Civilingenjör i datateknik på Utexpo

AI-Assisted Reuse-Oriented Building Inventory for Sustainable Construction Using Panoramic Indoor Imagery

• Deltagare: Raghad Fawal
  
• Samarbetspartner: Sweco

Det här projektet undersöker hur artificiell intelligens (AI) och datorseende kan användas för att stödja återbruksorienterade bygginventeringar inom hållbart byggande. Projektet fokuserar på att utveckla och utvärdera ett AI-baserat prototypsystem som automatiskt kan identifiera återanvändbara objekt från panoramabilder och 360-graders inomhusbilder. Genom att använda objektdetektering med YOLOv8 analyseras bilder från verkliga inomhusmiljöer för att generera strukturerad inventeringsinformation som kan stödja återbruksprocesser vid renovering och ombyggnation.Syftet är inte att skapa ett färdigt industriellt system, utan att undersöka hur AI-baserad bildanalys kan effektivisera och stödja framtida återbruksinventeringar inom byggsektorn. Projektet bidrar med kunskap om hur datorseende och panoramabilder kan användas för mer strukturerade och delvis automatiserade inventeringsprocesser inom cirkulärt och hållbart byggande.

Projektet omfattar datainsamling, manuell annotering av objekt, träning och fine-tuning av AI-modellen samt experimentell utvärdering av modellens prestanda. Först användes ett publikt inomhusdataset för grundträning, därefter utvecklades ett eget panoramiskt dataset insamlat med en Insta360 ONE X2-kamera. Resultaten visar att modellen kan identifiera flera olika objekt trots utmaningar som bilddistorsion, varierande perspektiv och komplexa inomhusmiljöer.

AI-baserat kamerasystem för detektion av fall hos äldre i hemmiljö

• Deltagare: Ali Almorad och Rahaf Alhousen.

Fallolyckor är ett allvarligt problem för äldre – fler än 100 000 personer över 65 år söker sjukvård för fallskador i Sverige varje år. En central utmaning är att personen kan ligga länge på golvet utan att hjälp tillkallas, särskilt om hen är oförmögen att aktivera ett manuellt trygghetslarm.

Det här projektet undersöker hur AI-baserad bildanalys kan användas för att automatiskt detektera fall i hemmiljö i nära realtid. Systemet använder YOLOv8-pose för att extrahera kroppspunkter från videoströmmar och ett LSTM-nätverk för att klassificera rörelsemönster som fall eller vardagliga aktiviteter. Genom att analysera skelettdata istället för råvideo minimeras integritetspåverkan – ingen videobild lagras eller sparas.

Ett eget dataset med 114 videor spelades in i hemmiljö, med sex fallscenarier och sju vardagliga aktiviteter. Systemet uppnådde en recall på 84,6 % och ett AUC-värde på 0,910 i offline-utvärdering. I realtidstest detekterades samtliga fem testfall korrekt med en latens på under 0,5 sekunder, och endast en av elva vardagsaktiviteter gav falsklarm.

Projektet visar att posebaserad falldetektion är genomförbar som en realtidsprototyp och lägger grunden för ett framtida system som – efter vidare utveckling med ett större dataset och integrering mot larmcentraler – kan fungera som ett integritetsvänligt och automatiserat trygghetssystem för äldre i hemmet.

Assisted Configuration Generation Based on Device Manuals

• Participants: William Persson and Elias Haienhjelm.
  
• Collaboration partner: HMS Networks.

Configuring industrial Modbus RTU gateways from device manuals currently takes a non-expert 1 to 2 hours per device, with time scaling roughly linearly with the number of slave devices and the manual's ambiguity. This thesis investigates whether a Large Language Model can automatically extract configuration parameters, reducing the manual step to seconds per manual while remaining accurate enough to deploy under engineer review.

The proposed method is a two-pass modular RAG pipeline that splits extraction into separate communication-settings and transaction-settings passes, each with its own retrieval queries and system prompt. It was evaluated on a curated dataset of 51 publicly available Modbus RTU manuals, with manually validated golden configurations, against four baselines: three prompt-only methods that increase structure and a single-pass naive RAG variant. All methods used GPT-5.1 with temperature 0, and statistical significance was assessed with McNemar’s exact test and cluster-bootstrap confidence intervals.

