This study focused on the development of an edible film containing Terminalia chebula Retz extract for the treatment of oral ulcers. The film was designed to dissolve in the mouth without the need for swallowing or chewing, which is suitable for people with canker sores or oral inflammation. Terminalia chebula extract has been shown to have several pharmacological properties, including antimicrobial, antioxidant, and anti-inflammatory activities.
ฟิล์มรับประทานมักมีส่วนประกอบของสารต้านจุลินทรีย์หลากหลายชนิด รวมถึงกรดอินทรีย์ (Brink และคณะ, 2019) แบคทีเรียซิน (Ge และคณะ, 2017) น้ำมันหอมระเหย (Lee และคณะ, 2019; Evangelho และคณะ, 2019) และสารสกัด (Wai และคณะ, 2019) สารเหล่านี้จะถูกปล่อยออกมาในอาหารระหว่างการ จัดเก็บและช่วยเพิ่มความปลอดภัยของอาหาร สมอไทย (Terminalia chebula) ถูกนำมาใช้เป็นยาแผนโบราณเป็นเวลานาน มีการนำมาใช้กันอย่าง แพร่หลายใน การแพทย์พื้นบ้านและจัดอยู่ในตำรายาไทย ได้แก่ มหาพิกัดตรีผลา พิกัดตรีสมอ และพิกัดจตุ ผลาธิ มีสรรพคุณรักษาโรคต่างๆ เช่น ขับลม บิด ยาบำรุงตับ ย่อยอาหาร ยาแก้ท้องเสีย ยาแก้ปวด ยาถ่าย พยาธิ เป็นต้น ซึ่งพบสาร ออกฤทธิ์ทางชีวภาพที่สำคัญได้แก่ Arachidic acid Hebulanin Chebupentol Daucosterol Punicalagin Quercetin Sitosterol Tannin สารประกอบเหล่านี้มีสรรพคุณทางเภสัชวิทยา หลายประการ ยกตัวอย่างเช่น มีฤทธิ์ในการยับยั้งแบคทีเรีย ฤทธิ์ยับยั้งเชื้อรา ฤทธิ์ต้านสารก่อมะเร็ง ฤทธิ์ต้าน อนุมูลอิสระ ฤทธิ์ต้านเบาหวาน ฤทธิ์ต้านการอักเสบ และฤทธิ์ต้านเชื้อเอชไอวี (Bulbul และคณะ, 2022) สาเหตุของแผลร้อนในหรือแผลในปาก อาจเกิดจากการแพ้อาหาร หรือมีภาวะภูมิคุ้มกันผิดปกติ บาง รายเกิดจากการขาดสารอาหาร เช่น วิตามินบี 12 ขาดธาตุเหล็ก ขาดวิตามินซี นอกจากนี้ก็อาจเกิดจากโรค ลำไส้อักเสบ ความเครียด กัดโดนเยื่อบุปาก เคี้ยวของแข็ง แปรงฟันผิดวิธี รับประทานอาหารเผ็ดร้อน สูบบุหรี่ หรือฟันปลอมที่สวมไม่พอดี ยาสีฟันที่มีส่วนผสมของโซเดียมลอรีลซัลเฟต ก็อาจทำให้เกิดแผลในปากได้ (สมตระกูล และคณะ, 2017) ซึ่งการใช้สารสกัดจากสมอไทยที่มีสรรพคุณมากมายเติมลงไปในแผ่นฟิล์มที่บริโภคได้ เป็นวิธีการรักษา แผลในปากแบบใหม่เพื่อเยียวยาแผลในปากและเป็นทางเลือกใหม่สำหรับคนที่ไม่ชอบใช้ยาทาแผล
คณะวิศวกรรมศาสตร์
This project aims to propose a design for a red offal processing room in a pork processing plant that processes 500 pigs per day or 80 pigs per hour. Each pig weighs approximately 105 kilograms, with 3.47% of the weight consisting of red offal. The process involves separating liver, gall bladder, heart, lungs, spleen, and kidneys as required. These parts are then chilled in cold water to reduce their temperature to below 7°C before packaging and sealing. Sorting is based on the number of pieces and weight, depending on the type of product. The processing times of sorting chilling and packaging vary depending on the product's type and size. The design was developed using data collected from the current production line and referenced standards. The room layout was planned using Systematic Layout Planning (SLP) principles to analyze activity relationships within the room and define functional areas. Equipment sizes and the required number of operators were calculated to ensure optimal use of space. The red offal processing room was designed with an area of 56 square meters. After the layout design was completed, a 3D model was created using SketchUp 2024, and the workflow and operations were simulated and analyzed using Flexsim 2024
คณะเทคโนโลยีการเกษตร
Durian is a crucial economic crop of Thailand and one of the most exported agricultural products in the world. However, producing high-quality durian requires maintaining the health of durian trees, ensuring they remain strong and disease-free to optimize productivity and minimize potential damage to both the tree and its fruit. Among the various diseases affecting durian, foliar diseases are among the most common and rapidly spreading, directly impacting tree growth and fruit quality. Therefore, monitoring and controlling leaf diseases is essential for preserving durian quality. This study aims to apply image analysis technology combined with artificial intelligence (AI) to classify diseases in durian leaves, enabling farmers to diagnose diseases independently without relying on experts. The classification includes three categories: healthy leaves (H), leaves infected with anthracnose (A), and leaves affected by algal spot (S). To develop the classification model, convolutional neural network (CNN) algorithms—ResNet-50, GoogleNet, and AlexNet—were employed. Experimental results indicate that the classification accuracy of ResNet-50, GoogleNet, and AlexNet is 93.57%, 93.95%, and 68.69%, respectively.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-