从实验室到现场：全集成近红外光谱传感芯片的应用革命

一、技术背景与发展需求

近红外光谱技术是一种基于物质对近红外光的选择性吸收进行分析的无损检测方法。该波段主要对应有机物中含氢基团（如C-H、O-H、N-H）的合频与倍频振动吸收，因此非常适合用于定量或定性分析各类有机成分，如水分、油脂、蛋白质、淀粉等。

传统近红外光谱仪虽精度高，但体积大、成本高、操作复杂，限制了其广泛应用。手持式与嵌入式近红外传感器的出现，使得实时、现场、在线的成分分析与材料识别成为可能，推动了该技术从专业仪器向普惠化感知工具的转变，为智能制造、智慧农业、循环经济等提供了重要的技术支撑。

友思特手持光谱仪Linksquare 1

友思特创新性地提供一种名为ChipSense™ 的全集成多像素探测器阵列，可构建手持式近红外光谱传感模块，在保持宽检测范围、高检测性能的同时，实现了设备的小型化与系统集成度的显著提升。

二、高光谱传感芯片与模组

ChipSense 芯片采用谐振腔增强型结构，在一片单片集成器件上实现了16个独立像素的光电探测与滤波功能。

每个像素包含：

薄吸收层：基于InGaAs材料，覆盖550–1700 nm近红外波段；

调谐层：用于调节各像素的共振波长，实现不同波段的光谱响应；

光学谐振腔：增强特定波长的探测效率，抑制非共振背景噪声。

芯片优势：

与传统分光系统（如光栅、干涉仪、MEMS微镜）相比，该芯片具有多种优势：

全固态设计，抗振动、抗冲击，无运动部件；

探测器与滤波器在晶圆级直接集成，光学对准简单，封装复杂度低；

基于标准半导体工艺，适合大规模量产，具备良好的成本可控性，所需照明功率仅为同类便携光谱仪的1/3–1/7。

基于ChipSense芯片可开发光谱检测模组，将光源、光学和电子系统集成其中。目前友思特同样提供对应光谱模块，初版Spectrapod，针对液体检测的Nibble T，与针对粉末/固体的Nibble R。

Spectropod 初版模组 Nibble R和Nibble T

其构造主要包括以下几个部分

光源：一个小型卤素白炽灯，可在ChipSense™探测范围（550 - 1700 nm）内产生宽带发射。

光收集元件（透镜+漫射器）：透镜收集来自样品的光并将其聚焦到ChipSense™上，而漫射器使照明均匀化，以最大限度地减少空间伪影。

光学滤光片：放置在光学路径中，选择与应用最相关的光谱区域。由于ChipSense™在单个采集器中测量整个550 - 1700 nm范围，因此使用滤光片可以避免混合可见光和近红外光谱，否则可能会掩盖微妙的光谱特征。

ChipSense™ ：系统核心的光谱传感器，将透射或反射光转换为16通道光谱指纹。

整体尺寸为 8.2 × 8.2 × 3.4 cm³，真正实现“手持化”，可与信号采集软件Spectrabyte，云端建模平台SpectraWeb联合使用，适用于现场快速检测。

三、实战验证：两大典型场景的性能表现

荷兰埃因霍温大学的研究团队通过两个典型场景验证了该芯片模块的实际性能，并与商用微型光谱仪（基于MEMS-DLP技术）进行对比。

实战一：大米水分定量检测

在大米加工与储运行业中，水分含量是决定稻谷品质、存储安全及加工效率的关键指标。水分过高易导致霉变和品质劣化，过低则可能引起碎米率上升，影响经济效益。传统的水分检测方法如烘箱法，虽准确但耗时耗力，无法满足收购现场、仓储入库等环节对快速、无损检测的迫切需求。因此需要更便携高效的方法对大米水分做检测。

实验中稻米水分含量的定量72个校准样品和 16个测试样本测量采用PLS建立回归模型，对两种不同类型的水稻样品的含水量进行了定量分析，并对回归模型进行了归一化处理。来自SpectraPod测量的光电流值仅由16个值组成，直接用作构建PLSR模型的输入，而无需进一步进行光谱重建。相比之下，每个光谱仪扫描测量由330个强度值组成，这些强度值在用于模型构建之前使用标准正态变量方法进行归一化。

SpectraPod: 预测均方根误**RMSEP = 1.4%**，RPD = 5.0；

常规光谱仪: RMSEP = 1.1%，RPD = 7.3；

结果:光谱芯片与商用光谱仪的性能接近，表明有限光谱通道仍能有效捕捉水分相关特征。

SpectraPod等手持式设备的出现，进一步将实验室级分析能力延伸至田间地头与生产线旁，实现了水分含量的即时监控，为粮食质量管控与减损增效提供了切实可行的技术支撑。

实战二：塑料类型分类

塑料废弃物的高效分类与回收是缓解环境污染、实现循环经济的关键环节。传统人工分拣效率低、准确性差，而基于密度的分选方法难以区分种类相近的塑料。近红外光谱技术能够通过识别不同塑料分子中C-H、O-H等化学键的特征吸收，实现快速、准确的材料鉴别。然而传统近红外光谱设备体积大、成本高，限制了其在中小规模回收站、社区回收点等场景的应用。因此，需要更加便携高效的检测方法。

实验中共6种类型材质，62个校准样品和 28个测试样本，每个样品都会在四个不同位置测量，使用PLS-DA开发了两种设备的分类模型。

对于SpectraPod，该分类模型使用10个PLS潜变量开发，在交叉验证和测试集预测中均达到100%的准确率。相比之下，常规近红外光谱扫描的分类模型实现了96.9%的交叉验证准确证和96.4%的测试集预测准确率。

SpectraPod在塑料分类任务中，该模块甚至表现出优于传统光谱仪的分类能力，说明其光谱通道设计充分覆盖了塑料在NIR波段的特征吸收。

四、技术限制与优势场景分析

现存局限性

目前Spectropod仍有一些限制，比如光谱分辨率有限（约50–100 nm），不适用于需高分辨率光谱的场合；无法直接提供波长连续的光谱曲线，降低了光谱的直观可解释性；对极窄吸收特征（如气体检测）或全黑色样品识别能力有限；数据预处理方法受限，常规光谱预处理（如求导、平滑）意义减弱。

核心优势与适用场景

优势：高集成度与可靠性适合工业与户外环境；成本可控，适合消费级应用推广；数据简洁，降低后续数据处理与建模复杂度；低功耗与小体积。

适用场景：工业定量分析（如水分、油脂、蛋白质）、材料分类识别（塑料、纺织品、药品）、电子健康检测产品、现场快速筛查与质量控制等应用场景。

五、未来展望：光谱感知的规模化落地

基于全集成探测器阵列的近红外光谱传感芯片技术，标志着光谱分析设备从“仪器”向“传感器”演进的重要一步。SpectraPod 模块的成功验证表明，在不少实际应用中，有限波段、高集成度的光谱传感方案足以替代传统光谱仪，在成本、体积与可靠性之间取得优异平衡。该技术有望推动近红外传感在农业、环保、消费品、医疗等领域的规模化落地，实现“光谱感知无处不在”的未来愿景。

审核编辑 黄宇