Гиперспектральная визуализация позволяет интеллектуально идентифицировать следы напитков в судебной медицине

Преамбула судебной экспертизы
Следы пятен из напитков, таких как кофе, соки и алкоголь, повсеместно присутствуют на местах преступлений, что делает их очень сложным различить невооруженным глазом.Традиционные методы обнаружения в основном основаны на отборе проб и химической обработке цветаNature опубликовал исследование, в котором было разработано полное аналитическое решение, объединяющее гиперспектральную визуализацию,выбор полосыЭто решение проводило неразрушительные эксперименты по идентификации девяти категорий пятен напитков,предоставление новой перспективы для расследования уголовных дел и обнаружения следов доказательствИнтегрируя это исследование, CHNSpec обсуждает целевое значение гиперспектральной технологии в судебной медицине.

I. Существующие трудности в традиционных физических доказательствахВыявление
1Визуальное распознавание имеет значительные ограничения: кофе и чай, или виски и ром визуально очень похожи, что делает ручное различение чрезвычайно трудным;

2Химическое тестирование уничтожает первоначальную форму пятен, не позволяя повторять проверку физических доказательств;

3.Обычное спектрометрическое оборудование может выполнять только одноточечное захват, что делает обнаружение больших площадей трассов трудоемким;

4.Интерференции, такие как разница цвета бумаги и сушка/окисление на воздухе пятен, затрудняют суждение, оставляя отсутствие стандартизированной поддержки данных.

Гиперспектральная визуализация опирается на преимущества бесконтактного, полного поля получения химических спектральных отпечатков пальцев, чтобы восполнить вышеуказанные недостатки,становится практическим оптическим инструментом для анализа следов доказательств.

II. Основные задачи, выполняемые гиперспектральными камерами в эксперименте
В данном исследовании использовался гиперспектральный аппарат изображения видимого до ближнего инфракрасного диапазона 400-1000 нм, оснащенный 204 непрерывными спектральными полосами,для полного сбора 3D спектральных данных кубика (2D пространственных координат + 1D спектральной кривой) различных красокВесь процесс приобретения является стандартизированным и воспроизводимым.

1.Многосценарийное стандартизированное спектральное приобретение
Исследование имитировало реальные условия на месте преступления, однородно контролируя температуру, влажность, угол источника света,и объем капель пятна для выполнения визуализации на 9 категориях напитков (сок папайи), кофе, гранатовый сок, апельсиновый сок, чай, красное вино, виски, ром и коньяк):

• Подложки, покрытые белыми, розовыми и коричневыми абсорбирующими бумажными полотенцами, включая плоские и сложенные формы;
• Получение было проведено через 6 временных интервалов от 0 до 5 часов для обнаружения спектральных изменений, вызванных окислением и испарением;
• Для каждого пятна был определен ROI (регион интереса) без отражения 1,5 × 1,5 см, исключая пиксели интерференции краев для обеспечения чистоты данных.

Перед съемкой были завершены калибровка отражения белой доски и калибровка темного тока для равномерного преобразования данных в стандартизированные кривые отражения.Это устранило числовые отклонения, вызванные оборудованием и освещением., что позволяет проводить горизонтальные сравнения спектральных различий между различными образцами.

2. Захватывание невидимых химических спектральных характеристик
Каждый изображающий пиксель генерирует эксклюзивную спектральную кривую, записывая значения отражения на разных длинах волн, чтобы разблокировать химические различия, не узнаваемые человеческим глазом:

• Красное вино и гранатовый сок богаты антоцианами, что приводит к более низким значениям отражения в диапазоне видимого света 400-700 нм;
• Полифенолы кофе и чая обладают исключительными характеристиками абсорбции в сине-зеленых полосах;
• Отличительные сигналы для виски и рома сосредоточены в диапазоне 750-900 нм ближнего инфракрасного излучения.Именно тонкие данные сотен непрерывных полос, которые различают два типа пятен напитка, которые выглядят очень идентичными на глаз.

3.Создание полного стандартного набора данных
После очистки шума и дублированных пикселей, было сформировано более 110 000 действительных спектральных образцов.с каждым образцом, соответствующим 204-мерным спектральным признакам, служащие первоначальной базой данных для последующего отбора группы и обучения глубокому обучению.многопеременные спектральные образцы поддерживают алгоритм в изучении стабильных спектральных моделей пятен под различными субстратами и продолжительностью сушки на воздухе, уменьшая колебания признания, вызванные окружающей средой.

