近红外光谱成像仪

天津工业大学化学工程与技术学院 王瑶 吴德云 石梓彤 赵子贞 （指导教师：卞希慧）2022年11月28-30日，第八届亚洲近红外光谱学术会议（the 8th Asian NIR Symposium，ANS2022）在韩国首尔召开。来自美国、西班牙、韩国、日本、中国、印度、新加坡、泰国以及尼泊尔等10余个国家近百名学者通过ZOOM会议在线上汇聚一堂。韩国汉阳大学的Hoeil Chung教授致辞，对所有参会人员表示热烈欢迎。会议共安排了38场报告和29个墙报，包括农业食品材料（Agricultural Food Material）、高光谱成像（Hyperspectral Imaging）、基础科学与化学计量学（Basic Science and Chemometrics）和先进技术和药物应用（Advanced Technology and Pharmaceutical Application）4个主题。两位特邀专家分享高光谱成像和化学计量学建模方法会议特别邀请了美国农业部（United States Department of Agriculture, USDA）的Moon S. Kim教授和西班牙科尔多瓦大学（University of Cordoba）的Lola Pérez-Marín教授作大会特邀报告（Plenary Presentation）。Moon S. Kim教授作了题为“光谱成像技术在农业领域应用（Spectral imaging technologies for agricultural applications）”的报告。该报告首先阐述了从1999年至今先后发展起来的高光谱荧光和反射成像、高光谱近红外成像、高光谱拉曼成像、短波红外高光谱成像、在线拉曼成像等技术；然后介绍了新鲜水果、蔬菜和家禽在线检验的快速自动化系统；最后介绍了使用高光谱荧光-可见近红外反射成像系统用于评估农产品和食品成分的安全和质量。美国农业部Moon S. Kim教授的大会特邀报告Lola Pérez-Marín教授作了题为“提高近红外光谱预测模型稳健性（Aspects to increase the robustness of NIRs prediction models）”的报告。从校正集的选择、参考值的质量、光谱数据的质量、预测模型的建立和评价四个方面考虑提高模型的稳健性。她改进了采样方法、分析了样品方差的来源。通过实验标准误差（Stand Error of Laboratory）来评价参考值的数据质量。分析了仪器、样品以及实验操作对光谱数据质量的影响。预测模型的建立主要包括预处理方法的选择、判断模型是否过拟合、建模方法的选择。其建议用于建立预测模型的方法应尽可能简单，并且要与建模问题的复杂性相适应。西班牙科尔多瓦大学Lola Pérez-Marín教授的大会特邀报告六位资深专家作主题报告，分享近红外算法、仪器以及应用方面最新研究进展除了上述两位特邀报告，大会还邀请了印度贾达普大学（Jadavpur University）的Rajib Bandyoypadhyay教授、韩国忠南国立大学（Chungnam National University）的Byoung-Kwan Cho教授、日本关西学院大学（Kwansei Gakuin University）的Akifumi Ikehata教授、南开大学的邵学广教授、新加坡南洋理工大学（Nanyang Technological University）的Ying Zhu教授、泰国农业大学（Kasetsart University）的Sirinad Noypitak教授等六位亚洲近红外领域的资深专家作主题报告（Keynote speaker）。印度贾达普大学（Jadavpur University）的Rajib Bandyoypadhyay教授作了题为“利用便携式近红外光谱测定金鸡纳树皮中总生物碱（Estimation of total alkaloids in Cinchona bark using a developed portable NIR）”的报告。该研究设计开发了一种低成本的便携式近红外光谱仪来测定金鸡纳树皮中总生物碱的含量，同时开发了建模软件，包括图形用户界面、预处理和建模程序。韩国忠南国立大学的Byoung-Kwan Cho教授作了题为“高光谱成像在农产品检测中应用（Application of hyperspectral imaging for quality measurement of agricultural materials）”的报告。报告介绍了什么是高光谱成像、为什么进行高光谱成像、以及其课题组利用高光谱反射成像进行梨擦伤检测、食品化学成分检测、种子活力检测、利用高光谱拉曼成像进行小麦粉掺假检测的研究进展。