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
ทุเรียนเป็นพืชเศรษฐกิจที่มีบทบาทสำคัญต่อประเทศไทยในหลายมิติ ทั้งในด้านเศรษฐกิจ การเกษตร และการท่องเที่ยว โดยประเทศไทยเป็นหนึ่งในผู้ผลิตและส่งออกทุเรียนรายใหญ่ของโลก การรักษาคุณภาพของทุเรียนจึงเป็นปัจจัยสำคัญในการรักษาความสามารถในการแข่งขันในตลาดโลก อย่างไรก็ตาม การผลิตทุเรียนให้มีคุณภาพสูงและให้ผลผลิตที่ดีนั้น จำเป็นต้องอาศัยการดูแลรักษาต้นทุเรียนให้แข็งแรงและมีความต้านทานต่อโรคได้อย่างมีประสิทธิภาพ โรคพืชเป็นหนึ่งในปัจจัยสำคัญที่ส่งผลกระทบต่อผลผลิตของทุเรียน ซึ่งอาจเกิดจากปัจจัยแวดล้อม เช่น สภาพดิน น้ำ อากาศ รวมถึงการติดเชื้อจากเชื้อรา แบคทีเรีย และไวรัส โรคโลกที่เกิดได้ง่ายและพบเห็นได้มากที่สุดคือโรคทางใบ เนื่องจากใบมีบทบาทสำคัญต่อกระบวนการสังเคราะห์แสง ซึ่งมีผลต่อการเจริญเติบโตของต้นและคุณภาพของผลผลิต หากไม่มีการตรวจสอบและควบคุมโรคทางใบอย่างเหมาะสม อาจส่งผลให้ผลผลิตลดลง ต้นทุเรียนอ่อนแอ และเพิ่มความเสี่ยงต่อการระบาดของโรคในสวน ปัจจุบันการตรวจสอบและวินิจฉัยโรคในใบทุเรียนยังคงต้องอาศัยผู้เชี่ยวชาญด้านพืช ซึ่งอาจมีข้อจำกัดทั้งในด้านจำนวนบุคลากรและเวลาในการตรวจสอบแปลงปลูกขนาดใหญ่ การนำเทคโนโลยีภาพถ่ายและปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการจำแนกและวินิจฉัยโรคทางใบ จึงเป็นแนวทางในการช่วยเกษตรกรให้สามารถวิเคราะห์และวินิจฉัยโรคได้ด้วยตนเอง ลดความจำเป็นในการพึ่งพาผู้เชี่ยวชาญ และสามารถดำเนินการควบคุมโรคได้อย่างทันท่วงที ด้วยเหตุนี้งานวิจัยนี้จึงมุ่งเน้นไปที่การพัฒนาแบบจำลองการตรวจสอบโรคในใบทุเรียนโดยใช้เทคโนโลยีปัญญาประดิษฐ์ร่วมกับอัลกอริทึมการเรียนรู้เชิงลึก (Deep Learning) เพื่อจำแนกประเภทของโรคที่เกิดขึ้นในใบ โดยมีเป้าหมายเพื่อช่วยเพิ่มประสิทธิภาพในการตรวจสอบโรค ลดต้นทุนและเวลาในการวินิจฉัยโรค และสนับสนุนเกษตรกรให้สามารถบริหารจัดการสวนทุเรียนได้อย่างมีประสิทธิภาพและยั่งยืน
คณะวิศวกรรมศาสตร์
โครงการนี้จัดทำขึ้นเพื่อตอบสนองความต้องการในการพัฒนาทักษะและองค์ความรู้ด้านระบบนิวเมติกส์และการควบคุมอัตโนมัติ ซึ่งเป็นหัวใจสำคัญในอุตสาหกรรมการผลิตในปัจจุบัน โดยระบบนิวเมติกส์มีบทบาทสำคัญในกระบวนการผลิตหลายประเภท เช่น การควบคุมเครื่องจักร อุปกรณ์อัตโนมัติ และระบบสายการผลิต อย่างไรก็ตาม ภาควิชาวิศวกรรมวัดคุมไม่มีห้องปฏิบัติการที่รองรับการศึกษาและทดลองเกี่ยวกับระบบนิวเมติกส์ เนื่องจากอุปกรณ์เดิมที่เคยใช้เกิดการชำรุดและไม่ได้รับการซ่อมแซม ทำให้นักศึกษาขาดโอกาสในการฝึกฝนทักษะที่สำคัญต่อการทำงานในภาคอุตสาหกรรม