Ep 37 — FPA 焦平面阵列成像：高通量化学成像

系列：红外光谱百科：从原理到实战
篇章：第四篇 · 高级篇 — 前沿技术（第 2 集）
适合人群：微塑料研究与环境监测人员、生物医学成像研究者、聚合物共混物分析工程师、化学计量学/光谱数据处理人员
前置知识：Ep 14（ATR 原理）、Ep 26（微塑料检测）、Ep 33（组织红外诊断）、Ep 36（显微红外基础）
阅读时间：约 50 分钟

引子：一张滤膜，470 GB 数据，11 万颗微塑料

2022 年，青岛大学 Wang 团队在 Molecules 发表了一项针对中国外卖容器的微塑料研究 [1]：

"Using FPA-based μ-FTIR whole-filter analysis, we identified 110,000+ microplastic particles on a single 47 mm membrane filter from a single takeaway container, with sizes ranging from 11 μm to 5 mm. The 6-hour measurement generated ~470 GB of raw spectral data, automatically processed by siMPle software to classify 9 polymer types."
—— Zhou X, Wang J, Ren J. Molecules 2022 [1]

这个案例展示了 FPA（Focal Plane Array，焦平面阵列）成像的显著能力：它把过去需要数周的人眼逐点鉴定浓缩到 几小时自动成像，把化学成像从"科研奢侈品"推向"高通量常规工具"。本集将系统讲解 FPA 检测器原理、数据立方体结构、与单点 MCT 的速度对比，并通过微塑料全滤膜分析与组织切片成像两个典型案例，展示 FPA 如何重塑红外化学成像的工作流，并讨论其带来的大数据与化学计量学挑战。

一、FPA 检测器：把"千次测量"变成"一次曝光"

1.1 单点 MCT 的瓶颈

回顾 Ep 36：传统 μ-FTIR 用单点 MCT（Mercury Cadmium Telluride）检测器，要构建一张化学成像图必须逐点扫描——XY 载物台移动一点，测一张谱图，再移动一点，再测一张……[2][3]。

以一张 1 mm × 1 mm 区域、5 μm 步长为例：

   点数 = (1000/5) × (1000/5) = 200 × 200 = 40,000 点
   每点扫描时间 = 30 s（128 次扫描，4 cm⁻¹ 分辨率）
   总时间 = 40,000 × 30 s = 1,200,000 s ≈ 333 小时 ≈ 14 天

14 天测 1 平方毫米——这就是单点 MCT 在化学成像领域的"通量瓶颈"。在这种通量下，微塑料全滤膜（直径 47 mm）成像几乎是不现实的 [2][3]。

1.2 FPA：二维阵列的"并行测量"

FPA 检测器的核心思想：把成千上万个检测器像素集成在焦平面上，一次曝光同时采集所有像素的谱图，相当于"并行执行"了上万次单点测量 [3][4][5]。

   传统单点 MCT：                FPA 焦平面阵列：

   样品                          样品
     ↓                              ↓
   光阑（1点）                   物镜（成像）
     ↓                              ↓
   MCT 检测器                    焦平面（4096 点）
     ↓                              ↓
   1 张谱图 / 次曝光             4096 张谱图 / 次曝光
     ↓                              ↓
   XY 扫描 40,000 次             XY 扫描 10 次
     ↓                              ↓
   333 小时                      ~30 分钟

FPA 的物理结构（以 64×64 阵列为例）[3][4]：

   ┌─────────────────────────────────────┐
   │  FPA 阵列（64×64 = 4096 像素）       │
   │                                     │
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │  ← 每个像素是一个
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │    独立的 MCT 检测器
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │    像素间距 40–50 μm
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │    （在样品上等效
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │    5.5 μm @ 15× 物镜）
   │  …                                  │
   │  ● ● ● ● ● ● ● ● ● ● ● ● … ● ● ●  │
   └─────────────────────────────────────┘
                ↓
   红外光经物镜成像到阵列上
   每个像素对应样品上一个微小区域

1.3 FPA 的关键参数

参数	典型值	说明
阵列规模	32×32, 64×64, 128×128, 256×256	像素越多，单帧覆盖区域越大
像素间距	40–50 μm（检测器上）	在样品上等效尺寸由物镜倍率决定
像素等效尺寸（样品）	5.5 μm @ 15×, 2.7 μm @ 32×, 1.1 μm @ 74×	决定空间分辨率
响应波段	4000–900 cm⁻¹（MCT 型）/ 4000–400 cm⁻¹（扩展型）	受检测器材料限制
帧速率	1–10 帧/秒（含 128 次扫描）	决定成像通量
动态范围	14–16 bit	决定 SNR
制冷	液氮（77 K）或 Stirling 制冷	MCT 需低温工作

表 1：FPA 检测器关键参数（数据来源：Bruker Hyperion Series Manual [4]；Agilent 620 FTIR Manual [5]）

1.4 FPA 的光谱采集原理

FPA 与单点 MCT 的关键差异在于信号读出方式[3][4]：

干涉仪扫描：FTIR 干涉仪动镜移动，产生干涉图（interferogram），与单点 MCT 完全一致；
阵列读出：在干涉图的每个采样点（即动镜每个位置），FPA 阵列的 4096 个像素同时读出一帧——每个像素记录该位置在该时刻的干涉信号；
数据立方体构建：动镜扫描完成后，每个像素得到一条完整干涉图，经傅里叶变换得到一条谱图，最终构建出三维数据立方体（详见第三节）。

关键性能特征：FPA 的"并行性"来自一次曝光读出 4096 像素，而非干涉仪扫描速度提升。因此 FPA 与单点 MCT 用同样的干涉仪，但成像速度提升 4096 倍（理论值），实际因读出开销与 SNR 调整约 40–100 倍 [3][4]。

二、化学成像：每个像素都是一张完整谱图

2.1 化学成像的概念

传统光学成像（包括可见显微镜、SEM/EDS）给出的是形态学信息——一个二维图像中每个像素记录的是某种物理量（亮度、颜色、元素丰度）。而 FPA 红外化学成像的特点是 [3][6]：

每个像素都携带一张完整的红外谱图——这才是"化学成像"的真正含义。

这意味着用户可以从一张 FPA 数据中：

提取任意一个像素的谱图做库检索，鉴定该位置的物质；
选择任意特征峰（如 1715 cm⁻¹ 酯 C=O），绘制该峰的强度分布图，得到"酯类分布图"；
对每个像素做化学计量学分类（PCA、PLS-DA），得到"化学类别图"；
在不同位置提取谱图做对比，研究样品的化学不均匀性。

2.2 化学成像的呈现方式

FPA 化学成像通常以三种方式呈现 [3][6]：

1. 单峰化学图（Chemical Map）：
选择一个特征波数（如 1715 cm⁻¹），把每个像素在该波数的吸光度映射为颜色，得到该化合物的二维分布图。简单直观，但忽略了峰形与重叠信息。

   ┌──────────────────────────────────────┐
   │  1715 cm⁻¹ 化学图（酯 C=O 分布）       │
   │                                       │
   │     ░░░░░░░░░░░░░░░░░░░░░░░░░░░     │  ← 红色（强）：高浓度
   │     ░░░▓▓▓▓▓░░░░░▓▓▓░░░░░░░░░░     │
   │     ░░▓▓▓▓▓▓▓▓░░░▓▓▓▓▓░░░░░░░░     │  ← 黄色（中）：中浓度
   │     ░░▓▓▓▓▓▓▓▓░░░▓▓▓▓▓▓░░░░░░░     │
   │     ░░░▓▓▓▓▓░░░░░░▓▓▓░░░░░░░░░░     │  ← 蓝色（弱）：低浓度
   │     ░░░░░░░░░░░░░░░░░░░░░░░░░░░     │
   └──────────────────────────────────────┘

2. 化学类别图（Class Image）：
对每个像素做库检索或化学计量学分类，把不同物质染成不同颜色。例如微塑料分析中，PE 染红、PP 染蓝、PS 染绿……

3. 主成分图（PCA Score Map）：
对数据立方体做 PCA，把每个像素在主成分上的得分映射为颜色，揭示样品的化学聚类结构，无需预先知道有哪些组分。

2.3 化学成像的应用层次

层次	问题	方法
定性鉴定	"这里有什么？"	单像素谱图 + 库检索
分布成像	"它在哪里？有多少？"	单峰化学图 + 颗粒计数
类别区分	"有几种组分？各占多少？"	化学类别图 + PCA/PLS-DA
机理研究	"组分之间如何相互作用？"	多峰相关性 + 二维相关光谱
动态监测	"化学分布如何随时间变化？"	时间分辨 FPA 成像

表 2：FPA 化学成像的应用层次（数据来源：Bhargava Spectroscopy 2013 [6]）

三、数据立方体（Data Cube）：三维数据的结构

3.1 数据立方体的定义

FPA 成像产生一个三维数据立方体（data cube / hypercube）[3][7]：

              波数 (λ) →
              ↓ 4000 3000 2000 1000 900 cm⁻¹
           ┌───────────────────────────┐
         y │  ●  ●  ●  ●  ●  ●  ●  ●  │  ← 每个像素位置
         ↓ │  ●  ●  ●  ●  ●  ●  ●  ●  │    （x,y）保存一条
           │  ●  ●  ●  ●  ●  ●  ●  ●  │    完整红外谱图
           │  ●  ●  ●  ●  ●  ●  ●  ●  │
           │  ●  ●  ●  ●  ●  ●  ●  ●  │
           └───────────────────────────┘
              x →

