การออกแบบวิจัยและพัฒนาชุดเลเซอร์สำหรับติดตั้งบนปืนฝึกทางยุทธวิธี
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้กล่าวถึงการออกแบบวิจัยและพัฒนาชุดเลเซอร์สำหรับติดตั้งบนปืนฝึกทางยุทธวิธี โดยมีการออกแบบระบบเลเซอร์อินฟราเรดสำหรับตรวจจับการจำลองรูปแบบยิงของปืนฝึกทางยุทธวิธี รุ่น M4A1 โดยชุดเลเซอร์นี้ถูกออกแบบให้ปล่อยแสงเลเซอร์ในช่วงอินฟราเรดเมื่อมีการลั่นไกปืนเกิดขึ้น เพื่อเป็นการจำลองวิถีและจุดตกของกระสุนปืน เมื่อแสงเลเซอร์ตกกระทบยังฉากฝึก กล้องอินฟราเรดและระบบประมวลผลภาพ (Image Processing) จะตรวจจับตำแหน่งของแสงเลเซอร์เพื่อแสดงผลภาพบนฉากต่อไป ซึ่งในการวิจัยและพัฒนานี้ ได้มีการติดตั้งเซนเซอร์สำหรับตรวจจับการเกิดการยิง โดยมีการเก็บข้อมูลจากการทดลองจากเซนเซอร์ 2 ชนิด ได้แก่ 6-AXIS-IMU-UNITMPU6886 ซึ่งใช้ตรวจวัดแรงที่เกิดจากแรงถีบ (Recoil) ของปืนโดยมีการใช้เซนเซอร์วัดความเร่ง (Accelerator Sensor) และ SPM1423HM4H ซึ่งเป็นเซนเซอร์วัดเสียง (Sound Sensor) สำหรับนำมาใช้ในการตรวจจับเสียงของปืน จากนั้นจึงนำข้อมูลทั้ง 2 ส่วน มาประมวลผลด้วยไมโครคอนโทรลเลอร์ (Microcontroller) ที่ประกอบด้วยชิป ไอซี ESP32 และทำนาย (Prediction) การเกิดการยิงจากพฤติกรรมการลั่นไกปืนด้วยระบบปัญญาประดิษฐ์ (Artificial Intelligence: AI) ในรูปแบบโครงข่ายประสาทเทียม (Neural Network: NN) โดยผลการวิจัยพบว่าหลังจากทำการทดสอบกับปืนฝึกฯ 15 กระบอกของระบบสนามฝึกยิงปืนเสมือนจริง ชุดเลเซอร์สามารถตรวจจับการยิงปืนได้ถูกต้องแม่นยำถึงร้อยละ 95.63
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
A. Lele, “Virtual Reality and Its Military Utility,” J. Ambient Intell. Humaniz. Comput., vol. 4, no. 1, Feb. 2011, doi: 10.1007/s12652-011-0052-4.
R. Lovreglio, D.-C. Ngassa, A. Rahouti, D. Paes, Z. Feng, and A. Shipman, “Prototyping and Testing a Virtual Reality Counterterrorism Serious Game for Active Shooting,” Int. J. Disaster Risk Reduct., vol. 82, Nov. 2022, doi: 10.1016/j.ijdrr.2022.103283.
R. Lovreglio, X. Duan, A. Rahouti, R. Phipps, and D. Nilsson, “Comparing the Effectiveness of Fire Extinguisher Virtual Reality and Video Training,” Virtu al Reality, vol. 25, pp. 133 - 145, 2021, doi: 10.1007/s10055-020-00447-5.
R. Sacks, A. Perlman, and R. Barak, “Construction Safety Training Using Immersive Virtual Reality,” Constr. Manag. Econ., vol. 31, no. 9, pp. 1005 - 1017, Sep. 2013, doi: 10.1080/01446193.2013.828844.
J. Stevens, S. C. Mondesire, C. S. Maraj, K. A. Badillo-Urquiola, and D. B. Maxwell, “Workload Analysis of Virtual World Simulation for Military Training,” in MODSIM World 2016, Virginia Beach, VA, USA, Apr. 2016, pp. 1 - 11.
D. E. Goldberg and J. H. Holland, “Genetic Algorithms and Machine Learning,” Mach. Learn., vol. 3, pp. 95 - 99, Oct. 1988, doi: 10.1023/A:1022602019183.
T. W. Edgar and D. O. Manz, “Chapter 6 -Machine Learning,” in Research Methods for Cyber Security. Cambridge, MA, USA: Syngress, 2017, pp. 153-173.
D. A. Heger, “An Introduction to Artificial Neural Networks (ANN) - Methods, Abstraction, and Usage,” 2015.
S. W. Lee et al., “A Study on Deep Learning Application of Vibration Data and Visualization of Defects for Predictive Maintenance of Gravity Acceleration Equipment,” Appl. Sci., vol. 11, no. 4, Feb. 2021, doi: 10.3390/app11041564.
P. Gaurang, A. Ganatra, Y. P. Kosta, and D. Panchal, “Behaviour Analysis of Multilayer Perceptronswith Multiple Hidden Neurons and Hidden Layers,” Int. J. Comput. Theory Eng., vol. 3, no. 2, pp. 332-337, Jan. 2011, doi: 10.7763/ IJCTE.2011.V3.328.
J. Brownlee. “Deep Learning Performance.” MACHINELEARNINGMASTERY.com. https://machinelearningmastery.com/ how-to-fix-vanishing-gradients-using-the -rectified-linear-activation-function (accessed Oct. 14, 2022).
ช. กิตตินราดร. “Machine Learning and Full-stack Python.” GOUPAI.GITHUB.io. https://guopai.github.io/index.html (accessed Oct. 3, 2022).
P. H. Winston, Artificial Intelligence, 3rd ed. USA: Addison-Wesley Pub. Co., 1992, pp. 737.
T. Wood. “Sigmoid Function.” DEEPAI.org. https://deepai.org/machine-learning -glossary-and-terms/sigmoid-function (accessed Nov. 7, 2022).
S. Visa, B. Ramsay, A. Ralescu, and E. van der Knaap, “Confusion Matrix-based Feature Selection,” in Proc. 22nd Midwest Artif. Intell. Cogn. Sci. Conf. 2011, Cincinnati, OH, USA, 2011, pp. 120 - 127.
K. K. Al-jabery, T. Obafemi-Ajayi, G. R. Olbricht, and D. C. Wunsch II, “9 -Data Analysis and Machine Learning Tools in MATLAB and Python,” in Computational Learning Approaches to Data Analytics in Biomedical Applications, London, UK: Academic Press, 2020, pp. 231-290.
Espressif Systems (Shanghai) Co., ESP32 Series Datasheet. 2022.
