The rapid development of number of connected devices exchange sensitive and personal significant data through Internet of Things (IoT)-assisted global network, attacks which are targeting security services are also enhancing every day. This paper proposed a Mayfly Optimization Algorithm (MOA) with Bidirectional Long-Short Term Memory (BiLSTM) for Intrusion Detection System (IDS) in $\text{IoT}$ . The MOA is used for feature selection which select relevant features through balancing exploration and exploitation. The BiLSTM is used for classifying network into attack and normal which process the data in both forward and backward directions, allowing them to capture dependencies between events that might be far apart in sequence. The min-max normalization is used to normalize the continuous features from NSL-KDD, ToN-IoT and UNSW-NB15 datasets. The recall, accuracy, f1-score and precision are considered to evaluate MOA-BiLSTM performance. The MOA-BiLSTM realizes accuracy of 99.25%, 89.61% and 99.35% accuracy for NSL-KDD, ToN-IoT and UNSW-NB15 datasets when compared to existing techniques such as LSTM and Deep Neural Network (DNN).

Coconut diseases were predicted based on various categories such as color, shape, time frame, and changes in growth. Deep learning (DL) was applied for this purpose. However, the image dataset used was unlabelled, leading to challenges such as overfitting and complexity in computational time for prediction. The proposed method is the Faster Region-Convolutional Neural Network (R-CNN) model for detecting and classifying coconut clusters, aiming to minimize overfitting in the identification of coconut nucifera diseases. The coconut disease dataset involved performing image classification, distinguishing between healthy and unhealthy coconuts. Normalization, feature extraction, and classification techniques were utilized for this task. For feature extraction, the VGG-16 model was involved, which includes maximum pooling layers to extract features at different levels of the network enhancing the quality of feature maps and providing better region identification. Classification was performed using the R-CNN with ResNet-50. The dataset contained images of both healthy and unhealthy coconuts, and the regions were predicted to identify and classify the different diseases within the images. ResNet-50 captures high-level features and helps mitigate the vanishing gradient problem during training, making it easier to connect with the R-CNN method. The proposed Faster R-CNN with ResNet-50 achieved a performance accuracy of 98.40%. This performance was compared to existing methods such as Convolutional Neural Network (CNN), Deep-CNN (DCNN) and Long Short-Term Memory (LSTM).

Most agricultural crops have been badly affected by the effect of global climate change in India. In terms of their output over the past 20 years. It will allow policymakers and farmers to take effective marketing and storage steps to predict crop yields earlier in their harvest. This project will allow farmers to capture the yield of their crops before cultivation in the field of agriculture and thus help them make the necessary decisions. Implementation of such a method with web-based graphic software that is simple to use and the machine learning algorithm can then be distributed. This paper focuses mainly on predicting the yield of the crop by applying various machine-learning techniques. The classifier models used here include KNN, Decision Tree, Random Forest, and Voting Classifier. The prediction made by machine learning algorithms will help the farmers decide which crop to grow to induce the most yield by considering factors like temperature, rainfall, humidity, pH, etc. This bridges the gap between technology and the agriculture sector.