🏅Selected Projects

ตัวอย่างโครงการวิจัย และพัฒนาด้านการประมวลผลภาพและวีดีโอ ของMVIT

🎖Human Gait Recognition

🎖การระบุอัตลักษณ์และจดจำบุคคล โดยใช้รูปแบบการเดินภายใต้การไม่จำกัดเงื่อนไข และสภาพแวดล้อมของการเดิน

งานวิจัยนี้เกี่ยวข้องกับการแยกอัตลักษณ์ตัวบุคคลโดยอัตโนมัติผ่านกล้องวิดีโอหรือกล้องวงจรปิดด้วยลักษณะทางชีวภาพ โดยการพัฒนาวิธีการและโปรแกรมคอมพิวเตอร์ในการอ่านและทำความเข้าใจภาพและวิดีโอโดยอัตโนมัติ ลักษณะทางชีวภาพที่ใช้ในปัจจุบัน คือ ภาพลายพิมพ์นิ้วมือ ภาพถ่ายดวงตา และภาพใบหน้า แต่ข้อมูลทางชีวภาพเหล่านี้ไม่สามารถใช้กับระบบกล้องวงจรปิดได้ เนื่องจากมีข้อจำกัดหลายอย่าง เช่น ลายนิ้วมือต้องการการสัมผัสกับอุปกรณ์อ่าน ดวงตาไม่สามารถถูกอ่านในกล้องคุณภาพต่ำและในระยะไกล ใบหน้าไม่สามารถถูกบันทึกได้ในบางมุมกล้อง ดังนั้นในงานวิจัยนี้จึงได้นำลักษณะทางชีวภาพทางเลือก คือรูปแบบการเดินมาใช้ในการระบุตัวบุคคล ซึ่งได้ผ่านการศึกษาแล้วว่าเป็นหนึ่งในข้อมูลเฉพาะของบุคคล

การทดสอบกับข้อมูลในห้องทดลองให้ความแม่นยำที่สูงมาก แต่เมื่อนำมาทดสอบกับข้อมูลในสภาวะจริงที่มีการเปลี่ยนแปลงของเงื่อนไขและสภาพแวดล้อมของการเดิน เช่น ความเร็วของการเดิน ทิศทางของการเดิน และเสื้อผ้าที่สวมใส่ ทำให้ความแม่นยำในการจดจำลดลง งานวิจัยนี้จึงได้พัฒนาต่อยอดในการระบุอัตลักษณ์โดยใช้รูปแบบการเดินภายใต้การไม่จำกัดเงื่อนไขและสภาพแวดล้อมของการเดิน โดยการดึงข้อมูลภาพและวิดีโอที่มีความคงที่ในรูปแบบของ spatial-temporal description ดังที่แสดงในรูปภาพ ซึ่งจะเป็นการใช้เทคนิคการคำนวนขั้นสูงในการประมวลผลภาพ วิธีการที่พัฒนาขึ้นมาใหม่นี้สามารถนำไปประยุกต์ใช้ได้จริงในระบบการรักษาความปลอดภัยด้วยกล้องวงจรปิด เพื่อเพิ่มความปลอดภัยในพื้นที่ที่ต้องการ เนื่องจากวิธีการที่พัฒนามาใหม่เหล่านี้ ถูกคำนึงถึงการเปลี่ยนแปลงของเงื่อนไขต่างๆที่สามารถเกิดขึ้นได้ในสถานการณ์จริง สามารถใช้เป็นส่วนหนึ่งในการสร้าง smart city หรือเมืองอัจฉริยะ ในการเพิ่มความฉลาดแบบอัตโนมัติให้กับระบบกล้องวงจรปิด ในการใช้ข้อมูลไบโอแมทริกซ์ในการระบุอัตลักษณ์บุคคล โดยสามารถเพิ่มความแม่นยำโดยการใช้รูปแบบการเดินและภาพใบหน้าประกอบกัน

Publications:

📝(Accepted) L. Yao, W. Kusakunniran, Q. Wu, J. Xu, J. Zhang, Recognizing Gaits across Walking and Running Speeds, ACM Transactions on Multimedia Computing Communications and Applications (TOMM), xxx(xxx):xxx-xxx, xxx 2021, DOI: 10.1145/3488715

📝 L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, J. Xu, Part-based Collaborative Spatio-Temporal Feature Learning for Cloth-changing Gait Recognition, pages 2057-2064, Italy, January 2021, International Conference on Pattern Recognition (ICPR)

📝W. Kusakunniran, Review of Gait Recognition Approaches and Their Challenges on View Changes, IET Biometrics, 9(6):238-250, November 2020, DOI: 10.1049/iet-bmt.2020.0103

