L'imagerie hyperspectrale permet une identification intelligente des traces de boissons dans la médecine légale

Préface de la médecine légale
Les traces de boissons comme le café, le jus et l'alcool sont omniprésentes sur les scènes de crime, ce qui rend extrêmement difficile de les distinguer à l'œil nu.Les méthodes de détection traditionnelles reposent principalement sur l'échantillonnage et le traitement chimique du développement de la couleurLa nature a publié une étude qui a construit une solution d'analyse complète combinant l'imagerie hyperspectrale,sélection de la bandeCette solution a conduit des expériences d'identification non destructives sur neuf catégories de taches de boissons,fournissant une nouvelle perspective pour la détection de traces de preuves dans les enquêtes pénalesEn intégrant cette étude, le CHNSpec discute de la valeur d'atterrissage de la technologie hyperspectrale dans le domaine médico-légal.

I. Difficultés existantes dans les preuves physiques traditionnellesDétection
1La reconnaissance visuelle est très limitée: le café et le thé, ou le whisky et le rhum, sont très similaires, ce qui rend la différenciation manuelle extrêmement difficile.

2Les essais chimiques détruisent la forme originale des taches, empêchant la vérification répétée des preuves physiques.

3.L'équipement de spectromètre ordinaire ne peut effectuer que l'acquisition en un seul point, ce qui rend la détection de traces de grande surface chronophage;

4Les interférences telles que les différences de couleur du papier et les taches de séchage/oxydation à l'air entravent le jugement, ce qui laisse un manque de support de données standardisées.

L'imagerie hyperspectrale s'appuie sur ses avantages d'acquisition sans contact et à champ complet d'empreintes digitales spectrales chimiques pour compenser les lacunes ci-dessus,devenir un outil optique pratique pour l'analyse des traces de preuves.

II. Les tâches essentielles des caméras hyperspectrales dans l'expérience
Cette étude a utilisé un appareil d'imagerie hyperspectrale visible à proche infrarouge de 400 ‰ 1000 nm, équipé de 204 bandes spectrales continues,pour collecter complètement le cube de données spectrales 3D (2 coordonnées spatiales + courbe spectrale 1D) de différentes tachesL'ensemble du processus d'acquisition est normalisé et reproductible.

1. Acquisition spectrale standardisée multi-scénario
L'étude a simulé des conditions réelles de la scène de crime, contrôlant uniformément la température, l'humidité, l'angle de source de lumière,le volume des gouttelettes de tache pour effectuer des images sur 9 catégories de boissons (jus de papaye, le café, le jus de grenade, le jus d'orange, le thé, le vin rouge, le whisky, le rhum et le brandy):

• Les substrats recouverts de serviettes en papier absorbant, blanches, roses et brunes, y compris les formes plates et pliées;
• L'acquisition a été effectuée à 6 intervalles de temps allant de 0 à 5 heures pour capturer les changements spectraux causés par l'oxydation et l'évaporation;
• Un ROI sans réflexion de 1,5 × 1,5 cm (Région d'intérêt) a été désigné pour chaque tache, éliminant les pixels d'interférence de bord pour assurer la pureté des données.

Avant le tournage, l'étalonnage de la réflexion du tableau blanc et l'étalonnage du courant sombre ont été effectués pour convertir uniformément les données en courbes de réflectance standardisées.Cela a éliminé les écarts numériques causés par l'équipement et l'éclairage, permettant des comparaisons horizontales des différences spectrales entre différents échantillons.

2Capture des caractéristiques spectrales chimiques invisibles
Chaque pixel d'imagerie génère une courbe spectrale exclusive, enregistrant des valeurs de réflexion à différentes longueurs d'onde pour débloquer des différences chimiques méconnaissables à l'œil humain:

• Le vin rouge et le jus de grenade sont riches en anthocyanes, ce qui entraîne des valeurs de réflexion plus faibles dans la gamme de lumière visible de 400 à 700 nm;
• Les polyphénols du café et du thé présentent des caractéristiques d'absorption exclusives dans les bandes bleu-vert;
• Les signaux distinctifs du whisky et du rhum sont concentrés dans la gamme proche infrarouge de 750 à 900 nm.Ce sont précisément les données fines provenant de centaines de bandes continues qui différencient deux types de taches de boissons qui semblent très identiques à l'œil nu..

3.Construire une base de données complète de preuves standardisées
L'équipement a recueilli plus de 120 000 échantillons spectraux bruts.avec chaque échantillon correspondant à des caractéristiques spectrales à 204 dimensions, servant de base de données initiale pour la sélection ultérieure des bandes et la formation en apprentissage profond.des échantillons spectraux multivariables permettent à l'algorithme d'apprendre des modèles spectraux stables de taches sous différents substrats et durées de séchage à l'air, réduisant les fluctuations de reconnaissance causées par l'environnement.

