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 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.
วิทยาลัยวิศวกรรมสังคีต
This work attempts to spark conversations about the technical and creative aspects of participatory concert settings. It features the results of two interactive research concerts on basis of audience participation quantities, motion analysis and log data clustering. Ultimately, it poses questions how participatory work can help when teaching interactive technology for the arts and beyond.
คณะเทคโนโลยีการเกษตร
Durian is a crucial economic crop of Thailand and one of the most exported agricultural products in the world. However, producing high-quality durian requires maintaining the health of durian trees, ensuring they remain strong and disease-free to optimize productivity and minimize potential damage to both the tree and its fruit. Among the various diseases affecting durian, foliar diseases are among the most common and rapidly spreading, directly impacting tree growth and fruit quality. Therefore, monitoring and controlling leaf diseases is essential for preserving durian quality. This study aims to apply image analysis technology combined with artificial intelligence (AI) to classify diseases in durian leaves, enabling farmers to diagnose diseases independently without relying on experts. The classification includes three categories: healthy leaves (H), leaves infected with anthracnose (A), and leaves affected by algal spot (S). To develop the classification model, convolutional neural network (CNN) algorithms—ResNet-50, GoogleNet, and AlexNet—were employed. Experimental results indicate that the classification accuracy of ResNet-50, GoogleNet, and AlexNet is 93.57%, 93.95%, and 68.69%, respectively.