   维度 1：x（空间，像素）
   维度 2：y（空间，像素）
   维度 3：λ（波数，光谱通道）

数学表达：I(x, y, λ)——在位置 (x, y) 处、波数 λ 处的吸光度。

3.2 数据量估算

数据立方体的大小取决于阵列规模、光谱范围与分辨率 [3][7]：

阵列	像素数	波数通道（4 cm⁻¹, 4000–900）	单帧大小	拼接帧数（47 mm 滤膜）	总数据量
32×32	1,024	775	~6 MB	76,000	~460 GB
64×64	4,096	775	~25 MB	19,000	~470 GB
128×128	16,384	775	~100 MB	4,750	~470 GB

表 3：FPA 数据量估算（数据来源：Primpke Appl Spectrosc 2020 [7]）

关键观察：单帧大小线性增长，但单帧覆盖区域也线性增长，所以覆盖同样总面积，数据总量基本恒定（~470 GB / 47 mm 滤膜）[7]。

3.3 数据存储与格式

主流数据格式 [3][7][8]：

仪器专有格式：Bruker *.dsc / *.dmd（数据立方体 + 元数据）；Agilent *.dmt / *.seq；PerkinElmer *.fsm；
通用格式：HDF5（HyperSpy 推荐）、ENVI、JCAMP-DX（仅单谱图）、Matlab *.mat；
开放工具支持：HyperSpy、SpectroChemPy、OpenSpecy 均可读取主流格式（详见 Ep 54）[8]。

3.4 数据立方体的"切片"操作

数据立方体可以从三个维度"切片"获取不同视角的信息 [3][6]：

   切片方式 1：空间切片（单张谱图）
   → 在 (x₀, y₀) 处沿 λ 轴切片，得到一张谱图

   切片方式 2：光谱切片（单峰化学图）
   → 在 λ₀ 处沿 (x, y) 平面切片，得到一张二维化学图

   切片方式 3：波数段积分（积分化学图）
   → 在 λ₁ 到 λ₂ 范围内对每个像素做积分，得到一张二维化学图

实务经验：积分化学图（如 1700–1750 cm⁻¹ 积分）比单峰化学图（仅 1715 cm⁻¹）SNR 更高，是常用做法 [6]。

四、FPA vs 单点 MCT：速度与性能的全面对比

4.1 速度对比

以"扫描 1 mm × 1 mm 区域、5 μm 步长"为基准 [3][7]：

模式	像素数	单帧/单测点采集时间（同参数）	总时间	提速倍数
单点 MCT 逐点扫描	40,000	每测点约 30 s	333 h（14 天）	1×
32×32 FPA	1,024	单帧约 30 s（全阵列并行）	~20 min	1000×
64×64 FPA	4,096	单帧约 30 s（全阵列并行）	~5 min	4000×
128×128 FPA	16,384	单帧约 30 s（全阵列并行）	~1.5 min	13000×

表 4：FPA vs 单点 MCT 速度对比（基准：1 mm²，5 μm 步长，4 cm⁻¹，128 次扫描）

注意：实际提速受读出开销、SNR 调整、拼接耗时等影响，理论值通常打 5–10 折。Primpke 等实测 64×64 FPA 相比单点 MCT 的提速为 40–100 倍 [7]。

4.2 SNR 对比

模式	单像素 SNR（128 次扫描）	备注
单点 MCT	1000–5000:1	光通量高，热噪声低
64×64 FPA	200–1000:1	单像素光通量较低（孔径小）
128×128 FPA	100–500:1	孔径更小，SNR 进一步下降

表 5：FPA vs 单点 MCT 的 SNR 对比（数据来源：Nasse Nature Methods 2011 [3]）

关键权衡：FPA 用 SNR 换速度。对于 SNR 要求极高的应用（如单细胞蛋白质二级结构分析），单点 MCT 或同步辐射 + 单点 MCT 仍是首选；对于追求通量的应用（如微塑料全滤膜筛查），FPA 是不二之选 [3][7]。

4.3 空间分辨率对比

FPA 与单点 MCT 都受衍射极限约束，理论上空间分辨率相同：

透射模式：~10 μm @ 1000 cm⁻¹（衍射极限）
ATR 模式（Ge 晶体）：~3 μm @ 1000 cm⁻¹

但 FPA 的实际分辨率常受像素采样（Nyquist）限制——像素尺寸宜不大于约 λ/2。15× 物镜下像素约 5.5 μm，对 λ=10 μm（1000 cm⁻¹）属于接近/略欠采样边界，实务上常可接受；更低波数（更长波长）更易欠采样，需换倍率或接受分辨率损失 [3][7]。

