E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น

fieldjournalid E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น

สารนิพนธ์ (MIT) 2025

1.	การพัฒนาและเปรียบเทียบประสิทธิภาพของโมเดล YOLOv8 ในการ คัดแยกประเภทของพลาสติกสำหรับการรีไซเคิลด้วยการประมวลผลจากภาพถ่ายดิจิทัล [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : ภูชิต พญาพรหม
	ปัจจุบันปัญหาขยะพลาสติกมีผลกระทบอย่างมากในประเทศไทยและมีแนวโน้มที่จะเพิ่มขึ้นอย่างมากในทุกๆปี นักวิจัยจึงได้เล็งเห็นว่า ระบบการคัดแยกพลาสติกอย่างมีประสิทธิภาพ จึงมีความสำคัญในการนำพลาสติกกลับมาใช้ใหม่และลดผลกระทบต่อสิ่งแวดล้อม ซึ่งปัจจุบันในประเทศไทยพบว่ายังใช้มีการคัดแยกแบบดั้งเดิมที่ใช้แรงงานคน ซึ่งมีข้อจำกัดด้านทักษะของคนงานทำให้การคัดแยกไม่เกิดประสิทธิภาพทำให้พลาสติกไปปะปนกับขยะมูลฝอยชุมชน ส่งผลให้พลาสติกจำนวนมากถูกกำจัดทิ้ง ฝังกลบหรือรั่วไหลลงแม่น้ำและไหลลงทะเลแทนที่จะถูกนำกลับมาใช้ใหม่ งานวิจัยนี้ได้นำเสนอการพัฒนาระบบคัดแยกประเภทของพลาสติกเพื่อการรีไซเคิลจากภาพถ่ายด้วยวิธีการเรียนรู้เชิงลึก ด้วยชุดข้อมูลของพลาสติกประเภทต่างๆ ก็คือ PET, HDPE, PVC, LDPE, PP, PS และ Other จากนั้นทำการฝึกฝนแบบจำลองด้วยเทคนิคเรียนรู้เชิงลึกด้วยอัลกอริทึม YOLO (You Only Look Once) โดยผู้วิจัยเลือกเป็น YOLOv8 เพื่อให้ AI สามารถคัดแยกประเภทของพลาสติกได้อย่างแม่นยำและรวดเร็ว จากผลการทดลองพบว่าแบบจำลอง YOLO แต่ละรุ่นที่พัฒนาขึ้นมามีประสิทธิภาพในการคัดแยกประเภทพลาสติกที่สูง ดังนั้นการวิจัยนี้ทำการทดสอบประสิทธิภาพของแบบจำลอง YOLOv8 แต่ละรุ่นและพบว่า YOLOv8n ให้ประสิทธิภาพสูงสุดในด้านความแม่นยำและความรวดเร็ว ผลการวิจัยยังชี้ให้เห็นถึงศักยภาพของ AI ในการจัดการกับปัญหาขยะพลาสติก และจะเป็นแนวทางในการพัฒนาเทคโนโลยีเพื่อสิ่งแวดล้อมต่อไป Full Text : Download!

2.	การเพิ่มประสิทธิภาพการสนทนาและความพึงพอใจของผู้ใช้งาน แชทบอทบนแพลตฟอร์ม LINE ด้วยการเชื่อมต่อระบบ Gemini API [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : พรรษวุฒิ มากบริบูรณ์
	งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและพัฒนาการเพิ่มประสิทธิภาพการสนทนาและความพึงพอใจของผู้ใช้งานแชทบอทบนแพลตฟอร์ม LINE โดยมุ่งเน้นการแก้ปัญหาของแชทบอทแบบดั้งเดิมที่ไม่สามารถตอบคำถามที่ซับซ้อนหรือคำถามที่อยู่นอกเหนือฐานข้อมูลที่กำหนดไว้ได้ การวิจัยนี้ตั้งเป้าหมายเพื่อ 1) ศึกษาประสิทธิภาพของระบบ Gemini 2) พัฒนาและประยุกต์ใช้ปัญญาประดิษฐ์ (AI) ผ่าน Gemini API ร่วมกับระบบแชทบอทเพื่อแก้ปัญหาความซับซ้อนของการตอบคำถาม และ 3) ประเมินความพึงพอใจของผู้ใช้งานต่อระบบแชทบอทที่พัฒนาขึ้น การดำเนินงานวิจัยใช้วิธีการพัฒนาระบบแชทบอทต้นแบบบนแอปพลิเคชัน LINE โดยใช้ Firebase เป็นตัวกลางในการเชื่อมต่อ (Middleware) และเรียกใช้ Gemini API เพื่อประมวลผลภาษาและสร้างคำตอบ ระบบถูกออกแบบให้สามารถตอบคำถามทั่วไป และคำถามเฉพาะทางโดยใช้ฐานข้อมูลเฉพาะ (Proprietary Data) ที่ผู้วิจัยเตรียมไว้ กลุ่มตัวอย่างที่ใช้ในการประเมินคือผู้ใช้งานจำนวน 55 คน ซึ่งคัดเลือกแบบเจาะจง (Purposive Sampling) การประเมินผลแบ่งออกเป็น 2 ส่วนหลัก ได้แก่ การทดสอบประสิทธิภาพความแม่นยำในการตอบคำถาม และการประเมินความพึงพอใจโดยใช้แบบสอบถามที่อิงตามแนวคิดแบบจำลองการยอมรับเทคโนโลยี (TAM) ผลการวิจัยพบว่า แชทบอทที่เชื่อมต่อกับ Gemini API มีประสิทธิภาพในการตอบคำถามอยู่ในระดับสูงอย่างมีนัยสำคัญ โดยมีความแม่นยำในการตอบคำถามเฉพาะทาง 94.91% และมีความแม่นยำในการตอบคำถามทั่วไป 95.64% ด้านความพึงพอใจของผู้ใช้งาน Full Text : Download!

