基于荧光转换的深紫外LED发光模式表征

1. 引言

基于AlGaN的深紫外发光二极管（LED）技术近期取得了显著进展，其工作波长在220-280 nm之间，输出功率可达100 mW量级，在灭菌、水净化、气体传感，尤其是作为荧光显微镜的激发光源等领域展现出巨大潜力。对于其有效应用而言，尤其是在照明均匀性至关重要的显微成像中，LED的发光模式——即其辐射强度的角分布——是一个关键参数。

表征深紫外LED的发光模式面临一个独特的挑战：标准的硅基CMOS和CCD相机在深紫外光谱区的灵敏度极低，这是由于玻璃或多晶硅层的吸收所致。虽然存在专门的（且昂贵的）背照减薄式CCD，但本研究提出了一种巧妙且经济高效的替代方案：一种基于荧光转换的测量方法。

2. 材料与方法

核心实验装置包含一个280 nm LED（LG Innotek LEUVA66H70HF00）。这种创新方法通过使用LED照射荧光样品，绕过了直接检测紫外光的难题。样品吸收280 nm的辐射，并以更长的可见光波长重新发射光，随后该可见光可被标准CMOS相机轻松捕获。荧光图像上的强度分布可作为LED远场发光模式的间接但精确的测量。通过绕其轴旋转LED并记录相应的荧光强度，获得了角分布轮廓。

3. 结果与讨论

主要发现是，所测试的平面封装深紫外LED的发光模式以极高的精度（99.6%）遵循朗伯分布。朗伯模型描述了一种表面，其感知亮度与观察角度无关，强度与表面法线夹角（$\theta$）的余弦成正比。在空气中的强度由下式给出：

$I = \frac{P_{LED}}{4\pi r^2} \frac{n_{air}^2}{n_{LED}^2} \cos(\theta)$

其中，$P_{LED}$ 是辐射功率，$r$ 是距离，$n_{air}$ 和 $n_{LED}$ 分别是空气和半导体的折射率。

该研究成功证明了该技术能够区分不同的LED封装类型（例如，平面型与半球型），这些封装类型会产生特征不同的发光模式（朗伯型与各向同性型）。

4. 技术分析与核心见解

核心见解

本文不仅仅是关于测量LED的发光；它更是一堂关于间接传感与问题重构的典范课程。面对硅探测器对紫外光“失明”这一硬性限制，作者并未追求昂贵的硬件。相反，他们利用了一个基本的光物理过程——荧光——将信号转换到廉价、普及的传感器擅长的领域。这类似于机器学习中CycleGAN等技术背后的哲学，该技术学习将图像从一个领域（例如，马）转换到另一个领域（例如，斑马），以执行直接映射困难的任务。在这里，“领域转换”是从深紫外光子到可见光光子，从而能够使用现成的组件进行稳健的测量。

逻辑流程与优势

其逻辑无懈可击且简洁：1）定义问题（紫外模式测量困难/昂贵）。2）找到一个物理桥梁（荧光）。3）对照已知模型（朗伯）进行验证。4）展示区分能力（封装类型）。其优势在于优雅的简洁性和高精度（99.6%）。它将系统的弱点（相机紫外盲区）变成了一个无关紧要的问题。任何拥有基本光学装置和相机的实验室都可以使用该方法，极大地降低了表征深紫外光源的门槛，这符合美国国立卫生研究院（NIH）及其他资助机构对可及、可重复研究工具的推动。

缺陷与注意事项

然而，该方法并非万能。其主要缺陷在于对荧光转换器特性的依赖性。荧光材料的空间均匀性、光稳定性和量子产率直接影响测量的保真度。不均匀或发生光漂白的样品会引入伪影。此外，该技术测量的是与转换器相互作用后的模式，而非LED在空气中的原始输出，尽管对于远场应用而言，这通常是相关的度量。它还假设荧光团和相机都具有线性响应，这需要仔细校准。

可操作的见解

对于工业界和研究人员：将此方法作为首选的、低成本的鉴定工具。在投资积分球辐射计或专用紫外相机之前，使用这种荧光方法快速验证LED批次的一致性、分类封装性能或优化原型设备中的安装角度。对于方法开发者：探索标准化的、经过校准的荧光薄膜，将这一实验室技巧转变为可靠的计量标准。研究超稳定、均匀的纳米晶体或有机薄膜（如《先进光学材料》中报道的那些），可能是将这种方法商业化的下一步。

5. 分析框架：一个实际案例

场景： 一家初创公司正在开发一款使用深紫外LED的便携式水消毒设备。他们需要确保LED均匀照射圆柱形水通道，以保证有效的病原体灭活。

框架应用：

问题定义： 表征所采购的265 nm LED的角发光模式，以模拟水通道内的光通量率。
工具选择： 采用荧光方法。在平坦表面上放置一层薄薄的紫外激发、蓝色发射的荧光粉（例如，经过校准的YAG:Ce薄膜）。
数据采集： LED在固定距离处照射薄膜。一台标准智能手机相机（RGB）捕获蓝色发射模式。LED被逐步旋转，并在每个角度拍摄一张图像。
分析： 通过图像处理（例如，使用Python的OpenCV或ImageJ）提取强度轮廓。将径向强度与角度的数据拟合到朗伯模型（$I \propto \cos(\theta)$）或其他模型（例如，更通用的 $\cos^m(\theta)$ 函数）。
决策： 如果模式高度符合朗伯分布（m≈1），简单的透镜可能足以实现均匀化。如果方向性很强（m>>1），则可能需要漫射器或反射积分器。这种低成本测试可以在制造昂贵的原型之前为光学设计提供依据。

6. 未来应用与方向

其意义超越了简单的表征：

在线过程监控： 将荧光传感器集成到LED生产线中，用于实时发光模式质量控制。
生物医学设备校准： 确保用于治疗皮肤病的可穿戴紫外光疗设备中的均匀照明。
扩展波长范围： 应用相同原理，使用适当的上转换荧光粉，表征硅探测器在其他“盲区”（如深红外区）的LED。
智能材料集成： 开发“智能”荧光表面，其可根据紫外强度或角度改变发射颜色或模式，从而实现新型传感器设计。
标准化： 与NIST或IEC等机构合作，将此法发展为低成本LED模式验证的推荐实践，以补充现有的光度学标准。

未来的方向在于从一种实验室技术转变为紫外发射系统内部嵌入的、智能的诊断功能。

7. 参考文献

Kneissl, M., & Rass, J. (2016). III-Nitride Ultraviolet Emitters. Springer.
Song, K., et al. (2016). Water disinfection with deep-UV LEDs. Journal of Water and Health.
Khan, M. A. H., et al. (2020). Deep-UV LED based gas sensors. ACS Sensors.
Lakowicz, J. R. (2006). Principles of Fluorescence Spectroscopy. Springer.
Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE ICCV. （用于类比的CycleGAN参考文献）
National Institutes of Health (NIH). Principles of Reproducible Research.
McFarlane, M., & McConnell, G. (2019). Characterisation of a deep-ultraviolet light-emitting diode emission pattern via fluorescence. arXiv:1911.11669.

目录