📝L. Yao, W. Kusakunniran, Q. Wu, J. Xu, J. Zhang, Collaborative Feature Learning for Gait Recognition under Cloth Changes, IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), Sep 2021, DOI: 10.1109/TCSVT.2021.3112564

📝L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, Z. Tang, W. Yang, Robust Gait Recognition using Hybrid Descriptors based on Skeleton Gait Energy Image, Pattern Recognition Letters (PRL): Special Issue on Learning Compact Representations for Scalable Visual Recognition and Retrieval, 150: 289-296, October 2021, DOI: 10.1016/j.patrec.2019.05.012

📝 L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, Gait Recognition using a Few Gait Frames, PeerJ - Computer Science, 7(e382):1-21, March 2021, DOI: 10.7717/peerj-cs.382

📝 L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, Z. Tang, W. Yang, Robust Gait Recognition using Hybrid Descriptors based on Skeleton Gait Energy Image, Pattern Recognition Letters (PRL): Special Issue on Learning Compact Representations for Scalable Visual Recognition and Retrieval, DOI: 10.1016/j.patrec.2019.05.012 2019

📝L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, Z. Tang, Robust CNN-based Gait Verification and Identification using Skeleton Gait Energy Image, pages 297 - 303, Australia, December 2018, Digital Image Computing: Techniques and Applications (DICTA)

📝T. Sattrupai, W. Kusakunniran, A Deep Trajectory based Gait Recognition for Human Re-identification, 1729 - 1732, Korea, October 2018, IEEE Region 10 Conference (TENCON)

L. Yao, W. Kusakunniran, Q. Wu, J. Zhang, Z. Tang, Robust Gait Recognition under Unconstrained Environments using Hybrid Descriptions, pages 1 - 7, Australia, December 2017, International Conference on Digital Image Computing: Techniques and Applications (DICTA)

📝W. Kusakunniran, Extracting Gait Figures in a Video based on Markerless Motion, Vietnam, pages 306-309, October 2015, International Conference on Knowledge and Systems Engineering (KSE)

📝 W. Kusakunniran, Recognizing gaits on spatio-temporal feature domain, IEEE Transactions on Information Forensics and Security (TIFS), 9(9): 1416-1423, September 2014, DOI: 10.1109/TIFS.2014.2336379

📝 W. Kusakunniran, Attribute-based learning for gait recognition using spatio-temporal interest points, Image and Vision Computing (IVC), 32(12), 1117-1126, December 2014, DOI: 10.1016/j.imavis.2014.10.004

📝 W. Kusakunniran, Q. Wu, J. Zhang, H. Li, and L. Wang, Recognizing gaits across views through correlated motion co-clustering, IEEE Transactions on Image Processing (TIP), 23(2): 696-709, February 2014, DOI: 10.1109/TIP.2013.2294552

📝W. Kusakunniran, Recognizing gaits on spatio-temporal feature domain, IEEE Transactions on Information Forensics and Security (TIFS), 9(9): 1416-1423, September 2014, DOI: 10.1109/TIFS.2014.2336379

📝W. Kusakunniran, Q. Wu, J. Zhang, Y. Ma, and H. Li, A new view-invariant feature for cross-view gait recognition, IEEE Transactions on Information Forensics and Security (TIFS), 8(10):1642-1653, October 2013, DOI: 10.1109/TIFS.2013.2252342

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li. Gait recognition across various walking speeds using higher-order shape configuration based on a differential composition model. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics (TSMCB), 42(6):1654-1668, December 2012, DOI: 10.1109/TSMCB.2012.2197823

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Gait recognition under various viewing angles based on correlated motion regression, IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 22(6):966-980, June 2012, DOI: 10.1109/TCSVT.2012.2186744

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Cross-view and multi-view gait recognitions based on view transformation model using multi-layer Perceptron, Pattern Recognition Letters (PRL), 33(7):882-889, May 2012, DOI: 10.1016/j.patrec.2011.04.014

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Pairwise shape configuration-based PSA for gait recognition under small viewing angle change, pages 17-22, Austria, August 2011, IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS)

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Speed-invariant gait recognition based on Procrustes shape analysis using higher-order shape configuration, pages 545-548, Belgium, September 2011, IEEE International Conference on Image Processing (ICIP)

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Multi-view gait recognition based on motion regression using multilayer Perceptron, pages 2186-2189, Turkey, August 2010, International Conference on Pattern Recognition (ICPR)

📝W. Kusakunniran, Q. Wu, J. Zhang, and H. Li, Support vector regression for multi-view gait recognition based on local motion feature selection, pages 974-981, United States, June 2010, IEEE International Conference on Computer Vision and Pattern Recognition (CVPR)

