
การศึกษานี้จัดทำขึ้นเพื่อสร้างต้นแบบผ้าคลุมเย็นสำหรับการขนส่งน้ำนมดิบเพื่อเสนอแนวทางการรักษาคุณภาพน้ำนมดิบระหว่างการขนส่งไปยังศูนย์รวบรวมน้ำนมดิบ ผ้าคลุมเย็นนี้ผลิตจากการนำวัสดุเปลี่ยนสถานะ (Phase Change Material, PCM) ผลิตจากน้ำผสมสารสร้างเนื้อเจล ปริมาณ 5.6 กิโลกรัม มาประกบรอบถังนมอะลูมิเนียม (ปริมาตรความจุ 25 ลิตร) แล้วคลุมด้วยผ้าเคลือบสารสะท้อนรังสียูวี 2 ชนิด ได้แก่ ผ้าพอลิไวนิลคลอไรด์ (PVC) และผ้าพอลิเอทิลีนความหนาแน่นสูง (HDPE) ประสิทธิภาพการรักษาอุณหภูมิของผ้าคลุมทั้งสองแบบประเมินจากการวัดอุณหภูมิของน้ำที่จุดต่าง ๆ ตามแนวรัศมีและตามความสูงของถังนม จำนวน 6จุด ด้วยสายเทอร์มอคัปเปิลชนิดที ภายใต้สภาวะแวดล้อม 3 สภาวะ ได้แก่ ที่อุณหภูมิคงที่ 25 °C และ 35 °C และที่อุณหภูมิบรรยากาศกลางแจ้ง (อุณหภูมิเฉลี่ย 35.5 °C) เป็นระยะเวลาอย่างน้อย 180 นาที ผลการทดลองพบว่า ที่เวลา 120 นาที น้ำในถังคลุมด้วยผ้า PCM-PVC และผ้า PCM-HDPE มีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 12.6 °C และ 12.9 °C ตามลำดับ ภายใต้อุณหภูมิบรรยากาศคงที่ 25 °C ในขณะที่ภายใต้อุณหภูมิบรรยากาศคงที่ 35 °C มีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 16.7 °C และ 16.4 °C ตามลำดับ และอุณหภูมิบรรยากาศกลางแจ้งมีอุณหภูมิต่ำกว่าอุณหภูมิบรรยากาศ 12.7 °C และ 13.8 °C ตามลำดับ เนื่องจากผ้า PCM-PVC และผ้า PCM-HDPE มีประสิทธิภาพการรักษาอุณหภูมิไม่ต่างกัน การประเมินประสิทธิภาพการรักษาคุณภาพทางจุลินทรีย์ของน้ำนมดิบจึงศึกษาเฉพาะผ้า PCM-PVC เทียบกับกรณีไม่ใช้ผ้าคลุม (ควบคุม) ด้วยการตรวจนับปริมาณเชื้อโคลิฟอร์มและเชื้อ Escherichia coli โดยใช้อาหารเลี้ยงเชื้อสำเร็จรูป ผลการทดลองพบว่าเมื่อเวลาผ่านไป 120 นาที น้ำนมในถังที่คลุมด้วยผ้า PCM-PVC มีปริมาณเชื้อโคลิฟอร์มเฉลี่ยเท่ากับ 1.6 × 10^4 CFU/ml และเชื้อ E. coli เท่ากับ 2 × 10^3 CFU/ml ซึ่งน้อยกว่ากรณีไม่มีผ้าคลุมซึ่งมีปริมาณเชื้อโคลิฟอร์ม เฉลี่ยเท่ากับ 1.5 × 10^4 CFU/ml และเชื้อ E. coli เท่ากับ 1.1 × 10^4 CFU/ml จากการศึกษานี้สรุปได้ว่าอุณหภูมิที่ลดได้นี้สามารถช่วยชะลอการเจริญของเชื้อโคลิฟอร์มให้มีปริมาณน้อยกว่าเกณฑ์มาตรฐานน้ำนมดิบซึ่งแสดงให้เห็นถึงศักยภาพของผ้าคลุมเย็นในการรักษาคุณภาพและความปลอดภัยของน้ำนมดิบระหว่างการขนส่งอันจะนำไปสู่การยกระดับคุณภาพชีวิตของเกษตรกรผู้เลี้ยงโคนมไทย