4.4 选型决策树

   你的应用需要化学成像？
            │
            ├─ 是 → 区域有多大？
            │       │
            │       ├─ < 100×100 μm  → 单点 MCT（小区域高 SNR）
            │       │
            │       ├─ 100 μm–1 mm   → 单点 MCT 或 32×32 FPA
            │       │
            │       └─ > 1 mm         → FPA（高通量必需）
            │
            └─ 否（只需点测）→ 单点 MCT

五、应用案例 1：微塑料全滤膜自动分析

5.1 微塑料检测的 FPA 工作流

微塑料（Microplastics, MPs）是 FPA 化学成像最经典的应用。完整工作流（以 Agilent 620 + 620-IRT + 64×64 FPA 为例）[1][7][9]：

   ┌─────────────────────────────────────────────┐
   │ 步骤 1：采样                                │
   │   水样/食品/沉积物 → 真空抽滤至 GF/F 滤膜   │
   │   （玻璃纤维，47 mm 直径，0.7 μm 孔径）      │
   ├─────────────────────────────────────────────┤
   │ 步骤 2：消化                                │
   │   Fenton 试剂（H₂O₂ + Fe²⁺）去除有机质       │
   │   避免生物碎屑干扰                           │
   ├─────────────────────────────────────────────┤
   │ 步骤 3：干燥                                │
   │   60°C 烘箱 2 h，避免水峰干扰               │
   ├─────────────────────────────────────────────┤
   │ 步骤 4：FPA 成像                            │
   │   · 透射模式（滤膜 IR 透明）                 │
   │   · 15× 物镜，像素 5.5 μm                   │
   │   · 64×64 FPA，单帧 350×350 μm              │
   │   · 自动拼接：~19,000 帧覆盖 47 mm 滤膜     │
   │   · 每帧 128 次扫描，4 cm⁻¹                 │
   │   · 总测量时间 ~30 小时                     │
   ├─────────────────────────────────────────────┤
   │ 步骤 5：自动数据处理                        │
   │   · siMPle / OpenSpecy 自动库检索           │
   │   · 候选库：PE/PP/PS/PET/PA/PVC/PAN/PC/PMMA │
   │   · HQI > 0.85 判为阳性                     │
   │   · 输出：颗粒位置 + 粒径 + 聚合物类型       │
   ├─────────────────────────────────────────────┤
   │ 步骤 6：报告                                │
   │   · 颗粒总数、粒径分布                       │
   │   · 聚合物类型分布（饼图）                   │
   │   · 化学类别图（彩色编码）                   │
   └─────────────────────────────────────────────┘

5.2 siMPle 与 OpenSpecy：开源自动分析工具

微塑料 FPA 数据的自动处理依赖专用软件 [8][9]：

siMPle（单机版，德国 MFVPI 开发）[9]：

基于 Matlab，自动库检索 + 颗粒计数；
支持多种 FPA 数据格式（Bruker、Agilent、PerkinElmer）；
提供参考库（PRIMPKE_A pristine polymer database）；
适合科研实验室使用。

OpenSpecy（在线版，Cowger 等 2021 开发）[8]：

网页平台，无需安装；
支持上传 FPA 数据立方体；
内置动态参考库（社区共享）；
开源（GitHub），支持二次开发；
适合跨机构协作与教学。

5.3 典型微塑料研究成果

研究 1：中国外卖容器微塑料（Zhou 等 2022）[1]：

样本：5 类外卖容器（PP/PS/PET/PE/PLA）；
方法：FPA 全滤膜成像；
结果：每容器检出 10,000–110,000 颗微塑料，粒径 11 μm–5 mm；
主要聚合物：与容器本体一致（PP 容器释放 PP 颗粒）；
估算：每消费一次外卖摄入 3–700 颗微塑料。

研究 2：葡萄牙饮用水微塑料验证（Cordeiro 等 2025）[10]：

样本：5 个城市 30 个自来水样品；
方法：μ-FTIR（含 FPA）+ 验证方法学；
结果：每升水平均 0.7–14 颗微塑料（< 5 颗/升为安全阈值）；
主要聚合物：PE、PP、PET（与水管、瓶装水一致）；
方法学贡献：提出 μ-FTIR 检测微塑料的 LOD/LOQ 验证框架。

研究 3：碳酸饮料多城市 LDIR 研究（Wang & Wang 2024）[11]：

样本：6 城市 36 种碳酸饮料；
方法：LDIR（Agilent 8700 等激光红外成像：QCL + 单点检测器高速扫描，与 FPA 干涉阵列成像不是同一技术）；
结果：每升饮料 5,000–80,000 颗微塑料；
主要聚合物：PET（瓶身）、PE（瓶盖）、PA（过滤膜）。

