This research will begin with a review of literature and related studies to examine existing technologies and methods for hand gesture recognition and their applications in controlling electronic devices such as drones, robots, and gaming systems. Subsequently, a hand gesture recognition system will be designed and developed using machine learning and computer vision techniques, with a focus on creating an algorithm that operates quickly and accurately, making it suitable for real-time control. The developed system will be tested and refined using various simulated scenarios to evaluate its efficiency and accuracy in diverse environments. Additionally, a user-friendly interface will be developed to ensure accessibility for all user groups. The research will also incorporate qualitative studies to gather feedback from both novice users and experts, which will contribute to further system improvements, ensuring it effectively meets user needs. Ultimately, the findings of this research will lead to the development of a functional prototype for gesture-based control, which can be applied in industries and entertainment. This will contribute to advancements in innovation and new technologies in the future.
ในยุคปัจจุบัน เทคโนโลยีโดรน หุ่นยนต์ และเกมดิจิทัลได้เข้ามามีบทบาทสำคัญในชีวิตประจำวันและอุตสาหกรรมต่าง ๆ มากขึ้นอย่างต่อเนื่อง การควบคุมอุปกรณ์เหล่านี้ส่วนใหญ่ยังคงพึ่งพารีโมทคอนโทรล จอยสติก หรืออุปกรณ์ควบคุมเฉพาะทาง ซึ่งอาจมีข้อจำกัดในด้านความยืดหยุ่น ความเป็นธรรมชาติในการใช้งาน และการเข้าถึงสำหรับผู้ใช้บางกลุ่ม เช่น ผู้พิการ หรือผู้สูงอายุ นอกจากนี้ ในสถานการณ์ที่ต้องการความคล่องตัวสูง เช่น การควบคุมโดรนในพื้นที่จำกัด หรือการเล่นเกมที่ต้องการการตอบสนองที่รวดเร็ว การใช้อุปกรณ์ควบคุมแบบดั้งเดิมอาจเป็นข้อจำกัดในการเพิ่มประสิทธิภาพการทำงานหรือประสบการณ์การเล่นเกม การพัฒนาเทคโนโลยีการรู้จำท่าทางมือ (Hand Gesture Recognition) จึงเป็นแนวทางที่มีศักยภาพอย่างสูงในการแก้ไขปัญหาดังกล่าว โดยเทคโนโลยีนี้สามารถช่วยให้ผู้ใช้ควบคุมโดรน หุ่นยนต์ หรือเล่นเกม ฯลฯ เป็นต้น ได้อย่างเป็นธรรมชาติมากขึ้น เพียงแค่ใช้ท่าทางมือที่กำหนดไว้ ซึ่งนอกจากจะเพิ่มความสะดวกสบายและความคล่องตัวในการควบคุมแล้ว ยังช่วยเพิ่มความสามารถในการเข้าถึงเทคโนโลยีสำหรับผู้ใช้ที่มีข้อจำกัดทางร่างกาย อีกทั้งยังเปิดโอกาสให้มีการพัฒนารูปแบบการควบคุมและการเล่นเกมแบบใหม่ ๆ ที่ไม่เคยมีมาก่อน
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.
คณะเทคโนโลยีการเกษตร
Capsicum chinense is a high-potential economic crop in the food and pharmaceutical industries due to its role as a primary source of capsaicin, a bioactive compound with significant physiological effects. However, capsaicin levels and fruit quality will be influenced by genetic factors, environmental conditions, and genetic-by-environment (G×E) interactions, leading to variability in capsaicin biosynthesis. This study will aim to analyze the impact of different environmental conditions on the growth, fruit quality, and capsaicin content of C. chinense ‘Scotch Bonnet’. The field experiments will be conducted at the demonstration plots of the Faculty of Agricultural Technology, King Mongkut’s Institute of Technology Ladkrabang, during two growing seasons: July–October (rainy season) and December–April (dry season). Four condition environments will be evaluated, and environmental parameters such as temperature, relative humidity, and light quality will be monitored to assess their effects on plant physiology and capsaicin biosynthesis. Additionally, an F1 hybrid breeding program will be established using six parental lines through a Half-diallel mating design, generating 15 hybrid combinations. The general combining ability (GCA) and specific combining ability (SCA) will be assessed to identify promising hybrid combinations with high and stable capsaicin content and yield. The findings from this study will be expected to provide valuable insights into optimizing cultivation conditions for high-pungency chili production and supporting the development of F1 hybrid seeds with commercial viability and consistent capsaicin levels.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-