IIUM Engineering Journal
Not a member yet
783 research outputs found
Sort by
Integration of LoRa IoT with Cloud Platform in a Stingless Beehive Remote Monitoring System
Get PDFStingless bee colonies require constant monitoring to ensure hive health and optimal honey production. However, conventional monitoring practices are time-consuming and labor-intensive, especially for beekeepers in rural or remote areas. Without access to real-time hive data, beekeepers may struggle to detect changes in temperature, humidity, and other vital conditions that could impact bee health and productivity. Most studies rely on Wi-Fi modules for communication between local and cloud servers. However, using Wi-Fi for bee monitoring requires that the stingless bee hives be located near buildings with Wi-Fi access. To address this issue, a prototype of a remote monitoring system for a stingless bee colony was developed using Long Range (LoRa) technologies due to the low data rate, low power, and operability in an outdoor environment. This system aims to help beekeepers monitor the beehives remotely. The prototype comprises two nodes: a beehive sensor node and a LoRa gateway node. The beehive monitoring sensor node is equipped with the ESP32 as a microcontroller, LoRa SX1278, BME680, and KY-037. The LoRa gateway comprises ESP32 and LoRa SX1278 and is interfaced with Ubidots through Node-Red. The developed prototype was tested at four locations at varying distances in the Mahallah Ruqayyah Kelulut farm. The result shows that LoRa is feasible for remote monitoring because it can reliably transmit data up to 58 meters despite a higher data rate. The Ubidots dashboard displays the temperature, humidity percentage, air quality, pressure, sound levels, and RSSI value for thorough insights into the bee's condition, as it can be accessed using web and mobile applications. Overall, the stingless bee remote monitoring system using LoRa communication is a promising solution for outdoor applications between the sender and receiver for data transmission in remote areas.
ABSTRAK: Koloni lebah kelulut memerlukan pemantauan berterusan untuk memastikan kesihatan sarang dan pengeluaran madu yang optimum. Walau bagaimanapun, amalan pemantauan konvensional memerlukan banyak masa dan tenaga, terutamanya bagi penternak lebah di kawasan pedalaman atau terpencil. Tanpa akses kepada data sarang secara masa nyata, penternak lebah mungkin menghadapi kesukaran untuk mengesan perubahan suhu, kelembapan, dan keadaan penting lain yang boleh menjejaskan kesihatan serta produktiviti lebah. Kebanyakan kajian menggunakan modul Wi-Fi untuk komunikasi antara pelayan tempatan dan awan. Walau bagaimanapun, penggunaan Wi-Fi untuk pemantauan lebah memerlukan sarang lebah kelulut diletakkan berhampiran bangunan dengan akses Wi-Fi. Bagi mengatasi isu ini, satu prototaip sistem pemantauan jauh untuk koloni lebah kelulut telah dibangunkan menggunakan teknologi Long Range (LoRa) yang mempunyai kadar data rendah, penggunaan tenaga yang rendah, serta sesuai untuk persekitaran luar. Sistem ini bertujuan membantu penternak lebah memantau sarang lebah dari jauh. Prototaip ini terdiri daripada dua nod: nod sensor sarang lebah dan nod pintu gerbang LoRa. Nod sensor pemantauan sarang lebah dilengkapi dengan ESP32 sebagai mikropengawal, LoRa SX1278, BME680, dan KY-037. Pintu gerbang LoRa pula menggunakan ESP32 dan LoRa SX1278 yang dihubungkan dengan Ubidots melalui Node-Red. Prototaip ini telah diuji di empat lokasi berbeza pada jarak yang berbeza di ladang Kelulut Mahallah Ruqayyah. Hasil menunjukkan bahawa LoRa adalah sesuai untuk pemantauan jarak jauh kerana, walaupun pada kadar data yang lebih tinggi, ia boleh menghantar data dengan baik sehingga jarak 58 meter. Papan pemuka Ubidots memaparkan suhu, peratusan kelembapan, kualiti udara, tekanan, tahap bunyi, dan nilai RSSI untuk memberikan gambaran lengkap mengenai keadaan lebah, yang boleh diakses melalui aplikasi web dan mudah alih. Secara keseluruhan, sistem pemantauan jauh lebah kelulut menggunakan komunikasi LoRa adalah penyelesaian yang menjanjikan untuk aplikasi luar di kawasan terpencil antara penghantar dan penerima bagi penghantaran data
