Purpose: A simple, one-pot strategy was used to synthesize reduced graphene oxide (RGO) nanosheets by utilizing an easily available over-the-counter medicinal and edible mushroom, Ganoderma lucidum . Methods: The mushroom was boiled in hot water to liberate the polysaccharides, the extract of which was then used directly for the reduction of graphene oxide. The abundance of polysaccharides present in the mushroom serves as a good reducing agent. The proposed strategy evades the use of harmful and expensive chemicals and avoids the typical tedious reaction methods. Results: More importantly, the mushroom extract can be easily separated from the product without generating any residual byproducts and can be reused at least three times with good conversion efficiency (75%). It was readily dispersible in water without the need of ultrasonication or any surfactants; whereas 5 minutes of ultrasonication with various solvents produced RGO which was stable for the tested period of 1 year. Based on electrochemical measurements, the followed method did not jeopardize RGO’s electrical conductivity. Moreover, the obtained RGO was highly biocompatible to not only colon (HT-29) and brain (U87MG) cancer cells, but was also viable towards normal cells (MRC-5). Conclusion: Besides being eco-friendly, this mushroom based approach is easily scalable and demonstrates remarkable RGO stability and biocompatibility, even without any form of functionalization. Keywords: extraction, Ganoderma, RGO, ultrasound

Neoterically, food packaging systems designed solely for prolonging shelf life or monitoring freshness could not fulfil the dynamic demands of consumers. In this current investigation, using the solvent casting method, a versatile halochromic indicator was created by integrating black currant anthocyanin and cinnamon essential oil-loaded Pickering emulsion into a starch/gelatin matrix. The resulting indicator film underwent scrutiny for its structural, pH-sensitive, antioxidant, and antimicrobial attributes. Unexpectedly, the amalgamation of anthocyanin and essential oil led to decreased antioxidant activity, dropping from 73.23 ± 2.17 to 28.87 ± 2.50 mg Trolox equivalent/g sample. Additionally, no discernible antimicrobial properties were detected in the composite film sample against both Staphylococcus aureus and Escherichia coli. Fourier transform infrared analyses unveiled robust intermolecular interactions among the film-forming components, providing insights into the observed antagonistic effect. The indicator film displayed distinctive colour changes corresponding to the fresh (greyish-brown), onset of decomposition (khaki), and spoiled (dark green) stages of the stored fish sample. This highlights its promising potential for providing real-time indications of food spoilage. These findings are important for the efficient design of composite films incorporating anthocyanins and essential oils. They serve as a guide towards their potential use as multifunctional packaging materials in the food industry.

Background:: This research investigates the impact of pruning on reducing the computational complexity of a five-layered Convolutional Neural Network (CNN) designed for classifying MRI brain tumors. The study focuses on enhancing the efficiency of the model by removing less important weights and neurons through pruning. Objective:: This research aims to analyze the impact of pruning on the computational complexity of a CNN for MRI brain tumor classification, identifying optimal pruning percentages to balance reduced complexity with acceptable classification performance Methods:: The proposed CNN model is implemented for the classification of MRI brain tumors. To reduce time complexity, weights and neurons of the trained model are pruned systematically, ranging from 0 to 99 percent. The corresponding accuracies for each pruning percentage are recorded to assess the trade-off between model complexity and classification performance. Results:: The analysis reveals that the model's weights can be pruned up to 70 percent while maintaining acceptable accuracy. Similarly, neurons in the model can be pruned up to 10 percent without significantly compromising accuracy. Conclusion:: This research highlights the successful application of pruning techniques to reduce the computational complexity of a CNN model for MRI brain tumor classification. The findings suggest that judicious pruning of weights and neurons can lead to a significant improvement in inference time without compromising accuracy.

The green separation of soy protein enzymatic hydrolysates (SPEH) with different flavors can enhance the application of SPEH in the food industry. This study investigated the detailed process of separating and purifying SPEH by utilising the interaction between SPEH and adsorptive resins, and the mass transfer behaviour of SPEH in the adsorptive resin was explored by a mathematical model. Initially, soybean meal underwent hydrolysis by papain. Subsequently, the resulting SPEH was adsorbed onto the resin under various pH conditions and then desorbed. In general, SPEH exhibited a greater ability to bind with the resin under protonation treatment (pH 3.0) compared to deprotonation treatment (pH 9.0). The equilibrium adsorption capacity at pH 3.0 and 9.0 was 33.1 ± 1.7 mg g−1 and 24.1 ± 0.9 mg g−1, respectively. At the same time, SPEH exhibited greater surface diffusivity within the resin during adsorption at pH 3.0 (2.83 × 10−8 cm2 s−1) compared to pH 9.0 (2.41 × 10−8 cm2 s−1). Due to the robust binding affinity of SPEH with the resin in the acidic environment, a smaller quantity of SPEH was released from the resin during the subsequent desorption process. Furthermore, the bitter SPEH, characterised by an abundance of random coil and β-turn structures, demonstrated greater affinity for binding with the adsorptive resin compared to the salty and umami SPEH, which exhibited a higher proportion of β-sheet structure. After adsorption at pH levels ranging from 3.0 to 9.0 and subsequent desorption, the recovery of SPEH ranged from 30.4 % to 35.7 %, with purities between 57.5 % and 62.3 %. Overall, this study offers valuable insights into the targeted separation of various flavor components from SPEH, shedding light on the intricate dynamics of adsorption and desorption processes under different pH conditions.

Considering a growing number of criminal acts, there is an urgent need to introduce computerized command systems in security forces. This study presents a novel deep learning model specifically developed for identifying seven different categories of weapons. The suggested model utilizes the VGGNet architecture and is implemented utilizing the Keras architecture, which is built on top of the TensorFlow framework. The model is trained to recognize several types of weapons, including assault rifles, bazookas, grenades, hunting rifles, knives, handguns, and revolvers. The training procedure involves creating layers, executing processes, saving training data, determining success rates, and testing the model. A customized dataset, consisting of seven different weapon categories, has been meticulously chosen and organized to support the training of the proposed model network. We do a comparative study using the newly created dataset, specifically comparing it with established models such as VGG-16, ResNet-50, and ResNet-101. The suggested model exhibits exceptional classification accuracy, obtaining a remarkable 98.40%, outperforming the VGG-16 model (89.75% accuracy), ResNet-50 model (93.70% accuracy), and ResNet-101 model (83.33% accuracy). This research provides a vital viewpoint on the effectiveness of the suggested deep learning model in dealing with the complex problem of weapon classification, presenting encouraging outcomes that could greatly improve the capabilities of security forces in countering criminal activities.

Hydrodynamic cavitation (HC) has emerged as a promising technology for water disinfection. Interestingly, when subjected to specific cavitation pressures, jet pump cavitation reactors (JPCRs) exhibit effective water treatment capabilities. This study investigated the cavitation flow and vorticty transport in a JPCR with various area ratios by utilizing computational fluid dynamics. The results reveal that cavitation is more likely to occur within the JPCR as the area ratio becomes smaller. While as the area ratio decreases, the limit flow ratio also decreases, leading to a reduced operational range for the JPCR. During the cavitation inception stage, only a few bubbles with limited travel distances are generated at the throat inlet. A stable cavitation layer developed between the throat and downstream wall during the limited cavitation stage. In this phase, the primary flow carried the bubbles towards the outlet. In addition, it was found that the vortex stretching, compression expansion, and baroclinic torque terms primarily influence the vorticity transport equation in this context. This work may provide a reference value to the design of JPCRs for water treatment.