Abstract Vehicle identification systems are vital components that enable many aspects of contemporary life, such as safety, trade, transit, and law enforcement. They improve community and individual well-being by increasing vehicle management, security, and transparency. These tasks entail locating and extracting license plates from images or video frames using computer vision and machine learning techniques, followed by recognizing the letters or digits on the plates. This paper proposes a new license plate detection and recognition method based on the deep learning YOLO v8 method, image processing techniques, and the OCR technique for text recognition. For this, the first step was the dataset creation, when gathering 270 images from the internet. Afterward, CVAT (Computer Vision Annotation Tool) was used to annotate the dataset, which is an open-source software platform made to make computer vision tasks easier to annotate and label images and videos. Subsequently, the newly released Yolo version, the Yolo v8, has been employed to detect the number plate area in the input image. Subsequently, after extracting the plate the k-means clustering algorithm, the thresholding techniques, and the opening morphological operation were used to enhance the image and make the characters in the license plate clearer before using OCR. The next step in this process is using the OCR technique to extract the characters. Eventually, a text file containing only the character reflecting the vehicle's country is generated. To ameliorate the efficiency of the proposed approach, several metrics were employed, namely precision, recall, F1-Score, and CLA. In addition, a comparison of the proposed method with existing techniques in the literature has been given. The suggested method obtained convincing results in both detection as well as recognition by obtaining an accuracy of 99% in detection and 98% in character recognition.

In an age characterized by a focus on environmental sustainability and technological advancement, the creation and integration of hybrid electric vehicles (HEVs) have become a significant solution in the realm of transportation and clean energy. This study introduces a method for optimizing the distribution of torque in HEVs through the utilization of artificial neural networks (ANN). Furthermore, it introduces an innovative design for the vehicle's drivetrain, enabling it to function in both rear-wheel and four-wheel drive configurations. The HEV is propelled by a permanent magnet synchronous machine (PMSM) and is controlled using direct torque control (DTC) due to its capability to provide rapid and precise responses. The results of simulations conducted using MATLAB/Simulink confirm the effectiveness of the proposed intelligent torque distribution strategy, demonstrating its capacity to enhance vehicle performance, driving comfort, and propulsion power.

The work furnished in this paper projects the application of fuzzy-aided tilt-integral-derivative (TID) with filter (TIDF) for regulating the dynamical behavior of the electrical interconnected power system (IPS) during uncertain conditions. The optimal design of the fuzzy TIDF is performed using the efficient soft computing technique of the water cycle algorithm (WCA). The suggested fuzzy TIDF controller performance is tested on the multi-area diverse source realistic (MADSR) IPS (MADSRIPS) subjected to control area 1 with step load disturbance (SLD) of 10%. Moreover, the analysis carried out on MADSRIPS is considered with the communication time delays (CTDs) for the investigation near to realistic environment. The efficacy of fuzzy-aided TIDF is contrasted with reported controllers available in literature, and the simulation analysis is acquired from the framework of MATLAB, which revealed the sovereignty of the suggested controller. Later, the MADSRIPS is operated with the integration of a HVDC line in conjunction with the tie-line to improve the performance.

Timely diagnosis is crucial for the successful treatment of a serious medical condition like brain hemorrhage. Deep learning algorithms have shown great promise in applications for medical image analysis, like the identification of brain hemorrhages. The goal of this study is to assess how well various deep learning algorithms can detect brain hemorrhages. Using a suitable dataset, the study evaluates the computational efficiency, accuracy, sensitivity, and specificity of the selected algorithms. The results demonstrate the potential of deep learning models to assist physicians in identifying this potentially fatal condition and demonstrate how well they can identify brain hemorrhages. The study's findings improve automated brain hemorrhage detection technology, improving patient outcomes and the efficiency of healthcare delivery. EfficientNetB3 typically achieves higher accuracy due to its increased model complexity. Despite its increased complexity, EfficientNetB3 is still more parameter-efficient and computationally efficient than many alternative architectures. EfficientNetB3's strong performance and feature extraction capabilities make it a good choice for transfer learning tasks. Out of all the models implemented in this paper, the proposed model with EfficientNetB3 gave the best accuracy for training as well as validation i.e. 99.95% and 93.29% respectively followed by EfficientNetB2, ResNet, SEResNext and ResNext.

Abstract Wireless charging of Electric Vehicles (EVs) has been extensively researched in the realm of electric cars, offering a convenient method. Nonetheless, there has been a scarcity of experiments conducted on low-power electric vehicles. To establish a wireless power transfer system for an electric vehicle, optimal power and transmission efficiency necessitate arranging the coils coaxially. In wireless charging systems, coils often experience angular and lateral misalignments. In this paper, a new alignment strategy is introduced to tackle the misalignment problem between the transmitter and receiver coils in the wireless charging of Electric Vehicles (EVs). The study involves the design and analysis of a coil, considering factors such as mutual inductance and efficiency. Wireless coils with angular misalignment are modelled in Ansys Maxwell simulation software. The proposed practical EV system aims to align the coils using angular motion, effectively reducing misalignment during the parking of two-wheelers. This is achieved by tilting the transmitter coil in the desired direction. Furthermore, micro sensing coils are employed to identify misalignment and facilitate automatic alignment. Additionally, adopting a power control technique becomes essential to achieve both constant current (CC) and constant voltage (CV) modes during battery charging. Integrating CC and CV modes is crucial for efficiently charging lithium-ion batteries, ensuring prolonged lifespan and optimal capacity utilization. The developed system can improve the efficiency of the wireless charging system to 90.3% with a 24 V, 16 Ah Lithium Ion Phosphate (LiFePO4) battery at a 160 mm distance between the coils.