This project focuses on the development of an automatic license plate recognition system that supports both standard and special license plates in Thailand. By utilizing Machine Learning technology, the system enhances the efficiency of license plate reading. It can process data from both images and videos. Users can register and subscribe to the service, allowing them to send data for processing through RESTful API, WebSocket, and registered IP cameras.
ในปัจจุบัน ระบบการอ่านป้ายทะเบียนอัตโนมัติ มีการนำมาใช้กันอย่างกว้างขวาง เช่น ระบบตรวจสอบรถ เข้าออก ระบบจัดการลานจอดรถ ระบบขนส่งสาธารณะที่ใช้เก็บค่าผ่านทางแบบอัตโนมัติ ระบบรักษาความปลอดภัย เป็นต้น ความแม่นยำในการอ่านป้ายทะเบียนจึงเป็นสิ่งจำเป็นอย่างยิ่ง เพื่อประสิทธิภาพ และความถูกต้องของข้อมูล เทคโนโลยี Machine Learning จึงถูกนำมาประยุกต์ใช้ เพื่อเพิ่มประสิทธิภาพในการอ่านป้ายทะเบียน ไม่ว่าจะเป็นในรูปแบบของ Software Module ที่ติดตั้งแบบถาวร หรือเป็นบริการ E-service อย่างไรก็ตาม ระบบรูปแบบ Software Module มักพบปัญหาในการไม่ได้รับการอัปเดตอย่างสม่ำเสมอ และระบบรูปแบบ E-service ในปัจจุบันยังไม่สามารถอ่านป้ายทะเบียนของประเทศไทยได้อย่างมีประสิทธิภาพ เนื่องจากความซับซ้อนของภาษาไทย ที่เกิดจากป้ายทะเบียนรูปแบบพิเศษ เช่น ป้ายทะเบียนประมูลของกรมขนส่งทางบก ที่มีลวดลาย และรูปแบบตัวอักษรที่แตกต่างจากป้ายทะเบียนปกติ จากปัญหาที่กล่าวมา โครงการนี้จึงมีแนวคิดในการพัฒนา Machine Learning Model ที่ออกแบบมาเพื่อจัดการกับปัญหาเฉพาะของป้ายทะเบียนในประเทศไทย โดยมีเป้าหมายความแม่นยำในการอ่านป้ายทะเบียนอยู่ที่ 95 เปอร์เซ็นต์ พร้อมกับการพัฒนาบริการ E-service สำหรับการอ่านป้ายทะเบียนอัตโนมัติ ให้ผู้ที่สนใจสามารถเข้าใช้งาน Machine Learning Model ของเราได้ โดยผ่านการลงทะเบียนบนเว็บไซต์ จ่ายค่าสมัครใช้บริการรายเดือน และส่งข้อมูลในรูปแบบของรูปภาพผ่าน RESTful API, WebSocket และวิดีโอผ่านกล้อง IP ที่มีการลงทะเบียนเอาไว้กับระบบ นอกจากนี้ยังมีการพัฒนาเว็บไซต์สำหรับผู้ดูแลระบบ เพื่อช่วยในการบริหารจัดการและตรวจสอบการทำงานของระบบ
วิทยาเขตชุมพรเขตรอุดมศักดิ์
A sweet made from flour and added to give it a chewy texture similar to chewing gum.
วิทยาลัยการจัดการนวัตกรรมและอุตสาหกรรม
This study presents the development of carbon-based multiphase metal oxide nanocomposites (CNF@MOx; M = Ag, Mn, Bi, Fe) incorporating silver, manganese, bismuth, and iron nanoparticles within polyacrylonitrile (PAN)-derived carbon nanofibers. These nanocomposites were fabricated via the electrospinning technique followed by annealing in an argon atmosphere. The resulting nanofibers exhibited a uniform structure, with diameters ranging from 559 to 830 nm and embedded nanoparticles of 9-21 nm. Structural characterization confirmed the presence of various oxidation states of metal oxides, which play a crucial role in charge storage mechanisms. Electrochemical performance testing demonstrated that CNF@Ag/Mn/Bi/Fe-20 achieved the highest specific capacitance of 156 F g⁻¹ at a scan rate of 2 mV s⁻¹ and exhibited excellent cycling stability, retaining over 96% of its capacitance after 1400 charge-discharge cycles. The synergistic combination of electric double-layer capacitance and redox-based charge storage enhances the performance of these nanofibers as promising electrode materials for supercapacitor applications.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-