基于Jetson Nano与FLIR Lepton 3的边缘热成像体温监测系统实战-开发者社区

1. 项目缘起：当边缘计算遇上红外热成像

去年年底，我参与了一个社区健康监测的公益项目，核心需求是在人流密集的入口处，实现非接触式的快速体温初筛。当时市面上成熟的方案要么太贵，要么体积庞大，要么就是云端处理延迟高。我们团队的目标很明确：需要一个低成本、离线运行、部署灵活且能保证一定精度的边缘端解决方案。几轮方案PK下来，我们最终锁定了Jetson Nano和FLIR Lepton 3这对组合。

Jetson Nano作为NVIDIA的入门级AI计算平台，其优势在于提供了完整的CUDA和深度学习推理框架支持，功耗仅5-10瓦，非常适合嵌入式视觉应用。而FLIR Lepton 3是一款长波红外（LWIR）热成像传感器模块，体积小巧，价格相对亲民，能输出80x60分辨率的原始热辐射数据。将两者结合，理论上就能在本地实时处理热成像数据，识别出画面中的高温区域或个体。

这个想法听起来很美，但实操起来，从硬件连接到软件驱动，再到算法优化，每一步都充满了“惊喜”。网上能找到的零散教程要么过于简略，要么环境早已过时。我花了大量时间踩坑、调试，才最终让这套系统稳定跑起来。今天，我就把从零搭建“Jetson Nano + FLIR Lepton 3”体温监测系统的完整过程、核心原理以及那些教程里不会写的“坑”和技巧，毫无保留地分享出来。无论你是嵌入式开发者、计算机视觉爱好者，还是正在寻找类似解决方案的工程师，相信这篇长文都能给你提供一条清晰的路径。

2. 硬件选型与连接：不只是插上线那么简单

选择Jetson Nano和Lepton 3，不仅仅是看中它们的名气和参数，更是基于一系列工程化的权衡。

2.1 为什么是Jetson Nano？

在项目初期，我们对比过树莓派4B、英伟达Jetson系列（Nano， TX2， Xavier NX）甚至一些国产AI加速棒。树莓派生态好，通用性强，但其CPU处理OpenCV和简单的神经网络尚可，若要运行稍复杂的图像处理流水线或多帧分析，CPU占用率会瞬间飙升，导致帧率不稳。而Jetson Nano内置的128核Maxwell GPU，对于OpenCV中许多图像运算（如滤波、色彩空间转换）有CUDA加速，对于后续可能升级的、基于CNN的人脸检测或温度校准模型，更是提供了直接的TensorRT部署能力。它的功耗和体积也完全符合我们“边缘盒子”的设想。

2.2 为什么是FLIR Lepton 3？

热成像传感器有多个档次。Lepton 3属于“机芯”级别，你需要自己处理原始的I2C/SPI数据和视频流。相比集成好的USB热像仪，它更便宜，也更灵活，但开发难度更高。Lepton 3.5虽然分辨率更高（160x120），但价格也上了一个台阶。对于人体测温（主要关注面部区域），80x60分辨率在1-2米距离内，经过算法插值和ROI聚焦后，精度是足够的。关键在于，我们要获取的是每个像素点的辐射强度原始值，而不是已经过处理、只用于显示的JPEG图像，这是实现精确测温的基础。

2.3 硬件连接详解：SPI与I2C的共舞

Lepton 3模块通过一个24Pin的FFC排线与一个转接板（Breakout Board）相连。转接板会将信号引出到标准的排针。与Jetson Nano的连接主要涉及两种通信协议：SPI用于高速传输图像数据，I2C用于低速配置传感器参数。