📝W. Kusakunniran, H. Li, and J. Zhang, A direct method to self-calibrate a surveillance camera by observing a walking pedestrian, pages 250-255, Australia, December 2009, IEEE International Conference on Digital Image Computing: Techniques and Applications (DICTA)

📝W. Kusakunniran, Q. Wu, H. Li, and J. Zhang, Multiple views gait recognition using view transformation model based on optimized gait energy image, pages 1058-1064, Japan, September-October 2009, IEEE International Conference on Computer Vision (THEMIS workshop in conjunction with ICCV)

📝W. Kusakunniran, Q. Wu, H. Li, and J. Zhang, Automatic gait recognition using weighted binary pattern on video, pages 49-54, Italy, September 2009, IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลวิทยานิพนธ์ ประจำปีงบประมาณ 2558, รางวัลระดับดีมาก (Distinguished Dissertation Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “การจดจำรูปแบบการเดินของคนเพื่อใช้แยกอัตลักษณ์ตัวบุคคล โดยอัตโนมัติผ่านกล้องวิดีโอหรือกล้องวงจรปิด โดยมีคุณสมบัติที่ทนต่อการเปลี่ยนแปลงของเงื่อนไขต่างๆ ของการเดิน”

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานวิจัย ประจำปีงบประมาณ 2562, รางวัลระดับดี (Outstanding Research Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)]“การระบุอัตลักษณ์และจดจำบุคคลโดยใช้รูปแบบการเดินภายใต้การไม่จำกัดเงื่อนไขและสภาพแวดล้อมของการเดิน” (Human Gait as a Biometric for Human Re-Identification under Unconstrained Conditions and Environment)

📲 Security Guard Re-identification by using Face Image (โครงการการระบุตัวตนของเจ้าหน้าที่รักษาความปลอดภัยโดยใช้ภาพถ่ายของใบหน้า), funded by Waller Security Service Co.,Ltd.

Medical Image Processing and Machine Learning

🎖การประมวลผลภาพและการเรียนรู้เชิงลึก ในข้อมูลทางการแพทย์

Publications:

📝T. Siriapisith, W. Kusakunniran, P. Haddawy, 3D Segmentation of Exterior Wall Surface of Abdominal Aortic Aneurysm from CT images using Variable Neighborhood Search, Computers in Biology and Medicine (CBM), 107: 73-85, April 2019, DOI: 10.1016/j.compbiomed.2019.01.027

📝D. A. Konovalov, D. B. Efremova, T. Siriapisith, W. Kusakunniran, P. Haddawy, Automatic Segmentation of Kidney and Liver Tumors in CT Images, pages xxx - xxx, China, October 2019, Kidney Tumor Segmentation Challenge 2019 (KiTS19) in conjunction with International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI)

📝T. Siriapisith, W. Kusakunniran, P. Haddawy, Outer Wall Segmentation of Abdominal Aortic Aneurysm by Variable Neighborhood Search through Intensity and Gradient Spaces, Journal of Digital Imaging (JDIM), 31(4): 490-504, August 2018, DOI: 10.1007/s10278-018-0049-z

📝T. Siriapisitha, W. Kusakunniran, P. Haddawy, A General Approach to Segmentation in Grayscale Medical Images using Variable Neighborhood Search, pages 447 - 453, Australia, December 2018, Digital Image Computing: Techniques and Applications (DICTA)

📝W.Kusakunniran, S.Karnjanapreechakorn, T.Siriapisith, P.Borwarnginn, K.Sutassananon, T.Tongdee, P.Saiviroonporn, COVID-19 detection and heatmap generation in chest x-ray images

📝W. Kusakunniran, S. Karnjanapreechakorn, T. Siriapisith, P. Saiviroonporn, Fast MRI Reconstruction using StrainNet with Dual-Domain Loss on Spatial and Frequency Spaces, Intelligent Systems with Applications (ISWA)

📝Worapan Kusakunniran, Pairash Saiviroonporn, Thanongchai Siriapisith, Trongtum Tongdee, Amphai Uraiverotchanakorn, Suphawan Leesakul, Penpitcha Thongnarintr, Apichaya kuama, Pakorn Yodprom, Automatic Measurement of Cardiothoracic Ratio in Chest X-Ray Images with ProGAN-Generated Dataset, Applied Computing and Informatics (ACI)

©️ลิขสิทธิ์ (Copyright) 2022: เครื่องมือการวัดอัตราส่วนหัวใจและทรวงอกอัตโนมัติโดยผลเอกซเรย์ทรวงอก

