Facial expression recognition is a critical area of computer vision research in the current era. In order to improve the performance of the existing system, many researchers have used handcrafted features and machine learning (ML) classification methods. However, machine learning performs well on large data sets, whereas the handcrafted system performs well on datasets captured under predefined conditions. The ML method will not perform well on small datasets like CK+ and JAFFE due to overfitting. We propose a genetic algorithm (GA) optimization architecture based on fuzzy C-means clustering (GAO-FCM) to address these problems. To identify and recognize facial expressions quickly, accurately, and reliably, the proposed GAO-FCM organizes several characteristics of individual facial expressions. In the Japanese Female Facial Expression (JAFFE) dataset as well as in the Extended Cohn-Kanade (CK+) dataset, face detection and pre-processing techniques are explored in order to achieve the best accuracy of 99.23% for CK+ and 96.31 % for JAFFE datasets.

Energy storage materials have the potential to improve the performance of thermal systems due to their excellent thermo-physical properties. Different energy storage materials have been tested for different thermal systems and found adequate to improve their thermal performance. Present work focuses, (i) on the development of two different composite energy storage materials (CESM) by mixing graphite black powder (obtained from lithium batteries cells) in paraffin wax and coconut oil, and (ii) testing of these materials for solar space heating inside the two similar air heating systems namely, Model-2 and Model-3. Air heating trials have been conducted on four different configurations by placing CESM-filled containers on the absorber of the tested heaters. Results of natural and forced convective operations have been compared with a similar conventional air heater (Model-1) and also to some other relevant works on air heating systems. Results revealed that Model-3 is the best model. For this system, improved heat transfer was observed at 356.20 W/m2.K, thermal efficiency was observed at about 78.8%, overall heat loss was computed at 5.91 W/m2.K and maximum exhaust air temperature was observed at about 322.05 K. The cost of Model-3 was about $51.14 (₹ 4110 in Indian currency). Model-3 can be easily developed and used for air heating and drying operations under mild cold climate conditions.

Field effect transistors (FETs)-based detection probes are powerful platforms for quantification in biological media due to their sensitivity, ease of miniaturization, and ability to function in biological media. Especially, FET-based platforms have been utilized as promising probes for label-free detections with the potential for use in real-time monitoring. The integration of new materials in the FET-based probe enhances the analytical performance of the developed probes by increasing the active surface area, rejecting interfering agents, and providing the possibility for surface modification. Furthermore, the use of new materials eliminates the need for traditional labeling techniques, providing rapid and cost-effective detection of biological analytes. This review discusses the application of materials in the development of FET-based label-free systems for point-of-care (POC) analysis of different biomedical analytes from 2018 to 2024. The mechanism of action of the reported probes is discussed, as well as their pros and cons were also investigated. Also, the possible challenges and potential for the fabrication of commercial devices or methods for use in clinics were discussed.

The gesture classification and recognition field offer ample research opportunities due to the growing deaf and hearing-impaired populations and the advancements in vision-based devices. As recognition of hand gestures is crucial to interpreting sign language, gesture recognition systems should consider the maximum number of signs. An ensemble neural network-based robust hand gesture recognition model is presented in this work. Real-time sign detection will be provided by a suggested system in this system. It will facilitate communication with and interaction with challenged people. An American Sign Language (ASL) recognition model can be trained with a convolution neural network (CNN). The proposed model is also suitable for supervised object segmentation. The proposed methodology also performs very well when tested on publicly available datasets of complex hand gestures, with an accuracy rate of 99.111%.