The aim of this master thesis is to propose a system for monitoring and regulating the climate in groups of terrariums using the Raspberry Pi platform and subsequent transparent display through the web server. Each group of terrariums has its own control device that wirelessly communicates with the Raspberry Pi control computer. The measured values are stored in the MySQL database on the control computer. The measured values are graphically displayed on the web page.

The design of functional materials with complex properties is very important for different applications, such as coatings, microelectronics, biotechnologies and medicine. It is also crucial that such kinds of materials have a long service lifetime. Unfortunately, cracks or other types of damages may occur during everyday use and some parts of the material should be changed for the regeneration of the initial properties. One of the approaches to avoid the replacement is utilization of self-healing materials. The aim of this thesis was to design a self-repairable material with superhydrophobic and switchable properties using colloidal particles. Specific goals were the synthesis of colloidal particles and the preparation of functional surfaces incorporated with the obtained particles, which would exhibit a repairable switching behavior and repairable superhydrophobicity. In order to achieve these goals, first, methods of preparation of simple and functional colloidal particles were developed. Second, the behavior of particles at surfaces of easy fusible solid materials, namely, paraffin wax or perfluorodecane, was investigated.

As the world population ages, the healthcare system is facing new challenges in treating more patients at a lower cost than today. One trend in addressing this problem is to increase the opportunities of in-home care. To achieve this there is a need for safe and cost-effective monitoring systems. Biosignal PI is an ongoing open-source project created to develop a flexible and affordable platform for development of stand-alone devices able to measure and process physiological signals. This master thesis project, performed at the department of Medical Sensors, Signals and System at the School of Technology and Health, aimed at further develop the Biosignal PI software by constructing a new flexible software framework architecture that could be used for measurement and processing of different types of biosignals. The project also aimed at implementing features for Heart Rate Variability(HRV) Analysis in the Biosignal PI software as well as developing a graphical user interface(GUI) for the Raspberry PI hardware module PiFace Control and Display. The project developed a new flexible abstract software framework for the Biosignal PI. The new framework was constructed to abstract all hardware specifics into smaller interchangeable modules, with the idea of the modules being independent in handling their specific task making it possible to make changes in the Biosignal PI software without having to rewrite all of the core. The new developed Biosignal PI software framework was implemented into the existing hardware setup consisting of an Raspberry PI, a small and affordable single-board computer, connected to ADAS1000, a low power analog front end capable of recording an Electrocardiography(ECG). To control the Biosignal PI software two different GUIs were implemented. One GUI extending the original software GUI with the added feature of making it able to perform HRV-Analysis on the Raspberry PI. This GUI requires a mouse and computer screen to function. To be able to control the Biosignal PI without mouse the project also created a GUI for the PiFace Control and Display. The PiFace GUI enables the user to collect and store ECG signals without the need of an big computer screen, increasing the mobility of the Biosignal PI device.   To help with the development process and also to make the project more compliant with the Medical Device Directive a couple of development tools were implemented such as a CMake build system, integrating the project with the Googletest testing framework for automated testing and the implementation of the document generator software Doxygen to be able to create an Software Documentation.    The Biosignal PI software developed in this thesis is available through Github at https://github.com/biosignalpi/Version-A1-Rapsberry-PI / Allt eftersom världens befolkning åldras, ställs sjukvården inför nya utmaningar i att behandla fler patienter till en lägre kostnad än idag. En trend för att lösa detta problem är att utöka möjligheterna till vård i hemmet.För att kunna göra detta finns det ett ökande behov av säkra och kostnadseffektiva patientövervakningssystem. Biosignal PI är ett pågående projekt med öppen källkod som skapats för att utveckla en flexibel och prisvärd plattform för utveckling av fristående enheter som kan mäta och bearbeta olika fysiologiska signaler. Detta examensarbete genomfördes vid institutionen för medicinska sensorer, signaler och system vid Skolan för Teknik och Hälsa. Projektet syftade till att vidareutveckla den befintliga mjukvaran för Biosignal PI genom att skapa ett nytt flexibelt mjukvaruramverk som kan användas för mätning och bearbetning av olika typer av biosignaler.Projektet syftade också till att utvidga mjukvaran och lägga till funktioner för att kunna genomföra hjärtfrekvensvariabilitets(HRV) analys i Biosignal PIs mjukvara, samt att utveckla ett grafiskt användargränssnitt(GUI) för hårdvarumodulen PiFace Control and Display. Projektet har utvecklat ett nytt flexibelt mjukvaruramverk för Biosignal PI. Det nya ramverket konstruerades för att abstrahera alla hårdvaruspecifika delar in i mindre utbytbara moduler, med tanken att modulerna ska vara oberoende i hur de hanterar sin specifika uppgift. På så sätt ska det vara möjligt att göra ändringar i Biosignal PIs programvara utan att behöva skriva om hela mjukvaran.Det nyutvecklade Biosignal PI ramverket implementerades i det befintliga hårdvaru systemet, som består av en Raspberry PI, liten och prisvärd enkortsdator, ansluten till ADAS1000, en analog hårdvarumodul med möjlighet att registrera ett elektrokardiografi(EKG/ECG). För att kontrollera Biosignal PI programmet har två olika grafiska användargränssnitt skapats.Det ena gränssnitt är en utvidgning av original programvaran med tillagd funktionalitet för att kunna göra HRV-Analys på Raspberry PI, detta gränssnitt kräver dock mus och dataskärm för att kunna användas.För att kunna styra Biosignal PI utan mus och skärm skapades det även ett gränssnitt för PiFace Control and Display. PiFace gränssnittet gör det möjligt för användaren att samla in och lagra EKG-signaler utan att behöva en stor datorskärm, på så sätt kan man öka Biosignal PI systemets mobilitet. För att underlätta utvecklingsprocessen, samt göra projektet mer förenligt med det medicintekniska regelverket, har ett par utvecklingsverktyg integrerats till Biosignal PI projektet såsom CMake för kontroll av kompileringsprocessen, test ramverket Googletest för automatiserad testning samt integrering med dokumentations generatorn Doxygen för att kunna skapa en dokumentation av mjukvaran.

