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.

One of the challenges of utilizing higher frequencies in the RF spectrum, for any number of applications, is the hardware constraints of analog-to-digital converters (ADCs). Since mid-20th century, we have accepted the Nyquist-Shannon Sampling Theorem in that we need to sample a signal at twice the max frequency component in order to reconstruct it. Compressive Sampling (CS) offers a possible solution of sampling sub-Nyquist and reconstructing using convex programming techniques. There has been significant advancements in CS research and development (more notably since 2004), but still nothing to the advantage of everyday use. Not for lack of theoretical use and mathematical proof, but because of no implementation work. There has been little work on hardware in finding the realistic constraints of a working CS system used for digital signal process (DSP). Any parameters used in a system is usually assumed based on stochastic models, but not optimized towards a specific application. This thesis aims to address a minimal viable platform to implement compressive sensing if applied to a wireless sensor network (WSN), as well as address certain parameters of CS theory to be modified depending on the application.

The world is getting busier and more crowded each year. Due to this fact resources such as public transport, available energy, and usable space are becoming congested and require vast amounts of logistical support. As of February 2018, nearly 95% of Americans own a mobile cell phone according to the Pew Research Center. These devices are consistently broadcasting their presents to other devices. By leveraging this data to provide occupational awareness of high traffic areas such as public transit stops, buildings, etc logistic efforts can be streamline to best suit the dynamics of the population. With the rise of The Internet of Things, a scalable low-cost occupancy monitoring system can be deployed to collect this broadcasted data and present it to logistics in real time. Simple IoT devices such as the Raspberry Pi, wireless cards capable of passive monitoring, and the utilization of specialized software can provide this capability. Additionally, this combination of hardware and software can be integrated in a way to be as simple as a typical plug and play set up making system deployment quick and easy. This effort details the development and integration work done to deliver a working product acting as a foundation to build upon. Machine learning algorithms such as k-Nearest-Neighbors were also developed to estimate a mobile device's approximate location inside a building.

Detta projekt har utförts på uppdrag av Saab Dynamics. Syftet med projektet var att skapa ett system för att ersätta den befintliga utrustning som fanns för att simulera radar vid testning av vissa vapensystem.   Systemet byggdes upp med hjälp av GPRS, GPS och transportprotokollen TCP och UDP. Huvuddelen av arbetet berörde GPS och GPRS.   Denna rapport är en redogörelse för systemets framtagning och de verktyg och metoder som användes, samt en fördjupning i ämnena GPS, GPRS och deras olika protokoll. Rapporten tar även kort upp alternativa lösningar till datasamtal.   Slutsatsen som kan dras utifrån resultatet av detta projekt är att systemet fungerar och kan vara användbart i framtiden efter vidareutveckling. / This project has been carried out on behalf of Saab Dynamics. The purpose of the project was to create a system to replace the existing equipment for simulating radar when testing certain weapon systems.   The system was created using GPRS, GPS and the transport protocols TCP and UDP. GPS and GPRS were used the most.   This report is a description of the system's design and the tools and methods used to create it, as well as an in depth look into the subjects of GPS, GPRS and their various protocols. The report also briefly discusses some alternative solutions that could have been used instead of data calls.   The conclusion that can be drawn from the results of this project is that the system works and can be useful in the future with further development.

This project investigated the current market regarding wireless net and the communication between the tools used for diagnostics/maintenance and an embedded system. Based on documentation obtained through interviews a demo system was created based on Bluetooth Low Energy (BLE) communication between an embedded system and an Android device. This report intends to describe the tools and methods used in the design of the demo system and the result of an analysis of the BLE communication. Bluetooth Low Energy is an exciting protocol with wide applicability within the industrial field. This project investigated the communicational possibilities between a Smartphone and a Raspberry Pi and based on the results that emerged the conclusion can be drawn that BLE is a protocol with many beneficial applications within industrial IT. / Projektet undersökte dagens marknad gällande trådlösa nät samt kommunikation mellan verktyg som används för diagnostik/underhåll och ett inbyggt system. Utifrån underlaget som erhölls genom intervjuer har ett demosystem skapats som bygger på Bluetooth Low Energy (BLE) kommunikation mellan ett inbyggt system och en Android-enhet. Denna rapport avser redogöra för de verktyg och metoder som använts för att konstruera ett demosystem samt resultatet av en analys av BLE-kommunikationen. Bluetooth Low Energy är ett spännande protokoll med stora tillämpningsmöjligheter inom industrin. Detta projekt har undersökt möjligheterna att kommunicera mellan en Smartphone och en Raspberry Pi och utifrån resultaten som uppkommit kan slutsatsen dras att BLE är ett protokoll som kan ha många och fördelaktiga tillämpningar inom Industriell IT.

