หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2568
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
ระบบจำแนกพฤติกรรมสัตว์แบบพลังงานต่ำด้วยฮาร์ดแวร์ Machine Learning
ชื่อโครงงานภาษาอังกฤษ
Low-Power Machine Learning Hardware for Animal Behavior Classification
ผู้พัฒนา
6510503824 ศุภาพิชญ์ ช่วยชูหนู
อาจารย์ที่ปรึกษาหลัก
อภิรักษ์ จันทร์สร้าง
อาจารย์ที่ปรึกษาร่วม
ชัยพร ใจแก้ว
อนันต์ ผลเพิ่ม
บทคัดย่อ
ระบบติดตามพฤติกรรมโคในปัจจุบันมีข้อจำกัดด้านอายุการใช้งานแบตเตอรี่และต้นทุนการส่งข้อมูลที่สูง เนื่องจากการส่งข้อมูลดิบไปประมวลผลภายนอกหรือการใช้หน่วยประมวลผลหลักที่ใช้พลังงานสูง งานวิจัยนี้นำเสนอการพัฒนาอุปกรณ์ติดตามพฤติกรรมโคพลังงานต่ำด้วยเทคโนโลยีการประมวลผลบน Edge computing (อุปกรณ์ปลายทาง) เพื่อลดข้อจำกัดด้านพลังงานและค่าใช้จ่ายในการส่งข้อมูล ระบบทำงานโดยอาศัย IMU (Inertial Measurement Unit) 6 แกน รุ่น LSM6DSOXTR ที่มีหน่วยประมวลผล MLC (Machine Learning Core) ในตัว ร่วมกับการสื่อสารผ่านเครือข่าย LoRa โดยใช้อัลกอริทึม DT (Decision Tree) บน MLC ในการจำแนกพฤติกรรมการกิน การยืน และการนอน โดยทำการทดลองกับอาสาสมัครที่เคลื่อนไหวเลียนแบบพฤติกรรมโค ผลการทดลองแสดงให้เห็นว่าระบบมีความแม่นยำในการจำแนกท่าทางอยู่ที่ร้อยละ 90.19 และพฤติกรรมการกินอยู่ที่ร้อยละ 89.40 และการประมวลผลบนตัวอุปกรณ์ช่วยลดปริมาณการใช้พลังงานได้มากกว่าร้อยละ 66.40 งานวิจัยนี้แสดงให้เห็นถึงประสิทธิภาพของการประยุกต์ใช้ Edge AI บนอุปกรณ์ที่มีทรัพยากรจำกัดเพื่อการบริหารจัดการปศุสัตว์อัจฉริยะอย่างยั่งยืน
Abstract
Current cattle behavior monitoring systems face limitations regarding battery life and high data transmission costs, primarily due to the transmission of raw data for external processing or the use of power-intensive main processors. This research develops a low-power cattle behavior tracker using Edge Computing to minimize energy and data costs. The system integrates a 6-axis IMU (LSM6DSOXTR) with an embedded Machine Learning Core (MLC) and LoRa connectivity. A Decision Tree algorithm deployed on the MLC was developed to classify simulated eating, standing, and lying behaviors. The system was validated using data collected from human subjects mimicking cow movements. Experimental results indicate a classification accuracy of 90.19 % for posture and 89.40 % for eating activity. Furthermore, the In-Sensor processing architecture reduced power consumption by 66.40 % compared to traditional Microcontroller Unit based processing. This study demonstrates the efficacy of Edge AI as a proof-of-concept for sustainable livestock management.
คำสำคัญ (Keywords)
ปศุสัตว์อัจฉริยะ, การประมวลผลบนอุปกรณ์ปลายทาง, การจำแนกพฤติกรรม, การเรียนรู้ของเครื่อง, อินเทอร์เน็ตของสรรพสิ่ง
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
ศุภาพิชญ์
ช่วยชูหนู
(b6510503824)
แก้ไขครั้งสุดท้าย
เมื่อ March 15, 2026, 5:43 p.m. โดย
ศุภาพิชญ์
ช่วยชูหนู
(b6510503824)
สถานะการอนุมัติ
รออนุมัติ