基于STM32与OpenMV的嵌入式人脸识别与无接触测温系统设计-育师

简介：本资源是一套面向嵌入式AI初学者与课程设计者的完整项目实践方案，聚焦无接触式红外体温监测与多模态身份识别场景，解决公共场所防疫测温、人脸核验与口罩佩戴合规性判断等实际需求。压缩包共198个文件，含41个C语言源码（.c）与39个头文件（.h），覆盖STM32F103底层驱动（如usart.c、i2c.c、adc.c、tim.c）、OpenMV图像处理逻辑及神经网络模型推理接口；另有30个编译中间文件（.o/.d）、3个Python脚本（用于模型训练或数据预处理）、2个Word文档（含系统说明与硬件连接图）及Keil工程文件（uvprojx/uvoptx）等，整体8.03MB，结构清晰、模块解耦明确。已有60人学习下载，提供可直接烧录的hex与axf镜像、GY906DCI红外测温校准代码、基于Adaboost的轻量口罩检测实现、以及适配OpenMV的TinyML人脸识别tflite模型，配套OLE集成接口便于对接上位机系统，是嵌入式+AI融合开发的典型教学级工程范例。

1. 项目概述与核心价值

最近在捣鼓一个挺有意思的玩意儿，一个集成了无接触测温、人脸识别和口罩检测的嵌入式系统。核心就是一块经典的STM32F103C8T6最小系统板，加上一个OpenMV Cam H7摄像头模组，再外挂一个GY-906 DCI红外测温模块。这组合听起来是不是有点“复古”搭配“新潮”的感觉？STM32F103作为十年前就火遍大江南北的MCU，至今在成本敏感、性能要求不极致的场景里依然有顽强的生命力，而OpenMV则让复杂的机器视觉开发变得像搭积木一样简单。

这个项目的核心目标很明确：在特定出入口或通道，实现非接触式的快速体温筛查，并同步完成身份核验与口罩佩戴检查。想象一下，在办公楼大堂、学校宿舍楼入口或者小型诊所的预检分诊台，人员走过，系统能自动完成“体温正常/异常”、“是谁”、“是否佩戴口罩”这三重判断，并将结果实时显示在一块小屏幕上，甚至通过串口上报给上位机。这比单纯拿个额温枪一个个测，效率要高得多，也减少了人员近距离接触的风险。

我选择STM32F103，就是看中了它的稳定、便宜和资料海量。虽然它的主频只有72MHz，内存也只有20KB的SRAM，处理复杂的图像算法肯定力不从心，但作为整个系统的“大脑”和“调度中心”却绰绰有余。它负责读取GY-906的温度数据、通过串口与OpenMV进行指令交互和数据接收、控制外围设备（比如报警蜂鸣器或指示灯）、管理OLED显示屏的刷新。而所有“重体力活”——人脸检测与识别、口罩检测——都交给了OpenMV。OpenMV内置的MicroPython解释器和丰富的机器视觉库，让我们可以用高级语言快速开发视觉算法，其专用的图像传感器和处理器为这些任务做了优化，性能远超在STM32上裸跑同类算法。

GY-906 DCI模块选用的是MLX90614 ESF-BCC这款传感器，它通过I2C接口通信，能测量物体表面温度，精度在±0.5℃以内（在医疗级校准后），测量距离大致在2-5厘米到数米不等（取决于光学镜头），完全满足无接触测温的需求。整个系统的难点和乐趣，就在于如何让这三个性格迥异的模块协调工作，稳定、准确地完成既定任务。

2. 系统整体设计与硬件选型思路

2.1 核心架构与通信链路设计

整个系统的架构可以看作一个主从式结构。STM32F103作为主机（Master），承担系统控制核心的角色；OpenMV和GY-906作为从设备（Slave）。它们之间的通信链路是系统的血管，设计好坏直接决定系统的稳定性和响应速度。

1. STM32F103 与 OpenMV 的通信：这是数据流的核心。我选择了异步串口（UART）作为通信方式。为什么不选SPI或I2C？主要基于以下几点考虑：

协议简单，容错性好：UART是异步通信，不需要时钟线，连接简单（仅需TX、RX、GND三线）。在OpenMV端，我们可以直接用pyb.UART类来读写；在STM32端，使用HAL库的HAL_UART_Transmit和HAL_UART_Receive函数即可。协议可以自定义，例如，STM32发送一个字节的命令码（如0xA1代表请求人脸识别），OpenMV收到后执行相应任务，并将结果（如识别到的ID号、置信度）打包成特定格式的数据帧回传。
带宽足够：对于传输识别结果、坐标、温度值等小数据包，115200bps甚至9600bps的波特率都绰绰有余，远高于实际需求。
开发调试方便：双方都可以方便地通过串口打印调试信息到PC，便于联调。

