ระบบจัดเก็บและค้นหางานวิจัยอัจฉริยะ

เครื่องต้นแบบพัฒนาภาษามือโดยใช้เทคโนโลยี IoT

ผศ.สุรเทพ แป้นเกิด | ภาษามือ MediaPipe Internet of Things

จำนวนผู้เข้าชม

261

Creative Commons License

เครื่องต้นแบบพัฒนาภาษามือโดยใช้เทคโนโลยี IoT is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 3.0 Thailand License.

เปิดลิงก์เอกสาร

EndNote OpenURL

Collection	RMUTK Research Repository (RMUTK IR) วารสารวิชาการ — e-Journal Articles
ID RMUTK Digital	RMUTK000015
Title	เครื่องต้นแบบพัฒนาภาษามือโดยใช้เทคโนโลยี IoT
Alternative title	IoT-Based Sign Language Recognition System
Authors	ผศ.สุรเทพ แป้นเกิด ผู้แต่งหลัก
Faculty	คณะบริหารธุรกิจ
Journal Title	Engineering Transactions: A Research Publication of Mahanakorn University of Technology
ISSN	2450-8071
Volume / Issue / Pages	Vol.29 \| No.1 \| pp.9-17
Published	2026-06-17
Year	2569
Level	ระดับชาติ (TCI) TCI กลุ่ม 3
Abstract	งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบแปลภาษามือตัวอักษรภาษาอังกฤษแบบเรียลไทม์โดยใช้แนวคิดการประมวลผลแบบไฮบริดระหว่างเว็บไคลเอนต์และอุปกรณ์ IoT ระบบใช้ MediaPipe ส าหรับสกัดพิกัดจุดข้อต่อของมือจ านวน 42 ค่าแทนการใช้ภาพถ่ายดิบ เพื่อลดความซับซ้อนของข้อมูลและเพิ่มประสิทธิภาพในการประมวลผล จากนั้นน าข้อมูลพิกัดไปจ าแนกด้วยโมเดลโครงข่ายประสาทเทียมแบบหลายชั้น (MLP) บนไมโครคอนโทรลเลอร์ ESP32 โดยประยุกต์ใช้แนวคิดรูปแบบมาตรฐาน (Canonical Form) เพื่อแก้ปัญหาความแตกต่างระหว่างมือซ้ายและขวา ผลการทดลองพบว่าระบบสามารถแปลภาษามือตัวอักษรภาษาอังกฤษ A–Z (ยกเว้น J และ Z) ได้อย่างมีประสิทธิภาพ โดยมีค่าความถูกต้องเฉลี่ยเท่ากับ 91.67% และสามารถท างานได้อย่างเสถียรในสภาพแวดล้อมที่แตกต่างกัน งานวิจัยนี้แสดงให้เห็นว่าการใช้ข้อมูลเชิงโครงสร้างร่วมกับสถาปัตยกรรมแบบไฮบริดช่วยให้ระบบแปลภาษามือมีความแม่นย าสูง เหมาะสมกับการประยุกต์ใช้บนอุปกรณ์ IoT ที่มีข้อจ ากัดด้านทรัพยากร
Abstract (EN)	This research aims to develop a real-time English alphabet sign language translation system based on a hybrid computing approach integrating a web client and an IoT device. The system employs MediaPipe to extract 42 hand landmark coordinates instead of rawimages in order to reduce data complexity and improve processing efficiency. The extracted coordinates are classified using a lightweight Multilayer Perceptron (MLP) model deployed on an ESP32 microcontroller. To address the differences between left and right hands, the Canonical Form concept is applied by transforming right-hand inputs into a unified representation. Experimental results indicate that the proposed system can accurately recognize English alphabet signs from A to Z, excluding J and Z, achieving an average accuracy of 91.67% while maintaining stable performance under varying environmental conditions. The results demonstrate that combining structural hand features with a hybrid computing architecture effectively enhances recognition accuracy and is well suited for IoT-based sign language translation systems with limited computational resources.
Keywords (TH)	ภาษามือ MediaPipe Internet of Things ESP32 การเรียนรู้ของเครื่อง
Keywords (EN)	Sign Language MediaPipe Internet of Things ESP32 Machine Learning
Access Level	Open Access (เปิดสาธารณะ)

ลิงก์แหล่งเผยแพร่

เอกสารฉบับเต็ม (ลิงก์ภายนอก)

https://ph02.tci-thaijo.org/index.php/ET/article/view/263595/173739

เปิดลิงก์