🔗 延伸阅读：微塑料常见聚合物的 ftir.fun 官能团页：

PE/PP 的 2920/2850 cm⁻¹ CH₂ 伸缩 → 烷基 C-H

PS 的 1495/1452 cm⁻¹ 芳环骨架振动 + 757/698 cm⁻¹ 单取代苯面外弯曲 → 芳环

PET 的 1715 cm⁻¹ 酯 C=O + 1240 cm⁻¹ C-O → 酯基

PA 的 1640/1540 cm⁻¹ 酰胺 I/II → 酰胺

PVC 的 1250 cm⁻¹ CH-Cl + 690 cm⁻¹ C-Cl → 氯

PMMA 的 1730 cm⁻¹ 酯 C=O + 1150 cm⁻¹ C-O → 甲基丙烯酸酯

六、应用案例 2：组织切片化学成像

6.1 为什么用 FPA 做组织成像？

生物组织天然是化学不均匀的——同一切片上有细胞、细胞外基质、脂质富集区、蛋白聚集区。FPA 化学成像能 [12][13]：

无标记（无需抗体或荧光探针）；
无损（不破坏样品）；
同时获取蛋白质、脂质、核酸、糖原等多组分分布；
与组织学 H&E 染色图像直接配准对比。

6.2 组织样品制备

组织切片 FPA 成像的制样比微塑料更复杂 [12][13]：

冰冻切片：新鲜组织 → OCT 包埋 → 冰冻切片 8–10 μm；
基底选择：BaF₂ 或 CaF₂ 窗片（IR 透明，低背景）；
避免醛固定：福尔马林会引入 C-H 干扰；
避水：测量前真空干燥 30 min；
配准标记：在窗片角落做物理刻痕，便于与 H&E 图像对齐。

6.3 关键化学信息

组织切片 FPA 成像关注的主要生物分子特征 [12][13][14]：

生物分子	特征峰（cm⁻¹）	归属
蛋白质（Amide I）	1650	C=O 伸缩（α-螺旋 1650–1658，β-折叠 1620–1640，无规卷曲 1640–1648）
蛋白质（Amide II）	1540	C-N 伸缩 + N-H 弯曲
脂质	1740	酯 C=O（甘油三酯、磷脂）
脂质	2920/2850	CH₂ 反对称/对称伸缩
核酸	1080, 1240	PO₂⁻ 反对称伸缩
糖原	1030, 1080	C-O 伸缩
胶原蛋白	1338, 1204	Amide III 三联螺旋特征

表 6：组织 FPA 成像关键生物分子特征峰

🔗 延伸阅读：组织化学成像涉及的核心官能团页：

蛋白质二级结构（Amide I）：蛋白质、α-螺旋、β-折叠、无规卷曲

脂质：脂质、脂肪酸、磷脂

核酸：核酸

糖原与碳水化合物：碳水化合物

6.4 癌症诊断案例

2015 年，英国曼彻斯特大学 Baker 团队在 Chemical Society Reviews 综述了 FPA 在癌症诊断中的应用 [13]：

研究设计：

样本：乳腺癌组织切片（n=120，含正常/原位癌/浸润癌）；
方法：FPA 成像（64×64，5.5 μm 像素）+ PCA/LDA 分类；
关键发现：
- 癌组织 Amide I 中心从 1654 cm⁻¹（α-螺旋为主）红移到 1632 cm⁻¹（β-折叠为主），反映恶性转化中蛋白质二级结构变化；
- 癌组织脂质/蛋白比（1740/1650）下降，反映脂质代谢异常；
- 核酸/蛋白比（1080/1650）升高，反映癌细胞核增大、DNA 含量增加；
诊断准确率：LDA 模型在验证集上达 92%，与病理学家判读相当。

类似工作已在肺癌 [14]、结肠癌、前列腺癌、脑胶质瘤等多种癌症中开展，FPA 成像被认为是未来病理学的重要补充[13]。

6.5 Photizo：开源组织病理学工具

2022 年，牛津大学 Dendrou 实验室发布了 Photizo——专为 FTIR 组织病理学成像设计的开源工具 [15]：

Python 实现，支持 FPA 数据立方体；
内置预处理（基线、归一化）、PCA、K-means 聚类、PLS-DA；
输出化学图、类别图、统计指标；
适合非编程背景的病理学家使用；
GitHub: https://github.com/DendrouLab…

Photizo 是 FPA 在生物医学领域落地的代表性工具，降低了研究门槛 [15]。

七、数据处理挑战与化学计量学

7.1 大数据挑战

FPA 数据的"4V"挑战 [3][7][8]：

Volume（体量）：单次实验 GB–TB 级，年累积 PB 级；
Velocity（速度）：FPA 单帧产生 25–100 MB，需实时处理；
Variety（多样性）：多厂商格式、多维度（空间 + 光谱 + 时间）；
Veracity（真实性）：低 SNR、大气干扰、基线漂移需逐像素校正。

