自2003年非典爆發(fā)以來，世界各國的主要國際機場都大量部署了紅外熱檢測系統（infrared thermography ：IRT）用來檢查發(fā)熱的乘客。這種快速，非接觸的檢測方式很快獲得了大量的采用。但是，單純紅外IRT的檢測準確性受到環(huán)境溫度，濕度等因素的影響較大。而且人在攝入酒精，或者退燒藥物以后，體溫也會被影響，誤導檢測設備。

由于傳統單純紅外傳感型檢測的準確性較差，利用可見光成像與紅外熱成像組合分析成為一種更加準確有效的檢測方案。人在感染病毒發(fā)病以后，人體生物體征信號會出現異常，比如：體溫升高，心跳加快，呼吸加快。因此綜合利用這些生物體征信號進行分析可以大大提高檢測的準確性。第一代的綜合分析檢測設備采用生物Radar系統進行檢測，相比傳統的紅外傳感檢測方法，檢測的準確率從81.5%提升到了98%。但是這種基于微波雷達的方案成本太高，于是第二代綜合分析檢測設備開始采用可見光與紅外熱成像的混合方案，基于圖像處理與AI的技術，使得成本降低的同時，準確性也得到了進一步的提高。典型的二代IRT綜合分析檢測設備如下圖。設備可以同時采集到可見光與紅外圖像。

通過紅外圖像可以很容易檢測出人體尤其是面部的溫度信息。

通過檢測人在呼吸之間鼻孔區(qū)域的溫度變化，可以檢測出呼吸的頻率。

可見光圖像用來檢測人的心跳信息，人在面部血液循環(huán)會隨心跳體現微小的顏色變化，通過這種顏色變化可以計算出人的心率。

得到心率，呼吸頻率，以及體溫的特征以后，可以用傳統的統計分析方法或者ML的方法進行分類，區(qū)分出健康人或者受感染者。

由下圖可見，傳統的單純體溫檢測法（大于37°截止閾值），二象限內的樣本都會被遺漏掉，會存在大量的漏檢。

用傳統的數據分析的分類方法，相當于在大量數據里，用一條直線進行分類，當有樣本落在直線左邊，這種分類方法就漏檢了。

利用machine learning 的方法，相當于可以用一條不規(guī)則的線進行分類。

這樣，就大大提高了分類的準確性。最新一代的IRT快速檢測設備普遍采用了AI技術，以提高識別的準確性。