KMITL Expo 2026 LogoKMITL 66th Anniversary Logo

โดรนสำหรับการส่งมอบอุปกรณ์การแพทย์

โดรนสำหรับการส่งมอบอุปกรณ์การแพทย์

รายละเอียด

หนึ่งในปัจจัยที่สำคัญที่สุดในการตอบสนองต่อกรณีทางการแพทย์คือเวลาการตอบสนอง โดยทั่วไปแล้ว ความเสียชีวิตส่วนใหญ่เกิดจากผู้ป่วยไม่สามารถไปถึงมือแพทย์ได้ทันเวลา นอกจากนี้ยังรวมถึงการมาถึงของอุปกรณ์การแพทย์ในที่เกิดเหตุ สมองของมนุษย์จะเริ่มเสื่อมลงหลังจากขาดออกซิเจนเป็นเวลา 3 นาที ซึ่งวิธีการขนส่งทางถนนที่หน่วยปฐมพยาบาลใช้อยู่ในปัจจุบันไม่สามารถไปถึงที่เกิดเหตุได้ภายใน 3 นาที ส่งผลให้มีการเสียชีวิตระหว่างการขนส่งหรือก่อนหน่วยปฐมพยาบาลจะมาถึงที่เกิดเหตุ ดังนั้นจึงได้มีการสำรวจการขนส่งอุปกรณ์การแพทย์ด้วยอากาศยานที่ควบคุมด้วยตนเองโดยอัตโนมัติ ซึ่งสามารถทำได้ผ่านการจัดส่งด้วยโดรนที่รวดเร็วกว่าใช้วิธีการทางถนน เนื่องจากอุปกรณ์สามารถบินตรงไปยังที่เกิดเหตุได้ ในโครงการนี้ เราจะสำรวจระบบการส่งมอบทางอากาศสำหรับอุปกรณ์การแพทย์ เช่น เครื่องกระตุ้นหัวใจอัตโนมัติ (AEDs) อุปกรณ์ปฐมพยาบาล และอุปกรณ์การแพทย์ขนาดเล็กอื่น ๆ ที่ร้องขอ เราจะทำสิ่งนี้ผ่านแพลตฟอร์มโดรนของ DJI และแอปพลิเคชัน SDK ของพวกเขา เป้าหมายหลักของโครงการนี้คือการลดเวลาการตอบสนองโดยการใช้โดรนอัตโนมัติเพื่อส่งมอบอุปกรณ์การแพทย์ เราพบว่าโดรนเป็นแพลตฟอร์มที่สามารถส่งมอบเครื่องกระตุ้นหัวใจไปยังผู้ป่วยได้อย่างมีประสิทธิภาพผ่านข้อมูลการบินที่รวบรวมและการทดสอบเบื้องต้น ซึ่งให้แพลตฟอร์มที่ยอดเยี่ยมสำหรับการพัฒนาระบบในอนาคต

