Hyperspektrale Bildgebung ermöglicht die intelligente Identifizierung von Spuren von Getränkebeweismitteln in der Forensik

Vorwort der Gerichtsmedizin
Spuren von Getränken wie Kaffee, Saft und Alkohol sind an Tatorten allgegenwärtig, was es extrem schwierig macht, ihre Arten mit bloßem Auge zu unterscheiden.Traditionelle Nachweismethoden beruhen hauptsächlich auf Probenahme und chemischer FarbentwicklungDie Natur veröffentlichte eine Studie, in der eine komplette Analyselösung mit hyperspektraler Bildgebung konstruiert wurde.BandwahlDiese Lösung führte zerstörungsfreie Identifizierungsexperimente an neun Kategorien von Getränkeflecken durch.eine neue Perspektive für die Ermittlung von StrafverfolgungsnachweisenIn diesem Rahmen diskutiert CHNSpec über den landenden Wert der hyperspektralen Technologie im forensischen Bereich.

I. Bestehende Schwierigkeiten bei traditionellen physikalischen BeweisenErmittlung
1Die visuelle Erkennung ist erheblich eingeschränkt: Kaffee und Tee oder Whisky und Rum sind visuell sehr ähnlich, was die manuelle Unterscheidung äußerst schwierig macht.

2Chemische Prüfungen zerstören die ursprüngliche Form der Flecken und verhindern eine wiederholte Überprüfung physikalischer Beweise.

3.Gewöhnliche Spektrometergeräte können nur eine Einzelschnittmessung durchführen, wodurch die Detektion großer Spurenflächen zeitaufwändig ist;

4Interferenzen wie Papierfarbenunterschiede und Lufttrocknung/Oxidation von Flecken behindern das Urteilsvermögen und lassen eine fehlende standardisierte Datenunterstützung zurück.

Die Hyperspektralbildgebung stützt sich auf ihre Vorteile der berührungslosen Vollfelderfassung chemischer Spektralfingerabdrücke, um die oben genannten Mängel auszugleichen.wird zu einem praktischen optischen Werkzeug für die Analyse von Spuren.

II. Kernaufgaben der Hyperspektralkameras im Experiment
In dieser Studie wurde ein 400 ‰ 1000 nm sichtbares bis nahe Infrarot-Hyperspektralbildgerät mit 204 kontinuierlichen Spektralbändern eingesetzt.um den 3D-Spektraldatenwürfel (2D-Raumkoordinaten + 1D-Spektralkurve) verschiedener Farben vollständig zu sammelnDer gesamte Erwerbsprozess ist standardisiert und reproduzierbar.

1.Multi-Szenario standardisierte Spektralerfassung
Die Studie simulierte reale Tatortbedingungen, gleichmäßige Kontrolle von Temperatur, Luftfeuchtigkeit, Lichtquellenwinkel,und Flecken Tropfvolumen, um eine Bildgebung von 9 Kategorien von Getränken (Papaya-Saft) durchzuführen, Kaffee, Granatapfelsaft, Orangensaft, Tee, Rotwein, Whisky, Rum und Brandy):

• Substrate, die mit weißen, rosafarbenen und braunen absorbierenden Papierhandtüchern, einschließlich flacher und gefalteter Formen, bedeckt sind;
• Die Erfassung wurde in 6 Zeitintervallen von 0 bis 5 Stunden durchgeführt, um Spektralveränderungen durch Oxidation und Verdunstung zu erfassen.
• Für jeden Fleck wurde ein 1,5×1,5 cm reflektionsfreier ROI (Region of Interest) bestimmt, wobei die Randinterferenz-Pixel eliminiert wurden, um die Datenreinheit zu gewährleisten.

Vor der Aufnahme wurden die Reflexionskalibrierung auf dem Whiteboard und die Kalibrierung des dunklen Stroms durchgeführt, um die Daten gleichmäßig in standardisierte Reflexionskurven umzuwandeln.Dies beseitigte numerische Abweichungen durch Ausrüstung und Beleuchtung, so daß horizontale Vergleiche der Spektralunterschiede zwischen verschiedenen Proben möglich sind.

2.Unsichtbare chemische Spektralmerkmale erfassen
Jedes Bildpixel erzeugt eine exklusive Spektralkurve, die Reflexionswerte bei verschiedenen Wellenlängen aufzeichnet, um chemische Unterschiede freizuschalten, die für das menschliche Auge unerkennbar sind:

• Rotwein und Granatapfelsaft sind reich an Anthocyanen, was zu niedrigeren Reflexionswerten im Bereich des sichtbaren Lichts von 400 bis 700 nm führt.
• Kaffee- und Teepolyphenole weisen ausschließliche Absorptionsmerkmale im blau-grünen Band auf.
• Die Unterscheidungssignale für Whisky und Rum konzentrieren sich im Nahinfrarotbereich von 750 bis 900 nm.Genau die feinen Daten aus Hunderten von kontinuierlichen Bändern unterscheiden zwei Arten von Getränkeflecken, die für das Auge sehr identisch aussehen..

3.Erstellung eines vollständigen standardisierten Beweisdatenbestands
Die Geräte sammelten mehr als 120.000 Rohspektralproben. Nach der Reinigung von Lärm und doppelten Pixeln wurden mehr als 110.000 gültige Spektralproben gebildet.mit jeder Probe, die den 204-dimensionalen Spektralmerkmalen entspricht, die als ursprüngliche Datenbasis für die anschließende Bandwahl und das Deep-Learning-Training dienen.Mehrvariable Spektralproben unterstützen den Algorithmus beim Erlernen stabiler Spektralmuster von Flecken unter verschiedenen Substraten und Lufttrocknungsdauer, wodurch die durch die Umwelt verursachten Schwankungen bei der Anerkennung verringert werden.