Frontier-Based Detection and Social Force Model for Autonomous Environment Mapping and Navigation
Get PDFThis paper presents a method for static environment mapping using an autonomous mobile robot by integrating the Social Force Model (SFM) for obstacle avoidance and frontier-based detection for dynamic goal selection. The objective is to enable the robot to autonomously explore unknown environments, avoid obstacles, and generate accurate maps. The system was developed and tested in the Gazebo simulator, with RViz employed to visualize real-time sensor data, including lidar and odometry. Two frontier point selection strategies were evaluated: one based solely on the nearest distance, and another incorporating both distance and orientation. Experimental results demonstrate that the first strategy enabled the robot to complete the mapping task in an average of 10.66 minutes over a distance of 76.37 meters. In contrast, the second strategy, although more directionally aware, resulted in a longer duration of 14 minutes and a travel distance of 104.08 meters. These outcomes highlight the impact of map update delays and suboptimal frontier point selection on overall navigation efficiency. The findings suggest that while the system exhibits promising autonomous navigation capabilities, further improvements in frontier map update speed and goal point optimization are necessary to enhance path efficiency and reduce unnecessary movement.
ABSTRAK: Kertas ini membentangkan kaedah pemetaan persekitaran statik menggunakan robot mudah alih autonomi dengan mengintegrasikan Model Daya Sosial (SFM) bagi mengelak halangan dan pengesanan berasaskan sempadan bagi pemilihan matlamat dinamik. Objektifnya adalah untuk robot meneroka persekitaran yang tidak diketahui secara autonomi, mengelak halangan, dan menjana peta dengan tepat. Sistem ini dibangunkan dan diuji dalam simulator Gazebo, manakala RViz digunakan bagi memvisualisasikan data sensor masa nyata termasuk input lidar dan odometri. Dua strategi pemilihan titik frontier telah dinilai: satu berdasarkan jarak terdekat sahaja, dan satu lagi yang mengambil kira jarak serta orientasi. Dapatan eksperimen menunjukkan bahawa strategi pertama membolehkan robot melengkapkan tugas pemetaan dalam purata masa 10.66 minit dengan jarak perjalanan 76.37 meter. Manakala, strategi kedua, walaupun lebih peka terhadap arah, memerlukan masa yang lebih lama iaitu 14 minit dengan jarak perjalanan 104.08 meter. Dapatan kajian ini menunjukkan bahawa kelewatan dalam mengemas kini peta dan pemilihan titik frontier yang kurang optimum memberi kesan kepada kecekapan navigasi keseluruhan. Walaupun sistem ini menunjukkan kebolehan navigasi autonomi yang baik, penambahbaikan dalam kelajuan kemas kini peta frontier dan pengoptimuman pemilihan titik matlamat diperlukan bagi meningkatkan kecekapan laluan dan mengurangkan pergerakan yang tidak perlu
An Integration Method for Supplier Selection: A Practical Study in the Indonesian Concrete Company
Get PDFThe construction of toll roads in Indonesia has massively increased the need for concrete. Therefore, concrete manufacturing companies must select new raw material suppliers for concrete. This selection is based on several criteria, including qualitative and quantitative criteria. This study proposes a new methodology for supplier selection. The model captures decision-makers' dynamics in ranking suppliers by integrating quantitative and qualitative criteria. The first stage in the proposed model is determining the criteria using the Fuzzy Delphi Method (FDM). The second stage is weighting the criteria using the Fuzzy Step-wise Assessment Ratio (F-SWARA) II and the Method Based on Removal Effects of Criteria (MEREC). The last stage is supplier assessment using Fuzzy Measurement of Alternatives and Ranking According to Compromise Solution (F-MARCOS). One of Indonesia's largest concrete manufacturing companies was used to validate the proposed model. The results showed that the proposed model is valid and more effective than some previous methods. The company in the case study experienced a 5% reduction in production costs in the later stages of the toll project, following several months of implementation, indicating the effectiveness of the proposed methodology.
