Adli Tıp'ta İz Bırakan İçecek Kanıtlarının Akıllı Tanımlanmasını Güçlendiren Hiper Spektral Görüntüleme

Adli Tıp Önsözü
Kahve, meyve suyu ve alkol gibi içeceklerdeki lekeler suç mahallinde her yerde bulunur. Bu yüzden çıplak gözle onları ayırt etmek çok zor.Geleneksel algılama yöntemleri çoğunlukla örnekleme ve kimyasal renk geliştirme işleme dayanırNature, hiperspektral görüntülemeyi birleştiren tam bir analiz çözümü üreten bir çalışma yayınladı.bant seçimiBu çözüm, içecek lekelerinin dokuz kategorisinde yıkıcı olmayan tanımlama deneyleri gerçekleştirdi.Ceza soruşturması için yeni bir bakış açısı sağlamakCHNSpec, bu çalışmayı entegre ederek, adli tıp alanında hiperspektral teknolojinin iniş değerini tartışıyor.

I. Geleneksel Fiziksel Kanıtlarda Mevcut ZorluklarBulma
1Görsel tanıma önemli sınırlamalara sahiptir. Kahve ve çay veya viski ve rom görsel olarak çok benzerdir, bu da manuel farklılaşmayı son derece zorlaştırır.

2Kimyasal testler lekelerin orijinal şeklini yok eder ve fiziksel kanıtların tekrar tekrar doğrulanmasını engeller.

3. Sıradan spektrometre ekipmanları sadece tek nokta elde etmeyi gerçekleştirebilir, bu da büyük alan izlerinin tespit edilmesini zaman alıcı hale getirir;

4Kağıt renk farklılıkları ve leke hava kurutma/oksitasyon gibi müdahaleler, standart veri desteğinin eksikliğini bırakarak yargıyı engeller.

Hiperspektral görüntüleme, yukarıdaki eksiklikleri telafi etmek için kimyasal spektral parmak izlerinin temassız, tam alan elde edilmesinin avantajlarına dayanır.İz kanıt analizi için pratik bir optik araç haline geliyor.

II. Deneyde Hiperspektral Kameraların Görev Aldığı Temel Görevler
Bu çalışma, 204 sürekli spektral bantla donatılmış 400 ‰ 1000 nm görünür-yakın kızılötesi hiperspektral görüntüleme cihazını kullandı.Çeşitli renklerin 3 boyutlu spektral veri küpünü (2 boyutlu uzay koordinatları + 1 boyutlu spektral eğri) tamamen toplamak içinTüm satın alma süreci standartlaştırılmış ve yeniden üretilebilir.

1.Çok senaryo standart spektral edinme
Çalışma gerçek suç mahalli koşullarını taklit etti. Sıcaklığı, nemliği, ışık kaynağı açısını,9 çeşit içecek (papaya suyu) üzerinde görüntüleme yapmak için., kahve, nar suyu, portakal suyu, çay, kırmızı şarap, viski, rom ve brendi):

• Her iki düz ve katlanmış form da dahil olmak üzere beyaz, pembe ve kahverengi emici kağıt havlularla kaplı substratlar;
• Oksidasyon ve buharlaşmanın neden olduğu spektral değişiklikleri yakalamak için 0 ila 5 saatlik 6 zaman aralığında elde edilmiştir.
• Verilerin saflığını sağlamak için kenar müdahale piksellerini ortadan kaldırarak, her bir leke için 1,5 × 1,5 cm yansıtıksız bir ROI (İlginin Bölgesi) belirlendi.

Çekimden önce, verileri standartlaştırılmış yansıtma eğrilerine tekdüze dönüştürmek için beyaz tablo yansıma kalibrasyonu ve karanlık akım kalibrasyonu tamamlandı.Bu, ekipman ve aydınlatmadan kaynaklanan sayısal sapmaları ortadan kaldırdı., farklı örnekler arasındaki spektral farklılıkların yatay karşılaştırmalarına izin verir.

2Görünmez Kimyasal Spektral Karakteristikleri Yakalamak
Her bir görüntüleme pikselli, farklı dalga boylarında yansıma değerlerini kaydederek, insan gözü tarafından tanınmayan kimyasal farklılıkları açığa çıkarmak için özel bir spektral eğri oluşturur:

• Kırmızı şarap ve nar suyu, 400-700 nm görünür ışık aralığında daha düşük yansıma değerleri ile sonuçlanan antocianinlere sahiptir.
• Kahve ve çay polifenolleri mavi-yeşil bantlarda özel emilim özellikleri gösterir.
• Viski ve rom için ayırt edici sinyalleri, 750-900 nm yakın kızılötesi aralığında yoğunlaşmıştır.Tam da yüzlerce kesintisiz banttan elde edilen ince veriler, gözle çok benzer görünen iki çeşit içecek lekesini ayırt eder..

3.Tam bir standart kanıt veri kümesi oluşturmak
Ekipman 120.000'den fazla ham spektral numune topladı.Her numune 204 boyutlu spektral özelliklere karşılık gelir, daha sonraki bant seçimi ve derin öğrenme eğitimi için orijinal veri temeli olarak hizmet eder.Çok değişkenli spektral örnekler, algoritmayı farklı substratlar ve hava kurutma süreleri altında lekelerin istikrarlı spektral kalıplarını öğrenmede destekler., çevreye bağlı tanıma dalgalanmalarını azaltır.

