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
ปัจจุบันการตรวจจับอารมณ์ของมนุษย์ผ่านการแสดงออกทางใบหน้า (Emotion Detection Using Facial Expression) ได้รับความสนใจมากขึ้น เนื่องจากมีการประยุกต์ใช้อย่างแพร่หลายในหลายด้าน เช่น สุขภาพจิตการศึกษา และการบริการลูกค้า อย่างไรก็ตาม การพัฒนาระบบที่มีความแม่นยำและสามารถทนทานต่อการเปลี่ยนแปลงของสภาพแวดล้อม เช่น การบดบังบางส่วนของใบหน้า หรือสภาพแสงที่ไม่สม่ำเสมอ ยังคงเป็นความท้าทายหลัก โดยเฉพาะการพัฒนาโมเดลที่สามารถทำงานได้ในสภาพแวดล้อมที่หลากหลาย จากการศึกษางานวิจัยเกี่ยวกับ Facial Expression Recognition (FER) ผู้วิจัยพบว่าเทคนิค Frame Attention Network (FAN) ซึ่งเป็นการประยุกต์ใช้กลไก Attention จากงานด้านการประมวลผลภาษาสามารถนำมาใช้เพื่อให้ความสำคัญกับเฟรมที่มีความหมายในวิดีโอ ทำให้ระบบสามารถโฟกัสเฉพาะเฟรมที่แสดงอารมณ์ที่สำคัญได้ ซึ่งส่งผลต่อประสิทธิภาพของโมเดล ทีมวิจัยจึงนำเทคนิคนี้มาปรับปรุงเพื่อเพิ่มความทนทานของระบบในการจัดการสถานการณ์ดังกล่าว เพื่อพัฒนาประสิทธิภาพของระบบให้ดียิ่งขึ้น ทีมวิจัยได้ใช้แนวทาง Ensemble Learning ซึ่งเป็นการรวมผลลัพธ์จากหลายโมเดลที่ถูกฝึกในเงื่อนไขเฉพาะ การใช้ Ensemble ช่วยลดข้อผิดพลาดจากการใช้โมเดลเดียว และเพิ่มความแม่นยำและความน่าเชื่อถือของผลลัพธ์ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่หลากหลาย อย่างไรก็ตาม ทีมวิจัยยังได้ขยายการพัฒนาเพิ่มเติมโดยใช้เทคนิค Multi-Task Learning (MTL) เพื่อให้ระบบสามารถเรียนรู้จากหลายงานพร้อมกัน ซึ่งในงานวิจัยนี้ได้นำ MTL มาใช้ใน Mixture of Experts โดยให้ MTL ทำหน้าที่เป็นกลไก Gating ช่วยเลือกโมเดลที่เหมาะสมกับแต่ละสถานการณ์ เช่น การบดบังใบหน้า ทำให้ระบบสามารถตัดสินใจได้อย่างมีประสิทธิภาพว่าควรใช้โมเดลใดในสภาวะแวดล้อมที่ต่างไป สามารถรักษาความแม่นยำแม้ในสภาวะที่มีความหลากหลายและยังคงรักษาข้อดีในเรื่องของความสามารถในการขยายขนาด (Scaling Up) ได้อย่างมีประสิทธิภาพ
วิทยาเขตชุมพรเขตรอุดมศักดิ์
งานวิจัยนี้เป็นการออกแบบและสร้างเครื่องต้นแบบระบบปัญญาประดิษฐ์ของสรรพสิ่งสำหรับติดตามและควบคุมการให้น้ำพืชโดยใช้ข้อมูลสภาพอากาศ โดยระบบประกอบไป 4 ส่วนสำคัญ คือ ส่วนที่ 1 สถานีตรวจวัดสภาพอากาศ (Weather Station) ประกอบไปด้วยเซ็นเซอร์ต่าง ๆ เช่น อุณหภูมิอากาศ ความชื้นสัมพัทธ์ ความเร็วลม และความยาวนานของแสง เป็นต้น ส่วนที่ 2 หน่วยประมวลผล (Controller Unit) โดยจะมีการติดตั้งอัลกอริทึมหรือแบบจำลองการเรียนรู้ของเครื่องเพื่อใช้ประเมินค่าการคายระเหยน้ำของพืชอ้างอิง (ETo) และจะใช้คำนวณร่วมกับค่าสัมประสิทธิ์การใช้น้ำของพืชนั้น ๆ (Crop Coefficient: Kc) และข้อมูล