คณะผู้จัดทำเห็นถึงความจำเป็นในการฟื้นฟูและพัฒนาห้องปฏิบัติการนิวเมติกส์ให้สามารถตอบโจทย์การเรียนการสอนและการวิจัยได้อย่างมีประสิทธิภาพ โดยปริญญานิพนธ์นี้มุ่งเน้นการศึกษาและพัฒนาระบบควบคุมแขนกลอุตสาหกรรมและระบบนิวเมติกส์ ควบคู่ไปกับการบูรณาการเทคโนโลยีสมัยใหม่ เช่น PLC (Programmable Logic Controller) และ AI Vision ซึ่งสามารถนำไปประยุกต์ใช้งานจริงในบริบทอุตสาหกรรม ผลการดำเนินงานในโครงการนี้นอกจากจะช่วยเสริมสร้างความเข้าใจในเทคโนโลยีที่เกี่ยวข้องแล้ว ยังมุ่งหวังที่จะพัฒนาห้องปฏิบัติการให้กลายเป็นแหล่งเรียนรู้ที่สำคัญสำหรับนักศึกษารุ่นปัจจุบันและรุ่นถัดไป รวมถึงเพิ่มขีดความสามารถในการแข่งขันของนักศึกษาในตลาดแรงงาน พร้อมทั้งสนับสนุนการพัฒนานวัตกรรมในอุตสาหกรรมการผลิตต่อไปในอนาคต
คณะเทคโนโลยีการเกษตร
ศึกษาผลของสารก่อกลายพันธุ์ ethyl methane sulfonate (EMS) และสารโคลชิซินในการชักนำให้เกิดการกลายพันธุ์ของเฐญจมาศในสภาพปลอดเชื้อ โดยทำการแช่เนื้อเยื้อเบญจมาศในสารละลายที่รดับความเข้มข้นต่างๆในระยะเวลาที่แตกต่างกัน พบว่า ชิ้นส่วนเริ่มต้นที่แช่สารละลาย EMS ส่งผลต่อลักษณะทางสัณฐานวิทยาที่เปลี่ยนแปลงไป ทั้งสีดอกและรูปทรงของดอก ส่วนสารละลายโคลชิซินส่งผลต่อการเปลี่ยนแปลงของจำนวนโครโมโซม และเพิ่มขนาดของต้นและดอก และตรวจสอบด้วยเครื่องหมายโมเลกุลสามารถแยกความแตกต่าง การใช้สิ่งก่อกลายพันธุ์ร่วมกับการเพาะเลี้ยงเนื้อเยื่อสามารถชักนำให้เกิดลักษณะใหม่ นำไปสู่การพัฒนาพันธุ์เพื่อเป็นไม้ดอกการค้าได้
คณะแพทยศาสตร์
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Deep Convolutional Neural Networks - CNNs) สำหรับการระบุเม็ดยาอย่างแม่นยำ เพื่อแก้ไขข้อจำกัดของการพิสูจน์เอกลักษณ์เม็ดยาด้วยทรัพยากรมนุษย์ โดยใช้ข้อมูลรูปภาพจำนวน 1,250 ภาพ จากยาสามัญประจำบ้าน 10 ชนิด นำมาทดสอบกับโมเดล YOLO ที่แตกต่างกันภายใต้เงื่อนไขต่างๆ ผลการทดลองพบว่า การใช้แสงธรรมชาติให้ผลดีกว่าเมื่อทดสอบด้วยระบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน เมื่อเปรียบเทียบกับแสงจากกล่องสตูดิโอ นอกจากนี้ โมเดล YOLOv5-tiny แสดงความแม่นยำสูงสุดในการตรวจจับเม็ดยา ขณะที่โมเดล EfficientNet_b0 ให้ผลลัพธ์ดีที่สุดในการจำแนกเม็ดยา แม้ว่าระบบโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาขึ้นนี้จะให้ผลลัพธ์ที่น่าพึงพอใจ แต่ยังมีข้อจำกัดในเรื่องชนิดของเม็ดยาและจำนวนภาพที่ใช้ในการศึกษา อย่างไรก็ตาม งานวิจัยนี้มีศักยภาพในการส่งเสริมความปลอดภัยในการใช้ยาทั้งในระบบสาธารณสุขและผู้ป่วยนอก รวมถึงลดปัญหาที่อาจเกิดขึ้นจากการใช้ยาผิดพลาด