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลวิทยานิพนธ์ ประจำปีงบประมาณ 2563, รางวัลระดับดีมาก (Distinguished Dissertation Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “การแบ่งส่วนภาพทางการแพทย์โทนสีเทาแบบสองมิติและสามมิติด้วยวิธีการแปรปรวนพื้นที่ค้นหาในบริเวณใกล้เคียง” (2D and 3D Segmentation of Grayscale Medical Images Using Variable Neighborhood Search)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานประดิษฐ์คิดค้น ประจำปีงบประมาณ 2564, รางวัลระดับดี (Outstanding Invention Award ), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] โปรแกรมการค้นหาและการแสดงภาพของข้อมูลโควิด-19ในภาพการตรวจเอกซเรย์ทรวงอก (COVID-19 Detection and Heatmap Generation in Chest X-Ray 2 Images)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานประดิษฐ์คิดค้น ประจำปีงบประมาณ 2565, รางวัลระดับดี (Outstanding Invention Award ), โดยสำนักการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “ปิรามิดกราฟคัด: การแบ่งส่วนภาพโทนสีเทาทางการแพทย์ด้วยการผสมผสานข้อมูลความเข้มและการไล่ระดับสีของภาพ”(Pyramid Graph Cut: Integrating Intensity and Gradient Information for Grayscale Medical Image Segmentation)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานประดิษฐ์คิดค้น ประจำปีงบประมาณ 2565, รางวัลประกาศเกียรติคุณ (Honorable mention in Invention Award), โดยสำนักการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “การวัดอัตราส่วนหัวใจและทรวงอกอัตโนมัติโดยผลเอกสเรย์ทรวงอก” (Automatic Measurement of Cardiothoracic Ratio in Chest X-Ray)

🎖รางวัลการวิจัยแห่งชาติ: รางวัลผลงานวิจัย ประจำปีงบประมาณ 2566, รางวัลระดับดี (Outstanding Research Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)], "A 3D Deep Learning Approach to Epicardial Fat Segmentation in Non-Contrast and Post-Contrast Cardiac CT Image (การใช้การเรียนรู้เชิงลึกแบบสามมิติในการแยกส่วนไขมันภายในเยื่อหุ้มหัวใจในภาพเอกซเรย์คอมพิวเตอร์ก่อนและหลังฉีดสารทึบรังสี)"

🎖Automatic Detection of Diabetes Retinopathy based on Digital Retinal Images

🎖การค้นหาโดยอัตโนมัติของภาวะเบาหวานขึ้นจอตาจากภาพถ่ายจอประสาทตา

โครงการวิจัยนี้ มีวัตถุประสงค์หลักในการพัฒนาวิธีการและโปรแกรมคอมพิวเตอร์ ในการค้นหาและแบ่งระดับความรุนแรงของโรคเบาหวานขึ้นจอตาในภาพถ่ายจอประสาทตา ในรูปแบบอย่างเป็นอัตโนมัติ เพื่อที่จะสามารถช่วยในการคัดกรองภาพถ่ายจอประสาทตา สำหรับระดับความรุนแรงขั้นต้นที่สามารถรักษาให้หายขาดได้ หรือระดับความรุนแรงของโรคที่ต้องการการช่วยเหลืออย่างเร่งด่วน เพื่อไม่ให้เข้าสู่ภาวะการเสียการมองเห็น การมีโปรแกรมคอมพิวเตอร์ที่สามารถค้นหาโรค และวิเคราะห์ระดับความรุนแรงได้อย่างอัตโนมัติ จะสามารถช่วยให้การตรวจภาพถ่ายจอประสาทตาเข้าถึงคนไทยได้มากขึ้น โดยเฉพาะในบริเวณที่ห่างไกลสถานพยาบาล การพัฒนาในโครงการนี้ ใช้วิธีการประมวลภาพขั้นสูงในการแยกพื้นที่ภาพที่สามารถระบุระดับความรุนแรงได้ เช่น Hard Exudates, Microaneurysms และ Abnormal Blood Vessels ซึ่งสามารถใช้ต่อในการวิเคราะห์และประมวลผลการแยกระดับความรุนแรง โดยใช้การเรียนรู้ด้วยตัวเองของคอมพิวเตอร์ หรือ Machine Learning และในอีกส่วนของการพัฒนา คือ การใช้เทคนิคการเรียนรู้เชิงลึก เพื่อเรียนรู้ลักษณะของโรคเบาหวานขึ้นจอตาในแต่ละระดับเพื่อให้สามารถแยกภาพถ่ายจอประสาทตาได้ วิธีการและโปรแกรมคอมพิวเตอร์ที่พัฒนาขึ้นมา ได้ทำการวัดประสิทธิภาพในทั้งมุมมองของการแยกพื้นที่ส่วนภาพในการระบุโรคออกจากพื้นที่ส่วนหลัง และการแยกระดับโรคของแต่ละภาพ ผลการทดลองได้ผลลัพธ์ที่น่าเชื่อถือด้วยความแม่นยำโดยเฉลี่ยมากกว่า 80% ในการแยกระดับของโรคในทุกระดับ

