This thesis presents the development of an IoT system that integrates various communication standards to work together seamlessly. The Core Board serves as the IoT gateway, connecting LoRa, Wi-Fi, and BLE interfaces, and is powered by the STM32H563Zi microcontroller based on the ARM Cortex M33 architecture. The system is designed with slots to support additional communication standards and includes a web platform for data monitoring.
จากอดีตจนถึงปัจจุบัน การพัฒนาโปรโตคอลการสื่อสารไร้สาย สำหรับใช้งานร่วมกับ IoT เช่น Zigbee, Z-Wave, BLE (Bluetooth Low Energy), LoRa, NB-IoT, และ MQTT ซึ่งแต่ละชนิด มีลักษณะการใช้งานที่แตกต่างกันไป ตามสภาพแวดล้อมที่ใช้งาน ซึ่งอุปกรณ์ IoT Gateway แบบเดิม ที่ออกแบบมาในรูปแบบคงที่ (Fixed) มักรองรับโปรโตคอลได้เพียงบางชนิดเท่านั้น และขาดความยืดหยุ่นในการปรับเปลี่ยนหรืออัพเกรดเพื่อรองรับโปรโตคอลใหม่ๆ หากผู้ใช้งานต้องการรองรับโปรโตคอลที่พัฒนาใหม่หรือการเปลี่ยนแปลงทางเทคโนโลยีในอนาคต พวกเขาจำเป็นต้องเปลี่ยนอุปกรณ์ Gateway ทั้งหมด ซึ่งไม่เพียงแต่เพิ่มค่าใช้จ่าย แต่ยังทำให้เกิดข้อจำกัดในด้านการปรับปรุงประสิทธิภาพของระบบ จากปัญหาดังกล่าว ทางผู้จัดทำจึงเริ่มพัฒนา IoT Gateway เพื่อยกระดับมาตรฐาน โดยที่ออกแบบในลักษณะที่เป็นโมดูลาร์ (Modular) ซึ่งสามารถปรับเปลี่ยนหรือเพิ่มโมดูลที่รองรับโปรโตคอลการสื่อสารชนิดต่างๆ ได้อย่างยืดหยุ่น ผู้ใช้งานสามารถเลือกเพิ่มหรือเปลี่ยนโมดูลใหม่ตามโปรโตคอลที่ต้องการใช้งานได้อย่างสะดวก โดยไม่จำเป็นต้องเปลี่ยนอุปกรณ์ Gateway ทั้งชุด ซึ่งจะช่วยลดค่าใช้จ่ายในการอัพเกรดระบบ และเพิ่มความสามารถในการแข่งขันของโซลูชัน IoT ในอนาคต
คณะวิศวกรรมศาสตร์
This project has been developed to address medical challenges related to the process of counting and classifying blood cells from samples, a task that requires both time and high precision. To reduce the workload of medical personnel, the developers have created a platform and an artificial intelligence (AI) system capable of automatically classifying and counting cells from sample images. This system is designed to assist medical laboratory technicians by enabling them to work more efficiently and accurately, reducing the time required for analysis. Furthermore, it promotes the advancement of medical technology, ensuring effective usability from classrooms and laboratories to hospitals.
คณะบริหารธุรกิจ
Parking space shortages in urban areas contribute to traffic congestion, inefficient land use, and environmental challenges. Automated Parking Systems (APS) provide an innovative solution by optimizing space utilization, reducing search times, and minimizing carbon emissions. This research investigates key factors influencing user adoption of APS technology using the UTAUT2 framework, focusing on variables such as Performance Expectancy, Effort Expectancy, Social Influence, Trust in Technology, and Environmental Consciousness. The APS Evolution project presents a smart parking solution that enhances efficiency, minimizes environmental impact, and improves user experience in urban settings. The initiative emphasizes technology-driven urban mobility and sustainable parking management to align with the evolving needs of modern cities.
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.