CN214173565U

CN214173565U - 物联网测温平台

Info

Publication number: CN214173565U
Application number: CN202022082899.XU
Authority: CN
Inventors: 朱晨; 丁晓卫; 张建芳; 朱筱华; 李扬
Original assignee: Jiaosu Chaoshu Information Technology Co ltd
Current assignee: Jiaosu Chaoshu Information Technology Co ltd
Priority date: 2020-09-21
Filing date: 2020-09-21
Publication date: 2021-09-10
Anticipated expiration: 2030-09-21

Abstract

本实用新型公开了一种物联网测温平台，包括：信息采集模块，用于采集被测者的测量体温、身份信息以及对所述测量体温造成误差的测温环境；数据库，用于存储所述测量体温、所述测温环境；数据处理模块，用于根据被测者的所述测温环境对被测者的所述测量体温进行校正形成被测者的校正体温，并将所述校正体温上传至所述数据库；数据分析模块，用于判断所述校正体温是否属于发热体温，当所述校正温度属于发热体温时还用于结合所述身份信息对被测者进行大数据分析；显示模块，用于显示被测者的所述测量体温、所述校正体温以及所述大数据分析结果。本实用新型提高对温度异常人员的测量精度，同时可对潜在的温度异常可疑人员进行分析排查。

Description

物联网测温平台

技术领域

本实用新型涉及温度测量技术领域，尤其涉及一种物联网测温平台。

背景技术

世界卫生组织认可的四个发烧检测部位分别是：直肠、腋下、口腔和耳温。由此可知并不包括额温，因为不同肤色、不同的温度环境以及个体的差异，温度都是不一样的，且额温不是一个恒定的温度，所以测额温是不准确的。一方面测量额温主要是做初筛用的，相较于测量腋下、口腔等部位测额头较为方便，速度较快，若被测者的额温比其他人都高的时候，便可用其他方式来排查，另一方面可以做到可以非接触测温，防止交叉感染。

但为降低误差，绝大多数厂商的测温传感器都是做软件补偿。比方额头温度升高不代表体温升高，但如果发烧体温升高，那么额头、手臂甚至是头发的温度都会升高。掌握了这个规律以后，每当发烧的时候，手臂比实际温度低几度，便相应地在软件里面加几度，但这种软件补偿与真实体温相比仍具有较大的误差，且受环境影响较大，并不能解决问题。

实用新型内容

本实用新型的目的在于克服现有技术的缺陷，提供一种物联网测温平台，提高对温度异常人员的测量精度，同时可对潜在的温度异常可疑人员进行分析排查。

为实现上述目的，本实用新型采用的技术方案是：一种物联网测温平台，包括：

信息采集模块，用于采集被测者的测量体温、身份信息以及对所述测量体温造成误差的测温环境；

数据库，用于存储所述测量体温、所述测温环境，所述数据库与所述信息采集模块连接；

数据处理模块，用于根据被测者的所述测温环境对被测者的所述测量体温进行校正形成被测者的校正体温，并将所述校正体温上传至所述数据库，所述数据处理模块与所述信息采集模块和所述数据库连接；数据分析模块，用于判断所述校正体温是否属于发热体温，当所述校正体温属于发热体温时还用于结合所述身份信息对被测者进行大数据分析，所述数据分析模块与所述数据处理模块连接；

显示模块，用于显示被测者的所述测量体温、所述校正体温以及所述大数据分析结果，所述显示模块与所述信息采集模块、所述数据处理模块以及所述数据分析模块连接；

警报模块，当所述校正体温属于发热体温时进行报警，所述警报模块与所述数据分析模块连接。

可选地，采用面部识别模块、身份证、医保卡、RFID其中的一项或多项组合的方式采集所述身份信息。

可选地，所述测温环境包括以下一项或多项组合：

环境温度；

风速；

风向；

湿度；

气压；

光照；

紫外辐射；以及

测温距离，所述测温距离为采集所述测量体温时被测者与所述信息采集模块的距离。

可选地，所述数据处理模块连接有机器学习模块，所述机器学习模块内存储有用于对所述测量体温进行校正形成所述校正体温的校正系数或校正公式。

可选地，所述数据处理模块还连接有实际体温采集模块，所述实际体温采集模块用于对属于发热体温的被测者采集不受所述测温环境影响的实际体温，所述机器学习模块内设有用于计算所述实际体温、所述测温环境以及所述测量体温的关系的线性回归算法，根据所述线性回归算法得出对应测温环境下新的所述校正系数或校正公式。

