云計(jì)算和物聯(lián)網(wǎng)（IoT）的最新進(jìn)展已為我們開辟了“大數(shù)據(jù)”的優(yōu)勢(shì)，使他們能夠分析源源不斷的信息流。

但這些進(jìn)步如何影響光譜領(lǐng)域？我所在的Optionline這樣的創(chuàng)新型公司正在這些方面處于領(lǐng)先地位。我們通過對(duì)各種物質(zhì)進(jìn)行數(shù)據(jù)分析的SMART技術(shù)（如下圖）將近紅外（NIR）光譜儀連接到IoT。例如，通過快速確定物質(zhì)的化學(xué)成分，可以幫助制藥行業(yè)的人員確保質(zhì)量控制。

今天的NIR技術(shù)分析和區(qū)分?jǐn)?shù)據(jù)集的功能，而非深入研究化學(xué)分析。這意味著NIR光譜范圍內(nèi)的簡單循序掃讀涉及數(shù)據(jù)點(diǎn)的大量流入。通常，信號(hào)被分解成數(shù)百個(gè)預(yù)測變量，這些變量通過復(fù)雜算法進(jìn)行反饋，以預(yù)測類別或量化特定內(nèi)容。近紅外光譜使人們能夠通過將化學(xué)信息轉(zhuǎn)化為數(shù)字來獲得材料智能，從而可以輕松地轉(zhuǎn)換、傳輸和翻譯化學(xué)信息。

當(dāng)然這是“說起來容易做起來難”。NIR光譜是樣品中分子振動(dòng)的結(jié)果，因此影響從樣品反射的光輻射。

通常，信號(hào)響應(yīng)不是特定于特定材料，而是每組的響應(yīng)相加，從而提供光譜讀數(shù)的低特異性。信號(hào)也是自動(dòng)相關(guān)的，使得信號(hào)分解成為一項(xiàng)艱巨任務(wù)。一種稱為化學(xué)計(jì)量學(xué)的全新科學(xué)已出現(xiàn)，并且極其關(guān)注創(chuàng)建用于處理這些復(fù)雜數(shù)據(jù)的分析工具。

雖然使用NIR光的化學(xué)配方的鑒定可能已存在多年，但目前可用的NIR技術(shù)的便利性、流動(dòng)性和可負(fù)擔(dān)性仍然可解決當(dāng)今的問題。我們使用光譜匹配技術(shù)可以評(píng)估樣本中可能存在的內(nèi)容，或者不太可能存在的內(nèi)容。這更接近于篩選樣品與化學(xué)分析，這實(shí)質(zhì)上意味著情報(bào)收集。換句話說，我們不是想回答那里存在什么內(nèi)容，而是想回答樣本中可能存在什么。能夠?qū)栴}精簡至一些可能的項(xiàng)目可能是定義最佳響應(yīng)的重要步驟。

基于靈活的TIDLP? NIRscan?納米評(píng)估模塊（EVM）和使用DLP2010NIR芯片組的Optionline解決方案，通過減少系統(tǒng)尺寸，并使其比先前的NIR光譜解決方案更實(shí)惠將NIR光譜儀從實(shí)驗(yàn)室轉(zhuǎn)移到實(shí)地。事實(shí)上，由于采用DLP技術(shù)，便攜式材料分析現(xiàn)在真正可能脫離傳統(tǒng)分析實(shí)驗(yàn)室環(huán)境，而轉(zhuǎn)向農(nóng)場和倉庫等場合。

Optionline的方法在這個(gè)方向上采取了兩條不同的途徑。一個(gè)是為數(shù)千種相關(guān)物質(zhì)建立可靠的光譜特征數(shù)據(jù)庫，主要涉及食品、藥品和危險(xiǎn)物質(zhì)。

我們還在努力提供在線實(shí)時(shí)分析，以實(shí)現(xiàn)快速周轉(zhuǎn)響應(yīng)。這意味著簡化讀數(shù)，并將機(jī)器人工智能與人類智能相結(jié)合。

通常，如果我們知道要尋找什么，并以相同的方式對(duì)其進(jìn)行比較，則可在短短幾秒鐘內(nèi)篩選出幾十種物質(zhì)的清單。雖然機(jī)器可將范圍從幾十個(gè)候選方案減少到幾個(gè)，但我們?nèi)匀恍枰?a target="_blank">人工智能獲得它們。

在仍然使用的最古老的篩選措施中，當(dāng)“大數(shù)據(jù)”、物聯(lián)網(wǎng)、近紅外新技術(shù)這些所有元素集成時(shí)，其與嗅探犬有更多的共同之處。新舊不重要。有用才是王道。

審核編輯：何安