El texto completo de este trabajo no está disponible en el Repositorio Académico UPC por restricciones de la casa editorial donde ha sido publicado. / It is known that 33% of traffic accidents worldwide are caused by drunk driving or drowsiness [1] [2], so a drowsiness level detection system that integrates image processing was developed with the use of Raspberry Pi3 with the OpenCV library; and sensors such as MQ-3 that measures the percentage of alcohol and the S9 sensor that measures the heart rate. In addition, it has an alert system and as an interface for the visualization of the data measured by the sensors a touch screen. With the image processing technique, facial expressions are analyzed, while physiological behaviors such as heart rate and alcohol percentage are measured with the sensors. In image test training you get an accuracy of x in a response time of x seconds. On the other hand, the evaluation of the operation of the sensors in 90% effective. So the method developed is effective and feasible. / Revisión por pares

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.

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.

In recent years, AI has developed significantly and become more popular than ever before. The applications of AI are expanding, making knowledge about its application and the systems it can be applied to more important. This project compares and evaluates deep learning models for object detection of traffic signs on the embedded systems Nvidia Jetson Nano and Raspberry Pi 3 Model B. The project compares and evaluates the models YOLOv5, SSD Mobilenet V1, FOMO, and Efficientdet-lite0. The project evaluates the performance of these models on the aforementioned embedded systems, measuring metrics such as CPU usage, FPS and RAM. Deep learning models are resource-intensive, and embedded systems have limited resources. Embedded systems often have different types of processor architectures than regular computers, which means that some frameworks and libraries may not be compatible. The results show that the tested systems are capable of object detection but with varying performance. Jetson Nano performs at a level we consider sufficiently high for use in production depending on the specific requirements. Raspberry Pi 3 performs at a level that may not be acceptable for real-time recognition of traffic signs. We see the greatest potential for Efficientdet-lite0 and YOLOv5 in recognizing traffic signs. The distance at which the models detect signs seems to be important for how many signs they find. For this reason, SSD MobileNet V1 is not recommended without further trai-ning despite its superior speed. YOLOv5 stood out as the model that detected signs at the longest distance and made the most detections overall. When considering all the results, we believe that Efficientdet-lite0 is the model that performs the best. / Under de senaste åren har AI utvecklats mycket och blivit mer populärt än någonsin. Tillämpningsområdena för AI ökar och därmed blir kunskap om hur det kan tillämpas och på vilka system viktigare. I det här projektet jämförs och utvärderas djupinlärningsmodeller för objektdetektering av trafikskyltar på de inbyggda systemen Nvidia Jetson Nano och Raspberry Pi 3 Model B. Modellerna som jämförs och utvärderas är YOLOv5, SSD Mobilenet V1, FOMO och Efficientdet-lite0. För varje modell mäts blandannat CPU-användning, FPS och RAM. Modeller för djupinlärning är resurskrävande och inbyggda system har begränsat med resurser. Inbyggda system har ofta andra typer av processorarkitekturer än en vanlig dator vilket gör att olika ramverk och andra bibliotek inte är kompatibla. Resultaten visar att de testade systemen klarar av objektdetektering med varierande prestation. Jetson Nano presterar på en nivå vi anser vara tillräckligt hög för användning i produktion beroende på hur hårda krav som ställs. Raspberry Pi 3 presterar på en nivå som möjligtvis inte är acceptabel för igenkänning av trafikskyltar i realtid. Vi ser störst potential för Efficientdet-lite0 och YOLOv5 för igenkänning av trafikskyltar. Hur långt avstånd modellerna upptäcker skyltar på verkar vara viktigt för hur många skyltar de hittar. Av den anledningen är SSD MobileNet V1 inte att rekommendera utan vidare träning trots sin överlägsna hastighet. YOLOv5 utmärkte sig som den som upptäckte skyltar på längst avstånd och som gjorde flest upptäckter totalt. När alla resultat vägs in anser vi dock att Efficientdet-lite0 är den modell som presterar bäst.

This thesis is about development and construction of systems for building automation. At the beginning it´s focused on usage of building automation. Short describe used topology of installation and available systems on the market. The second chapter is about designing of hardware’s elements systems. Then it’s describing control unit Raspberry Pi 3, microprocessors for communication and slave modules. For my thesis I am also engaged in interface communication and designing of I/O systems. The third and fourth chapter is describing software equipment’s of the system. The parts of microprocessor firmware and manner of control logic creating and visualization in control unit module are described in details. Last chapter contains the description of construction of testing module and measuring of system parameters.

Diplomová práca sa zaoberá návrhom embedded dohľadového systému, ktoré je implementované na Raspberry Pi 3 B zariadenie. Uvedený systém obsahuje algoritmy pre detekcie pohybu a detekcie objektov, ktoré sú realizované pomocou OpenCV funkcie. Vyhodnocené informácie sú prístupné na webový server.

This dissertation deals with the platform Z-Wave. This platform tries to create an universal system for smart home. The theoretical part of the work describes in details the platform itself as well as the applicable libraries for programming of applications and the available equipments. The practical part presents the new custom gateway. The hardware of this gateway is designed with utilization of the Z-Wave module, Raspberry Pi 3 microcomputer, touchscreen, powerbank and the body of the system. The body has been designed in the Solid Works CAD system and printed on a 3D printer. The needed firmware was loaded into the Z-Wave module ZM5304 and this module has been interconnected with the Raspberry Pi 3 through the printed circuit board of the custom design. The gateway drives OpenZWave network through the new own application written with help of Python wrapper of the library OpenZWave and other open source components. The part of the work is also the list and description of the alternative commercial gateways available on the Czech market.

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.

Thisdiplomathesisdealswiththedesignofamonitoringsystemforsolidfuelboilers.The first describes the sensors most commonly used in boilers room including a description of the principle of operation. The main content of the thesis is the design of the own boiler monitoring system. First the appropriate structure of the entire system is selected followed by the detailed design of individual parts of the device electronic wiring and selection of suitable sensors. The result of the thesis is the basis for the production of the proposed device and created service program.

Táto práca popisuje v súčastnosti široko používané architektúry a modely pre Hlboké Učenie, riešiace úlohu detekcie a klasifikácie objektov vo videu. Dôraz tu bude kladený na ich použiteľnosť na vstavaných zariadeniach. Postupne preberieme kroky a odvôvodňovanie pri výbere najlepšieho vstavaného systému pre našu aplikáciu. Ukážková aplikáci pozostáva hlavne z detekcie vozidiel a detekcie voľných parkovacích miest s využitím algoritmov Hlbokého Učenia. Táto aplikácia umožňuje monitorovať počet vozidiel, nachádzajúcich sa na parkovisku a zároveň rozhodnúť, či sa nachádzajú na prakovacom mieste alebo nie. Následne tu budú prebrané kroky nutné ku konfigurácii zariadenia s dôrazom na optimalizáciu hardvéru pre dosiahnutie čo najväčšej rýchlosti. V ďaľšej časti bude poskytnuté porovnanie vybraných modelov, ktoré budú porovnávané hlavne v kategóriách ako rýchlosť alebo F1 skóre. Najlepší kandidát bude použitý na riešenie našej aplikácie a následné testovanie jej vlastností s názvom Inteligentné parkovisko.