The purpose of this bachelor’s thesis was to create a functioning turret that can recognize heat sources and automatically shoot water at them using a thermal camera and water pump. The main areas to research was the cameras capability regarding fire detection and also the turret’s efficacy in putting out fires using this detection. The reason for building FIRESAFE is to understand how technology can be implemented to improve existing fire extinguishers in a way that enables fires to be put out at an earlier stage while minimizing water damage to property. The turret is controlled using two servo motors which rotate the structure in 2-axis and a IR-camera which locates heat sources. A Raspberry Pi was used to control the software side of the project, a ultrasonic sensor for distance measurement and a basic washer pump for a car was used for the water cannon. The prototype was able to extinguish candles at a distance of 1.5m with an accuracy of 50% on the first attempt. It had an average extinguishing time of 20 seconds. / Syftet med denna kandidatuppsats var att skapa ett fungerande torn som kan lokalisera värmekällor och automatiskt släcka dessa med hjälp av en värmekamera och en vattenpump. De huvudsakliga områdena att undersöka var kamerans förmåga att upptäck eld samt tornets förmåga att släcka bränder med hjälp av eldens position. Anledningen till att bygga FIRESAFE är att förstå hur teknologi kan implementeras för att förbättra befintliga brandsläckare så att bränder kan släckas i ett tidigare stadium och minimera vattenskador på egendom. Tornet styrs med hjälp av två servo motorer som roterar strukturen i 2-axlar och värmekameran används för att upptäcka värmekällor. En Raspberry Pi användes för att styra mjukvarudelen av projektet, en ultraljudssensor för avståndsbedömning och en grundläggande spolarvätskepump från en bil användes för vattenkanonen. Prototypen kunde bekämpa ett ljus på 1.5m med en träffsäkerhet på 50% på först försöket. Det hade en genomsnittlig släckningstid på 20 sekunder.

Humans are growing older which presents challenges for the health care system. One solution for allowing individuals to continue living in their home, despite age related dif- ficulties, is a sensor based surveillance system. These systems can monitor a number of parameters, for example motion or temperature. If certain limits are exceeded the sys- tem can notify family members or health care services. The aim of this project was to build a prototype of such a system which also had to be cheap and easy to install and maintain. The final prototype consists of a motion detection sensor in the bathroom, a temperature sensor around the kitchen stove and a temperature sensor for measurement of ambient room temperature. Each sensor is connected to its own Arduino and they are all programmed with different limits. The sensors communicate wirelessly with a central hub through the communication protocol LoRa. Once the central hub, which consists of a Raspberry Pi, receives a LoRa signal it sends an email to a chosen address. / Människor blir allt äldre vilket är en utmaning för sjukvården. En lösning som tillåter individer att fortsätta bo i sina hem, trots åldersrelaterade svårigheter, är ett sensorba- serat övervakningssystem. Sådana system kan övervaka ett flertal parametrar, exemåelvis rörelse eller temperatur. Om vissa gränser överskrids kan systemet underrätta anhöriga eller hemtjänsten. Syftet med det här projektet var att bygga en prototyp av ett sådant system, som även skulle vara billig och enkel att installera och underhålla. Den slutgiltiga prototypen består av en rörelsedetektor i badrummet, en temperatursensor vid köksspisen och en sensor som mäter den omgivande temperaturen i ett rum. Varje sensor är kopp- lad till en egen Arduino och de är alla programmerade med olika gränsvärden. Sensorerna kommunicerar trådlöst med en centralenhet genom kommunikationsprotokollet LoRa. När centralenheten, som består av en Raspberry Pi, tar upp en LoRa-signal skickar den ett email till en vald adress.