โดยทั่วไปการขนส่งน้ำนมดิบจากฟาร์มของเกษตรกรรายย่อยไปยังศูนย์รวบรวมน้ำนมดิบขนส่งโดยใส่ น้ำนมดิบในถังโลหะผลิตจากเหล็กกล้าไร้สนิม (Stainless steel) หรืออะลูมิเนียมที่ไม่มีการควบคุมอุณหภูมิ ส่งผลให้ อุณหภูมิของน้ำนมดิบมีโอกาสเพิ่มสูงขึ้นอย่างต่อเนื่อง ซึ่งส่งเสริมให้เชื้อจุลินทรีย์เจริญได้ดีจนทำให้น้ำนมดิบเสื่อมเสียคุณภาพและเป็นอันตรายต่อผู้บริโภค เนื่องจากอุณหภูมิมีอิทธิพลต่อคุณภาพของน้ำนมดิบอย่างมากโดยเฉพาะคุณภาพด้านจุลินทรีย์ น้ำนมดิบอุดมไปด้วยสารอาหารที่เป็นประโยชน์และมีความเป็นกรด-ด่าง (pH) ประมาณ 6.6 - 6.8 ซึ่งเป็นสภาวะที่เหมาะกับการเจริญเติบโตของเชื้อจุลินทรีย์หลายชนิด การเก็บรักษาน้ำนมดิบที่อุณหภูมิบรรยากาศจึงเป็นการส่งเสริมให้เชื้อจุลินทรีย์สามารถเพิ่มจำนวนได้อย่างรวดเร็วจนเกินเกณฑ์มาตรฐานได้ภายในเวลา 2-5 ชั่วโมง การใช้เครื่องทำความเย็นเป็นวิธีการลดอุณหภูมิน้ำนมดิบที่มีประสิทธิภาพในระยะยาว ซึ่งเครื่องทำความเย็นโดยทั่วไปเป็นระบบทำความเย็นแบบอัดไอซึ่งมีราคาแพง ต้องการระบบส่งไฟฟ้าที่มีความเสถียรและการบำรุงรักษาอย่างถูกต้องสม่ำเสมอ ทำให้เกษตรกรผู้เลี้ยงโคนมรายย่อยที่มีจำนวนโคนมไม่เกิน 20 ตัวไม่มีความจำเป็นที่จะนำระบบทำความเย็นมาใช้เพราะอาจไม่คุ้มค่ากับการลงทุน เมื่อเทียบกับผลผลิตที่เกิดขึ้น (Economy of scale) ด้วยเหตุนี้เกษตรกรเหล่านี้จึงต้องขนส่งน้ำนมดิบหลังการรีดเสร็จให้เร็วที่สุด และต้องไม่เกิน 2 ชั่วโมง เพื่อให้เป็นตามข้อกำหนดมกษ. 6003 - 2553 ไม่เช่นนั้นต้องลดอุณหภูมิน้ำนมดิบให้ต่ำกว่า 4 °C แล้วนำส่งศูนย์รวบรวมน้ำนมดิบภายในเวลา 24ชั่วโมงการศึกษานี้จึงจัดทำขึ้นเพื่อเสนอนวัตกรรมการทำความเย็นที่มีต้นทุนต่ำและใช้งานง่าย นั่นคือ เสื้อคลุมเย็นที่ประกอบขึ้นจากวัสดุเปลี่ยนสถานะ (Phase Change Material, PCM) ที่สามารถหาซื้อได้ทั่วไป คณะผู้วิจัยคาดหวังว่านวัตกรรมนี้จะสามารถช่วยเกษตรกรรายย่อยให้สามารถรักษาคุณภาพน้ำนมดิบระหว่างการขนส่งจากฟาร์มไปยังศูนย์รวบรวมน้ำนมดิบได้โดยสร้างภาระทางการเงินให้กับเกษตรกรน้อยที่สุด

คณะวิศวกรรมศาสตร์
โปรเจคนี้มีเป้าหมายในการพัฒนาต้นแบบของระบบเล็งอาวุธที่จำลองเป็นปืนต่อต้านอากาศยาน โดยใช้กล้องออปติคอลเพื่อตรวจจับวัตถุที่เคลื่อนที่และคำนวณวิถีแบบ Real time ผลลัพธ์ที่ได้นั้นจะส่งไปยังเลเซอร์พอยน์เตอร์บนมอเตอร์ 2 แกนหมุน แบบ degrees of freedom(DoF) ส่งผลให้สามารถเล็งไปยังเป้าหมายที่คาดการณ์ไว้ได้ ระบบนี้ถูกสร้างขึ้นบนแพตฟอร์มของ Raspberry Pi 4 ร่วมกับซอฟแวร์ machine vision โปรแกรมการ tracking นั้นถูกพัฒนาภายใต้ไลบรารีของ OpenCV โดยอาศัย color detections algorithms ผลการทดลองตอนนี้สามารถตรวจจับการเคลื่อนไหวของลูกเทนนิสแบบ real time ที่อัตรา 30 เฟรมต่อวินาที(fps) ขณะนี้โปรเจคอยู่นขั้นตอนการออกแบบและทดลองกับระบบแมคคานิคเพื่อควบคุมเลเซอร์พอยน์เตอร์ให้แม่นยำ โปรเจคนี้มีการนำความรู้ทางด้านอิเล็กทรอนิกส์(computer programing) และวิศวกรรมเครื่องกล(การควบคุมมอเตอร์)มาใช้งาน

คณะเทคโนโลยีการเกษตร
การวิจัยนี้มีวัตถุเพื่อศึกษาเปรียบเทียบระหว่างโรงเรือนพรางแสงและโรงเรือนอีแวปสำหรับการ ผลิตพิทูเนียกระถางที่เหมาะสมต่อการเจริญเติบโต การออกดอกและประสิทธิภาพการสังเคราะห์ ด้วยแสงของพิทูเนีย โดยแบ่งออกเป็น 2 กลุ่มประชากรดังนี้ 1) โรงเรือนอีแวป (evaporative cooling house) 2) โรงเรือนพรางแสง (shade net house) โดยแต่ละกลุ่มใช้พิทูเนียจำนวน 50 กระถางในการบันทึกผล ผลการทดลองพบว่า การปลูกพิทูเนียในโรงเรือนอีแวปส่งผลให้ลำต้นมี ความสูงมากที่สุด ดอกมีขนาดใหญ่และบานได้นานกว่า แต่การปลูกในโรงเรือนพรางแสงส่งผลให้ พิทูเนียแทงตาดอก ออกดอกได้เร็วกว่า รวมถึงดอกมีสีเข้มกว่า และมีจำนวนดอกใหม่ต่อต้น มากกว่าเท่าตัวหลังการย้ายปลูก 21 วัน ในส่วนของประสิทธิภาพการสังเคราะห์แสงในรอบวันหลัง การย้ายปลูก 30 วัน พบว่าในช่วงเวลา 12.00 น. ทำให้อัตราการสังเคราะห์ด้วยแสงสุทธิทั้ง 2 โรงเรือนสูงสุด และทำให้ค่าการนำไฟฟ้าของปากใบและอัตราการคายน้ำเพิ่มขึ้นสูงสุดในโรงเรือน อีแวป หลังการย้ายปลูก 60 วัน พบว่าอัตราการสังเคราะห์ด้วยแสงสุทธิ ค่าการนำไฟฟ้าของปาก ใบและค่าการคายน้ำมีค่าสูงสุดในโรงเรือนพรางแสงในช่วงเวลา 10.00 น. ส่วนการสังเคราะห์ด้วย แสงในความเข้มแสงที่แตกต่างกัน หลังการย้ายปลูก 30 วัน พบว่าอัตราการสังเคราะห์ด้วยแสง สุทธิ ค่าการนำไฟฟ้าปากใบและอัตราการคายน้ำสูงสุดเมื่อให้ความเข้มแสงที่ 2000 µmol m-2 s-1 โดยมีค่าสูงสุดในโรงเรือนพรางแสง หลังการย้ายปลูก 60 วัน อัตราการสังเคราะห์ด้วยแสงสุทธิ สูงสุดเมื่อให้ความเข้มแสงที่ 1400 µmol m-2 s-1 โดยมีค่าสูงสุดในโรงเรือนพรางแสง จากการศึกษา จึงสรุปผลได้ว่า การปลูกพิทูเนียในโรงเรือนพรางแสง เหมาะสมสำหรับการผลิตพิทูเนียกระถาง และมีประสิทธิภาพการสังเคราะห์ด้วยแสงของพิทูเนียมากกว่าการปลูกพิทูเนียในโรงเรือนอีแวป

คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า