ABSTRAK: Pembinaan jalan tol di Indonesia telah meningkatkan keperluan konkrit secara besar-besaran. Oleh itu, syarikat pembuatan konkrit mesti memilih pembekal bahan mentah baru konkrit. Pemilihan ini berdasarkan beberapa kriteria, termasuk kriteria kualitatif dan kuantitatif. Kajian ini mencadangkan metodologi baru untuk pemilihan pembekal. Model ini menfokuskan pembuat keputusan dinamik dalam kedudukan pembekal dengan menyepadu kedua-dua kriteria kuantitatif dan kualitatif. Peringkat pertama dalam model yang dicadangkan ini adalah menentukan kriteria menggunakan Kaedah Rawak Delphi (FDM). Peringkat kedua adalah menimbang kriteria menggunakan Nisbah Pentaksiran Rawak Langkah-Bijak (F-SWARA) II dan kaedah berdasarkan Kriteria Kesan Pengasingan (MEREC). Peringkat terakhir merupakan penilaian pembekal menggunakan Solusi Kompromi berdasarkan Pengukuran Rawak Alternatif dan Kedudukan (F-MARCOS). Salah satu syarikat pembuatan konkrit terbesar di Indonesia telah digunakan bagi mengesahkan model yang dicadangkan. Dapatan kajian menunjukkan bahawa model yang dicadangkan ini adalah sah dan lebih berkesan berbanding beberapa kaedah sebelumnya. Syarikat dalam kes kajian mengalami pengurangan 5% dalam kos pengeluaran pada peringkat akhir projek tol, iaitu selepas beberapa bulan pelaksanaan, menunjukkan keberkesanan metodologi yang dicadangkan
Development of a Predictive Real-Time Temperature Management Framework for Data Centers Using a Hybrid Deep Learning Model
Get PDFTraditional cooling systems in data centers often struggle to adapt to dynamic temperature fluctuations caused by varying server loads and environmental conditions, leading to energy inefficiency and potential overheating risks. This research developed a predictive cooling system to address the challenges of maintaining efficient temperature management that will enhance system reliability, cooling efficiency, and energy savings by leveraging deep learning techniques. A hybridization of two deep learning techniques: Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks was formed. Over a 24-hour test period, the model demonstrated a high prediction accuracy ranging from 85 to 95% with reliability between 0.97 and 0.99, highlighting the system’s robust design. Cooling efficiency ranged from 0.75 to 0.9, peaking during cooler hours and dipping slightly during midday due to higher energy demands and environmental conditions. Efficiency improvements of 3 to 7% were observed, particularly during high-demand periods. The findings highlight the transformative potential of predictive cooling systems in reducing energy consumption and ensuring thermal stability in modern data centers. Further optimization of the CNN-LSTM model to improve prediction accuracy during peak server activity is recommended. Additionally, integrating real-time feedback loops and incorporating renewable energy sources into the system could enhance its sustainability and reduce operational costs.
