紅外線測溫槍校正的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

整合RGB-D與熱感影像之主動式非接觸生理資訊量測系統

為了解決紅外線測溫槍校正的問題，作者吳東燁 這樣論述：

本研究是使用彩色影像與熱感影像進行主動式非接觸生理資訊量測系統，量測人體心律、血壓、額溫與呼吸頻率。首先透過光達深度攝影機中RGB-D影像控制馬達之角度進行人臉位置追蹤，調整人臉位置於影像中心點。接著判斷人臉是否有佩戴口罩，如沒有配戴口罩，將使用Dlib演算法，反之如配戴口罩則使用OpenPose演算法，進行人臉關鍵點辨識，獲取感興趣區域ROI的位置資訊。在心律與血壓量測中，如無配戴口罩則使用臉頰與額頭為ROI，有配戴口罩則使用額頭與鼻樑為ROI。在獲取ROI影像光體積變化訊號(PPG)，並以綠色平均(G)與綠減紅平均(G-R)兩種方法，並且探討兩種ROI大小與不同距離情況下進行心律計算

與利用深度學習預測血壓數值。在呼吸頻率與額溫量測上，將彩色影像藉由仿射變換將ROI位置與紅外線熱感式相機FLIR Lepton 3.5中的影像做匹配，來獲得熱感影像中正確ROI位置。在無配戴口罩使用熱感影像中鼻子與額頭ROI灰色像素平均來計算呼吸頻率與額溫。反之，在配戴口罩下，使用口罩與額頭ROI灰色像素平均來計算呼吸頻率與額溫。本研究結果，G-R方法優於G方法，增加ROI大小有助於誤差減少。量測心律以臉頰ROI位置最佳，其次為額頭，最後是鼻樑，量測出的心律平均誤差分別為1.3bpm、1.9bpm以及2bpm。在深度學習預測血壓中使用PPG訊號波形中的峰到峰間隔(PPI)、脈波傳遞時間(PTT

)、脈波速率(PWV)以及PPI計算出的心律(HR)四個特徵作為輸入端來預測血壓。同樣發現無配戴口罩時使用臉頰與額頭之ROI，之結果優於有配戴口罩使用額頭與鼻樑之ROI。無配戴口罩收縮與舒張平均誤差為1.0 mmHg和1.1 mmHg，有配戴口罩則為1.8 mmHg和1.4 mmHg。最後根據熱感影像中鼻子或口罩ROI，計算出的呼吸頻率與實際呼吸頻率均吻合。熱感影像額頭ROI量測額溫的結果，與紅外線額溫槍所量測出的實際值誤差皆保持在±0.5℃內。

使用派翠網路模擬與實現一智慧插座用於溫升量測

為了解決紅外線測溫槍校正的問題，作者鄭文祥 這樣論述：

對電器的不熟悉及錯誤使用，往往造成財產損失或人生安全的問題，嚴重的事故甚至引起火災影響附近的安全，故本研究利用物聯網打造一個可量測負載家電溫升的智慧插座，用於及時監測家電功率消耗及溫度狀況。本文研究中，利用物聯網開發用微控制器NodeMCU-32S結合用於量測交流電壓、電流以及環境溫度的感測器去開發量測系統，量測負載的電功率及溫升等，並將系統利用行動裝置進行遠端邊緣運算及整合量測資料上傳於Google雲端資料庫儲存，作為日後校正系統參數及機器學習的樣本。系統健全性及完整性的驗證評估，透過Petri Net進行架構流程建模，以WoPeD實際進行系統中提到的軟、硬體架構模擬，找出不當狀態並排除，

進而優化系統增加系統可行性。而在研究中，使用智慧插座量測系統量測負載溫升與實際使用紅外線測溫槍量測到的結果，其誤差僅有1至2%，實際達到不須利用紅外線溫度感測僅利用智慧插座就感測出負載溫升狀況。