Publications:

📝 W. Kusakunniran, Q. Wu, P. Ritthipravat, J. Zhang, Hard Exudates Segmentation based on Learned Initial Seeds and Iterative Graph Cut, Computer Methods and Programs in Biomedicine (CMPB), 158: 173-183, May 2018, DOI: 10.1016/j.cmpb.2018.02.011

📝 W. Kusakunniran, S. Kanchanapreechakorn, K. Thongkanchorn, Instance-based Learning for Blood Vessel Segmentation in Retinal Image, pages 111 – 118, Thailand, July 2019, International Conference on Computing and Information Technology (IC2IT), Advances in Intelligent Systems and Computing, Springer Nature Switzerland (IC2IT 2019, AISC 936), DOI: 10.1007/978-3-030-19861-9_11

📝 R. Kasantikul, W. Kusakunniran, Improving Supervised Microaneurysm Segmentation using Autoencoder-Regularized Neural Network, pages 553 – 559, Australia, December 2018, Digital Image Computing: Techniques and Applications (DICTA)

📝 W. Kusakunniran, Q. Wu, P. Ritthipravat, J. Zhang, Three-Stages Hard Exudates Segmentation in Retinal Images, pages 1 – 6, Thailand, October 2017, International Conference on Information Technology and Electrical Engineering (ICITEE)

📝 W. Kusakunniran, S. Karnjanapreechakorn, P. Choopong, T. Siriapisith, N. Tesavibul, N. Phasukkijwatana, S. Prakhunhungsit, S. Boonsopon, Detecting and Staging Diabetic Retinopathy in Retinal Images using Multi-Branch CNN, Applied Computing and Informatics (ACI)

👁‍🗨 Automatic Detection of Diabetes Retinopathy based on Digital Retinal Images (การค้นหาโดยอัตโนมัติของภาวะเบาหวานขึ้นจอตาจากภาพถ่ายจอประสาทตา), funded by Thailand Research Fund (TRF)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานวิจัย ประจำปีงบประมาณ 2563, รางวัลระดับดี (Outstanding Research Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “การค้นหาอัตโนมัติของภาวะเบาหวานขึ้นจอตา” (Automatic Detection of Diabetes Retinopathy based on Digital Retinal Images)

🎖Animal Biometrics

🎖การจำแนก การระบุเอกลักษณ์เฉพาะตัว และจดจำตัวสัตว์

นอกจากเทคโนโลยี ไบโอเมตริก จะถูกใช้ประโยชน์อย่างแพร่หลายในการยืนยันตัวบุคคลในเอกสารราชการ การรักษาความปลอดภัย การยืนยันสิทธิ์ และด้านการแพทย์ หรือแม้กระทั่งการทำธุรกรรมบนโลกดิจิทัล ใครจะรู้บ้างว่าเทคโนโลยีเหล่านี้ถูกนำไปใช้ใน “ควาย” อีกด้วย ใน “โครงวิจัยการพัฒนาวิธีการระบุเอกลักษณ์เฉพาะตัวของกระบือปลักด้วยเทคโนโลยีไบโอเมตริก” ที่รวบรวมข้อมูลกระบือปลักของไทยจากอัตลักษณ์เฉพาะตัวจากรูปภาพกว่า 12,878 รูป และเผยแพร่ฟรี

Recently, the biometric related technologies have been widely used for identity verification in official documents, security authentication and medical services, including conducting transactions in the digital world. These technologies will also be used in "buffaloes" !!! In the research project on the development of methods for identifying the identification of swamp buffaloes with biometric technology, it collects information of Thai swamp buffaloes over 12,878 images for building up the new biometric technology of buffalo identification. This dataset is also available for free for research uses.

Publications:

📝P. Borwarnginn, W. Kusakunniran, S. Kanchanapreechakorn, K. Thongkanchorn, Knowing Your Dog Breed: Identifying a Dog Breed with Deep Learning, International Journal of Automation and Computing (IJAC)

📝W. Kusakunniran, A. Wiratsudakul, U. Chuachan, T. Imaromkul, S. Kanchanapreechakorn, N. Suksriupatham, K. Thongkanchorn, Analysing Muzzle Pattern Images as a Biometric for Cattle Identification, International Journal of Biometrics (IJBM)

📝W. Kusakunniran, A. Wiratsudakul, U. Chuachan, S. Kanchanapreechakorn, T. Imaromkul, N. Suksriupatham, K. Thongkanchorn, Biometric for Cattle Identification using Muzzle Patterns, International Journal of Pattern Recognition and Artificial Intelligence (IJPRAI)

📝P. Borwarnginn, K. Thongkanchorn, S. Kanchanapreechakorn, W. Kusakunniran, Breakthrough Conventional based Approach for Dog Breed Classification using CNN with Transfer Learning, International Conference on Information Technology and Electrical Engineering (ICITEE)