III. Appui au flux d'algorithmes: réduction de la dimensionnalité + comparaison multi-modèle pour améliorer la stabilité de l'identification
Les données hyperspectrales brutes ont un grand nombre de bandes, et il existe une redondance entre ces bandes.Donc l'étude a introduit un schéma d'optimisation des données à deux couches.

1.ANOVA Sélection de bande pour conserver des bandes discriminatoires efficaces
Le test ANOVA F a été utilisé pour calculer la capacité de discrimination de chaque bande (variance inter-classe / variance intra-classe), en classant les 204 bandes selon leur performance de différenciation.Par un test de validation croisée à cinq reprises des performances de reconnaissance correspondant à différents nombres de bandes, 162 bandes hautement discriminatoires ont finalement été sélectionnées pour la modélisation, ce qui a réduit l'échelle du calcul des données tout en maintenant les performances de reconnaissance.

2.Vérification comparative de quatre types de modèles d'apprentissage profond
Sur la base des données spectrales de 162 dimensions sélectionnées, quatre modèles de réseaux traditionnels (MLP, 1D-CNN, LSTM et réseau hybride CNN-LSTM) ont été formés avec des hyperparamètres unifiés.Score F1, et l'exactitude globale ont été uniformément adoptées pour l'évaluation:

• Réseau MLP (Multilayer Perceptron) entièrement connecté: affiche des performances stables dans l'ajustement des caractéristiques spectrales globales, dépassant les autres modèles dans la classification expérimentale;
  1D-CNN: Excellent dans la capture des variations spectrales locales dans les bandes adjacentes;
• LSTM: Convient pour l'apprentissage séquentiel des caractéristiques des bandes spectrales continues;
• Structure hybride CNN-LSTM: Fonctionnalités locales et séquentielles intégrées, mais en raison de l'influence du volume de données, ses performances de reconnaissance étaient inférieures à celles des réseaux individuels.
• Parallèlement, les essais par t-pair et les essais de McNemar ont vérifié que les différences de performance entre les modèles avaient une signification statistique,excluant les interférences de fluctuation causées par l'échantillonnage aléatoire.

3Les modèles spectraux corroborant les causes de la confusion d'identification
La logique d'erreur de classification des modèles peut être vue intuitivement à partir des courbes spectrales: les courbes du café et du thé se chevauchent fortement dans la plage de 400 à 550 nm,et le whisky et le rhum ne montrent que des différences subtiles dans la gamme proche infrarougeCes deux paires d'échantillons sont sujettes à des erreurs de jugement mutuelles, ce qui est conforme aux résultats de la matrice de confusion du modèle.démontrant que les données spectrales peuvent expliquer les erreurs de reconnaissance et améliorer l'interprétabilité des résultats d'identification.

IV. Valeur d'application fondamentale de l'imagerie hyperspectrale dans les preuves médico-légales
1.Preservation complète des preuves physiques: l'ensemble du processus ne nécessite aucun réactif et n'implique aucun contact avec les taches.conformes aux spécifications de preuve matérielle judiciaire;

2. Efficacité accrue de l'enquête: une seule séance d'imagerie collecte le spectre complet d'une zone de tache entière sans avoir besoin d'échantillonnage point par point,le rendant adapté à un dépistage rapide sur place;

3Différenciation de traces visuellement similaires: des centaines de bandes continues captent de subtiles différences optiques dans la matière organique et les pigments, résolvant les dilemmes de différenciation visuelle;

4.Forte adaptabilité environnementale: des expériences ont montré que l'équipement peut s'adapter à des taches aux couleurs de fond différentes, à des plis et à des états de séchage à l'air,avec un potentiel futur d'expansion vers les tissus, les accréditations, la peau et les autres substrats;

5.Rétention numérique des données: les valeurs spectrales peuvent être exportées et archivées, créant progressivement une bibliothèque spectrale de traces pour réaliser une comparaison intelligente des échantillons.

Recommandation de produit: FigSpecFS-23 Caméra hyperspectrale d' imagerie

• Résolution de l'image: 1920
• Plage spectrale: 400 à 1000 nm
• Résolution spectrale (FWHM): 2,5 nm
• Nombre de canaux spectraux: 1200

Disclaimer
Ce contenu est compilé et édité sur la base de la littérature académique publique sous Nature (lien de littérature: https://www.nature.com/articles/s41598-026-49928-8).Il est uniquement destiné à la discussion technique de l'industrie et à l'apprentissage de la science populaire, ne constitue aucun engagement commercial et ne peut servir de base à une référence d'investissement.Les données et conclusions expérimentales énumérées dans le texte peuvent être altérées par plusieurs variables telles que l'environnement d'essai.Si elles sont appliquées dans des scénarios réels, les effets pertinents doivent être vérifiés par des essais indépendants combinés à des cas d'utilisation spécifiques.