Using Deep Learning with Thermal Imaging Camera to Record Employee Attendance System
Article Sidebar
Main Article Content
บทคัดย่อ
Today every country in the world faces a COVID-19 situation, making life different from daily life or work life. Therefore, organizations or companies adopt a primary diagnostic method for COVID-19 by having a system to scan an individual facial temperature using a thermal imaging camera to check if that person has initial symptoms of COVID-19 or not. This research focuses on the development of an attendance record system with a thermal imaging camera combination with Deep Learning to optimize the collection and processing of data to classify or identify employees precisely and reduce step to record the working hours of employees. The experiment found an average of face recognition the mean accuracy was 81.85%, and the mean processing time was 0.26 seconds. The research was satisfying when compared the research on the development of a time recording system with face detection and recognition using the Haar-Like Feature technique to detect faces and using the Local Binary Patterns Histogram to recognize faces with accurate of facial recognition at 48%. According to the experiment, the result was highly satisfying in terms of accurate data and processing time. Moreover, the developed system produces accurate and precise information with convenience and safety.
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
เอกสารอ้างอิง
V. Zoumpourlis, M. Goulielmaki, E. Rizos, S. Baliou, and D. Spandidos, “The COVID-19 pandemic as a scientific and social challenge in the 21st century,” Mol. Med. Rep., vol. 22, no. 4, pp. 3035–3048, Oct. 2020, doi: 10.3892/mmr.2020.11393.
J. Sricham. “The day that Thailand knows COVID-19.” (in Thai), THAIPBS.com. https://news.thaipbs.or.th/content/290347 (accessed Sep. 9, 2020).
W. Yawai, K. Sirijinda, and P. Banjongrot, “Mobile application for time attendance system using facial recognition,” J. Project Comp. Sci. Inf. Technol., vol. 4, no. 1, pp. 29–36, 2018.
T. Ahonen, A. Hadid, and M. Pietikainen, “Face description with local binary patterns: Application to face recognition,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 28, no. 12, pp. 2037–2041, 2006, doi: 10.1109/TPAMI.2006.244.
P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. and Pattern Recognit., Kauai, HI, USA, 2001, pp. I-511–I-518, doi: 10.1109/CVPR.2001.990517.
D. Sheel. “What is Deep Learning?.” NEW.ABB.com. https://new.abb.com/news/detail/58004/deep-learning (accessed Sep. 11, 2020).
S. Chintalapati and M. V. Raghunadh, “Automated attendance management system based on face recognition algorithms,” in IEEE Int. Conf. Comp. Intell. and Comp. Res., Enathi, India, Dec. 2013, pp. 1–5, doi: 10.1109/ICCIC.2013.6724266.
J. Sanuksan and O. Surinta, “Deep convolutional neural networks for plant recognition in natural environment,” (in Thai), J. Sci. Technol. Mahasarakham Univ., vol. 38, no. 2, pp. 113–124, 2019.
K. Treeprapin, P. Na-udom, and P. Kongchai, “Developing a system to verify student enrollment with facial recognition method,” (in Thai), J. Sci. Technol., Ubon Ratchathani Univ., vol. 20, no. 2, pp. 92–105, 2018.
P. Jaturawat, P. Pongmanawut, and M. Phankokkruad, “Development of a learning record system with face detection and recognition,” (in Thai), KMITL J. Inf. Technol., vol. 5, no. 1, pp. 1–11, 2017.
