Cross-language detection is a challenging task that involves identifying the language of a given text across multiple languages, often in noisy or mixed-language environments. This also identify and classify text across different languages for various applications, such as multilingual sentiment analysis, language translation and cross-border content moderations. Traditional approaches often rely on rule-based systems or monolingual models, which lack scalability and adaptability to diverse linguistic structures. In this study, we propose a hybrid deep learning model combining Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) networks to enhance language detection accuracy and robustness. LSTM and GRU, known for their ability to capture long-term dependencies and reduce vanishing gradient problems, are integrated to leverage their complementary strengths. The model is evaluated using BLEU scores, a widely accepted metric for evaluating linguistic quality, and perplexity, which measures the model's ability to predict a sequence of words. Our experimental results demonstrate that the hybrid deep learning model outperforms traditional approaches, achieving high BLEU scores and low perplexity across diverse multilingual datasets. This approach not only improves language detection accuracy but also reduces computational complexity, making it suitable for real-time applications in multilingual text processing. The proposed model shows promise in real-world applications, enabling efficient cross-language detection in multilingual environments.

Fresh products (such as produce, meats and seafood, etc.) are a necessity of life, and, as such, play a pivotal role in human evolution. Traditional selling systems often rely on local markets and direct sales, limiting the reach to a specific geographic area. Producers often rely on middlemen or local distributors in traditional systems, which can lead to reduced profit margins for farmers. Maintaining consistent quality throughout the supply chain can be challenging in traditional systems. Fresh produce has a limited shelf life, and maintaining its freshness throughout the supply chain is crucial. Short shelf life requires quick turnover, and any delays in transportation or storage can lead to spoilage, resulting in losses for producers. Producers may lack access to market intelligence and information on pricing trends, demand forecasts, and emerging consumer preferences. Addressing these problems this project develops a truthful and efficient Double Auction mechanism for produce trading systems.In the context of fresh produce selling, a double auction system proves invaluable as it allows both Procures and Producers to actively engage in the market dynamics. In this trading system, an e-commerce platform acts as the auctioneer, organizing and overseeing an auction between procurers and growers. Procurers submit bids, and the auctioneer confirms and halts the auction. Winners are then announced along with the final prices. Winning procurers obtain allocated produce and make payments, while growers receive payment and provide the produce according to the allocation results.

Digital identity is a user’s online identification, similar to a physical identification card such as a passport or driver’s license. A digital identity contains characteristics or attributes of the user. As we access apps and websites, organizations are dominantly using centralized and federated identity management systems (e.g. signing in with a Google or Facebook account) by default. The centralized system puts data at risk of large scale hacks and breaches while the federated model enables companies to track user data without their knowledge. Existing identity management systems either use a centralized authentication server or rely on identity providers to authenticate users for gaining access to various services. These systems have failed to safeguard user data privacy and do not encourage the portability of identity data. A trustworthy and reliable system is needed so that individuals can interact and network digitally and securely. These problems are motivated the development of the Sign Up Wallet a blockchain and machine learning based Self-Sovereign Identity model to manage digital identities. The emerging blockchain technology enables self-sovereign identity management, a decentralized identity management model that eliminates identity providers as a trusted third party and machine learning is used to find the trusted service provider. In this proposed system users store their digital identity in a Sign Up Wallet with cryptographic keys. When registering with a trusted service provider, a Unique Personal Identifier (UPI) Code is submitted for direct credential verification. Logistic Regression is used for predicting whether a website is trusted or not. If the service provider is untrusted, a masked credential is generated using a Lookup Substitution Algorithm, preserving privacy during verification. This masked credential is then provided to the service provider, allowing verification without exposing the raw data and maintaining user security

In an era marked by a burgeoning awareness of the critical importance of fitness and well-being, the demand for sophisticated and integrated systems for workout planning, nutrition, and food management has reached unprecedented heights. This process introduces a groundbreaking and comprehensive system poised to revolutionize how individuals approach their fitness journeys. By critically addressing the limitations endemic to existing systems, this innovative framework offers a transformative paradigm that promises to redefine the landscape of fitness management. The proposed system envisions an integrated platform that seamlessly amalgamates workout planning, nutrition guidance, and food planning, presenting a unified solution to the multifaceted demands of fitness enthusiasts across a spectrum of skill levels and objectives. A decision tree is one of the most powerful tools of supervised learning algorithms used for both classification and regression tasks. Decision tree is used to predict user preferences like workout planning, nutrition planning, and food management process. Rooted in user-centric design principles, this web-based system prioritizes accessibility, ensuring that users of all backgrounds can seamlessly navigate and customize their fitness plans with intuitive ease.The system's conceptual framework rests on the pillars of personalization and adaptability. Users can generate highly tailored workout plans, accounting for individual fitness goals, current fitness levels, and equipment availability. Furthermore, comprehensive nutritional guidance will be provided, accounting for crucial factors including age, gender, weight, and activity level. Meal planning capabilities round out this comprehensive offering, enabling users to craft dietary plans aligned precisely with their nutritional requirements and personal dietary preferences. To further enhance the user experience, the system incorporates seamless synchronization features, guaranteeing that dietary choices align harmoniously with fitness objectives. Additionally, robust progress tracking tools empower users to monitor their fitness journeys, providing a dynamic feedback loop to fine-tune their strategies for optimal results.

Trash generally refers to discarded or waste materials that are no longer considered useful or valuable. It encompasses various items and substances that individuals or organizations dispose of, typically with the intention of discarding or recycling them. The term trash is often used interchangeably with terms like garbage, waste or rubbish. Improperly managed waste contributes to environmental issues, including pollution and the release of harmful substances, impacting ecosystems and public health. Existing waste management faces challenges in sorting and disposal practices, leading to inefficiencies in the overall process. The increasing volume of waste in urban areas poses a growing challenge, demanding innovative solutions to handle the scale and complexity of modern waste streams. In response to these challenges, the Trash AI project leverages advanced technologies such as Convolutional Neural Networks (CNNs) and Temporal Convolutional Networks (TCNs) to introduce a smarter and more efficient waste management system. These technologies provide the foundation for accurate trash classification, real-time detection, and intelligent waste segregation. The goal is to revolutionize waste management, automating and optimizing processes for accurate trash classification, real-time detection, and intelligent waste segregation. Through the development of a Municipality Web App, Trash AI centralizes monitoring and decision-making, facilitating a more sustainable and efficient approach to waste management. This initiative is poised to transform urban waste handling, promoting environmental consciousness and sustainable practices for smarter, cleaner cities.

The advent machine learning (ML) technologies has revolutionized the healthcare industry, offering new avenues for improving patient care and treatment outcomes. In this study, we propose the design and implementation of an intelligent medicine recommendation system aimed at enhancing the process of prescribing medications to patients. The primary objective of this system is to assist healthcare professionals, such as doctors and pharmacists, in making informed and personalized medication recommendations based on a patient's unique medical history, conditions, allergies, and other relevant factors. By leveraging advanced AI algorithms and data analytics techniques, the system can analyze vast amounts of patient data efficiently and accurately to generate tailored medication suggestions.