โครงงานนี้พัฒนาแพลตฟอร์มที่ใช้คอมพิวเตอร์วิทัศน์วิเคราะห์ภาพจากกล้องวงจรปิดแบบเรียลไทม์ เพื่อตรวจจับการกระทำผิดกฎหมายจราจร เช่น การฝ่าฝืนขับรถเข้าเขตที่มีเส้นทึบ ระบบสามารถระบุและบันทึกเหตุการณ์ละเมิดกฎจราจรโดยอัตโนมัติ ช่วยเพิ่มประสิทธิภาพการบังคับใช้กฎหมายและลดภาระของเจ้าหน้าที่ตำรวจจราจร นอกจากนี้ ยังเป็นส่วนสำคัญในการพัฒนาระบบเมืองอัจฉริยะ โดยบูรณาการข้อมูลเพื่อปรับปรุงการจัดการจราจรและความปลอดภัยบนท้องถนน
ในปัจจุบัน ปัญหาการจราจรและอุบัติเหตุบนท้องถนนเป็นประเด็นสำคัญที่ส่งผลกระทบต่อคุณภาพชีวิตของประชาชนและการพัฒนาเมือง การฝ่าฝืนกฎจราจร โดยเฉพาะการขับรถทับเส้นทึบ เป็นสาเหตุหลักของอุบัติเหตุและการจราจรติดขัด แม้จะมีการติดตั้งกล้องวงจรปิดอย่างแพร่หลาย แต่การตรวจสอบภาพจำนวนมากโดยเจ้าหน้าที่มนุษย์นั้นมีข้อจำกัดด้านประสิทธิภาพและความแม่นยำ ความก้าวหน้าทางเทคโนโลยีคอมพิวเตอร์วิทัศน์และปัญญาประดิษฐ์ เปิดโอกาสให้สามารถพัฒนาระบบอัตโนมัติที่มีประสิทธิภาพสูงในการตรวจจับและวิเคราะห์พฤติกรรมการขับขี่ที่ผิดกฎหมาย การนำเทคโนโลยีเหล่านี้มาประยุกต์ใช้ในการบังคับใช้กฎหมายจราจรจะช่วยเพิ่มความปลอดภัยบนท้องถนน ลดภาระของเจ้าหน้าที่ และสนับสนุนการตัดสินใจเชิงนโยบายด้านการจราจรได้อย่างมีประสิทธิภาพ นอกจากนี้ แนวคิดเรื่องเมืองอัจฉริยะ (Smart City) กำลังได้รับความสนใจอย่างมากในการพัฒนาเมืองสมัยใหม่ การบูรณาการระบบตรวจจับการกระทำผิดกฎจราจรอัตโนมัติเข้ากับโครงสร้างพื้นฐานของเมืองอัจฉริยะ จะช่วยยกระดับการบริหารจัดการเมืองและคุณภาพชีวิตของประชาชน ด้วยเหตุนี้ การพัฒนาแพลตฟอร์มที่ใช้คอมพิวเตอร์วิทัศน์ในการตรวจจับการกระทำผิดกฎจราจรจึงมีความสำคัญอย่างยิ่ง เพื่อแก้ไขปัญหาการจราจร เพิ่มความปลอดภัยบนท้องถนน และสนับสนุนการพัฒนาเมืองอัจฉริยะในอนาคต
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
งานวิจัยนี้เป็นการพัฒนาชาจากเปลือกและเมล็ดของลำไย ประชากรที่ใช้ในการศึกษาครั้งนี้ได้แก่ เกษตรกรผู้ปลูกและแปรรูปผลิตภัณฑ์จากลำไย ในอำเภอวังน้ำเย็น จังหวัดสระแก้ว ผลการศึกษาพบว่าจากกระบวนการผลิตลำไยอบแห้ง จะมีผลิตภัณฑ์ผลพลอยได้คือเปลือกและเมล็ดลำไย ซึ่งสามารถนำมาแปรรูปเป็นชาผงสำเร็จรูปพร้อมดื่มได้ ซึ่งนอกจากจะช่วยลดการเกิดขยะจากกระบวนการผลิต ยังมีส่วนช่วยสร้างรายได้จากผลิตภัณฑ์ผลพลอยได้ดังกล่าวเพิ่มอีกช่องทางหนึ่ง
คณะอุตสาหกรรมอาหาร
-