ABSTRAK: Sistem penyejukan tradisional di pusat data sering menghadapi masalah menyesuaikan diri dengan suhu dinamik yang disebabkan oleh beban pelayan dan keadaan persekitaran berbeza, membawa kepada risiko ketidakcekapan tenaga dan kemungkinan terlebih panas. Penyelidikan ini membangunkan sistem penyejukan ramalan bagi menangani cabaran dalam mengekalkan pengurusan suhu yang cekap, sekaligus meningkatkan kebolehpercayaan pada sistem, kecekapan penyejukan dan penjimatan tenaga melalui manfaat teknik pembelajaran mendalam. Hibridisasi dua teknik pembelajaran mendalam iaitu: Rangkaian Neural Konvolusi (CNN) dan Rangkaian Memori Jangka Pendek Panjang (LSTM) telah dibentuk. Sepanjang tempoh ujian 24 jam, model menunjukkan ketepatan ramalan yang tinggi antara 85 hingga 95% dengan kebolehpercayaan antara 0.97 dan 0.99 menyerlahkan reka bentuk sistem yang teguh. Kecekapan penyejukan antara 0.75 hingga 0.9, memuncak pada waktu sejuk dan menurun sedikit pada tengah hari disebabkan perningkatan permintaan tenaga dan keadaan persekitaran. Peningkatan kecekapan sebanyak 3 hingga 7% diperhatikan, terutama semasa tempoh permintaan tinggi. Dapatan ini menyerlahkan potensi transformatif sistem penyejukan ramalan dalam mengurangkan penggunaan tenaga dan memastikan kestabilan haba di pusat data moden. Pengoptimuman lanjut terhadap model CNN-LSTM bagi meningkatkan ketepatan ramalan semasa aktiviti waktu puncak adalah disyorkan. Selain itu, penyepaduan gelung maklum balas masa nyata dan gabungan sumber tenaga boleh diperbaharui ke dalam sistem bagi meningkatkan lagi kemampanannya dan mengurangkan kos operasi
Characterisation and Strength Activity Index of Eco-Processed Pozzolan
Get PDFEco-processed pozzolan (EPP) is a newly emerging pozzolanic material produced from the extraction, refinement, and calcination of spent bleaching earth. Due to its pozzolanic characteristics, EPP is a novel interest in the material sustainability of concrete technology in Malaysia today. However, there is still a lack of studies on how much EPP replacement fulfills the minimum requirements of 75% of the value of the strength activity index (SAI) as specified in the ASTM C618 standard. This study investigated the chemical, physical, mineralogical, and microstructural properties of EPP. The results revealed that EPP fulfilled the criteria as a class N pozzolan as per ASTM C618. According to the XRD result, the mineralogical data suggest that the OPC has a high amount of alite and belite at 65.65% and 10.26%, respectively. In contrast, the EPP showed high amorphous silica at 64.28%. Based on the scanning electron microscopy (SEM) images, the EPP particles had a spherical and porous structure, which increased the amount of water required for the mortar containing EPP. This study also examined EPP's strength activity index (SAI) at 10%, 20%, 30%, 40%, 50%, and 60% as partial cement replacement. The results indicated that the SAI was reduced with high EPP replacement percentages due to lower CaO content. The 28-day SAI value satisfied the minimum requirement of pozzolan as per ASTM C618 for cement replacement by up to 40%. In conclusion, EPP performed well as a cementitious supplementary material, with 10% and 20% being optimal replacements for cement.
ABSTRAK: Pozzolan Terproses-Eko (EPP) merupakan bahan pozzolan yang baharu terhasil daripada proses pengekstrakan, penapisan dan pengkalsinan daripada tanah peluntur terpakai. Disebabkan ciri-ciri pozzolaniknya, EPP menjadi tarikan terbaru dalam teknologi bahan konkrit lestari di Malaysia hari ini. Namun, masih terdapat kekurangan kajian mengenai berapa banyak penggantian EPP yang dapat memenuhi keperluan minimum 75% nilai indeks aktiviti kekuatan (SAI) seperti yang dinyatakan di dalam ASTM C618. Kajian ini menyelidik sifat kimia, fizikal, mineralogi, dan mikrostruktur EPP. Dapatan kajian mendapati bahawa EPP memenuhi kriteria sebagai pozzolan kelas N mengikut ASTM C618. Menurut dapatan XRD, data mineralogi menunjukkan bahawa OPC mempunyai kandungan alite dan belite yang tinggi iaitu sebanyak 65.65% dan 10.26%, masing-masing. Manakala, EPP menunujukkan kandungan silika amorfus yang tinggi pada 64.28%. Berdasarkan imej pengimbas mikroskop elektron (SEM), zarah EPP mempunyai struktur sfera dan berliang, di mana ia meningkatkan jumlah air yang diperlukan untuk mortar yang mengandungi EPP. Kajian ini juga mengkaji SAI EPP pada 10, 20, 30, 40, 50, dan 60% sebagai penggantian separa simen. Dapatan kajian menunjukkan bahawa penurunan nilai SAI dengan peratusan penggantian EPP yang tinggi disebabkan kandungan CaO yang rendah. Nilai SAI pada 28 hari memenuhi syarat minimum pozzolan mengikut ASTM C618 bagi penggantian simen sehingga 40%. Kesimpulannya, EPP berprestasi baik sebagai bahan tambahan simen, dengan 10% dan 20% sebagai penggantian simen yang optimum
