实用简评∣从NIR2023看当前近红外光谱的研究热点

褚小立

中国石化石油化工科学研究院，cxlyuli@sina.com

第21届国际近红外光谱会议(NIR 2023)于2023年8月20日至24日在奥地利召开。由于护照和签证的延迟，很遗憾没有现场参加这次会议。最近一段时间我认真研读了会议摘要和会议墙报，深感近红外光谱的研究和应用方兴未艾。除了近红外光谱在“科学研究”、“过程分析技术”、“高光谱成像”等领域的快速深入发展，本次大会的关键词“小微型近红外光谱”、“数据融合”、“深度学习”给我留下了深刻的印象，可以说是目前近红外光谱领域的研究热点。

小微型NIR

虽然小微型化的近红外光谱仪在光谱范围、分辨率、信噪比等方面优势不明显，但它具有廉价、快速、操作简单、易于野外使用等诸多优点，近年来越来越受到人们的关注(O01.12)。

在NIR 2023上，不仅有新的小微型近红外光谱仪器(O05.05，F05.03，P05.02)和便携式成像仪器(O07.11)的研发，还有应用方法学研究。例如，Shi等将实验室建立的土壤光谱库移植到便携式仪器上，用于田间土壤品质的快速分析(P10.09)；Lippl等也开展了类似的研究工作(P10.04)，以提高小型化近红外光谱仪在现场的部署效率。

小型化近红外光谱仪在不同领域的应用研究仍然层出不穷。Gorji等人利用手持式近红外分析仪测量田间作物叶片的含水量，对农田精细灌溉管理具有实际应用意义(P01.22)；Sherif等人一直在利用手持式近红外光谱仪建立数据库，预测奶牛的粪便成分，从而监测养分利用效率，实时调整日粮配方(P01.53)；Gillay等人使用便携式近红外光谱检测奶牛的饲料，并评估这些奶牛的奶生产的奶酪，以评估改善的喂养对奶酪质量的影响(P01.21)。

Popp等人花了三年时间在便携式近红外光谱仪上建立了一个校准模型，用于在田间实时直接测量药用植物的质量(PL08)；Hamed等人使用便携式近红外光谱仪确定大麻中具有高经济价值的化学成分的含量，这为种植者、经销商和生产者提供了一种工具，以管理其现场的质量控制并提高作物优化(P01.24)。

Ikehata研究了使用小型可见-近红外光谱传感器评估蔬菜新鲜度的可行性(O01.11)；Giraudo使用廉价的便携式仪器识别加工肉制品中掺假的机械分离肉(MSM )( O 01.08)；Hernandez-Jimenez等人成功使用便携式NIR仪器根据品种鉴别伊比利亚火腿(P01.25)；Arroyo-Cerezo等人建立了一种利用便携式近红外光谱仪快速鉴别初榨橄榄油品质和真伪的筛选方法(P01.04)；加里多-奎瓦斯等人还评估了几种便携式仪器在现场检测初榨橄榄油质量的潜力，以便用于橄榄油生产和储存过程中的质量控制(P01.19)。这些有希望的结果表明，微型近红外光谱仪可以成功地应用于直接检测市场上的食品欺诈。

Rais等人研究了使用超便携近红外技术对伪造药物进行即时无损分析的可行性，包括治疗勃起功能障碍的药物和预防艾滋病毒治疗的药物(P08.09)；近红外技术可以为纺织废料识别问题提供解决方案，Stipanovic等人使用手持式近红外光谱仪对消费后纺织品进行分类(P07.20)。

多源数据融合

近年来，多源数据融合技术通过综合优化和整合多个来源的信息，充分发挥多种光谱或/和图像之间的互补性，可以全面深入地挖掘信息，达到提高校正模型预测精度和稳定性的目的(KN11)。

