This project develops a platform using computer vision to analyze real-time CCTV footage for detecting traffic law violations, such as crossing solid lines. The system can automatically identify and record traffic rule infringements, improving law enforcement efficiency and reducing the workload of traffic police officers. Moreover, it plays a crucial role in developing smart city systems by integrating data to enhance traffic management and road safety.
ในปัจจุบัน ปัญหาการจราจรและอุบัติเหตุบนท้องถนนเป็นประเด็นสำคัญที่ส่งผลกระทบต่อคุณภาพชีวิตของประชาชนและการพัฒนาเมือง การฝ่าฝืนกฎจราจร โดยเฉพาะการขับรถทับเส้นทึบ เป็นสาเหตุหลักของอุบัติเหตุและการจราจรติดขัด แม้จะมีการติดตั้งกล้องวงจรปิดอย่างแพร่หลาย แต่การตรวจสอบภาพจำนวนมากโดยเจ้าหน้าที่มนุษย์นั้นมีข้อจำกัดด้านประสิทธิภาพและความแม่นยำ ความก้าวหน้าทางเทคโนโลยีคอมพิวเตอร์วิทัศน์และปัญญาประดิษฐ์ เปิดโอกาสให้สามารถพัฒนาระบบอัตโนมัติที่มีประสิทธิภาพสูงในการตรวจจับและวิเคราะห์พฤติกรรมการขับขี่ที่ผิดกฎหมาย การนำเทคโนโลยีเหล่านี้มาประยุกต์ใช้ในการบังคับใช้กฎหมายจราจรจะช่วยเพิ่มความปลอดภัยบนท้องถนน ลดภาระของเจ้าหน้าที่ และสนับสนุนการตัดสินใจเชิงนโยบายด้านการจราจรได้อย่างมีประสิทธิภาพ นอกจากนี้ แนวคิดเรื่องเมืองอัจฉริยะ (Smart City) กำลังได้รับความสนใจอย่างมากในการพัฒนาเมืองสมัยใหม่ การบูรณาการระบบตรวจจับการกระทำผิดกฎจราจรอัตโนมัติเข้ากับโครงสร้างพื้นฐานของเมืองอัจฉริยะ จะช่วยยกระดับการบริหารจัดการเมืองและคุณภาพชีวิตของประชาชน ด้วยเหตุนี้ การพัฒนาแพลตฟอร์มที่ใช้คอมพิวเตอร์วิทัศน์ในการตรวจจับการกระทำผิดกฎจราจรจึงมีความสำคัญอย่างยิ่ง เพื่อแก้ไขปัญหาการจราจร เพิ่มความปลอดภัยบนท้องถนน และสนับสนุนการพัฒนาเมืองอัจฉริยะในอนาคต
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.
คณะเทคโนโลยีการเกษตร
-
คณะเทคโนโลยีการเกษตร
Durian is a crucial economic crop of Thailand and one of the most exported agricultural products in the world. However, producing high-quality durian requires maintaining the health of durian trees, ensuring they remain strong and disease-free to optimize productivity and minimize potential damage to both the tree and its fruit. Among the various diseases affecting durian, foliar diseases are among the most common and rapidly spreading, directly impacting tree growth and fruit quality. Therefore, monitoring and controlling leaf diseases is essential for preserving durian quality. This study aims to apply image analysis technology combined with artificial intelligence (AI) to classify diseases in durian leaves, enabling farmers to diagnose diseases independently without relying on experts. The classification includes three categories: healthy leaves (H), leaves infected with anthracnose (A), and leaves affected by algal spot (S). To develop the classification model, convolutional neural network (CNN) algorithms—ResNet-50, GoogleNet, and AlexNet—were employed. Experimental results indicate that the classification accuracy of ResNet-50, GoogleNet, and AlexNet is 93.57%, 93.95%, and 68.69%, respectively.