📝A. Wiratsudakul, U. Chuachan, W. Kusakunniran, S. Kanchanapreechakorn, T. Imaromkul, BuffScan: Light to the new era of animal biometric identification in Thailand, Argentina, September 2018, International Congress on Tropical Veterinary Medicine

📝W. Kusakunniran, T. Chaiviroonjaroen, Automatic Cattle Identification based on Multi-Channel LBP on Muzzle Images, pages 1 - 5, Indonesia, November 2018, International Conference on Sustainable Information Engineering and Technology (SIET)

📝W. Kusakunniran, A. Wiratsudakul, U. Chuachan, S. Kanchanapreechakorn, T. Imaromkul, Automatic Cattle Identification based on Fusion of Texture Features Extracted from Muzzle Images, IEEE International Conference on Industrial Technology (ICIT)

🐮 Development of Swamp Buffalo (Bubalus Bubalis) Identification using Biometric Feature (การพัฒนาวิธีการระบุเอกลักษณ์เฉพาะตัวของกระบือปลักด้วยเทคโนโลยีไบโอเมตริก) funded by Agricultural Research Development Agency (Public Organization)

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานวิจัย ประจำปีงบประมาณ 2565, รางวัลระดับดี (Outstanding Research Award), โดยสำนักงานการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “โครงการการพัฒนาวิธีการระบุเอกลักษณ์เฉพาะตัวของกระบือปลัก ด้วยเทคโนโลยีไบโอเมตริก”(Development of Swamp Buffalo Identification Method Using Biometric Feature)

🎖Deep Learning for Natural Disaster Detection

🎖การประมวลผลภาพ และ VDO ด้วยการเรียนรู้เชิงลึก เพื่อตรวจจับภัยพิบัติทางธรรมชาติ

Publications:

📝P. Borwarnginn, W. Kusakunniran, P. Pooyoi, J. H. Haga, Segmenting Snow Scene from CCTV using Deep Learning Approach, ECTI Transactions on Computer and Information Technology (ECTI-CIT)

📝P. Borwarnginn, J. H. Haga, W. Kusakunniran, Predicting River Water Height using Deep Learning-based Features, ICT Express

การรับมือภัยพิบัติเป็นเรื่องที่ยังยากที่จะคาดเดาและท้าทายอยู่ในปัจจุบัน MVIT นั้นมีงานวิจัยและโครงการการใช้ Image and VDO Processing หรือ "การประมวลผลจากภาพถ่ายและกล้องวีดีโอ" ในด้านนี้อยู่หลายงาน โดยเฉพาะงานที่เป็นความร่วมมือกันระหว่าง AIST Japan และคณะICT มหิดล (MARU Lab) เช่น

📝Machine Learning for Processing Image Data for Disaster Management, P. Pooyoi, W. Kusakunniran, J. H. Haga

📝Snow Scene Segmentation Using CNN-Based Approach with Transfer Learning, P. Pooyoi, P. Borwarnginn, J. H. Haga, W. Kusakunniran

และงานวิจัยที่กำลังดำเนินงานอยู่ในด้าน Deep Learning for Natural Disaster Detection ของ Miss PunYaNuch Borwarnginn Dr.Jason Haga และ Dr.Worapan Kusakunniran เพื่อเพิ่มศักยภาพในการรับมือจากภัยพิบัติในอนาคตต่อไป

🎖รางวัลการวิจัยแห่งชาติ: รางวัลผลงานวิจัย ประจำปีงบประมาณ 2566, รางวัลระดับดี (Outstanding Research Award), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)], "Entitled: Water Level Prediction using Image Data from Surveillance Cameras and History Data of Rainfall, Cumulative Rainfall and River Water Heights for Disaster Management (การคาดการณ์ระดับน้ำจากข้อมูลภาพกล้องวงจรปิดและข้อมูลในอดีตของปริมาณน้ำฝน ปริมาณน้ำฝนสะสม และความสูงของน้ำในแม่น้ำ เพื่อการจัดการภัยพิบัติ)"

🎖Smart Agriculture

🎖การเกษตรที่ขับเคลื่อนด้วยนวัตกรรม

Thai Rice-Grain Images Classification (การจำแนกพันธ์ข้าวไทยจากภาพถ่าย ด้วยการเรียนรู้เชิงลึก)