One of the main challenges for advanced driver assistance systems (ADAS)is the environment perception problem. One factor that makes ADAS hardto implement is the large amount of different conditions that have to betaken care of. The main sources for condition diversity are lane and roadappearance, image clarity issues and poor visibility conditions. A review ofcurrent lane detection algorithms has been carried out and based on that alane detection algorithm has been developed and implemented on a mixedcriticality platform. The thesis is part of a larger group project consisting offive master thesis students creating a demonstrator for autonomous platoondriving. The final lane detection algorithms consists of preprocessing stepswhere the image is converted to gray scale and everything except the regionof interest (ROI) is cut away. OpenCV, a library for image processing hasbeen utilized for edge detection and hough transform. An algorithm for errorcalculations is developed which compares the center and direction of the lanewith the actual vehicle position and direction during real experiments. Thelane detection system is implemented on a Raspberry Pi which communicateswith a mixed criticality platform through UART. The demonstrator vehiclecan achieve a measured speed of 3.5 m/s with reliable lane keeping using thedeveloped algorithm. It seems that the bottleneck is the lateral control ofthe vehicle rather than lane detection, further work should focus on controlof the vehicle and possibly extending the ROI to detect curves in an earlierstage. / En stor utmaning för avancerade förarstödsystem (ADAS) är problemet med uppfattning av miljön runt omkring. En faktor som gör ADAS svårt att implementera är den stora mängd olika förhållanden som måste tas hand om. De största källorna till olikheter är utseendet på körfältet och vägen, dåliga siktförhållanden samt otydliga bilder. En granskning av nuvarande algoritmer för körfältsdetektering har utförts och baserat på den har en körfältsdetekteringsalgoritm utvecklats och implementerats på ett blandkritiskt system. Avhandlingen är en del av ett större grupprojekt bestående av fem mastersstudenter som ska skapa en demonstrator för autonom konvojkörning. Den slutgiltiga körfältsdetekteringsalgoritmen består av förbehandlingssteg, där bilden konverteras till gråskala och allt utom intresseområdet är bortklippt. OpenCV, ett bibliotek för bildbehandling har använts för kantdetektering och houghtransformation. En algoritm som jämför körfältets mittpunkt och riktning med fordonets faktiska position och riktning har utvecklats och används i experiment för kontroll av fordonet. Körfältsdetekteringsalgoritmen har implementeras på en Raspberry Pi som kommunicerar med en blandkritisk plattform genom UART. Demo-fordonet kan uppnå en uppmätt hastighet på 3,5 m/s med pålitlig väghållning med den utvecklade algoritmen. Det verkar som att flaskhalsen är kontroll av fordonet i sidled och inte körfältsdetektering, ytterligare arbete bör fokusera på kontroll av fordonet och eventuellt utöka synfältet för att detektera kurvor i ett tidigare skede.

As the Internet of Things (IoT) is revolutionising and digitalising industry and the need for remote connectivity is increasing, there is an opportunity for new solutions for remotely controlled industrial equipment. One possible way of controlling industrial robot arms is by using a universal model arm input device of a different scale. The question this can lead to is, how a wireless IoT solution for a model-controlled robot arm can perform. This thesis realises this concept with a working demonstrator consisting of a model arm and a robot arm, connected through a third party IoT service. Tests, measuring the precision of the replicated motion and the time delay are used to evaluate the performance. The results lead to the conclusion, that the envisioned concept has merit, but is restricted by limitations such as the transmission interval of the used IoT service. Further, the conclusions and accomplishments of this thesis could serve as a basis for additional research on this method of remotely controlling industrial equipment. / Sakernas internet (IoT) revolutionerar och digitaliserar industrin, samtidigt som behovet av fjärranslutning ökar. Detta öppnar möjligheter till nya lösningar för fjärrstyrd industriell utrustning. Ett sätt att styra industrirobotar är att använda en universell modellarm i annan skala än robotarmen. Detta leder till frågan hur en trådlös IoT-lösning för en modellstyrd robotarm kan fungera. I detta projekt förverkligas konceptet med hjälp av en prototyp som består av en modellarm och en robotarm. Dessa är anslutna via en IoT-tjänst från en tredje part. Prestandan och precisionen av den återskapade rörelsen och tidsfördröjningen utvärderas genom tester. Slutsatsen dras att konceptet har fördelar, men begränsas av bland annat överföringsintervallet på grund av den valda IoT-tjänsten. Slutsatserna och resultaten från projektet skulle kunna användas för ytterligare forskning kring denna metod av fjärrstyrning.