III. Unterstützung des Algorithmusflusses: Dimensionalitätsreduzierung + Multimodellvergleich zur Verbesserung der Stabilität der Identifizierung
Eine direkte Modellierung würde die Rechenbelastung erhöhen.Also führte die Studie ein zweischichtiges Datenoptimierungssystem ein..

1.ANOVA Band-Auswahl zur Aufrechterhaltung wirksamer diskriminierender Bands
Der ANOVA-F-Test wurde verwendet, um die Unterscheidungsfähigkeit jedes Bandes (Varianz zwischen Klassen/Varianz innerhalb der Klasse) zu berechnen und die 204 Bands nach ihrer Differenzierungsleistung zu sortieren.Durch fünffache Quervalidierung der Erkennungsleistung für unterschiedliche Bandzahlen, wurden schließlich 162 hochdiskriminierende Bands für die Modellierung ausgewählt, wodurch die Größenordnung der Datenberechnung reduziert und die Erkennungsleistung beibehalten wurde.

2.Vergleichende Überprüfung von vier Arten von Deep Learning-Modellen
Auf der Grundlage der ausgewählten 162-dimensionalen Spektraldaten wurden vier gängige Netzwerkmodelle - MLP, 1D-CNN, LSTM und CNN-LSTM - mit einheitlichen Hyperparametern ausgebildet.F1-Score, und die allgemeine Genauigkeit wurden einheitlich für die Bewertung angenommen:

• MLP (Multilayer Perceptron) vollständig vernetztes Netzwerk: Stabile Leistung bei der Anpassung globaler Spektralmerkmale, die andere Modelle bei der experimentellen Klassifizierung übertrifft;
  1D-CNN: Ausgezeichnet bei der Erfassung lokaler Spektralvariationen in benachbarten Bands;
• LSTM: geeignet für das sequentielle Lernen von Merkmalen kontinuierlicher Spektralbänder;
• CNN-LSTM-Hybridstruktur: Integrierte lokale und sequentielle Funktionen, aber aufgrund des Einflusses des Datenvolumens war die Erkennungsleistung schlechter als bei einzelnen Netzwerken.
• Gleichzeitig stellten die t-Tests und die McNemar-Tests fest, dass die Leistungsunterschiede zwischen den Modellen statistisch signifikant waren.Ausnahme von Schwankungsstörungen durch zufällige Probenahme.

3.Spektralmuster, die die Ursachen der Identifizierungsverwirrung bestätigen
Die Fehlklassifizierungslogik der Modelle lässt sich intuitiv anhand der Spektralkürben erkennen: Die Kurven von Kaffee und Tee überlappen sich stark im Bereich von 400 ‰ 550 nm,Und Whisky und Rum zeigen nur subtile Unterschiede im nahen Infrarotbereich.Diese beiden Probenpaare sind anfällig für gegenseitige Fehleinschätzungen, was mit den Ergebnissen der Verwirrungsschlüssel des Modells übereinstimmt.Nachweis, dass Spektraldaten Erkennungsfehler erklären und die Interpretierbarkeit der Identifizierungsergebnisse verbessern können.

IV. Kernanwendungswert der hyperspektralen Bildgebung in forensischen Beweisen
1.Vollständige Bewahrung physikalischer Beweise: Der gesamte Prozess erfordert keine Reagenzien und beinhaltet keinen Kontakt mit Flecken.die den Spezifikationen für gerichtliche Beweismittel entsprechen;

2.Verbesserte Untersuchungseffizienz: Eine einzige Bildgebung erfasst das gesamte Spektrum eines gesamten Fleckengebiets, ohne dass eine Punkt-für-Punkt-Probenahme erforderlich ist.die geeignet ist für eine schnelle Untersuchung vor Ort;

3.Differenzierung visuell ähnlicher Spuren: Hunderte kontinuierlicher Bänder erfassen subtile optische Unterschiede in organischer Substanz und Pigmenten und lösen so Dilemmata der visuellen Differenzierung;

4.Große Anpassungsfähigkeit an die Umwelt: Experimente haben gezeigt, dass sich die Ausrüstung an Flecken mit unterschiedlichen Hintergrundfarben, Falten und Lufttrocknungszuständen anpassen kann,mit zukünftigem Ausbau auf Gewebe, Anmeldeinformationen, Haut und andere Substrate;

5.Digitale Aufbewahrung von Daten: Spektralwerte können exportiert und archiviert werden, wodurch schrittweise eine Spurenspektralbibliothek aufgebaut wird, um einen intelligenten Probenvergleich zu erreichen.

Produktempfehlung: FigSpecFS-23 Imaging Hyperspektralkamera

• Auflösung: 1920*1920
• Spektralbereich: 400-1000 nm
• Spektrallauflösung (FWHM): 2,5 nm
• Anzahl der Spektralkanäle: 1200

Haftungsausschluss
Diese Inhalte werden auf der Grundlage öffentlicher wissenschaftlicher Literatur unter Nature zusammengestellt und bearbeitet (Literature Link: https://www.nature.com/articles/s41598-026-49928-8).Es ist ausschließlich für die technische Diskussion in der Industrie und das Lernen der populären Wissenschaft bestimmt, stellt keine kommerzielle Verpflichtung dar und kann nicht als Grundlage für eine Investitionsreferenz dienen.Die im Text aufgeführten Versuchsdaten und -schlüsse können durch mehrere Variablen wie die Prüfumgebung beeinträchtigt werden.Bei Anwendung in tatsächlichen Szenarien müssen die relevanten Effekte durch unabhängige Prüfungen in Verbindung mit spezifischen Anwendungsfällen überprüft werden.