ข้าวเป็นอาหารหลักของประเทศไทย และมีอยู่หลากหลายสายพันธุ์ โดยแต่ละสายพันธุ์นั้น จะมีลักษณะที่แตกต่างกัน ทุกครั้งที่มีการซื้อขายข้าวจากโรงสี จำเป็นต้องมีการสุ่มตรวจสอบว่าข้าวในกระสอบนั้น ๆ ว่าภายในมีข้าวสายพันธุ์ไหนอยู่บ้าง เพื่อความโปร่งใสในการซื้อขายเมล็ดข้าว แต่เนื่องด้วยปัจจุบันผู้ที่มีความรู้ และความเชี่ยวชาญ ในการแยกเมล็ดพันธุ์ข้าวด้วยตาเปล่ามีจำนวนน้อย หากโรงสีใดไม่มีผู้ที่มีความรู้หรือเชี่ยวชาญที่สามารถจำแนกสายพันธุ์ของเมล็ดข้าวได้ ก็อาจจะเกิดปัญหาหรือการโกงในกระบวนการแลกเปลี่ยนข้าวได้

ซึ่งจากปัญหาข้างต้น ทำให้ทางทีมผู้จัดทำเห็นว่า หากมีแบบจำลองข้อมูลที่สามารถช่วยเพิ่มประสิทธิภาพ ในกระบวนการคัดแยกสายพันธุ์ข้าวในโรงสีได้ก็จะเป็นผลดี โดยกรอบความคิดที่นำเสนอจะเริ่มจากทำแบบจำลองข้อมูล (Model) ซึ่งจะประกอบไปด้วยการเก็บข้อมูล (Data Acquisition), การเตรียมข้อมูล (Data Preparation), การสร้างแบบจำลองข้อมูล (Data Modelling) และการประเมินผล (Model Evaluation) จากนั้นจะนำแบบจำลองข้อมูลที่มีประสิทธิภาพเพียงพอแล้ว ไปพัฒนาส่วนติดต่อกับผู้ใช้อย่างง่าย เพื่อทำให้เห็นภาพผลลัพธ์หลังจากการจำแนกแล้ว (Visualization)

Publications:

📝K. Aukkapinyo, S. Sawangwong, P. Pooyoi, W. Kusakunniran, Localization and Classification of Rice-Grain Images using Region Proposals-based Convolutional Neural Network, International Journal of Automation and Computing (IJAC)

🎖รางวัลงานมหกรรมงานวิจัยแห่งชาติ 2562 เหรียญเงิน โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (Silver medal, Thailand Research Expo 2019 )

🎖รางวัลสภาวิจัยแห่งชาติ: รางวัลผลงานประดิษฐ์คิดค้น ประจำปีงบประมาณ 2563, รางวัลประกาศเกียรติคุณ (Honorable mention in Invention Award ), โดยสำนักงานคณะกรรมการวิจัยแห่งชาติ (วช.) [National Research Council of Thailand (NRCT)] “โปรแกรมคอมพิวเตอร์สำหรับการจำแนกเมล็ดพันธุ์ข้าวไทยโดยใช้ภาพถ่ายของเมล็ดพันธุ์ข้าวด้วยวิธีการแบบ Mark R - CNN และ Transfer Learning” (Computer program for Classifying Categories of Thai Rice - Grain Images Using Mark R - CNN and Transfer Learning)

🎖Smart Livestock & Animal Farmimg

🎖การปศุสัตว์อัจฉริยะ

จากความร่วมมือในการวิจัยและดำเนินกิจกรรม กับ สำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน) หรือ สวก. และ คณะสัตวแพทยศาสตร์ ที่เล็งเห็นถึงความสำคัญในการนำเทคโนโลยีเข้ามาใช้ให้เกิดประโยนช์แก่วงการอุสาหรรมการเกษตร หน่วยงานราชการ ตลอดจนไปถึงเกษตรกรผู้เลี้นงสัตว์ Lab ของเราได้มีส่วนร่วมในการนำเทคโนโลยีมาช่วยแก้ไขปัญหาในหลากหลายรูปแบบ เช่น การใช้ลายพิมจมูกควายในการระบุตัวตนของสัตว์เพื่อตรวจสอบการเคลื่อนย้ายและใช้ในการบริหารจัดการสัตว์ในฟาร์ม (Development of Swamp Buffalo (Bubalus Bubalis) Identification using Biometric Feature, การพัฒนาวิธีการระบุเอกลักษณ์เฉพาะตัวของกระบือปลักด้วยเทคโนโลยีไบโอเมตริก) การควบคุมโรคของสัตว์เป็นการสร้างโมเดลและแสดงการกระจายตัวของสัตว์โดยใช้ประชากรสุนัขเป็นต้นแบบ ที่สามารถปรับเปลี่ยนใช้งานกับสัตว์ประเภทอื่นได้ (Simulation of Dog’s Behavior using Population Density of Probabilistic Model) และอีกงานที่ตรวจดูการเคลื่อยย้ายสัตว์และโรคที่เกิดจากกิจกรรมดังกล่าวโดยศึกษาโรคสมองอักเสบนิปาห์กับการเคลื่อนย้ายหมู (Nipah virus attacks pig trade chains in Thailand)

