一、技術背景與發展需求

近紅外光譜技術是一種基于物質對近紅外光的選擇性吸收進行分析的無損檢測方法。該波段主要對應有機物中含氫基團（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、淀粉等。

傳統近紅外光譜儀雖精度高，但體積大、成本高、操作復雜，限制了其廣泛應用。手持式與嵌入式近紅外傳感器的出現，使得實時、現場、在線的成分分析與材料識別成為可能，推動了該技術從專業儀器向普惠化感知工具的轉變，為智能制造、智慧農業、循環經濟等提供了重要的技術支撐。

友思特手持光譜儀Linksquare 1

友思特創新性地提供一種名為ChipSense? 的全集成多像素探測器陣列，可構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，實現了設備的小型化與系統集成度的顯著提升。

二、高光譜傳感芯片與模組

ChipSense 芯片采用諧振腔增強型結構，在一片單片集成器件上實現了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；

調諧層：用于調節各像素的共振波長，實現不同波段的光譜響應；

光學諧振腔：增強特定波長的探測效率，抑制非共振背景噪聲。

芯片優勢：

與傳統分光系統（如光柵、干涉儀、MEMS微鏡）相比，該芯片具有多種優勢：

全固態設計，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，光學對準簡單，封裝復雜度低；

基于標準半導體工藝，適合大規模量產，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芯片可開發光譜檢測模組，將光源、光學和電子系統集成其中。目前友思特同樣提供對應光譜模塊，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）內產生寬帶發射。

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。

光學濾光片：放置在光學路徑中，選擇與應用最相關的光譜區域。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? ：系統核心的光譜傳感器，將透射或反射光轉換為16通道光譜指紋。

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

三、實戰驗證：兩大典型場景的性能表現

荷蘭埃因霍溫大學的研究團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）進行對比。

實戰一：大米水分定量檢測

在大米加工與儲運行業中，水分含量是決定稻谷品質、存儲安全及加工效率的關鍵指標。水分過高易導致霉變和品質劣化，過低則可能引起碎米率上升，影響經濟效益。傳統的水分檢測方法如烘箱法，雖準確但耗時耗力，無法滿足收購現場、倉儲入庫等環節對快速、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行了定量分析，并對回歸模型進行了歸一化處理。來自SpectraPod測量的光電流值僅由16個值組成，直接用作構建PLSR模型的輸入，而無需進一步進行光譜重建。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建之前使用標準正態變量方法進行歸一化。

SpectraPod: 預測均方根誤**RMSEP = 1.4%**，RPD = 5.0；

常規光譜儀: RMSEP = 1.1%，RPD = 7.3；

結果: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特征。

SpectraPod等手持式設備的出現，進一步將實驗室級分析能力延伸至田間地頭與生產線旁，實現了水分含量的即時監控，為糧食質量管控與減損增效提供了切實可行的技術支撐。

實戰二：塑料類型分類

塑料廢棄物的高效分類與回收是緩解環境污染、實現循環經濟的關鍵環節。傳統人工分揀效率低、準確性差，而基于密度的分選方法難以區分種類相近的塑料。近紅外光譜技術能夠通過識別不同塑料分子中C-H、O-H等化學鍵的特征吸收，實現快速、準確的材料鑒別。然而傳統近紅外光譜設備體積大、成本高，限制了其在中小規模回收站、社區回收點等場景的應用。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，62個校準樣品和 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開發了兩種設備的分類模型。

對于SpectraPod，該分類模型使用10個PLS潛變量開發，在交叉驗證和測試集預測中均達到100%的準確率。相比之下，常規近紅外光譜掃描的分類模型實現了96.9%的交叉驗證準確證和96.4%的測試集預測準確率。

SpectraPod在塑料分類任務中，該模塊甚至表現出優于傳統光譜儀的分類能力，說明其光譜通道設計充分覆蓋了塑料在NIR波段的特征吸收。

四、技術限制與優勢場景分析

現存局限性

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；數據預處理方法受限，常規光譜預處理（如求導、平滑）意義減弱。

核心優勢與適用場景

優勢：高集成度與可靠性適合工業與戶外環境；成本可控，適合消費級應用推廣；數據簡潔，降低后續數據處理與建模復雜度；低功耗與小體積。

適用場景：工業定量分析（如水分、油脂、蛋白質）、材料分類識別（塑料、紡織品、藥品）、電子健康檢測產品、現場快速篩查與質量控制等應用場景。

五、未來展望：光譜感知的規模化落地

基于全集成探測器陣列的近紅外光譜傳感芯片技術，標志著光譜分析設備從“儀器”向“傳感器”演進的重要一步。SpectraPod 模塊的成功驗證表明，在不少實際應用中，有限波段、高集成度的光譜傳感方案足以替代傳統光譜儀，在成本、體積與可靠性之間取得優異平衡。該技術有望推動近紅外傳感在農業、環保、消費品、醫療等領域的規?；涞兀瑢崿F“光譜感知無處不在”的未來愿景。

審核編輯 黃宇