INVESTIGATION OF THE PROPERTIES OF LITHIUM-CONTAINING CERAMICS BASED ON LOW-PLASTIC CLAY
Get PDFNowadays the production of construction materials and items is a multi-tonnage and actively developing production sphere. The regulatory requirements imposed on construction materials and products provide the assessment of their quality and application efficiency in construction or reconstruction of buildings and structures. The constantly increasing regulatory requirements and the limited availability of high-quality natural reserves demand the rapid development of new raw material resources. This paper presents the results of charge composition development based on low-plasticity clay, which has seen limited application due to the poor performance of items produced from it. However, certain functional additives can be introduced for producing high-quality materials. In this work, alongside lithium carbonate, the following additives have been considered: boric acid used as flux and titanium dioxide as a vitreous phase source. The lithium carbonate effect on total and open porosity, density, thermal conductivity, water absorption, frost resistance, compressive and bending strength has been studied. On the one hand lithium carbonate was found to demonstrate a pore-forming effect due to its decomposition during firing. On the other hand, lithium oxide formed during the additive decomposition facilitated the viscosity reduction of the vitreous phase during firing and its strength increase after cooling. Lithium oxide, similar to boric acid, is a flux, which makes further temperature reduction of liquid-phase sintering possible while preserving the surface self-glazing effect and the formation of the closed-pored internal structure of ceramics. The lithium carbonate pore-forming effect prevails over the flux-hardening and therefore, the amount this additive should be limited to obtain high performance properties and the compliance of resulting ceramics with regulatory requirements. The resulting ceramic material can be used for manufacturing products for buildings’ and structures’ plinth lining.
ABSTRAK: Pada masa kini, pengeluaran bahan dan barangan pembinaan adalah dalam gandaan tan dan aktif dibangunkan terutama dalam bidang pengeluaran. Keperluan pengawalseliaan bahan dan produk pembinaan menyediakan aplikasi penilaian kualiti dan kecekapan pembinaan atau pembinaan semula bangunan dan struktur. Peningkatan berterusan terhadap keperluan pengawalseliaan dan ketersediaan rizab semula jadi berkualiti tinggi yang terhad menuntut kepada pembangunan pesat sumber bahan mentah baru berkembang. Kajian ini memperkenalkan hasil pembangunan komposisi caj berdasarkan tanah liat keplastikan rendah, di mana aplikasi terhad kepada keburukan bahan yang dihasilkan, namun bahan tambahan tertentu boleh diperkenalkan bagi menghasilkan bahan berkualiti tinggi. Menggunakan litium karbonat bersama bahan tambahan berikut: asid borik digunakan sebagai fluks dan titanium dioksida sebagai sumber fasa vitreus, telah diambil kira dalam kajian ini. Kesan litium karbonat pada keliangan, ketumpatan, kekonduksian terma, penyerapan air, rintangan fros, kekuatan mampatan dan lenturan telah dikaji. Litium karbonat didapati menunjukkan kesan pembentukan liang dalam proses penguraian semasa pembakaran. Sebaliknya, litium oksida dibentuk semasa penguraian aditif dan membantu dalam pengurangan kelikatan fasa vitreus semasa pembakaran dan kekuatannya meningkat selepas penyejukan. Litium oksida, serupa dengan asid borik, adalah fluks, berpotensi menyebabkan suhu sinteran terus berkurang pada fasa cecair sambil mengekalkan kesan kilauan pada permukaan kaca dan menutup pembentukan struktur liang dalaman seramik. Kesan pembentukan liang litium karbonat adalah mengatasi pengerasan fluks. Oleh itu, jumlah bahan tambah ini harus dihadkan bagi mencapai piawaian dan prestasi tinggi seramik yang terhasil. Bahan seramik yang terhasil ini boleh digunakan sebagai lapisan plint bangunan dan struktur dalam pembuatan produk
Enhancing Prosthetic Control: Neural Network Classification of Thumb Muscle Contraction Using HD-sEMG Signals
