โปรเจคนี้มีเป้าหมายในการพัฒนาต้นแบบของระบบเล็งอาวุธที่จำลองเป็นปืนต่อต้านอากาศยาน โดยใช้กล้องออปติคอลเพื่อตรวจจับวัตถุที่เคลื่อนที่และคำนวณวิถีแบบ Real time ผลลัพธ์ที่ได้นั้นจะส่งไปยังเลเซอร์พอยน์เตอร์บนมอเตอร์ 2 แกนหมุน แบบ degrees of freedom(DoF) ส่งผลให้สามารถเล็งไปยังเป้าหมายที่คาดการณ์ไว้ได้ ระบบนี้ถูกสร้างขึ้นบนแพตฟอร์มของ Raspberry Pi 4 ร่วมกับซอฟแวร์ machine vision โปรแกรมการ tracking นั้นถูกพัฒนาภายใต้ไลบรารีของ OpenCV โดยอาศัย color detections algorithms ผลการทดลองตอนนี้สามารถตรวจจับการเคลื่อนไหวของลูกเทนนิสแบบ real time ที่อัตรา 30 เฟรมต่อวินาที(fps) ขณะนี้โปรเจคอยู่นขั้นตอนการออกแบบและทดลองกับระบบแมคคานิคเพื่อควบคุมเลเซอร์พอยน์เตอร์ให้แม่นยำ โปรเจคนี้มีการนำความรู้ทางด้านอิเล็กทรอนิกส์(computer programing) และวิศวกรรมเครื่องกล(การควบคุมมอเตอร์)มาใช้งาน
โปรเจคนี้เกิดจากความสนใจในการพัฒนาระบบที่มีการผสมผสานของ Machine Vision และระบบความคุมกลไกมอเตอร์ 2 แกนแบบ Degrees of Freedom(DoF) เพื่อพัฒนาอุปกรณ์ต้นแบบที่สามารถตรวจจับ ติดตาม และเล็งเป้าหมายได้อย่างมีแม่นยำ ซึ่งหวังเป็นอย่างยิ่งว่าโปรเจคนี้จะมีประโยชน์ต่องานในอนาคตต่างๆที่เกี่ยวข้อง ไม่ว่าจะเป็น ทางการทหาร ทางการแพทย์ หรือทางอุตสาหกรรม
คณะวิทยาศาสตร์
เครื่องกำเนิดสถานะพลาสมาชนิดอาร์คโดยตรง 6 หัว การประยุกต์ใช้เทคโนโลยีของพลาสมา และความคืบหน้าของนิวเคลียร์ฟิวชันและโทคามัคประเทศไทย
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
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