可选地，所述数据分析模块还包括第一判断模块，用于判断所述测量体温是否属于正常体表温度范围，所述第一判断模块与所述信息采集模块以及所述数据处理模块连接。

可选地，所述数据分析模块包括第二判断模块和大数据分析模块，所述第二判断模块用于判断所述校正体温是否属于发热体温，当所述第二判断模块判断所述校正体温属于发热体温时对被测者的身份信息进行大数据分析，所述大数据分析模块与所述信息采集模块连接。

本实用新型由于采用上述技术方案，使其具有以下有益效果：通过在采集测量体温时采集对应时段的环境温度以及测温距离等信息，对于测量体温异常的被测者的测量体温进行校正，从而根据校正后的校正体温判断是否属于法发热体温，从而进一步精确的筛选出属于发热病人的被测者，并对属于发热病人的被测者的身份信息进行分析及对高风险地区人员进行排查，从而相应的发出提醒及警报，测量的温度误差较小。

附图说明

为了更清楚地说明本实用新型实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本实用新型物联网测温平台的系统框图。

图2示出了根据本实用新型物联网测温平台中数据分析模块的系统框图。

图3示出了根据本实用新型物联网测温平台使用时的流程图。

具体实施方式

以下通过特定的具体实例说明本实用新型的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本实用新型的其他优点与功效。本实用新型还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本实用新型的精神下进行各种修饰或改变。

下面结合附图和具体实施例对本实用新型做进一步详细说明。

如图1所示，本实用新型实施例的物联网测温平台，包括信息采集模块、数据库、数据处理模块、显示模块、数据分析模块、警报模块。

其中，信息采集模块用于采集被测者的测量体温、身份信息以及对测量体温造成误差的测温环境。在本实施例中，利用红外温度传感器对对准被测者的额头采集被测者的测量体温；采用面部识别模块、身份证、医保卡、RFID等一项或多项组合采集身份信息；测温环境包括以下一项或多项组合：环境温度、风速、风向、湿度、气压、光照、紫外辐射以及测温距离，其中测温距离为采集测量体温时被测者与测温传感器的距离，利用测距传感器采集测温传感器和被测者额头的距离即为测温距离。

数据库用于存储测量体温、测温环境、被测人员的身份信息以及对测量体温进行校正后形成的校正体温等，数据库与信息采集模块连接。

数据处理模块用于根据被测者的测温环境对被测者的测量体温进行校正形成被测者的校正体温，并将校正体温上传至数据库，数据处理模块与信息采集模块和数据库连接。数据处理模块连接有机器学习模块，机器学习模块内存储有提前学习计算好的校正系数或校正公式，利用该校正系数或校正公式对测量体温进行校正形成校正体温。

更优的，数据处理模块还连接有实际体温采集模块，实际体温采集模块用于对属于发热体温的被测者采集不受测温环境影响的实际体温，机器学习模块内设有用于计算实际体温、测温环境以及测量体温的关系的线性回归算法，根据线性回归算法得出对应测温环境下新的校正系数或校正公式。在采集实际体温过程中，可通过高精度的测量仪采集被测者的腋下、口腔等处不易受环境温度影响的采集处。

其中，在本实施例中，线性回归算法的方案如下：

将属于同一被测者的测量体温、测温环境以及实际体温组成一组训练集，由多个被测者构成多个不同的训练集，根据机器学习的线性回归算法计算出实际体温与测量体温、测温环境之间的关系。

