Submitted by Morgana Silva (morgana_linhares@yahoo.com.br) on 2016-07-26T17:16:36Z No. of bitstreams: 1 arquivototal.pdf: 3263751 bytes, checksum: 7ac8739b55aa723353d94f530579f4fc (MD5) / Made available in DSpace on 2016-07-26T17:16:36Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 3263751 bytes, checksum: 7ac8739b55aa723353d94f530579f4fc (MD5) Previous issue date: 2015-11-27 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / In the current global scenario, the power sector crisis is evident, and to maintain an economic development compatible with this growth, many countries are investing in energy production from many different sources, renewable and clean or not, to supply the growing demand. The integration of these new energy sources demands realtime coordination. Thus, monitoring units need to be reliable besides a good processing and data transmission are needed. In this paper it’s proposed to implement a data acquisition system for current and voltage signals with a low cost embedded platform, focused in hardware programation coupled with the acquisition and conditioning module to apply a Smart Grid concept.This system are responsible for performing analysis of voltage and current provided from electrical grid and transform these informations to readable informations for embedded platform, making possible manipulate this informations from surpevisory systems. With these data, the supervisory systems can analyze and make decisions based on information provided by the platform and use to apply in different concepts present in Smart Grid, such as energy flow control, minimizing the effects of electricity lack, design of distributed generation from renewable sources, identification of energy theft, reduction of technical losses, power monitoring and others. To develop this system was used a Beaglebone Black© development platform, associated with a module for conditioning unit of voltage and current signals, that module was developed by the Optimization Lab Power Systems program (LOSE) of the Electrical Engineering Department (DEE) from Federal University of Paraíba (UFPB). This module is responsible for conditioning the signal voltage and current supplied by the power grid adapting them to the specifications required for reading and conversion in Beaglebone Black© development platform. / No atual cenário mundial, a crise do setor elétrico está cada vez mais evidente, e para se manter um nível de desenvolvimento econômico compatível com este crescimento, muitos países estão investindo no aumento da produção de energia elétrica a partir de diversas fontes, sejam estas renováveis e limpas ou não, para suprir a crescente demanda. A integração dessas novas fontes de energia demanda coordenação em tempo real. Desta forma, unidades confiáveis de monitoramento, processamento e transmissão de dados são necessárias. Neste trabalho propõe-se a implementação de um sistema para aquisição de dados para sinais de tensão e corrente, por meio de uma plataforma de desenvolvimento embarcado de baixo custo associado com foco na programação de hardware, aliado a um módulo de aquisição e condicionamento de sinais para aplicação do conceito de Redes Elétricas Inteligentes - REI (do inglês Smart Grid). O sistema é responsável por realizar a leitura da tensão e da corrente fornecidos pela rede elétrica e transformar-los para informações analisáveis pela plataforma de desenvolvimento, possibilitando assim, a manipulação por sistemas supervisórios. Em posse destes dados, os sistemas supervisórios podem, além de analisar, tomar decisões baseadas nas informações fornecidas pela plataforma e utilizar-las para aplicar em diversos conceitos presentes nas REIs, tais como controle do fluxo de energia, minimização dos efeitos da falta da energia elétrica, concepção de geração distribuída a partir de fontes renováveis, identificação de furtos de energia, redução de perdas técnicas, monitoramento da qualidade de energia e outros. Para o desenvolvimento deste sistema foi utilizado a plataforma de desenvolvimento Beaglebone Black©, associada a uma unidade de condicionamento de sinais de tensão e corrente desenvolvido pelo Progama de Pós-Graduação em Engenharia Elétrica no Laboratório de Otimização de Sistemas de Energia (LOSE) do Departamento de Engenharia Elétrica (DEE), da Universidade Federal da Paraíba (UFPB). Este módulo é reponsável por condicionar os sinais de tensão e corrente fornecidos pela rede elétrica adequando-os às especificações necessárias para leitura e conversão na plataforma de desenvolvimento Beaglebone Black©.