在实际连接时，需要特别注意电平匹配。STM32F103的IO口是3.3V电平，OpenMV Cam H7的UART引脚也是3.3V，因此可以直接相连。连接方式是：STM32的USART1_TX (PA9) 接 OpenMV的RX引脚；STM32的USART1_RX (PA10) 接 OpenMV的TX引脚。务必交叉连接，并共地。

2. STM32F103 与 GY-906 的通信：GY-906（MLX90614）模块使用I2C接口。这是一个标准的、低速的、半双工的同步串行总线。STM32F103的硬件I2C（如I2C1）配置起来相对直接，使用HAL库的HAL_I2C_Mem_Read函数可以很方便地读取传感器内部RAM中的温度数据。

引脚连接：STM32的I2C1_SCL (PB6) 接 GY-906的SCL；STM32的I2C1_SDA (PB7) 接 GY-906的SDA。同样需要上拉电阻（通常模块板上已集成），并共地。
地址问题：MLX90614的默认7位I2C地址是0x5A（写地址0xB4，读地址0xB5）。如果总线上只有一个传感器，直接使用这个地址即可。

3. 显示与交互：选用一块0.96寸或1.3寸的OLED显示屏（SSD1306驱动），通过I2C或SPI与STM32连接。I2C方式更省IO口（仅需2根数据线），适合本项目。显示屏用于实时显示测温结果、识别出的姓名、口罩佩戴状态以及系统状态提示。

2.2 关键硬件模块深度解析

STM32F103C8T6最小系统板：这是项目的“老黄牛”。它的资源规划是关键：

USART1 (PA9/PA10):用于与OpenMV通信。这是全双工串口，稳定性好。
I2C1 (PB6/PB7):一拖二。同时连接GY-906测温模块和OLED显示屏。这里需要注意I2C总线的负载和上拉电阻强度。两个设备地址不同（GY-906: 0x5A, SSD1306: 0x3C），不会冲突。
GPIO口：分配几个IO口用于控制LED状态灯、蜂鸣器（用于体温超标报警）或按键输入。
时钟与电源：确保使用外部8MHz晶振，并通过PLL倍频到72MHz，以获得稳定性能。整个系统的供电需要稳定，建议使用AMS1117-3.3V等LDO为STM32、OpenMV（其内部有DCDC）、OLED和GY-906提供干净的3.3V电源。注意总电流需求，OpenMV在峰值运行时耗电可能超过250mA。

OpenMV Cam H7：这是项目的“智慧之眼”。OpenMV H7相比前代M7，核心升级为STM32H7系列MCU，主频更高，内置的硬件JPEG编码器和专用图像处理外设使其处理图像流更加流畅。我们需要在其上运行两个核心任务：

人脸识别：使用OpenMV IDE自带的Face Recognition库。这个库底层基于LBP（局部二值模式）特征和级联分类器，虽然不如深度学习模型准确，但在嵌入式端速度极快。你需要先采集用户的人脸图像作为样本，然后训练一个识别模型。训练好的模型文件（例如person.pgm）会存储在OpenMV的Flash中。
口罩检测：这是本项目的一个亮点。OpenMV官方库可能不直接提供口罩检测模型。一种经典方法是使用Haar-like特征和Adaboost算法训练一个级联分类器。你可以使用PC上的工具（如OpenCV）收集大量戴口罩和不戴口罩的人脸正负样本，训练生成一个.xml格式的级联分类器文件，然后将其加载到OpenMV中，使用image.find_features()函数进行检测。另一种更现代、可能更准确的方法是使用TensorFlow Lite Micro，将一个小型的、针对口罩检测优化的神经网络模型（如MobileNetV2-SSD）转换成C数组，集成到OpenMV的固件中。但这需要一定的模型转换和固件编译能力。

GY-906 DCI红外测温模块：关键点在于理解其工作原理和校准。MLX90614内部包含一个红外热电堆传感器和一个用于测量环境温度的PTAT传感器。它通过测量物体发射的红外能量和环境温度，运用内置的DSP和算法计算出物体表面温度。