III. Поддержка алгоритмического потока: уменьшение размерности + многомодельное сравнение для повышения стабильности идентификации
Необработанные гиперспектральные данные имеют большое количество полос, и между ними существует избыточность.Так что исследование представило двухслойную схему оптимизации данных.

1.ANOVA Выбор диапазона для сохранения эффективных дискриминационных диапазонов
Для вычисления дискриминационной способности каждой группы (вариантность между классами/вариантность внутри классов) использовался тест ANOVA F, в котором 204 группы были ранжированы в зависимости от их дифференциации.Через пятикратное перекрестное проверение эффективности распознавания, соответствующего различному числу полос, 162 высокодискриминационных полос были в конечном итоге выбраны для моделирования, что уменьшило масштаб вычисления данных при сохранении производительности распознавания.

2.Сравнительная проверка четырех типов моделей глубокого обучения
На основе выбранных 162-мерных спектральных данных были обучены четыре основные сетевые модели - MLP, 1D-CNN, LSTM и CNN-LSTM гибридные сети - с использованием унифицированных гиперпараметров.F1 балл, и общая точность были единообразно приняты для оценки:

• MLP (Multilayer Perceptron) полностью подключенная сеть: демонстрирует стабильную производительность при установке глобальных спектральных особенностей, превосходя других моделей в экспериментальной классификации;
  1D-CNN: превосходно владеет локальными спектральными изменениями в соседних полосах;
• LSTM: Подходит для последовательного изучения характеристик непрерывных спектральных полос;
• Гибридная структура CNN-LSTM: интегрированные локальные и последовательные функции, но из-за влияния объема данных его производительность распознавания была уступает одиночным сетям.
• Одновременно с этим, парированные t-тесты и тесты Макнемара подтвердили, что различия в производительности между моделями имеют статистическую значимость.исключение флуктуационных помех, вызванных случайным отбором проб.

3Спектральные модели, подтверждающие причины путаницы в идентификации
Логика ошибочной классификации моделей может быть интуитивно видна из спектральных кривых: кривые кофе и чая сильно перекрываются в диапазоне 400-550 нм.и виски и ром показывают только незначительные различия в ближнем инфракрасном диапазонеЭти две пары образцов склонны к взаимным ошибкам, что согласуется с результатами матрицы путаницы модели.доказательство того, что спектральные данные могут объяснить ошибки распознавания и улучшить интерпретацию результатов идентификации.

IV. Основное применение гиперспектральной визуализации в судебных доказательствах
1.Полное сохранение физических доказательств: весь процесс не требует реагентов и не включает контакт с пятнами.соответствующие спецификациям судебного материального доказательства;

2Улучшенная эффективность исследования: один сеанс визуализации собирает весь спектр всей области пятна без необходимости отбора проб по пунктам.что делает его подходящим для быстрой проверки на месте;

3Дифференциация визуально похожих следов: сотни непрерывных полос улавливают тонкие оптические различия в органическом веществе и пигментах, решая дилеммы визуальной дифференциации;

4.Сильная адаптивность к окружающей среде: эксперименты подтвердили, что оборудование может адаптироваться к пятнам с различными цветами фона, складками и состояниями сушки на воздухе,с будущим потенциалом для расширения на ткани, учетные данные, кожа и другие субстраты;

5Цифровое сохранение данных: спектральные значения могут экспортироваться и архивироваться, постепенно создавая спектральную библиотеку следов для достижения интеллектуального сравнения образцов.

Рекомендация продукта: FigSpecFS-23 Гиперспектральная камера для визуализации

• Разрешение изображения: 1920*1920
• Спектральный диапазон: 400-1000 нм
• Спектральное разрешение (FWHM): 2,5 нм
• Количество спектральных каналов: 1200

Отказ от ответственности
Этот контент составлен и отредактирован на основе публичной академической литературы в Nature (ссылка на литературу: https://www.nature.com/articles/s41598-026-49928-8).Он предназначен исключительно для отраслевой технической дискуссии и обучения популярной науке, не является коммерческим обязательством и не может служить основанием для инвестиционной ссылки.Испытательные данные и выводы, перечисленные в тексте, могут подвергаться влиянию нескольких переменных, таких как среда испытания.При применении в реальных сценариях соответствующие эффекты должны быть проверены путем независимых испытаний в сочетании с конкретными случаями использования.