日本关西学院大学的Akifumi Ikehata教授作了题为“反胶束中被限制水的扩展摩尔吸收系数(Extended molar absorption coefficients of confined water in reverse micelles)”的报告。该报告利用近红外光谱技术比较了四种不同极性基团的表面活性剂组成的反胶束内部的水状态。扩展的摩尔吸收系数分析基于浓度差异，能够明确检测到核心水。此外，他们还可以定量分析反胶束吸水率的增强。扩展的摩尔吸收分析对于理解有限环境中的分子行为具有重要意义。南开大学的邵学广教授作了为题为“温控近红外光谱分析中的化学计量学方法研究（Chemometric studies for analyzing temperature-dependent near-infrared spectra）”的报告。报告采用连续小波变换（CWT）将光谱分解为不同频率的光谱分量，然后采用蒙特卡罗无信息变量消去法（MC-UVE）评价变量对温度的依赖性。通过多级同时成分分析（MSCA）方法得到光谱与温度和浓度的定量关系，用互因子分析（MFA）提取不同温度或不同浓度下水的吸收光谱中包含的“共同”光谱特征，采用多维主成分分析（NPCA）、平行因子分析（PARAFAC）和交替三线性分解（ATLD）等高阶化学计量学算法从醇水溶液的光谱中提取结构信息。新加坡南洋理工大学的Ying Zhu教授作了题为“基于化学计量学和深度学习模型的光谱数据分类及其在结肠息肉检测中的应用（Chemometrics and deep learning models for classification of spectroscopic data with application to detection of colon polyps）”的报告。相比需要大量预处理方法的传统机器学习方法相比，卷积神经网络（CNN）将光谱预处理、特征提取和分类结合在一个架构中，可以自动训练对光谱数据进行分类。她构建了1D-CNN模型来区分癌前腺瘤性息肉和增生性息肉，并将分类性能与传统的PC-DA和PLS-DA进行了比较。结果表明所开发的1D-CNN模型能够很好地分类癌前腺瘤性息肉和增生性息肉，并且分类效果优于传统的化学计量学方法。泰国农业大学的Sirinad Noypitak教授作了题为 “一种使用近红外光谱并在智能手机上实时报告数据的便携式水分含量测定仪（A portable moisture content meter using near infrared spectroscopy with real-time data report on a smartphone）”的报告。她开发了一种新型便携式近红外含水率（NIR-MC）测定仪，用于实时测定木材的含水量。该测定仪由一个小型NIR光谱仪和智能手机组成，通过android应用程序操作，以控制NIR光谱仪在智能手机上实时采集、显示和处理光谱数据。报告使用PLSR建立了三个用于确定含水量的预测模型，所得到的R值均大于0.85，表明所开发的含水率测定仪可成为锯木厂实际工作中无损检测水分含量的一种替代方法。大会不仅安排了上述2位专家的特邀报告，6位专家的主题报告，还有30位学者通过口头报告（Oral Presentation）的形式分享了他们在近红外领域的最新成果。总结38位专家学者的报告，化学计量学方法、光谱仪器以及应用是近红外光谱分析技术的三大研究方面。深度学习、高光谱成像以及医学诊断成为本届亚洲近红外光谱学术会议的亮点，这也将是未来近红外光谱技术发展的趋势。深度学习成为化学计量学建模方法的研究热点深度学习在复杂系统光谱特征提取、分类和回归中比传统算法更有优势，成为化学计量学方法的研究热点。除了前面所述新加坡南洋理工大学的Ying Zhu教授的深度学习算法的主题报告外，还有6个关于深度学习算法的口头报告和墙报。韩国江原国立大学（Kangwon National University）的Changyeun Mo教授课题组将高光谱成像技术与CNN相结合，进行多项研究：研究生Seung-WooChun使用荧光高光谱成像技术结合机器学习和深度学习算法，用于快速无损检测受灰霉病感染的草莓。其所建立的VGG-19和Resnet-34模型的训练精度和测试精度都优于传统的PLS-DA，该研究验证了荧光高光谱图像光谱技术在草莓灰霉病发病阶段的适用性；研究生Hong-Gu Lee开发了一个3D-CNN模型，利用蜂群的高光谱成像来识别感染蜜蜂；研究生Nam-Wook Kim开发了基于高光谱成像的CNN算法，根据花青素含量对具有相似颜色和外观的紫色玉米进行分类，该方法可以快速准确分析花青素含量；韩国江原国立大学的Doo-Jin Song使用一维卷积神经网络（1D-CNN）网络建立了苹果中可溶性固体含量（SSC）的预测模型；南开大学段潮舒博士发展了长短记忆（LSTM）的自编码器网络用于近红外光谱定量分析；南开大学刘煦阳博士提出了一种称为Sup-自编码器的高光谱特征提取方法。