测温设备的校正方法、系统、存储介质及电子设备与流程

本发明涉及温度测量，尤其涉及测温设备的校正方法、系统、存储介质及电子设备。

背景技术：

1、非接触式体温测量设备，特别是用于公共场所，例如机场、火车站、学校等，对大量人员进行快速体温筛查的设备。这些设备通常基于红外技术，可以在不接触人体的情况下迅速测量体温。

2、非接触式体温测量设备的测量结果会受到环境温度和湿度的影响。当环境温度和湿度变化时，设备的测量结果可能会偏离真实的体温。这就需要对设备进行校正，以保证测量结果的准确性。

3、目前的技术主要是通过建立回归模型(例如中国专利，公开号：cn115824427b)，使用环境参数(如环境温度和湿度)作为输入，预测体温测量设备的误差，然后校正设备的测量结果。这种方法可以提高测量结果的准确性，但有一些缺点。

4、现有技术的缺陷包括：

5、计算复杂度高：回归模型的计算过程可能会涉及大量的数学运算，对计算设备的性能要求较高，可能会影响到设备的实时性。

6、实时性差：由于需要定期获取环境参数并进行计算，设备的校正过程可能会滞后，无法及时反应环境的变化。

7、灵活性不足：回归模型通常需要预先设定一些参数，例如监控周期等，这些参数在实际使用中可能需要频繁调整，降低了设备的使用效率。

8、上述缺陷对非接触式体温测量设备在实际中广泛应用受到了限制或实际的应用性较差，是本领域亟需解决的问题。

技术实现思路

1、针对上述现有技术中通过建立回归模型无法满足实际应用需求的问题，本发明提供测温设备的校正方法、系统、存储介质及电子设备，本发明方案通过结合深度学习和回归模型，降低了计算复杂度，提高了设备的实时性；通过动态调整校正的频率和方式，提高了设备的灵活性；可及时触发深度学习模型的重新训练，确保测量结果的准确性；保证了测温设备的精确度，提高了测温设备的使用效率。

2、为了实现上述目的，本发明公开了：

3、一种测温设备的校正方法，包括以下步骤：

4、s1、通过预训练的回归模型对测温装置进行初始化；

5、s2、将持续收集的温度及湿度数据作为深度学习模型的输入，生成第一调整值；

6、s3、根据气象预报确定回归模型生成第二调整值的周期；

7、s4、在所述周期内，根据第一调整值与第二调整值的差值，制定测温设备的校正方案，并循环执行步骤s2-s4。

8、优选的，所述步骤s1中，预训练的回归模型通过将温度和湿度数据转化为测温设备的校正值以进行初始化，训练所述回归模型的过程涉及到温度、湿度及人体温度数据，以建立起这三者之间的关系。

9、优选的，所述步骤s2中，深度学习模型不断接收新的温度及湿度数据，持续生成新的第一调整值，常规下均以最新的第一调整值对测温设备进行校正。

10、优选的，所述步骤s3中，周期通过气象预报、温度与湿度变化速度进行确定，若未来单位时间内温度与湿度变化速度越快，则周期越短；若未来单位时间内温度与湿度变化速度越慢，则周期越长。

11、优选的，所述步骤s4中，所述测温设备的校正方案包括：

12、若第一调整值与第二调整值的差值在预设范围内，则使用第一调整值对测温设备进行温度校正；以及

13、若第一调整值与第二调整值的差值在预设范围外，则临时使用第二调整值对测温设备进行校正，并对深度学习模型进行重新训练。

14、优选的，所述重新训练包括：

15、数据收集和预处理，收集此时的温度和湿度数据，同时记录此时的实际体温和深度学习模型预测的体温，并将这些数据组成新的训练数据集并进行预处理；

16、模型训练，将预处理后的数据作为输入对深度学习模型进行训练；

17、验证和测试，在训练过程中，将一部分数据作为验证集，用于检查深度学习模型在未见过的数据上的表现，避免过拟合；训练结束后，通过进行全面的测试，验证新模型的性能；