3.	การเพิ่มประสิทธิภาพในการกู้คืนเหตุฉุกเฉินสำหรับศูนย์ข้อมูลขนาดเล็กและขนาดกลางผ่านโครงสร้างพื้นฐานแบบ Hyper-Converged (HCI) [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : พันวิทย์ กังแฮ
	การกู้คืนระบบจากเหตุฉุกเฉิน (Disaster Recovery Plan: DRP) เป็นกลไกสำคัญในการรักษาความต่อเนื่องทางธุรกิจขององค์กร โดยเฉพาะศูนย์ข้อมูลขนาดเล็กและขนาดกลางที่มักเผชิญข้อจำกัดด้านงบประมาณและทรัพยากร งานวิจัยนี้มุ่งเน้นการศึกษาและพัฒนาแผน DRP บนสถาปัตยกรรม Hyper-Converged Infrastructure (HCI) ของ Nutanix เพื่อนำมาเปรียบเทียบกับแผน DRP แบบดั้งเดิม โดยใช้ตัวชี้วัดหลัก ได้แก่ Recovery Time Objective (RTO) และ Recovery Point Objective (RPO) รวมถึงความถูกต้องของข้อมูลและความต่อเนื่องของบริการ วิธีดำเนินการวิจัยประกอบด้วยการทบทวนวรรณกรรม การออกแบบและจำลองสถานการณ์ฉุกเฉิน (เช่น การปิดระบบเซิร์ฟเวอร์ การล้มเหลวของโหนด และการโจมตีด้วยมัลแวร์) และการเก็บข้อมูลเพื่อวิเคราะห์ผลการกู้คืน กรณีศึกษาในองค์กรขนาดกลางถูกนำมาใช้เพื่อให้การประเมินมีความสมจริง ผลการวิจัยคาดว่าจะชี้ให้เห็นว่า DRP บน HCI สามารถลด RTO และ RPO ได้อย่างมีนัยสำคัญเมื่อเทียบกับ DRP แบบดั้งเดิม และเป็นแนวทางเชิงปฏิบัติสำหรับการประยุกต์ใช้ในองค์กรที่มีทรัพยากรจำกัด Full Text : Download!

4.	การจำแนกเกรดรังนกแอ่นกินรังด้วย YOLOv8n [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : พงศ์ภัค เกษมสวัสดิ์
	งานวิจัยนี้มุ่งเน้นการใช้โมเดล YOLOv8n สำหรับการจำแนกเกรดรังนกแอ่นกินรัง โดยอิงจากชุดข้อมูลที่ปรับแต่งเองซึ่งประกอบด้วย 3 คลาส ได้แก่ เกรดเอ, เกรดบี และ รังมุม การศึกษานี้ประเมินประสิทธิภาพของโมเดลในด้าน Precision, Recall และ F1 Score พร้อมทั้งปรับค่า Hyperparameters เพื่อเพิ่มความแม่นยำในการตรวจจับ โมเดล YOLOv8n สามารถทำค่า F1 Score ได้สูงถึง 0.99 ที่ค่า Confidence Threshold 0.442 และมีค่า mAP@0.5 และ mAP@0.5:0.95 เท่ากับ 0.995 และ 0.779 ตามลำดับ ผลการทดลองแสดงถึงความสามารถในการตรวจจับที่มีประสิทธิภาพสำหรับคลาส เกรดเอ และเกรดบี ในขณะที่คลาส รังมุม มีอัตราการทำนายผิดพลาดสูงกว่า ซึ่งชี้ให้เห็นว่าเรายังสามารถปรับปรุงแก้ไขให้ดีขึ้นกว่านี้ได้ กระบวนการฝึกแสดงถึงการ Convergence ที่มีประสิทธิภาพ ด้วยการลดค่าความสูญเสียอย่างต่อเนื่องและเวลาในการประมวลผลเฉลี่ย 12 ms ทำให้โมเดลนี้เหมาะสำหรับการใช้งานแบบเรียลไทม์ ผลการวิจัยนี้ชี้ให้เห็นถึงความมีประสิทธิภาพและความน่าเชื่อถือของ YOLOv8n สำหรับการจำแนกเกรดรังนกแอ่นกินรัง Full Text : Download!

Total 4 Record 1

วิทยานิพนธ์

สารนิพนธ์

สหกิจศึกษา

งานวิจัย

บทความวิจัย