Spent coffee grounds (SCG) are a byproduct of the coffee brewing process, and their quantity continues to increase due to the growing global coffee consumption. SCG contain beneficial compounds such as polysaccharides, dietary fibers, and antioxidants, which can be utilized in various applications, including prebiotic extraction. This study focuses on extracting prebiotics from SCG using acid hydrolysis and enzymatic hydrolysis methods to evaluate their potential in promoting the growth of beneficial gut microorganisms. The expected results of this research include adding value to coffee industry waste, reducing organic waste, and providing a sustainable approach to developing prebiotic products for use in the food and health industries. Furthermore, this study aligns with sustainable resource utilization and environmentally friendly practices.
กาแฟเป็นหนึ่งในสินค้าทางการเกษตรที่มีการบริโภคและผลิตเป็นจำนวนมากทั่วโลก ส่งผลให้เกิดของเสียจากกระบวนการผลิตอย่าง “กากกาแฟ” ในปริมาณมหาศาล กากกาแฟมักถูกทิ้งเป็นขยะอินทรีย์ ซึ่งอาจส่งผลกระทบต่อสิ่งแวดล้อมโดยตรงและทางอ้อม อย่างไรก็ตาม กากกาแฟมีสารประกอบที่เป็นประโยชน์ เช่น โพลีแซ็กคาไรด์ เส้นใยอาหาร และสารฟีนอลิก ซึ่งสามารถนำมาใช้ประโยชน์ในหลายด้าน เช่น การผลิตปุ๋ยหมัก การสกัดสารต้านอนุมูลอิสระ และการผลิตพลังงานชีวภาพ หนึ่งในแนวทางที่ได้รับความสนใจคือการสกัดพรีไบโอติกจากกากกาแฟ เนื่องจากพรีไบโอติกมีบทบาทสำคัญในการส่งเสริมสุขภาพทางเดินอาหาร โดยช่วยกระตุ้นการเจริญเติบโตของจุลินทรีย์ที่มีประโยชน์ เช่น แลคโตบาซิลลัสและบิฟิโดแบคทีเรีย ซึ่งช่วยเสริมภูมิคุ้มกันและลดความเสี่ยงของโรคต่าง ๆ การนำกากกาแฟมาใช้ในการสกัดพรีไบโอติกจึงเป็นแนวทางที่ไม่เพียงช่วยลดปริมาณขยะและใช้ทรัพยากรอย่างมีประสิทธิภาพ แต่ยังเป็นวิธีที่ยั่งยืนและเป็นมิตรต่อสิ่งแวดล้อม
คณะเทคโนโลยีการเกษตร
Efficient durian orchard development requires integrating knowledge, technology, and innovation from farmers and academics to cope with environmental changes and market demands. The Durian Web-based Learning Hub is an online learning platform developed to serve as a central hub for knowledge transfer from experts and as a space for experience exchange among farmers. Users can access learning resources conveniently and continuously. This platform is part of the Innovation Project for Production and Marketing Information Management Innovation for Enhancing the Quality of Durian Production Entering into Premium Markets, supported by the Program Management Unit for Area-Based Development (PMUA)
วิทยาเขตชุมพรเขตรอุดมศักดิ์
This project focuses on developing a work tracking system for team members. Python is used to extract data from Excel files and import it into a SQL Server database for systematic data management. The system includes a function to notify task status via LINE and displays reports via Power BI, allowing supervisors to track progress and evaluate team members' performance efficiently. Additionally, the system helps promote work and time management skills for team members.
คณะวิทยาศาสตร์
With the development of space technology, wide-field sky surveys using telescopes have expanded the range of new data available for time-domain astronomical research. Traditional data analysis methods can no longer respond quickly and accurately enough to the growing volume of data. Thus, classifying time-series data, such as light curves, has become a significant challenge in the era of big data. In modern times, analyzing light curves has become essential for using machine learning techniques to handle and filter through massive amounts of data. Machine learning algorithms can be divided into two categories: shallow learning and deep learning. Numerous researchers have proposed and developed a variety of algorithms for light curve classification. In this study, we experimented with Support Vector Machine (SVM) and XGBoost, which are shallow machine learning algorithms, as well as 1D-CNN and Long Short-Term Memory (LSTM), which are deep learning algorithms, which are branches of deep machine learning, to classify variable stars. The training and testing data used in this study were from the Optical Gravitational Lensing Experiment-III (OGLE-III), consisting of variable star data from the Large Magellanic Cloud (LMC), categorized into five main classes: Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars, and Long-period variables. The results demonstrate the performance analysis of each machine learning algorithm type applied to light curve data, while also highlighting the accuracy and statistical metrics of the algorithms used in the experiments.