DCI与非DCI：DCI代表“数字控制接口”，通常指带有一个简单的光学镜头，能提供较小的视场角（如约10°），实现更精确的定点测量，适合本项目这种需要对特定区域（如额头）测温的场景。
精度与校准：出厂校准是针对特定距离和发射率的（通常默认发射率为0.95，适用于大多数人体皮肤）。对于高精度医疗应用，可能需要在一个已知温度的黑体辐射源前进行二次校准，以修正传感器之间的个体差异和环境漂移。在代码中，我们读取的是传感器RAM中的TOBJ1（物体1温度）和TA（环境温度）寄存器值。

3. 软件实现与核心代码剖析

3.1 STM32端主控程序框架

STM32的程序使用STM32CubeIDE开发，基于HAL库，整体采用前后台（超级循环）架构，结合中断处理异步事件。

// 主循环伪代码框架 int main(void) { // HAL初始化、时钟配置、外设初始化（UART, I2C, GPIO等） System_Init(); OLED_Init(); OLED_ShowString(0, 0, "System Booting..."); // 初始化状态变量 float body_temp = 0.0; uint8_t face_id = 0xFF; // 0xFF表示未识别 uint8_t mask_status = 0; // 0:未知，1:佩戴，2:未佩戴 uint32_t last_check_time = 0; while (1) { // 1. 定时读取温度（例如每秒一次） if (HAL_GetTick() - last_check_time > 1000) { if (MLX90614_ReadTemp(&body_temp) == HAL_OK) { OLED_ShowTemp(body_temp); if (body_temp > TEMP_THRESHOLD) { // 例如37.3℃ Buzzer_Alert(ON); } else { Buzzer_Alert(OFF); } } last_check_time = HAL_GetTick(); } // 2. 向OpenMV发送指令，请求执行视觉任务 // 可以设计为轮询或由外部事件触发（如人体传感器） UART_SendCmd(CMD_FACE_AND_MASK_DETECT); // 3. 接收并解析OpenMV返回的数据 if (UART_RxFlag) { // 串口接收完成中断置位标志 Parse_OpenMV_Data(rx_buffer, &face_id, &mask_status); UART_RxFlag = 0; // 更新显示 OLED_ShowFaceID(face_id); OLED_ShowMaskStatus(mask_status); } // 4. 其他任务，如按键扫描、状态灯控制等 Key_Scan(); // ... HAL_Delay(10); // 防止CPU空转过快 } }

串口通信协议设计示例：为了保证数据可靠传输，需要设计一个简单的帧结构。

STM32 -> OpenMV（命令帧）：帧头（0xAA） + 命令字（1字节） + 帧尾（0x55）
- 命令字定义：0xA1 - 执行人脸识别；0xA2 - 执行口罩检测；0xA3 - 执行人脸+口罩检测。
OpenMV -> STM32（数据帧）：帧头（0xBB） + 数据长度（1字节） + 人脸ID（1字节） + 口罩状态（1字节） + 置信度（1字节，可选） + 校验和（1字节） + 帧尾（0xCC）
- 校验和可以是前面所有字节的简单累加和取低8位。

