การทดลองนี้จึงมีวัตถุประสงค์เพื่อศึกษาผลของน้ำที่ผ่านการฉายพลาสมาในเวลาที่แตกต่างกันต่อคุณภาพการงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่ เพื่อเป็นการยกระดับคุณภาพความงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่
การเสื่อมคุณภาพของเมล็ดพันธุ์ หมายถึง เมล็ดที่มีพัฒนาการจนถึงจุดสุกแก่ทางสรีรวิทยาถือว่าเป็นจุดที่เมล็ดมีการพัฒนาสมบูรณ์ที่สุด ณ จุดนี้เมล็ดจะมี คุณภาพสูงสุดขณะเดียวกันเมล็ดก็เริ่มมีการเสื่อมคุณภาพ เกิดขึ้นที่จุดนี้ด้วย เมื่อเวลาผ่านไป การเสื่อมคุณภาพของเมล็ดจะเพิ่มมากขึ้น เนื่องจากการเสื่อมสภาพต่างๆ ทั้งทางโครงสร้างสรีรวิทยาหรือชีวเคมีของเมล็ดพันธ์ุ การเสื่อมสภาพลาดับแรกสุดจะเกิดที่เยื่อหุ้มเซลล์ ต่อมากิจกรรมของเอนไซม์ลดลง อัตราการหายใจลดลง กรดไขมันอิสระเพิ่มขึ้น อัตราการงอกลดลง เมล็ดพันธ์ุงอกในสภาพแวดล้อมจำกัด ความสามารถในการเก็บรักษาลดลง รวมทั้งอัตราการเจริญเติบโตและพัฒนาการของต้นกล้าลดลงซึ่งอาจมีผลไปถึงความสม่ำเสมอของต้นกล้าที่นำไปปลูก
คณะวิศวกรรมศาสตร์
โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
คณะอุตสาหกรรมอาหาร
งานวิจัยนี้ทำการแยกและเลี้ยงเชื้อแบคทีเรียแลคติกที่แยกได้จากอาหารหมักจำนวน 4 สายพันธุ์โดยศึกษาฤทธิ์การต้านเชื้อจุลินทรีย์ของเชื้อแบคทีเรียแลคติก โดยใช้วิธี agar spot และ ศึกษาสมบัติการดื้อยาของเชื้อแบคทีเรียแลคติก โดยใช้วิธี agar overlay diffusion method ผลการทดลองพบว่าแบคทีเรียแลคติกแต่ละสายพันธุ์มีฤทธิ์การต้านเชื้อแบคทีเรียก่อโรคในอาหาร และสมบัติการดื้อยาปฏิชีวนะที่ระดับแตกต่างกัน ซึ่งเป็นสมบัติด้านความปลอดภัยของจุลินทรีย์โพรไบโอติก
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