A mesh network is a technology that is being repopularized and becoming commonly used by the general public. As this increase in use is observed, technologies such as Bluetooth are being adapted to create mesh variants. In this thesis, a Bluetooth mesh network is created and tested using raspberry pi 4’s and the Bluetooth interface, btferret. This thesis attempts to approach the limits of this technology using accessible tools, outlining the performance the network possesses to serve as a guideline to determine if it suitable for use for tasks at hand. Experimentation is split into two overarching methods where a test for latency and throughput is conducted. The thesis goes on to expose these tests to different stressors, categorized as either internal or external. The data collected aims to show the impacts of internal properties, in this case size of the packets transmitted, the size of the network, and finally the number of hops a packet is able to make within the network. The external factors tested for consists of various environmental properties in the form of obstacles and interference. Walls and a microwaves were used as obstacles while WiFi and other Bluetooth signals were used for interference. The results show that Bluetooth Low Energy (BLE) mesh networks are clearly affected by several internal and external factors. From the experimentation conducted, the thesis illustrates the relative effects of each property the tests are exposed to. / Ett mesh nätverk är en teknik som blivit populär igen och används ofta av allmänheten. Eftersom denna ökade användning observeras, tekniker som Bluetooth anpassas för att skapa mesh nätverksvarianter. I denna avhandling skapas och testas ett Bluetoothnätverk med Raspberry pi 4’s och Bluetoothgränssnittet, btferret. Denna uppsats försöker nå gränserna för denna teknik med hjälp av tillgängliga verktyg, definiera nätverks prestandan som en riktlinje för att avgöra om det är lämpligt för användning för uppgifter till hands. Resultaten visar att BLE mesh nätverk har tydliga begränsningar som avslöjar sig i olika sammanhang. I denna raport så undersöks paket storlek och antal hopp som ett paket kan göra inom nätverket utan signifikant prestandafall. Dessutom har olika andra faktorer, såsom väggar och andra störande radiofrekvenser visat sig påverka nätverket. Från alla experiment som genomförts så illustreras relativa effekt av det olika faktorer.

The scope of this bachelor’s thesis was to investigate the use of infrared light to track an object in an image. The goal of the report was to build a full-scale prototype of a camera mount to understand what type of setup is ideal for delivering good tracking performance with infrared (IR) light, an IR-camera and a reflector. The tracker used IR-lights that shines light on the reflector which makes it the brightest spot in the image. Visible light was removed with an analog filter in front of the camera. A microcomputer, in this case a Raspberry Pi 3B+ was used to process the image from the camera, find the brightest spot and then turn the camera with two servo-motors. This resulted in a twoaxis motion that made sure that the brightest spot always stays in the middle of the frame. The testing of the system was done in two steps. First of all, five different shapes of reflector was tested to establish which shape ensures the best tracking performance, in all lighting conditions. The results from the testing was then compared to other visionbased tracking methods covered in other bachelorss thesis’ at KTH. The results showed that IR-tracking perform well in conditions with low ambient light while other visionbased tracking methods, like color tracking works better in conditions with lots of light. / I den här rapporten undersöks användningen av infrarött ljus för att spåra ett objekt i en bild. Målet med rapporten var att bygga en fullskalig prototyp av ett kamerafäste för att undersöka vilken typ av uppsättning som kunde leverera god prestanda gällande bildspårning med hjälp av infrarött (IR) ljus, en IR-kamera och en reflex. För spårningen användes IR-lampor som lyste på reflexen i syfte att göra den till den ljusaste punkten i bilden. Synligt ljus filtrerades bort med ett analogt filter som sattes framför kameran. En mikrodator i form av en Raspberry Pi 3B+ användes för att behandla bilden från kameran, identifiera ljusaste punkten och sedan rotera kamerafästet med hjälp av två servomotorer. Rotationen skedde kring två axlar för att se till att reflexen alltid befann sig mitt i bild. Testningen av uppsättningen gjordes i två steg. Först analyserades fem olika former på reflexen för att undersöka vilken form som bäst försäkrade att reflexen alltid är ljusaste punkten i bilden, även vid olika ljusförhållanden. Testresultaten från det andra testet kunde sedan jämföras med tidigare kandidatuppsatser som skrivits vid KTH. Det konstaterades att IR-spårning ger bättre prestanda vid ljusförhållanden med svagt ljus, medan spårning med hjälp av färgigenkänning ger bättre prestanda vid förhållanden med mycket ljus.