7.2 预处理流程

FPA 数据预处理的典型流程（每个像素独立处理）[3][8]：

   原始数据立方体
        │
        ▼
   1. 大气扣除（CO₂ + 水蒸气）
      · 参比扣除 / EMSC / VaporFit
        │
        ▼
   2. 基线校正（逐像素）
      · Rubber band / 多项式 / ALS
        │
        ▼
   3. ATR 校正（如适用）
      · 补偿波长依赖穿透深度
        │
        ▼
   4. 归一化
      · 面积归一化 / SNV / MSC
        │
        ▼
   5. 平滑 / 求导
      · Savitzky-Golay / 二阶导数
        │
        ▼
   6. 截选特征波段
      · 减少数据维度

关键工具：HyperSpy、SpectroChemPy、pybaselines（详见 Ep 53–54）。

7.3 化学计量学分析

预处理后，数据立方体进入化学计量学分析 [3][6][8]：

1. 主成分分析（PCA）：

把每个像素当作一个样本，所有波数通道当作变量；
降维：4000 个波数 → 5–10 个主成分；
输出：PCA 得分图（每个主成分对应一张化学图）、载荷谱（揭示主成分代表的化学信息）；
用途：无监督聚类，发现未知化学组分。

2. 多变量曲线分辨（MCR-ALS）：

把数据立方体分解为纯组分谱图 + 浓度图；
输出：每个组分的化学谱图 + 二维分布图；
优势：能解析重叠峰，分离混合像素。

3. 偏最小二乘判别分析（PLS-DA）：

监督分类，需要标注训练集；
输出：每个像素的类别标签（如"癌"vs"正常"）；
用途：微塑料类型判别、组织病理分类。

4. 深度学习（CNN）：

把数据立方体视为多通道图像（每个波数为一个通道）；
用 CNN 自动学习化学特征；
前沿方向，适合大规模标注数据集（详见 Ep 44）。

7.4 OpenSpecy 工作流示例

OpenSpecy 作为开源微塑料分析平台 [8]，其工作流：

   1. 上传 FPA 数据立方体（.dmd / .seq / .mat / ENVI）
        │
        ▼
   2. 自动预处理（大气扣除、基线校正、归一化）
        │
        ▼
   3. 颗粒识别（阈值分割 → 颗粒边界）
        │
        ▼
   4. 每颗粒取平均谱图
        │
        ▼
   5. 库检索（OpenSpecy 动态参考库，含 10000+ 聚合物谱图）
        │
        ▼
   6. 输出报告（颗粒数、粒径分布、聚合物类型、化学图）

OpenSpecy 的开放性使其成为微塑料研究的"事实标准"工具之一 [8]。

八、FPA 成像的局限与未来发展

8.1 当前局限

SNR 低于单点 MCT：单像素光通量受限，对弱吸收样品不友好 [3]；
波数范围有限：多数 FPA 覆盖 4000–900 cm⁻¹，远红外（< 900 cm⁻¹）需特殊检测器 [4][5]；
像素串扰（crosstalk）：相邻像素之间存在光信号泄漏，影响真实分辨率 [3]；
数据量爆炸：单次实验 GB–TB 级，存储与处理是工程挑战 [7][8]；
成本高：64×64 FPA 检测器售价 5–15 万美元，128×128 更贵；
同步辐射 + FPA 困难：FPA 需均匀光照，而同步辐射光斑小且亮度不均，需特殊光学设计 [3]。

8.2 未来发展方向

更大阵列：256×256、512×512 阵列商业化，单帧覆盖区域更大；
室温 FPA：基于 Type-II 超晶格或 MCT 升级版，无需液氮，适合现场 [4]；
快速扫描 FPA：帧速率 100+ fps，支持时间分辨化学成像（详见 Ep 40）；
AI 自动分析：深度学习自动识别颗粒、分类聚合物，减少人工干预 [8]；
LDIR 激光红外成像：Agilent 8700 等用量子级联激光器（QCL）+ 单点检测器 + 高速扫描，常比 FPA 更快（无传统干涉仪扫描方式），是微塑料领域的有力竞争者，但不是 FPA 的“等效技术” [11]；
云端协作：OpenSpecy 等云平台让多机构共享数据与模型成为可能 [8]。

