KMITL Expo 2026 LogoKMITL 66th Anniversary Logo

ระบบตำรวจอัจฉริยะป้องกันการโจรกรรมสำหรับเมืองฉะเชิงเทรา

ระบบตำรวจอัจฉริยะป้องกันการโจรกรรมสำหรับเมืองฉะเชิงเทรา

รายละเอียด

โครงการนี้นำหลักการของเทคโนโลยีปัญญาประดิษฐ์ และ Deep Learning มาจัดทำระบบตำรวจอัจฉริยะ (Smart Police) เพื่อวิเคราะห์อัตลักษณ์บุคคลและยานพาหนะที่ต้องสงสัยว่าเกี่ยวข้องกับการกระทำความผิดเพื่อใช้รักษาความปลอดภัยในชีวิตและทรัพย์สินของประชาชน โดยหลักการทำงานของระบบตำรวจอัจฉริยะ จะติดตั้งกล้อง CCTV ในพื้นที่ที่มีความเสี่ยงในกการโจรกรรม เพื่อตรวจจับบุคคลที่มีอำพรางอาวุธ โดยวิเคราะห์จากภาพจากกล้อง CCTV ด้วยการประมวลผลภาพและประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ ในการเฝ้าระวังและตรวจจับสิ่งที่อยู่ในเหตุการณ์ เมื่อมีการโจรกรรมหรือเหตุการผิดปกติ ระบบจะแจ้งเตือนเหตุการณ์เข้ามาที่ศูนย์เฝ้าระวังภายในสถานีตำรวจ เพื่อให้ตำรวจไปตรวจสอบความผิดเบื้องต้น และไปพื้นที่เกิดเหตุได้ทันเหตุการณ์เพื่อดำเนินการป้องกันหรือระงับเหตุ ในกรณีที่มีการหลบหนี ระบบจะติดตามรถยนต์ หรือ รถมอเตอร์ไซด์ พร้อมระบุเส้นทางที่สามารถใช้ในการหลบหนีโดยใช้การติดตามจากลักษณะของยานพาหนะ และป้ายทะเบียนของยานพาหนะที่ก่อเหตุ เพื่อทำการติดตามและระงับเหตุได้ ดังนั้นระบบตำรวจอัจฉริยะที่พัฒนาขึ้นเป็นการร่วมมือของคณะวิศวกรรมศาสตร์ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, สำนักงานตำรวจภูธรภาค 2 มูลนิธิฉะเชิงเทราเพื่อการพัฒนา และสำนักงานเมืองอัจฉริยะจังหวัดฉะเชิงเทรา เพื่อป้องกันและป้องปรามการเกิดอาชญากรรม เพิ่มความปลอดภัยสาธารณะและความสงบเรียบร้อยให้แก่ประชาชนในพื้นที่จังหวัดฉะเชิงเทราซึ่งเป็นพื้นที่ในเขต EEC ซึ่งเป็นแหล่งเศรษฐกิจของประเทศ และเป็นแหล่งท่องเที่ยวใกล้กรุงเทพ และเป็นการสร้างเครือข่ายความร่วมมือทั้งภาครัฐ เอกชน และชุมชน ตลอดจนถ่ายทอดองค์ความรู้การใช้งานนวัตกรรมและการเขียนให้แก่ตำรวจและเจ้าหน้าที่ในการนำเทคโนโลยีไปใช้งานจริงและสามารถพัฒนาต่อยอดนวัตกรรมได้ใช้เอง ซึ่งเป็นการพัฒนาแบบต่อเนื่องในระยะยาวเพื่อให้เกิดความยั่งยืนและนําข้อมูลไปใช้ประโยชน์ด้านการวางแผนการดำเนินการรักษาความปลอดภัยและแผนการท่องเที่ยวของจังหวัดฉะเชิงเทรา

