热成像技术在密集场景中的非侵入式体温监测：基于边缘计算与YOLOv11n的创新系统

研究人员针对密集场景(dense settings)下疾病传播风险高但现有热成像体温监测技术局限性的问题，开发了基于FLIR Lepton 3.5热像仪与树莓派边缘设备的实时监测系统。该系统采用YOLOv11n模型实现94% mAP的人脸检测精度，结合回归框架达到0.18°C均方误差和0.96 R2的体温预测性能，填补了密集场景连续监测的技术空白，为公共场所疫情防控提供新范式。

　　

在COVID-19大流行期间，机场、教室等密集场所的体温筛查成为防疫第一道防线。然而传统热像仪仅能在入口处进行单次检测，无法捕捉工作期间出现的发热症状。更棘手的是，现有研究多聚焦稀疏场景(sparse settings)，而真正高危的密集场景(dense settings)却缺乏有效解决方案——这正是导致电影院、实验室等封闭空间成为疫情传播温床的技术瓶颈。

为解决这一难题，某研究团队开发了革命性的嵌入式体温监测系统。该系统创新性地将售价仅249美元的FLIR Lepton 3.5热像仪与树莓派4B结合，通过轻量化YOLOv11n模型实现实时人脸检测，并建立回归框架进行温度补偿。研究团队特别构建了包含实验室和教室场景的混合数据集，使模型能适应不同距离、姿态和人员密度下的检测需求。

关键技术方法包括：1) 使用160×120分辨率的LWIR热像仪采集辐射数据；2) 在边缘设备部署参数量仅1.04M的YOLOv11n模型；3) 建立包含环境温度补偿的回归框架；4) 通过实验室和真实教室场景采集1,200+样本构建验证集。

【Thermal face detection】
在跨数据集测试中，经混合数据训练的YOLOv11n模型mAP达94.5%，较基线YOLOv8s提升12.3%，且推理速度满足30FPS实时需求。模型对低头、侧脸等复杂姿态的鲁棒性尤为突出。

【Results】
温度回归框架在密集场景下表现优异：MSE为0.18°C，R²达0.96，显著优于传统额温枪±0.5°C的医疗标准。系统在3米距离内可同时追踪20+个体，体温读数刷新率1Hz。

【Conclusion】
该研究突破性地实现了三大创新：1) 首个小至信用卡尺寸的嵌入式体温监测方案；2) 首创面向密集场景的温度回归补偿算法；3) 开源首个多场景热成像数据集。正如作者Arijit Samal所述，这套成本不足300美元的系统，可使电影院每排座位、教室每张课桌都成为动态监测点。这种分布式监控网络理念，或将重塑未来公共卫生防控体系。

讨论部分特别指出，系统虽暂未整合口罩检测功能，但其模块化设计为后续集成呼吸率监测等扩展留下空间。研究团队在Smart Health期刊同步开源了全部代码和数据集，这将加速热成像技术在智慧医疗领域的应用落地。值得注意的是，该工作从机器人辅助手术(robotic-assisted surgery)获得启发，再次验证了跨学科技术迁移的巨大潜力。