SPI连接：图像数据的高速公路SPI是全双工高速同步串行总线。Lepton 3作为SPI从设备（Slave），Jetson Nano作为主设备（Master）。你需要连接以下四根线：
- SCK (Serial Clock)：时钟信号，由主设备产生。接Nano的SPI时钟引脚（如SPI2_SCK, Pin 23）。
- MOSI (Master Out Slave In)：主设备输出，从设备输入。在Lepton的语境下，这根线其实用于主设备向从设备发送命令（虽然Lepton 3可能不用），但按标准需连接。接Nano的SPI2_MOSI(Pin 19)。
- MISO (Master In Slave Out)：这才是关键！图像数据通过此线从Lepton 3传回Jetson Nano。接Nano的SPI2_MISO(Pin 21)。
- CS (Chip Select)：片选信号，低电平有效。用于在多个SPI设备中选择Lepton 3。接Nano的任意一个GPIO，例如GPIO9(Pin 12)，并在软件中将其配置为软件片选。
注意1：电平匹配。Jetson Nano的GPIO是3.3V电平，而Lepton 3.5+的I/O口也是3.3V，但早期的Lepton 3转接板可能是5V。务必确认你的转接板逻辑电平，必要时需使用电平转换器，否则可能损坏Nano！注意2：SPI模式。Lepton 3使用SPI Mode 3 (CPOL=1, CPHA=1)。这意味着时钟空闲时为高电平，数据在时钟的第二个边沿（下降沿）采样。在Jetson Nano的SPI驱动配置中必须明确指定。
I2C连接：传感器的控制通道I2C用于读取Lepton 3的芯片ID、序列号，以及配置一些参数（如快门模式、辐射校正使能等）。连接两根线：
- SDA (Serial Data)：双向数据线。接Nano的I2C2_SDA(Pin 3)。
- SCL (Serial Clock)：时钟线。接Nano的I2C2_SCL(Pin 5)。
I2C总线需要上拉电阻，通常转接板上已经集成。如果没有，你需要在SDA和SCL线上各接一个4.7kΩ的电阻到3.3V。
电源与其他：
- VIN：给Lepton 3模块供电，需要3.0V - 3.6V。切勿接到5V！可以从Nano的3.3V引脚（Pin 1或17）取电，但需注意电流能力。Lepton 3工作电流约150mA，建议使用独立的3.3V LDO稳压器从5V降压获得，以确保稳定。
- GND：共地，至关重要。

连接完成后，你的硬件拓扑应该是：Lepton 3传感器 -> FFC排线 -> 转接板 -> (电平转换器) -> Jetson Nano的GPIO扩展口。建议使用面包板或焊接一个简单的转接板来固定连接，避免杜邦线松动导致通信失败。

3. 软件环境搭建：在Jetson Nano上构建视觉流水线

硬件连好了，只是万里长征第一步。让Jetson Nano“认识”并“驱动”Lepton 3，需要搭建一套完整的软件栈。

3.1 系统准备与基础依赖

首先，为Jetson Nano刷写最新的JetPack SDK。JetPack包含了适配好的Ubuntu系统、CUDA、cuDNN、TensorRT和OpenCV。这是最省事的方案，能避免无数底层库的兼容性问题。

刷机完成后，更新系统并安装一些编译工具和基础库：

sudo apt update sudo apt upgrade -y sudo apt install -y git cmake build-essential python3-dev python3-pip

3.2 驱动层：让内核识别SPI与I2C设备

Jetson Nano的Linux内核默认可能未启用所有SPI和I2C控制器，或者引脚复用（Mux）配置不正确。

检查设备树（Device Tree）：首先确认SPI和I2C控制器是否已启用。
```
# 查看已加载的设备树叠加层 sudo /opt/nvidia/jetson-io/jetson-io.py # 或者检查/boot/下的dtb文件
```
你需要确保用于连接Lepton的SPI（例如SPI2）和I2C（例如I2C2）总线在设备树中处于启用状态，并且相关引脚没有被其他功能（如HDMI）占用。这可能需要手动修改设备树源文件（.dts）并编译加载，对于新手是一大挑战。一个更简单的方法是使用jetson-gpio库和Linux的SPI/I2C用户空间驱动。
启用用户空间SPI/I2C：Linux提供了/dev/spidevX.Y和/dev/i2c-X字符设备，允许用户态程序直接操作。
- 编辑/boot/extlinux/extlinux.conf，在对应内核启动行的APPEND部分末尾，添加对应设备树的配置。但更通用的方法是确保相关内核模块已加载：
```
sudo modprobe spidev sudo modprobe i2c-dev
```
你可以将这两行添加到/etc/modules文件末尾，使其开机自动加载。
- 连接硬件后，运行i2cdetect -l和ls /dev/spi*来查看是否识别到了你的I2C总线和SPI设备。如果/dev/i2c-1或/dev/spidev0.0等设备出现，说明基础驱动就绪。

3.3 核心库安装：OpenCV与Python绑定

虽然JetPack自带了OpenCV，但有时版本较旧，或者我们需要从源码编译以启用某些特定功能（如GStreamer硬解码，虽然本项目用不上）。对于这个项目，系统自带的OpenCV通常足够。

验证OpenCV安装：

python3 -c "import cv2; print(cv2.__version__)"