Det problem som denna uppsats hade för avsikt att besvara var varför hemautomation inte används i fler hem. Genom resultaten från en enkät som distribuerades kunde slutsatsen att kostnaden för de befintliga lösningar som finns på marknaden idag inte låg i den prisklass våra respondenter ansåg rimlig. Författarna utvecklade då problemet och ställde sig frågan om en hemautomationslösning verkligen måste ha en så hög kostnad som de befintliga lösningarna har idag. För att belysa detta problem implementerades en egen kostnadseffektiv lösning där respondenternas mest önskvärda funktioner togs i beaktande och en testmiljö implementerades utefter dessa. Resultatet blev en hemautomationslösning med stor potential och med en betydligt lägre kostnad än dagens befintliga lösningar. / The problem this study intended to answer was why home automation is not used in more homes. The results of a survey that was distributed could conclude that the cost of existing solutions available on the market today is not within the price range our respondents considered reasonable. The authors then evolved the problem and asked themselves whether home automation really need such a high cost as the existing solutions today. To illustrate this problem, the authors implemented a cost-effective solution where respondents' most popular features were in regard. The result was a home automation solution with great potential and with a significantly lower cost than today's existing solutions.

Artificial Inteligens and machine learning has started to get established as reco- gnizable terms to the general masses in their daily lives. Applications such as voice recognicion and image recognicion are used widely in mobile phones and autonomous systems such as self-drivning cars. This study examines how one can utilize this technique to classify sound as a complement to videosurveillan- ce in different settings, for example a busstation or other areas that might need monitoring. To be able to do this a technique called Convolution Neural Ne- twork has been used since this is a popular architecture to use when it comes to image classification. In this model every sound has a visual representation in form of a spectogram that showes frequencies over time. One of the main goals of this study has been to be able to apply this technique on so called IOT units to be able to classify sounds in real time, this because of the fact that these units are relativly affordable and requires little resources. A Rasberry Pi was used to run a prototype version using tensorflow & keras as base api ́s. The studys re- sults show which parts that are important to consider to be able to get a good and reliable system, for example which hardware and software that is needed to get started. The results also shows what factors is important to be able to stream live sound and get reliable results, a classification models architecture is very important where different layers and parameters can have a large impact on the end result. / Termer som Artificiell Intelligens och maskininlärning har under de senaste åren börjat etablera sig hos den breda massan och är numera någonting som på- verkar nästan alla människors vardagliga liv i någon form. Vanliga använd- ningsområden är röststyrning och bildigenkänning som bland annat används i mobiltelefoner och autonoma system som självkörande bilar med mera. Den här studien utforskar hur man kan använda sig av denna teknik för att kunna klassi- ficera ljud som ett komplement till videoövervakning i olika miljöer, till exem- pel på en busstation eller andra övervakningsobjekt. För att göra detta har en teknik kallad Convolution Neural Network använts, vilket är en mycket populär arkitektur att använda vid klassificering av bilder. I denna modell har varje ljud fått en visuell representation i form av ett spektogram som visar frekvenser över tid. Ett av huvudmålen med denna studie har varit att kunna applicera denna teknik på så kallade IOT-enheter för att klassificera ljud i realtid. Dessa är rela- tivt billiga och resurssnåla enheter vilket gör dem till ett attraktivt alternativ för detta ändamål. I denna studie används en Raspberry Pi för att köra en prototyp- version med Tensorflow & Keras som grund APIer. Studien visar bland annat på vilka moment och delar som är viktiga att tänka på för att få igång ett smidigt och pålitligt system, till exempel vilken hårdvara och mjukvara som krävs för att starta. Den visar också på vilka faktorer som spelar in för att kunna streama ljud med bra resultat, detta då en klassifikationsmodells arkitektur och upp- byggnad kan ha stor påverkan på slutresultatet.