การประยุกต์ใช้งานความเป็นจริงเสริมในงานด้านอุตสาหกรรมอัตโนมัติ (ระยะที่ 1)

ประจักษ์ จิตเงินมะดัน

dc.contributor.author	ประจักษ์ จิตเงินมะดัน
dc.date.accessioned	2025-06-23T04:01:02Z
dc.date.available	2025-06-23T04:01:02Z
dc.date.issued	2566
dc.identifier.uri	https://buuir.buu.ac.th/xmlui/handle/1234567890/17464
dc.description.abstract	ในอุตสาหกรรมและเทคนิคการผลิตสมัยใหม่ การบำรุงรักษาที่รวดเร็วและแม่นยำเป็นแนวคิดที่สำคัญ มีหลายแนวทางที่ตอบสนองข้อกำหนดเหล่านี้ รวมถึงเทคโนโลยีความจริงเสริม (Augmented Reality หรือ AR) เทคโนโลยี AR ร่วมกับเทคนิคการตรวจจับวัตถุแบบเรียลไทม์ นำเสนอวิธีแก้ปัญหาที่เป็นไปได้ในการปรับปรุงและเปลี่ยนแปลงเทคนิคการบำรุงรักษาในอนาคตอันใกล้ เพื่อหาโมเดล AI ที่เหมาะสมที่สุดสำหรับวัตถุประสงค์นี้ การศึกษานี้ได้เปรียบเทียบโมเดล YOLOv5, Resnet50 และ SSD MobileNet ที่ผ่านการฝึกฝนมาแล้วในการตรวจจับองค์ประกอบของ PLCnext โดยใช้ภาพ 960 ภาพสำหรับการฝึกฝนและทดสอบ โมเดลต่าง ๆ ได้รับการฝึกฝนและทดสอบ โดยเน้นถึงความสามารถในการทำงานแบบเรียลไทม์ ผลการศึกษาแสดงให้เห็นว่าโมเดล YOLOv5 ที่ผ่านการฝึกฝนมาแล้วเป็นโมเดลที่ดีที่สุดในการเพิ่มประสิทธิภาพการตรวจสอบแบบอินเตอร์แอคทีฟ ลดเวลาการหยุดทำงาน และเพิ่มประสิทธิภาพในสภาพแวดล้อมอุตสาหกรรม อีกทั้งยังเหมาะสำหรับการพัฒนาแอปพลิเคชัน AR ในระบบอัตโนมัติ 4.0 หลังจากได้รับการฝึกฝนด้วยภาพที่จำเป็น	th_TH
dc.language.iso	th	th_TH
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา	th_TH
dc.subject	ความเป็นจริงเสริม	th_TH
dc.subject	ปัญญาประดิษฐ์ -- การใช้ในอุตสาหกรรม	th_TH
dc.title	การประยุกต์ใช้งานความเป็นจริงเสริมในงานด้านอุตสาหกรรมอัตโนมัติ (ระยะที่ 1)	th_TH
dc.title.alternative	Applied augmented reality for industrial automation (Phase 1)	th_TH
dc.type	Research	th_TH
dc.year	2566	th_TH
dc.description.abstractalternative	In the modern industries and manufacturing techniques, quick and precise maintenance is a vital concept Several approaches fulfill these requirements, including the Augmented Reality (AR) technology The AR technology, combined with real-time object detection techniques, offers a possible solution to improve and disrupt the maintenance techniques in the near future For finding the most suitable AI model for this purpose, this study compared the pre-trained YOLOv5, Resnet50, and SSD MobileNet models in detecting PLCnext components Using 960 images for training and testing purposes, the models were trained and tested, highlighting their real-time capabilities The results show that the pre- trained YOLOv5 model is the best to enhance interactive monitoring, minimize downtime, and boost efficiency in industrial settings and suitable for AR application development in automation 40 after being trained with required images	th_TH