自非典以来火热的红外热检测系统，究竟是如何工作的？

自 2003 年非典爆发以来，世界各国的主要国际机场都大量部署了红外热检测系统（infrared thermography ：IRT）用来检查发热的乘客。这种快速，非接触的检测方式很快获得了大量的采用。但是，单纯红外 IRT 的检测准确性受到环境温度，湿度等因素的影响较大。而且人在摄入酒精，或者退烧药物以后，体温也会被影响，误导检测设备。

由于传统单纯红外传感型检测的准确性较差，利用可见光成像与红外热成像组合分析成为一种更加准确有效的检测方案。 人在感染病毒发病以后，人体生物体征信号会出现异常，比如：体温升高，心跳加快，呼吸加快。因此综合利用这些生物体征信号进行分析可以大大提高检测的准确性。第一代的综合分析检测设备采用生物 Radar 系统进行检测，相比传统的红外传感检测方法，检测的准确率从 81.5%提升到了 98%。但是这种基于微波雷达的方案成本太高，于是第二代综合分析检测设备开始采用可见光与红外热成像的混合方案，基于图像处理与 AI 的技术，使得成本降低的同时，准确性也得到了进一步的提高。 典型的二代 IRT 综合分析检测设备如下图。设备可以同时采集到可见光与红外图像。

 通过红外图像可以很容易检测出人体尤其是面部的温度信息。

通过检测人在呼吸之间鼻孔区域的温度变化，可以检测出呼吸的频率。

可见光图像用来检测人的心跳信息，人在面部血液循环会随心跳体现微小的颜色变化，通过这种颜色变化可以计算出人的心率。

得到心率，呼吸频率，以及体温的特征以后，可以用传统的统计分析方法或者 ML 的方法进行分类，区分出健康人或者受感染者。

由下图可见，传统的单纯体温检测法（大于 37°截止阈值），二象限内的样本都会被遗漏掉，会存在大量的漏检。

用传统的数据分析的分类方法，相当于在大量数据里，用一条直线进行分类，当有样本落在直线左边，这种分类方法就漏检了。

利用 machine learning 的方法，相当于可以用一条不规则的线进行分类。

这样，就大大提高了分类的准确性。

最新一代的 IRT 快速检测设备普遍采用了 AI 技术，以提高识别的准确性。

希望广大成像科学家，工程师一起努力，把更多的新技术用来为人类健康服务。