Modular RAG reached 85.38 % standard accuracy with an error rate when answering of 3.79 %, the lowest of any method evaluated, including the most expensive prompt-only baseline at 6.27 %. It also reduced total processing costs by 26 % compared to the engineered prompt. The thesis contributes a deployable two-pass RAG pipeline that demonstrates that retrieval-based extraction achieves accuracy and cost suitable for deployment as a configuration assistant.

ASCON Acceleration on Xilinx Alveo U280 for V2X-Oriented Systems

• Participants: Seid Hackovic and Obada Khalaf.

This project evaluates the lightweight cryptographic algorithm ASCON-128 for Vehicle-to-Everything (V2X) communication on FPGA hardware. A complete encryption and decryption core was implemented in Verilog HDL and evaluated for throughput, latency, power, and hardware utilisation.

The implementation achieved up to 1.9 million messages per second and approximately 1.16 gigabits per second throughput while maintaining low power consumption and compact resource usage. The results demonstrate that FPGA-based ASCON-128 implementations are suitable for high-rate V2X workloads.

Comparing Raw and Preprocessed Point Clouds for Deep Learning-Based Saddle Segmentation

• Participants: Kristoffer Guachalla and Farah Affani.

This thesis investigates whether classical preprocessing techniques can improve deep learning based semantic segmentation of horse saddle point cloud data. The project compares segmentation performance between raw and preprocessed 3D point clouds using the deep learning models PointNet++ and Dynamic Graph CNN (DGCNN).

A complete workflow was developed consisting of 3D scanning, manual annotation, preprocessing, voxelization, dataset preparation and machine learning-based segmentation. The preprocessing pipeline used DBSCAN clustering, RANSAC plane removal, and Region Growing segmentation to reduce noise and background structures while preserving the saddle geometry.

The results showed that preprocessing had limited impact on PointNet++, while DGCNN achieved substantially improved segmentation performance after preprocessing, particularly for saddle region segmentation. The study demonstrates how classical geometric preprocessing can influence deep learning-based point cloud segmentation for noisy real-world scan data.

Design and Implementation of an Embedded System for Real-Time Condition-Based Monitoring and Anomaly Detection

• Participants: Axel Ekstrand and Pontus Nestor.
  
• Collaboration partner: Core Link.

The thesis focuses on the development and implementation of an embedded system for real-time condition monitoring and anomaly detection across three sensors. The project aims to investigate how smart IO-Link sensors can be used to detect sensor degradation and potential faults before an accident or system crash.

The system consists of a Raspberry Pi 4 and an IO-Link master, connected to several sensors that communicate via the MQTT protocol. Sensor data was collected and analysed locally in real time to deliver fast results without a cloud connection. Statistical methods such as running averages and standard deviation were utilised to detect sensor abnormal behaviour.

A graphical user interface was also implemented as part of this project, allowing users to monitor live sensor values, view historical data for a sensor, and view system alerts. Several tests of the sensors and system were conducted to simulate common industrial fault conditions.

The result of this project showed that the system met the requirements by successfully identifying changes in sensor behaviour, analysing data, and showing the results via a GUI.

Design and Evaluation of a Long Baseline Stereo Vision System

• Deltagare: Wissam Ali och Mostafa Al-Dajany.
• Samarbetspartner: PaveSight.

Stereosystem kan uppskatta avståndet till objekt med hjälp av ett par kameror, men deras noggrannhet minskar snabbt när objekten befinner sig längre bort. Det gör det svårt att använda dem för att mäta storleken på objekt på långt avstånd. Målet med det här projektet är att designa och utvärdera ett stereosystem som mäter objektens dimensioner på ett avstånd av 20 meter med ett relativt djupfel på under 2,5 %. En anpassad stereorigg byggdes som tillät att avståndet mellan de två kamerorna ändrades, så att flera konfigurationer kunde testas. För varje konfiguration kalibrerades kamerorna och bilder togs av ett känt referensobjekt från olika avstånd. Samma bilder bearbetades sedan med två metoder: en klassisk algoritm och en modern modell baserad på djupinlärning. Resultaten jämfördes genom att mäta bredd, höjd och djup på referensobjektet i de resulterande 3D-punktmolnen. Djupinlärningsmodellen uppfyllde noggrannhetskravet vid 20 meter för nästan alla testade konfigurationer, medan den klassiska algoritmen uppfyllde kravet endast för ett fåtal av dem. Resultaten visar att kombinationen av en stereorigg med stor baslinje och en modern djupinlärningsmodell för djupskattning är ett effektivt och prisvärt sätt att mäta objekt på långa avstånd.

