Under The National Broadcasting and Telecommunications Commission (NBTC), the Telecommunication Enforcement Bureau collects a lot of data on service quality by monitoring and controlling the quality of telecommunications services, mainly by assessing mobile network infrastructure. The NBTC used Microsoft Excel for data analysis but became ineffective and slow. We used Python programming for preparation, analysis, and data processing to address this. Raw data was obtained from the Syberiz program in CSV format, processed in Python, and displayed on a dashboard. The dashboard, developed using Power BI, meets NBTC's telecommunications quality standards. It features maps, test results, and graphical representations. This method enhances the dashboard's appearance and usability and speeds up data processing and visualization compared to Microsoft Excel. This project is primarily designed to help the Telecommunication Enforcement Bureau's operations by making data processing and display for telecommunications quality monitoring faster, more effective, and easier to use.
เนื่องจากสำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงานคณะกรรมการกิจการกระจายเสียง กิจการโทรทัศน์ และกิจการโทรคมนาคมแห่งชาติ (สำนักงาน กสทช.) มีหน้าที่กำกับดูและการควบคุมคุณภาพการให้บริการโทรคมนาคมตามมาตรากฎหมาย จึงมีการตรวจสอบคุณภาพการให้บริการโทรคมนาคมผ่านโครงข่ายโทรคมนาคมเคลื่อนที่ส่งผลให้ต้องเก็บข้อมูลของคุณภาพการให้บริการโทรคมนาคมจำนวนมหาศาล โดยโปรแกรม Microsoft Excel ซึ่งเป็นโปรแกรมหลักที่สำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงาน กสทช. ใช้ในการประมวลผลวิเคราะห์ข้อมูลในปัจจุบันนั้นประมวลผลได้ช้า ทางผู้พัฒนามีความเห็นว่าในปัจจุบันได้มีนวัตกรรมที่ดีกว่าในการใช้งานเพื่อวิเคราะห์ข้อมูล ผู้พัฒนาเลือกใช้ Python Programing ในการประมวลผล วิเคราะห์ และจัดเตรียมข้อมูล จากนั้นนำไฟล์ที่ได้ไปทำการแสดงผลในรูปแบบของหน้าจอแสดงผล (Dashboard) ซึ่งประกอบไปด้วยส่วนของ กราฟ ตารางสรุปผล และแผนที่ในการแสดงผลค่าพารามิเตอร์ต่างๆ โดยใช้โปรแกรม Power BI ในการออกแบบส่วนของการแสดงผล ส่งผลให้หน้าจอแสดงผล (Dashboard) ที่ได้นั้นมีความสวยงาม ง่ายต่อการใช้งาน และที่สำคัญคือความเร็วในการแสดงผลที่ดีกว่า Microsoft Excel โดยโครงงานได้ออกแบบเฉพาะเจาะจงเพื่อใช้งานในส่วนของสำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงาน กสทช.เท่านั้น
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะเทคโนโลยีสารสนเทศ
This research presents a deep learning method for generating automatic captions from the segmentation of car part damage. It analyzes car images using a Unified Framework to accurately and quickly identify and describe the damage. The development is based on the research "GRiT: A Generative Region-to-text Transformer for Object Understanding," which has been adapted for car image analysis. The improvement aims to make the model generate precise descriptions for different areas of the car, from damaged parts to identifying various components. The researchers focuses on developing deep learning techniques for automatic caption generation and damage segmentation in car damage analysis. The aim is to enable precise identification and description of damages on vehicles, there by increasing speed and reducing the work load of experts in damage assessment. Traditionally, damage assessment relies solely on expert evaluations, which are costly and time-consuming. To address this issue, we propose utilizing data generation for training, automatic caption creation, and damage segmentation using an integrated framework. The researchers created a new dataset from CarDD, which is specifically designed for cardamage detection. This dataset includes labeled damages on vehicles, and the researchers have used it to feed into models for segmenting car parts and accurately labeling each part and damage category. Preliminary results from the model demonstrate its capability in automatic caption generation and damage segmentation for car damage analysis to be satisfactory. With these results, the model serves as an essential foundation for future development. This advancement aims not only to enhance performance in damage segmentation and caption generation but also to improve the model’s adaptability to a diversity of damages occurring on various surfaces and parts of vehicles. This will allow the system to be applied more broadly to different vehicle types and conditions of damage inthe future
คณะวิศวกรรมศาสตร์
The project uses artificial intelligence (AI) and deep learning to develop a smart police system (Smart Police) to analyze the identity of individuals and vehicles suspected of involvement in crimes. The system uses CCTV cameras to detect people with concealed weapons and track vehicles involved in crimes. The system also sends alerts to the police when a crime is detected. The Smart Police system is a collaboration between the Faculty of Engineering, King Mongkut's Institute of Technology Ladkrabang, the Provincial Police Region 2, the Chachoengsao Foundation for Development, and the Smart City Office of Chachoengsao Province. The system is designed to prevent and deter crime, increase public safety and order, and build a network of cooperation between the government, the private sector, and the community. The system is currently under development, but it has the potential to be a valuable tool for law enforcement. The system could help to reduce crime and improve public safety in Chachoengsao Province and other parts of Thailand.