Publications:

📝 P. Wongnak, W. Thanapongtharm, W. Kusakunniran, S Karnjanapreechakorn, K. Sutassananon, W. Kalpravidh, K. Wongsathapornchai, A. Wiratsudakul, A ‘what-if’ scenario: Nipah virus attacks pig trade chains in Thailand, BMC Veterinary Research

📝 J. Jiwattanakul, C. Youngjitikornkun, W. Kusakunniran, A. Wiratsudakul, W. Thanapongtharm, K. Leelahapongsathon, Simulation of Dog’s Behavior using Population Density of Probabilistic Model, International Journal of Computer Applications in Technology (IJCAT)

📝 W. Kusakunniran, A. Wiratsudakul, U. Chuachan, T. Imaromkul, S. Kanchanapreechakorn, N. Suksriupatham, K. Thongkanchorn, Analyzing Muzzle Pattern Images as Biometric for Cattle Identification, International Journal of Biometrics (IJBM)

📝 W. Kusakunniran, A. Wiratsudakul, U. Chuachan, S. Kanchanapreechakorn, T. Imaromkul, N. Suksriupatham, K. Thongkanchorn, Biometric for Cattle Identification using Muzzle Patterns, International Journal of Pattern Recognition and Artificial Intelligence (IJPRAI)

📝 N. Li, W. Kusakunniran, S. Hotta, Detection of Animal Behind Cages using Convolutional Neural Network, pages 242-245, Thailand, June 2020, International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON)

📝 W. Kusakunniran, T. Chaiviroonjaroen, Automatic Cattle Identification based on Multi-Channel LBP on Muzzle Images, pages 1 - 5, Indonesia, November 2018, International Conference on Sustainable Information Engineering and Technology (SIET)

📝 A. Wiratsudakul, U. Chuachan, W. Kusakunniran, S. Kanchanapreechakorn, T. Imaromkul, BuffScan: Light to the new era of animal biometric identification in Thailand, Argentina, September 2018, International Congress on Tropical Veterinary Medicine

📝 W. Kusakunniran, A. Wiratsudakul, U. Chuachan, S. Kanchanapreechakorn, T. Imaromkul, Automatic Cattle Identification based on Fusion of Texture Features Extracted from Muzzle Images, pages 1484 - 1489, France, February 2018, IEEE International Conference on Industrial Technology (ICIT)

🎖Computers in Medicine

🎖การใช้เครื่องมือทางคอมพิวเตอร์ ในการรักษาผู้ป่วย

Publications:

📝A. Robkob, W. Kusakunniran, S. Palakvangsa-Na-Ayudhya, Game-based for Enhancing Autism Children’s Communication Skill in Thailand, International Convention on Rehabilitation Engineering and Technology (i-CREATe)

📝C. Sinpithakkul, W. Kusakunniran, S. Bovonsunthonchai, P. Wattananon, Game-based Enhancement for Rehabilitation based on Action Recognition using Kinect, IEEE Region 10 Conference (TENCON)

📝W. Kusakunniran, N. Dirakbussarakom, N. Prachasri, D. Yangchaem, J. Vanrenterghem, M. Robinson, Discriminating motion patterns of ACL reconstructed patients from healthy individuals, The Fourteenth IAPR International Conference on Machine Vision Applications (MVA)

📝 K. Chotikkakamthorn, P. Ritthipravat, W. Kusakunniran, P. Tuakta, P. Benjapornlert, A Lightweight Deep Learning Approach to Mouth Segmentation in Color Images, Applied Computing and Informatics (ACI)

📝 A. Sriyuktasuth, P. Chuengsaman, W. Kusakunniran, A. Khurat, N. Rattana-umpa, Implementation of the PD Telehealth to Improve Health Outcomes in Patients with Continuous Ambulatory Peritoneal Dialysis: A Pilot Study, Siriraj Medical Journal (SMJ)

📝 W. Kusakunniran, P. Borwarnginn, S. Karnjanapreechakorn, K. Thongkanchorn, P. Ritthipravat, P. Tuakta, P. Benjapornlert, Encoder-Decoder Network with RMP for Tongue Segmentation, Medical & Biological Engineering & Computing (MBEC)

📝 W. Kusakunniran, P. Borwarnginn, T. Imaromkul, K. Aukkapinyo, K. Thongkanchorn, D. Wattanadhirach, S. Mongkolluksamee, R. Thammasudjarit, P. Ritthipravat, P. Tuakta, P. Benjapornlert, Automated Tongue Segmentation using Deep Encoder-Decoder Model, Multimedia Tools and Applications (MTAP)