利用太赫兹时域光谱和深度学习检测与成像化学品及隐蔽炸药

无需打开盒子也能看见隐藏的危险

想象一下能够在不打开封口信封或药瓶、不接触样品的情况下识别内部的化学物质——甚至能判断某种粉末是炸药还是无害的药物成分。本研究展示了一种将特殊“不可见光”与人工智能结合的方法，能够做到这一点，为识别隐藏炸药和检查药品质量提供了一种更安全、更精确的手段。

为何太赫兹光是强有力的侦探工具

研究人员在太赫兹波段工作，该波段位于微波与红外之间。太赫兹波能够穿透纸张、衣物和某些塑料等常见材料，同时其能量不足以像X射线那样损伤被照射物。许多化学物质以非常特异的方式吸收太赫兹波，留下类似光谱指纹的特征。这使得太赫兹光在安检、药品生产、农业和食品安全等领域很有吸引力。但在真实环境中——形状不规则、厚度变化以及不同包装类型——这些指纹可能被扭曲，从而难以可靠地识别内部物质。

构建高灵敏度成像系统

为了解决这些问题，团队构建了一套先进的太赫兹时域光谱系统，向样品发射极短的太赫兹脉冲并测量其随时间的反射。他们使用专门设计的等离子体纳天线阵列——这些微小金属结构能够增强光与探测器之间的相互作用——以在高灵敏度和宽带宽（高达4.5太赫兹）下产生和探测脉冲。样品放在电动化台上逐点扫描，因此系统为小区域内的每个像素记录完整的时变太赫兹信号。这种基于反射的设计意味着可以在与物体保持一定距离的情况下使用，这是实际安检与检验任务中的一项重要特性。

用人工智能把原始脉冲变成化学地图

研究人员没有把整个时间轨迹都转换为频谱，而是关注单个反射脉冲本身。当太赫兹脉冲击中放在金属支架上的药片时，会出现若干回波：来自顶表面的回波、来自金属衬底的回波，以及材料内部反射产生的其他回波。每个重要脉冲都携带了其通过的化学物质的信息。团队开发了一种自动方法，从每个像素中提取这些脉冲，然后将其输入两个神经网络。一种名为 EdgeNet 的网络判断样品的边界位置；另一种 ClassNet 对每个脉冲进行分类，预测其所属的化学物质类型（如果没有样品则识别为背景金属）。最后通过简单的空间规则——检查邻近像素的结果——进行清理，消除孤立错误，生成清晰的化学图像。

即使在遮盖下也能检测到炸药

研究人员测试了八种不同物质：四种常见的药用成分和四种炸药，包括若干知名的军用与工业化合物。在对未覆盖样品的盲测中，他们的系统在像素级别上平均准确率约为99%，能够正确勾勒出药片与炸药丸的形状。值得注意的是，即便对裂开或形状不规则的样品也能很好地工作，尽管网络只在完好样品上训练，原因是关键的脉冲形状保持了相似性。真正的考验是在不透明纸张覆盖下模拟信件、包裹或袋子时进行的测试：系统在未对覆盖样品进行重新训练的情况下，仍以接近89%的平均准确率识别出隐藏的炸药，并能在同一视野内区分不同类型的炸药。

从实验室演示到现实世界工具

目前扫描一个12×12毫米区域需要几分钟，但一旦数据采集完成，神经网络可在大约一秒内生成完整的化学图。将来若使用探测器阵列替代机械扫描，处理速度可显著提高且硬件体积可大幅缩小。由于该方法无损、非接触且对化学类型具有高度特异性，它可用于验证药片、检测假冒药品，以及筛查邮件或行李中的隐藏炸药。简而言之，这项工作表明，将快速的太赫兹脉冲与深度学习结合，可以把不可见的反射变成关于物体内部内容的详细、可靠的地图——而无需打开物件。

引用: Jiang, X., Li, Y., Li, Y. et al. Detection and imaging of chemicals and hidden explosives using terahertz time-domain spectroscopy and deep learning. Light Sci Appl 15, 80 (2026). https://doi.org/10.1038/s41377-026-02190-z

关键词: 太赫兹成像, 炸药检测, 深度学习, 无创筛查, 化学映射