วัสดุตัวเร่งปฏิกิริยาเชิงแสงที่ตกแต่งด้วยวัสดุนาโนโลหะ (Bi-Metallic NPs/ Photocatalyst) ได้ถูกสังเคราะห์ ในการสลายอะฟลาทอกซิน บี1 ตัวเร่งปฏิกิริยาเชิงแสงที่ตกแต่งด้วยวัสดุนาโนโลหะถูกสังเคราะห์ด้วยคลื่นอัลตราโซนิก (Ultrasonic waves) วัสดุถูกนำมาศึกษาคุณลักษณะทางเคมีโดยการใช้เทคนิค Transmission electron microscope (TEM), X-ray photoelectron spectroscopy (XPS), X-ray diffraction analysis (XRD), Fourier transform infrared spectrometer (FT-IR), Zeta potential analyzer และ UV-visible spectrophotometer อนุภาคนาโนโลหะบนตัวเร่งปฏิกิริยาเชิงแสงถูกนำมาทดสอบประสิทธิภาพในการย่อยสลาย AFB1 ในน้ำเสียจากน้ำทิ้งครัวเรือนภายใต้แสงวิสิเบิล โดยนำมาวิเคราะห์ด้วยโครมาโตกราฟีของเหลวสมรรถนะสูง ช่วงความยาวคลื่น 365 นาโนเมตร พบว่าสามารถกำจัด AFB1 ได้อย่างมีประสิทธิภาพถึง 100 % ภายในเวลา 2 นาที ประสิทธิภาพที่เหนือชั้นนี้เป็นผลมาจาก โครงสร้างที่มีรูพรุนสูง พื้นที่ผิวจำเพาะที่เพิ่มขึ้น และอัตราการรวมตัวใหม่ของอิเล็กตรอน-โฮลที่ลดลง แสดงให้เห็นว่าวัสดุนาโนที่ได้พัฒนาประสบความสำเร็จในการสลาย AFB1
เนื่องจาก อะฟลาท็อกซินเป็นสารพิษที่ผลิตจากเชื้อราที่สร้างสารพิษในภาวะที่อาหารมีความชื้นสูง สามารถพบได้ทั่วไปในอาหารและผลผลิตทางการเกษตร ได้แก่ ข้าวโพด มันสำปะหลัง ผักและผลไม้อบแห้ง ธัญพืช หัวหอมแห้ง กระเทียมแห้ง เป็นต้นสารอะฟลาทอกซินมีหลายชนิด เช่น AFB1, AFB2, AFG1, AFG2 โดยเฉพาะ AFB1 ที่มีพิษสูงและสามารถทำลายตับ ทำให้เกิดอาการ อาเจียน ท้องเดิน และในระยะยาวอาจพัฒนาเป็น ตับแข็ง หรือ มะเร็งตับ ดังนั้นหากมีการปนเปื้อนของ AFB1 จากครัวเรือนลงสู่แหล่งน้ำที่มีสภาพแวดล้อมเอื้อต่อการสะสมของสารพิษ เช่น บ่อน้ำ หรือแหล่งน้ำธรรมชาติที่มีการไหลเวียนต่ำ อาจส่งผลกระทบต่อสิ่งแวดล้อมและระบบนิเวศได้ สารอะฟลาท็อกซินสามารถคงอยู่ในสิ่งแวดล้อมเป็นเวลานานและอาจถูกดูดซึมเข้าสู่ห่วงโซ่อาหารผ่านสัตว์น้ำและพืชน้ำ ซึ่งอาจส่งผลกระทบต่อสุขภาพของมนุษย์และสัตว์ที่บริโภคอาหารจากแหล่งน้ำดังกล่าว เพื่อลดความเสี่ยงจากการปนเปื้อนของ AFB1 ในแหล่งน้ำ จึงได้มีการสังเคราะห์วัสดุตัวเร่งปฏิกิริยาเชิงแสงที่ตกแต่งด้วยวัสดุนาโนโลหะ ที่สามารถสลาย AFB1 ในน้ำเสียครัวเรือน สามารถช่วยลดปัญหาการปนเปื้อนของสารพิษในแหล่งน้ำและป้องกันผลกระทบต่อสุขภาพของมนุษย์และสิ่งแวดล้อมได้อย่างมีประสิทธิภาพ
วิทยาลัยนวัตกรรมการผลิตขั้นสูง