除了深度学习外，光谱预处理、变量选择、建模方法等化学计量学方法的研究一直是化学计量学的主要内容。散射光的理论分析是光谱预处理的难点，日本北海道大学的Hyeonwoo Na利用分子动力学和电磁波理论对近红外光散射特性进行了数值分析；Yuki Inoue使用时间相关漫反射测量的波长相关干涉效应对脂肪乳剂中光散射的影响进行了研究。印度贾达普大学的研究生Dilip Sing利用便携式光谱仪结合SNV预处理和PLSR模型实现了红茶中茶黄素含量有效、快速的测定。韩国忠南大学（Chungnam National University）的Rahul Joshi博士将变量选择重要性（VIP）与PLSR相结合对标准溶液、芒果汁和牛奶样品中的西维因农药含量进行了定量分析。新加坡南洋理工大学的Soh Chin Gi使用了正则化的逻辑回归模型对橄榄油的产地进行了区分，正则化惩罚增强了模型系数的稀疏性和平滑性，比传统方法更方便解释系数的物理意义。高光谱成像技术是近红外光谱分析发展的趋势高光谱成像（Hyper-spectral imaging system, HSI）集光谱和成像技术的优势于一体，可以同时获得光谱和空间的三维信息，成为光谱分析技术的前沿。韩国忠南国立大学的Byoung-Kwan Cho教授课题组的研究生Rizkiana Aulia利用近红外高光谱成像来预测大豆种子中蛋白质和脂肪含量；Juntae Kim使用短波红外高光谱近红外成像系统预测牛肉胴体脂肪含量和油酸含量，为开发高光谱牛肉胴体分级系统提供了可能；日本名古屋大学（Nagoya University）的Hayato Seki使用近红外高光谱相机和激光位移计对草莓的糖含量成像，用主成分分析（PCA）和图像处理相结合的预处理方法，从果实表面提取高光谱数据，并通过Lambert对数据进行校正，从而建立3D糖含量成像；Bin Li使用一种结合HSI系统和激光分析仪获得受伤苹果的NIR-HSI数据和三维形状数据，并采用了一种基于模型的高度和角度校正方法，以增强低强度区位置的光强度，从而发现苹果早期的瘀伤；泰国朱拉隆功大学（Chulalongkorn University）的Sureerat Makmuang博士采用近红外光谱和高光谱近红外成像技术结合改进的自组织映射（SOMs）对杂草水稻进行了识别。近红外光谱技术在食品、医药和环境监测等领域的应用日趋广泛随着近红外分析仪器以及化学计量学方法的不断发展，近红外光谱分析技术在食品评估、医学诊断、环境监测等复杂体系的应用越来越广。尼泊尔特里布文大学（Tribhuvan University）的Bhupendra Lama研究了使用线性可调谐滤波器MicroNIR光谱仪结合PLS模型快速现场评估鸡肉微生物质量的可行性；韩国忠南大学Semyalo Dennis利用Vis/NIR光谱和C++编程开发了一种快速在线光谱测量和分析鸡蛋中血斑的系统，用于鸡蛋内部质量的无损检测；泰国东方皇家理工大学（Rajamangala University of Technology Isan）的Panuwat Supprung利用傅里叶变换近红外光谱（FT-NIR）、数字近红外光谱（D-NIR）和PLSR模型，快速测定木薯粉中的水分和蛋白质含量；日本名古屋大学的Te Ma利用时间分辨透射光谱法对猕猴桃贮藏过程的光散射变化进行的实验研究，用于监测猕猴桃在贮藏条件下软化过程的质量；尼泊尔加德满都大学（Kathmandu University）的Bijendra Shrestha教授在近红外光谱数据和同步热分析仪测得的参考值之间建立偏最小二乘回归模型，建立了一种基于近红外光谱技术的生物质灰分快速预测方法；泰国先皇理工大学的Suppakit Howvimanporn探讨了扫描和参考方法的重复性和再现性，以表明用于评估天然橡胶医用手套生产过程中交联密度的反射式光纤探针二极管阵列NIR短波光谱仪的精度，以及作为参考方法的甲苯溶胀和预硫化物松弛模量（PRM）测试的精度；韩国汉阳大学Hoeil Chung教授课题组的Eunjin Jang等人采用线性判别分析，通过分析人胆汁的近红外光谱来识别胆囊癌，并采用双道二维相关分析（two-trace two-dimensional correlation analysis , 2T2D）来提高模型的鉴别准确度，通过胆汁样品中5种主要纯组分光谱的线性回归构建参考光谱，准确度提高到94%；河流和海洋中的微塑料是全球关注的环境问题，实现水中微塑料的定性定量分析意义重大。汉阳大学的Yunjung Kim采用全氟己烷（PFH）捕获介质和游离的近红外吸收，定量检测水中的聚乙烯颗粒，并利用聚四氟乙烯盘作为光子扩散器，提高了近红外测量的重现性。