This study presents an automated system for corn field detection and measurement that combines Unmanned Aerial Vehicle (UAV) technology with deep transfer learning to address critical inefficiencies in agricultural data verification. Current verification methods rely on time-consuming on-site inspections that strain resources and delay operations. Our methodology integrates aerial data acquisition with automated analysis by leveraging transfer learning techniques to adapt pre-trained convolutional neural networks for corn field detection. Through a comparative evaluation of three architectures – MobileNetV1, MobileNetV2, and InceptionV3 – we demonstrate how transfer learning enables efficient model training with limited agricultural datasets while maintaining high accuracy. Testing revealed MobileNetV2’s superior performance with a Mean Absolute Error of 0.147, enabling field measurements accurate to within ±50 square meters of actual dimensions. Field validation demonstrates the system’s capability to automatically detect and delineate corn cultivation areas with high precision, offering substantial improvements over traditional manual verification methods. This transfer learning approach significantly reduces both human intervention requirements and operational costs while improving measurement accuracy and minimizing the need for extensive training data. The system’s demonstrated effectiveness suggests broad applications in agricultural monitoring and resource management, particularly in regions where manual verification poses logistical challenges.

-

The objective of this research is to comparatively study the analysis of depression potentiality from videos recorded during PHQ-9 assessment and clinical psychologists’ expertise (psychometric) in major depression disorder diagnosis by implementing experimental research from three subject groups. The subjects were selected by using the purposive sampling method, and they consented according to the Human Research Ethics Committee. In addition, the data were collected via experimentation at the Psychiatry and Drug Addiction Subdivision of the hospital by using a research tool created from the application of facial expression recognition pre-training model, user behavior tracking, and PHQ-9 questionnaire in accordance with clinical manifestations. The relationship between PHQ-9 questions and the subjects’ emotions, which occurred while they are taking the questionnaires, are analyzed by using correlation statistics. After that, the results are compared by three clinical psychologists who have been specializing in depression diagnosis for more than seven years. The relationship exhibits the following interesting outcomes: 1) The correlation result showed a significant relationship between PHQ-9, emotion, behavior tracking, and reaction time with real subjects (Experimental group) but not significant with fake subjects (Experimental excluded group); and 2) Most of the emotions derived from the experiment have similar trends. To elaborate, the untreated subjects and the subjects who are undergoing treatment are prone to sadness, whereas the normal subjects tend to be happy, and the result barely has a relationship with PHQ-9

การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ศึกษาความต้องการพัฒนาสมรรถนะการใช้ปัญญาประดิษฐ์สำหรับการวัดและประเมินผลการเรียนรู้ของครูโรงเรียนเอกชนจังหวัดสมุทรปราการ และ 2) เปรียบเทียบความต้องการพัฒนาสมรรถนะการใช้ปัญญาประดิษฐ์สำหรับการวัดและประเมินผลการเรียนรู้ของครูโรงเรียนเอกชนจังหวัดสมุทรปราการ จำแนกตามปัจจัยส่วนบุคคล กลุ่มตัวอย่าง คือ ครูจำนวน 264 คน ซึ่งเข้าร่วมการวิจัยโดยสมัครใจและตอบแบบสอบถามออนไลน์ เครื่องมือที่ใช้ในการวิจัย คือ แบบสอบถามแบบมาตรประมาณค่า 5 ระดับ สถิติที่ใช้ในการวิเคราะห์ข้อมูล ได้แก่ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการวิเคราะห์ความแปรปรวนทางเดียว (One-Way ANOVA) ผลการวิจัยพบว่า 1) ความต้องการพัฒนาสมรรถนะการใช้ปัญญาประดิษฐ์สำหรับการวัดและประเมินผลการเรียนรู้ของครูโดยภาพรวมอยู่ในระดับมาก (x̅=3.65, S.D.=0.89) และ 2) ครูที่มีช่วงวัย ประสบการณ์สอน และประสบการณ์การใช้ปัญญาประดิษฐ์แตกต่างกัน มีความต้องการพัฒนาสมรรถนะการใช้ปัญญาประดิษฐ์สำหรับการวัดและประเมินผลการเรียนรู้แตกต่างกันอย่างมีนัยสำคัญทางสถิติ

ไม่มี

ไม่มี

งานวิจัยมีวัตถุประสงค์เพื่อ 1)พัฒนาแบบจ าลองตรวจจับข้อบกพร่องของรอยเชื่อมด้วยสถาปัตยกรรม YOLO จ านวน 3 เวอร์ชัน2) เปรียบเทียบประสิทธิภาพของแบบจ าลอง YOLOv11l, YOLOv12lและ YOLOv26lภายใต้เงื่อนไขการทดลองเดียวกัน 3) วิเคราะห์ผลการตรวจจับข้อบกพร่องของรอยเชื่อมรายคลาส ได้แก่ รอยแตก (Crack), รูพรุน (Porosity), สะเก็ดเชื่อม (Spatter) และแนวเชื่อม (Weld Line)4) พัฒนาเว็บแอปพลิเคชันต้นแบบส าหรับการตรวจจับข้อบกพร่องของรอยเชื่อมโดยท าการศึกษาชุดข้อมูลจาก Roboflow Universe จ านวน 5,544 ภาพ และท าการประเมินผลด้วยตัวชี้วัด ผลการทดลองพบว่า YOLOv26l ให้ประสิทธิภาพสูงที่สุด โดยเฉพาะเมื่อฝึกที่ 300 epochs ซึ่งให้ค่า Precision = 0.91, Recall = 0.876, mAP50 = 0.908,mAP50–95 = 0.773และ F1-score = 0.89แสดงถึงความสามารถในการตรวจจับและระบุต าแหน่งข้อบกพร่องได้อย่างแม่นย าเหนือกว่าโมเดลอื่น นอกจากนี้ผลการวิเคราะห์รายคลาสชี้ว่าโมเดลสามารถจ าแนก Crack และ Weld Line ได้ดีอย่างสม ่าเสมอ ขณะที่ Porosity และ Spatter ยังคงมีความท้าทายเนื่องจากความคล้ายคลึงกับพื้นหลัง ทั้งนี้โมเดล YOLOv26l ถูกน าไปประยุกต์ใช้งานบนเว็บแอปพลิเคชันที่พัฒนาขึ้น ซึ่งสามารถใช้ตรวจจับข้อบกพร่องในสภาพแวดล้อมจริงได้อย่างมีประสิทธิภาพ สะท้อนศักยภาพของสถาปัตยกรรม YOLO รุ่นใหม่ส าหรับการตรวจสอบคุณภาพรอยเชื่อมในภาคอุตสาหกรรมอย่างไรก็ตามงานวิจัยนี้ยังมีข้อจ ากัดจากการใช้ชุดข้อมูลสาธารณะเพียงชุดเดียว จึงอาจยังไม่ครอบคลุมสภาพแวดล้อมจริงทั้งหมด