การวิเคราะห์นี้มุ่งเน้นไปที่องค์ประกอบที่สำคัญของแผนการบินเมื่อปฏิบัติการที่ระดับความสูงต่ำ การศึกษาสำรวจองค์ประกอบสำคัญที่นักบินและผู้ควบคุมการบินต้องพิจารณาเพื่อรับประกันความปลอดภัยของผู้โดยสาร ลูกเรือ และเครื่องบินขณะบินในระดับความสูงต่ำ ด้วยการตรวจสอบปัจจัยต่างๆ เช่น สภาพอากาศ ข้อจำกัดของน่านฟ้า การพิจารณาภูมิประเทศ และขั้นตอนฉุกเฉิน การวิเคราะห์นี้มีจุดมุ่งหมายเพื่อให้ข้อมูลเชิงลึกที่มีคุณค่าในการเพิ่มประสิทธิภาพกระบวนการวางแผนการบินสำหรับการปฏิบัติการในระดับความสูงต่ำ
แผนการบินเป็นเอกสารสิ่งพิมพ์ตามมาตรฐาน ICAO เพื่อให้นักบินหรือตัวแทนบันทึกรายละเอียดการบินตามรายการพิมพ์และรายละเอียดของแผนการบิน เป็นข้อมูลที่นักบินใช้ตลอดการบินตั้งแต่สนามบินต้นทางถึงสนามบินปลายทาง ผ่านสนามบิน และสนามบินรอง นอกจากนี้ รายละเอียดในแผนการบินยังมีประโยชน์ในการควบคุมการจราจรทางอากาศและปฏิบัติการค้นหาและช่วยเหลือเมื่ออากาศยานมีปัญหา ทีมค้นหาและกู้ภัยจะใช้รายละเอียดในแผนการบินเป็นข้อมูลในการค้นหา
คณะวิศวกรรมศาสตร์
ระบบสร้างภาษามือไทยเชิงกำเนิดมีเป้าหมายในการพัฒนาแพลตฟอร์ม การสร้างแบบจำลอง 3 มิติและแอนิเมชัน ที่สามารถแปลง ประโยคภาษาไทยเป็นท่าทางภาษามือไทย (TSL) ที่ถูกต้องและเป็นธรรมชาติ โครงการนี้ช่วยเสริมสร้างการสื่อสารสำหรับ ชุมชนผู้บกพร่องทางการได้ยินในประเทศไทย โดยใช้แนวทางที่อิงกับ แลนมาร์ก (Landmark-Based Approach) ผ่านการใช้ Vector Quantized Variational Autoencoder (VQVAE) และ Large Language Model (LLM) ในการสร้างภาษามือ ระบบเริ่มต้นด้วยการ ฝึกโมเดล VQVAE โดยใช้ข้อมูลแลนมาร์กที่สกัดจากวิดีโอภาษามือ เพื่อให้โมเดลเรียนรู้ การแทนค่าแบบแฝง (Latent Representations) ของท่าทางภาษามือไทย หลังจากนั้น โมเดลที่ฝึกแล้วจะถูกใช้เพื่อ สร้างลำดับแลนมาร์กของท่าทางเพิ่มเติม ซึ่งช่วยขยายชุดข้อมูลฝึกโดยอ้างอิงจาก BigSign ThaiPBS Dataset เมื่อชุดข้อมูลได้รับการขยายแล้ว ระบบจะทำการ ฝึก LLM เพื่อสร้างลำดับแลนมาร์กที่ถูกต้องจากข้อความภาษาไทย โดยลำดับแลนมาร์กที่ได้จะถูกนำไปใช้ สร้างแอนิเมชันของโมเดล 3 มิติใน Blender เพื่อให้ได้ท่าทางภาษามือที่ลื่นไหลและเป็นธรรมชาติ โครงการนี้ถูกพัฒนาด้วย Python โดยใช้ MediaPipe สำหรับการสกัดแลนมาร์ก OpenCV สำหรับการประมวลผลภาพแบบเรียลไทม์ และ Blender’s Python API สำหรับสร้างแอนิเมชัน 3 มิติ ด้วยการผสานเทคโนโลยี AI, การเข้ารหัสผ่าน VQVAE และการสร้างแลนมาร์กด้วย LLM ระบบนี้มุ่งหวังที่จะ เชื่อมช่องว่างระหว่างข้อความภาษาไทยและภาษามือไทย เพื่อมอบแพลตฟอร์มการแปลภาษามือแบบโต้ตอบ ในเวลาจริง ให้กับชุมชนผู้บกพร่องทางการได้ยินในประเทศไทย
