โครงงานนี้มุ่งเน้นการพัฒนาระบบอ่านป้ายทะเบียนรถยนต์แบบอัตโนมัติ ซึ่งรองรับทั้งป้ายทะเบียนรูปแบบปกติและพิเศษของประเทศไทย โดยใช้เทคโนโลยี Machine Learning เพื่อเพิ่มประสิทธิภาพในการอ่านป้ายทะเบียน ระบบนี้สามารถรองรับข้อมูลได้ทั้งภาพนิ่งและวิดีโอ ผู้ใช้สามารถลงทะเบียนและชำระค่าบริการแบบ Subscription เพื่อนำส่งข้อมูลให้ระบบประมวลผลผ่าน RESTful API, WebSocket, และกล้อง IP ที่ลงทะเบียนกับระบบ
ในปัจจุบัน ระบบการอ่านป้ายทะเบียนอัตโนมัติ มีการนำมาใช้กันอย่างกว้างขวาง เช่น ระบบตรวจสอบรถ เข้าออก ระบบจัดการลานจอดรถ ระบบขนส่งสาธารณะที่ใช้เก็บค่าผ่านทางแบบอัตโนมัติ ระบบรักษาความปลอดภัย เป็นต้น ความแม่นยำในการอ่านป้ายทะเบียนจึงเป็นสิ่งจำเป็นอย่างยิ่ง เพื่อประสิทธิภาพ และความถูกต้องของข้อมูล เทคโนโลยี Machine Learning จึงถูกนำมาประยุกต์ใช้ เพื่อเพิ่มประสิทธิภาพในการอ่านป้ายทะเบียน ไม่ว่าจะเป็นในรูปแบบของ Software Module ที่ติดตั้งแบบถาวร หรือเป็นบริการ E-service อย่างไรก็ตาม ระบบรูปแบบ Software Module มักพบปัญหาในการไม่ได้รับการอัปเดตอย่างสม่ำเสมอ และระบบรูปแบบ E-service ในปัจจุบันยังไม่สามารถอ่านป้ายทะเบียนของประเทศไทยได้อย่างมีประสิทธิภาพ เนื่องจากความซับซ้อนของภาษาไทย ที่เกิดจากป้ายทะเบียนรูปแบบพิเศษ เช่น ป้ายทะเบียนประมูลของกรมขนส่งทางบก ที่มีลวดลาย และรูปแบบตัวอักษรที่แตกต่างจากป้ายทะเบียนปกติ จากปัญหาที่กล่าวมา โครงการนี้จึงมีแนวคิดในการพัฒนา Machine Learning Model ที่ออกแบบมาเพื่อจัดการกับปัญหาเฉพาะของป้ายทะเบียนในประเทศไทย โดยมีเป้าหมายความแม่นยำในการอ่านป้ายทะเบียนอยู่ที่ 95 เปอร์เซ็นต์ พร้อมกับการพัฒนาบริการ E-service สำหรับการอ่านป้ายทะเบียนอัตโนมัติ ให้ผู้ที่สนใจสามารถเข้าใช้งาน Machine Learning Model ของเราได้ โดยผ่านการลงทะเบียนบนเว็บไซต์ จ่ายค่าสมัครใช้บริการรายเดือน และส่งข้อมูลในรูปแบบของรูปภาพผ่าน RESTful API, WebSocket และวิดีโอผ่านกล้อง IP ที่มีการลงทะเบียนเอาไว้กับระบบ นอกจากนี้ยังมีการพัฒนาเว็บไซต์สำหรับผู้ดูแลระบบ เพื่อช่วยในการบริหารจัดการและตรวจสอบการทำงานของระบบ
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า
คณะบริหารธุรกิจ
เครื่องวัดระดับคาร์บอนมอนอกไซด์ในลมหายใจพร้อมการตอบสนองด้วยเสียงเพื่อวัดระดับคาร์บอนมอนอกไซด์ที่ตกค้างในปอดของผู้ที่มีการใช้ยาสูบ ซึ่งเป็นการบอกระดับการติดยาสูบแทนที่จะวัดระดับนิโคติในเลือด
วิทยาเขตชุมพรเขตรอุดมศักดิ์
โครงสร้างกระดูกจากวัสดุชีวภาพเป็นวัสดุที่ช่วยให้การฟื้นฟู หรือซ่อมแซ่มเนื้อเยื้อกระดูกได้อย่างรวดเร็วขึ้น พร้อมทั้งนี้ตัววัสดุที่เป็นโครงสร้างสามารถที่จะย่อยสลายภายในร่างกาย หรือในระบบชีวภาพได้เป็นอย่างดี ในงานนี้จึงนี้จุดมุ่งหมายในการศึกษาถึงวัสดุ รูปร่าง และกระบวนการผลิตในการพิมพ์ 3 มิติด้วยเทคนิคการหลอมละลายเส้นพลาสติก (fused deposition modeling: FDM) ที่เหมาะสม ซึ่งได้ใช้ระเบียบวิธีไฟไนต์เอลิเมนต์เพื่อทำนายคุณสมบัติเชิงกลของโครงสร้างกระดูกที่มีรูปร่าง และขนาดรูพรุนที่เหมาะสม อย่างไรก็ตามวัสดุที่ใช้การศึกษานี้ ได้แก่ พอลีแลคติคแอซิด (polylactic acid: PLA) พอลิคาโพรแลกโตน (polycaprolactone: PCL) และ ไฮดรอกซิลอะพาไทต์ (hydroxyapatite: HA)