คอลเล็กชัน (Collections)
พบ 4 รายการ
วารสารวิชาการ
ระดับชาติ (TCI) TCI กลุ่ม 1
Comparative Study of YOLO Architectures for Detecting Complex Weld Defects under Label Ambiguity
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
วารสารวิชาการ
ระดับชาติ (TCI) TCI กลุ่ม 3
IoT-Based Sign Language Recognition System
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
บทความประชุมวิชาการ
ระดับชาติ
Development of an Online Maintenance Request and Repair Status Tracking System
โครงการวิจัย เรื่อง การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ มีวัตถุประสงค์เพื่อ 1) การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ 2) ประเมินประสิทธิภาพของระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ และ 3) ประเมินความพึงพอใจของผู้ใช้งานระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ เครื่องมือที่ใช้ประกอบด้วยการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ แบบประเมินประสิทธิภาพการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ จำนวน 3 ท่าน และแบบประเมินความพึงพอใจระบบแจ้งซ่อมออนไลน์ โดยผู้ใช้งาน จำนวน 27 ท่าน (อาจารย์ เจ้าหน้าที่ และบุคลากรซ่อมบำรุงของมหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ) สถิติที่ใช้ในการวิเคราะห์ข้อมูล ได้แก่ ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน
ผลการวิจัย พบว่า ผลการประเมินประสิทธิภาพการพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์ โดยผู้เชี่ยวชาญ อยู่ในระดับมาก (x = 4.40, S.D. = 0.74) และด้านความพึงพอใจของผู้ใช้งาน อยู่ในระดับมากที่สุด (x = 4.51, S.D. = 0.62)
วารสารวิชาการ
ระดับชาติ (TCI) TCI กลุ่ม 2
Classifying Thai SMS Messages from Scammers using Machine Learning
การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อการจําแนกข้อความ SMS ภาษาไทยจากมิจฉาชีพด้วย Machine Learning 2) ศึกษาการใช้อัลกอริทึม PyThaiNLP ร่วมกับเทคนิค TF-IDF ในการสกัดคุณลักษณะข้อความ และประยุกต์ใช้เทคนิค SMOTE เพื่อแก้ไขปัญหาความไม่สมดุลของข้อมูล ก่อนนําไปฝึกด้วยอัลกอริทึม Naïve Bayes และ 3) ศึกษาผลของแบบจําลองในการจําแนกข้อความ SMS ภาษาไทยออกเป็น 3 กลุ่ม ได้แก่ ข้อความปกติ ข้อความมิจฉาชีพ และข้อความส่งเสริมการขาย โดยใช้ข้อมูลจํานวน 5,000 รายการผลการทดลองด้วยอัลกอริทึม Naïve Bayes พบว่า กลุ่มข้อความปกติมีค่า Precision (ความแม่นยํา) 0.94 Recall (ความระลึก) 0.84 และ F1-Score (ค่าความถ่วงดุล) 0.88 กลุ่มข้อความส่งเสริมการขายมีค่า Precision 0.57 Recall 0.81 และ F1-Score 0.67 และกลุ่มข้อความมิจฉาชีพมีค่า Precision 0.84 Recall 0.91 และ F1-Score 0.87 ซึ่งแสดงให้เห็นถึงประสิทธิภาพที่ดีของแบบจําลอง โดยเฉพาะในการตรวจจับข้อความมิจฉาชีพนอกจากนี้ การประยุกต์ใช้เทคนิค SMOTE ช่วยเพิ่มประสิทธิภาพของแบบจําลอง โดยให้ค่าความถูกต้อง (Accuracy) สูงสุดร้อยละ 85.00 พร้อมทั้งให้ค่าความแม่นยํา ความระลึก และค่าความถ่วงดุลอยู่ในระดับดีเยี่ยม สรุปได้ว่าแนวทางดังกล่าวสามารถนําไปใช้ในการตรวจจับข้อความ SMS มิจฉาชีพได้อย่างมีประสิทธิภาพ