งานวิจัยมีวัตถุประสงค์เพื่อ 1)พัฒนาแบบจ าลองตรวจจับข้อบกพร่องของรอยเชื่อมด้วยสถาปัตยกรรม YOLO จ านวน 3 เวอร์ชัน2) เปรียบเทียบประสิทธิภาพของแบบจ าลอง YOLOv11l, YOLOv12lและ YOLOv26lภายใต้เงื่อนไขการทดลองเดียวกัน 3) วิเคราะห์ผลการตรวจจับข้อบกพร่องของรอยเชื่อมรายคลาส ได้แก่ รอยแตก (Crack), รูพรุน (Porosity), สะเก็ดเชื่อม (Spatter) และแนวเชื่อม (Weld Line)4) พัฒนาเว็บแอปพลิเคชันต้นแบบส าหรับการตรวจจับข้อบกพร่องของรอยเชื่อมโดยท าการศึกษาชุดข้อมูลจาก Roboflow Universe จ านวน 5,544 ภาพ และท าการประเมินผลด้วยตัวชี้วัด ผลการทดลองพบว่า YOLOv26l ให้ประสิทธิภาพสูงที่สุด โดยเฉพาะเมื่อฝึกที่ 300 epochs ซึ่งให้ค่า Precision = 0.91, Recall = 0.876, mAP50 = 0.908,mAP50–95 = 0.773และ F1-score = 0.89แสดงถึงความสามารถในการตรวจจับและระบุต าแหน่งข้อบกพร่องได้อย่างแม่นย าเหนือกว่าโมเดลอื่น นอกจากนี้ผลการวิเคราะห์รายคลาสชี้ว่าโมเดลสามารถจ าแนก Crack และ Weld Line ได้ดีอย่างสม ่าเสมอ ขณะที่ Porosity และ Spatter ยังคงมีความท้าทายเนื่องจากความคล้ายคลึงกับพื้นหลัง ทั้งนี้โมเดล YOLOv26l ถูกน าไปประยุกต์ใช้งานบนเว็บแอปพลิเคชันที่พัฒนาขึ้น ซึ่งสามารถใช้ตรวจจับข้อบกพร่องในสภาพแวดล้อมจริงได้อย่างมีประสิทธิภาพ สะท้อนศักยภาพของสถาปัตยกรรม YOLO รุ่นใหม่ส าหรับการตรวจสอบคุณภาพรอยเชื่อมในภาคอุตสาหกรรมอย่างไรก็ตามงานวิจัยนี้ยังมีข้อจ ากัดจากการใช้ชุดข้อมูลสาธารณะเพียงชุดเดียว จึงอาจยังไม่ครอบคลุมสภาพแวดล้อมจริงทั้งหมด

งานวิจัยนี้มีวัตถุประสงค์เพื่อทดสอบและเปรียบเทียบประสิทธิภาพของแบบจำลองการจำแนกคำบาลีและสันสกฤตในภาษาไทยโดยใช้เทคนิคการเรียนรู้ของเครื่อง เน้นการพัฒนาความแม่นยำในการแยกแยะคำศัพท์ที่มาจากสองภาษานี้ ซึ่งมีความใกล้เคียงกันในด้านการออกเสียงและการเขียน ในการวิจัยใช้แบบจำลอง 5 ชนิด ได้แก่ แบบจำลองป่าไม้สุ่ม แบบจำลองต้นไม้ตัดสินใจ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุด แบบจำลองนาอีฟเบย์ และแบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ผ่านกระบวนการตรวจสอบ 10-fold cross-validation เพื่อวัดประสิทธิภาพของแต่ละแบบจำลอง ผลการวิจัยพบว่า แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน มีความสามารถสูงสุดในการจำแนกคำบาลีและสันสกฤตในภาษาไทย โดยมีค่าความแม่นยำสูงถึงร้อยละ 95.75 และค่าความถูกต้องร้อยละ 90.90 รองลงมา คือ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุดมีค่าความแม่นยำร้อยละ 92.86 และแบบจำลองนาอีฟเบย์ที่มีค่าความแม่นยำร้อยละ 81.29 ขณะที่แบบจำลองแบบจำลองป่าไม้สุ่มมีประสิทธิภาพต่ำที่สุด โดยมีค่าความแม่นยำเพียงร้อยละ 55.27 ข้อค้นพบเหล่านี้แสดงให้เห็นถึงความเหมาะสมของการใช้แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ในการแยกแยะภาษาบาลีและสันสกฤตได้อย่างมีประสิทธิภาพ และสามารถนำผลลัพธ์ไปประยุกต์ใช้ในงานด้านการจำแนกภาษา การแปลภาษา รวมถึงการพัฒนาเครื่องมือด้านการเรียนการสอนภาษาในอนาคต

In this study, we propose AlphaGrad, a novel adaptive loss blending strategy for optimizing multi-task learning (MTL) models in motor imagery (MI)-based electroencephalography (EEG) classification. AlphaGrad is the first method to automatically adjust multi-loss functions with differing metric scales, including mean square error, cross-entropy, and deep metric learning, within the context of MI-EEG. We evaluate AlphaGrad using two state-of-the-art MTL-based neural networks, MIN2Net and FBMSNet, across four benchmark datasets. Experimental results show that AlphaGrad consistently outperforms existing strategies such as AdaMT, GradApprox, and fixed-weight baselines in classification accuracy and training stability. Compared to baseline static weighting, AlphaGrad achieves over 10% accuracy improvement on subject-independent MI tasks when evaluated on the largest benchmark dataset. Furthermore, AlphaGrad demonstrates robust adaptability across various EEG paradigms—including steady-state visually evoked potential (SSVEP) and event-related potential (ERP), making it broadly applicable to brain-computer interface (BCI) systems. We also provide gradient trajectory visualizations highlighting AlphaGrad's ability to maintain training stability and avoid local minima. These findings underscore AlphaGrad's promise as a general-purpose solution for adaptive multi-loss optimization in biomedical time-series learning.

This research compares the capability of data classification models to predict consistent results for a subject’s depression potentiality, track the subject behaviour and recognise facial expressions during PHQ-9 assessments. This research is motivated by the necessity for depression screening and diagnosis, which traditionally relies on observations by experienced physicians or clinical psychologists of symptoms in conjunction with data from questionnaires. However, the field still requires a suitable technological approach that gives more accurate and consistent results. All data used in the present research were collected by combining technologies and compared by using classification models, the goal being to find the machine-learning model that most accurately predicts consistent results for the subjects’ PHQ-9 assessment, behaviours and emotions. The subjects were screened by clinical psychologists and divided into three groups: (i) subjects suffering from depression but not receiving treatment (undertreated subjects), (ii) subjects undergoing depression treatment (subjects undergoing treatment) and (iii) subjects without depression disorder (normal subjects). Related studies have compared the accuracy of classification models to one another. The four most frequently applied classification models in depression-related studies are (i) decision tree (ii) support vector machine, (iii) naïve Bayes and (iv) neural network. All models were analysed, designed and developed before being tested experimentally. The accuracy of the experimental results was tested by using the data analysis tool RapidMiner Studio. The results show that the decision tree model is not only the most accurate for predicting depression potentiality, tracking behaviour and recognising facial expressions during PHQ-9 assessments but also the most suitable.