透過螢光轉換法表徵深紫外LED發光模式

1. 緒論

基於氮化鋁鎵（AlGaN）的深紫外線（深紫外）發光二極體（LED）近期取得顯著進展，其操作波長介於220至280奈米，輸出功率可達100毫瓦範圍，這為殺菌、水質淨化、氣體感測，特別是作為螢光顯微鏡中的激發光源，開啟了巨大潛力。對於其有效應用，尤其是在照明均勻性至關重要的顯微鏡領域，一個關鍵參數是LED的發光模式——即其輻射強度的角度分佈。

對深紫外LED的發光模式進行表徵面臨著獨特挑戰：標準的矽基CMOS和CCD相機在深紫外光譜範圍內靈敏度極低，這是由於玻璃或多晶矽層的吸收所致。雖然存在專門（且昂貴）的背照式CCD，但本研究提出了一種優雅且具成本效益的替代方案：一種基於螢光轉換的方法。

2. 材料與方法

核心實驗裝置包含一個280奈米LED（LG Innotek LEUVA66H70HF00）。此創新方法透過使用LED照射螢光樣品，繞過了直接紫外光偵測的難題。樣品吸收280奈米的輻射，並以更長的可見光波長重新發射光線，隨後即可輕易地被標準CMOS相機捕捉。螢光影像中的強度分佈，可作為LED遠場發光模式的間接但準確的量測依據。角度分佈曲線是透過繞軸旋轉LED並記錄對應的螢光強度而獲得。

3. 結果與討論

主要發現是，所測試的平面封裝深紫外LED的發光模式以極高的準確度（99.6%）遵循朗伯分佈。朗伯模型描述的是一個表面，其感知亮度不隨視角而改變，強度與相對於表面法線夾角（$\theta$）的餘弦值成正比。在空氣中的強度由下式給出：

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

其中 $P_{LED}$ 是輻射功率，$r$ 是距離，而 $n_{air}$ 和 $n_{LED}$ 分別是空氣和半導體的折射率。

本研究成功展示了該技術區分不同LED封裝類型（例如，平面型與半球型）的能力，這些封裝會產生特徵不同的發光模式（朗伯型與等向型）。

4. 技術分析與核心洞見

核心洞見

這篇論文不僅僅是關於量測LED的發光；它更是關於間接感測與問題重構的典範。面對矽基偵測器對紫外光不敏感的硬性限制，作者並未追求昂貴的硬體設備。相反地，他們利用了一個基本的光物理過程——螢光——將訊號轉換到廉價、普及的感測器擅長的領域。這類似於機器學習中CycleGAN等技術背後的哲學，該技術學習將影像從一個領域（例如，馬）轉換到另一個領域（例如，斑馬），以執行直接映射困難的任務。在此，「領域轉換」是從深紫外光子到可見光子，從而能夠使用現成元件進行穩健的量測。

邏輯流程與優勢

其邏輯無懈可擊且簡潔：1) 定義問題（紫外光模式量測困難/昂貴）。2) 找出物理橋樑（螢光）。3) 對照已知模型（朗伯分佈）進行驗證。4) 展示區分能力（封裝類型）。其優勢在於優雅的簡潔性與高準確度（99.6%）。它將系統的弱點（相機對紫外光不敏感）轉變為非問題。任何擁有基本光學裝置和相機的實驗室都能使用此方法，大幅降低了表徵深紫外光源的門檻，這符合美國國家衛生研究院（NIH）及其他資助機構對可及、可重現研究工具的推動。

缺陷與考量

然而，此方法並非萬靈丹。其主要缺陷在於對螢光轉換器特性的依賴性。螢光材料的空間均勻性、光穩定性及量子產率直接影響量測的保真度。不均勻或會發生光漂白的樣品會引入偽影。此外，該技術量測的是與轉換器相互作用後的模式，而非LED在空氣中的原始輸出，儘管對於遠場應用而言，後者通常是相關的指標。該方法還假設了螢光團和相機的線性響應，這需要仔細的校準。

可執行洞見

對於產業界和研究人員：將此方法作為初步、低成本的鑑定工具。在投資積分球輻射計或專用紫外光相機之前，使用此螢光方法快速審查LED批次的一致性、分類封裝性能，或在原型裝置中優化安裝角度。對於方法開發者：探索標準化、校準過的螢光薄膜，將此實驗室技巧轉變為可靠的計量標準。研究超穩定、均勻的奈米晶體或有機薄膜（如《Advanced Optical Materials》中報導的那些），可能是將此方法商業化的下一步。

5. 分析框架：實務案例

情境：一家新創公司正在開發一款使用深紫外LED的攜帶式水消毒裝置。他們需要確保LED能均勻照射圓柱形水通道，以保證有效的病原體滅活。

框架應用：

問題定義： 表徵所採購的265奈米LED的角度發光模式，以模擬水通道內的輻照度率。
工具選擇： 採用螢光方法。將一薄層可被紫外光激發、發藍光的磷光體（例如，經過校準的YAG:Ce薄膜）置於平坦表面上。
資料擷取： LED在固定距離處照射薄膜。一台標準智慧型手機相機（RGB）捕捉藍色發光模式。LED以增量方式旋轉，並在每個角度拍攝一張影像。
分析： 影像處理（例如，使用Python搭配OpenCV或ImageJ）提取強度分佈圖。徑向強度與角度的數據擬合到朗伯分佈（$I \propto \cos(\theta)$）或其他模型（例如，更通用的 $\cos^m(\theta)$ 函數）。
決策： 如果發光模式高度符合朗伯分佈（m≈1），簡單的透鏡可能足以實現均勻化。如果其方向性極強（m>>1），則可能需要使用擴散片或反射積分器。這項低成本測試可在建造昂貴原型之前，為光學設計提供依據。

6. 未來應用與方向

其影響超越了簡單的表徵：

線上製程監控： 將螢光感測器整合到LED生產線中，用於即時發光模式品質控制。
生物醫學裝置校準： 確保用於治療皮膚病的可穿戴式紫外光光療裝置中的照明均勻性。
擴展波長範圍： 應用相同原理，使用適當的上轉換磷光體，表徵矽偵測器在其他「盲區」（例如深紅外線）的LED。
智慧材料整合： 開發能根據紫外光強度或角度改變發光顏色或模式的「智慧型」螢光表面，實現新型感測器設計。
標準化： 與NIST或IEC等機構合作，將此方法發展為低成本的LED模式驗證推薦作法，以補充現有的光度學標準。

未來方向在於從實驗室技術轉變為紫外光發射系統本身內嵌的智慧診斷功能。

7. 參考文獻

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. （用於類比的CycleGAN參考文獻）
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.

目錄