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
คณะแพทยศาสตร์
This study explores the application of deep convolutional neural networks (CNNs) for accurate pill identification, addressing the limitations of traditional human-based methods. Using a dataset of 1,250 images across 10 household remedy drugs, various CNN architectures, including YOLO models, were tested under different conditions. Results showed that natural lighting was optimal for imprinted pills, while a lightbox improved detection for plain pills. The YOLOv5-tiny model demonstrated the best detection accuracy, and efficientNet_b0 achieved the highest classification performance. While the model showed strong results, its generalization is limited by sample size and drug variability. Nonetheless, this approach holds promise for enhancing medication safety and reducing errors in outpatient care.
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.
คณะวิทยาศาสตร์
This project presents the development of an automatic recycling machine for plastic bottles and cans, utilizing Machine Learning for packaging classification through image processing, integrated with smart sensor systems for quality inspection and operation control. The system connects to a Web Application for real-time monitoring and control. Once the packaging type is verified, the system automatically calculates the refund value and processes payment through e-wallet or issues cash vouchers. The system can be installed in public spaces to promote waste segregation at source, reduce contamination, and increase recycling efficiency. It also provides financial incentives to encourage public participation in waste management. This project demonstrates the potential of combining Machine Learning and smart sensor systems in developing accurate, convenient, and sustainable waste management solutions.