如果正常输出版本号（如4.5.4），则说明Python绑定也已就绪。

3.4 获取Lepton的软件接口：PureThermal系列代码

FLIR官方并没有为Lepton提供官方的Linux驱动，但社区有一个非常优秀的开源项目：PureThermal 1/2系列的固件和代码。其GitHub仓库（groupgets/purethermal1-uvc-capture或groupgets/LeptonModule）包含了Lepton的寄存器定义、I2C通信库和图像获取示例。

我们将主要借鉴其中的leptonSDKEmb32PUB和lepton_i2c.py、lepton_spi.py等Python脚本。这些脚本实现了通过smbus2库操作I2C，以及通过spidev库操作SPI来读取Lepton数据。

安装必要的Python库：

pip3 install smbus2 spidev numpy

smbus2用于I2C通信，spidev用于SPI通信，numpy用于高效处理图像数据矩阵。

4. 通信与数据获取：从寄存器到温度矩阵

这是整个项目的核心，也是最容易出错的部分。我们需要通过I2C初始化传感器，然后通过SPI持续读取原始的帧数据。

4.1 I2C初始化与配置

首先，通过I2C与Lepton 3“握手”，确认其身份并设置工作模式。

import smbus2 import time LEPTON_I2C_ADDR = 0x2A # Lepton 3的默认I2C地址 I2C_BUS = 1 # 对应 /dev/i2c-1，根据你的实际连接调整 bus = smbus2.SMBus(I2C_BUS) def lepton_i2c_read(reg_addr): """从指定寄存器读取一个字（16位）""" try: # Lepton的I2C读操作：先写寄存器地址，再读两个字节 data = bus.read_i2c_block_data(LEPTON_I2C_ADDR, reg_addr, 2) # 数据是高字节在前 value = (data[0] << 8) | data[1] return value except Exception as e: print(f"I2C读错误 (寄存器 0x{reg_addr:04X}): {e}") return None def lepton_i2c_write(reg_addr, value): """向指定寄存器写入一个字（16位）""" try: # 高字节在前 msb = (value >> 8) & 0xFF lsb = value & 0xFF bus.write_i2c_block_data(LEPTON_I2C_ADDR, reg_addr, [msb, lsb]) except Exception as e: print(f"I2C写错误 (寄存器 0x{reg_addr:04X}): {e}") # 示例：读取Lepton的芯片ID（0x0000）和序列号（0x0002, 0x0004） chip_id = lepton_i2c_read(0x0000) print(f"Lepton Chip ID: 0x{chip_id:04X}") # 通常Lepton 3的ID是0x0C00或类似

关键的初始化步骤通常包括：

检查状态：读取状态寄存器，确保传感器就绪。
执行辐射校正（FFC）：发送命令让Lepton执行一次平场校正。这是红外测温准确性的关键，用于补偿传感器自身的不均匀性。命令是向0x0E寄存器写入0x0004，然后轮询状态寄存器等待完成。
设置快门模式：对于体温监测这种场景变化不剧烈的应用，可以设置为**内部快门（Internal Shutter）**模式，传感器会定期自动进行FFC。命令是向0x01寄存器写入0x0001（关闭自动FFC）或0x0005（开启自动FFC）。开启自动FFC会更方便，但需注意在校正瞬间图像会短暂冻结。

4.2 SPI读取原始帧数据

Lepton 3的SPI传输有固定的帧结构。每一帧图像由60个“段（Segment）”组成（对于Lepton 3.5是120段），每段包含84个16位字（80个像素数据+4个包头信息）。我们需要通过SPI连续读取这些数据，并重新组装成一幅完整的80x60图像。

import spidev import numpy as np # SPI设置 spi = spidev.SpiDev() spi.open(0, 0) # 打开 /dev/spidev0.0，根据你的连接调整总线号和片选号 spi.max_speed_hz = 20000000 # 20MHz，Lepton 3的最大SPI时钟 spi.mode = 0b11 # SPI Mode 3 (CPOL=1, CPHA=1) # 注意：spidev库的mode参数，3 对应 CPOL=1, CPHA=1 def read_lepton_frame(): """读取一帧完整的Lepton数据""" frame_buffer = np.zeros((60, 80), dtype=np.uint16) # 80x60的矩阵 segment_buffer = np.zeros(84, dtype=np.uint16) # 一个段的数据 for segment in range(60): # Lepton 3有60段 # 读取一个段（84个16位字） # spidev的xfer2会保持CS低电平，适合连续传输 raw_data = spi.xfer2([0] * (84 * 2)) # 每次传输发送0，并接收168个字节 # 将字节数据转换为16位字数组 for i in range(84): # Lepton SPI数据是MSB（高字节）先传 high_byte = raw_data[i*2] low_byte = raw_data[i*2 + 1] segment_buffer[i] = (high_byte << 8) | low_byte # 解析段头信息（前4个字） packet_num = segment_buffer[0] & 0x0FFF # 包号 # 检查包号是否连续，判断数据是否有效 if packet_num != segment: print(f"段号错位: 期望 {segment}, 收到 {packet_num}") # 可能需要执行同步或丢弃该帧 return None # 将80个像素数据（第5到第84个字）放入帧缓冲区的对应行 frame_buffer[segment, :] = segment_buffer[4:84] return frame_buffer