Tools that automate processes are always sough after across the entire IT field. This project's aim was to build and evaluate a semi-automated reconnaissance tool based on a Raspberry Pi 4, for use in penetration testing and/or digital forensics. The software is written in Python 3 and utilizes Scapy, PyQt5 and the Aircrack-ng suite along with other pre-existing tools. The device is targeted against wireless networks and its main purpose is to capture what is known as the WPA handshake and thereby crack Wi-Fi passwords. Upon achieving this, the program shall then connect to the cracked network, start packet sniffing and perform a host discovery and scan for open ports. The final product underwent three tests and passed them all, except the step involving port scanning - most likely due to hardware and/or operating system faults, since other devices are able to perform these operations. The main functionalities of this device and software are to: identify and assess nearby network access points, perform deauthentication attacks, capture network traffic (including WPA handshakes), crack Wi-Fi passwords, connect to cracked networks and finally to perform host discovery and port scanning. All of these steps shall be executed automatically after selecting the target networks and pressing the start button. Based on the test results it can be stated that this device is well suited for practical use within cyber security and digital forensics. However, due to the Raspberry Pi's limited computing power users may be advised to outsource the cracking process to a more powerful machine, for the purpose of productivity and time efficiency.

No description available.

No description available.

No description available.

Ögonkontakt-sensorer skapar möjligheten att tolka användarens uppmärksamhet, vilketkan användas av system på en mängd olika vis. Dessa inkluderar att skapa nya möjligheterför människa-dator-interaktion och mäta mönster i uppmärksamhet hos individer.I den här uppsatsen gör vi ett försök till att konstruera en ögonkontakt-sensor med hjälpav en Raspberry Pi, med målet att göra den praktisk i verkliga scenarion. För att fastställaatt den är praktisk satte vi upp ett antal kriterier baserat på tidigare användning avögonkontakt-sensorer. För att möta dessa kriterier valde vi att använda en maskininlärningsmetodför att träna en klassificerare med bilder för att lära systemet att upptäcka omen användare har ögonkontakt eller ej. Vårt mål var att undersöka hur god prestanda vikunde uppnå gällande precision, hastighet och avstånd. Efter att ha testat kombinationerav fyra olika metoder för feature extraction kunde vi fastslå att den bästa övergripandeprecisionen uppnåddes genom att använda LDA-komprimering på pixeldatan från varjebild, medan PCA-komprimering var bäst när input-bilderna liknande de från träningen.När vi undersökte systemets hastighet fann vi att nedskalning av bilder hade en stor effektpå hastigheten, men detta sänkte också både precision och maximalt avstånd. Vi lyckadesminska den negativa effekten som en minskad skala hos en bild hade på precisionen, mendet maximala avståndet som sensorn fungerade på var fortfarande relativ till skalan och iförlängningen hastigheten. / Eye contact detection sensors have the possibility of inferring user attention, which can beutilized by a system in a multitude of different ways, including supporting human-computerinteraction and measuring human attention patterns. In this thesis we attempt to builda versatile eye contact sensor using a Raspberry Pi that is suited for real world practicalusage. In order to ensure practicality, we constructed a set of criteria for the system basedon previous implementations. To meet these criteria, we opted to use an appearance-basedmachine learning method where we train a classifier with training images in order to inferif users look at the camera or not. Our aim was to investigate how well we could detecteye contacts on the Raspberry Pi in terms of accuracy, speed and range. After extensivetesting on combinations of four different feature extraction methods, we found that LinearDiscriminant Analysis compression of pixel data provided the best overall accuracy, butPrincipal Component Analysis compression performed the best when tested on imagesfrom the same dataset as the training data. When investigating the speed of the system,we found that down-scaling input images had a huge effect on the speed, but also loweredthe accuracy and range. While we managed to mitigate the effects the scale had on theaccuracy, the range of the system is still relative to the scale of input images and byextension speed.

