การออกแบบและพัฒนาระบบ MixPro AI Color Station สำหรับผสมสีรถยนต์แบบอัตโนมัติ ด้วยเทคโนโลยีปัญญาประดิษฐ์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) เพื่อสร้างเครื่องต้นแบบ MixPro AI Color Station สำหรับผสมสีรถยนต์แบบอัตโนมัติด้วยเทคโนโลยีปัญญาประดิษฐ์ 2) เพื่อออกแบบระบบที่สามารถวิเคราะห์เฉดสีจากภาพถ่ายของชิ้นส่วนรถยนต์ได้อย่างแม่นยำ 3) เพื่อทดลองใช้งานระบบกับกลุ่มเป้าหมาย และรวบรวมข้อเสนอแนะเพื่อพัฒนา โดยมีกลุ่มตัวอย่างที่ใช้ในการวิจัยครั้งนี้ คือ ร้านอู่ประยูรการช่าง, ร้าน Cap Auto Sapa , แผนกวิชาช่างยนต์ สาขางานตัวถังและสีรถยนต์ วิทยาลัยเทคนิคร้อยเอ็ด จำนวน 10 คน โดยการคัดเลือกแบบเจาะจง เครื่องมือที่ใช้ในการวิจัย 1) แบบประเมิน MixPro AI Color Station สำหรับผสมสีรถยนต์แบบอัตโนมัติด้วยเทคโนโลยีปัญญาประดิษฐ์ 2) แบบประเมินความแตกต่างของสีของชุดระบบ MixPro AI Color Station สำหรับผสมสีรถยนต์แบบอัตโนมัติด้วยเทคโนโลยีปัญญาประดิษฐ์ 3) แบบประเมินความพึงพอใจในการใช้งานระบบ สถิติที่ใช้ในงานวิจัย ได้แก่ ค่าเฉลี่ย ค่าร้อยละ และค่าเบี่ยงเบนมาตรฐานของข้อมูลเชิงปริมาณที่ได้จากแบบประเมิน ผลการวิจัยพบว่า 1) ผลประเมิน MixPro AI Color Station สำหรับผสมสีรถยนต์แบบอัตโนมัติด้วยเทคโนโลยีปัญญาประดิษฐ์ของผู้เชี่ยวชาญ ผลการประเมินโดยรวม อยู่ในระดับ ยอดเยี่ยม (= 4.65 , S.D.= 0.49) 2) ผลประเมินความแตกต่างของสีของชุดระบบ MixPro AI Color Station ได้ทดลองการทำงานของระบบ จำนวน 20 ครั้ง พบว่าชุดระบบมีประสิทธิภาพการทำงาน ร้อยละ 80% แสดงว่า ระบบมีประสิทธิภาพในการทำงานที่เสถียรและแม่นยำสูง 3) ผู้ใช้มีความพึงพอใจของผู้ใช้ระบบ โดยรวมพบว่า อยู่ในเกณฑ์ ความพึงพอใจมากที่สุด (
= 4.55 , S.D.= 0.65)
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
สงวนสิทธิ์ โดย สถาบันการอาชีวศึกษาภาคตะวันออกเฉียงเหนือ 1
306 หมู่ 5 ถนนมิตรภาพ หนองคาย-อุดรธานี ตำบลโพธิ์ชัย อำเภอเมืองหนองคาย จังหวัดหนองคาย 43000
โทร 0-4241-1445,0-4241-1447
ISSN : 3027-6861 (print) ISSN : 3027-687X (online)
เอกสารอ้างอิง
S. Santiwes, “Computer software for color matching and determining color mixing ratios in architectural design,” M.Arch. thesis, Chulalongkorn Univ., Bangkok, Thailand, 2003. (in Thai)
S. Klapsaeng, “Color management tools,” M.Sc. thesis, Chulalongkorn Univ., Bangkok, Thailand, 1996, doi: 10.58837/CHULA.THE.1996.1471. (in Thai)
V. Wannakovit *et al*., “The combination of technology and automation to reduce the amount remaining after the application of paint and paint it the color of the wash pump,” *Kasem Bundit Engineering Journal*, vol. 3, no. 2, pp. 96–108, Jul.–Dec. 2013. (in Thai)
D. Prommin and S. Tangsitcharoen, “Management for installation of pigment mixer,” in *Proc. 38th Industrial Engineering Network Conf. (IENET)*, Bangkok, Thailand, May 6–8, 2020, pp. 673–679. (in Thai)
T. Wichianpong, “Satisfaction of automatic tinting dealers in Bangkok and its vicinities about paint company,” master’s thesis, Thammasat Univ., Bangkok, Thailand, 2005. (in Thai)
P. Kaewklub, “PTFE solution for mixing business plan,” M.B.A. thesis, Thammasat Univ., Bangkok, Thailand, 2021. (in Thai)
H. Buachuen and A. Tantrapiwat, “Tree image processing for remote control spraying vehicle,” in *Proc. 30th Conf. Mechanical Engineering Network of Thailand*, Thailand, Jul. 5–8, 2016, pp. 551–558. (in Thai)
P. Raguraman, A. Meghana, Y. Navya, Sk. Karishma, and S. Iswarya, “Color detection of RGB images using Python and OpenCV,” *International Journal of Scientific Research in Computer Science, Engineering and Information Technology*, vol. 7, no. 1, pp. 109–112, Jan.–Feb. 2021, doi: 10.32628/CSEIT217119.
G. Sharma, W. Wu, and E. N. Dalal, “The CIEDE2000 color-difference formula: Implementation notes, supplementary test data, and mathematical observations,” *Color Research & Application*, vol. 30, no. 1, pp. 21–30, Feb. 2005, doi: 10.1002/col.20070.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” in *Advances in Neural Information Processing Systems 25 (NIPS 2012)*, vol. 25, pp. 1097–1105, 2012.
R. S. Sandhya Devi, V. R. Vijay Kumar, and P. Sivakumar, “EfficientNetV2 model for plant disease classification and pest recognition,” *Computer Systems Science and Engineering*, vol. 45, no. 2, pp. 2249–2263, 2023, doi: 10.32604/csse.2023.032231.
M. Tan and Q. V. Le, “EfficientNetV2: Smaller models and faster training,” in *Proc. 38th International Conference on Machine Learning*, PMLR, vol. 139, pp. 10096–10106, 2021.
R. Szeliski, *Computer Vision: Algorithms and Applications*, 2nd ed. Cham, Switzerland: Springer, 2022, doi: 10.1007/978-3-030-34372-9.