这段代码是高度简化的。实际应用中，你必须处理数据同步问题。Lepton的SPI数据流是连续的，如果你的程序在错误的时间点开始读取，可能读到的是帧的中间部分。一个健壮的实现需要：

寻找帧同步字。每个段的第一个16位字，其高4位是0x0F（对于有效数据段）或0x0E（对于空白段）。通过持续读取并检查这个同步字，可以对齐到帧的起始位置。
处理丢弃的段。如果某段数据无效（如同步字错误），应该丢弃整帧，重新同步。
添加超时机制。防止程序在通信失败时卡死。

踩坑实录：SPI模式与字节序。这是我调试时耗时最长的问题之一。首先，spidev的mode=3对应CPOL=1, CPHA=1，一定要确认。其次，Lepton传输的16位数据是大端序（Big-Endian），即高字节在前。而Jetson Nano（ARM架构）通常是小端序（Little-Endian）。在segment_buffer[i] = (high_byte << 8) | low_byte这行代码中，我们手动将先收到的高字节左移8位，正是为了构建正确的大端序数值。如果顺序弄反，得到的像素值将是完全错误的。

4.3 从原始值到温度值

从SPI读回的16位原始值（通常被称为“ADC计数”或“辐射强度值”），并不是摄氏度。需要经过一个换算公式：温度 (K) = (原始值 * 斜率) + 偏移量其中斜率和偏移量是传感器的校准参数，可以通过I2C读取特定的寄存器获得（寄存器地址参考Lepton软件接口文档）。更常见的是使用Lepton SDK中提供的查找表（LUT）或公式。最终将开尔文温度转换为摄氏度：T_C = T_K - 273.15。

对于快速原型，有时会使用一个简化的线性近似，但这会引入误差。精确测温必须使用从传感器读取的校准参数。

def raw_to_temperature(frame_raw, slope, offset): """将原始帧数据转换为温度矩阵（摄氏度）""" # 假设slope和offset已通过I2C从传感器获取 # 计算开尔文温度 temp_kelvin = (frame_raw.astype(np.float32) * slope) + offset # 转换为摄氏度 temp_celsius = temp_kelvin - 273.15 return temp_celsius

5. 图像处理与体温识别算法

得到温度矩阵后，我们的目标是从中找出人脸（或额头）区域，并读取该区域的最高或平均温度。

5.1 热图像可视化

80x60的灰度温度矩阵直接显示出来很小，且人眼对灰度不敏感。我们需要将其伪彩色化并放大显示。

import cv2 def visualize_temp_frame(temp_celsius, min_temp=35.0, max_temp=42.0): """将温度矩阵可视化为伪彩色图像""" # 1. 将温度值归一化到0-255范围（基于我们关心的体温区间） norm = np.clip((temp_celsius - min_temp) / (max_temp - min_temp), 0, 1) norm_uint8 = (norm * 255).astype(np.uint8) # 2. 应用OpenCV的伪彩色映射（如JET, HOT等） colored = cv2.applyColorMap(norm_uint8, cv2.COLORMAP_JET) # 3. 放大图像以便观察（使用插值） height, width = colored.shape[:2] enlarged = cv2.resize(colored, (width*8, height*8), interpolation=cv2.INTER_NEAREST) # 最近邻插值保持块状感，或使用INTER_CUBIC平滑 # 4. 可以在图像上叠加温度刻度条和数值 # ... (绘制刻度条和文本的代码) return enlarged