The work described in this thesis is aimed at comparing Raspberry Pi model 3 B and Arduino Uno with an ESP8266 wifi module to see which one is most suitable to use in a Internet of Things project where data collecting from an sensor, processed and then presented. The method for this comparison is to divide the work. First, price and power consumption will be evaluated. Then, the stability of communication over wifi will be tested. Finally, the time it takes to design a program on the platforms will be measured. The result from the comparison show that the Raspberry Pi is the best choice for this type of Internet of Things projet. However, which platform to choose depends on the specific goals of the project since the platforms are good at different things. A server written in Python communicates with the Raspberry Pi by using socket to socket communication, the Raspberry Pi collects the data from the sensor and then sends it to the server. The server then saves the data in a database by the unit identification number. Then a webpage was designed that presented the data to the user. A usabiity test was done on the webpage and the result from the usability test showed that the test users was satisfied with the usability with the page, exept the choice of colors, which was fiexd. / Arbetet beskrivet i detta examensarbete går ut på att jämföra vilken av plattformarna Arduino Uno med en ESP8266 wifi-modul och Raspberry Pi 3 modell B som är mest lämplig att använda i ett Internet of Things projekt där inhämtning av data, bearbetning av data och presentation av datan. Metoden för arbetet är att dela upp det i olika moment, först undersökt faktorerna pris och strömförbrukning därefter testas kommunikationen över wifi för de olika plattformarna och därefter hur lång tid det tar att skapa ett test för kommunikationen på varje plattform. Resultatet av jämförelsen är att Raspberry Pi är mest lämplig för detta projekt, men att avgöra vilken plattform som ska användas i Internet of Things beror till störst del på vilka krav som finns, eftersom bägge plattformarna har sina egna fördelar mot varandra. En server skriven i python hämtar datan från sensorn via Raspberry Pi med hjälp av socketmeddelanden, därefter sparas datan i en databas där ett identifieringsnummer för plattformen styr sparandet av datan. För att kunna presentera datan från sensorn så skapades en webbplats som hämtar datan från databasen beroende på om användaren skickar en begäran från webbplatsen. Ett användartest har genomförts på webbplatsen för att undersöka användbarheten. Användartestet visade att webbplatsen hade de funktioner som användarna ansåg behövdes, enda åtgärdspunkten var färgsättning på webbplatsen som åtgärdades.

A company wants to measure and verify the size of goods modules, transported on a conveyor belt, with the help of two 2D laser scanners (LMS100). The resulting measurements will be written to a database whereafter the modules will be moved by an automatic lifting device to a storage. The dimensions and possible any protrusions need to be known to avoid collision. The goal with this project is to write three modular libraries. One library for communicating with the LMS100 scanner, one library for calculating the dimensions of the goods modules and one library for handling the database. A graphical user interface (GUI) was also created which was implemented with an existing graphical library, Simple Directmedia Layer (SDL). A Raspberry Pi 3 has been used as a hardware platform which communicates with two LMS100 via ethernet. All code is written in the programming language C. LMS100 communicates with so called telegrams and the library implements these with TCP sockets. The structure of these can be found in the manufacturer’s datasheet. The calculating library uses trigonometric functions with measurement values from the scanners. The database library uses sqlite3 for a serverless database. The testing of these libraries was first done on a small scale with only one scanner and a small box placed a few decimeters in front of the scanner, to verify the functionality of the libraries. The company later provided a larger test rig with a remote controlled  platform, which drove between the scanners. When measuring objects with this test rig, the system showed an adequate ability to verify the size of the goods module. An inherent measurement error of a few millimeters of the scanners is shown, but this doesn’t affect the functionality in the final product which will measure considerably larger objects. Some functions are prepared for future development but aren’t yet ready for use. The protrusions of the goods modules aren’t yet discovered by the system. The calculating library is prepared to be able to detect these, but the evaluation of them aren’t ready. If the goods module is at an angle, the system measurements will be faulty. For every scanned segment the coordinates are saved and in future development it will be able to detect the angle. / Ett företag vill med hjälp av två stycken 2D-laserskannrar (LMS100) mäta och verifiera storleken på godsmoduler som transporteras på ett transportband. Mätresultatet ska skrivas till en databas varefter modulerna med en automatiskt styrd avlastare förflyttar dem till ett lager. Dimensioner och eventuella utstick på modulen måste vara kända för att undvika kollision. Målet med arbetet är att skriva tre stycken modulära bibliotek. Ett bibliotek för kommunikation med LMS100, ett bibliotek för beräkning av godsmodulens dimensioner och ett bibliotek för databashantering. Till detta skapades även ett grafiskt användargränssnitt (GUI) som implementerades med hjälp av ett färdigt grafikbibliotek, Simple Directmedia Layer (SDL).  En Raspberry Pi 3 har använts som hårdvaruplattform som kommunicerar med två stycken LMS100 via ethernetanslutning. All kod skrivs i programspråket C. LMS100 kommunicerar med s.k. telegram och biblioteket implementerar dessa via TCP sockets. Strukturen på dessa går att läsa i tillverkarens datablad. Beräkningsbiblioteket använder trigonometriska funktioner med mätvärden från skannrarna för beräkning. Databasbiblioteket använder sig av sqlite3 för en serverlös databas. Testning av dessa bibliotek skedde först på en småskalig nivå med endast en skanner och en liten låda placerad några decimeter framför skannern,  för att verifiera funktionaliteten på berörda bibliotek. Företaget bidrog senare med en testrig i större skala med en fjärrstyrd plattform, som körde mellan de två skannrarna. Vid mätning av objekt i denna testrig visade systemet en tillräckligt god förmåga för att kunna verifiera storlek på godsmoduler. Ett medföljt mätfel i millimeterskala finns i skannrarna, men detta påverkar inte funktionaliteten i den slutgiltiga produkten som ska mäta mycket större objekt. Vissa funktioner är förberedda för framtida utveckling men är inte färdiga för användning. Utstick på godsmodulerna upptäcks inte av systemet än. Beräkningsbiblioteket är förberett för att kunna upptäcka dessa, men utvärderingen av dem är inte färdigt. Om godsmodulen är vriden på transportbandet mäter systemet fel. Koordinater finns för varje skannat segment så att man ska kunna upptäcka denna vinkel i framtida utveckling.

