Невидимые следы — видимые спектральные свидетельства: гиперспектральная визуализация как инструмент интеллектуальной идентификации следов напитков в криминалистике

Предисловие: Судебная экспертиза

Следы от таких напитков, как кофе, сок и алкоголь, часто встречаются наместах преступлений, и различить их виды невооруженным глазомкрайне сложно. Традиционные методы обнаружения в основномопираются на отбор проб и химическую обработку для проявления цвета; такие процедуры могут повредить вещественные доказательстваи негативно сказаться на их дальнейшем исследовании. В журнале Nature было опубликовано исследование, вкотором представлено комплексное решение для анализа, объединяющееметоды гиперспектральной визуализации, выбора спектральныхдиапазонов и глубокого обучения. В рамках работы были проведеныэксперименты по неразрушающей идентификации следов девяти категорий напитков, что открывает новые перспективы для обнаружения и анализа микроследовв ходе криминалистических расследований. Опираясь на результатыэтого исследования, компания CHNSpec рассматриваетвозможности практического применения гиперспектральных технологий в сфере судебнойэкспертизы.

I. Трудности, связанныес традиционными методами обнаружения вещественных доказательств

1. Визуальное распознавание имеет существенныеограничения. Кофе и чай, а такжевиски и ром, визуально очень схожи, чтокрайне затрудняет их различение вручную;

2. Химический анализ разрушает первоначальнуюструктуру пятен, делая невозможной повторную проверку вещественныхдоказательств;

3. Обычные спектрометры позволяют проводитьизмерения только в отдельных точках, поэтому анализ следов, занимающих большую площадь, требуетзначительных затрат времени;

4. Побочные факторы,такие как различия в цвете бумаги, а также высыханиеили окисление пятен, затрудняют интерпретацию результатови препятствуют получению стандартизированных данных.

Метод гиперспектральной визуализации позволяет устранить указанныенедостатки благодаря таким преимуществам, как бесконтактныйсбор данных и возможность получения спектральных «отпечатков» (химических характеристик) по всей площадиобъекта; тем самым он становится эффективным оптическиминструментом для анализа микроследов.

II. Основные задачи,решаемые с помощью гиперспектральных камер в ходе эксперимента

В данном исследовании использовалась система гиперспектральнойвизуализации, работающая в диапазоне от 400 до 1000 нм (видимыйи ближний инфракрасный спектр) и оснащенная 204 непрерывными спектральными каналами. Этопозволило получить полный трехмерный куб спектральных данных (двумерныепространственные координаты + одномерная спектральная кривая) для различных типов пятен. Весь процесссбора данных был стандартизирован и воспроизводим.

1. Стандартизированная регистрация спектровв различных условиях

В ходе исследования моделировались реальные условия места происшествия; при этом для получения изображений 9 категорийнапитков (сок папайи, кофе, гранатовый сок, апельсиновый сок, чай, красное вино,виски, ром и бренди) строгоконтролировались такие параметры, как температура, влажность, угол падения света и объемкапли:

• В качестве подложек использовались впитывающие бумажные полотенцабелого, розового и коричневого цветов(как в расправленном, так и в сложенном виде);

• Регистрация данных проводилась с шестью временными интерваламив диапазоне от 0 до 5 часов дляфиксации спектральных изменений, вызванных окислением ииспарением;

• Для каждого пятна определялась область интереса (ROI) размером 1,5 × 1,5 см, свободная от бликов; при этом пиксели по краям пятна исключались из анализа для обеспечениячистоты данных.

Перед съемкой выполнялась калибровка отражения по белой эталоннойпластине и калибровка по темновому току, что позволило привестиданные к единому виду — стандартизированным кривым коэффициента отражения. Это устранило численные расхождения, обусловленныехарактеристиками оборудования и условиями освещения, и обеспечиловозможность прямого сопоставления спектральных различий между разными образцами.

2. Фиксация невидимых спектральных характеристикхимического состава

Каждый пиксель изображения формирует уникальную спектральнуюкривую, регистрирующую показатели отражения на различныхдлинах волн, что позволяет выявить химические различия, неразличимые для человеческого глаза:

• Красное вино и гранатовый сок богаты антоцианами, что обусловливает более низкие показатели отражения в диапазоневидимого света (400–700 нм);

• Полифенолы, содержащиеся в кофе и чае, демонстрируют характерные особенности поглощения в сине-зеленой области спектра;

• Характерные спектральные признаки виски и рома сосредоточеныв ближнем инфракрасном диапазоне (750–900нм). Именно детальные данные, полученныев сотнях непрерывных спектральных полос, позволяют различитьпятна от двух видов напитков, которые выглядят практическиидентично для человеческого глаза.

3. Формирование полного стандартизированногонабора данных

С помощью оборудования было собрано более120 000 необработанных спектральных образцов. Послеудаления шумов и дублирующихся пикселей было сформировано более 110 000 валидных образцов; каждый образецхарактеризовался 204-мерным спектральным признаком, что послужило исходной базой данных для последующего выбораспектральных каналов и обучения моделей глубокого обучения. Достаточныйобъем многофакторных спектральных данных позволяет алгоритму выявлять устойчивыеспектральные характеристики пятен на различных подложках и при разной длительностисушки на воздухе, снижая вариативность результатов распознавания, вызванную влиянием окружающей среды.

