Hyperspectrale beeldvorming maakt intelligente identificatie van sporen van drankbewijs in forensisch onderzoek mogelijk

Voorwoord Forensisch Onderzoek
Sporen van dranken zoals koffie, sap en alcohol komen alom voor op plaats delicten, waardoor het met het blote oog extreem moeilijk is om hun soorten te onderscheiden. Traditionele detectiemethoden zijn voornamelijk gebaseerd op bemonstering en chemische kleurontwikkelingsprocessen, die fysiek bewijsmateriaal gemakkelijk kunnen beschadigen en nadelig zijn voor latere beoordelingen. Nature publiceerde een studie die een complete analysetoepassing ontwikkelde die hyperspectrale beeldvorming, bandenselectie en deep learning combineert. Deze toepassing voerde niet-destructieve identificatie-experimenten uit op negen categorieën drankvlekken, wat een nieuw perspectief biedt voor de detectie van sporen op plaats delict. In lijn met deze studie bespreekt CHNSpec de praktische waarde van hyperspectrale technologie op forensisch gebied.

I. Bestaande Moeilijkheden bij Traditioneel Fysiek BewijsmateriaalDetectie
1. Visuele herkenning heeft aanzienlijke beperkingen. Koffie en thee, of whisky en rum, lijken visueel sterk op elkaar, waardoor handmatige differentiatie extreem moeilijk is;

2. Chemische testen vernietigen de oorspronkelijke vorm van de vlekken, waardoor fysiek bewijsmateriaal niet herhaaldelijk kan worden geverifieerd;

3. Gewone spectrometerapparatuur kan slechts single-point acquisitie uitvoeren, waardoor de detectie van grote sporen tijdrovend is;

4. Interferenties zoals kleurverschillen van papier en het luchtdrogen/oxideren van vlekken belemmeren het oordeel, waardoor er een gebrek is aan gestandaardiseerde data-ondersteuning.

Hyperspectrale beeldvorming maakt gebruik van zijn voordelen van contactloze, full-field acquisitie van chemische spectrale vingerafdrukken om de bovengenoemde tekortkomingen te compenseren, en wordt een praktisch optisch hulpmiddel voor de analyse van sporen.

II. Kern taken uitgevoerd door Hyperspectrale Camera's in het Experiment
Deze studie gebruikte een 400-1000 nm zichtbaar-tot-nabij-infrarood hyperspectrale beeldvormingsapparaat, uitgerust met 204 continue spectrale banden, om de 3D spectrale datacube (2D ruimtelijke coördinaten + 1D spectrale curve) van verschillende vlekken volledig te verzamelen. Het gehele acquisitieproces is gestandaardiseerd en reproduceerbaar.

1. Multi-Scenario Gestandaardiseerde Spectrale Acquisitie
De studie simuleerde realistische omstandigheden op plaats delict, waarbij temperatuur, vochtigheid, hoek van de lichtbron en volume van de vlekdruppels uniform werden gecontroleerd om beelden te maken van 9 categorieën dranken (papajasap, koffie, granaatappelsap, sinaasappelsap, thee, rode wijn, whisky, rum en cognac):

• Substraten omvatten witte, roze en bruine absorberende papieren handdoeken, inclusief zowel platte als gevouwen vormen;
• Acquisitie werd uitgevoerd op 6 tijdstippen van 0 tot 5 uur om spectrale veranderingen veroorzaakt door oxidatie en verdamping vast te leggen;
• Een reflectievrije ROI (Region of Interest) van 1,5 x 1,5 cm werd aangewezen voor elke vlek, waarbij randinterferentiepixels werden geëlimineerd om datapuriteit te garanderen.

Vóór het fotograferen werden kalibratie van de reflectie van een witte plaat en donkere stroomkalibratie voltooid om gegevens uniform om te zetten in gestandaardiseerde reflectiecurves. Dit elimineerde numerieke afwijkingen veroorzaakt door apparatuur en verlichting, waardoor horizontale vergelijkingen van spectrale verschillen tussen verschillende monsters mogelijk waren.

2. Vastleggen van Onzichtbare Chemische Spectrale Kenmerken
Elke beeldvormingspixel genereert een exclusieve spectrale curve, die reflectiewaarden bij verschillende golflengten vastlegt om chemische verschillen te ontsluiten die voor het menselijk oog onherkenbaar zijn:

• Rode wijn en granaatappelsap zijn rijk aan anthocyanen, wat resulteert in lagere reflectiewaarden in het 400-700 nm zichtbare lichtbereik;
• Koffie- en theepolyphenolen vertonen exclusieve absorptiekenmerken in de blauwgroene banden;
• De onderscheidende signalen voor whisky en rum zijn geconcentreerd in het 750-900 nm nabij-infraroodbereik. Het zijn juist de fijne gegevens van honderden continue banden die twee soorten drankvlekken onderscheiden die er voor het oog zeer identiek uitzien.

3. Opbouwen van een Complete Gestandaardiseerde Bewijs Dataset
De apparatuur verzamelde meer dan 120.000 ruwe spectrale monsters. Na het opschonen van ruis en dubbele pixels, werden meer dan 110.000 geldige spectrale monsters gevormd, waarbij elk monster overeenkwam met 204-dimensionale spectrale kenmerken, dienend als de oorspronkelijke databasis voor latere bandenselectie en deep learning training. Voldoende, multi-variabele spectrale monsters ondersteunen het algoritme bij het leren van stabiele spectrale patronen van vlekken onder verschillende substraten en luchtdroogduren, waardoor de herkenningsfluctuaties veroorzaakt door de omgeving worden verminderd.