数十位中国近红外学者积极活跃于亚洲近红外光谱会议中国学者也积极活跃于亚洲近红外光谱会议中，来自南开大学邵学广教授课题组、北京化工大学袁洪福课题组、暨南大学潘涛课题组、天津中医药大学李文龙课题组和天津工业大学卞希慧课题组等数十位中国代表参加了本届亚洲近红外光谱会议。其中，天津中医药大学李文龙课题组的吴思俊博士提出了一种基于手持式近红外光谱仪并结合集成预处理的方法，利用多种加工方法及其组合来开发的辣椒和辣椒粉校准模型，显著提高了模型性能；王龙通过PLS和BP-ANN算法来预测盐酸青藤碱缓释片的溶出曲线，发现将片剂粉末的近红外光谱、拉曼光谱、配方变量和工艺参数相结合，可以提高溶解模型的准确性；崔同灿研究生以菊花、天麻和秦艽为例，研究了直接校准方法和偏最小二乘回归两种校准转移方法，将NIR光谱信号转化为更为直观的HPLC指纹图谱的适用性和可靠性，为中药质量控制研究提供新的手段和思路。天津工业大学卞希慧副教授课题组研究生Prisca Mpango将萤火虫算法和极限学习机建模结合，用于复杂样本的光谱区间选择和定量分析，与全光谱PLS和ELM模型相比，FA-ELM具有更好预测效果。会议最后，第八届亚洲近红外光谱会议主席Hoeil Chung教授表达了对各位报告人、参会代表以及赞助商的感谢，宣布NAS2022圆满闭幕！组织委员会将上述38场报告录制的PPT都共享在第八届亚洲近红外光谱会议的官方网站上。另外，本届会议的29份墙报分别做成了3分钟内的录音海报张贴在该网站上。参会者在12月30日前可以随时回放学习。第八届亚洲近红外光谱会议主席Hoeil Chung教授宣布会议闭幕在本届亚洲近红外光谱会议圆满结束的同时，也确定了下届亚洲近红外光谱会议的召开时间地点。第九届亚洲近红外光谱学术会议拟定于2024年12月18-20日在印度加尔各答（Kolkata）的Biswa Bangla Convention Centre举行，来自贾达普大学（Jadavpur University）的Rajib Bandyopadhyay教授将担任会议主席。我们期待2024年共聚加尔各答，再话近红外！

随着图像处理及分析相关的硬件和软件的不断进步，高光谱成像（Hyper-spectral imaging system, HSI）在全球各种研究项目中的使用越来越多。HSI集光谱和成像技术优势于一体，可以同时获得光谱和空间的三维信息，成为光谱分析技术的前沿。与其他光谱成像仪相比，HIS具有更高的特异性，更快的图像采集速度，以及无创成像等优势，被应用于越来越多的领域。2023年8月20-24日，第21届国际近红外光谱学术会议（NIR2023）在奥地利因斯布鲁克召开。本次会议中， “高光谱成像”部分报告内容分享如下：高光谱技术应用主要包括农业、动物、矿物等，具有波段多、光谱范围窄、波段连续、信息量大等特点，在食品中果实损害程度、肉类的品质判别等方面应用广泛。来自西班牙的Jose Manuel Amigo教授以“Subsampling, sampling, oversampling? NIR or HSI-NIR?”为题介绍了近红外高光谱成像测定的注意事项，考察了温度、湿度等环境对测量结果的影响，同时也分享了传送带速度、扫描速度等的选择，以及后期的仪器维护等。图 Jose Manuel Amigo教授报告光谱成像常用于评价样品空间分布的物理化学特性。Puneet Mishra以“A novel new approach to standardised portable multimodal hyperspectral imaging: All-in-One hyperspectral imaging”为题分享报告。报告提出了一种智能一体化的实验系统，可以提供自动化的数据采集，克服对系统的重新整合等问题。该系统包括一个照明环境，一个内置的计算系统，用于自动图像采集的嵌入式软件，用于物体检测的人工智能系统等，对食品的实时无损研究具有重大意义。图 Puneet Mishra报告Nan Liu以“Shining hyperspectral light on agricultural products: an application story from strawberry”为题进行分享。报告以新鲜草莓为例，讲述了在测定波长范围为400到2500nm，结合机器学习，使用Hyspex的高光谱仪器及软件，对3种果实品质进行预测，结果显示模型对白利度（糖的百分浓度模型）、酸度、以及白利度与糖度的比值（B/A）都有较好的预测；草莓的顶端B/A比值较高，与草莓实际的味道以及酸甜程度相对应。图 Nan Liu报告山东大学药物智能制造技术研究臧恒昌教授团队 张梦琪供稿

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。