5.2 人脸/额头区域检测

在热成像中直接使用基于可见光训练的Haar或HOG人脸检测器效果很差，因为热图像缺乏纹理特征。我们有几个策略：

基于温度的阈值分割与连通域分析：这是最简单直接的方法。假设环境温度在20-30°C，人体皮肤温度在30-37°C，发烧个体可能超过37.5°C。我们可以设定一个阈值（如34°C），将温度矩阵二值化，然后使用OpenCV的findContours或connectedComponents来找到高温的“斑点”。

def find_hotspots(temp_matrix, threshold=34.0): """通过阈值分割寻找高温区域""" # 创建二值掩码 _, binary_mask = cv2.threshold(temp_matrix.astype(np.uint8), int(threshold), 255, cv2.THRESH_BINARY) # 寻找轮廓 contours, _ = cv2.findContours(binary_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) hotspots = [] for cnt in contours: area = cv2.contourArea(cnt) if area > 10: # 过滤掉太小的噪声点 x, y, w, h = cv2.boundingRect(cnt) hotspots.append((x, y, w, h)) return hotspots

这种方法在背景简单、只有单个人的情况下有效，但容易受其他热源（如热水杯、电脑）干扰。

结合可见光摄像头进行融合检测：更可靠的方案是增加一个普通的RGB摄像头。使用成熟的深度学习模型（如YOLOv5/v8， SSD）在RGB图像中检测人脸，然后将人脸边界框映射到对齐的热图像上，读取对应区域的温度。这需要**标定（Calibration）**两个摄像头，使它们的视野对齐。对于固定安装的装置，可以手动测量一个映射关系（如仿射变换）。
使用热成像特定的人脸检测模型：可以收集或生成热成像人脸数据集，训练一个专门的热人脸检测模型。这对于边缘设备如Jetson Nano是可行的，但需要数据和时间。

5.3 温度读取与校准

找到疑似人脸区域后，如何确定体温？

区域选择：通常选择额头中心区域，避免眼睛、鼻孔、嘴巴等开口部位（温度可能偏低）。
温度值：取该区域内的最高温度或前5%的平均温度。最高温度对发烧更敏感，但也更容易受噪声影响；平均温度更稳定。
环境补偿：体温读数受环境温度影响。理想情况下，需要根据环境温度（可以从图像背景区域估算）对读数进行补偿。这需要建立更复杂的模型，通常产品化设备会内置一个环境温度传感器。

def measure_forehead_temp(temp_matrix, forehead_roi): """在指定的额头ROI内测量温度""" x, y, w, h = forehead_roi roi_temps = temp_matrix[y:y+h, x:x+w].flatten() # 去除异常值（可选） roi_temps = roi_temps[(roi_temps > 30) & (roi_temps < 45)] # 粗略过滤 if len(roi_temps) == 0: return None # 方法1：取最高温 max_temp = np.max(roi_temps) # 方法2：取前5%的高温平均 sorted_temps = np.sort(roi_temps) top_percentile = int(len(sorted_temps) * 0.05) if top_percentile == 0: top_percentile = 1 avg_high_temp = np.mean(sorted_temps[-top_percentile:]) return max_temp, avg_high_temp

5.4 非均匀性校正（NUC）与辐射率考虑

Lepton传感器需要定期进行非均匀性校正（NUC），也就是前面提到的FFC。内部快门模式会自动进行。当FFC发生时，图像会短暂冻结（约0.5秒），在算法中需要识别并忽略这一帧的数据（通常帧ID会变化）。

此外，所有红外测温的准确性都严重依赖于被测物体的辐射率（Emissivity）。人体皮肤的辐射率约为0.98，相对稳定。但如果有汗水、油污、或者测量的是其他物体，辐射率差异会导致显著误差。本项目专注于人体测温，通常将辐射率固定为0.98。

6. 系统集成与性能优化

将数据采集、处理和显示集成到一个稳定运行的实时系统中，并优化其在Jetson Nano上的性能，是项目成功的关键。

6.1 多线程架构设计

一个简单的单线程循环（读SPI->处理->显示）很难达到流畅的实时性。我推荐使用生产者-消费者模型：

线程1（生产者）：SPI数据采集线程。专责以最高效、最稳定的方式从SPI接口读取原始帧数据，放入一个线程安全的队列（如queue.Queue）。这个线程应尽可能简单，只做数据搬运和初步校验（如同步）。
线程2（消费者）：数据处理线程。从队列中取出帧数据，进行温度转换、图像处理、人脸检测、温度计算等耗时操作。处理完成后，将结果（如温度值、带标注的图像）放入另一个结果队列。
主线程（显示与控制）：从结果队列中取出数据，更新UI显示（如OpenCV窗口），并响应键盘事件（如退出、执行FFC）。

