近红外光谱（NIRS）技术作为现代分析科学的重要工具，近年来在硬件创新、算法优化和应用拓展等方面均取得了突破性进展。2025年意大利国际近红外光谱学术会议集中展示了全球最新研究成果，从微型化传感器、智能算法到跨行业应用，全面勾勒出该技术的发展脉络与未来趋势。本次会议凸显了三大核心方向：一是仪器硬件的革新，尤其是微小型便携式设备，在食品安全、药品检测和农业监测等领域实现了高精度现场分析；二是数据处理方法的进阶，化学计量学与深度学习的深度融合显著提升了模型的解释性和泛化能力，而开放集识别、迁移学习等技术进一步解决了小样本和跨设备兼容性问题；三是应用场景的多元化拓展，从传统农业、化工向环境监测、医疗诊断及智能制造延伸，结合高光谱成像、多模态数据融合和自动化系统，推动NIRS从实验室走向实时化、网络化的产业落地。此外，大语言模型的引入为光谱数据的智能解析与知识共享提供了新范式。这些进展不仅体现了NIRS技术的跨学科融合特性，更预示着其向更智能、更普惠的分析工具演进，为精准农业、绿色工业和个性化医疗等领域提供了新解决方案。
仪器硬件与便携式应用的革新
随着传感器技术和微机电系统（MEMS）的进步，近红外光谱仪正朝着小型化、智能化和低成本方向发展，极大地拓展了现场检测的应用场景。
1. 设备小型化与成本控制成为本届会议硬件创新的核心主题。澳大利亚的仪器公司开发的集成MEMS/InGaAs传感器模块手持式反射光谱仪颇具代表性。该设备创造性地将分立波长传感器与MEMS可调谐NIR光谱仪相结合，利用标准半导体技术实现规模化生产，大幅降低了成本。其独特之处在于操作范围仅受窗口材料限制，不依赖折射光学器件或光栅，为530-1700nm范围内的应用提供了灵活配置方案。 值得关注的是，这些新型设备不再满足于"能用"，而是追求在便携性与性能之间取得平衡。如MEMS光谱仪集成了InGaAs光电二极管，确保足够的灵敏度和分辨率；内部照明光源和校准系统则保障了测量的一致性。这种设计理念反映了市场对"专业级便携设备"的需求增长—既适合现场快速检测，又能满足一定精度的要求。
2. 便携式设备的实际应用 食品安全：西班牙科尔多瓦大学团队利用便携近红外设备，通过PLS2-DA模型成功区分了伊比利亚火腿的饲养方式（橡果喂养vs饲料喂养），准确率达100%。 药品检测：英国研究团队利用微型近红外光谱仪结合PLS回归模型，实现了3D打印个性化药物（他莫昔芬枸橼酸盐）的非破坏性剂量验证，可应用于医院药房的临床试验制剂质量控制。 咖啡品质：雀巢公司通过校准转移技术（如PDS和PC-CCA），将实验室台式NIR模型迁移至便携设备，实现了咖啡豆中咖啡因含量的田间快速测定。
3. 与云计算、物联网集成匈牙利团队将便携NIRS与RFID、区块链和物联网（IoT）结合，构建了甜薯“从农场到餐桌”的全程追溯系统。通过Docker容器化部署预测模型，数据实时上传至云端，验证了NIRS在数字化供应链中的关键作用。 新西兰Fonterra公司分享了其乳制品NIR网络的更新经验，通过标准化验证和校准流程，成功替换了40台在线和离线光谱仪，确保了生产链中数据的一致性。
4. 专用光谱仪器的发展挪威SINTEF研究所开发的MiniSmartSensor采用独特的交互几何光学设计，通过精确控制光散射实现食品亚表面检测。该设备在鳕鱼干品质分析中，结合双积分球（DIS）和反向加倍算法（IAD），成功区分了物理特性与化学成分对光谱的影响。
新算法：数据处理、模型构建和解释的进阶
1.化学计量学方法和软件的革新是本届会议最活跃的议题之一。研究人员正从传统PLS回归向更智能、更自适应的建模策略转变，以应对复杂样本的挑战。
挪威SINTEF研究所的"第一性原理"方法论为复杂样品分析提供了新框架。他们通过双积分球测量鳕鱼的体光学特性(BOP)，建立光传播模型，明确了物理特性对NIR信号的影响机制。这种基于基础光学原理的方法，显著提高了预测模型的鲁棒性和可解释性，对商业化应用至关重要。
