Video is a large part of today’s society where surveillance cameras represent the biggest source of big data, and real-time entertainment is the largest network traffic category. There is currently a large interest in analysing the contents of video where video analysis is mainly conducted by people. This increase in video has for instance made it difficult for professional editors to analyse movies and series in a scalable way, and alternative solutions are needed. The media technology company June, want to explore scalable alternatives for extracting metadata from video. With recent advances in Machine Learning and the rise of machine-learning-asa-service platforms, June wished more specifically to explore how these Machine Learning services can be utilised for extracting metadata from videos, and from it construct a summary regarding its contents. This work examined Machine Learning as an option for scalable video summarisation which resulted in developing and evaluating an application that utilised transcription, summarisation, and translation services to produce a text based summarisation of video. Furthermore to examine the services current state of affairs, multiple services from different providers were tested, evaluated and compared to each other. Lastly, in order to evaluate the summarisation services an evaluation model was developed. The test results showed that the translation services were the only service that produced good results. Transcription and summarisation performed poorly in the tests which renders the suggested solution of combining the three services for video summarisation as impractical. / Video är en stor del av dagens samhälle där bland annat övervakningskameror är den största källan av data och underhållning i realtid är den kategori som står för mest nätverkstrafik. Det finns i dagsläget ett stort intresse i att analysera innehållet av video, denna videoanalys utförs även främst av människor. Ökningen av video har gjort det svårt för exempelvis professionella redaktörer att hinna analysera filmer och serier och mer skalbara alternativ behövs. Mediaföretaget June vill utforska alternativ för att extrahera metadata från video på ett skalbart sätt. Med de senaste framstegen inom maskininlärning och framväxten av machine-learningas-a-service plattformar, önskar June mer specifikt att utforska hur maskininlärning kan nyttjas för att extrahera metadata från video och med det konstruera en sammanfattning av innehållet. Det utförda arbetet undersökte maskininlärning som skalbart alternativ för att kunna sammanfatta videos innehåll. Arbetet resulterade i utvecklandet samt utvärderingen av en applikation som nyttjade maskininlärningstjänster för transkribering, sammanfattning samt översättning för att producera en textbaserad sammanfattning av videos innehåll. För att utvärdera tjänsternas nuvarande tillstånd så testades samt utvärderades tjänster från olika leverantörer för att sedan jämföras mot varandra. Slutligen framtogs en egenutvecklad modell för att kunna utvärdera tjänsterna för sammanfattning. Testresultaten visade att tjänsterna för översättning var de enda tjänsterna som gav bra resultat. Tjänsterna för transkribering och sammanfattning gav dåliga resultat vilket gör den föreslagna lösningen av att kombinera de tre tjänsterna för att sammanfatta videoinnehåll som opraktisk.

Head injuries in American football is a serious issue regarding player health which is highly affected by velocity and its direction. Impact location can affect the severity of the head injury in both helmet-to-helmet impacts and helmet-to-ground impacts hence the understanding of concussive outcome from velocities and impact locations must be improved. In this thesis a video analysis resulted in simulation of five helmet-to-helmet impacts and two helmet-to-ground impacts, where velocity in each impact also was approximated with the method of least squares to avoid extreme values. The average velocity in helmet-to-helmet impacts was 5.1728 m/s for tackler player and 4.4766 m/s for tackled player and in helmet-to-ground impacts it instead was 6.1975 m/s. With the regression method an average velocity of 4.3982 m/s for tackler player and 5.3854 m/s for the tackled player in helmet-to-helmet impacts and 5.874 m/s in helmet-to-ground impacts. The simulations were performed with LS-DYNA and examined in LS-PrePost where head kinematics and the strain of brain tissue or more specific the maximum principal strain (MPS) was of interest. Further the MPS was scaled to its 95th percentile which determined the concussive likelihood for each impact scenario. The highest concussive outcome for an impact scenario was 100% and the lowest was 15%. The head kinematics of interest was linear acceleration, angular acceleration and angular velocity which in high risk for concussive outcome wasn't dominated by a single head kinematic. Impacts locations in helmet-to-helmet impacts didn't show any connection between impact location and high concussive risk. In helmet-to-ground impacts a connection between impact location at the back of the head and high concussive risk was observed. / Huvudskador inom Amerikansk fotboll är ett återkommande problem när det gäller spelarnas hälsa. Hastigheten och vart tacklingen träffar är starkt kopplat till hur allvarlig en huvudskada kan bli i både hjälm-mot-hjälm tacklingarn och hjälm-mot-mark. För att förhindra huvudskador måste förståelsen om kinematiken och vart tacklingen träffar förbättras.  I detta examensarbete gjordes en videoanalys vilket resulterade i fem hjälm-mot-hjälm simuleringar och två hjälm-mot-mark. Hastigheten approximerades också genom att använda uppskattnings metoden minsta kvadratmetoden. Medel-värdet av hastigheterna från videoanalysen blev 5.1728 m/s för spelaren som utförde tacklingen och 4.4766 m/s för spelaren som blev tacklad i hjälm-mot-hjälm tacklingar. I hjälm-mot-mark blev det istället ett medelvärde på 6.1975 m/s. Med uppskattnings metoden blev hastigheterna istället 4.3982 m/s för den tacklande spelaren och 5.3854 m/s för den tacklade spelaren i hjälm-mot-hjälm tacklingar. För hjälm-mot-mark blev medelvärdet av hastigheten 5.874 m/s med uppskattnings metoden. Simuleringarna av tacklings fallen gjordes med LS-DYNA och analyserades i LS-PrePost där huvudets kinematik och töjningen av hjärnvävnad är av intresse. Töjningen mättes av maximum principal strain (MPS) och den 95:e percentilen av MPS för att bestämma risken för hjärnskakning där den största risken för hjärnskakning var 100% och den minsta 15%. För huvudets kinematik var det linjär acceleration, vinkelacceleration och vinkelhastighet som var av intresse. Det fanns ingen koppling mellan endast en av kinematikerna och hög risk för hjärnskakning. Gällande vart tacklingen träffar fanns det ingen koppling mellan vart den träffar och hög risk för hjärnskakning i hjälm-mot-hjälm tacklingar. För hjälm-mot-mark tacklingar fanns det ett samband mellan att bakre delen av huvudet träffar marken och hög risk för hjärnskakning.