Imagem Hiperespectral Capacita Identificação Inteligente de Vestígios de Bebidas em Forense

Prefácio de Forense
Manchas de vestígios de bebidas como café, suco e álcool são ubíquas em cenas de crime, tornando extremamente difícil distinguir seus tipos a olho nu. Métodos de detecção tradicionais dependem principalmente de amostragem e processamento de desenvolvimento de cor química, que podem danificar facilmente as evidências físicas e são prejudiciais para revisões subsequentes. A Nature publicou um estudo que construiu uma solução completa de análise combinando imagem hiperespectral, seleção de bandas e aprendizado profundo. Esta solução realizou experimentos de identificação não destrutiva em nove categorias de manchas de bebidas, fornecendo uma nova perspectiva para a detecção de vestígios em investigações criminais. Integrando este estudo, a CHNSpec discute o valor de aplicação da tecnologia hiperespectral no campo forense.

I. Dificuldades Existentes em Evidências Físicas TradicionaisDetecção
1. O reconhecimento visual tem limitações significativas. Café e chá, ou uísque e rum, são visualmente muito semelhantes, tornando a diferenciação manual extremamente difícil;

2. O teste químico destrói a forma original das manchas, impedindo que as evidências físicas sejam verificadas repetidamente;

3. Equipamentos de espectrômetro comuns só podem realizar aquisição de ponto único, tornando a detecção de vestígios de grande área demorada;

4. Interferências como diferenças de cor do papel e secagem/oxidação das manchas dificultam o julgamento, deixando uma falta de suporte de dados padronizado.

A imagem hiperespectral conta com suas vantagens de aquisição sem contato e de campo completo de impressões digitais espectrais químicas para suprir as deficiências acima, tornando-se uma ferramenta óptica prática para análise de vestígios.

II. Tarefas Principais Realizadas por Câmeras Hiperespectrais no Experimento
Este estudo utilizou um dispositivo de imagem hiperespectral visível-para-infravermelho próximo de 400-1000 nm, equipado com 204 bandas espectrais contínuas, para coletar completamente o cubo de dados espectrais 3D (coordenadas espaciais 2D + curva espectral 1D) de várias manchas. Todo o processo de aquisição é padronizado e reproduzível.

1. Aquisição Espectral Padronizada em Múltiplos Cenários
O estudo simulou condições reais de cena de crime, controlando uniformemente temperatura, umidade, ângulo da fonte de luz e volume da gota da mancha para realizar imagens em 9 categorias de bebidas (suco de mamão, café, suco de romã, suco de laranja, chá, vinho tinto, uísque, rum e conhaque):

• Substratos cobriram toalhas de papel absorventes brancas, rosas e marrons, incluindo formas planas e dobradas;
• A aquisição foi realizada em 6 intervalos de tempo de 0 a 5 horas para capturar mudanças espectrais causadas pela oxidação e evaporação;
• Uma ROI (Região de Interesse) de 1,5 x 1,5 cm sem reflexo foi designada para cada mancha, eliminando pixels de interferência de borda para garantir a pureza dos dados.

Antes da filmagem, a calibração de reflexão do quadro branco e a calibração de corrente escura foram concluídas para converter uniformemente os dados em curvas de refletância padronizadas. Isso eliminou desvios numéricos causados pelo equipamento e iluminação, permitindo comparações horizontais de diferenças espectrais entre diferentes amostras.

2. Capturando Características Espectrais Químicas Invisíveis
Cada pixel de imagem gera uma curva espectral exclusiva, registrando valores de reflexão em diferentes comprimentos de onda para revelar diferenças químicas não reconhecíveis pelo olho humano:

• Vinho tinto e suco de romã são ricos em antocianinas, resultando em valores de reflexão mais baixos na faixa de luz visível de 400-700 nm;
• Polifenóis de café e chá exibem características de absorção exclusivas nas bandas azul-verde;
• Os sinais distintivos para uísque e rum estão concentrados na faixa de infravermelho próximo de 750-900 nm. São precisamente os dados finos de centenas de bandas contínuas que diferenciam dois tipos de manchas de bebidas que parecem altamente idênticas ao olho.

