KMITL Innovation Expo 2025 Logo

การศึกษาคุณสมบัติทางกายภาพของเบอร์เกอร์เเพลนต์เบสจากถั่วลูกไก่ เเละถั่วเเดง

รายละเอียด

ในปัจจุบัน การบริโภคโปรตีนจากพืชได้รับความสนใจเพิ่มขึ้น เนื่องจากมีประโยชน์ต่อสุขภาพและช่วยลดผลกระทบต่อสิ่งแวดล้อม งานวิจัยนี้มุ่งศึกษาคุณสมบัติทางกายภาพและเคมีของถั่วลูกไก่และถั่วแดง รวมถึงพัฒนาสูตรเบอร์เกอร์เนื้อเทียมจากพืชที่มีคุณลักษณะใกล้เคียงกับเบอร์เกอร์จากเนื้อสัตว์ ในด้านรสชาติ เนื้อสัมผัส และคุณค่าทางโภชนาการ การทดลองประกอบด้วยการให้ความร้อนโดยการนึ่ง และวิเคราะห์คุณสมบัติทางกายภาพและเคมี ได้แก่ ค่าเนื้อสัมผัส (Texture) ค่าสี (Color) ค่า Water Activity (aW) ค่าความเป็นกรด-ด่าง (pH) และค่าการอุ้มน้ำและอุ้มน้ำมัน นอกจากนี้ ยังมีการทดสอบทางประสาทสัมผัสเพื่อประเมินความพึงพอใจของผู้บริโภค ผลการศึกษาคาดว่าจะช่วยพัฒนาสูตรเบอร์เกอร์พืชที่มีคุณภาพสูงและสามารถเป็นทางเลือกที่ดีสำหรับผู้บริโภคที่ต้องการลดการบริโภคเนื้อสัตว์ได้

วัตถุประสงค์

ในปัจจุบัน แพลนเบส (Plant-based) หรือโปรตีนจากพืชได้รับความสนใจมากขึ้น เนื่องจากมีประโยชน์ต่อสุขภาพและช่วยลดผลกระทบต่อสิ่งแวดล้อม เมื่อเทียบกับโปรตีนจากเนื้อสัตว์ ซึ่งมีการปล่อยก๊าซเรือนกระจกสูงและใช้ทรัพยากรมาก เช่น น้ำและที่ดิน อย่างไรก็ตาม การผลิตเนื้อสัตว์บางประเภท เช่น โค อาจมีข้อดีต่อระบบนิเวศบางด้านพืชตระกูลถั่ว เป็นแหล่งโปรตีนจากพืชที่สำคัญ เพราะมีคุณค่าทางโภชนาการสูงและช่วยลดการใช้ปุ๋ยเคมีโดยการตรึงไนโตรเจน นอกจากนี้ การบริโภค เบอร์เกอร์จากพืช ยังช่วยลดระดับคอเลสเตอรอล ลดความเสี่ยงต่อโรคหัวใจ เบาหวาน และมะเร็งลำไส้ใหญ่ เนื่องจากมีไขมันอิ่มตัวต่ำและเส้นใยอาหารสูงในด้าน ความยั่งยืน การลดการบริโภคเนื้อสัตว์และหันมาใช้พืชตระกูลถั่วในผลิตภัณฑ์ทดแทนเนื้อ เช่น เบอร์เกอร์จาก ถั่วลูกไก่ และถั่วแดง สามารถช่วยลดผลกระทบต่อสิ่งแวดล้อมได้การวิจัยนี้ มุ่งเน้นศึกษาคุณสมบัติทางกายภาพและเคมีของถั่วทั้ง 2 ชนิด รวมถึงการพัฒนาสูตร เบอร์เกอร์เนื้อเทียม เพื่อให้มีรสชาติ เนื้อสัมผัส และคุณค่าทางโภชนาการที่ใกล้เคียงกับเนื้อสัตว์ และตอบโจทย์กลุ่มผู้บริโภคที่ต้องการลดการบริโภคเนื้อสัตว์

