ระบบไฮโดรโปนิกส์แบบควบคุมอัตโนมัติสำหรับใช้ในครัวเรือนได้รับการพัฒนาขึ้นเพื่อตอบโจทย์ผู้ที่มีพื้นที่น้อยแต่ต้องการปลูกผักสลัดเองในบ้านอย่างสะดวกและง่ายดาย ระบบนี้ออกแบบมาให้สามารถควบคุมการให้ธาตุอาหารโดยอัตโนมัติผ่านการตั้งค่าสภาพการนำไฟฟ้า (EC) และ pH ที่เหมาะสมสำหรับผักสลัดที่ต้องการปลูก มีแสงประดิษฐ์ร่วมเพื่อให้สามารถปลูกในพื้นที่จำกัดที่อาจมีแสงอาทิตย์ไม่เพียงพอได้ และยังเป็นระบบที่มีต้นทุนต่ำกว่าที่มีจำหน่ายในท้องตลาด จากการตรวจสอบระบบการควบคุมค่า EC และ pH พบว่าระบบปลูกนี้สามารถทำงานได้ดีและควบคุมการให้ธาตุอาหารจนถึงค่า EC และ pH ที่ตั้งไว้ได้ภายในเวลาไม่เกิน 30 นาที และรักษาค่าที่ตั้งไว้ได้ตลอดการเปิดทำงานของระบบ ในการทดลองปลูกผักสลัดกรีนโอ๊คโดยจำลองการตั้งระบบปลูกบริเวณระเบียง พบว่าต้นกรีนโอ๊คมีการเจริญเติบโตด้วยอัตราการเติบโตที่สูงกว่าการปลูกตามปกติ โดยเฉพาะเมื่อใช้แสงประดิษฐ์ร่วม
ในการปลูกผักไร้ดินหรือไฮโดรโปนิกส์ (Hydroponics) เกิดขึ้นจากความพยายามของนักวิทยาศาสตร์ในช่วงทศวรรษ 1930 ที่ต้องการหาวิธีการปลูกพืชโดยไม่ต้องใช้ดิน ซึ่งเหมาะกับการปลูกพืชในพื้นที่จำกัดหรือในเขตที่ขาดแคลนดินเพาะปลูก การค้นคว้าในเรื่องนี้พบว่าพืชต้องการธาตุอาหารที่ละลายในน้ำเพื่อเจริญเติบโตได้ดีและสามารถควบคุมคุณภาพของสารอาหารได้อย่างมีประสิทธิภาพ ในยุคปัจจุบัน การปลูกผักไร้ดินได้รับความนิยมมากขึ้น เนื่องจากสามารถใช้พื้นที่เพาะปลูกอย่างมีประสิทธิภาพ เช่น การปลูกในอาคารหรือพื้นที่เมืองที่จำกัด ลดปริมาณการใช้น้ำด้วยการหมุนเวียนน้ำกลับมาใช้ซ้ำ อีกทั้งยังช่วยเพิ่มความปลอดภัยด้านอาหาร เนื่องจากลดความเสี่ยงจากการปนเปื้อนของโรคพืชและแมลงที่อยู่ในดิน การปลูกผักไร้ดินยังสามารถให้ผลผลิตได้ตลอดทั้งปี ไม่ขึ้นกับฤดูกาล ช่วยสนับสนุนความมั่นคงทางอาหารในเมืองใหญ่และสอดคล้องกับแนวคิดการเกษตรยั่งยืน เพื่อให้การปลูกผักสลัดเป็นเรื่องที่ง่ายขึ้นและลดอุปสรรคในการจัดการการใส่ปุ๋ยให้เหมาะสม ผู้ศึกษาได้สนใจที่จะพัฒนาระบบไฮโดรโปนิกส์แบบควบคุมอัตโนมัติสำหรับใช้ในครัวเรือนที่สามารถทำงานได้ด้วยตัวเองเพื่อสนับสนุนผู้ปลูกที่เริ่มต้นใหม่หรือผู้ที่ขาดประสบการณ์ด้านการเกษตรระบบที่พัฒนาขึ้นนี้ถูกออกแบบมาเพื่อลดความซับซ้อนในการคำนวณปริมาณปุ๋ยที่เหมาะสมรวมถึงการเติมปุ๋ยในเวลาที่เหมาะสม นอกจากช่วยประหยัดเวลาและแรงงานแล้วระบบนี้ยังมีความสามารถในการปรับปริมาณปุ๋ยให้สอดคล้องกับการเจริญเติบโตของผักสลัดในแต่ละช่วง ส่งผลให้ผู้ปลูกผักสลัดสามารถมั่นใจได้ว่าผักจะได้รับสารอาหารที่จำเป็นอย่างครบถ้วน ทำให้ผลผลิตมีคุณภาพสูงและมีโอกาสสำเร็จในการปลูกมากขึ้น
คณะวิทยาศาสตร์