Context. During the usage of a product, evaluating its performance quality is a crucial procedure. Web servers are one of the most used technological products in today’s modern world[1]. Thus, in this thesis we will evaluate and compare the performances of two web servers. The servers that are tested in the experiment are a raspberry pi 3B and a personal HP laptop. Objectives. The main objective of the study is to evaluate the performance of a raspberry pi 3B as a web server. In order to give a clearer image of how the raspberry pi performs, the laptop will also be evaluated and its performance will be used as a contrast during the study. Realization. To fulfill our objective, an experiment was conducted with the help of a performance testing tool called apache bench. To provide comprehensive performance results, the served content and the server software were altered throughout the experiment. The number of simulated users sending the requests were also altered. Results. The results were gathered by sending more than 1000 HTTP-requests to the two servers that served static and dynamic websites. The number of served requests per second and the CPU consumption of the servers were the recorded results. The raspberry pi exhibited response times as high as 1164 requests per second and CPU consumption that varied between ≈6% and ≈40%. In comparison to the laptop, on one occasion it exhibited a better processor utilization serving HTTPrequests of one user. Conclusions. Regardless of the used server software, although the laptop was slightly performing better, the raspberry pi had a closer response time in comparison to the laptop when both of them were serving a static website. On the contrary, when both were serving dynamic content the raspberry pi had a very low response time in the comparison. Out of the two used server software, nginx gave it a better CPU consumption in contrast to the laptop that had a better processor. That is irrespective of the served content type.

Edge AI is a growing area. The use of deep learning on low cost machines, such as the Raspberry Pi, may be used more than ever due to the easy use, availability, and high performance. A quantized pretrained SSD object detection model was deployed to a Raspberry Pi 4 B to evaluate if the throughput is sufficient for doing real-time object recognition. With input size of 300x300, an inference time of 185 ms was obtained. This is an improvement as of the previous model; Raspberry Pi 3 B+, 238 ms with a input size of 96x96 which was obtained in a related study. Using a lightweight model is for the benefit of higher throughput as a trade-off for lower accuracy. To compensate for the loss of accuracy, using transfer learning and tensorflow, a custom object detection model has been trained by fine-tuning a pretrained SSD model. The fine-tuned model was trained on images scraped from the web with people in winter landscape. The pretrained model was trained to detect different objects, including people in various environments. Predictions shows that the custom model performs significantly better doing detections on people in snow. The conclusion from this is that web scraping can be used for fine-tuning a model. However, the images scraped is of bad quality and therefore it is important to thoroughly clean and select which images that is suitable to keep, given a specific application. / Användning av djupinlärning på lågkostnadsmaskiner, som Raspberry Pi, kan idag mer än någonsin användas på grund av enkel användning, tillgänglighet, och hög prestanda. En kvantiserad förtränad SSD-objektdetekteringsmodell har implementerats på en Raspberry Pi 4 B för att utvärdera om genomströmningen är tillräcklig för att utföra realtidsobjektigenkänning. Med en ingångsupplösning på 300x300 pixlar erhölls en periodtid på 185 ms. Detta är en stor förbättring med avseende på prestanda jämfört med den tidigare modellen; Raspberry Pi 3 B+, 238 ms med en ingångsupplösning på 96x96 som erhölls i en relaterad studie. Att använda en kvantiserad modell till förmån för hög genomströmning bidrar till lägre noggrannhet. För att kompensera för förlusten av noggrannhet har, med hjälp av överföringsinlärning och Tensorflow, en skräddarsydd modell tränats genom att finjustera en färdigtränad SSD-modell. Den finjusterade modellen tränas på bilder som skrapats från webben med människor i vinterlandskap. Den förtränade modellen var tränad att känna igen olika typer av objekt, inklusive människor i olika miljöer. Förutsägelser visar att den skräddarsydda modellen detekterar människor med bättre precision än den ursprungliga. Slutsatsen härifrån är att webbskrapning kan användas för att finjustera en modell. Skrapade bilder är emellertid av dålig kvalitet och därför är det viktigt att rengöra all data noggrant och välja vilka bilder som är lämpliga att behålla gällande en specifik applikation.

