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
คณะวิศวกรรมศาสตร์
The evaluation of mango yield and consumer behavior reflects an increasing awareness of product origins, with a growing demand for traceability to understand how the produce has been cultivated and managed. This study explores the relationship between mango characteristics and cultivation practices before harvest, using location identification to provide insights into these processes. To achieve this, a model was developed to detect and locate mangoes using 2D images via a Deep Learning approach. The study also investigates techniques to determine the real-world coordinates of mangoes from 2D images. The YOLOv8 model was employed for object detection, integrated with camera calibration and triangulation techniques to estimate the 3D positions of detected mangoes. Experiments involved 125 trials with randomized mango positions and camera placements at varying yaw and pitch angles. Parameters extracted from sequential images were compared to derive the actual 3D positions of the mangoes. The YOLOv8 model demonstrated high performance with prediction metrics of Precision (0.928), Recall (0.901), mAP50 (0.965), mAP50-95 (0.785), and F1-Score (0.914). These results indicate sufficient accuracy for predicting mango positions, with an average positional error of approximately 38 centimeters.
คณะวิศวกรรมศาสตร์
Nowadays, rail transportation has a significant impact on people's lives and economic growth. Consequently, the number of rail systems being built around our country has dramatically increased. This process causes various types of pollution, such as noise and rail-way vibration, which can badly affect the life of citizens who live nearby. The most popular way to solve this problem recently is to decrease the noise from the sound source or to adjust the vibration by attaching a Track Damper to the railway. This technique is being used in many countries especially in Europe and Australia because it is cheap and has high efficiency. The key piece called Track Dampers are made by AUT company’s Thailand for a period of time. The company produces Track Dampers for the owner of the technology so as to sell more than 300,000 pieces of it overseas. Furthermore, the demand of Track Dampers grows as the railway systems expand. Unfortunately, the imported synthetic materials, which are used to create Track Dampers, are made from environmentally unfriendly sources. As a result, this research aims to develop the product to be environmentally-safe by replacing some imported materials with Thai’s local content; which are natural rubber and rubber crumbs. Furthermore, the product will be added value by mounting with embedded sensors for real-time monitoring of track vibration, noise, and rail temperature. All embedded devices developed will sense, collect, and automatically send to cloud by wireless technology platform. The AI and IOT platform will also be developed for safety, security, and maintenance proposed of railway track system. However, in conducting research, there will be close collaboration with AUT company through design, production, and testing. The outcome of this research is to upgrade AUT company from tier 2 manufacturer (TRL 8-9) to tier 1 manufacturer (TRL 7-8) which will be served the Thailand competitiveness enhancing strategic goal.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
This study explores the design, production, and installation of 3D-printed modular artificial reefs (3DMARs) at Koh Khai, Chumphon Province, Thailand, through a design thinking framework. Collaborating with SCG Co., Ltd. and the Department of Marine and Coastal Resources, the research establishes design criteria and installation methods, utilizing content analysis and qualitative research. Key principles such as modularity, flexibility, environmental sustainability, and usability are identified. The user-centered approach optimizes the 3DMARs for transport and deployment, enabling local community involvement and fostering sustainable practices. The modular design supports scalability, enhancing marine habitats and coral larval settlement. Furthermore, underwater monitoring techniques enable site-specific data collection, allowing for the generation of digital twin models. This research offers a practical framework for marine ecosystem restoration and empowers coastal communities in Thailand and beyond