3.2 OpenMV端视觉算法实现

OpenMV端的代码使用MicroPython编写，在OpenMV IDE中开发。核心是一个状态机，等待串口命令，执行相应任务并返回结果。

# OpenMV 主程序框架 (main.py) import sensor, image, time, pyb from pyb import UART # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) # 320x240，平衡速度与精度 sensor.skip_frames(time = 2000) # 初始化串口 uart = UART(3, 115200) # 使用UART3，根据实际接线调整 uart.init(115200, bits=8, parity=None, stop=1) # 加载人脸识别模型和口罩检测分类器 face_cascade = image.HaarCascade("frontalface", stages=25) # 人脸检测 # 假设我们已经训练好了人脸识别模型 face_recog_model = image.load_model("person.pgm") # 加载口罩检测的Haar Cascade或初始化神经网络模型 mask_cascade = image.HaarCascade("mask_cascade.xml") # 需要自己训练 def find_face_and_mask(): img = sensor.snapshot() faces = img.find_features(face_cascade, threshold=0.5, scale=1.25) result = {'face_id': 0xFF, 'mask': 0} if faces: for face in faces: # 在每个人脸区域进行识别和口罩检测 # 1. 人脸识别 face_img = img.copy(roi=face).compress(quality=90) # 裁剪人脸区域 # 这里需要将face_img转换为模型接受的格式，具体取决于模型 # face_id, confidence = face_recog_model.recognize(face_img) # 简化示例：假设识别结果 face_id = 1 confidence = 85 # 2. 口罩检测 (在脸部的下半部分区域进行) # 假设口罩区域在人脸下半部分 mouth_roi = (face[0], face[1] + face[3]//2, face[2], face[3]//2) masks = img.find_features(mask_cascade, roi=mouth_roi, threshold=0.4) mask_status = 1 if masks else 2 # 1:有口罩特征，2:无 result['face_id'] = face_id result['mask'] = mask_status # 画框和标签（用于本地调试预览） img.draw_rectangle(face, color=(0, 255, 0)) img.draw_string(face[0], face[1]-10, "ID:%d M:%d" % (face_id, mask_status), color=(255, 0, 0)) break # 假设只处理检测到的第一个人脸 return result while(True): if uart.any(): cmd = uart.read(1) if cmd == b'\xa3': # 接收到人脸+口罩检测命令 data = find_face_and_mask() # 打包数据帧 frame = bytearray([0xBB, 0x03, data['face_id'], data['mask'], 0x00]) # 长度3字节 checksum = sum(frame[1:-1]) & 0xFF # 计算校验和，排除帧头 frame.append(checksum) frame.append(0xCC) uart.write(frame)

注意：上面的口罩检测部分使用了Haar Cascade作为示例，实际效果受训练数据质量影响极大。对于更可靠的效果，强烈建议探索集成TensorFlow Lite Micro模型。OpenMV官方有相关教程，需要将.tflite模型转换为C数组，并编写对应的推理代码。

3.3 温度读取与数据处理

STM32端读取GY-906温度的代码相对标准。

#define MLX90614_ADDR (0x5A << 1) // HAL库I2C地址是7位地址左移1位 HAL_StatusTypeDef MLX90614_ReadTemp(float *temp) { uint8_t data[3] = {0}; uint16_t temp_raw; float temp_celsius; // 读取物体温度寄存器 TOBJ1 (地址 0x07) if (HAL_I2C_Mem_Read(&hi2c1, MLX90614_ADDR, 0x07, I2C_MEMADD_SIZE_8BIT, data, 3, HAL_MAX_DELAY) != HAL_OK) { return HAL_ERROR; } // 数据格式：低8位、高8位、PEC校验（本项目暂忽略PEC） temp_raw = (data[1] << 8) | data[0]; // 原始数据是Kelvin * 0.02， 转换为摄氏度 temp_celsius = (float)temp_raw * 0.02 - 273.15; *temp = temp_celsius; return HAL_OK; }

温度滤波：红外测温容易受到环境气流、被测物体表面反射率（发射率）波动的影响，读数可能会有跳动。可以在STM32端加入简单的软件滤波，例如滑动平均滤波或一阶低通滤波。

#define FILTER_ALPHA 0.2f // 滤波系数，越小越平滑，响应也越慢 float filtered_temp = 0.0; void LowPass_Filter(float new_sample, float *old_value) { *old_value = FILTER_ALPHA * new_sample + (1 - FILTER_ALPHA) * (*old_value); } // 在主循环中调用 LowPass_Filter(body_temp, &filtered_temp); OLED_ShowTemp(filtered_temp); // 显示滤波后的温度

