一、技術(shù)背景與發(fā)展需求

近紅外光譜技術(shù)是一種基于物質(zhì)對近紅外光的選擇性吸收進(jìn)行分析的無損檢測方法。該波段主要對應(yīng)有機物中含氫基團(tuán)（如C-H、O-H、N-H）的合頻與倍頻振動吸收，因此非常適合用于定量或定性分析各類有機成分，如水分、油脂、蛋白質(zhì)、淀粉等。

傳統(tǒng)近紅外光譜儀雖精度高，但體積大、成本高、操作復(fù)雜，限制了其廣泛應(yīng)用。手持式與嵌入式近紅外傳感器的出現(xiàn)，使得實時、現(xiàn)場、在線的成分分析與材料識別成為可能，推動了該技術(shù)從專業(yè)儀器向普惠化感知工具的轉(zhuǎn)變，為智能制造、智慧農(nóng)業(yè)、循環(huán)經(jīng)濟等提供了重要的技術(shù)支撐。

友思特手持光譜儀Linksquare 1

友思特創(chuàng)新性地提供一種名為ChipSense? 的全集成多像素探測器陣列，可構(gòu)建手持式近紅外光譜傳感模塊，在保持寬檢測范圍、高檢測性能的同時，實現(xiàn)了設(shè)備的小型化與系統(tǒng)集成度的顯著提升。

二、高光譜傳感芯片與模組

ChipSense 芯片采用諧振腔增強型結(jié)構(gòu)，在一片單片集成器件上實現(xiàn)了16個獨立像素的光電探測與濾波功能。

每個像素包含：

薄吸收層：基于InGaAs材料，覆蓋550–1700 nm近紅外波段；

調(diào)諧層：用于調(diào)節(jié)各像素的共振波長，實現(xiàn)不同波段的光譜響應(yīng)；

光學(xué)諧振腔：增強特定波長的探測效率，抑制非共振背景噪聲。

芯片優(yōu)勢：

與傳統(tǒng)分光系統(tǒng)（如光柵、干涉儀、MEMS微鏡）相比，該芯片具有多種優(yōu)勢：

全固態(tài)設(shè)計，抗振動、抗沖擊，無運動部件；

探測器與濾波器在晶圓級直接集成，光學(xué)對準(zhǔn)簡單，封裝復(fù)雜度低；

基于標(biāo)準(zhǔn)半導(dǎo)體工藝，適合大規(guī)模量產(chǎn)，具備良好的成本可控性，所需照明功率僅為同類便攜光譜儀的1/3–1/7。

基于ChipSense芯片可開發(fā)光譜檢測模組，將光源、光學(xué)和電子系統(tǒng)集成其中。目前友思特同樣提供對應(yīng)光譜模塊，初版Spectrapod，針對液體檢測的Nibble T，與針對粉末/固體的Nibble R。

Spectropod 初版模組 Nibble R和Nibble T

其構(gòu)造主要包括以下幾個部分

光源：一個小型鹵素白熾燈，可在ChipSense?探測范圍（550 - 1700 nm）內(nèi)產(chǎn)生寬帶發(fā)射。

光收集元件（透鏡+漫射器）：透鏡收集來自樣品的光并將其聚焦到ChipSense?上，而漫射器使照明均勻化，以最大限度地減少空間偽影。

光學(xué)濾光片：放置在光學(xué)路徑中，選擇與應(yīng)用最相關(guān)的光譜區(qū)域。由于ChipSense?在單個采集器中測量整個550 - 1700 nm范圍，因此使用濾光片可以避免混合可見光和近紅外光譜，否則可能會掩蓋微妙的光譜特征。

ChipSense? ：系統(tǒng)核心的光譜傳感器，將透射或反射光轉(zhuǎn)換為16通道光譜指紋。

整體尺寸為 8.2 × 8.2 × 3.4 cm3，真正實現(xiàn)“手持化”，可與信號采集軟件Spectrabyte，云端建模平臺SpectraWeb聯(lián)合使用，適用于現(xiàn)場快速檢測。

三、實戰(zhàn)驗證：兩大典型場景的性能表現(xiàn)

荷蘭埃因霍溫大學(xué)的研究團(tuán)隊通過兩個典型場景驗證了該芯片模塊的實際性能，并與商用微型光譜儀（基于MEMS-DLP技術(shù)）進(jìn)行對比。

