งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการหมักร่วม (Co-fermentation) ระหว่างแบคทีเรียกรดแลคติก (Lactic Acid Bacteria, LAB) และยีสต์ Saccharomyces cerevisiae ในการผลิตเบียร์เปรี้ยว (Sour Beer) โดยมุ่งเน้นผลกระทบของการหมักร่วมต่อคุณภาพของผลิตภัณฑ์ ได้แก่ ค่า pH ปริมาณกรดอินทรีย์ ปริมาณน้ำตาล และคุณลักษณะทางประสาทสัมผัส ในการทดลอง ใช้แบคทีเรียกรดแลคติกสายพันธุ์ที่คัดเลือก และยีสต์ S. cerevisiae ในสภาวะการหมักที่ควบคุม อัตราส่วนของจุลินทรีย์ถูกปรับให้เหมาะสมเพื่อส่งเสริมการเจริญเติบโตและการสร้างสารสำคัญ ผลการทดลองพบว่า การหมักร่วมสามารถลดค่า pH ได้อย่างมีนัยสำคัญเมื่อเทียบกับการหมักด้วยยีสต์เพียงอย่างเดียว นอกจากนี้ ยังมีการเพิ่มขึ้นของกรดแลคติกเนื่องจากการใช้น้ำตาลของเชื้อLAB ซึ่งส่งผลต่อรสชาติที่เป็นเอกลักษณ์ของเบียร์เปรี้ยว
เบียร์เปรี้ยว (Sour Beer) เป็นเบียร์ประเภทหนึ่งที่มีรสเปรี้ยวเฉพาะตัว ซึ่งเกิดจากกระบวนการหมักที่ต่างจากเบียร์ทั่วไป ความเปรี้ยวของ เบียร์เปรี้ยวเกิดจากการใช้แบคทีเรียกรดแลกติก (Lactic acid bacteria) และยีสต์เช่น Lactobacillus และ Pediococcus,ในการหมักเพิ่มทางเลือกให้กับผู้บริโภค Sour Beer เป็นตัวเลือกที่น่าสนใจสำหรับคนที่ต้องการประสบการณ์รสชาติใหม่ๆ แตกต่างจากเบียร์รสขมทั่วไป โดยมีทั้งรสเปรี้ยวที่เบาและรสเข้มข้น การหมักและกระบวนการผลิตเฉพาะทาง การทำ Sour Beer ต้องใช้ความรู้และเทคนิคพิเศษทำให้ต้องมีการควบคุมกระบวนการหมักอย่างใกล้ชิดซึ่งส่งเสริมการพัฒนาทักษะและนวัตกรรมในอุตสาหกรรมการผลิตเบียร์ ผู้ผลิตต้องเข้าใจลักษณะของจุลินทรีย์ที่ใช้และรู้จักการควบคุมรสชาติ ทำให้ Sour Beerมีความสำคัญในการพัฒนาอุตสาหกรรมเบียร์ไปสู่ความสร้างสรรค์ใหม่ๆ
วิทยาเขตชุมพรเขตรอุดมศักดิ์
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)
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
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