Get PDFThe progression of prosthetic technology, enabling precise thumb control and movement, has reached a stage where noninvasive techniques for capturing bioelectrical signals from muscle activity are preferred over alternative methods. While electromyography's applications extend beyond just interfacing with prostheses, this initial investigation delves into evaluating various classifiers' accuracy in identifying rest and contraction states of the thumb muscles using extrinsic forearm readings. Employing a High-Density Surface Electromyogram (HD-sEMG) device, bioelectrical signals generated by muscle activity, detectable from the skin's surface, were transformed into contours. A training system for the thumb induced muscle activity in four postures: 0°, 30°, 60°, and 90°. The collection of HD-sEMG signals originating from both the anterior and posterior forearms of seventeen participants has been proficiently classified using a neural network with 100% accuracy and a mean square error (MSE) of 1.4923 x 10-5 based on the testing dataset. This accomplishment in classification was realized by employing the Bayesian regularization backpropagation (trainbr) training technique, integrating seven concealed layers, and adopting a training-validation-testing proportion of 70-15-15. In the realm of future research, an avenue worth exploring involves the potential integration of real-time feedback mechanisms predicated on the recognition of thumb muscle contraction states. This integration could offer an enhanced interaction experience between users and prosthetic devices.
ABSTRAK: Perkembangan teknologi prostetik mengguna pakai kaedah selamat iaitu isyarat bioelektrikal yang diperoleh dari pergerakan otot lebih digemari digunakan berbanding kaedah alternatif. Ini membolehkan kawalan dan pergerakan ibu jari dengan tepat. Sementara aplikasi elektromiografi telah melangkah jauh melebihi antara muka prostesis. Kajian awal ini mengkaji pelbagai ketepatan klasifikasi dalam mengenal pasti keadaan rehat dan kontraksi otot ibu jari menggunakan bacaan lengan bawah ekstrinsik. Dengan menggunakan peranti Elektromiogram Permukaan Kepadatan-Tinggi (HD-sEMG), isyarat bioelektrikal yang terhasil dari pergerakan otot, boleh ditanggalkan dari permukaan kulit, di ubah kepada kontur. Sistem latihan pada ibu jari menghasilkan pergerakan otot dalam empat postur iaitu: 0°, 30°, 60°, dan 90°. Isyarat terkumpul dari HD-sEMG berasal dari kedua-dua lengan tangan anterior dan posterior dari 17 peserta telah diklasifikasi dengan cekap menggunakan rangkaian neural dengan ketepatan 100% dan min kuasa dua ralat (MSE) sebanyak 1.4923 x 10-5 berdasarkan setdata yang diuji. Klasifikasi sempurna ini dicapai dengan menggunakan teknik latihan aturan rambatan-belakang Bayesian (trainbr), mengguna pakai tujuh lapisan tersembunyi dengan gabungan latihan-validasi-ujian mengikut kadar 70-15-15. Pada masa hadapan, pengkaji boleh menerokai potensi integrasi mekanisme tindak balas nyata dalam meramal dan mengenali kontraksi otot ibu jari. Integrasi ini mungkin membolehkan pengalaman interaksi antara peranti prostetik dan pengguna
Integration of MFCCs and CNN for Multi-Class Stress Speech Classification on Unscripted Dataset
Get PDFStress is an interaction between individuals and their environment, where perceived threats can lead to serious consequences if prolonged and consistently linked to adverse physical and mental health outcomes. Our study explores methods for stress classification via speech, utilizing an unscripted dataset from an experimental study that was able to show the spontaneous reactions of stressed individuals. Mel-Frequency Cepstral Coefficients (MFCCs) emerge as promising speech features, adept at representing the power spectrum crucial to human auditory perception, especially in stress speech recognition. Leveraging deep learning technology, specifically Convolutional Neural Network (CNN), our research optimally combines speech features and CNN algorithms for stress classification. Despite the scarcity of publications on unscripted datasets and multi-class stress classifications, our study advocates their adoption, aiming to enhance performance metrics and contribute to research expansion. The proposed system shows that MFCCs achieve an accuracy of 95.67% in distinguishing among three stress classes (low-stress, medium-stress, and high-stress), surpassing the prior unscripted dataset study by 81.86%. This highlights the efficacy of the proposed MFCCs-CNN system in stress classification.
