This research presents the development of an AI-powered system designed to automate the identification and quantification of dental surgical instruments. By leveraging deep learning-based object detection, the system ensures the completeness of instrument sets post-procedure. The system's ability to process multiple images simultaneously streamlines the inventory process, reducing manual effort and potential errors. The extracted data on instrument quantity and type can be seamlessly integrated into a database for various downstream applications.
เนื่องจากในปัจจุบันงานทางด้านทันตกรรมมีความซับซ้อนและหลากหลาย อีกทั้งมีการใช้เครื่องมือทางทันตกรรมต่างๆจำนวนมาก โดยหลังจากที่ถูกนำเครื่องมือมาใช้ในการรักษาตามสถานที่ โรงพยาบาลหรือคลินิกทันตกรรม ถ้าไม่มีการจัดการและตรวจสอบกับอุปกรณ์ต่างๆเหล่านี้อาจทำให้เกิดปัญหาต่างๆตามมา เช่น การสูญหายของอุปกรณ์ ซึ่งอาจทำให้สูญเสียค่าใช้จ่ายในการซื้ออุปกรณ์ใหม่โดยไม่จำเป็น ดังนั้นการตรวจสอบและนับเครื่องมือเป็นกระบวนที่สำคัญอย่างมากในการช่วยลดการสูญเสียของอุปกรณ์และปัญหาอื่นๆในการจัดการกับเครื่องมือทันตกรรม การตรวจสอบและนับจำนวนเครื่องมือหลังการใช้รักษาเป็นกระบวนการที่สำคัญอย่างมากโดยมีการใช้เวลาในการตรวจสอบ รวบรวม จัดการ และนับจำนวนของเครื่องมือทั้งหมดโดยมีการใช้บุคลากรของทางโรงพยาบาลหรือคลินิกทันตกรรมและใช้วิธีการนับด้วยมือ ทำให้เกิดล่าช้า อีกทั้งอาจจะเกิดการนับจำนวนเครื่องมือที่ไม่ถูกต้องครบถ้วน มีการบันทึกข้อมูลซับซ้อน และใช้ทรัพยากรคนในการทำงานที่เยอะเกินความจำเป็นอีกด้วยซึ่งส่งผลกระทบต่อการจัดการวางแผนในกระบวนการใช้เครื่องมือในครั้งต่อไป โดยกระบวนการตรวจสอบและนับจำนวนเครื่องมือนี้นอกจากจะช่วยในเรื่องของการระบุชนิดและนับเครื่องมือแล้ว ยังสามารถช่วยเพิ่มประสิทธิภาพในการใช้งานเครื่องมือ วางแผนในการจัดซื้ออุปกรณ์ รวมถึงช่วยลดค่าใช้จ่ายในการจัดซื้อเครื่องมือใหม่อีกด้วย จากปัญหาดังกล่าว โครงงานนี้จึงได้พัฒนาระบบปัญญาประดิษฐ์สำหรับระบุชนิดเครื่องมือทันตกรรมหัตถการเพื่อตรวจนับจำนวนด้วยวิธีการเรียนรู้เชิงลึก โดยเป็นการตรวจนับความครบถ้วนของอุปกรณ์ที่นำไปใช้ มีใช้วิธีการตรวจจับวัตถุ(Object Detection) ซึ่งการตรวจจับวัตถุช่วยให้สามารถตรวจจับอุปกรณ์ทันตกรรหัตถการทั้งหมดหลังจากการใช้งาน เพื่อเพิ่มประสิทธิภาพ ความแม่นยำ อีกทั้งสามารถตรวจนับเครื่องมือต่างๆได้พร้อมกันหลายๆภาพเพื่อช่วยลดเวลาและความล่าช้าในกระบวนการตรวจสอบและนับจำนวนเครื่องมือทั้งหมด รวมถึงข้อมูลจำนวนและชนิดของอุปกรณ์ สามารถส่งออกไปยังฐานข้อมูลเพื่อนำข้อมูลไปใช้งานต่อได้อีกด้วย
คณะศิลปศาสตร์
Multipurpose cleaner from Stemona (Stemonaceae) effectively cleans all surfaces,removes insects and stains, and is safe and eco-friendly
คณะแพทยศาสตร์
This study explores the application of deep convolutional neural networks (CNNs) for accurate pill identification, addressing the limitations of traditional human-based methods. Using a dataset of 1,250 images across 10 household remedy drugs, various CNN architectures, including YOLO models, were tested under different conditions. Results showed that natural lighting was optimal for imprinted pills, while a lightbox improved detection for plain pills. The YOLOv5-tiny model demonstrated the best detection accuracy, and efficientNet_b0 achieved the highest classification performance. While the model showed strong results, its generalization is limited by sample size and drug variability. Nonetheless, this approach holds promise for enhancing medication safety and reducing errors in outpatient care.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
This study explores the design, production, and installation of 3D-printed modular artificial reefs (3DMARs) at Koh Khai, Chumphon Province, Thailand, through a design thinking framework. Collaborating with SCG Co., Ltd. and the Department of Marine and Coastal Resources, the research establishes design criteria and installation methods, utilizing content analysis and qualitative research. Key principles such as modularity, flexibility, environmental sustainability, and usability are identified. The user-centered approach optimizes the 3DMARs for transport and deployment, enabling local community involvement and fostering sustainable practices. The modular design supports scalability, enhancing marine habitats and coral larval settlement. Furthermore, underwater monitoring techniques enable site-specific data collection, allowing for the generation of digital twin models. This research offers a practical framework for marine ecosystem restoration and empowers coastal communities in Thailand and beyond