การประยุกต์ใช้ AI เพื่อควบคุมระบบปรับอากาศตามปริมาณผู้ใช้งาน
DOI:
https://doi.org/10.65205/jcct.2026.e3915คำสำคัญ:
การควบคุมเครื่องปรับอากาศ, YOLOv8n, Raspberry Pi, การตรวจจับวัตถุ, การประหยัดบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและทดสอบต้นแบบระบบควบคุมเครื่องปรับอากาศแบบตอบสนองต่อจำนวนผู้ใช้งาน โดยใช้เทคโนโลยีการตรวจจับบุคคลด้วยอัลกอริทึม YOLOv8n ร่วมกับบอร์ดประมวลผล Raspberry Pi ซึ่งเป็นการประมวลผลแบบ Edge Computing ที่มีราคาประหยัด กินพลังงานต่ำ และมีขนาดกะทัดรัด เพื่อตรวจจับและ นับจำนวนผู้ใช้งานแบบเรียลไทม์ จากนั้นใช้ข้อมูลดังกล่าวเป็นเงื่อนไขในการควบคุม เครื่องปรับอากาศผ่านสัญญาณ อินฟราเรด การทดสอบประสิทธิภาพครอบคลุมการบันทึกกิจกรรมรวมทั้งสิ้น 791 รายการ ผลการทดลองพบว่าระบบมีความทนทานต่อสภาพแวดล้อมภายในอาคารจริงมีการเปลี่ยนแปลงของแสงสว่าง โดยมีค่าความถูกต้องเฉลี่ยรวมอยู่ที่ร้อยละ 92.21 และมีค่าความคลาดเคลื่อนเฉลี่ย รวมเท่ากับ 0.44 คน ทั้งนี้ ความคลาดเคลื่อนส่วนใหญ่มีสาเหตุหลักมาจาก การเดินบดบังกันเองของบุคคล ในกรณีที่มีความหนาแน่นของผู้ใช้งานสูง นอกจากนี้ ระบบสามารถปรับการทำงาน ของเครื่องปรับอากาศให้เหมาะสมกับจำนวนผู้ใช้งานจริง ซึ่งช่วยลดการใช้พลังงานที่ไม่จำเป็นเมื่อไม่มีผู้ใช้งาน ได้อย่างมีประสิทธิภาพ ผลการวิจัยแสดงให้เห็นถึงศักยภาพในการนำไป ประยุกต์ใช้กับระบบอาคารอัจฉริยะ และการจัดการพลังงานอย่างยั่งยืนในอนาคต
Downloads
เอกสารอ้างอิง
Alashrafi, L., Badawood, R., Almagrabi, H., Alrige, M., Alharbi, F., & Almatrafi, O. (2025). Benchmarking Lightweight YOLO Object Detectors for Real-Time Hygiene Compliance Monitoring. Sensors, 25(19), 6140. https://doi.org/10.3390/s25196140 DOI: https://doi.org/10.3390/s25196140
Branch, R. M. (2009). Instructional Design: The ADDIE Approach. Springer. https://doi.org/10.1007/978-0-387-09506-6 DOI: https://doi.org/10.1007/978-0-387-09506-6
Chen, Z., Xie, X., Qiu, T., & Yao, L. (2025). Dense-Stream YOLOv8n: A Lightweight Framework for Real-Time Crowd Monitoring in Smart Libraries. Scientific Reports, 15(1), 11618. https://doi.org/10.1038/s41598-025-94659-x DOI: https://doi.org/10.1038/s41598-025-94659-x
Department of Alternative Energy Development and Energy Efficiency. (2017). Guidelines for Energy-Efficient Building Design. Ministry of Energy. https://2e-building.dede.go.th/content/คู่มือแนวทางการออกแบบอาคารเพื่อการอนุรักษ์พลังงาน (In Thai)
Intharachathorn, K., Jareemit, D., & Rujikieygumjorn, S. (2023). Skin Temperature and Thermal Sensation: A preliminary study for development of personal comfort model based on physiological responses. Built Environment Inquiry, 22(1), 55–72. https://doi.org/10.14456/bei.2023.4
Jayaram, D., Vedagiri, S., & Ramachandra, M. (2024). Framework for Multiple Person Identification Using YOLOv8 Detector: A Transfer Learning Approach. International Journal of Electrical and Computer Engineering, 14(3), 2790-2802. https://doi.org/10.11591/ijece.v14i3.pp2790-2802 DOI: https://doi.org/10.11591/ijece.v14i3.pp2790-2802
Krishna, R. A., Sandeep, P., & Sonu, P. (2024, June 24-28). An Efficient Model for Camera Mounted Helmet and Number Plate Detection on Custom Dataset. 2024 15th International Conference on Computing Communication and Networking Technologies, 1–6. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ICCCNT61001.2024.10724182 DOI: https://doi.org/10.1109/ICCCNT61001.2024.10724182
Massey, J. (2025). What is Sustainable Energy Management?. MRI Software AE. https://www.mrisoftware.com/ae/blog/what-is-sustainable-energy-management
National Statistical Office. (2025). Report on Household Energy Expenditure 2024. Ministry of Digital Economy and Society. https://www.nso.go.th/nsoweb/storage/survey_detail/2025/20250529151158_12832.pdf (In Thai)
Ogata, K. (2010). Modern Control Engineering (5th ed.). Prentice Hall.
Rangsiraksa, P. (2006, September 6-8). Thermal Comfort in Bangkok Residential Buildings, Thailand. The 23rd Conference on Passive and Low Energy Architecture. 1-6. Passive and Low Energy Architecture.
Sohan, M., Sai Ram, T., & Rami Reddy, Ch. V. (2024). A Review on YOLOv8 and Its Advancements. In Jacob, I. J., Piramuthu, S., & Falkowski-Gilski, P. (Eds), Data Intelligence and Cognitive Informatics, 529–545. Springer Nature Singapore. https://doi.org/10.1007/978-981-99-7962-2_39 DOI: https://doi.org/10.1007/978-981-99-7962-2_39
Yulita, W., Ramadhani, U. A., Mufidah, Z., Atmajaya, G. K., Bagaskara, R., Kesuma, R. I., & Aprilianda, M. M. (2025). Improved Human Image Density Detection with Comparison of YOLOv8 Depth Level Architecture and Drop-Out Implementation. Journal of Soft Computing Exploration, 6(1), 33–39. https://doi.org/10.52465/joscex.v6i1.556 DOI: https://doi.org/10.52465/joscex.v6i1.556
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารคอมพิวเตอร์และเทคโนโลยีสร้างสรรค์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
