The intelligent goal of process manufacturing is to achieve high efficiency and greening of the entire production. Whereas the information system it used is functionally independent, resulting to knowledge gaps between each level. Decision-making still requires lots of knowledge workers making manually. The industrial metaverse is a necessary means to bridge the knowledge gaps by sharing and collaborative decision-making. Considering the safety and stability requirements of the process manufacturing, this article conducts a thorough survey on the process manufacturing intelligence empowered by industrial metaverse. First, it analyzes the current status and challenges of process manufacturing intelligence, and then summarizes the latest developments about key enabling technologies of industrial metaverse, such as interconnection technologies, artificial intelligence, cloud-edge computing, digital twin (DT), immersive interaction, and blockchain technology. On this basis, taking into account the characteristics of process manufacturing, a construction approach and architecture for the process industrial metaverse is proposed: a virtual-real fused industrial metaverse construction method that combines DTs with physical avatar, which can effectively ensure the safety of metaverse's application in industrial scenarios. Finally, we conducted preliminary exploration and research, to prove the feasibility of proposed method.

SolarSense is a self-powered sensing system for gesture recognition using solar cell arrays, thereby offering a sustainable approach to human-computer interaction (HCI) within industrial settings. The system effectively employed the sensing and energy harvesting capabilities of solar cells, achieving over 97.0% accuracy in recognizing diverse gestures. The design incorporates a low-power wireless data acquisition chip, a signal processing framework, and a user interface to realize robotic control and text input applications. SolarSense enhances HCI with its eco-friendly and user-centric approach, which is suitable for Internet of things (IoT) scenarios. Demo: https://youtu.be/RmPolChw_c4.

In response to the challenges presented by conventional material and texture recognition methods, our research introduces a system using visible light communication (VLC) technology. This approach provides a non-contact, non-destructive, dual-functional solution, overcoming the limitations of cost, safety, and environmental adaptability associated with traditional methods. Through a comprehensive design integrating hardware and software, our system utilizes VLC for precise and efficient recognition. Extensive testing confirms its effectiveness, achieving 97.7% accuracy in material identification and 93.8% in texture detection. This study highlights VLC's potential in enhancing automated recognition systems across various applications.

The demand for accurate and real-time indoor localization and human sensing is rising with the development of smart environments, with applications in security and smart homes. Effective systems enhance safety, energy efficiency, and user experience by leveraging existing infrastructure, reducing deployment costs, and integrating seamlessly. Traditional methods rely on dedicated hardware, while communication or lighting infrastructure can provide dual-purpose solutions. This research focuses on Visible Light Communication (VLC) technology, which uses visible light for data transmission. Our VLC system utilizes existing lighting infrastructure to transmit data, providing localization and human sensing functionalities. The system design strategically incorporates specific VLC transmitters and receivers to enhance sensing performance. The collected data is processed using advanced algorithms and machine learning models, ensuring robust, real-time, and cost-effective localization with an accuracy of 96.6% and human activity recognition with an accuracy of 98.3%. This multi-functionality system demonstrates the potential for VLC in healthcare monitoring and home automation applications.

The 17β-estradiol (E2)-degrading bacterium