ABSTRAK: Tekanan merupakan interaksi antara individu dan persekitaran, di mana ancaman akan membawa kepada akibat serius jika berlarutan, dan secara konsisten dikaitkan dengan kesan kesihatan fizikal dan mental yang buruk. Kajian ini mengkaji kaedah pengelasan tekanan melalui pertuturan, menggunakan set data tanpa skrip yang diperoleh daripada kajian eksperimen, iaitu mampu menunjukkan tindak balas spontan individu tertekan. Pekali Septral Frekuensi-Mel (MFCCs) muncul sebagai ciri pertuturan berpotensi, iaitu mahir dalam menunjukkan secara ringkas spektrum kuasa penting bagi persepsi pendengaran manusia, terutama ketika pengecaman pertuturan bertekanan. Memanfaatkan teknologi pembelajaran mendalam, khususnya Rangkaian Neural Lingkaran (CNN), kajian ini menggabungkan ciri pertuturan dan algoritma CNN secara optimum bagi pengelasan tekanan. Walau terdapat kekurangan penerbitan pada set data tanpa skrip dan klasifikasi tekanan pelbagai kelas, kajian ini meningkatkan penggunaannya, bertujuan bagi meningkatkan metrik prestasi dan menyumbang kepada keluasan penyelidikan. Sistem yang dicadangkan ini menunjukkan bahawa MFCC mencapai ketepatan 95.67% dalam membezakan antara tiga kelas tekanan (tekanan rendah, tekanan sederhana dan tekanan tinggi), mengatasi kajian dataset tanpa skrip terdahulu sebanyak 81.86%. Ini menunjukkan keberkesanan sistem MFCCs-CNN dalam pengelasan tekanan
GROWTH REVIVAL OF GREY OYSTER (PLEUROTUS PULMONARIUS) POWDER CULTURE MUSHROOM FROM THE EFFECT OF SPRAY DRYING TEMPERATURE
Get PDFIn mushroom cultivation, spawn is among the most important factors that ensure a successful production. Considering several drawbacks from both solid and liquid spawn in shelf life and preservation matters, it is suggested that the dry powder form of spawn is a good potential to explore. A study of powder culture formation using a spray dryer involved various inlet temperatures of 80 oC, 90 oC, 100 oC, 110 oC, 120 oC and 130 oC. The yield % of the dried powder culture was measured and it was found that 130 oC yielded the highest percentage of 50.33%. The lowest temperature yielded the lowest percentage. On the other hand, the lowest temperature of 80 oC revived the highest mycelium dry weight at 1.68 g which was obtained on the 10th day of the incubation periods. The revival ability was decreased with the increase of temperature. The study proved that the powder culture of P. pulmonarius was able to perform and revive whereby it holds a potential to be preserved over a longer period, which is beneficial for the mushroom cultivator.
