SpectraView ｜光譜 × 食品分析（化學計量學）桌面工具

Where it fits

它在化學計量工作流的哪一段？

PCA / PLS / PLS-DA 的成敗，七成在「前處理」。SpectraView 就是把載入、前處理與檢視這段做成所見即所得的桌面操作，再一鍵匯出乾淨的資料矩陣，交給 Orange 或 scikit-learn 建模。

① 儀器光譜FTIR / Raman / NIR / XRF 的原始檔（含散射、螢光、基線漂移）

→

② SpectraView載入·疊圖·座標軸換算·基線/SNV/微分·尋峰/擬合·XRF元素·庫比對·匯出 X-matrix

→

③ PCA / PLSOrange Data Mining 或 Python scikit-learn 建模

→

④ 解釋分群、定量、摻偽鑑別、產地溯源

🎓 三層教學的延伸：看影片建直覺 → 讀 Python 學算法 → 用 Orange 親手做， SpectraView 再加一層「用桌面工具親手把光譜整理乾淨」，學生看得到每一步前處理對光譜做了什麼。

Step 1 · Preprocessing

化學計量前處理：為什麼非做不可

同一批樣品，散射、基線與儀器漂移會讓 PCA 第一主成分整個被「物理雜訊」佔據。下面每個前處理都對應一種要消除的干擾。

去螢光 / 散射背景

基線校正（airPLS）

Raman 的螢光背景、NIR 的散射斜坡會壓過真正的化學訊號。airPLS（Zhang 2010）自適應地把背景估出來扣掉，尖峰完整保留。另含 Rubberband、多項式、非對稱最小平方 ALS。

NIR 必備的散射校正

SNV / MSC · 微分 · 正規化

粒徑與光程差造成的乘性散射，用 SNV（標準常態變量）或 MSC（多元散射校正）拉平；一階／二階微分（Savitzky-Golay）去基線漂移、凸顯重疊峰；正規化讓樣品可比較。這些正是 NIR/PLS 定量前的標準配方。

▶ 互動：前處理 playground

同一條 NIR 光譜，點按鈕看每種前處理把它變成什麼樣子（在你瀏覽器即時計算）。

Step 2 · Analysis

光譜分析：從峰到成分

前處理之後，SpectraView 也能直接做定性與半定量分析——很多時候不必先進到化學計量就有答案。

重疊帶的定量

尋峰 · 峰形擬合 / 去卷積

自動尋峰（含 FWHM），再用 Gaussian / Lorentzian / Pseudo-Voigt 擬合，把重疊的吸收帶拆成各自的分量、算面積。食品脂肪的羰基（C=O）區就是典型例子。

元素指紋 · 摻偽與礦物質

XRF 元素鑑定

對 keV 能量軸的 XRF 譜尋峰，比對內建特徵譜線表（Kα/Kβ/Lα/Lβ，元素 Z=11–92），在圖上直接標出元素。食品礦物 K、Ca、Fe、Cu、Zn 一目了然——這正是 XRF 食品鑑別的入口。

NNLS

混合物濃度推算

以純物質參考譜，非負最小平方解 mixture ≈ Σ cᵢ·refᵢ，回推各成分比例與 R²。摻偽比例、調合油組成的快速估計。

Analyze ▸ Mixture analysis (NNLS)

Library

光譜庫相似度比對

自建 .speclib 參考庫，拿未知譜比對；命中清單同列相關係數、cosine、光譜角 SAM、歐氏距離，一鍵疊圖。

Library ▸ Search against library

I/O

8 種格式 · 一鍵匯出矩陣

讀 ASCII / JCAMP-DX / SPC / OPUS / JSON / MATLAB；合併匯出可選「每列一樣品」的 X-matrix，直接餵 scikit-learn 的 PCA / PLS。

File ▸ Export combined data

Pairs with

搭配這些化學計量課程一起用

先用 SpectraView 把光譜整理、看懂、匯出，再進到各技術的 PCA / PLS / PLS-DA 教學包親手建模。

NIR

近紅外 · PLS 定量

SNV/微分前處理 → PLS 預測脂肪含量（Tecator 肉品）。

課程頁 →

FTIR

紅外 · PLS-DA 鑑別

即溶咖啡 Arabica vs Robusta；基線/微分後做判別。

課程頁 →

XRF

X 射線螢光 · 元素指紋

蜂蜜元素表（CC0）即時實算真假與摻假鑑別。

課程頁 →

Raman

拉曼 · 互動投影片

拉曼在食品分析的應用＋形成性評量小遊戲。

課程頁 →

Get it

下載與安裝

純 Python 桌面程式（PySide6 + pyqtgraph + numpy/scipy）。Windows / macOS / Linux 皆可。

完全沒裝過 Python？沒問題。下面是給 Windows 初學者的「零基礎」流程：先用 winget（Windows 10／11 內建的官方安裝工具，不必先裝任何東西）裝好 git 與 Python 3.12，再下載並啟動 SpectraView。已經有 git 與 Python 的人，直接跳到 步驟 ④。