在NIR 2023上，出现了很多多源数据融合的应用研究实例，尤其是在食品领域。Vasefi等人开发了一种手持式多模式光谱系统，该系统结合了可见近红外(VIS-NIR)、短波红外(SWIR)和荧光(FL)光谱的反射率，用于鱼类物种识别、新鲜度评估、养殖与野生鱼识别、冷冻-解冻与新鲜鱼肉识别(O03.13)；Strani等人使用拉曼光谱和近红外光谱的融合来鉴定帕尔马干酪的PDO真实性(P01.58)；Bragolusi等人开发了一种基于近红外和拉曼光谱融合的光谱方法，用于快速准确地鉴定单花蜂蜜的植物来源(P01.47)；Jia等人使用可见光范围(400-1000 nm)和短波红外范围(900-1700 nm)光谱成像来预测贮藏期间包装的小牛肉产品的肌红蛋白谱(P07.07)。

在制药领域，Kovacs等人将近红外光谱与传统的过程控制方法相结合，预测药物的溶出度(P09.04)；Tian等利用近红外光谱和中红外光谱融合技术对不同品种黄连的水分含量进行了鉴别和测定(P08.10)。

在其他领域，Sormunen等人使用拉曼光谱和超光谱成像(1950-2500 nm)对高溴和低溴废塑料(O10.03)进行分类；Linderholm等人使用了五种光谱，包括分子振动光谱和原子光谱，对地质样品进行分类，多块模型的初步结果表明，光谱信息可以相互补充，提高了样本分类的准确性(P03.08)；Oravec等人使用便携式近红外光谱、紫外-可见近红外光谱、拉曼光谱和ATR-FTIR光谱设备进行了文化遗产领域的材料鉴定研究(P03.09)。

深度学习

近年来，深度学习方法在近红外光谱和高光谱成像的定量分析、模式识别和模型迁移等方面显示出越来越多的优势。深度学习适用于处理大样本光谱数据集，尤其适合高相似样本的判别分析和高差异样本的定量分析。

在NIR2023大会上，深度学习与光谱成像相结合在水果和农业方面的应用研究尤为突出。Girones等人将近红外高光谱成像与3D定制卷积神经网络相结合，用于识别水果中的指状青霉感染(F07.01)；Chun等利用高光谱荧光成像数据研究了数据增强深度学习算法，用于草莓灰霉病的早期检测(P07.03)；Kim等人使用高光谱VIS-NIR成像和卷积神经网络来测量东方甜瓜植物的氮水平，以实现精确的氮素供应管理(P07.08)；Mo等评估了高光谱荧光成像和卷积神经网络用于测定柑橘果实成熟度的适用性(P07.15)。

此外，Park等人利用田间测得的土壤NIR光谱建立了土壤含水量的深度学习预测模型(P10.07)；Chiniadis等人提出了利用近红外反射光谱和深度学习方法快速预测土壤中碳酸盐含量的方法(P10.01)；Benson等人提出了一种基于耳石近红外光谱和卷积神经网络的鱼类年龄新方法，该方法可以自动提取重要的光谱特征，并产生相当的精度，而且分析效率明显高于传统方法(O01.02，P01.07)。

展望

从仪器微型化技术的发展可以看出其对近红外光谱的推动力，从工农业生产、消费市场(如“from farm to fork”)和人们日常生活(如”point-of-care”)不断增长的需求可以看出其对近红外光谱的牵引力。在驱动力和牵引力的双重作用下，近红外光谱分析技术将在未来得到加速发展。

可以预见，在上述背景下，仪器微小型化、多源数据融合和深度学习仍将是近红外光谱领域未来几年的研究热点和重点。近红外光谱无疑已经从光谱中的“丑小鸭”变成了“天鹅”，并继续与其他谱学技术一起在农业、工业、消费、甚至人类健康等领域中改变着人们的工作和生活方式，成为质量控制的新模式(KN04，PL04，F01.02，KN08，KN10)。

目前，近红外光谱分析技术正处于其巅峰的前夜，我们期待着这一时刻的尽快到来。

致谢：感谢臧恒昌教授、李连教授和郭隆海教授提供的NIR 2023会议摘要和墙报图片。