วัตถุประสงค์

หนึ่งในสาเหตุที่ทำให้ผู้ป่วยทั่วโลกเสียชีวิตมากที่สุดเกิดจากสภาวะหรือโรคที่มีอาการที่ไม่สามารถคาดการณ์ได้และเกิดขึ้นอย่างกะทันหัน เช่น โรคหัวใจขาดเลือด โรคหลอดเลือดสมอง และโรคปอดอุดกั้นเรื้อรัง ผู้ป่วยอาจไม่มีสัญญาณว่าต้องการความช่วยเหลือทางการแพทย์ก่อนที่จะเกิดอาการ ซึ่งทำให้ยากในการตัดสินใจว่าต้องการความช่วยเหลือทางการแพทย์หรือไม่ ตัวอย่างหนึ่งของสถานการณ์นี้คือการหยุดหายใจนอกโรงพยาบาล (OHCA) ซึ่งมีเพียง 8.8% ของผู้ป่วยเท่านั้นที่สามารถกลับบ้านได้ หากไม่มีการตรวจติดตามผู้ป่วยหรือการตรวจติดตามคลื่นไฟฟ้าหัวใจอย่างต่อเนื่อง แทบไม่มีวิธีใดที่สามารถทำนายได้ว่าเมื่อใดที่ผู้ป่วยจะเกิดอาการหยุดหายใจ เนื่องจากอาการที่เกิดขึ้นอย่างกะทันหันเหล่านี้ การตอบสนองเพื่อลงมือให้ความช่วยเหลือทางการแพทย์กับผู้ป่วยในที่เกิดเหตุจะต้องทำอย่างรวดเร็วที่สุด เนื่องจากโอกาสในการฟื้นตัวสมบูรณ์จะลดลงอย่างมากเมื่อเวลาการตอบสนองเพิ่มขึ้น โดยปกติแล้ว โอกาสในการรอดชีวิตในกรณี OHCA ที่มีจังหวะการทำงานของหัวใจที่สามารถช็อกได้จะลดลง 10% ต่อหนึ่งนาที หลังจากขาดออกซิเจน สมองของมนุษย์จะเริ่มเสื่อมลงหลังจาก 1 นาที และเข้าสู่สภาวะเสียหายของเซลล์ประสาทในระดับกว้างภายใน 3 นาที ดังนั้น ช่วงเวลา 3 นาทีนี้จึงมีความสำคัญอย่างยิ่ง เนื่องจากความตายจะใกล้เข้ามาในเวลา 5 นาที [5] ด้วยเทคโนโลยีการตอบสนองฉุกเฉินในปัจจุบัน เวลาการตอบสนองนี้กำลังถึงขีดจำกัดเนื่องจากปัจจัยจำกัดขนาดใหญ่อย่างการจราจรติดขัดซึ่งทำให้เวลาการตอบสนองไม่แน่นอน [6] เนื่องจากข้อจำกัดเหล่านี้กับเทคโนโลยีรถพยาบาลและการตอบสนองฉุกเฉินในปัจจุบัน โครงการนี้มีเป้าหมายเพื่อสำรวจตัวเลือกการขนส่งอื่น ๆ โดยเฉพาะการขนส่งทางอากาศโดยใช้ยานพาหนะทางอากาศอัตโนมัติหรือโดรน เมื่อเปรียบเทียบกับการขนส่งทางถนน เส้นทางการขนส่งทางอากาศไม่มีข้อจำกัดเรื่องการจราจรติดขัด และเส้นทางสามารถตรงมากขึ้น โดยข้ามการจราจรและแยกที่หนาแน่นทั้งหมด นอกจากนี้ยังปลอดภัยกว่าในการขนส่งอุปกรณ์ เนื่องจากมีปัจจัยที่หยุดการขนส่งน้อยลง สิ่งนี้จะช่วยปรับปรุงเวลาการตอบสนองของอุปกรณ์ต่าง ๆ เช่น AEDs EpiPens และชุดปฐมพยาบาล ซึ่งสามารถใช้งานได้โดยทุกคนในพื้นที่ใกล้เคียง สิ่งนี้อาจถือว่าเป็นการช่วยชีวิตที่สำคัญ

นวัตกรรมอื่น ๆ

APS Evolution: นวัตกรรมการจอดรถอัตโนมัติที่ตอบโจทย์ผู้ใช้อย่างยั่งยืน

คณะบริหารธุรกิจ

APS Evolution: นวัตกรรมการจอดรถอัตโนมัติที่ตอบโจทย์ผู้ใช้อย่างยั่งยืน

ปัจจุบันปัญหาที่จอดรถในเขตเมืองเป็นปัจจัยสำคัญที่ส่งผลต่อความแออัดของจราจร การบริหารพื้นที่ และสิ่งแวดล้อม ระบบจอดรถอัตโนมัติ (Automated Parking System: APS) เป็นนวัตกรรมที่ช่วยเพิ่มประสิทธิภาพในการใช้พื้นที่ ลดระยะเวลาค้นหาที่จอด และลดการปล่อยก๊าซเรือนกระจก งานวิจัยนี้ศึกษาพฤติกรรมและปัจจัยที่ส่งผลต่อการยอมรับเทคโนโลยี APS โดยใช้กรอบแนวคิด UTAUT2 และตัวแปรสำคัญ เช่น ความคาดหวังด้านประสิทธิภาพ (Performance Expectancy), ความง่ายในการใช้งาน (Effort Expectancy), อิทธิพลทางสังคม (Social Influence), ความเชื่อมั่นในเทคโนโลยี (Trust in Technology) และจิตสำนึกด้านสิ่งแวดล้อม (Environmental Consciousness) โดยโครงการ APS Evolution นำเสนอโซลูชันการจอดรถอัจฉริยะที่ช่วยเพิ่มประสิทธิภาพการใช้พื้นที่ ลดผลกระทบต่อสิ่งแวดล้อม และสร้างประสบการณ์การใช้งานที่ดีขึ้นสำหรับผู้ใช้ในเมือง โดยมุ่งเน้น การพัฒนาเทคโนโลยีที่ตอบโจทย์พฤติกรรมผู้ใช้และการบริหารจัดการเมืองอัจฉริยะ

การเปรียบเทียบประสิทธิภาพของวิธีการเรียนรู้ด้วยเครื่องจากข้อมูลอนุกรมเวลาโดยวิธีการช่วงเวลาที่ช้ากว่ากัน

คณะวิทยาศาสตร์

การเปรียบเทียบประสิทธิภาพของวิธีการเรียนรู้ด้วยเครื่องจากข้อมูลอนุกรมเวลาโดยวิธีการช่วงเวลาที่ช้ากว่ากัน

ปัญหาพิเศษนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของวิธีการเรียนรู้ด้วยเครื่อง ในการพยากรณ์ข้อมูลอนุกรมเวลา โดยใช้วิธีช่วงเวลาที่ล่าช้ากว่ากัน แบ่งออกเป็น 3 ช่วงเวลา คือ ช่วงเวลาที่ช้ากว่ากัน 10 หน่วย ช่วงเวลาที่ช้ากว่ากัน 15 หน่วย และช่วงเวลาที่ช้ากว่ากัน 20 หน่วย มาใช้เป็นตัวแปรอิสระ และใช้วิธีการเรียนรู้ด้วยเครื่องมีทั้งหมด 4 วิธี ได้แก่ วิธีต้นไม้ตัดสินใจ วิธีป่าสุ่ม วิธีเพื่อนบ้านใกล้เคียงสุด K อันดับ และวิธีซัพพอร์ตเวกเตอร์แมชชีน โดยการจำลองข้อมูลอนุกรมเวลาที่เป็นตัวแปรอิสระที่มีลักษณะหลากหลาย ได้แก่ ข้อมูลที่มีลักษณะการเดินแบบสุ่ม ข้อมูลที่มีลักษณะมีแนวโน้ม และข้อมูลที่มีลักษณะไม่เชิงเส้น ซึ่งมีขนาดตัวอย่าง 100, 300, 500 และ 700 วิธีดำเนินการวิจัยนี้ทำการแบ่งข้อมูลเป็นฝึกฝน 90% และข้อมูลทดสอบ 10% โดยใช้โปรแกรมอาร์ในการจำลองและวิเคราะห์ข้อมูล โดยทำซ้ำเป็นจำนวน 1000 รอบ และทำการหาค่าเฉลี่ยของค่าคลาดเคลื่อนกำลังสองเฉลี่ย และค่าเฉลี่ยของค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ที่ต่ำที่สุดเพื่อแสดงว่าวิธีใดดีที่สุด ผลการวิจัยพบว่าข้อมูลมีลักษณะการเดินแบบสุ่มวิธีที่ดีสุด คือวิธีป่าสุ่มและวิธีซัพพอร์ตเวกเตอร์แมชชีน ข้อมูลมีลักษณะแนวโน้มวิธีที่ดีสุด คือวิธีป่าสุ่มและข้อมูลมีลักษณะไม่เชิงเส้นวิธีที่ดีสุด คือวิธีซัพพอร์ตเวกเตอร์แมชชีน และเมื่อนำมาทดสอบกับข้อมูลจริง พบว่าข้อมูลค่าเงิน 1 ยูโร ต่อบาทวิธีที่ดีสุด คือวิธีป่าสุ่มและวิธีซัพพอร์ตเวกเตอร์แมชชีน ข้อมูลดัชนี S&P 500 ในรูปของดอลลาร์สหรัฐวิธีที่ดีสุด คือวิธีป่าสุ่ม และข้อมูลดัชนี Bank of America Corp ในรูปของดอลลาร์สหรัฐวิธีที่ดีสุด คือวิธีซัพพอร์ตเวกเตอร์แมชชีน

ระบบตรวจจับและระบุตำแหน่งผลมะม่วงแบบสามมิติ

คณะวิศวกรรมศาสตร์

ระบบตรวจจับและระบุตำแหน่งผลมะม่วงแบบสามมิติ

การประเมินผลผลิตของผลมะม่วง และพฤติกรรมของผู้บริโภคที่มีความตระหนักถึงที่มาของผลผลิตมากยิ่งขึ้น ต้องการตรวจสอบย้อนกลับถึงที่มาของผลผลิตว่าผลผลิตนั้นๆได้รับการดูแลมาอย่างไรผ่านการระบุตำแหน่งของผลนั้นๆ ความเกี่ยวเนื่องกันถึงลักษะของผลผลิตที่เป็นผลมาจากวิธีการดูแลผลหรือต้นของผลผลิตในขณะที่ยังไม่ถูกเก็บเกี่ยว ดังนั้นเพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model และเพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ มีการใช้โมเดล YOLOv8 เพื่อ Object detection ร่วมกับเทคนิคการสอบเทียบกล้อง (Camera Calibration) และ Triangulation เพื่อหาตำแหน่ง 3 มิติ ของผลมะม่วงในภาพที่ถูกตรวจจับได้ จากการทำการทดลองหาตำแหน่งทั้งหมด 125 ครั้ง ที่มีการสุ่มค่าตำแหน่งของผลมะม่วง และตำแหน่งของกล้องที่มีมุม Yaw และ Pitch ที่แตกต่างกัน โดยการใช้ค่า Parameter จากรูปที่ถ่ายถัดไปมาเปรียบเทียบกันเพื่อหาตำแหน่งจริง 3 มิติ ที่ได้ผลความถูกต้องที่..... จากการใช้โมเดล YOLOv8 ที่มีค่าทำนาย Precision, Recall, mAP50, mAP50-95 และ F1-Score ได้แก่ 0.928, 0.901, 0.965, 0.785 และ 0.914 ตามลำดับ ซึ่งมีความแม่นยำที่มากพอเพื่อทำนายตำแหน่งของผลมะม่วงที่มีความคลาดเคลื่อนประมาณ 38 เซนติเมตร