使用机器和深度学习方法识别从气枪发射的子弹
Muthu Rama Krishnan Mookiah1, Roberto Puch-Solis1, Niamh Nic Daeid1
1Leverhulme Research Centre for Forensic Science, School of Science and Engineering, University of Dundee, Nethergate Dundee DD1 4HN, Scotland, UK.
Forensic science international
|June 2, 2023
概括
本研究介绍了一种使用机器和深度学习的自动化方法,根据表面地形和LEA图像来分类子弹. 深度学习方法在将弹子与枪支进行弹道检查时表现出卓越的性能.
科学领域:
- 法医科学 法医科学 法医科学
- 计算机科学 计算机科学
- 机械工程 机械工程
背景情况:
- 弹道学,即将子弹和弹与枪支的联系,在世界各地的刑事调查中至关重要.
- 确定子弹是否来自同一种枪支是一个常见的法医挑战.
- 现有的弹道分析方法可能耗时,需要专门的专业知识.
研究的目的:
- 提出和评估一种自动化方法,使用地表地形和LEA图像来对子弹进行分类.
- 为了比较机器学习和深度学习技术在弹道识别方面的有效性.
- 开发一个概念验证系统,用于加快枪支连接和弹道检查.
主要方法:
- 表面地形数据是通过使用loess fit去除曲率来处理的.
- 使用实证模式分解 (EMD) 和测量方法提取特征,通过最小冗余最大相关性 (mRMR) 选择信息特征.
- 使用支持矢量机器 (SVM),决策树 (DT) 和随机森林 (RF) 进行分类,并使用深度学习模型DenseNet121进行LEA图像分类. 使用Grad-CAM进行可视化.
主要成果:
- 机器学习和深度学习方法都在分类子弹方面表现出良好的预测性能.
- 与SVM,DT和RF分类器相比,DenseNet121深度学习模型实现了更高的预测性能.
- 在LEA图像中,Grad-CAM成功地可视化了歧视性区域,有助于理解分类决策.
结论:
- 拟议的自动化方法,特别是深度学习方法,可以显著加快弹子与枪支的连接.
- 开发的技术显示出有望协助和提高弹道检查的准确性.
- 该方法在空气颗粒上进行了测试,可扩展到识别各种类型武器中的子弹和弹.


