งานวิจัยนี้เป็นการออกแบบและสร้างเครื่องต้นแบบระบบปัญญาประดิษฐ์ของสรรพสิ่งสำหรับติดตามและควบคุมการให้น้ำพืชโดยใช้ข้อมูลสภาพอากาศ โดยระบบประกอบไป 4 ส่วนสำคัญ คือ ส่วนที่ 1 สถานีตรวจวัดสภาพอากาศ (Weather Station) ประกอบไปด้วยเซ็นเซอร์ต่าง ๆ เช่น อุณหภูมิอากาศ ความชื้นสัมพัทธ์ ความเร็วลม และความยาวนานของแสง เป็นต้น ส่วนที่ 2 หน่วยประมวลผล (Controller Unit) โดยจะมีการติดตั้งอัลกอริทึมหรือแบบจำลองการเรียนรู้ของเครื่องเพื่อใช้ประเมินค่าการคายระเหยน้ำของพืชอ้างอิง (ETo) และจะใช้คำนวณร่วมกับค่าสัมประสิทธิ์การใช้น้ำของพืชนั้น ๆ (Crop Coefficient: Kc) และข้อมูล อื่น ๆ เกี่ยวกับพืชนั้น ๆ เพื่อประเมินปริมาณการใช้น้ำตามความต้องการของพืชโดยอัตโนมัติ ส่วนที่ 3 ส่วนติดต่อผู้ใช้งานและหน้าจอแสดงผล (User Interface (UI) and Display) เป็นส่วนที่ให้เกษตรกรหรือผู้ใช้งานสามารถป้อนข้อมูลเกี่ยวกับชนิดของพืช ชนิดของดินที่ปลูก ประเภท ของระบบการให้น้ำ จำนวนหัวจ่ายน้ำ ระยะปลูก และช่วงการเจริญเติบโตของพืช เป็นต้น และส่วนที่ 4 หน่วยควบคุมและหัวจ่ายน้ำ (Irrigation Unit)
การเปลี่ยนแปลงสภาพอากาศของโลกทวีความรุนแรงขึ้นอย่างต่อเนื่อง สถานการณ์ดังกล่าวส่งผลกระทบ โดยตรงต่อภาคการเกษตร โดยเฉพาะในประเทศไทยที่มีแนวโน้มเผชิญกับปัญหาการขาดแคลนน้ำและความ ผันผวนของปริมาณน้ำฝน ซึ่งส่งผลต่อทั้งปริมาณและคุณภาพของผลผลิตทางการเกษตรโดยตรง ทั้งนี้ การบริหารจัดการน้ำในภาคเกษตรกรรมของประเทศไทยยังคงเผชิญกับข้อจำกัดหลายประการ เกษตรกรส่วนใหญ่ยังคงพึ่งพาประสบการณ์ส่วนตัวในการให้น้ำพืช ซึ่งอาจนำไปสู่การใช้น้ำที่ไม่มีประสิทธิภาพ เช่น การให้น้ำมากเกินความจำเป็นหรือน้อยเกินไปจนส่งผลกระทบต่อผลผลิต หรืออาจนำไปสู่ปัญหา เช่น การแตกใบอ่อน การร่วงของดอก และมีผลผลิตที่ไม่ได้คุณภาพ (Togneri et al., 2023) ในขณะที่ข้อมูลทาง วิชาการที่สามารถช่วยให้การบริหารจัดการน้ำมีความแม่นยำขึ้น เช่น ค่าอัตราการใช้น้ำของพืชอ้างอิง (Evapotranspiration: ETo) และค่าสัมประสิทธิ์พืช (Kc) กลับเข้าถึงได้ยาก เนื่องจากมีความซับซ้อนในการ คำนวณ อีกทั้งข้อมูลที่มีอยู่มักเป็นข้อมูลเฉลี่ยรายจังหวัดซึ่งไม่สามารถนำไปใช้ได้อย่างมีประสิทธิภาพในระดับ ฟาร์ม โครงการนี้จึงมุ่งเน้นไปที่การพัฒนาระบบปัญญาประดิษฐ์สำหรับการติดตามและควบคุมการให้น้ำพืชอัจฉริยะ โดยอิงข้อมูลสภาพอากาศซึ่งจะช่วยแก้ไขข้อจำกัดของเกษตรกรไทยในการเข้าถึงข้อมูลที่ ถูกต้องและการบริหารจัดการน้ำที่แม่นยำ
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
โครงงานออกแบบของเล่นจากเศษไม้เหลือทิ้งจาก บริษัท พาเลท เมกเกอร์ กรุ๊ป จำกัด
คณะวิทยาศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาประสิทธิภาพของสารสกัดจากเมล็ดมะรุม เมล็ดกระเจี๊ยบแดง และเมล็ดมะขาม ในการเป็นสารช่วยตกตะกอนในแหล่งน้ำผิวดินเพื่อการปรับปรุงคุณภาพน้ำ สารสกัดจากเมล็ดมะรุม เมล็ดกระเจี๊ยบแดง และเมล็ดมะขาม เป็นสารตกตะกอนที่เป็นมิตรต่อสิ่งแวดล้อมและเป็นทางเลือกในการปรับปรุงคุณภาพของน้ำผิวดิน แหล่งน้ำผิวดินมีความขุ่นอยู่ในช่วง 14-24 NTU นำมาทำการตกตะกอนความขุ่นในน้ำด้วยวิธีการทดลองจาร์เทส (Jar test) โดยการใช้สารสกัดจากเมล็ดมะรุม เมล็ดกระเจี๊ยบแดง และเมล็ดมะขาม เป็นสารตกตะกอน (Coagulant) และ เป็นสารช่วยตกตะกอน (Coagulant aid) โดยวิธีการคือนำเมล็ดมะรุม เมล็ดกระเจี๊ยบแดง และเมล็ดมะขามมาบดให้ละเอียด จากนั้นสกัดด้วยสารละลายโซเดียมคลอไรด์ (NaCl) 0.5 โมลาร์ และนำสารสกัดที่ได้มาใช้เป็นสารตกตะกอนเพื่อลดความขุ่นและปรับปรุงคุณภาพน้ำ โดยแต่ละความเข้มข้นใช้ปริมาตรน้ำ 300 มิลลิลิตร ผลการศึกษาบ่งชี้ว่าสารสกัดจากเมล็ดมะรุมที่ความเข้มข้น 2,000 มิลลิกรัมต่อลิตร มีประสิทธิภาพมากที่สุด และมีประสิทธิภาพในการลดความขุ่นประมาณ 73.19% โดยมีค่าใช้จ่าย 0.0309 บาทต่อน้ำ 300 มิลลิตร รองลงมาเป็นสารสกัดจากเมล็ดมะขามที่มีความเข้มข้น 4000 มิลลิกรัมต่อลิตร มีประสิทธิภาพในการลดความขุ่นประมาณ 56.75% โดยมีค่าใช้จ่าย 0.0933 บาทต่อน้ำ 300 มิลลิตร และเมล็ดกระเจี๊ยบแดงที่มีความเข้มข้น 6000 มิลลิกรัมต่อลิตร มีประสิทธิภาพในการลดความขุ่นประมาณ 32.67% โดยมีค่าใช้จ่าย 0.0567 บาทต่อน้ำ 300 มิลลิตร
คณะวิศวกรรมศาสตร์
การประเมินผลผลิตของผลมะม่วง และพฤติกรรมของผู้บริโภคที่มีความตระหนักถึงที่มาของผลผลิตมากยิ่งขึ้น ต้องการตรวจสอบย้อนกลับถึงที่มาของผลผลิตว่าผลผลิตนั้นๆได้รับการดูแลมาอย่างไรผ่านการระบุตำแหน่งของผลนั้นๆ ความเกี่ยวเนื่องกันถึงลักษะของผลผลิตที่เป็นผลมาจากวิธีการดูแลผลหรือต้นของผลผลิตในขณะที่ยังไม่ถูกเก็บเกี่ยว ดังนั้นเพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model และเพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ มีการใช้โมเดล YOLOv8 เพื่อ Object detection ร่วมกับเทคนิคการสอบเทียบกล้อง (Camera Calibration) และ Triangulation เพื่อหาตำแหน่ง 3 มิติ ของผลมะม่วงในภาพที่ถูกตรวจจับได้ จากการทำการทดลองหาตำแหน่งทั้งหมด 125 ครั้ง ที่มีการสุ่มค่าตำแหน่งของผลมะม่วง และตำแหน่งของกล้องที่มีมุม Yaw และ Pitch ที่แตกต่างกัน โดยการใช้ค่า Parameter จากรูปที่ถ่ายถัดไปมาเปรียบเทียบกันเพื่อหาตำแหน่งจริง 3 มิติ ที่ได้ผลความถูกต้องที่..... จากการใช้โมเดล YOLOv8 ที่มีค่าทำนาย Precision, Recall, mAP50, mAP50-95 และ F1-Score ได้แก่ 0.928, 0.901, 0.965, 0.785 และ 0.914 ตามลำดับ ซึ่งมีความแม่นยำที่มากพอเพื่อทำนายตำแหน่งของผลมะม่วงที่มีความคลาดเคลื่อนประมาณ 38 เซนติเมตร