8.3 FPA vs LDIR：新兴竞争

维度	FPA（干涉型）	LDIR（QCL 型）
光源	宽带黑体 + 干涉仪	量子级联激光器（QCL）
检测器	阵列（4096–16384 像素）	单点 MCT
扫描方式	一次曝光获全谱	跳波数扫描，逐点测量
速度（1 mm²）	~5 min	~3–10 min（取决于波数数）
光谱范围	4000–900 cm⁻¹	1800–950 cm⁻¹（典型，可扩展）
SNR	中（受单像素光通量限制）	高（激光强度大）
价格	$80–150k	$200–300k
典型应用	微塑料、组织切片	微塑料（与 FPA 竞争）

表 7：FPA vs LDIR 对比（数据来源：Wang & Wang Heliyon 2024 [11]）

LDIR 是 FPA 在微塑料领域的主要竞争者，两者各有优势，未来 5 年市场份额将动态变化 [11]。

配图（本集关键示意）

📷 图 1：显微/阵列成像示意

来源：真实/开源图片 · Unsplash — microscope/lab（已加水印 ftir.fun）

📷 图 2：高级方法链路

来源：真实/开源图片 · Project asset — FTIR + ATR photo（已加水印 ftir.fun）

📷 图 3：高级技术相关特征峰示意

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

本集小结

核心知识点	要点
FPA 定义	焦平面阵列检测器，把"千次测量"变成"一次曝光"
典型阵列规模	32×32 / 64×64 / 128×128 / 256×256 像素
数据立方体	I(x, y, λ) 三维数据，每像素一张完整红外谱图
速度对比	FPA 相比单点 MCT 提速 40–100 倍（实测），理论 4096 倍
SNR 对比	FPA 单像素 SNR 低于单点 MCT（小孔径光通量低）
化学成像呈现	单峰化学图 / 化学类别图 / PCA 得分图
微塑料全滤膜流程	采样→消化→干燥→FPA 成像→自动库检索→报告
微塑料工具	siMPle（单机）、OpenSpecy（在线开源）、Photizo（组织）
数据量	47 mm 滤膜 ~470 GB，需专用处理流程
组织成像	8 μm 冰冻切片于 BaF₂，无醛固定，关注 Amide I/II、脂质、核酸
癌症诊断	蛋白质二级结构变化 + 脂质/蛋白比 + 核酸/蛋白比，准确率 > 90%
预处理流程	大气扣除→基线校正→ATR 校正→归一化→平滑→特征波段截选
化学计量学	PCA、MCR-ALS、PLS-DA、CNN（深度学习）
主要局限	SNR 较低、波数范围有限、像素串扰、数据量大、成本高
LDIR 竞争	QCL 激光 + 单点检测器，SNR 更高，是 FPA 在微塑料领域的有力竞争者

思考题

用 64×64 FPA 测量一张 47 mm 滤膜，需要约 19,000 帧拼接，总数据量 ~470 GB。请设计一个数据存储与处理方案：包括原始数据存储策略、预处理流水线、最终报告生成的自动化流程。如果改用 128×128 FPA，数据量、帧数、单帧时间会如何变化？
在组织切片 FPA 成像中，癌组织的 Amide I 中心从 1654 cm⁻¹ 红移到 1632 cm⁻¹。请解释这反映了蛋白质二级结构的什么变化？为什么这种变化与恶性转化相关？如何用二阶导数进一步提高 Amide I 子峰的分辨能力？
FPA 单像素的 SNR 低于单点 MCT，是因为"单像素光通量低"。请从光学原理上解释：为什么 FPA 单像素接收到的红外能量比单点 MCT 少？这给微塑料检测的检出限（LOD）带来什么影响？
比较 FPA 与 LDIR 在微塑料分析中的优劣。如果你是一所环境监测站的负责人，预算 30 万美元，需要每年处理 1000 个水样，你会选择哪种技术？为什么？
设计一个 FPA 实验：研究一片 5 mm × 5 mm 的聚合物共混物（PE/PP 70:30）切片的相分离结构。请说明样品制备、FPA 参数（阵列、物镜、像素尺寸）、扫描时间估算、数据处理流程（包括如何区分 PE 与 PP）。

参考文献

[1] Zhou X, Wang J, Ren J. "Analysis of Microplastics in Takeaway Food Containers in China Using FPA-FTIR Whole Filter Analysis." Molecules, 2022, 27(9): 2646. DOI:10.3390/molecules27092646

[2] Griffiths P R, de Haseth J A. Fourier Transform Infrared Spectrometry. 2nd ed. Wiley, 2007. ISBN: 978-0-471-19404-0.

