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
คณะวิศวกรรมศาสตร์
เนื่องจากสำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงานคณะกรรมการกิจการกระจายเสียง กิจการโทรทัศน์ และกิจการโทรคมนาคมแห่งชาติ (สำนักงาน กสทช.) มีหน้าที่กำกับดูแลและการควบคุมคุณภาพการให้บริการโทรคมนาคมตามมาตรฐานกฎหมาย จึงมีการตรวจสอบคุณภาพการให้บริการโทรคมนาคมผ่านโครงข่ายโทรคมนาคมเคลื่อนที่ส่งผลให้ต้องเก็บข้อมูลของคุณภาพการให้บริการโทรคมนาคมจำนวนมหาศาล โดยโปรแกรม Microsoft Excel ซึ่งโปรแกรมหลักที่สำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงาน กสทช. ใช้ในการประมวลผลวิเคราะห์ข้อมูลที่ผ่านมานั้นประมวลผลได้ช้า ทางผู้จัดพัฒนามีความเห็นว่าในปัจจุบันได้มีนวัตกรรมที่ดีกว่าในการใช้งานเพื่อวิเคราะห์ข้อมูล ผู้พัฒนาเลือกใช้ Python Programing ในการประมวลผล วิเคราะห์ และจัดเตรียมข้อมูลต้นทางจากโปรแกรม Syberiz ของสำนักงาน กสทช. ในรูปของไฟล์ CSV จากนั้นนำไฟล์ที่ได้ไปทำการแสดงผลในรูปแบบของหน้าจอแสดงผล (Dashboard) ซึ่งประกอบไปด้วยส่วนของ กราฟ รายงานผลการทดสอบการให้บริการโทรศัพท์เคลื่อน และแผนที่ เป็นไปตามประกาศมาตรฐานคุณภาพการให้บริการโทรคมนาคมของสำนักงาน กสทช. ในการแสดงผลค่าพารามิเตอร์ต่าง ๆ โดยใช้โปรแกรม Power BI ในการออกแบบส่วนของการแสดงผล ส่งผลให้หน้าจอแสดงผล (Dashboard) ที่ได้นั้นมีความสวยงาม ง่ายต่อการใช้งาน และที่สำคัญคือความเร็วในการแสดงผลที่ดีกว่า Microsoft Excel โดยโครงงานได้ออกแบบเฉพาะเจาะจงเพื่อใช้งานในส่วนของสำนักงานดูแลกิจการโทรคมนาคม (ดท.) ของสำนักงาน กสทช. เท่านั้น
คณะเทคโนโลยีการเกษตร
ทุเรียนเป็นพืชเศรษฐกิจที่สำคัญของประเทศไทยและเป็นสินค้าส่งออกที่มีปริมาณสูงที่สุดในโลก อย่างไรก็ตาม การผลิตทุเรียนให้มีคุณภาพสูงจำเป็นต้องอาศัยการดูแลสุขภาพของต้นทุเรียนให้แข็งแรงและปราศจากโรค เพื่อให้สามารถให้ผลผลิตได้อย่างมีประสิทธิภาพ และลดความเสียหายที่อาจเกิดขึ้นกับทั้งต้นและผลทุเรียน โรคที่พบได้บ่อยและสามารถแพร่กระจายได้อย่างรวดเร็ว มักเป็นโรคที่เกิดขึ้นบริเวณใบ ซึ่งส่งผลกระทบโดยตรงต่อการเจริญเติบโตของต้นทุเรียนและคุณภาพของผลผลิต การตรวจสอบและควบคุมโรคทางใบจึงเป็นปัจจัยสำคัญในการรักษาคุณภาพของทุเรียน งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเทคโนโลยีการวิเคราะห์ภาพถ่ายร่วมกับปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาประยุกต์ใช้ในการจำแนกโรคที่เกิดขึ้นในใบทุเรียน เพื่อให้เกษตรกรสามารถตรวจสอบโรคได้ด้วยตนเองโดยไม่ต้องอาศัยผู้เชี่ยวชาญ โดยจำแนกใบออกเป็น 3 ประเภท ได้แก่ ใบสุขภาพดี (Healthy: H) ใบที่ติดเชื้อแอนแทรคโนส (Anthracnose: A) และใบที่ติดเชื้อจุดสาหร่าย (Algal Spot: S) ทั้งนี้ ได้นำอัลกอริทึม Convolutional Neural Networks (CNN) ได้แก่ ResNet-50, GoogleNet และ AlexNet มาใช้ในการพัฒนาแบบจำลองเพื่อจำแนกประเภทของโรค ผลการทดลองพบว่า แบบจำลองที่ใช้ ResNet-50, GoogleNet และ AlexNet ให้ค่าความแม่นยำในการจำแนกใบเท่ากับ 93.57%, 93.95% และ 68.69% ตามลำดับ
คณะเทคโนโลยีการเกษตร
การทดลองนี้มีวัตถุประสงค์เพื่อศึกษาชนิดของพอลิเมอร์ที่เหมาะสมในการเคลือบร่วมกับสารสกัดคลอโรฟิลล์และคุณภาพของเมล็ดพันธุ์แตงกวาหลังจากการเคลือบ วางแผนการทดลองแบบ Completely Randomized Design (CRD) จำนวน 4 ซ้ำ โดยมี 5 กรรมวิธี ประกอบด้วยเมล็ดพันธุ์ที่เคลือบด้วยพอลิเมอร์ชนิดต่างกัน คือ Polyvinylpyrrolidone, Sodium Alginate, Carboxy Methyl Cellulose, Hydroxypropyl methylcellulose โดยพอลิเมอร์แต่ละชนิดทำการเคลือบร่วมกับ Chlorophyll และมีเมล็ดพันธุ์ที่ไม่เคลือบสารเป็นกรรมวิธีควบคุม ดำเนินการทดลองโดยเตรียมสารเคลือบด้วยการสกัด Chlorophyll จากใบมะม่วง แล้วนำมาเตรียมสารเคลือบโดยนำมาผสมกับพอลิเมอร์แต่ละชนิดที่มีความเข้มข้น 1 เปอร์เซ็นต์ โดยใช้สารสกัด Chlorophyll ที่มีความเข้มข้น 8 เปอร์เซ็นต์ จากนั้นตรวจสอบคุณสมบัติของสารเคลือบแต่ละกรรมวิธี ได้แก่ ความเป็นกรดด่างและความหนืดของสารเคลือบ แล้วจึงนำมาเคลือบเมล็ดพันธุ์แตงกวาด้วยเครื่องเคลือบระบบจานหมุนรุ่น RRC150 ในอัตราสารเคลือบ 1,100 มิลลิลิตรต่อเมล็ดพันธุ์ 1 กิโลกรัม จากนั้นนำมาลดความชื้นให้เมล็ดพันธุ์มีระดับความชื้นเท่ากับระดับความชื้นเริ่มต้นด้วยเครื่องเป่าลมร้อน แล้วตรวจคุณภาพเมล็ดพันธุ์ในลักษณะต่างๆ ได้แก่ ความชื้นของเมล็ดพันธุ์ ความงอกของเมล็ดพันธุ์ที่เพาะในสภาพห้องปฏิบัติการ ดัชนีการงอก และการเรืองแสงของเมล็ดพันธุ์ภายใต้เครื่องฉายแสงอัลตราไวโอเลตแบบพกพารวมถึงตรวจสเปกตรัมการคายแสงด้วยเครื่อง Spectrophotometer ผลการทดลองพบว่าพอลิเมอร์แต่ละชนิดสามารถนำมาใช้เป็นสารก่อฟิล์มร่วมกับคลอโรฟิลล์ได้ ซึ่งมีความเป็นกรด-ด่างและมีความหนืดของสารเคลือบที่เหมาะสม ไม่มีผลต่อคุณภาพของเมล็ดพันธุ์และมีการเรืองแสงที่ผิวของเมล็ดพันธุ์ทั้งการตรวจสอบภายใต้เครื่องฉายแสงอัลตราไวโอเลตแบบพกพาและการตรวจสเปกตรัมการคายแสงภายใต้เครื่อง Spectrophotometer โดยการใช้ HPMC เป็นสารก่อฟิล์มร่วมกับคลอโรฟิลล์ เป็นกรรมวิธีที่เหมาะสมทำให้เมล็ดพันธุ์มีประสิทธิภาพในการเรืองแสงมากที่สุด