อื่น ๆ เกี่ยวกับพืชนั้น ๆ เพื่อประเมินปริมาณการใช้น้ำตามความต้องการของพืชโดยอัตโนมัติ ส่วนที่ 3 ส่วนติดต่อผู้ใช้งานและหน้าจอแสดงผล (User Interface (UI) and Display) เป็นส่วนที่ให้เกษตรกรหรือผู้ใช้งานสามารถป้อนข้อมูลเกี่ยวกับชนิดของพืช ชนิดของดินที่ปลูก ประเภท ของระบบการให้น้ำ จำนวนหัวจ่ายน้ำ ระยะปลูก และช่วงการเจริญเติบโตของพืช เป็นต้น และส่วนที่ 4 หน่วยควบคุมและหัวจ่ายน้ำ (Irrigation Unit)
คณะวิศวกรรมศาสตร์
ปัญหาการขาดแคลนน้ำจืดเป็นวิกฤตระดับโลก เนื่องจากปริมาณน้ำจืดที่สามารถใช้ในการอุปโภคได้มีจำกัด ขณะที่ความต้องการใช้น้ำเพิ่มขึ้นอย่างต่อเนื่อง การแยกเกลือออกจากน้ำทะเลเป็นแนวทางสำคัญในการแก้ไขปัญหานี้ อย่างไรก็ตาม กระบวนการดังกล่าวต้องใช้พลังงานสูงและพึ่งพาเชื้อเพลิงฟอสซิล ส่งผลให้ต้นทุนสูงและกระทบต่อสิ่งแวดล้อม งานวิจัยนี้มีจุดประสงค์หลักคือเพื่อศึกษาการใช้พลังงานความร้อนจากตัวเก็บพลังงานแสงอาทิตย์แบบท่อสุญญากาศในการผลิตน้ำจืด โดยใช้กระบวนการระเหยและควบแน่นเพื่อนำน้ำบริสุทธิ์ออกจากสารละลายปนเปื้อน การศึกษานี้มุ่งเน้นการวิเคราะห์ประสิทธิภาพของระบบโดยเปรียบเทียบปริมาณน้ำจืดที่ผลิตได้กับพลังงานที่ใช้ ผลลัพธ์ของงานวิจัยนี้อาจนำไปสู่การพัฒนาเทคโนโลยีการผลิตน้ำจืดที่มีความยั่งยืนและเหมาะสมสำหรับพื้นที่ที่มีทรัพยากรน้ำจืดจำกัด
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
การศึกษานี้มุ่งเน้นการออกแบบ การผลิต และการติดตั้งแนวปะการังเทียมแบบแยกส่วนที่พิมพ์ด้วยเทคโนโลยี 3 มิติ (3DMARs) บริเวณเกาะไข่ จังหวัดชุมพร ประเทศไทย โดยใช้กรอบแนวคิดการคิดเชิงออกแบบ (Design Thinking) ร่วมมือกับบริษัท เอสซีจี จำกัด (มหาชน) และกรมทรัพยากรทางทะเลและชายฝั่ง งานวิจัยนี้กำหนดเกณฑ์การออกแบบและวิธีการติดตั้งโดยใช้การวิเคราะห์เนื้อหาและการวิจัยเชิงคุณภาพ หลักการสำคัญที่ระบุได้ ได้แก่ ความเป็นโมดูลาร์ (Modularity), ความยืดหยุ่น (Flexibility), ความยั่งยืนด้านสิ่งแวดล้อม (Environmental Sustainability) และการใช้งานได้จริง (Usability) โดยใช้แนวทางที่มุ่งเน้นผู้ใช้งานเพื่อให้แนวปะการังเทียมสามารถขนส่งและติดตั้งได้อย่างมีประสิทธิภาพ พร้อมทั้งส่งเสริมการมีส่วนร่วมของชุมชนท้องถิ่นและการปฏิบัติที่ยั่งยืน การออกแบบแบบโมดูลาร์ช่วยให้สามารถขยายขนาดได้ง่าย ส่งเสริมการฟื้นฟูระบบนิเวศทางทะเลและการตั้งถิ่นฐานของตัวอ่อนปะการัง นอกจากนี้ เทคนิคการติดตามผลใต้น้ำยังช่วยให้สามารถเก็บรวบรวมข้อมูลเฉพาะพื้นที่ ซึ่งนำไปสู่การสร้างแบบจำลองดิจิทัลทวิน (Digital Twin) งานวิจัยนี้นำเสนอกรอบแนวทางปฏิบัติสำหรับการฟื้นฟูระบบนิเวศทางทะเล และช่วยเสริมสร้างศักยภาพให้กับชุมชนชายฝั่งในประเทศไทยและในระดับสากล