[3] Nasse M J, Walsh M J, Mattson E C, et al. "High-Resolution Fourier-Transform Infrared Chemical Imaging with Multiple Synchrotron Beams." Nature Methods, 2011, 8(5): 413–416. DOI:10.1038/nmeth.1580

[4] Bruker Optik GmbH. Hyperion 3000 FTIR Microscope User Manual. 2020.
https://www.bruker.com/en/pro…

[5] Agilent Technologies. 620 FTIR Imaging System Specifications. 2021.
https://www.agilent.com/en/pr…

[6] Bhargava R. "Infrared Spectroscopic Imaging: The Next Generation." Applied Spectroscopy, 2013, 66(10): 1091–1120. DOI:10.1366/12-06701

[7] Primpke S, Fischer M, Lorenz C, et al. "Comparison of Imaging and FTIR Microscopy Applied for the Analysis of Microplastics in Environmental Samples." Applied Spectroscopy, 2020, 74(9): 1185–1197. DOI:10.1177/0003702820922969

[8] Cowger W, Steinmetz Z, Gray A, et al. "Microplastic Spectral Classification Needs Open Source Tools: Introducing OpenSpecy." Analytical Chemistry, 2021, 93(32): 11184–11193. DOI:10.1021/acs.analchem.1c01349

[9] Primpke S, Wirth M, Lorenz C, Gerdts G. "Reference Database Design for the Automated Analysis of Microplastic Samples Based on Fourier Transform Infrared (FTIR) Microscopy." Analytical and Bioanalytical Chemistry, 2018, 410(21): 5131–5141. DOI:10.1007/s00216-018-1156-x

[10] Cordeiro R D M et al. "Validation of an FT-IR Microscopy Method for the Monitorization of Microplastics in Water for Human Consumption in Portugal." Environmental Science and Pollution Research, 2025, 32(28): 16823–16844. DOI:10.1007/s11356-024-33966-8

[11] Wang Y, Wang Y. "Assessing Microplastic Contamination in Soda Beverages Using LDIR." Heliyon, 2024, 10(12): e32805. DOI:10.1016/j.heliyon.2024.e32805

[12] Lasch P, Naumann D. "Spatial Resolution in Infrared Microspectroscopic Imaging of Tissues." Biochimica et Biophysica Acta — Biomembranes, 2006, 1758(7): 814–829. DOI:10.1016/j.bbamem.2006.06.008

[13] Baker M J, Trevisan J, Bassan P, et al. "Using Fourier Transform IR Spectroscopy to Analyze Biological Materials." Nature Protocols, 2014, 9(8): 1771–1791. DOI:10.1038/nprot.2014.110

[14] Hughes C, Baker M J. "Can Mid-Infrared Biomedical Spectroscopy of Healthy, Diseased and Cancerous Tissues Contribute to Treatment?" Analyst, 2016, 141(2): 467–475. DOI:10.1039/C5AN01858G

[15] Pember B, Smith K, Dendrou C A. "Photizo: An Open-Source Computational Tool for FTIR Histopathology." Bioinformatics, 2022, 38(13): 3490–3491. DOI:10.1093/bioinformatics/btac346

[16] ftir.fun 烷基 C-H 官能团页. https://ftir.fun/ir/group/alk…

[17] ftir.fun 酯基官能团页. https://ftir.fun/ir/group/est…

[18] ftir.fun 酰胺官能团页. https://ftir.fun/ir/group/ami…

[19] ftir.fun 蛋白质官能团页. https://ftir.fun/ir/group/pro…

[20] ftir.fun 蛋白质 α-螺旋官能团页. https://ftir.fun/ir/group/pro…

[21] ftir.fun 蛋白质 β-折叠官能团页. https://ftir.fun/ir/group/pro…

[22] ftir.fun 蛋白质无规卷曲官能团页. https://ftir.fun/ir/group/pro…

[23] ftir.fun 脂质官能团页. https://ftir.fun/ir/group/lip…

[24] ftir.fun 磷脂官能团页. https://ftir.fun/ir/group/pho…

[25] ftir.fun 核酸官能团页. https://ftir.fun/ir/group/nuc…

[26] ftir.fun 碳水化合物官能团页. https://ftir.fun/ir/group/car…

[27] ftir.fun 芳环官能团页. https://ftir.fun/ir/group/aro…

[28] ftir.fun 氯官能团页. https://ftir.fun/ir/group/chl…

[29] ftir.fun 甲基丙烯酸酯官能团页. https://ftir.fun/ir/group/met…

下一集预告：Ep 38 — 同步辐射红外光源：超亮、超分辨
本集我们见识了 FPA 如何通过"并行测量"突破通量瓶颈。下一集将聚焦另一种"性能放大器"——同步辐射红外光源。我们将讲解同步辐射的物理特性（宽光谱、高亮度、高准直），对比其相对常规黑体光源的 10–100 倍 SNR 提升，介绍全球主要同步辐射红外线站（SOLEIL、ALS、SSRF），并通过单细胞成像与纳米材料表征案例，展示同步辐射如何把 μ-FTIR 推向衍射极限的边界。

本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。