法国ITAP研究所提出了基于物理机制的数据增强方法，通过Kubelka-Munk模型生成合成光谱，有效解决了小样本校准难题。法国Labcom AIOLY团队则将空间填充设计与深度学习结合，提高了废塑料分类的准确性。
西班牙CSIC研究所将成分数据分析(CoDa)方法引入土壤有机碳(SOC)预测，解决了传统PLS在处理受限数据(如百分比组成)时的偏差问题。通过等距对数比变换(ILR)，提高了SOC的预测能力，展示了数学基础创新对应用效果的实质性改善。
法国Chauvin-Arnoux集团则从物理模型入手，开发了基于Kubelka-Munk理论的数据模拟方法，增强了小样本情况下的模型外推能力。这种将光学原理与化学计量学结合的思路，为过程分析技术(PAT)提供了更可靠的校准策略。
澳大利亚KAX集团的SPEKTRUM平台致力于解决仪器间数据一致性问题，其统一接口可连接各类光谱仪，集成建模工具，使方法开发时间显著缩短。Si-Ware Systems推出的Neospectra Modeler则实现了化学计量学模型的全自动化构建，支持快速模式（2分钟内生成模型）和高级模式，可优化RMSE、R²等关键指标，适用于干草、青贮饲料和牛奶等多种样品分析。巴西团队开发的RELYON软件代表了预处理策略优化的新方向。该工具整合了Combinatorial Order Pre-processing Search (COPS)算法和有序预测变量选择方法，可自动确定最佳预处理组合，显著提高模型性能。
2. 深度学习（DL）为高光谱数据的解析提供了新范式，但其在光谱领域的应用仍面临数据量不足、模型可解释性差等挑战。本次会议展示了多项创新解决方案。
特征提取与分类优化
韩国汉阳大学团队提出卷积自编码器（CAE），从二维相关光谱图中提取空间-光谱联合特征，用于辣椒和紫苏籽的地理溯源判别，准确率较传统方法有了较大提升。通过梯度加权类激活映射（Grad-CAM），模型的可解释性显著增强。
日本名古屋大学则利用卷积神经网络（CNN）分析种子近红外高光谱图像，结合X射线CT数据，实现了番茄种子活力的自动化分类。
数据增强与迁移学习
为解决小样本问题，法国团队开发了基于化学计量学（如EMSC和PCA）的数据增强方法，通过生成合成光谱提升模型鲁棒性。该方法在芒果干物质预测和小麦品种分类中验证，能降低深度学习模型过拟合风险，研究强调将领域知识融入数据增强对提升模型泛化能力的关键作用。 法国团队研究比较了深度学习（如ResNet、ViT）与传统化学计量学方法（PLS、LWPLS）在土壤和采后农产品NIRS数据分析中的表现，发现当前DL模型在训练成本和优化复杂度较高的前提下，尚未显著超越传统方法，主要受限于光谱数据库的高度专业性导致的迁移学习效果有限，凸显了领域适应性优化的重要性。
开放集识别技术
爱尔兰都柏林大学的OpenMax-CNN模型突破了封闭集限制，在未知类别微塑料识别中实现了95%的准确率。该技术通过针对性数据增强（如模拟不同仪器噪声），显著提升了跨设备泛化能力。
3. 模型的可解释性分析
日本农业食品研究机构团队通过食品代谢组学（GC-MS/NMR）与近红外光谱（Vis-NIRS）的协同分析，揭示了西红柿甜度（预测R²=0.92）和西兰花新鲜度（R²p=0.75）的光谱机制，证实糖类、氨基酸等代谢物与特征波长（SWSR筛选）的强相关性（|r|>0.9），为近红外"黑箱"模型提供了科学解释基础。
法国Ondalys公司团队重点评估了支持向量机（SVM）、人工神经网络（ANN）和XGBoost等机器学习模型在近红外光谱数据（850-1050nm）中的可解释性方法。通过比较LIME、SHAP等解释算法与PLS回归系数，发现这些方法能有效识别"黑箱"模型的关键波长范围（如肉糜成分分析），并可作为过拟合风险指标，为复杂光谱模型的工业与医疗应用提供可靠性验证。
从实验室到产业：应用场景的多元化拓展
近红外光谱技术的应用边界正在不断扩展。本次会议报告涵盖了从农业生产到能源化工、从制药到轮胎工业的广泛领域，呈现出明显的跨行业渗透趋势。