วัตถุประสงค์

-

นวัตกรรมอื่น ๆ

ระบบติดตามงานของสมาชิกในทีม

วิทยาเขตชุมพรเขตรอุดมศักดิ์

ระบบติดตามงานของสมาชิกในทีม

โครงงานนี้มุ่งเน้นการพัฒนาระบบติดตามงานสำหรับสมาชิกในทีม โดยใช้ภาษา Python ในการดึงข้อมูลจากไฟล์ Excel และนำเข้าสู่ฐานข้อมูล SQL Server เพื่อจัดการข้อมูลอย่างเป็นระบบ ระบบนี้มีฟังก์ชันการแจ้งเตือนสถานะงานผ่าน LINE และแสดงผลรายงานผ่าน Power BI เพื่อให้หัวหน้างานสามารถติดตามความคืบหน้าและประเมินผลงานของสมาชิกในทีมได้อย่างมีประสิทธิภาพ นอกจากนี้ ระบบยังช่วยส่งเสริมทักษะการบริหารจัดการงานและเวลาให้กับสมาชิกในทีมอีกด้วย

การพัฒนาผลิตภัณฑ์ลูกชิ้นปลาจากปลาหมอคางดำ

วิทยาเขตชุมพรเขตรอุดมศักดิ์

การพัฒนาผลิตภัณฑ์ลูกชิ้นปลาจากปลาหมอคางดำ

เนื่องจากมีการระบาดของปลาหมอคางดำ ทำให้มีผลกระทบต่อระบบนิเวศโดยรวมของธรรมชาติ เพราะปลาหมอคางดำมีการแพร่กระจายอย่างรวดเร็ว และมีความทนทานต่อสภาพแวดล้อมที่เปลี่ยนแปลง ส่งผลให้ปลาหมอคางดำมีจำนวนประชากรมากเกินไป ทำให้มีการแย่งชิงของอาหารและที่อยู่อาศัยของปลาพื้นถิ่น อีกทั้งพฤติกรรมการกินที่หลากหลายของปลาหมอคางดำอาจส่งผลให้เกิดการลดลงของสัตว์น้ำขนาดเล็กหรือพืชน้ำที่มีความสำคัญต่อระบบนิเวศอีกด้วย

การตรวจสอบโรคในใบทุเรียนด้วยภาพถ่ายและปัญญาประดิษฐ์

คณะเทคโนโลยีการเกษตร

การตรวจสอบโรคในใบทุเรียนด้วยภาพถ่ายและปัญญาประดิษฐ์

ทุเรียนเป็นพืชเศรษฐกิจที่สำคัญของประเทศไทยและเป็นสินค้าส่งออกที่มีปริมาณสูงที่สุดในโลก อย่างไรก็ตาม การผลิตทุเรียนให้มีคุณภาพสูงจำเป็นต้องอาศัยการดูแลสุขภาพของต้นทุเรียนให้แข็งแรงและปราศจากโรค เพื่อให้สามารถให้ผลผลิตได้อย่างมีประสิทธิภาพ และลดความเสียหายที่อาจเกิดขึ้นกับทั้งต้นและผลทุเรียน โรคที่พบได้บ่อยและสามารถแพร่กระจายได้อย่างรวดเร็ว มักเป็นโรคที่เกิดขึ้นบริเวณใบ ซึ่งส่งผลกระทบโดยตรงต่อการเจริญเติบโตของต้นทุเรียนและคุณภาพของผลผลิต การตรวจสอบและควบคุมโรคทางใบจึงเป็นปัจจัยสำคัญในการรักษาคุณภาพของทุเรียน งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเทคโนโลยีการวิเคราะห์ภาพถ่ายร่วมกับปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการจำแนกโรคที่เกิดขึ้นในใบทุเรียน เพื่อให้เกษตรกรสามารถตรวจสอบโรคได้ด้วยตนเองโดยไม่ต้องอาศัยผู้เชี่ยวชาญ โดยจำแนกใบออกเป็น 3 ประเภท ได้แก่ ใบสุขภาพดี (Healthy: H) ใบที่ติดเชื้อแอนแทรคโนส (Anthracnose: A) และใบที่ติดเชื้อจุดสาหร่าย (Algal Spot: S) ทั้งนี้ ได้นำอัลกอริทึม Convolutional Neural Networks (CNN) ได้แก่ ResNet-50, GoogleNet และ AlexNet มาใช้ในการพัฒนาแบบจำลองเพื่อจำแนกประเภทของโรค ผลการทดลองพบว่า แบบจำลองที่ใช้ ResNet-50, GoogleNet และ AlexNet ให้ค่าความแม่นยำในการจำแนกใบเท่ากับ 93.57%, 93.95% และ 68.69% ตามลำดับ