I en modern värld där artificiell intelligens blir allt mer integrerad i våra dagliga liv är en av de mest grundläggande och nödvändiga färdigheterna för en AI att lära sig och bearbeta information, särskilt genom objektdetektering. Det finns många algoritmer som kan användas för denna specifika uppgift, men vårt huvudsakliga fokus ligger på "You Only Look Ones", även känd som YOLO-algoritmen. Denna studie fördjupar sig i användningen av YOLO inom inbyggda system specifikt för att upptäcka tågrelaterade objekt på en Raspberry Pi. Målet med denna studie är att övervinna begränsningar i processorkraft och minne, typiska för småskaliga databehandlingsplattformar som Raspberry Pi, samtidigt som hög detekteringsnoggrannhet, hastighet och låg energiförbrukning bibehålls. Detta uppnås genom att träna YOLO-modellen med olika bildupplösningar och olika inställningar av hyperparametrar och sedan köra inferens på dem så att energiförbrukningen kan beräknas. Resultaten indikerar att även om lägre upplösningar resulterar i lägre noggrannhet, minskar de avsevärt de beräkningsmässiga kraven på Raspberry Pi, vilket gör det till en genomförbar lösning för realtidsapplikationer i miljöer där tillgången till ström är begränsad. / In a modern world where artificial intelligence (AI) is becoming increasingly integrated into our daily lives, one of the most fundamental and essential skills for an AI is to learn and process information especially through object detection. There are many algorithms that could be used for this specific task but our mainly focus is on "You Only Look Ones" aka YOLO algorithm. This study dives into the use of YOLO within embedded systems specifically for detecting train-related objects on a Raspberry Pi. The aim of this study is to overcome limitations in processing power and memory, typical in small-scale computing platforms like Raspberry pi, while maintaining high detection accuracy, fast processing time and low energy consumption. This is achieved by training the YOLO model with different image resolutions and different hyper parameters tuning then running inference on them so that the energy consumption can be calculated. The results indicate that while lower resolutions result in lower accuracy, they significantly reduce the computational demands on the Raspberry Pi, making it a viable solution for real-time applications in environments where power availability is limited

This thesis describes the design and subsequent implementation of a unit for traffic monitoring using Raspberry PI. First section provides a quick overview of assistance systems, which use a road lane detection techniques. Next there is a description of two diferent methods for road lane detection. Follow the description of monitoring scene. Then the work describe the practical part including the design and realization of supporting electronics, selecting of each components, including the modifying of cameras, mechanical design and creating of unit. Another section is about selection and installation of appropriate software components necessary for running of the unit and the selection of development tools for creating user application. After description of graphical user interafce, there is a description of road lanes detection algorithm. At the end of the thesis is summarized a reliability of unit in real traffic situation. At the appendix there are technical drawings, describing the unit.

I denna studie skall Java och C# ställas mot varandra och köras på en Raspberry Pi för att se vilken av dem som kan sortera heltalsvektorer snabbast. Som Java-motor kommer Hot-Spot att användas och Mono för C# och de ska sortera vektorer med sorteringsalgoritmer från språkens stödbibliotek och en implementerad algoritm baserad på urvalssortering. Detta arbete är till för att dem som vill arbeta med ett objektorienterat språk på Raspberry Pi, men inte har bestämt sig än för vilket som skall användas. Resultatet visar att Java presterar bättre än C# i de flesta fall och att det finns undantag då C# presterar bättre. / In this study, Java and C# is set against each other and running on a Raspberry Pi to see if they have similar processing times, or if there is a clear difference between the two languages. As Java-engine HotSpot will be used and Mono for C# and they will sort vectors with sorting algorithms from the language's support library and one implemented algorithm based on selection sort. This work is for those who want to work with an object-oriented language on Raspberry Pi, but has not decided yet on which one to choose. The result shows that Java performs better than C# in most cases, but in some cases C# is performing better.

Syftet med rapporten är att visa möjligheten att använda Raspberry Pi 2 i ett ansiktsigenkänningssystem. Studien redogör för prestandaskillnader mellan Eigenface och Fisherfacemetoden. Studieförfattarna har genomfört en experimentell studie enligt en kvantitativ metod där tester utgör empirin. Resultatet från testerna kommer presenteras genom diagram och påvisa möjligheten att använda Raspberry Pi 2 som hårdvara i ett ansiktsigenkänningssystem. Genom samma testutförande kommer skillnader mellan igenkänningsmetoderna att påvisas. Studien visar att Raspberry Pi 2 är en lämplig kandidat att använda för mindre ansiktsigenkänningssystem. Vidare framgår det att Fisherface-metoden är det lämpligaste valet att använda vid implementation av systemet. / The purpose with this report is to demonstrate the possibility to use Raspberry Pi 2 as hardware in a face recognition system. The study will show performance differences regarding the Eigenface- and Fisherface-method. To demonstrate the possibility the authors have done tests using an experimental study and quantitative method. To review the tests and to understand the result a qualitative literature review was taken. The tests will be presented as graphs to show the possibility to use Raspberry Pi 2 as hardware in a face recognition system. The same goes for the comparison of the chosen algorithms. The work indicates that Raspberry Pi 2 is a possible candidate to use for smaller face recognition systems. There is also an indication that the Fisherface method is the better choice for face recognition.