นวัตกรรมอื่น ๆ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน  ต่อการบดบังบางส่วน

คณะเทคโนโลยีสารสนเทศ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน ต่อการบดบังบางส่วน

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

ระบบเว็บอัจฉริยะสำหรับการคัดเลือกพนักงานด้วยปัญญาประดิษฐ์

คณะวิทยาศาสตร์

ระบบเว็บอัจฉริยะสำหรับการคัดเลือกพนักงานด้วยปัญญาประดิษฐ์

การสรรหาบุคลากรเป็นกระบวนการสำคัญที่ช่วยให้องค์กรสามารถคัดเลือกบุคลากรที่มีคุณสมบัติตรงตามความต้องการของตำแหน่งงาน อย่างไรก็ตาม กระบวนการนี้มักเผชิญกับปัญหาด้านการจัดการข้อมูล ความล่าช้า และอคติของมนุษย์ งานวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบและพัฒนาเว็บแอปพลิเคชันอัจฉริยะสำหรับการสรรหาพนักงานโดยใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อช่วยประเมินและให้คะแนนความเหมาะสมของผู้สมัครกับตำแหน่งงาน โดยใช้เทคนิคการวิเคราะห์ข้อมูลจากประวัติย่อ (Resume) และกระบวนการจับคู่คุณสมบัติตามเกณฑ์ที่กำหนด ระบบที่พัฒนาขึ้นตามหลักการอาไจล์ (Agile ) ใช้เทคโนโลยีการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ในการวิเคราะห์ประวัติย่อ พิจารณาคุณสมบัติ ทักษะ และประสบการณ์ของผู้สมัคร พร้อมทั้งใช้การเรียนรู้ของเครื่อง (Machine Learning) ในการคาดการณ์และจัดลำดับความเหมาะสม ระบบสามารถรวบรวมข้อมูลจากหลายแหล่งให้อยู่ในฐานข้อมูลเดียวกัน เพื่อลดความซ้ำซ้อนและข้อผิดพลาดจากการป้อนข้อมูล และนำเสนอข้อมูลผ่านแดชบอร์ดเพื่อให้ฝ่ายทรัพยากรบุคคลสามารถตัดสินใจได้อย่างมีประสิทธิภาพ

สมการฝุ่นพิษ

คณะวิทยาศาสตร์

สมการฝุ่นพิษ

ปัญหามลพิษทางอากาศ โดยเฉพาะฝุ่นละอองขนาดเล็ก PM2.5 เป็นปัญหาสำคัญที่ส่งผลกระทบต่อสุขภาพและสิ่งแวดล้อมในกรุงเทพมหานคร โครงการนี้มีวัตถุประสงค์เพื่อวิเคราะห์และระบุปัจจัยที่มีอิทธิพลต่อระดับของ PM2.5 มากที่สุด โดยใช้ข้อมูลคุณภาพอากาศ สภาพอากาศ และปัจจัยแวดล้อมอื่น ๆ ที่เกี่ยวข้อง เพื่อตรวจสอบว่าปัจจัยใด เช่น อุณหภูมิ ความชื้น ความเร็วลม หรือมลพิษจากแหล่งอื่น มีผลต่อความผันผวนของ PM2.5 ผลการศึกษานี้จะช่วยให้สามารถระบุปัจจัยสำคัญที่ส่งผลต่อปริมาณฝุ่น PM2.5 ได้อย่างเป็นระบบ ซึ่งสามารถนำไปใช้เป็นข้อมูลพื้นฐานสำหรับหน่วยงานภาครัฐ นักวิจัย และประชาชนทั่วไปในการวางแผนรับมือและลดผลกระทบจากมลพิษทางอากาศ นอกจากนี้ ผลลัพธ์ที่ได้ยังสามารถนำไปใช้สนับสนุนการตัดสินใจในการกำหนดนโยบายและมาตรการต่าง ๆ เพื่อปรับปรุงคุณภาพอากาศและสุขภาพของประชาชนในระยะยาว