在生物能源领域，丹麦哥本哈根大学团队展示了NIR光谱如何优化沼气生产过程。通过实时监测原料组成和发酵过程参数，这项"绿色技术"可提高产气效率15%以上。类似地，巴西研究团队利用微型NIR预测CO₂转化为燃料添加剂过程中的成分变化，为碳捕获利用提供了新思路。
农产品质量评估仍是重要应用方向。意大利团队开发了基于NIR的有机甜橙无损检测系统，结合ANOVA-Simultaneous Component Analysis (ASCA)模型，能准确追踪储存时间和温度对水果品质的影响。韩国学者则利用卷积自编码器(CAE)从二维相关光谱中提取特征，实现了辣椒和紫苏籽地理起源的高精度鉴别。
特别值得关注的是NIR在传统工业中的创新应用。土耳其石油公司将NIR与化学计量学结合，实现了原油API度、硫含量和沥青质含量的快速预测。意大利皮雷利轮胎公司则建立了庞大的原料FT-NIR数据库，通过自动化分类策略确保原材料符合规格要求，展示了NIR在复杂工业品控中的价值。
自动化与智能化应用场景扩展
自动化技术的引入，使得近红外光谱从实验室走向田间、工厂和医疗现场，大幅提升了分析效率。1. 实验室机器人
斯洛文尼亚InnoRenew CoE团队采用协作机器人自动处理木材样品，同步控制天平、摄像机和NIR光谱仪，完成了1022个木盘的26000多次FT-NIR测量。相比人工操作节省了大量时间，且避免了人为错误。这种"无人实验室"概念特别适合大规模样本筛查和长期监测任务。
2. 无人机与车载系统
意大利米兰大学的COLIBRI项目将微型高光谱相机和热像仪集成至无人机，通过机载Raspberry Pi实时分析葡萄园水分胁迫和成熟度。该系统结合OpenCV2视觉导航，已实现全自主飞行监测。丹麦Newtec Engineering则开发了车载CTIS系统，可在行进间完成作物扫描，为精准农业提供了新的硬件支持。
3. 工业在线监测
西班牙IRTA团队利用在线NIR探头监控大豆基人造肉的挤出过程，通过CNN模型预测各向异性指数，结合正交信号校正（OSC）消除温度干扰，实现了质构的实时调控。西班牙Tekniker中心开发了基于MEMS-Fabry-Perot干涉技术的近红外分选系统，系统集成光学传感与机器视觉，在500g/min的检测速度下，针对不同产地的Comuna杏仁亚种分别建模，成功将出口批次苦杏仁比例控制在0.5%以下，解决了西班牙杏仁出口贸易中的关键质检难题。
环境和医美领域的创新应用
近红外光谱的绿色特性（无试剂、无污染）使其在环境和健康领域备受青睐。
1. 环境监测
微塑料检测：奥地利团队通过FT-NIR和便携设备，实现了土壤中微塑料的现场定量（检测限<0.1%），为污染治理提供了高效工具。
水质分析：丹麦哥本哈根大学利用NIRS监测乳清废水反渗透处理过程，半年内积累百万条光谱数据，验证了其在循环水利用中的潜力。
2. 医疗与医美
透析监测：日本神户大学通过采用水光谱学（Aquaphotomics）技术，通过监测透析废液中水分子光谱特征（1410nm自由水吸收峰），实现了血液透析过程的非侵入式在线监测，为优化透析治疗方案提供了新方法。该研究在塞尔维亚贝尔格莱德临床中心完成18例患者透析过程监测，证实水分子光谱模式可有效区分不同治疗阶段。
皮肤检测：日本研究团队采用微型近红外光谱仪结合水光谱学技术，通过分析皮肤水分子特征光谱（1366-1565nm），在洁面后5分钟内即实现皮肤屏障功能（经皮水分流失TEWL和水合状态）的快速评估，分类准确率达92.41-97.37%，较传统方法缩短75%检测时间。这一技术为化妆品开发和皮肤健康监测提供了新工具。
高光谱成像技术的多领域应用
高光谱成像（HSI）结合了光谱分析与图像处理的双重优势，成为本次会议的焦点之一。与传统光谱技术相比，HSI能够同时获取样本的空间和光谱信息，从而在复杂样本尤其是不均匀样本的分析中展现出更多的信息和更好的准确性。近红外高光谱成像（NIR-HSI）已被证明是农业，环境监测，食品质量控制，采矿，医疗成像，废物管理，遥感等许多应用中很有用的工具。
1. 农业与食品质量控制
