This research focuses on the design and development of a prototype Artificial Intelligence of Things (AIoT) system for monitoring and controlling irrigation using weather information. The system consists of four main components: 1) Weather Station – This component includes various sensors such as air temperature, relative humidity, wind speed, and sunlight duration, among others, to collect real-time weather data. 2) Controller Unit – This unit is equipped with machine learning algorithms or models to estimate the reference evapotranspiration (ETo) and calculate the plant’s water requirement by integrating the crop coefficient (Kc) with other plant-related data. This enables the system to determine the optimal irrigation amount based on plant needs automatically. 3) User Interface (UI) and Display – This section allows farmers or users to input relevant information, such as plant type, soil type, irrigation system type, number of water emitters, planting distance, and growth stages. It also provides a display for monitoring and interaction with the system. 4) Irrigation Unit – This component is responsible for controlling the water supply and managing the irrigation emitters to ensure efficient water distribution based on the calculated requirements.
การเปลี่ยนแปลงสภาพอากาศของโลกทวีความรุนแรงขึ้นอย่างต่อเนื่อง สถานการณ์ดังกล่าวส่งผลกระทบ โดยตรงต่อภาคการเกษตร โดยเฉพาะในประเทศไทยที่มีแนวโน้มเผชิญกับปัญหาการขาดแคลนน้ำและความ ผันผวนของปริมาณน้ำฝน ซึ่งส่งผลต่อทั้งปริมาณและคุณภาพของผลผลิตทางการเกษตรโดยตรง ทั้งนี้ การบริหารจัดการน้ำในภาคเกษตรกรรมของประเทศไทยยังคงเผชิญกับข้อจำกัดหลายประการ เกษตรกรส่วนใหญ่ยังคงพึ่งพาประสบการณ์ส่วนตัวในการให้น้ำพืช ซึ่งอาจนำไปสู่การใช้น้ำที่ไม่มีประสิทธิภาพ เช่น การให้น้ำมากเกินความจำเป็นหรือน้อยเกินไปจนส่งผลกระทบต่อผลผลิต หรืออาจนำไปสู่ปัญหา เช่น การแตกใบอ่อน การร่วงของดอก และมีผลผลิตที่ไม่ได้คุณภาพ (Togneri et al., 2023) ในขณะที่ข้อมูลทาง วิชาการที่สามารถช่วยให้การบริหารจัดการน้ำมีความแม่นยำขึ้น เช่น ค่าอัตราการใช้น้ำของพืชอ้างอิง (Evapotranspiration: ETo) และค่าสัมประสิทธิ์พืช (Kc) กลับเข้าถึงได้ยาก เนื่องจากมีความซับซ้อนในการ คำนวณ อีกทั้งข้อมูลที่มีอยู่มักเป็นข้อมูลเฉลี่ยรายจังหวัดซึ่งไม่สามารถนำไปใช้ได้อย่างมีประสิทธิภาพในระดับ ฟาร์ม โครงการนี้จึงมุ่งเน้นไปที่การพัฒนาระบบปัญญาประดิษฐ์สำหรับการติดตามและควบคุมการให้น้ำพืชอัจฉริยะ โดยอิงข้อมูลสภาพอากาศซึ่งจะช่วยแก้ไขข้อจำกัดของเกษตรกรไทยในการเข้าถึงข้อมูลที่ ถูกต้องและการบริหารจัดการน้ำที่แม่นยำ
คณะอุตสาหกรรมอาหาร
Banana Blossom Chips is a healthy snack rich in dietary fiber, antioxidants, and plant-based protein. It is a result of combining local Thai ingredients: banana blossoms, which are high in dietary fiber and antioxidants, chickpea flour, a source of plant-based protein, and red jasmine brown rice, which has a low GI value and high antioxidants. It is processed to create crispiness and a unique shape, reduces fat, is gluten-free, and helps maintain nutritional value. Therefore, it is a new alternative for health-conscious consumers and adds value to Thai agricultural products.
คณะครุศาสตร์อุตสาหกรรมและเทคโนโลยี
The Department of Engineering Education at KMITL offers courses in power electronics laboratory practices, which require the use of expensive imported training kits. This results in a loss of national revenue due to the purchase of these imported kits. Therefore, the developers propose a power electronics training kit that offers equivalent or superior functionality to the imported ones while being more cost-effective, making it suitable for student experiments.
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.