ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
ในงานนี้เราได้เสนอการใช้อัลกอริทึมการเรียนรู้ของเครื่องที่ทำการแบ่งอัลกอริทึมได้เป็น 2 ประเภท คือ แบบตื้นและแบบลึกมาทดสอบประสิทธิภาพโดยแบบตื้นมีมีอัลกอริทึม Support Vector Machine (SVM) และ XGBoost แบบลึกมีอัลกอริทึม 1D-CNN และ Long Short-Term Memory (LSTM) เราพิจารณาข้อมูลการสังเกตที่ได้จากฐานข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) ที่เป็นดาวแปรแสงในพื้นที่ Large Magellanic Cloud (LMC) ด้วยกล้องโทรทรรศน์ขนาด 1.3-m Warsaw ที่ติดตั้งที่หอดูดาวลาสคัมปานัส ประเทศชิลี ข้อมูลนี้ประกอบด้วยการสังเกตดาวแปรแสงมากกว่าหนึ่งแสนครั้งโดยพิจารณาจากกราฟแสง และใช้ข้อมูลสถิติต่างๆ เช่น Accuracy, Precision, Recall, F1-score, AUG, mPa, mcc และ kappa ซึ่งงานวิจัยนี้มีจุดมุ่งหมายเพื่อที่จะทดสอบประสิทธิภาพในการจำแนกประเภทของดาวแปรแสงโดยใช้ข้อมูลการวิเคราะห์ light curve ด้วยเทคนิคการเรียนรู้ของเครื่องทั้งสองประเภท เพื่อให้เห็นถึงความเข้าใจในลักษณะและพฤติกรรมของดาวแปรแสง ซึ่งใช้ในประโยชน์ต่างๆ เช่น ความรู้ในด้านดาราศาสตร์ฟิสิกส์หรือการค้นพบดาวเคราะห์ดวงใหม่ๆ และการป้องกันภัยจากดาวแปรแสงมีอาจจะมีผลกระทบต่อโลก อีกทั้งในเรื่องการประหยัดเวลาและทรัพยากรในการที่จะจำแนกประเภทดาวแปรแสงอย่างมีระบบและมีประสิทธิภาพ
คณะวิศวกรรมศาสตร์
การประเมินผลผลิตของผลมะม่วง และพฤติกรรมของผู้บริโภคที่มีความตระหนักถึงที่มาของผลผลิตมากยิ่งขึ้น ต้องการตรวจสอบย้อนกลับถึงที่มาของผลผลิตว่าผลผลิตนั้นๆได้รับการดูแลมาอย่างไรผ่านการระบุตำแหน่งของผลนั้นๆ ความเกี่ยวเนื่องกันถึงลักษะของผลผลิตที่เป็นผลมาจากวิธีการดูแลผลหรือต้นของผลผลิตในขณะที่ยังไม่ถูกเก็บเกี่ยว ดังนั้นเพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model และเพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ มีการใช้โมเดล YOLOv8 เพื่อ Object detection ร่วมกับเทคนิคการสอบเทียบกล้อง (Camera Calibration) และ Triangulation เพื่อหาตำแหน่ง 3 มิติ ของผลมะม่วงในภาพที่ถูกตรวจจับได้ จากการทำการทดลองหาตำแหน่งทั้งหมด 125 ครั้ง ที่มีการสุ่มค่าตำแหน่งของผลมะม่วง และตำแหน่งของกล้องที่มีมุม Yaw และ Pitch ที่แตกต่างกัน โดยการใช้ค่า Parameter จากรูปที่ถ่ายถัดไปมาเปรียบเทียบกันเพื่อหาตำแหน่งจริง 3 มิติ ที่ได้ผลความถูกต้องที่..... จากการใช้โมเดล YOLOv8 ที่มีค่าทำนาย Precision, Recall, mAP50, mAP50-95 และ F1-Score ได้แก่ 0.928, 0.901, 0.965, 0.785 และ 0.914 ตามลำดับ ซึ่งมีความแม่นยำที่มากพอเพื่อทำนายตำแหน่งของผลมะม่วงที่มีความคลาดเคลื่อนประมาณ 38 เซนติเมตร
คณะวิศวกรรมศาสตร์
ถังบรรจุก๊าซความดันสูงที่ผลิตจากวัสดุประกอบ ได้แก่ คาร์บอนไฟเบอร์ เรซิน และพลาสติก ถูกออกแบบสำหรับบรรจุก๊าซธรรมชาติอัด (CNG) หรือไฮโดรเจน ซึ่งถูกเรียกว่าถังความดันสูง แบบที่4 โดยในงานวิจัยนี้ได้ออกแบบให้รองรับการใช้งานที่ความดัน 250 บาร์ สำหรับการขนส่งก๊าซธรรมชาติอัด
คณะเทคโนโลยีการเกษตร
แมลงศัตรูทางการแพทย์และสัตวแพทย์ที่สำคัญจำพวกยุงลายบ้าน แมลงวันบ้าน และแมลงสาบ ล้วนสร้างปัญหาทางด้านสุขอนามัยของคนและสัตว์เลี้ยงลูกด้วยนม รวมถึงสร้างความบดบังความงามทางทัศนียภาพมากขึ้น ดังนั้นงานวิจัยครั้งนี้จึงค้นพบสูตรผสมของน้ำมันหอมระเหยและสารออกฤทธ์หลักจากพืชสมุนไพรที่มีประสิทธิภาพสูงในการควบคุมและกำจัดแมลงเหล่านี้เมื่อเทียบกับสารเคมีกำจัดแมลง รวมถึงมีความปลอดภัยต่อสิ่งมีชีวิตที่ไม่ใช่เป้าหมายที่อาศัยอยู่ในสภาพแวดล้อมได้ และพบว่ามีความเสถียรและรักษาคุณภาพการออกฤทธิ์ของสารได้เป็นอย่างดี ซึ่งสารสูตรดังกล่าวสามารถพัฒนาเป็นผลิตภัณฑ์จากธรรมชาติที่เป็นมิตรต่อสิ่งแวดล้อมและสามารถใช้แทนหรือลดการใช้สารเคมีกำจัดแมลงเหล่านี้ได้