實戰(zhàn)一：大米水分定量檢測

在大米加工與儲運行業(yè)中，水分含量是決定稻谷品質(zhì)、存儲安全及加工效率的關(guān)鍵指標(biāo)。水分過高易導(dǎo)致霉變和品質(zhì)劣化，過低則可能引起碎米率上升，影響經(jīng)濟效益。傳統(tǒng)的水分檢測方法如烘箱法，雖準(zhǔn)確但耗時耗力，無法滿足收購現(xiàn)場、倉儲入庫等環(huán)節(jié)對快速、無損檢測的迫切需求。因此需要更便攜高效的方法對大米水分做檢測。

實驗中稻米水分含量的定量72個校準(zhǔn)樣品和 16個測試樣本測量采用PLS建立回歸模型，對兩種不同類型的水稻樣品的含水量進(jìn)行了定量分析，并對回歸模型進(jìn)行了歸一化處理。來自SpectraPod測量的光電流值僅由16個值組成，直接用作構(gòu)建PLSR模型的輸入，而無需進(jìn)一步進(jìn)行光譜重建。相比之下，每個光譜儀掃描測量由330個強度值組成，這些強度值在用于模型構(gòu)建之前使用標(biāo)準(zhǔn)正態(tài)變量方法進(jìn)行歸一化。

SpectraPod: 預(yù)測均方根誤**RMSEP = 1.4%**，RPD = 5.0；

常規(guī)光譜儀: RMSEP = 1.1%，RPD = 7.3；

結(jié)果:光譜芯片與商用光譜儀的性能接近，表明有限光譜通道仍能有效捕捉水分相關(guān)特征。

SpectraPod等手持式設(shè)備的出現(xiàn)，進(jìn)一步將實驗室級分析能力延伸至田間地頭與生產(chǎn)線旁，實現(xiàn)了水分含量的即時監(jiān)控，為糧食質(zhì)量管控與減損增效提供了切實可行的技術(shù)支撐。

實戰(zhàn)二：塑料類型分類

塑料廢棄物的高效分類與回收是緩解環(huán)境污染、實現(xiàn)循環(huán)經(jīng)濟的關(guān)鍵環(huán)節(jié)。傳統(tǒng)人工分揀效率低、準(zhǔn)確性差，而基于密度的分選方法難以區(qū)分種類相近的塑料。近紅外光譜技術(shù)能夠通過識別不同塑料分子中C-H、O-H等化學(xué)鍵的特征吸收，實現(xiàn)快速、準(zhǔn)確的材料鑒別。然而傳統(tǒng)近紅外光譜設(shè)備體積大、成本高，限制了其在中小規(guī)?；厥照尽⑸鐓^(qū)回收點等場景的應(yīng)用。因此，需要更加便攜高效的檢測方法。

實驗中共6種類型材質(zhì)，62個校準(zhǔn)樣品和 28個測試樣本，每個樣品都會在四個不同位置測量，使用PLS-DA開發(fā)了兩種設(shè)備的分類模型。

對于SpectraPod，該分類模型使用10個PLS潛變量開發(fā)，在交叉驗證和測試集預(yù)測中均達(dá)到100%的準(zhǔn)確率。相比之下，常規(guī)近紅外光譜掃描的分類模型實現(xiàn)了96.9%的交叉驗證準(zhǔn)確證和96.4%的測試集預(yù)測準(zhǔn)確率。

SpectraPod在塑料分類任務(wù)中，該模塊甚至表現(xiàn)出優(yōu)于傳統(tǒng)光譜儀的分類能力，說明其光譜通道設(shè)計充分覆蓋了塑料在NIR波段的特征吸收。

四、技術(shù)限制與優(yōu)勢場景分析

現(xiàn)存局限性

目前Spectropod仍有一些限制，比如光譜分辨率有限（約50–100 nm），不適用于需高分辨率光譜的場合；無法直接提供波長連續(xù)的光譜曲線，降低了光譜的直觀可解釋性；對極窄吸收特征（如氣體檢測）或全黑色樣品識別能力有限；數(shù)據(jù)預(yù)處理方法受限，常規(guī)光譜預(yù)處理（如求導(dǎo)、平滑）意義減弱。

核心優(yōu)勢與適用場景

優(yōu)勢：高集成度與可靠性適合工業(yè)與戶外環(huán)境；成本可控，適合消費級應(yīng)用推廣；數(shù)據(jù)簡潔，降低后續(xù)數(shù)據(jù)處理與建模復(fù)雜度；低功耗與小體積。

適用場景：工業(yè)定量分析（如水分、油脂、蛋白質(zhì)）、材料分類識別（塑料、紡織品、藥品）、電子健康檢測產(chǎn)品、現(xiàn)場快速篩查與質(zhì)量控制等應(yīng)用場景。

五、未來展望：光譜感知的規(guī)?；涞?/strong>