatic digitization of chess games through computer vision poses a considerable technological challenge. This capability holds significant appeal for tournament organizers and both amateur and professional players, enabling them to broadcast over-the-board (OTB) games online or facilitate in-depth analysis with chess engines. While existing research provides encouraging results, there’s an ongoing demand to enhance recognition accuracy and minimize processing delays, particularly when leveraging affordable hardware. In our study, we adapted these techniques specifically for cost-effective single-board computers like the Nvidia Jetson Nano. Our framework combines a swift chessboard detection method with a Convolutional Neural Network for piece recognition. Notably, it can interpret an image of a chessboard setup in under a second, achieving accuracies of 92% in piece identification and 95% in board detection. Furthermore, we assessed a custom open-hardware platform equipped with affordable, low-power RISC-V processors. On their own, these processors were inadequate for realtime tasks. However, when paired with a systolic array accelerator, their performance significantly improved, yielding promising results in both piece classification and board detection.
La digitalización automática de juegos de ajedrez mediante visión por computador plantea un importante desafío tecnológico. Esta capacidad es muy atractiva para organizadores de torneos y jugadores, permitiéndoles transmitir online juegos sobre tablero (OTB) y facilitando el análisis en profundidad con motores de ajedrez. Aunque investigaciones previas proporcionan resultados alentadores, existe una creciente demanda para aumentar la precisión en el reconocimiento y minimizar los retardos del procesamiento, particularmente al utilizar hardware económico. En nuestro estudio, hemos adaptado estas técnicas específicamente para computadores monoplaca asequibles como la Nvidia Jetson Nano. Nuestro entorno combina un rápido método de detección del tablero de ajedrez con una Red Neuronal Convolucional para el reconocimiento de piezas, interpretando una imagen de una configuración de tablero en menos de un segundo y logrando precisiones del 92% en la clasificación de piezas y del 95% en la detección del tablero. Además, hemos evaluado una plataforma open hardware equipada con procesadores RISC-V de bajo consumo y económicos. Por sí mismos, estos procesadores no son adecuados para tareas de tiempo real, pero al combinarlos con un acelerador de array sistólico incrementan su rendimiento significativamente, proporcionando resultados prometedores tanto en la clasificación de piezas como en la detección del tablero.
Facultad de Informática
description Automatic digitization of chess games through computer vision poses a considerable technological challenge. This capability holds significant appeal for tournament organizers and both amateur and professional players, enabling them to broadcast over-the-board (OTB) games online or facilitate in-depth analysis with chess engines. While existing research provides encouraging results, there’s an ongoing demand to enhance recognition accuracy and minimize processing delays, particularly when leveraging affordable hardware. In our study, we adapted these techniques specifically for cost-effective single-board computers like the Nvidia Jetson Nano. Our framework combines a swift chessboard detection method with a Convolutional Neural Network for piece recognition. Notably, it can interpret an image of a chessboard setup in under a second, achieving accuracies of 92% in piece identification and 95% in board detection. Furthermore, we assessed a custom open-hardware platform equipped with affordable, low-power RISC-V processors. On their own, these processors were inadequate for realtime tasks. However, when paired with a systolic array accelerator, their performance significantly improved, yielding promising results in both piece classification and board detection.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/179674
url http://sedici.unlp.edu.ar/handle/10915/179674
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/1666-6038
info:eu-repo/semantics/altIdentifier/doi/10.24215/16666038.25.e01
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
1-15
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616352219791360
score 13.070432