4. 系统集成、调试与性能优化实战

4.1 多模块联调与问题定位

当所有硬件连接好，代码分别烧录后，真正的挑战才开始。联调时最常见的问题：

通信不通：
- 现象：OLED不显示，OpenMV无反应，温度读数为0。
- 排查：
  - 电源第一：用万用表测量各模块的VCC和GND引脚电压是否为稳定的3.3V。特别是OpenMV，启动电流大，劣质USB线或供电不足会导致反复重启。
  - 接线复查：这是最常出错的地方。务必确认UART的TX-RX是交叉连接，I2C的SDA/SCL线是否接反，所有GND是否共地。
  - 逻辑分析仪/示波器是神器：接上逻辑分析仪，看UART/I2C总线上是否有波形。如果没有波形，检查STM32代码中对应外设的初始化、时钟使能。如果有波形但乱码，检查波特率、数据位、停止位设置是否两端一致。
OpenMV识别不稳定：
- 现象：人脸时而被识别，时而不能；或者识别ID跳变。
- 解决：
  - 光照是魔鬼：机器视觉极度依赖光照。确保测试环境光线均匀，避免强逆光、侧光造成的面部阴影或过曝。可以考虑在OpenMV摄像头周围加一圈柔光LED补光灯。
  - 调整检测阈值：img.find_features()中的threshold参数和scale参数需要根据实际场景微调。阈值越低，检测越敏感（但也更容易误检）；scale因子越小，检测越细致（但速度越慢）。
  - 训练数据质量：为人脸识别模型采集训练样本时，要包含同一个人不同角度、不同表情、戴眼镜/不戴眼镜的图片，提高模型泛化能力。样本数量建议每人20-30张。
口罩检测误报率高：
- 现象：没戴口罩被判为戴了，或者手、衣领等物体被误判为口罩。
- 解决：
  - 优化检测区域（ROI）：不要在全图搜索口罩。先检测到人脸，然后只在下半部分人脸区域（鼻子到下巴）进行口罩检测，这能极大减少误检。
  - 使用更先进的模型：Haar Cascade方法在复杂场景下局限性明显。如果OpenMV的Flash和RAM空间允许，移植一个轻量级的神经网络模型（如针对口罩检测优化的Tiny-YOLO或MobileNet-SSD）会获得质的提升。这需要用到OpenMV的TensorFlow Lite Micro支持。

4.2 性能瓶颈分析与优化策略

这个系统的实时性要求是“准实时”，不需要毫秒级响应，但最好在1-2秒内完成一次完整的“测温-识别-显示”循环。

STM32与OpenMV的通信延迟：
- 问题：串口通信和OpenMV处理图像都需要时间，如果STM32发送命令太频繁，OpenMV可能来不及处理，导致命令堆积或丢失。
- 优化：采用请求-响应模式，而非持续轮询。STM32发送一个命令后，等待并解析OpenMV的回复，然后再发送下一个命令。可以在OpenMV端，处理完一帧图像并返回结果后，才去检查串口缓冲区是否有新命令。
OpenMV图像处理速度：
- 问题：在QVGA分辨率下进行人脸检测、识别和口罩检测，帧率可能只有5-10fps，影响系统响应速度。
- 优化：
  - 降低分辨率：尝试使用QQVGA (160x120)或QQQVGA (80x60)。对于近距离人脸识别，较低分辨率可能已足够。
  - 跳帧处理：不需要处理每一帧。可以每2帧或3帧处理一次。
  - 优化算法顺序：先进行轻量级的人脸检测，只有检测到人脸后，才对该区域进行更耗时的人脸识别和口罩检测。
  - 使用灰度图：如果颜色信息不重要，可以设置sensor.set_pixformat(sensor.GRAYSCALE)，能减少数据量，提升处理速度。
STM32端的任务调度：
- 问题：如果所有任务都塞在while(1)循环里，可能会因为某个任务阻塞（如等待串口超时）而影响其他任务（如温度定时读取）。
- 优化：引入更简单的时间片或状态机思想。为每个任务（测温、通信、显示刷新）设置独立的时间戳，利用HAL_GetTick()判断是否到执行时间，非阻塞地执行。

// 简单的时间片调度示例 typedef struct { uint32_t last_run; uint32_t interval; void (*task)(void); } sTask; sTask task_list[] = { {0, 1000, Task_ReadTemperature}, // 每秒读一次温度 {0, 200, Task_UpdateDisplay}, // 每200ms刷新一次显示 {0, 50, Task_CheckUART}, // 每50ms检查串口 }; void Scheduler_Run(void) { uint32_t now = HAL_GetTick(); for(int i=0; i<sizeof(task_list)/sizeof(task_list[0]); i++) { if(now - task_list[i].last_run >= task_list[i].interval) { task_list[i].task(); task_list[i].last_run = now; } } } // 在主循环中调用 Scheduler_Run();