ABSTRAK: Dalam penanaman cendawan, benih yang baik adalah antara faktor penting yang memastikan penghasilan tinggi. Terdapat beberapa kelemahan daripada benih pepejal dan cecair dalam memastikan jangka hayat berpanjangan serta memastikan benih dalam keadaan berkualiti sepanjang masa. Oleh itu, penghasilan benih cendawan dalam bentuk serbuk kering sangat berpotensi untuk diterokai. Kajian mengenai penghasilan kultur serbuk menggunakan semburan kering telah melibatkan pelbagai suhu salur masuk seperti 80 oC, 90 oC, 100 oC, 110 oC, 120 oC dan 130 oC. Peratus penghasilan kultur serbuk kering telah diukur dan didapati pada suhu 130 oC menghasilkan peratusan tertinggi iaitu sebanyak 50.33%, manakala suhu terendah menghasilkan peratusan terendah. Sebaliknya, suhu terendah pada 80 oC menumbuhkan semula berat kering miselium dengan bacaan tertinggi iaitu sebanyak 1.68 g diperoleh pada hari ke-10 tempoh inkubasi. Keupayaan menumbuh berkurangan dengan peningkatan suhu. Kajian membuktikan bahawa kultur serbuk P. pulmonarius mampu berfungsi dan tumbuh semula di mana ianya berpotensi disimpan dalam tempoh lama, ini berfaedah kepada penanaman cendawan
Brain Tumor Segmentation and Classification Using CNN Pre-Trained VGG-16 Model in MRI Images
Get PDFThe formation of a group of abnormal cells in the brain that penetrate the neighboring tissues is known as a brain tumor. The initial detection of brain tumors is necessary to aid doctors in treating cancer patients to increase the survival rate. Various deep learning models are discovered and developed for efficient brain tumor detection and classification. In this research, a transfer learning-based approach is proposed to resolve overfitting issues in classification. The BraTS – 2018 dataset is utilized in this research for segmentation and classification. Batch normalization is utilized in this experiment for data pre-processing and fed to a convolutional layer of CNN for extracting features from Magnetic Resonance Images (MRI). Then, an Adaptive Whale Optimization (AWO) algorithm is utilized to select effective features. This work proposes a Convolutional Neural Network (CNN) based segmentation and a transfer learning-based VGG-16 model for effective classification. The performance of the proposed CNN-VGG-16 technique is analyzed through various tumor regions like TC, ET, and WT. The proposed method attains a Dice score accuracy of 99.6%, 95.35%, and 94%, respectively, when compared to other existing algorithms like CNN, VGG-net, and ResNet.
ABSTRAK: Pembentukan gumpalan sel abnormal dalam otak yang menembusi tisu-tisu jiran adalah dikenali sebagai tumor otak. Pengesanan awal tumor otak adalah penting bagi membantu doktor merawat pesakit kanser bagi meningkatkan kadar jangka hayat. Terdapat banyak model pembelajaran mendalam berkaitan kecekapan pengesanan tumor otak dan pengelasan. Dalam kajian ini, pendekatan pembelajaran berdasarkan pindahan dicadangkan bagi mengatasi isu terlebih padan dalam pengelasan. Set data BraTS – 2018 telah digunakan dalam kajian ini bagi tujuan pensegmenan dan pengelasan. Kelompok normal digunakan dalam eksperimen ini bagi data awal proses dan disalurkan kepada jalur lingkaran CNN bagi mengekstrak ciri-ciri dari Imej Resonan Magnetik (MRI). Kemudian, algoritma Optimalisasi Mudah Suai ‘Whale’ (AWO) digunakan bagi memilih ciri-ciri berkesan. Kajian ini mencadangkan Lingkaran Rangkaian Neural (CNN) berdasarkan segmentasi dan model VGG-16 berdasarkan pindahan bagi pengelasan berkesan. Prestasi teknik CNN-VGG-16 yang dicadangkan diuji dengan pelbagai bahagian tumor otak seperti TC, ET dan WT. Kaedah yang dicadangkan ini beroleh ketepatan skor Dice sebanyak 99.6%, 95.35% dan 94% masing-masing jika dibanding dengan algoritma sedia ada seperti CNN, VGG-net dan ResNet