通过使用深度学习,对表面纹理和下降高度的被动血迹形态的分析

科学领域:

• 法医科学 法医科学 法医科学
• 生物物理学的生物物理.
• 计算机科学 计算机科学

背景情况:

• 血迹模式分析 (BPA) 对于犯罪现场重建至关重要.
• 了解基板和下降高度如何影响血迹对于准确分析至关重要.
• 之前的研究还没有充分探讨各种基板和受控下降高度的综合作用.

研究的目的:

• 为了研究基质类型和降落高度对被动血污形态学的影响.
• 为了确定基板特性是否会影响BPA中冲击角计算的准确性.
• 评估深度学习模型在分析血迹模式中的有效性.

主要方法:

• 有控制的实验室实验涉及从不同高度将血液落到五种不同的基板上 (曲的杯子,粉碎的图纸,木质布,果石,混凝土).
• 对血迹的形态分析,重点是形状的不规则性和卫星形成.
• 应用深度学习模型 (MobileNet与ImageNet功能) 来根据跌落高度对血迹模式进行分类.

主要成果:

• 基质特征显著影响了血污形态 (形状,卫星形成),但没有改变测量的撞击角度.
• 深度学习方法,特别是MobileNet模型,在区分血迹模式和各种落高度方面表现出高准确性.
• 转移学习在分析小型法医数据集方面被证明是有效的.

结论:

• 在BPA中确定撞击角在不同基板上保持一致,因为基板类型主要影响着染色形态,而不是角度精度.
• 深度学习为分析复杂的血迹数据提供了强大的工具,提高了对形态学和法医适用性的理解.
• 未来的研究应该纳入更多的变量,如多个冲击角度和运动效应,以提高现实性.