ระบบประเมินโมเดลภาษาขนาดใหญ่แบบออฟไลน์ในภาษาไทยถูกออกแบบมาเพื่อช่วยให้ผู้เชี่ยวชาญสามารถทดสอบและประเมินประสิทธิภาพของโมเดลภาษาขนาดใหญ่ (Large Language Models: LLMs) ได้อย่างสะดวก รวดเร็ว และไม่ต้องพึ่งพาการเชื่อมต่อภายนอก ช่วยเพิ่มความคล่องตัวในการเลือกใช้ LLMs ที่เหมาะสมกับความต้องการขององค์กรหรือระบบผู้เชี่ยวชาญ (Expert System: ES) ระบบสามารถทำงานบนคอมพิวเตอร์ส่วนบุคคลโดยไม่ต้องกังวลเรื่องการเก็บข้อมูลภายนอก ส่งผลให้มีความปลอดภัยของข้อมูลสูง นอกจากนี้ ยังรองรับการทดสอบและพัฒนาโมเดลด้วยเทคนิคการดึงข้อมูลเสริม (Retrieval-Augmented Generation: RAG) เพื่อให้สามารถเข้าถึงข้อมูลเฉพาะทางและประมวลผลได้อย่างแม่นยำ มีประสิทธิภาพด้านพลังงาน และตอบสนองความต้องการขององค์กรและระบบผู้เชี่ยวชาญได้อย่างเหมาะสม
คณะแพทยศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Deep Convolutional Neural Networks - CNNs) สำหรับการระบุเม็ดยาอย่างแม่นยำ เพื่อแก้ไขข้อจำกัดของการพิสูจน์เอกลักษณ์เม็ดยาด้วยทรัพยากรมนุษย์ โดยใช้ข้อมูลรูปภาพจำนวน 1,250 ภาพ จากยาสามัญประจำบ้าน 10 ชนิด นำมาทดสอบกับโมเดล YOLO ที่แตกต่างกันภายใต้เงื่อนไขต่างๆ ผลการทดลองพบว่า การใช้แสงธรรมชาติให้ผลดีกว่าเมื่อทดสอบด้วยระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน เมื่อเปรียบเทียบกับแสงจากกล่องสตูดิโอ นอกจากนี้ โมเดล YOLOv5-tiny แสดงความแม่นยำสูงสุดในการตรวจจับเม็ดยา ขณะที่โมเดล EfficientNet_b0 ให้ผลลัพธ์ดีที่สุดในการจำแนกเม็ดยา แม้ว่าระบบโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาขึ้นนี้จะให้ผลลัพธ์ที่น่าพึงพอใจ แต่ยังมีข้อจำกัดในเรื่องชนิดของเม็ดยาและจำนวนภาพที่ใช้ในการศึกษา อย่างไรก็ตาม งานวิจัยนี้มีศักยภาพในการส่งเสริมความปลอดภัยในการใช้ยาทั้งในระบบสาธารณสุขและผู้ป่วยนอก รวมถึงลดปัญหาที่อาจเกิดขึ้นจากการใช้ยาผิดพลาด
คณะวิทยาศาสตร์
โครงงานนี้พัฒนาตู้รับซื้ออัตโนมัติสำหรับขวดพลาสติกและกระป๋อง โดยใช้ Machine Learning ในการจำแนกประเภทบรรจุภัณฑ์ผ่านการประมวลผลภาพ ร่วมกับระบบเซนเซอร์อัจฉริยะในการตรวจสอบคุณภาพของบรรจุภัณฑ์และควบคุมการทำงาน ระบบเชื่อมต่อกับ Web Application เพื่อแสดงผลและควบคุมการทำงานแบบเรียลไทม์ เมื่อยืนยันประเภทบรรจุภัณฑ์แล้ว จะคำนวณราคาและจ่ายเงินผ่าน e-wallet หรือออกคูปองแลกเงินสดโดยอัตโนมัติ ระบบนี้สามารถติดตั้งในพื้นที่สาธารณะเพื่อส่งเสริมการคัดแยกขยะตั้งแต่ต้นทาง ช่วยลดการปนเปื้อนและเพิ่มประสิทธิภาพการรีไซเคิล อีกทั้งยังสร้างแรงจูงใจทางการเงินให้ประชาชนมีส่วนร่วมในการจัดการขยะมากขึ้น โครงงานนี้แสดงให้เห็นถึงศักยภาพของการผสมผสาน Machine Learning และระบบเซนเซอร์อัจฉริยะในการพัฒนาโซลูชันการจัดการขยะที่แม่นยำ สะดวก และยั่งยืน **