บริษัทมิตซูบิชิ มอเตอร์ส (ประเทศไทย) จำกัด เป็นบริษัทที่มีนโยบายเกี่ยวกับความปลอดภัย คือ ความเสี่ยงเป็นศูนย์ อุบัติเหตุเป็นศูนย์ และบริษัทมีการเก็บสถิติของอุบัติเหตุที่เกิดขึ้นภายในโรงงานเมื่อปี พ.ศ.2567ที่ผ่านมามีการเกิดอุบัติเหตุทั้งหมด 5 ครั้ง โดยหนึ่งในนั้นเป็นอุบัติเหตุที่เกิดขึ้นที่สายการประกอบที่อยู่ในการดูแลของแผนก Production Engineer Assembly ที่ดิฉันได้ฝึกงานอยู่ ดิฉันจึงมีการนำปัญหานี้มาแก้ไข โดยการวิเคราะห์ปัญหา แจกแจง เลือกวิธีการแก้ไขปัญหา จนได้มาเป็นการใช้ระบบกล้องวงจรปิดที่ใช้เทคโนโลยีปัญญาประดิษฐ์ เข้ามาตรวจจับพฤติกรรมของพนักงาน เพื่อป้องกันการเกิดเหตุการณ์ที่จะมีความเสี่ยงเกิดขึ้น โดยการสอนปัญญาประดิษฐ์ด้วยภาพที่มีการทำงานผิดปกติของพนักงาน หรือความผิดปกติของอุปกรณ์จำพวกสายพาน, ลิฟท์ขากรรไกร, พาเลท (pallet) จากนั้นถึงออกแบบแนวคิดการพัฒนาซอฟต์แวร์(Software) จนทำ ให้ระบบกล้องวงจรปิดที่ใช้เทคโนโลยีปัญญาประดิษฐ์ สามารถตรวจจับได้ ส่งผลให้หลังจากการติดตั้ง ไม่เกิดอุบัติเหตุในบริเวณนั้นอีก ป้องกันการเกิดอุบัติเหตุ ลดการสูญเสียที่จะเกิดขึ้น ไม่ว่าจะเป็นค่าใช้จ่ายจากการเกิดอุบัติเหตุ การเทรนพนักงานใหม่ ทรัพยากรที่ใช้ในการทำงาน หรืออื่นๆอีกมากมาย
จากอุบัติเหตุที่เกิดขึ้นเมื่อวันที่ 6 กันยายน ค.ศ. 2023 ลิฟท์ขากรรไกรตัวที่ 1 ที่กระบวนการประกอบ ณ ตำแหน่ง 4A92 Engine dress up โดยปกติสายพานจะลำเลียงพาเลทมาบนตัวลิฟท์ขากรรไกรแล้วมีเซนเซอร์ (senser) ตรวจจับการมีอยู่ของพาเลท และเคลื่อนที่ขึ้น-ลงตามขั้นตอนที่การวางไว้แต่มีความผิดปกติกับตัวลิฟท์ ขากรรไกรในวันดังกล่าวคือมีพาเลทเคลื่อนที่ติดกันมาจากด้านล่างของสายพาน (โดยปกติจะมีระยะห่างระหว่างกันที่พอสมควร) ทำให้ตัวหยุดด้านล่างไม่สามารถหยุดพาเลทได้ ทำให้เมื่อพาเลทที่ 1 เคลื่อนที่มาบนลิฟท์ขากรรไกรแล้วมีเซนเซอร์ตรวจจับทำให้ลิฟท์ขากรรไกร เคลื่อนที่ขึ้นพาเลทที่ 2 เลยเคลื่อนที่ขึ้นมาด้วย ทำให้ติดอยู่ระหว่าง สายพาน และเอกซ์ลิฟท์ เมื่อคนงานเห็นจึงรีบมาแก้ไขโดยการนำมือเข้าไปผลักพาเลทที่ 2 พอมันหลุดออกเอกซ์ลิฟท์ จึงทำงานปกติและเคลื่อนที่ขึ้น ทำให้หนีบมือคนงานจนทำให้กระดูกนิ้วมือร้าว จึงเป็นที่มาของการทำโครงงานสหกิจนี้ขึ้นมา เพื่อป้องกันเหตุการณ์ความเสี่ยงที่จะเกิดขึ้นในอนาคต โดยการนำปัญหาที่ได้มาวิเคราะห์ และเลือกวิธีหรืออุปกรณ์ที่จะนำมาแก้ไขปัญหา พอได้อุปกรณ์ที่มีความเหมาะสมแล้วคือ ระบบกล้องวงจรปิดที่ใช้เทคโนโลยีปัญญาประดิษฐ์ (AI Camera) จากนั้นออกแบบแนวคิดของซอฟต์แวร์ที่จะนำไปเชื่อมต่อกับและเชื่อมกับระบบ Pokayoke เพื่อป้องกันความผิดพลาดที่จะเกิดขึ้นกับสายการผลิตและประกอบรถยนต์ จากนั้นนำตัวซอฟต์แวร์ของปัญญาประดิษฐ์มาสอนด้วยเหตุการณ์ผิดปกติทั้งหมดที่อาจจะเกิดขึ้นได้เพื่อให้เกิดการเรียนรู้ และสามารถตรวจจับได้ในภายหลัง
วิทยาลัยเทคโนโลยีและนวัตกรรมวัสดุ
ปัญหาด้านการตกต่ำด้านราคาของผลผลิตผลไม้ประเภทมะม่วงเป็นปัญหาสำคัญในปัจจุบัน โดยเฉพาะอย่างยิ่งกับมะม่วงพันธุ์มหาชนกที่มีการเติบโตในการส่งออกอย่างมากเมื่อเทียบกับมะม่วงสายพันธุ์อื่น เนื่องจากเป็นมะม่วงที่มีสีสันสวยงาม มีกลิ่นหอม ปัญหาการตกต่ำด้านราคาเกิดจากมีผลผลิตที่ไม่ผ่านเกณฑ์คุณภาพการส่งออกทำให้เกิดผลผลิตที่ไม่ผ่านคุณภาพนำกลับมาขายในประเทศในราคาถูก บางกรณีเกษตรกรจำเป็นต้องละทิ้งผลผลิตดังกล่าว จากปัญหาที่เกิดขึ้นจึงมีแนวคิดนำมะม่วงดังกล่าวมาสกัดสารหอมระเหยจากเปลือกของมะม่วงเพื่อจะคงสภาพสารระเหยและนำไปพัฒนาเป็นผลิตภัณฑ์ต้นแบบด้านกลิ่นรวมทั้งการศึกษาปัจจัยทางแสงที่ส่งผลต่อการแสดงสีผิวเปลือกเพื่อทำการเปลี่ยนแปลงสีบนผิวเปลือกผลไม้ให้มีความโดดเด่นจากธรรมชาติความสวยงามของผลมะม่วงที่มีสีสม่ำเสมอด้วยปัจจัยทางแสงที่มีความยาวคลื่นและพลังงานที่แตกต่างกัน โดยการศึกษาการเปลี่ยนแปลงเปลือกนอกเมื่อได้รับแสงโดยไม่ได้เกิดจากการสุกของผลมะม่วง องความรู้ที่ได้สามารถต่อยอดไปสู่การสร้างระบบนวัตกรรมต้นแบบ และสามารถนำเสนอนวัตกรรมที่ได้ต่อยอดสู่เกษตรกรหรือผู้ประกอบการที่สนใจและเพื่อประยุกต์ใช้งานด้านต่าง ๆ ต่อไป
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
---
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