Designing an Intelligent Agent for Construction Workflows Using Knowledge Graphs and RAG

• Deltagare: Jakob Hellkvist och Elias Jovancic Persson.
  
• Samarbetspartner: Smista Tak AB.

Byggprojekt innehåller stora mängder teknisk och administrativ dokumentation. Krav, begränsningar och risker är ofta utspridda över flera handlingar, vilket gör det svårt att snabbt få en tydlig helhetsbild i tidiga skeden, som vid planering och anbud. Om viktiga detaljer missas kan det leda till förseningar, ändringsarbeten och ökade kostnader senare i projektet.

I det här examensarbetet har vi utvecklat och utvärderat en prototyp som kombinerar kunskapsgrafer, retrieval-augmented generation och stora språkmodeller för att stödja analys av svensk byggdokumentation. Systemet läser in byggdokument, delar upp dem i spårbara textsegment, extraherar krav och begränsningar, och lagrar relationer mellan dokumenten i en grafdatabas. Användaren kan därefter ställa frågor och få svar som är kopplade till relevanta källor i dokumentationen.

Prototypen har testats med ett frågedataset som omfattar olika typer av resonemang i tidiga byggskeden. Resultaten visar att systemet kan generera spårbara och välgrundade svar från byggdokumentation, men också att träffsäkerheten i informationshämtningen behöver förbättras. Projektet visar hur AI-baserade verktyg kan bidra till bättre överblick, kunskapsåteranvändning och beslutsstöd i byggbranschen.

Environment Reconstruction Using an Array of Wi-Fi Devices

• Deltagare: Simon Davidsson och Amadeus Stjernfelt.

Det här projektet utforskar möjligheten att kartlägga inomhusmiljöer i 3D med hjälp av radiotomografisk avbildning (RTI) och billig wifi-hårdvara. Traditionell övervakning och kartläggning med kameror eller laser medför ofta höga kostnader och etiska dilemman, då det kan upplevas som påträngande att bli fotograferad. Genom att i stället analysera hur trådlösa signaler fluktuerar när de blockeras av föremål eller människor, kan systemet skapa visuella representationer av ett rum utan att faktiskt ta några bilder. Systemet kan därmed avbilda en inomhusmiljö på ett kostnadseffektivt sätt som värnar om den personliga integriteten.

Multi-Agent Orchestration for Industrial Device Configuration

• Participant: Albert Jacobsson.
  
• Collaboration partner: HMS Networks.

This project explores how artificial intelligence can support the configuration of industrial devices. In many industrial systems, important technical parameters such as baud rate, parity, node address, register address and function codes must be manually located in lengthy, complex product manuals. This process can be time-consuming and may lead to configuration errors.

The project presents a prototype based on a multi-agent system, where specialised AI agents work together to read PDF manuals, extract relevant configuration values and validate them before creating structured configuration data. The system was evaluated by comparing the extracted values against reference configurations.

The results show that this approach has the potential to reduce manual work and support engineers during the configuration of industrial devices. However, further improvements are needed before the system can be used as a fully autonomous solution.

Optimering av lagerstyrning med syntetisk data och reinforcement learning

• Deltagare: Muataman Al Debes och Nabil Rosbeh.
  

Detta arbete undersöker om reinforcement learning kan användas för att optimera lagerstyrning av reservdelar inom fordonseftermarknaden. Att hålla rätt mängd reservdelar är en svår balansgång eftersom för få delar leder till leveransstopp, medan för många binder kapital och ökar lagerkostnaden.

Fyra moderna reinforcement learning-algoritmer (PPO, SAC, A2C och TD3) jämförs mot den klassiska Standard Inventory Policy (SIP), den dominerande metoden i branschen. Algoritmerna tränas och utvärderas i en syntetisk simulator från ett arbete på Högskolan i Halmstad som efterliknar kostnadsstrukturen i en verklig reservdelsverksamhet.