คณะเทคโนโลยีการเกษตร
การออกแบบสวนสาธารณะพื้นที่ 50 ไร่ ในแนวคินสวนป่าพื้นที่เขต ลาดกระบัง จังหวัด กรุงเทพมหาคร เป็นการนำเสนอสวนสาธารณะที่ใช้ในการเป็นพื้นที่พักผ่อนหย่อนใจของคนเมืองในเขตลาดกระบังและผู้คนละแวกใกล้เคียง จึงมุ่งเน้นกลุ่มผู้ใช้งานเป็นกลุ่มนักเรียน นักศึกษา และกลุ่มคนทำงาน ที่มีการผสานกับแนวคิด Universal Design ในการออกแบบพื้นที่ให้ทุกคนในสังคม สามารถใช้งานร่วมกันได้อย่างเท่าเทียม แต่ยังคงมุ่งเน้นให้มีพื้นที่นันทนาการแบบกระฉับกระเฉงเพื่อตรงต่อความต้องการที่เล่นกีฬาและออกกำลังกายของกลุ่มนักเรียน นักศึกษา และกลุ่มคนทำงาน และการออกแบบพื้นที่เขตลาดกระบังเป็นพื้นที่ราบลุ่ม คล้ายแอ่งกระทะ จึงมีการออกแบบพื้นที่ให้มีพื้นที่รับน้ำ หน่วงน้ำ และบำบัดน้ำเพื่อใช้ในพื้นที่สวน โดยภายในพื้นที่ เน้นไปที่พื้นที่ออกกำลังกาย กีฬา วิ่ง เดิน ที่พักผ่อน และพื้นที่สวนเพื่อการเรียนรู้
คณะเทคโนโลยีการเกษตร
ทุเรียนเป็นพืชเศรษฐกิจที่สำคัญของประเทศไทยและเป็นสินค้าส่งออกที่มีปริมาณสูงที่สุดในโลก อย่างไรก็ตาม การผลิตทุเรียนให้มีคุณภาพสูงจำเป็นต้องอาศัยการดูแลสุขภาพของต้นทุเรียนให้แข็งแรงและปราศจากโรค เพื่อให้สามารถให้ผลผลิตได้อย่างมีประสิทธิภาพ และลดความเสียหายที่อาจเกิดขึ้นกับทั้งต้นและผลทุเรียน โรคที่พบได้บ่อยและสามารถแพร่กระจายได้อย่างรวดเร็ว มักเป็นโรคที่เกิดขึ้นบริเวณใบ ซึ่งส่งผลกระทบโดยตรงต่อการเจริญเติบโตของต้นทุเรียนและคุณภาพของผลผลิต การตรวจสอบและควบคุมโรคทางใบจึงเป็นปัจจัยสำคัญในการรักษาคุณภาพของทุเรียน งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเทคโนโลยีการวิเคราะห์ภาพถ่ายร่วมกับปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการจำแนกโรคที่เกิดขึ้นในใบทุเรียน เพื่อให้เกษตรกรสามารถตรวจสอบโรคได้ด้วยตนเองโดยไม่ต้องอาศัยผู้เชี่ยวชาญ โดยจำแนกใบออกเป็น 3 ประเภท ได้แก่ ใบสุขภาพดี (Healthy: H) ใบที่ติดเชื้อแอนแทรคโนส (Anthracnose: A) และใบที่ติดเชื้อจุดสาหร่าย (Algal Spot: S) ทั้งนี้ ได้นำอัลกอริทึม Convolutional Neural Networks (CNN) ได้แก่ ResNet-50, GoogleNet และ AlexNet มาใช้ในการพัฒนาแบบจำลองเพื่อจำแนกประเภทของโรค ผลการทดลองพบว่า แบบจำลองที่ใช้ ResNet-50, GoogleNet และ AlexNet ให้ค่าความแม่นยำในการจำแนกใบเท่ากับ 93.57%, 93.95% และ 68.69% ตามลำดับ