III. Алгоритм обработки: снижение размерности и сравнение нескольких моделей для повышениястабильности распознавания

Исходные гиперспектральные данные содержат большое количествоканалов, между которыми наблюдается избыточность. Прямое моделирование привело бы к чрезмерной вычислительнойнагрузке, поэтому в исследовании была применена двухуровневаясхема оптимизации данных.

1. Отбор каналов методом ANOVA для сохранения наиболее информативных признаков

Для оценки разделительной способности каждого канала (отношение межклассовой дисперсии к внутриклассовой) использовался F-критерий ANOVA, что позволило ранжировать 204 каналапо их эффективности в различении объектов. На основе результатов 5-блочной перекрестной проверки(cross-validation) точности распознавания при разном количестве каналов длямоделирования были отобраны 162 наиболее информативных канала; это позволило сократить объем вычислений без потери качествараспознавания.

2. Сравнительный анализ четырех типовмоделей глубокого обучения

На основе отобранных 162-мерных спектральныхданных были обучены четыре распространенные сетевые модели(MLP, 1D-CNN, LSTM и гибридная сеть CNN-LSTM) с использованиемединых гиперпараметров. Для оценки эффективности использовалисьследующие метрики: точность(precision), полнота (recall), F1-мера и общая точность (overall accuracy):

• MLP (многослойный перцептрон, полносвязная сеть): продемонстрироваластабильные результаты при аппроксимации глобальных спектральных характеристик, превзойдя другие модели в экспериментальной классификации;

• 1D-CNN: показала высокую эффективностьв выявлении локальных спектральных изменений в соседних каналах;

• LSTM: оказалась пригодной для анализапоследовательных признаков в непрерывных спектральных каналах;

• Гибридная структура CNN-LSTM: объединилалокальные и последовательные признаки, однако из-за особенностей объема данных показатели распознавания оказалисьниже, чем у отдельных (негибридных) сетей. Одновременно с этим парные t-критерии и критерии Макнемара подтвердили статистическую значимостьразличий в эффективности моделей, исключив влияние случайныхколебаний, обусловленных выборкой.

3. Спектральные характеристики, объясняющие причины ошибок идентификации

Логика ошибочной классификации моделей интуитивно понятна прианализе спектральных кривых: кривые кофе и чая сильно перекрываютсяв диапазоне 400–550 нм, а спектры виски и рома демонстрируют лишь незначительные различияв ближнем инфракрасном диапазоне. Эти две пары образцовчасто ошибочно принимаются друг за друга, что согласуетсяс данными матрицы ошибок модели; это доказывает, что спектральные данные позволяют объяснить ошибки распознаванияи повысить интерпретируемость результатов идентификации.

IV. Ключевая ценность применения гиперспектральнойвизуализации при работе с вещественными доказательствами

1. Полная сохранность вещественных доказательств: процесс не требует использования реагентов и исключает физическийконтакт с пятнами. После анализа образцы могут быть сохраненыдля проведения других экспертиз, что соответствует требованиямк обращению с вещественными доказательствами;

2. Повышение эффективности расследования: один сеанс съемки позволяет получить полный спектр всей площадипятна без необходимости точечного отбора проб, что делаетметод пригодным для экспресс-анализа непосредственно наместе происшествия;

3. Различение визуально схожих следов: регистрация сотен непрерывных спектральных диапазонов позволяетвыявить тонкие оптические различия в составе органических веществ и пигментов, решая проблему визуального различения объектов;

4. Высокая адаптивность к условиям: эксперименты подтвердили способность оборудования работать спятнами на фонах разного цвета, на складках и в различныхсостояниях высыхания; в перспективе возможно расширениесферы применения на ткани, документы, кожныепокровы и другие типы поверхностей;

5. Цифровое хранение данных: спектральные показатели могут быть экспортированы и заархивированы, что позволяет постепенно формировать библиотеку спектров следовдля реализации интеллектуального сравнения образцов.

Рекомендуемый продукт: Гиперспектральнаякамера FigSpec FS-23

• Разрешение изображения: 1920 × 1920

• Спектральный диапазон: 400–1000 нм

• Спектральное разрешение (FWHM): 2,5 нм

• Количество спектральных каналов: 1200

Отказ от ответственности

Данный материал подготовлен и отредактирован на основе общедоступнойнаучной публикации в журнале Nature (ссылка на источник: https://www.nature.com/articles/s41598-026-49928-8). Он предназначенисключительно для профессионального технического обсуждения и популяризации научныхзнаний; материал не содержит никаких коммерческих обязательстви не может служить основанием для принятия инвестиционных решений. На приведенные в тексте экспериментальные данные и выводы могутвлиять различные факторы, такие как условия проведения испытаний, индивидуальные особенности образцов и схемы построения моделей. При практическом применении полученных результатов необходимопровести их проверку посредством независимых испытаний с учетом конкретных сценариевиспользования.