Test benches are commonly used to simulate events to an embedded system for validation purposes. Microcontrollers can be used for making test benches and can be programmed with a bare-metal style, i.e. without an Operating System (OS), for simple cases. If the test bench would be too complex for a microcontroller, then a Real-Time Operating System (RTOS) could be used instead of a more complex hardware. A RTOS has limited functionalities to guarantee high predictability. A General-Purpose Operating System (GPOS) has a vast number of functionalities but has low predictability. The literature study looks therefore into approaches to improve the real-time predictability of Linux. The result of the literature study finds an approach called Xenomai Cobalt to be the optimal solution, considering the target usecase and project resources. The Xenomai Cobalt approach was evaluated on a Raspberry Pi (RPi) 3 using its General-Purpose Input/Output (GPIO) pins and a latency test. An application was written using Xenomai's Application Programming Interface (API). The application used the GPIO pins to read from a function generator and to write to an oscilloscope. The measurements from the oscilloscope were then compared to the measurements done by the application. The result showed the measured dierences between the RPi 3 and the oscilloscope. The result of the measurements showed that reading varied 66:20 μs, and writing varied 56:20 μs. The latency test was executed with a stress test and the worst measured latency was 82 μs. The resulting measured dierences were too high for the project requirements. However, the majority of the measurements were much smaller than the worstcases with 23:52 μs for reading and 34:05 μs for writing. This means the system could be used better as a rm real-time system instead of a hard real-time system. / Testbänkar används ofta för att simulera händelser till ett inbyggt system för validering. Till simpla testbänkar kan mikrokontroller användas. För mer avancerade testbänkar kan RTOS användas på mer komplex hårdvara. RTOS har begränsad funktionalitet för att garantera en hög förutsägbarhet. GPOS har stora mängder funktionaliteter men har istället en låg förutsägbarhet.Litteraturstudien undersökte därför möjligheterna till att få Linux att hantera realtid. Resultatet av litteraturstudien fann ett tillvägagångssätt vid namn Xenomai Cobalt att vara den optimala lösningen för att få Linux till Real-Time Linux.Xenomai Cobalt utvärderades på en RPi 3 med hjälp av dess GPIO-pinnar och ett fördröjningstest. En applikation skrevs med Xenomai’s API. Applikationen använde GPIO-pinnarna till att läsa från en funktionsgenerator och till att skriva till ett oskilloskop. Mätningarna från oskilloskopet jämfördes sen med applikationens mätningar.Resultatet visade mätskillnaderna mellan RPi 3 och oskilloskopet med systemet i viloläge. Resultatet av mätningarna visade att läsningen varierade med 66.20 µs och skrivandet med 56.20 µs. Fördröjningstestet utfördes medstresstestning och visade den värsta uppmätta fördröjningen, resultatet blev82 µs.De resulterande mätskillnaderna blev dock för höga för projektets krav. Majoriteten av mätningarna var mycket mindre än de värsta fallen med 23.52 µs för läsning och 34.05 µs för skrivning. Detta innebar att systemet kan användas med bättre precision som ett fast realtidssystem istället för ett hårt realtidssystem.