โรคลิสเตอรีโอซิส (Listeriosis) เป็นโรคที่เกิดจากอาหารซึ่งมีอัตราการเสียชีวิตสูงเกิน 30% โดยเกิดจากเชื้อ Listeria monocytogenes งานวิจัยนี้ได้ทำการประเมินแบคทีเรียกรดแลกติก (Lactic Acid Bacteria หรือ LAB) จำนวน 160 สายพันธุ์ที่แยกได้จากปูดองของไทย เพื่อตรวจสอบศักยภาพในการยับยั้ง L. monocytogenes รวมถึงคุณสมบัติของโพรไบโอติกและลักษณะทางโพรไบโอจีโนมิกส์ (Probiogenomic) ในกลุ่มสายพันธุ์เหล่านี้ สายพันธุ์ DRC3-2 มีฤทธิ์ในการผลิตแบคเทอริโอซิน DRC3-2 ซึ่งสามารถยับยั้ง L. monocytogenes ATCC 19115 ได้อย่างมีนัยสำคัญในการทดสอบแบบ spot-on-lawn การวิเคราะห์ทางฟีโนไทป์และจีโนมเผยให้เห็นว่าสายพันธุ์ DRC3-2 สามารถเติบโตได้ในสภาวะแวดล้อมที่มี NaCl 2-6% ค่า pH ระหว่าง 3 ถึง 9 และอุณหภูมิระหว่าง 25 ถึง 45°C จากการวิเคราะห์ค่า Average nucleotide identity (ANI) และ Digital DNA-DNA hybridization (dDDH) พบว่าสายพันธุ์ DRC3-2 ถูกจัดประเภทเป็น Lactococcus lactis subsp. hordinae การผลิตแบคเทอริโอซิน DRC3-2 จะสูงสุดในช่วงปลายของระยะ stationary phase หลังจากที่มีการสังเคราะห์ในช่วงต้นของระยะ exponential phase การวิเคราะห์ด้วย BAGEL4 พบว่าแบคเทอริโอซิน DRC3-2 ที่คาดว่าเป็นแบคเทอริโอซินชนิดใหม่นี้มีลักษณะคล้ายคลึงกับ lactococcin A และ B โดยมีค่า bit-score ที่ 40.05 และ 36.58 ตามลำดับ การประเมินความปลอดภัยทาง in silico ยืนยันว่าสายพันธุ์ DRC3-2 ไม่เป็นพาหะของโรคในมนุษย์และไม่มีการต้านทานยาปฏิชีวนะ สรุปได้ว่า การศึกษาครั้งนี้ได้เน้นย้ำถึงความสำคัญของแบคทีเรียซิน DRC3-2 ซึ่งเป็นสารที่มีศักยภาพในการใช้ป้องกันและรักษาการติดเชื้อ L. monocytogenes
คณะเทคโนโลยีสารสนเทศ
โรคมะเร็งเป็นหนึ่งในปัญหาสุขภาพที่สำคัญอันเนื่องมาจากการเข้าสู่สังคมสูงอายุของประเทศไทย ความเสี่ยงในการเป็นโรคเรื้อรังของผู้สูงอายุมักทำให้เกิดข้อจำกัดต่าง ๆ ในการรักษา ส่งผลให้ผู้ป่วยส่วนมากไม่สามารถรักษาให้หายขาดและจำเป็นต้องได้รับการดูแลอย่างต่อเนื่อง รวมถึงการได้รับข้อมูลและคำแนะนำเกี่ยวกับโรคมะเร็งอย่างถูกต้อง อย่างไรก็ตาม การบันทึกข้อมูลสุขภาพของผู้ป่วยในปัจจุบันยังไม่สามารถเชื่อมโยงกันได้อย่างมีประสิทธิภาพ ทำให้การวิเคราะห์ข้อมูลเพื่อพัฒนารูปแบบการดูแลผู้ป่วยเป็นไปอย่างยากลำบาก นอกจากนี้ ข้อมูลที่ไม่ถูกต้องเกี่ยวกับโรคมะเร็งที่เผยแพร่ทางโซเชียลมีเดีย อาจทำให้ผู้สูงอายุเกิดความเข้าใจผิด ดังนั้นผู้วิจัยจึงได้พัฒนาระบบแชตบอตที่ใช้เทคโนโลยีการประมวลผลภาษาธรรมชาติ เพื่อให้สามารถเข้าใจภาษาของมนุษย์และตอบคำถามได้อย่างแม่นยำสำหรับการดูแลผู้ป่วยสูงอายุโรคมะเร็งโดย ระบบแชตบอตจะนำเสนอข้อมูลที่ถูกต้อง เชื่อถือได้ และเป็นปัจจุบันตามองค์ความรู้ทางการแพทย์ที่ปรากฏอยู่ภายในฐานข้อมูลคลังความรู้ ซึ่งผ่านการคัดกรองจากบุคลากรทางการแพทย์ พร้อมทั้งพัฒนาเว็บแอปพลิเคชันเพื่อใช้ในการบันทึกและวิเคราะห์ผลประเมินของผู้ป่วยตามมาตรฐานทางการแพทย์ ทำให้บุคลากรทางการแพทย์สามารถวางแผนรับมือและหาแนวทางการรักษาที่เหมาะสมให้แก่ผู้ป่วย นอกจากนี้ทำให้เกิดการแบ่งปันและเชื่อมโยงข้อมูลระหว่างระบบต่าง ๆ ของโรงพยาบาล ส่งผลให้เกิดการนำข้อมูลไปใช้ในการปรับปรุงกระบวนการรูปแบบการรักษาที่ตรงเป้าหมายและทันสมัย อีกทั้งการพัฒนาระบบแชตบอตเปรียบเสมือนผู้ช่วยที่ให้บริการข้อมูลและคำแนะนำแก่ผู้ป่วย ช่วยลดภาระงานในการตอบคำถามของบุคลากรทางการแพทย์และส่งเสริมให้ผู้ป่วยมีส่วนร่วมในการดูแลสุขภาพของตนเองมากยิ่งขึ้น
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