KMUTNB's STEM Education Center

เหลือไม่กี่ที่นั่งนะครับ ESP32/iOT/Ai 29-30 สิงหาคม 2569 Cr.Robot Dr.Sup TEAM Cr.คณะกรรมการส่งเสริมสะเต็มศึกษา มจพ.

ใบประกาศในการอบรม KM STEM Ai-Robotics :Micro:Bit (Basic) Cr. คณะกรรมการส่งเสริมสะเต็มศึกษา มจพ. Cr.อาษา Tech Cr.RoboAC TEAM

5-6 กันยายน 2569 : นักเรียนป.4-5-6 และ มัธยมต้น เน้นการสอน Coding ผ่าน Micro:Bit+Tiny Bot+เกมส์การแข่งขัน รางวัลและใบประกาศการแข่งขัน Cr.Robot Dr.Sup TEAM (ต่อช้าขอออภัย ราชการไทยลุงทำทุกอย่าง) : ลงทะบียน https://forms.gle/BEveMa1nk8aMn3vY8

สิ่งที่เรามอบให้เด็กๆ คือรางวัลแห่งการตั้งใจเรียนและการทำสำเร็จ นี้ก็๋อาจจะเป็นก้าวสำคัญ ที่จะเลือกเดินในทางอาชีพที่ชอบ Cr.Robot Dr.Sup

Day2 : การต่อ Micro:Bit กับอุปกรณ์ภายนอก การต่อเข้ากับ Sensor ต่างๆ ที่จะนำไปใช้ในการประดิษฐ์ เครื่องมือ เครื่องทุ่นแรง เครื่องสร้างความสะดวกสบาย หรือ เครื่องมือทางการเกษตร และอาหาร Cr.Robot Dr.Sup TEAM

DAY1: เราใช้ประสบการณ์ในการจัด จัดให้นักเรียนมีส่วนร่วม จัดให้สนุก จัดให้ได้ความรู้ ที่สำคัญปีนี้ เด็กๆเก่งมากๆ ทีมงานตั้งรับไม่ทัน Cr.KM STEM Ai-Robotics Cr.Robot Dr.Sup TEAM

15 สิงหาคม 2569 มีอบรมที่ชั้น 7 ตึก 88 นะครับ Cr.คณะกรรมการสะเต็มศึกษา มจพ. ,คณะวิศวกรรมศาสตร์, มูลนิธิอัฉริยะภาพทางคณิตศาสตร์ มจพ.

เวลาพูดถึงงาน Computer Vision หลายคนมักจะนึกถึงการส่งภาพขึ้น Cloud ไปประมวลผลบนเซิร์ฟเวอร์ หรือไม่ก็ต้องพึ่งพาชิป NPU แรงๆ

แต่สำหรับงานเฉพาะทางบางอย่าง เราสามารถรีดพลังของไมโครคอนโทรลเลอร์ตัวเล็กๆ ให้ฉลาดขึ้นได้ด้วยเทคโนโลยี Edge AI

วันนี้ขอพามาส่องโปรเจกต์ที่หยิบบอร์ดไมโครคอนโทรลเลอร์ยอดฮิตอย่าง ESP32 มาทำงานร่วมกับโมดูลกล้อง

เพื่อรันโมเดล Machine Learning ในการจำแนกความสุกของมะเขือเทศ (Tomato Grading) จบกระบวนการทั้งหมดบน Edge โดยไม่ต้องพึ่งพาอินเทอร์เน็ต!

# # # ⚙️ เจาะลึกสถาปัตยกรรม Edge AI (Tech Specs)

* **TinyML Framework:**
โปรเจกต์ลักษณะนี้มักจะใช้แพลตฟอร์มอย่าง Edge Impulse หรือ TensorFlow Lite for Microcontrollers ในการเทรนโมเดล (Training) บนคอมพิวเตอร์หลักก่อน แล้วค่อยบีบอัด (Quantization) โค้ดให้เล็กลงจนสามารถยัดลงหน่วยความจำ Flash ของ ESP32 ได้

* **On-Device Inference:**
เมื่อโมเดลถูกฝังลงบอร์ดแล้ว ESP32 จะทำหน้าที่ดึงเฟรมภาพจากกล้องมาประมวลผล (Inference) แบบออฟไลน์ เพื่อแยกแยะสีของมะเขือเทศ (เขียว, ส้ม, แดง) และสั่งการ GPIO ให้คัดแยกผลผลิตลงตะกร้าแบบเรียลไทม์

* **Low Latency & Privacy:**
ข้อดีของการประมวลผลบน Edge คือความหน่วง (Latency) ต่ำมาก เพราะข้อมูลไม่ต้องวิ่งไป-กลับเซิร์ฟเวอร์ และหมดปัญหาเรื่อง Data Privacy หรือระบบล่มตอนเน็ตตัด

# # # 🛠️ ข้อจำกัดทางเทคนิคที่ต้องรู้ (Pain Points)

* **Low FPS & Memory Constraint:**
บอร์ด ESP32 ไม่ได้ออกแบบมาเพื่องานกราฟิก แม้จะมี PSRAM ช่วยเก็บ Frame Buffer แต่ความเร็วในการรันโมเดลภาพอาจจะได้แค่ 1-2 FPS (Frames Per Second) เท่านั้น จึงไม่เหมาะกับสายพานคัดแยกที่วิ่งด้วยความเร็วสูง

* **Lighting Sensitivity:**
โมเดล Computer Vision ขนาดเล็กมักจะอ่อนไหวต่อ "แสงเงา" อย่างหนัก! หากคุณเทรนโมเดลในห้องที่ใช้หลอดไฟฟลูออเรสเซนต์ แล้วเอาไปใช้งานจริงกลางแดดจัด โมเดลอาจจะรวนและแยกสีเพี้ยนไปเลย ต้องควบคุมสภาพแสงรอบกล้อง (Lighting Control) ให้คงที่เสมอ

สาย IoT หรือ Embedded Engineer ที่อยากลองเล่น TinyML ถือว่าโปรเจกต์นี้น่าสนใจและเอาไปต่อยอดทำระบบ Automation ในฟาร์มได้จริงครับ!

👇 ค้นหาบอร์ด ESP32-CAM, โมดูลกล้อง OV2640, หรืออุปกรณ์เซนเซอร์ แวะมาเปิดคลังแสงได้เลยที่ลิงก์ในคอมเมนต์ใต้โพสต์นี้ครับ