III. Algoritma akışını desteklemek: Kimlik kararlılığını artırmak için boyut azaltımı + çoklu model karşılaştırması
Çiğ hiperspektral verilerin çok sayıda bantı vardır ve bu bantlar arasında redundansi vardır.Bu yüzden çalışma iki katmanlı bir veri optimizasyon şeması tanıttı..

1.ANOVA Etkili Ayrımcılık Çizgilerini Korumak İçin Band Seçimi
ANOVA F testi, her bandın ayrımcılık kapasitesini (sınıflar arası varyans / sınıf içi varyans) hesaplamak için kullanıldı ve 204 bandı farklılaştırma performanslarına göre sıraladı.Farklı bant sayısına karşılık gelen tanıma performansının beş kat çapraz doğrulama testi ile, 162 yüksek ayrımcılık bandı nihayetinde modelleme için seçildi, bu da tanıma performansını korurken veri hesaplama ölçeğini azalttı.

2Dört tür derin öğrenme modelinin karşılaştırmalı doğrulanması
Seçilen 162 boyutlu spektral verilere dayanarak, dört ana ağ modeli MLP, 1D-CNN, LSTM ve CNN-LSTM melez ağları birleşik hiperparametrelerle eğitildi.F1 puanı, ve genel doğruluğu değerlendirme için eşit olarak kabul edildi:

• MLP (Çok Katmanlı Algılama) tam bağlantılı ağ: Küresel spektral özellikleri uyumlu hale getirmek için istikrarlı performans gösterir ve deneysel sınıflandırmada diğer modellerden daha iyi performans gösterir.
  1D-CNN: Yakın bandlardaki yerel spektral değişimleri yakalama konusunda mükemmel;
• LSTM: Sürekli spektral bantların sıralı özellik öğrenimi için uygundur.
• CNN-LS TM melez yapısı: Yerel ve sıralı özellikleri entegre etti, ancak veri haciminin etkisi nedeniyle tanıma performansı tek ağlardan daha düşüktü.
• Aynı zamanda, eşleştirilmiş t testleri ve McNemar testleri, modeller arasındaki performans farklılıklarının istatistiksel anlamı olduğunu doğruladı.Rastgele örnekleme nedeniyle oluşan dalgalanma müdahalelerinin dışlanması.

3.İdentifikasyon karışıklığının nedenlerini doğrulayan spektral kalıplar
Modellerin yanlış sınıflandırma mantığı spektral eğrilerden sezgisel olarak görülebilir: kahve ve çay eğrileri 400-550 nm aralığında ağır bir şekilde örtüşür.Ve viski ve rom yakın kızılötesi aralığında sadece ince farklar gösteriyorBu iki örnek çifti karşılıklı yanlış yargılama eğilimindedir, bu da modelin karışıklık matris sonuçlarıyla tutarlıdır.Spektral verilerin tanıma hatalarını açıklayabileceğini ve tanımlama sonuçlarının yorumlanabilirliğini artırabileceğini kanıtlamak.

IV. Adli kanıtlarda Hiperspektral Görüntülemenin Temel Uygulama Değeri
1Fiziksel kanıtların tam korunması: Tüm süreçte hiçbir rejan gerekli değildir ve lekelerle temas içermez.Adli fiziksel kanıt özelliklerine uygun;

2Araştırma verimliliğinin artırılması: Tek bir görüntüleme seansı, nokta noktası örnekleme ihtiyacı olmaksızın tüm bir leke alanının tam spektrumunu toplar.Yerel hızlı tarama için uygun hale getirmek;

3Görsel olarak benzer izlerin farklılaştırılması: Yüzlerce sürekli bant, organik madde ve pigmentlerdeki ince optik farklılıkları yakalar ve görsel farklılaşma ikilemlerini çözür.

4Çevreye karşı güçlü uyarlanabilirlik: Deneyler ekipmanın farklı arka plan renklerine, kıvrımlarına ve hava kurutma durumlarına adapte olabileceğini doğruladı.Gelecekte kumaşlara genişleme potansiyeliyle, kimlik belgeleri, deri ve diğer substratlar;

5Verilerin dijital olarak saklanması: Spektral değerler ihraç edilebilir ve arşivlenebilir, akıllı örnek karşılaştırması elde etmek için yavaş yavaş bir iz spektral kütüphane oluşturabilir.

Ürün Tavsiye: FigSpecFS-23 Görüntüleme Hiperspektral Kamerası

• Resim çözünürlüğü: 1920*1920
• Spektral Aralık: 400-1000nm
• Spektral çözünürlük: 2.5nm
• Spektral Kanal Sayısı: 1200

Sorumluluk İzinleri
Bu içerik, Nature altında kamu akademik literatürüne dayanarak derlenmiş ve düzenlenmiştir (Edebiyat Bağlantısı: https://www.nature.com/articles/s41598-026-49928-8).Sadece endüstri teknik tartışması ve popüler bilim öğrenmesi için tasarlanmıştır., herhangi bir ticari taahhüt oluşturmaz ve yatırım referansı için bir temel olarak kullanılamaz.Metinde listelenen deneysel veriler ve sonuçlar, test ortamı gibi birden fazla değişken tarafından etkilenebilir.Gerçek senaryolarda uygulandığında, ilgili etkiler, özel kullanım durumlarıyla birlikte bağımsız testlerle doğrulanmalıdır.