Med höga belastningar inom dagens process- och tillverkningsindustri är det mycket vanligt med automatiserade processer, för att skapa dessa processer används oftast PLC eller SCADA system. System som dessa är ofta dyra varför det kan vara svårt för mindre företag att investera i och hålla systemen löpande uppdaterade. Därför skall det i detta projekt visas att det finns möjlighet att utveckla automatiserade processer till rimliga kostnader. Med hög efterfrågan av automationssystem är det också viktigt att i utbildningsyfte lära ut om denna teknik. För det krävs det enkla system för studenter att kunna konstruera och programmera mindre processer. Detta skall visas genom att i utvecklingsmiljön Codesys konstruera ett sorteringssystem med SoftPLC funktionsblock där programvaran i sin tur skall exekveras i en Raspberry Pi hårdvara. Genom SoftPLC gör man systemet kompatibelt för anslutning av ett stort antal I/O-enheter av olika slag. Detta ger en flexibilitet för företag att till rimlig kostnad löpande vidareutveckla befintliga system. Den utvecklade programvarans huvudsakliga uppgift är att skapa logiska samband och styrningar kopplade till den information som inhämtas från de till CPU-enheten anslutna programerabara distribuerade I/O-enheter. Programvarans funktionalitet konstruerades för att få ett objekt att längs ett löpande band färdas runt och sorteras beroende på dess material och färg utan extern hjälp. Den färdiga konstruktionen gjorde det möjligt för en kloss att ta sig runt utan extern hjälp. Med detta program var det möjligt för processen att kunna sortera svart, vit och metalliska klossar, för att sen placera ut klossarna på specifika löpband. Som slutsats konstateras att det är fullt rimligt att skapa modulära automatiserade processer med god precision till ett rimligt pris. Detta genom användande av open-source programvara som exekverar i på marknaden prisvärda CPU-enheter / With a higher workload in today’s process and manufacturing industry has it become more popular with automated systems and processes, were SCADA and PLC is the leading development system. Systems like this are often expensive and can because of that be hard to maintain for smaller companies to keep updated. In this project it will be possible to develop an automated process for reasonable cost. With high demand of automation system, it is also important in educational purposes to teach and develop such systems. Therefor it is important with simple system to build and program.  By using the developing tool Codesys build a sorting system with SoftPLC function block where this software will be executed on a Raspberry Pi.  With SoftPLC it will be possible to make it compatible for connection with vast majority of I/O-units. This makes it flexible for companies to continue developing their firmware for a lower cost. The developed software main task is to create logical connections and controls that is gathered from the CPU connections programmable I/O-units. The software was created for an object to be able to travel on conveyor belt and be sorted depending on its colour without any external help. The complete setup made it possible for an object to travel without any external help. With the software it was possible for the process to sort black, white and metallic colour on the object, to then be able to place these on specific conveyor belt depending on its colour. As a conclusion to this project, it is possible to make automated processes for a reasonable price with good precision. This by using open-source software which can be downloaded on low-cost CPU-units.

With the increasing demand for renewable energy, solar cells have become a crucial technology in meeting this need. Optimizing the placement of solar cells is essential and can be achieved by tracking their performance data. This project's goal was to develop an interface for collecting primarily solar cell-related data, although it is versatile enough to handle any type of data. The report details the sensors and components used in the standard interface. The final product is not strictly a transmitter or receiver, but includes a piece of breadboard allowing for the implementation of various circuits. Additionally, the practical aspects of data collection using a Raspberry Pi and database services are discussed. The completed system features transmitter and receiver circuits, which can be expanded into a larger mesh network as needed.