5. 常见问题排查与经验心得

在实际部署和调试这个系统的过程中，我踩过不少坑，也积累了一些“教科书上不会写”的经验。

问题一：温度读数偶尔出现极大值（如85℃）或负值。

原因：这通常是I2C通信受到干扰，数据读取错误导致的。MLX90614的数据是16位的，如果某个bit在传输中翻转，就会解码成一个完全错误的温度值。
排查与解决：
1. 硬件上：检查I2C走线，是否过长（建议<20cm），是否靠近电机、继电器等大电流干扰源。确保SDA和SCL线上有足够强的上拉电阻（通常4.7kΩ-10kΩ）。可以在STM32和传感器之间的I2C线上串联一个几十欧姆的小电阻，有助于抑制信号振铃。
2. 软件上：在MLX90614_ReadTemp函数中增加数据有效性检查。物体温度正常范围通常在20-45℃之间（对于人体），如果读出的值超出这个范围（例如>50℃或<15℃），可以丢弃该次读数，并重试一次，或者使用上一次的有效值。
3. 加入CRC/PEC校验：MLX90614传输的第三个字节是PEC（包错误校验）字节。实现PEC校验算法，可以有效过滤掉传输错误的数据。虽然HAL库的Mem_Read不自动处理这个，但我们可以读取3个字节后，自己计算并比对PEC。

问题二：人脸识别在室外强光或室内暗光下失效。

原因：OpenMV的传感器动态范围有限，过亮或过暗都会导致图像细节丢失，人脸特征无法提取。
解决：
- 启用自动曝光控制（AEC）：sensor.set_auto_exposure(True)。但有时自动曝光也不够。
- 手动设置曝光和增益：针对固定场景，可以手动调整到最佳值。使用OpenMV IDE的“镜头”工具，在真实环境下调整sensor.set_auto_exposure(False)，然后手动设置sensor.set_exposure_us()和sensor.set_gain_db()，直到人脸区域清晰可见。
- 增加物理遮光或补光：这是最有效的方法。为摄像头做一个遮光罩，避免阳光直射镜头。在光线不足的室内，增加补光灯，最好是漫射光源，避免在人脸上产生高光点。

问题三：系统运行一段时间后死机或重启。

原因：可能是电源问题、堆栈溢出或看门狗未处理。
排查：
1. 电源负载：用示波器观察系统3.3V电源轨的波形，在OpenMV执行图像捕捉和处理的瞬间，是否有大幅压降（跌落到3.0V以下）。如果有，说明电源带载能力不足，需要更换输出电流更大的LDO或直流电源模块，并在电源入口加大电容（如100uF电解并联0.1uF陶瓷电容）储能。
2. 内存泄漏（OpenMV端）：在MicroPython中，如果在循环里不断创建新的对象（如image.Image()）而不释放，可能导致内存耗尽。确保在函数内部创建的临时对象会随着函数结束而被垃圾回收，或者显式地使用del删除大对象。
3. 看门狗：STM32的IWDG（独立看门狗）如果启用，必须在主循环中定期“喂狗”（HAL_IWDG_Refresh(&hiwdg)），否则会导致复位。如果没启用看门狗却复位，重点查电源和硬件连接。

关于Adaboost与神经网络模型选择的个人体会：在OpenMV上，Haar Cascade + Adaboost方案实现口罩检测，优点是速度快、资源占用极低，整个.xml文件可能只有几十KB，加载和运行都很快。但它的缺点是需要大量正负样本进行训练，且特征设计相对固定，对于口罩的款式、颜色、佩戴方式（如露出鼻子）的泛化能力较弱，容易误检漏检。

而神经网络模型（如TFLite Micro），只要有一个足够好的训练数据集，它能学习到更本质、更鲁棒的特征，准确率通常更高。但代价是模型文件较大（几百KB到几MB），推理速度更慢，会显著增加OpenMV的循环时间。对于本项目，如果对准确率要求极高，且OpenMV H7的Flash有足够空间（比如4MB版本），我推荐花时间走神经网络路线。如果追求极致的速度和低成本，可以先用Haar Cascade方案快速验证原型，同时收集实际场景数据，为后续训练神经网络模型做准备。

最后，这个项目最有趣的地方不在于任何一个单一模块的使用，而在于如何让STM32、OpenMV、传感器这三个“伙伴”高效、可靠地对话。调试过程就像在解一个多维的谜题，硬件、软件、算法交织在一起。当系统终于稳定运行，屏幕上清晰地显示出正确的体温、姓名和“口罩已佩戴”的提示时，那种成就感是单纯调用一个库函数无法比拟的。它带给你的，是对嵌入式系统全链条的深入理解，从电路板上的信号，到C语言和Python的代码逻辑，再到最终的智能决策输出。

本文还有配套的精品资源，点击获取