III. Ondersteunende Algoritme Flow: Dimensionaliteitsreductie + Multi-Model Vergelijking om Identificatiestabiliteit te Verbeteren
Ruwe hyperspectrale data heeft een groot aantal banden, en er bestaat redundantie tussen deze banden. Directe modellering zou de rekenlast verhogen, dus de studie introduceerde een tweelaags datageoptimalisatieschema.

1. ANOVA Bandenselectie om Effectieve Discriminatieve Banden te Behouden
De ANOVA F-test werd gebruikt om de discriminerende capaciteit van elke band te berekenen (variantie tussen klassen / variantie binnen klassen), waarbij de 204 banden werden gerangschikt op hun differentiatieprestaties. Door 5-voudige kruisvalidatietests van de herkenningsprestaties die overeenkomen met verschillende aantallen banden, werden uiteindelijk 162 sterk discriminerende banden geselecteerd voor modellering, wat de schaal van de databerekening verminderde met behoud van de herkenningsprestaties.

2. Vergelijkende Verificatie van Vier Typen Deep Learning Modellen
Op basis van de geselecteerde 162-dimensionale spectrale data werden vier mainstream netwerkmodellen - MLP, 1D-CNN, LSTM en CNN-LSTM hybride netwerk - getraind met uniforme hyperparameters. Precisie, recall, F1-score en algehele nauwkeurigheid werden uniform gebruikt voor evaluatie:

• MLP (Multilayer Perceptron) volledig verbonden netwerk: Vertoonde stabiele prestaties bij het fitten van globale spectrale kenmerken, beter presterend dan andere modellen in experimentele classificatie;
  1D-CNN: Uitstekend in het vastleggen van lokale spectrale variaties in aangrenzende banden;
• LSTM: Geschikt voor sequentiële kenmerkleren van continue spectrale banden;
• CNN-LSTM hybride structuur: Integreerde lokale en sequentiële kenmerken, maar vanwege de invloed van datavolume waren de herkenningsprestaties inferieur aan enkele netwerken.
• Tegelijkertijd verifieerden gepaarde t-tests en McNemar-tests dat de prestatieverschillen tussen modellen statistisch significant waren, waardoor fluctuatie-interferentie veroorzaakt door willekeurige bemonstering werd uitgesloten.

3. Spectrale Patronen die de Oorzaken van Identificatie Verwarring Corroboreren
De misclassificatielogica van de modellen is intuïtief te zien aan de spectrale curves: de curves van koffie en thee overlappen sterk in het 400-550 nm bereik, en whisky en rum vertonen slechts subtiele verschillen in het nabij-infraroodbereik. Deze twee paren van monsters zijn gevoelig voor wederzijdse misinterpretatie, wat consistent is met de resultaten van de verwarringsmatrix van het model, wat bewijst dat spectrale data herkenningsfouten kan verklaren en de interpreteerbaarheid van identificatieresultaten kan verbeteren.

IV. Kern Toepassingswaarde van Hyperspectrale Beeldvorming in Forensisch Bewijsmateriaal
1. Volledige conservering van fysiek bewijsmateriaal: Het gehele proces vereist geen reagentia en geen contact met vlekken. Na detectie kunnen monsters worden bewaard voor andere identificaties, conform de specificaties voor gerechtelijk fysiek bewijsmateriaal;

2. Verbeterde onderzoeksefficiëntie: Een enkele beeldvormingssessie verzamelt het volledige spectrum van een heel vlekgebied zonder de noodzaak van punt-voor-punt bemonstering, waardoor het geschikt is voor snelle screening ter plaatse;

3. Differentiatie van visueel vergelijkbare sporen: Honderden continue banden leggen subtiele optische verschillen in organische materie en pigmenten vast, wat dilemma's van visuele differentiatie oplost;

4. Sterke omgevingsaanpasbaarheid: Experimenten hebben geverifieerd dat de apparatuur zich kan aanpassen aan vlekken met verschillende achtergrondkleuren, vouwen en luchtdroogtoestanden, met toekomstige potentie om uit te breiden naar stoffen, documenten, huid en andere substraten;

5. Digitale opslag van gegevens: Spectrale waarden kunnen worden geëxporteerd en gearchiveerd, waardoor geleidelijk een sporen spectrale bibliotheek wordt opgebouwd om intelligente monstervergelijking te realiseren.

Productaanbeveling: FigSpecFS-23 Imaging Hyperspectrale Camera

• Beeldresolutie: 1920*1920
• Spectraalbereik: 400-1000nm
• Spectrale Resolutie (FWHM): 2.5nm
• Aantal Spectrale Kanalen: 1200

Disclaimer
Deze inhoud is samengesteld en bewerkt op basis van openbare academische literatuur onder Nature (Literatuur Link: https://www.nature.com/articles/s41598-026-49928-8). Het is uitsluitend bedoeld voor technische discussie in de industrie en populaire wetenschapsleren, vormt geen enkele commerciële verbintenis en kan niet dienen als basis voor investeringsreferentie. De experimentele gegevens en conclusies die in de tekst worden vermeld, kunnen worden beïnvloed door meerdere variabelen zoals de testomgeving, individuele verschillen van monsters en modelconstructieschema's. Indien toegepast in werkelijke scenario's, moeten relevante effecten worden geverifieerd door middel van onafhankelijke tests in combinatie met specifieke gebruiksscenario's.