This thesis aims to present the development of a metaverse project for the KMITL Lifelong Learning Center (KLLC) and KMITL Data Management Center (KDMC) for Public Relations at King Mongkut's Institute of Technology Ladkrabang, with the main goal of creating a metaverse prototype to promote learning and public relations through virtual reality technology for students, staff, and external individuals. In this project, the developers have created a metaverse system to simulate a virtual experience for users at the KMITL Lifelong Learning Center (KLLC) and KMITL Data Management Center (KDMC) for Public Relations at King Mongkut's Institute of Technology Ladkrabang. Users will be able to access the system through a web application developed with Unity, which is the tool used to create the metaverse system. The design allows users to visit and interact with various locations within the building to promote public relations in a more widespread virtual format. The developers used Maya and Unity software to create a metaverse system for modeling 3D objects and managing various functions, providing users with a realistic and novel experience. This project is expected to promote learning and the dissemination of information in an easily accessible modern format, creating opportunities for education and learning for those who cannot travel to see the actual locations. This makes metaverse technology an important tool for effectively developing learning and engagement in the digital age.
เนื่องจากปัจจุบันการประชาสัมพันธ์ด้วยเทคโนโลยีในรูปแบบ Metaverse ยังไม่เป็นที่นิยมและไม่ได้นำมาใช้อย่างแพร่หลายในประเทศไทย โดยเฉพาะอย่างยิ่งในด้านการศึกษาเพื่อการเรียนรู้ผ่านระบบเมตาเวิร์ส โดยระบบ Metaverse คือเทคโนโลยีที่สามารถเชื่อมต่อทุกการสื่อสารบนโลกออนไลน์ ให้รวมกันเป็นหนึ่งเดียวได้เสมือนกับชุมชนบนโลกเสมือนจริงที่ให้สภาพแวดล้อมกับวัตถุต่าง ๆ รอบตัวที่เหมือนจริงมาก และสามารถเชื่อมต่อกันได้จะทำให้เกิดปฏิสัมพันธ์ซึ่งกันและกัน พร้อมการสร้างกิจกรรมร่วมกันได้ เช่น การพูดคุย การเดินสำรวจสิ่งก่อสร้าง การทำท่าทางต่างๆ เป็นต้น ซึ่งจะเห็นได้ว่าระบบ Metaverse สามารถนำมาประยุกต์ใช้ได้ในหลากหลายรูปแบบโดยขึ้นอยู่กับการนำเสนอของผู้ออกแบบ ปัจจุบันเทคโนโลยีในรูปแบบ Metaverse ที่ใช้เพื่อการประชาสัมพันธ์ในส่วนของศูนย์การเรียนรู้ตลอดชีวิต (KLLC) และสำนักบริหารข้อมูลดิจิทัล (KDMC) สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบังยังคงขาดการประชาสัมพันธ์เพื่อให้เป็นที่น่าสนใจและดึงดูดให้พื้นที่นี้เป็นที่รู้จักและน่าสนใจมากยิ่งขึ้น อีกทั้งยังได้รับประสบการณ์การใช้งานในรูปแบบโลกเสมือนจริง โดยผู้ใช้งานจะสามารถพูดคุยกัน เปิดกล้อง แชร์หน้าจอ ทำท่าทางต่างๆ และได้เห็นถึงโครงสร้างทั้งภายนอกและภายในของศูนย์การเรียนรู้ตลอดชีวิต (KLLC) และสำนักบริหารข้อมูลดิจิทัล (KDMC) สจล. ดังนั้น เราจึงสร้าง KMITL Lifelong Learning Center (KLLC) and Data Management Center (KDMC) ในรูปแบบ Metaverse ที่มีสภาพแวดล้อมเสมือนจริง เพื่อการประชาสัมพันธ์ให้กับผู้ที่ชื่นชอบการศึกษาเรียนรู้และผู้ที่สนใจในเทคโนโลยีเมตาเวิร์สและเพื่อให้ผู้ใช้งานได้สัมผัสกับประสบการณ์เสมือนจริงโดยตรงจากระบบ Metaverse
คณะเทคโนโลยีสารสนเทศ
This research presents a deep learning method for generating automatic captions from the segmentation of car part damage. It analyzes car images using a Unified Framework to accurately and quickly identify and describe the damage. The development is based on the research "GRiT: A Generative Region-to-text Transformer for Object Understanding," which has been adapted for car image analysis. The improvement aims to make the model generate precise descriptions for different areas of the car, from damaged parts to identifying various components. The researchers focuses on developing deep learning techniques for automatic caption generation and damage segmentation in car damage analysis. The aim is to enable precise identification and description of damages on vehicles, there by increasing speed and reducing the work load of experts in damage assessment. Traditionally, damage assessment relies solely on expert evaluations, which are costly and time-consuming. To address this issue, we propose utilizing data generation for training, automatic caption creation, and damage segmentation using an integrated framework. The researchers created a new dataset from CarDD, which is specifically designed for cardamage detection. This dataset includes labeled damages on vehicles, and the researchers have used it to feed into models for segmenting car parts and accurately labeling each part and damage category. Preliminary results from the model demonstrate its capability in automatic caption generation and damage segmentation for car damage analysis to be satisfactory. With these results, the model serves as an essential foundation for future development. This advancement aims not only to enhance performance in damage segmentation and caption generation but also to improve the model’s adaptability to a diversity of damages occurring on various surfaces and parts of vehicles. This will allow the system to be applied more broadly to different vehicle types and conditions of damage inthe future
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.
คณะวิศวกรรมศาสตร์
This research suggested natural hemp fiber-reinforced ropes (FRR) polymer usage to reinforce recycled aggregate square concrete columns that contain fired-clay solid brick aggregates in order to reduce the high costs associated with synthetic fiber-reinforced polymers (FRPs). A total of 24 square columns of concrete were fabricated to conduct this study. The samples were tested under a monotonic axial compression load. The variables of interest were the strength of unconfined concrete and the number of FRRlayers. According to the results, the strengthened specimens demonstrated an increased compressive strength and ductility. Notably, the specimens with the smallest unconfined strength demonstrated the largest improvement in compressive strength and ductility. Particularly, the compressive strength and strain were enhanced by up to 181% and 564%, respectively. In order to predict the ultimate confined compressive stress and strain, this study investigated a number of analytical stress–strain models. A comparison of experimental and theoretical findings deduced that only a limited number of strength models resulted in close predictions, whereas an even larger scatter was observed for strain prediction. Machine learning was employed by using neural networks to predict the compressive strength. A dataset comprising 142 specimens strengthened with hemp FRP was extracted from the literature. The neural network was trained on the extracted dataset, and its performance was evaluated for the experimental results of this study, which demonstrated a close agreement.