使用Python的threading模块可以轻松实现。确保队列有最大长度限制，防止内存溢出。

6.2 Jetson Nano上的性能调优

OpenCV的CUDA加速：确保你的OpenCV编译时启用了CUDA支持。对于cv2.resize,cv2.applyColorMap,cv2.threshold等操作，可以尝试使用CUDA版本的函数，但需要将数据在CPU和GPU之间传输，对于小图像（80x60）可能增益不大。对于更大的放大图像或更复杂的操作（如高斯滤波），CUDA加速效果明显。
降低显示帧率：人眼对热图像更新率要求不高，15-20 FPS足够。可以将显示帧率限制在20Hz，减少GUI更新的开销。
简化算法：在温度阈值分割前，可以对温度矩阵进行简单的中值滤波，去除椒盐噪声，这比高斯滤波计算量小。人脸检测如果使用传统图像处理（阈值+轮廓），计算量很小。如果引入深度学习模型，务必使用TensorRT对模型进行优化和量化（FP16或INT8），以在Jetson Nano上获得实时性能。
CPU/GPU频率锁定：Jetson Nano默认的节能策略可能会动态调整CPU和GPU频率，导致性能波动。对于需要稳定性能的应用，可以使用jetson_clocks工具将频率锁定在最高值。
```
sudo jetson_clocks
```

6.3 系统稳定性与异常处理

SPI通信恢复：长时间运行后，SPI通信可能因干扰出错。需要在采集线程中加入心跳机制和错误恢复。如果连续多次读取帧同步失败，可以尝试重新初始化SPI设备（关闭再打开spidev）。
温度漂移与定期FFC：即使开启自动FFC，在环境温度剧烈变化时，读数仍可能漂移。可以设计一个逻辑，在系统启动、或者每运行30分钟后，强制触发一次FFC（通过I2C命令）。
过热保护：Jetson Nano在被动散热情况下可能过热降频。确保有良好的散热片或风扇。可以监控/sys/devices/virtual/thermal/thermal_zone*/temp下的温度，并在温度过高时降低处理负载或报警。

7. 从原型到产品：部署与改进思考

让这个系统在实验室跑起来是一回事，真正部署到门口又是另一回事。

7.1 部署考量

外壳与安装：需要设计一个3D打印或定制的外壳，将Jetson Nano、Lepton 3模块、RGB摄像头（如果用到）、电源模块等集成在一起，并留出散热孔。安装高度和角度要确保能清晰拍摄到行人的额头区域（通常建议离地1.5-1.7米，略微俯角）。
电源：推荐使用5V/4A的优质电源适配器，为Jetson Nano和所有外设提供稳定电力。避免使用移动电源，其输出可能不稳定。
输出与交互：如何展示结果？可以在本地连接一个小屏幕实时显示带温度标注的图像和报警信息（如超过37.3°C标红）。也可以通过网络将报警事件和抓拍图片发送到服务器。添加一个蜂鸣器或LED灯进行声光报警也很实用。

7.2 精度提升与校准

作为筛查工具，我们追求的是相对精度和可重复性，而非绝对医疗级精度。

黑体校准：这是提升绝对精度的黄金标准。使用一个已知精确温度的黑体辐射源（如37°C），将Lepton对准它，读取原始值，反向计算出更精确的斜率和偏移量。这对于批量生产中的每个传感器校准至关重要。
多点校准：在黑体不同温度点（如35°C, 37°C, 40°C）下采集数据，建立更复杂的（如二次）校正曲线，可以改善线性度。
距离补偿：测温距离越远，大气衰减和视场角内背景干扰越大。可以尝试建立距离-温度补偿模型，或者强制要求被测者站在固定距离（如1米）的标记处。

7.3 隐私与伦理

体温筛查系统会采集到包含人体热图像的数据。在部署时，必须考虑隐私保护：

数据存储：除非必要，否则不应存储原始热图像或可识别的人脸图像。可以只存储时间戳、温度读数、报警结果等元数据。
图像匿名化：如果必须存储图像用于复核，应对人脸区域进行模糊化或像素化处理。
明确告知：在采集点设置醒目的标识，告知正在进行体温监测及数据用途。

这个项目从硬件连接到算法实现，涵盖了嵌入式开发、计算机视觉和系统集成等多个方面。它完美地展示了如何利用Jetson Nano这样的边缘AI设备和Lepton这样的专业传感器，解决一个真实的场景化问题。过程中遇到的每一个坑，从SPI字节序到散热设计，都是宝贵的经验。希望这份超详细的指南，能帮你绕过我踩过的那些坑，更快地构建出属于自己的热成像应用。