Today there exist a myriad of different types of access control systems that use a smart card or mobile device as a key. The mobile device enabled smart locks, as they are often referred to, operate using either WiFi or Bluetooth. This thesis has explored the use of a third emerging wireless technology called Near Field Communication (NFC). NFC technology is a relatively new technology that is on the rise and is included in almost every new mobile device. Using a NFC enabled mobile device, a highly secure access control system was developed on a Raspberry Pi Linux platform. Several different authentication protocols, mobile operating systems and NFC modes of operation where analyzed and evaluated, to ensure that the system was as secure as possible. Eventually the system was implemented using the Secure Remote Password authentication protocol on top of a NFC card emulation scheme with the client application running on the Android operating system. The final system was a secure and responsive system that would be easy to deploy in many different situations. This project shows that NFC enables a mobile device to act as akey in a secure access control system and as the user base for NFC grows larger sowill the likelihood that we will come to see more of these types of systems. / Idag finns det flera olika typer av inpasserings system som använder någon form av ”smart card” eller mobil enhet som nyckel. De smarta låsen, som det oftast kallas, som använder sig av en mobile enhet, använder antingen Wi-­‐‑Fi eller Bluetooth för att kommunicera med inpasserings systemet. I den här uppsatsen kommer en relativt ny teknologi som kalls Near Field Communication (NFC) att utforskas. Användandet av NFC är på uppgång och det finns inkluderat i nästan varje ny mobil enhet som släpps på marknaden idag. Ett inpasserings system med hög säkerhet utvecklades genom att använda en mobile enhet med NFC kapabilitet tillsammans med en Raspberry Pi Linux plattform. Flera olika typer av autentiserings protokoll, mobila operativsystem och NFC användnings moder, analyserades och utvärderades för att säkerställa att systemet var så säkert som möjligt. Tillslut valdes ett autentiserings protokoll vid namn, Secure Remote Password (SRP), som integrerades ovanpå ett kort emulerings NFC ramverk som finns tillgängligt i Android operativsystemet. Det slutgiltiga systemet har hög säkerhet och är snabbt och responsivt och kan användas i flera olika situationer. NFC tillåter en mobile enhet att agera nyckel i ett inpasseringssystem och användandet kommer bara öka med den expanderande användare basen.

The field of autonomous robots have been explored more and more over the last decade. The combination of machine learning advances and increases in computational power have created possibilities to explore the usage of machine learning models on edge devices. The usage of object detection on edge devices is bottlenecked by the edge devices' limited computational power and they therefore have constraints when compared to the usage of machine learning models on other devices. This project explored the possibility to use real time object detection on a Raspberry Pi as input in different control systems. The Raspberry with the help of a coral USB accelerator was able to find a specified object and drive to it, and it did so successfully with all the control systems tested. As the robot was able to navigate to the specified object with all control systems, the possibility of using real time object detection in faster paced situations can be explored. / Ämnet autonoma robotar har blivit mer och mer undersökt under de senaste årtiondet. Kombinationen av maskin inlärnings förbättringar och ökade beräknings möjligheter hos datorer och chip har gjort det möjligt att undersöka användningen av maskin inlärningsmodeller på edge enheter. Användandet av bildigenkänning på edge enheter är begränsad av edge enheten begränsade datorkraft, och har därför mer begränsningar i jämförelse med om man använder bildigenkänning på en annan typ av enhet. Det här projektet har undersökt möjligheten att använda bildigenkänning i realtid som input för kontrollsystem på en Raspberry Pi. Raspberry Pien med hjälp av en Coral USB accelerator lyckades att lokalisera och köra till ett specificerat objekt, Raspberryn gjorde detta med alla kontrollsystem som testades på den. Eftersom roboten lyckades med detta, så öppnas möjligheten att använda bildigenkänning på edge enheter i snabbare situationer.

