Page 42 - Expo68
P. 42

กลุ่มที่ 1  ด้านการเกษตรและอุุตสาหกรรมอาหาร

                                               RIN-A205                                                                                           RIN-A206
                 การพัฒนาการจ าแนกรังนกเพื่อคุณภาพที่ยั่งยืนด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน                      การวัดอัตราการเจริญเติบโตของชีวภัณฑ์ก าจัดศัตรูพืช เชื้อราไตรโคเดอร์มา NST-009
                     Classification of Edible Bird Nest using Convolution Neural Network                                             โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน
                                                                                                                 Measuring the Growth Rate of Biocontrol Agent Trichoderma Fungus NST-009 Using

                                                                                                                                        Convolutional Neural Networks
















                                                     ้
                                                 ุ

                             ่
                                        ี

                  กำรนำโครงขำยประสำทเทยมมำประยกต์ใชในกำรจำแนกประเภทรังนก ในอตสำหกรรมรังนก
                                                                              ุ
                                   ั
                                                                                   ่
                                                                                       ็
                                                                                   ึ
                                                                                     ี
                                                               ี
                                                              ี
                                                              ่
                                         ั
                                              ั
                                                                ั

           กำรจำแนกประเภทของรังนกยงคงอำศยกำรคดแยกด้วยแรงงำนทมทกษะและประสบกำรณ์ ซงมเปนงำน
           ที่อำจจะเกิดควำมคลำดเคลื่อนเกิดขึ้น เพรำะงำนคัดแยกประเภทรังนกจะขึ้นอยู่กับดุลพินิจของผู้ที่ท ำกำรคัดแยก
                                                                  ื
                    ี
                   ี
           งำนวจัยนมเปำหมำยในกำรพฒนำโมเดลของโครงข่ำยประสำทเทียมหรอ Convolution Neural Network
                   ้
                                  ั
               ิ
                      ้
                                                                      ี

                                                   ่
           หรือ CNN ทสำมำรถจำแนกประเภทของรังนกได้อยำงแมนยำ รวดเร็ว และมควำมสมำเสมอในมำตรฐำน
                                                       ่
                     ี
                     ่


                                                                             ่
           กำรคัดแยกรังนกมำกยิ่งขึ้น pre-trained model เป็น model ที่ได้รับกำรฝึกฝนกับ big data หรือ data
           จ ำนวนมหำศำล เพอให้ model เรียนรู้และมีควำมสำมำรถที่จะจ ำแนกประเภทของวัตถุต่ำง ๆ ได้อย่ำงแม่นย ำ
                         ื
                         ่

           และมีประสิทธิภำพ โดยผลงำนนี้จะน ำ pre-trained model หรือ model ที่ถูกฝึกฝนมำแล้ว นำมำฝึกฝน                ผลงำนนี้พัฒนำเทคโนโลยีกำรวัดอัตรำกำรเจริญเติบโตของชีวภัณฑ์ก ำจัดศัตรูพืช เชื้อรำไตรโคเดอร์มำ
           กับชดข้อมูลประเภทรังนกเพื่อให้ model มควำมสำมำรถในกำรจำแนกประเภทรงนก ผลลัพธ์ของกำรศกษำน ้ ี        NST-009 โดยใชโครงขำยประสำทเทยมแบบคอนโวลูชน (CNN) เพอวเครำะหและติดตำมกำรเจริญเตบโต
                                                                                       ึ
                                                                       ั

               ุ
                                           ี
                                                                                                                                                                                           ิ
                                                                                                                                                                         ์
                                                                                                                                          ี
                                                                                                                           ้
                                                                                                                               ่
                                                                                                                                                        ั
                                                                                                                                                                 ื
                                                                                                                                                                 ่
                                                                                                                                                                   ิ
           เป็นที่น่ำพอใจ แต่ละ model ให้ผลลัพธ์ที่ค่อนข้ำงใกล้เคียงกัน โดยควำมแม่นย ำอยู่ที่ประมำณ 99%
                                                                                                              ในระยะต่ำง ๆ ระบบสำมำรถท ำงำนกับภำพถ่ำยที่ถ่ำยภำยใต้สภำพแสงและมุมมองที่หลำกหลำย พร้อมทั้งลดควำม
           ทีมสายอุดมศึกษา   นำยภูมิศักดิ์ พจนำลัย                                                            คลำดเคลือนจำกกำรประเมินด้วยมนุษย์ ผลลัพธ์ที่ได้ชวยเพิ่มควำมแม่นย ำในกำรตรวจจับและคำดกำรณ์
                                                                                                                                                        ่
                                                                                                                     ่
           อาจารย์ที่ปรึกษา     ดร.อำสำฬห์ชัย สุขเกื้อ                                                        กำรเจริญเติบโตของเชื้อรำ ท ำให้สำมำรถใช้ในงำนวิจัยและอุตสำหกรรมกำรเกษตรได้อย่ำงมีประสิทธิภำพ
                            รศ.ดร.เพ็ญศิริ เอกจิตต์                                                           ทีมสายอุดมศึกษา   นำยศิรสิทธิ์ สัณฐมิตร
           สถานที่ติดต่อ     ส ำนักวิชำวิศวกรรมศำสตร์และเทคโนโลยี มหำวิทยำลัยวลัยลักษณ์                         อาจารย์ที่ปรึกษา    ดร.อำสำฬห์ชัย สุขเกื้อ
                            222 ต ำบลไทยบุรี อ ำเภอท่ำศำลำ จังหวัดนครศรีธรรมรำช 80160                                          รศ.ดร.เพ็ญศิริ เอกจิตต์
                            โทรศัพท์ 06 2090 2595 E–mail: TEMPMAP255@GMAIL.COM
                                                                                                              สถานที่ติดต่อ    ส ำนักวิชำวิศวกรรมศำสตร์และเทคโนโลยี มหำวิทยำลัยวลัยลักษณ์

                                                                                                                               222 ต ำบลไทยบุรี อ ำเภอท่ำศำลำ จังหวัดนครศรีธรรมรำช 80160
                                                                                                                               โทรศัพท์ 0 7567 3000  E-mail: arsanchai.su@wu.ac.th




                ส ำนักงำนกำรวิจัยแห่งชำติ (วช.)                                           37                  38                                                        ส ำนักงำนกำรวิจัยแห่งชำติ (วช.)
                          ั
                         ิ
                ำ
               ส�นักง�นก�รวจยแหงช�ติ (วช.)
                             ่
     40
               การประกวดผลงานนวตกรรมสายอดมศกษา ประจาปี 2568
                           ั
                                  ุ
                                          ำ
                                    ึ
   37   38   39   40   41   42   43   44   45   46   47