以下以自变量x和因变量y为例介绍线性回归算法的过程：

提供m组训练集(x⁽¹⁾，y⁽¹⁾)，(x⁽²⁾，y⁽²⁾)…(x⁽ⁱ⁾，y⁽ⁱ⁾)… (x^(m)，y^(m))。

拟定关于实际体温、测温环境以及测量温度对应的代价函数为

对公式(1)采用梯度下降法对数据集进行迭代后，求出局部最优解，此时求出的θ矩阵为对应的关系系数，梯度下降法公式为

α为学习步长。

当多特征进行上述线性回归模型时，对输入特征进行特征归一化，可以有效提高模型收敛速度以及精度，对应公式为

μ和σ分别为对应特征的均值和标准差。

在采集的样本波动较为明显时，可以采用局部加权式线性回归模型，即在代价函数J(θ)模型中乘上

τ为权值变化速率。

通过上述线性回归算法得出依据实际体温计算出的校正系数或校正系数，使得校正结果更为准确，且在应用过程中，系统始终处于动态的机器学习过程中，从而使得获取的校正系数或校正公式越为准确，效果更好。

数据分析模块，用于判断校正体温是否属于发热体温，当校正体温属于发热体温时还用于结合身份信息对被测者进行大数据分析，数据分析模块与数据处理模块连接。如图2所示，数据分析模块包括第二判断模块和大数据分析模块，第二判断模块用于判断校正体温是否属于发热体温，当第二判断模块判断校正体温属于发热体温时对被测者的身份信息进行大数据分析。大数据分析模块与信息采集模块连接，从而使得根据采集到的被测者的身份信息对被测者进行大数据分析。其中大数据分析至少包括：根据被测者身份信息的归属地对被测者是否疑属于高风险地区进行分析，如大面积联网后本实用新型可作为人员行踪轨迹进行跟踪；根据被测者的历史体温进行分析，同一人的体温历史数据可以进行比对，如异常变化可能存在健康隐患；根据与被测者属于同一小区与被测者进行横向对比分析；根据发热人群对被测者进行分析。从而可对潜在的温度异常可疑人员进行分析。

显示模块，显示模块与信息采集模块、数据处理模块以及数据分析模块连接，当温度传感器采集到被测者的测量体温时通过显示模块进行显示，对被测者的测量体温进行校正后形成的校正体温也通过显示模块进行显示，同时还对属于发热体温的被测者进行大数据分析的结果进行显示。更优的，在对测量体温进行校正时利用的校正公式或校正系数同时通过显示模块进行显示，以供工作人员参考。

更优的，数据分析模块还包括第一判断模块，用于判断测量体温是否属于正常体表温度范围，第一判断模块与信息采集模块以及数据处理模块连接，若判断出的测量体温不属于正常体表温度再对被测者的体温进行校正，因为当前的测量环境可能对测量者的实际体温造成的误差较大从而使得采集的测量体温不属于正常体表范围，因此在实际应用中，在同一条件下健康正常体温的人是占绝大多数，极少数的人才是体温不正常的发热病人，在相同条件下发热病人的体温一定高于正常人的体温，从而可通过第一判断模块筛选出疑似温度异常的发热病人，再针对筛选出的疑似发热病人的测量温度进行校正，从而无需对每个被测者的测量温度都进行校正，降低劳动力，提高工作效率。

当校正体温属于发热体温时通过警报模块进行报警，警报模块与数据分析模块连接。更优的，当测量地为小区门口时，同时还可控制门禁的开关，禁止发热病人进入。此外，还可下发报警，通过手机APP、短信等途径进行报警，以及时对发热病人做出处理。

本系统在工作时包括以下步骤：

S1：采集被测者的测量体温、身份信息以及采集测量体温时的测温环境，并将采集的信息上传至服务器进行存储。

S2：服务器根据测温环境对测量体温进行校正形成校正体温并进行存储；

在对测量体温进行校正之前，还包括步骤：

S21：提供正常体表温度范围；

S22：判断测量体温是否属于正常体表温度范围；

S23：若测量体温属于不正常体表范围，对测量体温进行校正。

若测量体温属于正常体表范围，则不对测量体温进行校正仅进行存储即可，以供后续需要时提取进行观察分析，测量体温属于正常体表范围则该被测者不属于发热病人，便可对其放行。