在农业领域，高光谱成像被广泛应用于作物健康监测和食品品质评估。例如，丹麦团队开发的计算断层成像光谱（CTIS）系统，通过搭载在田间机器人上，实现了葡萄成熟度的实时监测。该系统通过部分最小二乘回归（PLSR）模型，将光谱数据与糖度（°Brix）和pH值关联，预测精度接近传统线扫描HSI系统，同时具备成本低、便携性强和抗运动干扰等优势。 此外，法国研究团队利用便携式高光谱相机对葡萄串糖分分布进行成像分析，通过支持向量机（SVM）回归模型，显著提升了预测精度。这种技术为精准农业提供了新的工具，帮助农户优化采收时间。
2. 工业与环境监测
高光谱成像在工业领域的应用同样引人注目。西班牙Vicomtech团队开发了一套基于HSI的陶瓷-玻璃分选系统，通过支持向量机（SVM）分类器，在900个光谱波段下实现了97.46%的识别准确率，且单行处理时间仅0.08秒，可满足高速生产线的实时需求。 在环境领域，意大利团队利用短波红外高光谱成像（SWIR-HSI）检测海盐中的微塑料，通过主成分分析（PCA）和偏最小二乘判别分析（PLS-DA），成功区分了聚乙烯（PE）、聚丙烯（PP）等常见塑料类型，为海洋污染监测提供了高效解决方案。
3. 地质与材料科学
爱尔兰都柏林大学团队将改进的YOLOv8模型与高光谱成像结合，实现了岩芯样本的自动化分析。通过引入跨阶段部分路径卷积（CSPPC）层和Sigmoid交并比（SIOU）损失函数，显著提升了地质数据处理的效率。
多模态数据融合和大语言模型
多模态数据融合是近红外光谱（NIRS）技术的重要发展方向之一，通过整合不同波段或不同分析手段的数据，可显著提升模型的准确性和适用性。
NIRS + 气相色谱-离子迁移谱（GC-IMS）：意大利团队采用NIRS和GC-IMS联合分析蜂蜜的挥发性和非挥发性成分，通过数据融合策略（低层融合+中层融合）实现了蜂蜜地理和花源的高精度鉴别。
NIRS + 荧光光谱：丹麦团队利用NIRS和三维荧光光谱（EEM）检测香醋中的合成焦糖色素，通过PARAFAC分解和PLS回归，建立了可靠的定量模型，解决了天然与人工色素的区分难题。
在大语言模型方面，瑞典Mälardalen大学团队提出基于Llama 3.21架构的NIRS专用语言模型（13亿参数），通过1.2GB近红外领域文献（含会议论文、仪器手册、标准方法）微调训练，实现了对近红外光谱技术术语、方法学和实践案例的深度理解。
未来大语言模型可助力近红外光谱数据的智能解析、方法优化与知识共享，实现从光谱采集到模型开发的自动化决策支持，降低近红外光谱技术的使用门槛，并推动跨学科研究的协同创新。
基础研究与未来展望
本届会议不仅关注技术应用，也呈现了多项基础研究突破。日本农业食品研究机构(NARO)探索了糖酵解振荡中的相位模式与NIR波段归属的关系，为生物分子振动谱的解析提供了新视角。奥地利因斯布鲁克大学则系统研究了咖啡样品中瑞利散射和米氏散射的叠加效应，发现t-SNE聚类能有效区分不同散射特性，这对异质样品分析具有普遍意义。
展望未来，近红外光谱技术的发展方向大致如下：
设备层：更小、更便宜、更智能的传感器将持续涌现，MEMS和光子集成技术是关键，仪器小型化和智能化（包括大语言模型）降低了应用门槛，将进一步推动近红外光谱技术的普及。
算法层：物理模型与数据驱动的融合，小样本学习和可解释性将成为研究热点。尽管如此，深度学习在光谱领域的普及，仍需更多大型的开放数据集和商品化软件。
应用层：近红外光谱技术正在从质量检测向过程优化、从实验室向现场、从单一指标向多参数联用的拓展。组合NIRS、拉曼、LIBS等技术，多光谱和多模态的融合检测系统，更适用于一些复杂的应用场景（如废弃资源分类、土壤修复）。高光谱成像也正从实验室走向田间和工业现场，成为非均匀复杂样品分析的重要工具。
系统层：自动化、标准化和云端协作构成下一代近红外光谱分析技术解决方案的基础架构，为近红外光谱的规模化应用提供技术支持。
可以预见，随着近红外光谱技术与人工智能、量子计算及多模态传感的深度融合，随着传感器技术和自动化技术的进一步发展，近红外光谱这一高效、绿色的分析工具将加速突破传统边界，将会在精准农业、环境监测、工业4.0和个性化医疗等领域发挥更加重要的作用。