För att förhindra att algoritmerna fastnar i extrema beteenden introducerar arbetet en SIP-triggad action mask som begränsar agentens orderkvantitet till det ekonomiskt rimliga intervallet.

Posture Estimation for Motorcycle Riders Using IMU-Based Systems

• Deltagare: Hugo Olsson Falkvall och Leo Wennberg.
  

Projektet handlar om att utveckla och utvärdera ett bärbart IMU-baserat system för att i realtid estimera motorcykelförares överkroppshållning. Systemet använder tre MPU6050-sensorer placerade på motorcykelns nedre och övre rygg. Sensorerna samlar in accelerometer- och gyroskopdata som behandlas på en Raspberry Pi genom synkroniserad sensoravläsning, gyroskopkalibrering, Madgwick-filter och koordinattransformationer.

Målet är att kunna beräkna både nedre ryggens lutning relativt motorcykeln och den relativa rörelsen mellan övre och nedre rygg. Prototypen utvärderades genom mätningar av uppdateringsfrekvens, latens, yaw-drift och jämförelse mot en kamerabaserad referens. Resultaten visar att systemet uppfyller realtidskraven med cirka 50 Hz uppdateringsfrekvens och 17,94 ms medellatens. Noggrannheten låg inom målet i den validerade rotationskomponenten, med 1,85° RMSE för nedre rygg och 6,17° RMSE för relativ segmentvinkel.

Smart bageriprognos

• Deltagare: Zaid Bkira och Hussein Al Deks.
  

Projektet undersöker hur tidsserieanalys och maskininlärning kan användas för att förbättra efterfrågeprognoser inom bageribranschen. Syftet är att minska matsvinn och optimera produktionsplaneringen genom att analysera historisk försäljningsdata från ett bageri.

Två prognosmodeller jämförs i studien: den statistiska modellen Holt–Winters Additive Damped (HW-AD) och den djupinlärningsbaserade modellen Temporal Convolutional Network (TCN). Modellerna tränas på historiska orderdata och utvärderas med hjälp av flera felmått för att analysera prognosnoggrannhet och prestanda.

Projektet visar hur dataanalys och artificiell intelligens kan användas i verkliga produktionsmiljöer för att skapa mer hållbara och effektiva arbetsprocesser. Resultaten visar att enklare statistiska modeller i vissa fall kan prestera lika bra som eller bättre än mer avancerade AI-modeller när datamängden är begränsad och innehåller tydliga säsongsmönster.

Vehicle Manoeuvre Detection Using Time Series Subsequence Clustering MRFs

• Deltagare: Ahmad Mashhadawi och Gentrit Ibishi.
  

Dagens kommersiella fordon genererar stora mängder CAN-bussdata, men att analysera körbeteende utan manuellt märkt data utgör en betydande utmaning. Traditionella klustringsmetoder misslyckas ofta med tidsseriedata från telemetri på grund av temporala fasförskjutningar. Syftet med detta projekt är att utveckla och validera en oövervakad maskininlärningspipeline för att automatiskt klassificera omärkt sensordata i tre hierarkiska semantiska lager: mikrokinematik (t.ex. acceleration och inbromsning), mesomanövrar (t.ex. svängar och rondellkörning) och makromiljöer (t.ex. stadstrafik eller landsväg). Projektet använder en hybridarkitektur baserad på matematiskt härledda virtuella sensorer. För att identifiera fysiska tillstånd på mikronivå används algoritmen Toeplitz Inverse Covariance-Based Clustering (TICC). För att upptäcka mer komplexa fordonsrörelser och mesomanövrar integreras exakt mönstermatchning (Matrix Profile) med kalibrerade kinematiska heuristiker, vilket effektivt hanterar verkligt sensorbrus och upptäcker subtila rörelser. Systemet har validerats punkt för punkt mot ett deterministiskt referensmaterial och uppnådde en noggrannhet på 82,4 % på mikronivån och 80,9 % för mesomanövrar. Resultatet är en robust och skalbar lösning som överbryggar klyftan mellan rå telemetri och meningsfullt körbeteende. Tekniken möjliggör prediktiv fordonsanalys, optimering av eco-driving och lägger en beteendemässig grund för autonoma fordonssystem – helt utan höga kostnader.