🪟 Windows 安裝

① 開啟 PowerShell

按鍵盤 ⊞ Win，輸入 PowerShell，按 Enter 開啟（不需要系統管理員身分）。

② 用 winget 安裝 git 與 Python 3.12

# winget 是 Windows 10／11 內建，照貼照執行就好
winget install -e --id Git.Git
winget install -e --id Python.Python.3.12

台灣的電腦要加什麼地區參數嗎？不用。winget install 與地區無關，上面的指令在台灣、任何語系的 Windows 都一樣可用，不需要加 TW 之類參數。若 winget 第一次跳出「Microsoft 使用合約／來源」提示，輸入 Y 再按 Enter 同意即可。兩個都裝完後，請關掉這個 PowerShell、重新開一個新的，git／python 指令才會生效。

③ 確認裝好了

git --version          # 出現 git version 2.xx 就 OK
python --version       # 出現 Python 3.12.x 就 OK

若打 python 後跳出 Microsoft Store（沒顯示版本）：到「設定 ▸ 應用程式 ▸ 應用程式執行別名」，把 python.exe／python3.exe 的別名關掉；或改用 py -3.12 --version、之後啟動也用 py -3.12 run.py。

④ 下載並啟動 SpectraView

# 取得程式碼
git clone https://github.com/Tai-ShengYeh/spectraview.git
cd spectraview

# 安裝相依套件（核心即可直接 pip install）
pip install -r requirements.txt

# 啟動
python run.py

沒有資料也能玩：開啟後選 File ▸ Load demo spectra 載入內建的 FTIR / Raman / UV-Vis / NIR / XRF 示範光譜，立刻試前處理與分析。讀取二進位儀器檔（SPC / Bruker OPUS）為選用功能，未安裝時會給清楚提示。

🍎 macOS 安裝（Mac 電腦）

Mac 完全沒裝過 Python？沒問題。下面是給 macOS 初學者的「零基礎」流程：先用 Homebrew（macOS 最常用的官方套件管理工具）裝好 git 與 Python 3.12，再下載並啟動 SpectraView。已經有 git 與 Python 3.10+ 的人，直接跳到 步驟 ④。適用 Apple 晶片（M1/M2/M3…）與 Intel Mac。

① 開啟「終端機」Terminal

按 ⌘ Cmd+Space 開啟 Spotlight，輸入 Terminal（終端機），按 Enter 開啟。

② 安裝 Homebrew（若已安裝可略過）

# 貼上官方安裝指令，照畫面提示按 Enter／輸入登入密碼即可
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

安裝完成後，若終端機提示要把 brew 加入 PATH（Apple 晶片的 Mac 常見），照著畫面最後那兩行 echo ... >> ~/.zprofile 與 eval ... 指令貼上執行；或直接關掉終端機、重新開一個新的，再用 brew --version 確認可用。

③ 用 Homebrew 安裝 git 與 Python 3.12，並確認

brew install git python@3.12

git --version          # 出現 git version 2.xx 就 OK
python3 --version      # 出現 Python 3.12.x（或 3.10+）就 OK

macOS 請一律使用 python3 與 pip3 指令（系統內建的 python 可能不存在或為舊版）。

④ 下載並啟動 SpectraView

# 取得程式碼
git clone https://github.com/Tai-ShengYeh/spectraview.git
cd spectraview

# 建議用虛擬環境，避免污染系統 Python
python3 -m venv .venv
source .venv/bin/activate

# 安裝相依套件
pip install -r requirements.txt

# 啟動
python run.py

下次要再開程式時，先 cd spectraview 再 source .venv/bin/activate，然後 python run.py 即可。第一次啟動若 macOS 詢問鍵盤／螢幕錄製等權限，按一般 App 方式允許即可。

授權 MIT · 97 項自動測試（CI 於 Python 3.10 / 3.12 自動把關）。歡迎 issue 與 PR。