其中，服务器中存储有提前预存的校正系数或校正公式，通过该校正系数或校正公式对测量体温进行校正得到校正体温。

S3：判断校正体温是否属于发热体温。

其中包括以下两种情况：

S31：若校正体温属于发热体温，结合被测者的身份信息对被测者进行大数据分析并发出警报。

S32：若校正体温属于发热体温，对被测者的校正体温进行存储并放行被测者。

当该校正体温属于发热体温时，采集被测者不受测温环境影响的实际体温，该实际体温可以为被测者不易受环境影响的腋下、口腔等采集点的温度，能进一步确认校正体温与实际温度的误差，确保被测者确定为发热病人。进一步的，通过采集到的实际体温以及被测者的测量体温和测温环境进行分析计算，得出实际体温、测量体温和测温环境的关系。根据关系得出对应测温环境下的新的校正系数或校正公式，以供下一被测者的测量体温的校正，使得新的校正系数或校正公式更适配于当前的环境，始终处于一个动态学习的过程，分析得出的校正系数或校正公式更为准确。

需要说明的是，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本实用新型可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本实用新型所能产生的功效及所能达成的目的下，均应仍落在本实用新型所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本实用新型可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本实用新型可实施的范畴。

以上所述仅是本实用新型的较佳实施例而已，并非对本实用新型做任何形式上的限制，虽然本实用新型已以较佳实施例揭露如上，然而并非用以限定本实用新型，任何熟悉本专业的技术人员，在不脱离本实用新型技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本实用新型技术方案的内容，依据本实用新型的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本实用新型技术方案的范围内。

Claims

1.一种物联网测温平台，其特征在于，包括：

数据处理模块，用于根据被测者的所述测温环境对被测者的所述测量体温进行校正形成被测者的校正体温，并将所述校正体温上传至所述数据库，所述数据处理模块与所述信息采集模块和所述数据库连接；

数据分析模块，用于判断所述校正体温是否属于发热体温，当所述校正体温属于发热体温时还用于结合所述身份信息对被测者进行大数据分析，所述数据分析模块与所述数据处理模块连接；

2.如权利要求1所述的物联网测温平台，其特征在于，采用面部识别模块、身份证、医保卡、RFID其中的一项或多项组合的方式采集所述身份信息。

3.如权利要求1所述的物联网测温平台，其特征在于，所述测温环境包括以下一项或多项组合：

环境温度；

风速；

风向；

湿度；

气压；

光照；

紫外辐射；以及

4.如权利要求1所述的物联网测温平台，其特征在于，所述数据处理模块连接有机器学习模块，所述机器学习模块内存储有用于对所述测量体温进行校正形成所述校正体温的校正系数或校正公式。

5.如权利要求4所述的物联网测温平台，其特征在于，所述数据处理模块还连接有实际体温采集模块，所述实际体温采集模块用于对属于发热体温的被测者采集不受所述测温环境影响的实际体温，所述机器学习模块内设有用于计算所述实际体温、所述测温环境以及所述测量体温的关系的线性回归算法，根据所述线性回归算法得出对应测温环境下新的所述校正系数或校正公式。

6.如权利要求1所述的物联网测温平台，其特征在于，所述数据分析模块还包括第一判断模块，用于判断所述测量体温是否属于正常体表温度范围，所述第一判断模块与所述信息采集模块以及所述数据处理模块连接。

7.如权利要求1所述的物联网测温平台，其特征在于，所述数据分析模块包括第二判断模块和大数据分析模块，所述第二判断模块用于判断所述校正体温是否属于发热体温，当所述第二判断模块判断所述校正体温属于发热体温时对被测者的身份信息进行大数据分析，所述大数据分析模块与所述信息采集模块连接。