تحلیل کیفیت زعفران بر اساس طیف‌سنجی جرمی با وضوح بالا و آستانه بصری یادگیری عمیق

طیف‌سنجی جرمی با وضوح بالا همراه با روش‌های سنتی تحلیل داده‌ها به‌طور معمول برای شناسایی کیفیت زعفران استفاده می‌شود. با این حال، الگوریتم‌های سنتی تحلیل داده گاه دقت پایینی دارند و مدل به خوبی برازش نمی‌شود، که منجر به نرخ بالای نتایج مثبت کاذب و منفی کاذب در تشخیص کیفیت می‌گردد و شناسایی دقیق کیفیت زعفران دشوار است. الگوریتم یادگیری عمیق قادر است اطلاعات پنهان ویژگی‌ها را به‌طور خودکار از داده‌ها استخراج کرده و با فناوری طیف‌سنجی جرمی با وضوح بالا ترکیب شده و کیفیت زعفران را به دقت شناسایی کند.

این مقاله خلاصه‌ای از پیشرفت‌های تحقیقاتی الگوریتم‌های یادگیری عمیق در پردازش داده‌های متابولومیکس طیف‌سنجی جرمی با وضوح بالا ارائه می‌دهد. بر این اساس، کاربردهای الگوریتم یادگیری عمیق در شناسایی کیفیت زعفران خلاصه شده و امکان‌سنجی ترکیب طیف‌سنجی جرمی با وضوح بالا با الگوریتم یادگیری عمیق مورد بحث قرار گرفته است.

High resolution mass spectrometry combined with traditional data analysis methods is often used to identify the quality of saffron. However，the traditional data analysis algorithm sometimes has low accuracy and poor model fitting effect，resulting in high false positive rate and false negative rate of discrimination results，and it is difficult to accurately identify the quality of saffron. Deep learning algorithm can automatically extract the hidden feature information in the data，and combine with high resolution mass spectrometry technology to accurately identify the quality of saffron.

This paper briefly summarizes research progresses of deep learning algorithms in processing high resolution mass spectrometry metabolomics data. On this basis，applications of deep learning algorithm in saffron quality identification were summarized，and the feasibility of combining high resolution mass spectrometry with deep learning algorithm was further discussed.