This work comprises an approximation of the energy consumption of the transceiver circuit in a single board computer. Single board computers, such as the Raspberry Pi 4 Model B that is used here, are usually cheap and therefore more accessible. This method of estimation does not use any other hardware which gives it an advantage compared to many other methods that use expensive measurement equipment, but it unfortunately comes with certain trade-offs, like accuracy, to name one example. One area where this approximation method could be applied is for optimizing the energy efficiency of wireless sensor networks. The method can be divided into two main parts, firstly the transceiver’s active transmission and reception states are profiled and then a power model is chosen and adapted to suit the transceiver as well as possible. These two steps are then combined and results in an energy consumption approximation. The evaluation of the results showed that the estimations are reasonable according to the most relevant findings on measuring a similar transceiver circuit, but there are also limitations that brings uncertainty to the results. More relevant studies are needed to properly assess the method of estimation and some further improvements are suggested. / Olika typer av elektroniska enheter utgör idag en stor del av många människors vardag och samhället i stort. Mobiltelefoner, laptops och olika sensorer är bara några exempel på dessa enheter som fyller viktiga funktioner i både vardag och arbete. En stor del av dem använder ett protokoll som heter IEEE 802.11ac för att kommunicera och de bör gärna göra det så energi-effektivt som möjligt. Det här arbetet undersöker energikonsumtionen hos en transceiverkrets som använder det nämnda protokollet för att skicka och ta emot datapaket. Målet med arbetet är uppskatta energikonsumtionen så väl som möjligt, med hjälp av billig och lättillgänglig hårdvara. Av den anledningen används en enkortsdator för att göra uppskattningen, mer specifikt en Raspberry Pi 4 Model B (RPi). Eftersom energiåtgången för transceiverkretsen inte kan mätas direkt från strömmen som dras av datorn, måste mjukvara skrivas för att göra uppskattningen. På det sättet undviker man behovet av dyr mätutrustning, men man måste göra avkall på till exempel noggrannhet i utbyte. Ett område där metoden eventuellt kan appliceras är för att göra trådlösa sensornätverk mer energi-effektiva. Metoden som användes för energiuppskattningen kan delas upp i två huvuddelar, förutom litteraturstudien som gjordes för att få en djupare förståelse för ämnet. Först profilerades transceiverkretsens aktiva tillstånd för transmission (TX) och mottagning (RX), som ligger i fokus för det här arbetet. Till detta användes mjukvaran perf som är ett prestandaanalyseringsverktyg som finns tillgängligt för Linuxsystem. Med hjälp av perf fick man fram längden av varje TX och RX operation i millisekunder. Sedan valdes en passande kraftmodell som anpassades för att efterlikna egenskaperna i RPi datorns transceiver så noga som möjligt. Modellen gav två olika formler för att beräkna kraftåtgången för TX respektive RX, vilket sedan multiplicerades med tidsåtgången för varje operation för att få fram energikonsumtionen. Metoden testades genom att skicka och ta emot datapaket med en storlek på 256 byte, mäta tidsåtgången, och sist räkna ut hur mycket energi som gick åt för varje enskilt paket. Resultaten presenterades med olika grafer samt en rimlighetsanalys. Slutsatsen var att resultaten verkar rimliga utgående från de mest relevanta fynden som gjordes inom ramen för litteraturstudien, men även att fler relevanta studier och mätningar behövs för att kunna göra en bättre bedömning av metodens tillförlitlighet. Slutligen framfördes förslag på eventuella förbättringar av arbetet samt områden för vidareutveckling.

With the development of intelligent services and applications enabled by Artificial Intelligence (AI), the Internet of Things (IoT) is infiltrating many aspects of our everyday lives. The usability of phones and tablets is largely increasing as the primary computing device, since the powerful sensors allow these devices to have access to an unprecedented amount of data. However, there are risks and responsibilities to collect the data in a centralized location due to privacy issues. To overcome this challenge, Federated Learning (FL) allows users to collectively taking the benefits of shared models trained from this big data, without the need to centrally store it. In this research, we present and evaluate the implementation of federated learning on Raspberry Pi boards using the FedAvg method. In addition, the compression method such as quantization and sparsification was applied to the baseline implementation to improve communication efficiency. We accomplished the implementation by comparing the baseline implementation and the compressed Federated-Averaging (FedAvg) on Raspberry Pi boards in order to achieve the smallest cost and higher accuracy to fit IoT environment. / Med utvecklingen av intelligenta tjänster och applikationer möjliggjord av AI infiltrerar IoT många aspekter av vår vardag. Användbarheten för telefoner och surfplattor ökar till stor del som den primära datorenheten, eftersom de kraftfulla sensorerna tillåter dessa enheter att få tillgång till en oöverträffad mängd data. Det finns dock risker och ansvar för att lagra data på en central plats på grund av integritetsfrågor. För att övervinna denna utmaning tillåter Federated Learning (FL) användare att kollektivt ta fördelarna av delade modeller utbildade från denna stora data utan att behöva lagra den centralt. I denna forskning presenterar och utvärderar vi implementeringen av federerat lärande på Raspberry Pi-kort med FedAVG-metoden. Dessutom hade komprimeringsmetoden som kvantisering och versifiering tillämpats på basimplementeringen för att förbättra kommunikationseffektiviteten. Vi slutför implementeringen genom att jämföra baslinjeimplementeringen och den komprimerade FedAVG på Raspberry-Pi-kort för att uppnå lägsta kostnad och högre noggrannhet för att passa IoT-miljö