18、模型更新，若新训练的模型性能优于旧模型，或者达到预设的性能标准，则采用新模型替代旧模型；若性能不满足要求，则回到数据收集和预处理步骤，重新进行训练。

19、一种测温设备的校正系统，包括：

20、初始化模块，用于对测温设备通过预训练的回归模型进行初始化；

21、调整值生成模块，用于对持续收集的温度及湿度数据作为深度学习模型的输入，生成第一调整值；根据气象预报的周期通过回归模型生成第二调整值；

22、校正模块，用于在所述周期内，根据第一调整值与第二调整值的差值，制定测温设备的校正方案。

23、一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的测温设备的校正方法。

24、一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现所述的测温设备的校正方法的步骤。

25、相比于现有技术，本发明的优点及有益效果在于：

26、(1)提高测温精度：本发明通过引入环境因素的调整值，可以有效地提高体温测量的准确性，降低环境温度和湿度变化对测量结果的影响；

27、(2)动态适应环境变化：通过使用深度学习模型和回归模型的组合，本发明能够在环境参数变化时动态调整测温设备，保持测温精度；

28、(3)自动优化：在发现两种调整值(回归模型与深度学习模型的输出)出现较大差异时，本发明可以自动调整并优化深度学习模型，进一步提高模型预测的准确性；

29、(4)减少计算负担：本发明通过设定回归模型的监督周期，可有效降低频繁调用回归模型的计算负担，提高实时性；

30、(5)灵活性强：根据环境变化速度和气象预报信息，可以灵活设定回归模型的监督周期，使系统更好地适应不同的环境；

31、(6)扩展性强：本发明是模块化的，可以根据需要添加更多的环境参数，例如风速，太阳辐射等，以进一步提高测温的准确性；同样，可以根据需要调整和优化使用的模型；

32、本发明通过有效地结合了传统的回归模型和深度学习模型，提供了一个灵活、准确、自动化的体温测量解决方案。

技术特征：

1.一种测温设备的校正方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的矫正方法，其特征在于，所述步骤s1中，预训练的回归模型通过将温度和湿度数据转化为测温设备的校正值以进行初始化，训练所述回归模型的过程涉及到温度、湿度及人体温度数据，以建立起这三者之间的关系。

3.根据权利要求1所述的矫正方法，其特征在于，所述步骤s2中，深度学习模型不断接收新的温度及湿度数据，持续生成新的第一调整值，常规下均以最新的第一调整值对测温设备进行校正。

4.根据权利要求1所述的矫正方法，其特征在于，所述步骤s3中，周期通过气象预报、温度与湿度变化速度进行确定，若未来单位时间内温度与湿度变化速度越快，则周期越短；若未来单位时间内温度与湿度变化速度越慢，则周期越长。

5.根据权利要求1所述的矫正方法，其特征在于，所述步骤s4中，所述测温设备的校正方案包括：

6.根据权利要求5所述的矫正方法，其特征在于，所述重新训练包括：

7.一种测温设备的校正系统，其特征在于，包括：

8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的测温设备的校正方法。

9.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至6中任意一项所述的测温设备的校正方法的步骤。

技术总结
本发明涉及温度测量技术领域，尤其涉及测温设备的校正方法、系统、存储介质及电子设备，其方法包括以下步骤：S1、通过预训练的回归模型对测温装置进行初始化；S2、将持续收集的温度及湿度数据作为深度学习模型的输入，生成第一调整值；S3、根据气象预报确定回归模型生成第二调整值的周期；S4、在所述周期内，根据第一调整值与第二调整值的差值，制定测温设备的校正方案，并循环执行步骤S2‑S4，本发明通过有效地结合了传统的回归模型和深度学习模型，提供了一个灵活、准确、自动化的体温测量解决方案。

技术研发人员：刘陆成
受保护的技术使用者：重庆众迈医联科技有限责任公司
技术研发日：
技术公布日：2024/1/15