This project aims to design and develop a propulsion system for agricultural equipment using RFID technology and evaluate its movement performance on different surfaces, including concrete and grass. The experiment focuses on examining the tag detection range under transmission power levels of 20 dBm, 23 dBm, and 26 dBm, as well as the impact of antenna angles on detection efficiency. Additionally, the system was tested in three movement scenarios: straight path, left turn, and right turn, at distances of 2 meters, 4 meters, and 6 meters. The results indicate that the system achieved the highest average speed of 0.4736 m/s and an average turning angle of 91.6° when moving in a straight path on a concrete surface at a distance of 4 meters. On a grass surface at the same distance, the average speed was 0.4483 m/s, with an average turning angle of 91.1°. For left and right turns, the movement on the concrete surface generally exhibited a higher average speed than on grass, particularly at a distance of 4 meters, where differences in turning angles were observed. This study provides insights into the factors affecting the movement of agricultural mowing equipment and serves as a foundation for enhancing the efficiency of propulsion systems in future developments.
ปัจจุบัน เทคโนโลยี RFID (Radio Frequency Identification) ได้รับการใช้งานอย่างแพร่หลายในหลากหลายอุตสาหกรรมและแอปพลิเคชันที่เติบโตอย่างรวดเร็ว เทคโนโลยีนี้ใช้คลื่นวิทยุในการระบุวัตถุที่ติดแท็กโดยไม่จำเป็นต้องมองเห็นหรือสัมผัสโดยตรง ทำให้การติดตามและระบุตำแหน่งมีความแม่นยำ คุ้มค่าทางเศรษฐกิจ และสามารถทำงานได้อย่างมีประสิทธิภาพในสภาพแวดล้อมที่หลากหลาย เช่น ภาคอุตสาหกรรมและการเกษตร ในภาคการเกษตร การใช้ RFID มีข้อดีหลายประการ เช่น ความสามารถในการทำงานกลางแจ้งโดยไม่ต้องพึ่งพาเซ็นเซอร์ราคาแพงหรือระบบสะท้อนสัญญาณที่ซับซ้อน ซึ่งช่วยลดต้นทุนและเพิ่มความแม่นยำในการควบคุมอุปกรณ์ทางการเกษตร งานวิจัยนี้มุ่งเน้น การออกแบบและพัฒนาระบบขับเคลื่อนต่อพ่วงอุปกรณ์ทางการเกษตรโดยใช้เทคโนโลยี RFID เพื่อศึกษาการเคลื่อนที่ของระบบบนพื้นผิวที่แตกต่างกัน ได้แก่ พื้นปูนคอนกรีตและสนามหญ้า โดยมีการติดตั้งแท็ก RFID บนเสาของแต่ละแถวเพื่อช่วยระบุตำแหน่งและทิศทางการเคลื่อนที่ของระบบ ผลการศึกษานี้จะช่วยให้เข้าใจข้อดีและข้อจำกัดของการใช้ RFID ในภาคการเกษตร ซึ่งสามารถนำไปต่อยอดเพื่อพัฒนาเทคโนโลยีการเกษตรให้มีประสิทธิภาพและลดต้นทุนในอนาคต
คณะเทคโนโลยีการเกษตร
This project presents a design and management approach for agricultural land in Kanchanaburi Province. The case study area is situated in Wangdong Subdistrict, Mueang Kanchanaburi District, covering an area of approximately 18 rai (7.2 acres). As the user seeks a simplified lifestyle in the countryside, surrounded by nature, the design aligns with this vision of simplicity and sustainability. The land is systematically allocated to optimize the benefits for both daily living and agricultural industry development. The crop cultivation zones are designed to suit the local climate and plant varieties, ensuring high-quality yields for continuous utilization. Meanwhile, the livestock zones are clearly delineated to maintain balance and organization. This approach not only ensures food security and income generation but also promotes a lifestyle that harmonizes with nature, minimizes environmental impact, and supports the long-term development of an efficient and eco-friendly agricultural industry. Comprehensive attention is given to the positioning of various zones, considering wind direction and sunlight exposure. Additionally, the design undergoes a rigorous drafting and review process to ensure the optimal outcomes for the land's utilization.
คณะเทคโนโลยีการเกษตร
This research investigates the traditional knowledge, biological characteristics, and bioactive compounds of Melaleuca cajuputi Powell, with a focus on its conservation and sustainable utilization. The study encompasses its applications in agriculture, healthcare, and bioenergy.
คณะเทคโนโลยีสารสนเทศ
Facial Expression Recognition (FER) has attracted considerable attention in fields such as healthcare, customer service, and behavior analysis. However, challenges remain in developing a robust system capable of adapting to various environments and dynamic situations. In this study, the researchers introduced an Ensemble Learning approach to merge outputs from multiple models trained in specific conditions, allowing the system to retain old information while efficiently learning new data. This technique is advantageous in terms of training time and resource usage, as it reduces the need to retrain a new model entirely when faced with new conditions. Instead, new specialized models can be added to the Ensemble system with minimal resource requirements. The study explores two main approaches to Ensemble Learning: averaging outputs from dedicated models trained under specific scenarios and using Mixture of Experts (MoE), a technique that combines multiple models each specialized in different situations. Experimental results showed that Mixture of Experts (MoE) performs more effectively than the Averaging Ensemble method for emotion classification in all scenarios. The MoE system achieved an average accuracy of 84.41% on the CK+ dataset, 54.20% on Oulu-CASIA, and 61.66% on RAVDESS, surpassing the 71.64%, 44.99%, and 57.60% achieved by Averaging Ensemble in these datasets, respectively. These results demonstrate MoE’s ability to accurately select the model specialized for each specific scenario, enhancing the system’s capacity to handle more complex environments.