3. Construindo um Conjunto de Dados de Evidências Padronizado Completo
O equipamento coletou mais de 120.000 amostras espectrais brutas. Após a limpeza de ruído e pixels duplicados, mais de 110.000 amostras espectrais válidas foram formadas, com cada amostra correspondendo a características espectrais de 204 dimensões, servindo como base de dados original para seleção de bandas subsequente e treinamento de aprendizado profundo. Amostras espectrais suficientes e multivariáveis suportam o algoritmo no aprendizado de padrões espectrais estáveis de manchas sob diferentes substratos e durações de secagem ao ar, reduzindo flutuações de reconhecimento causadas pelo ambiente.

III. Fluxo de Algoritmo de Suporte: Redução de Dimensionalidade + Comparação de Múltiplos Modelos para Aumentar a Estabilidade de Identificação
Dados hiperespectrais brutos têm um grande número de bandas, e existe redundância entre essas bandas. A modelagem direta aumentaria o fardo computacional, então o estudo introduziu um esquema de otimização de dados de duas camadas.

1. Seleção de Bandas ANOVA para Reter Bandas Discriminatórias Eficazes
O teste F da ANOVA foi empregado para calcular a capacidade discriminatória de cada banda (variância entre classes / variância intra-classe), classificando as 204 bandas por seu desempenho de diferenciação. Através de testes de validação cruzada de 5 dobras do desempenho de reconhecimento correspondente a diferentes números de bandas, 162 bandas altamente discriminatórias foram finalmente selecionadas para modelagem, o que reduziu a escala de computação de dados enquanto mantinha o desempenho de reconhecimento.

2. Verificação Comparativa de Quatro Tipos de Modelos de Aprendizado Profundo
Com base nos dados espectrais selecionados de 162 dimensões, quatro modelos de rede mainstream — MLP, 1D-CNN, LSTM e rede híbrida CNN-LSTM — foram treinados com hiperparâmetros unificados. Precisão, recall, F1-score e precisão geral foram uniformemente adotados para avaliação:

• MLP (Perceptron Multicamadas) rede totalmente conectada: Exibiu desempenho estável no ajuste de características espectrais globais, superando outros modelos na classificação experimental;
  1D-CNN: Destacou-se na captura de variações espectrais locais em bandas adjacentes;
• LSTM: Adequado para aprendizado de características sequenciais de bandas espectrais contínuas;
• Estrutura híbrida CNN-LSTM: Integrou características locais e sequenciais, mas devido à influência do volume de dados, seu desempenho de reconhecimento foi inferior a redes únicas.
• Concomitantemente, testes t pareados e testes de McNemar verificaram que as diferenças de desempenho entre os modelos possuíam significância estatística, descartando interferência de flutuação causada por amostragem aleatória.

3. Padrões Espectrais Corroborando as Causas da Confusão de Identificação
A lógica de classificação incorreta dos modelos pode ser vista intuitivamente a partir das curvas espectrais: as curvas de café e chá se sobrepõem pesadamente na faixa de 400-550 nm, e uísque e rum mostram apenas diferenças sutis na faixa de infravermelho próximo. Esses dois pares de amostras são propensos a julgamentos mútuos incorretos, o que é consistente com os resultados da matriz de confusão do modelo, provando que os dados espectrais podem explicar erros de reconhecimento e aumentar a interpretabilidade dos resultados de identificação.

IV. Valor de Aplicação Central da Imagem Hiperespectral em Evidências Forenses
1. Preservação completa de evidências físicas: Todo o processo não requer reagentes e não envolve contato com manchas. Após a detecção, as amostras podem ser preservadas para outras identificações, em conformidade com as especificações de evidências físicas judiciais;

2. Eficiência de investigação aprimorada: Uma única sessão de imagem coleta o espectro completo de toda a área da mancha sem a necessidade de amostragem ponto a ponto, tornando-a adequada para triagem rápida no local;

3. Diferenciação de vestígios visualmente semelhantes: Centenas de bandas contínuas capturam diferenças ópticas sutis em matéria orgânica e pigmentos, resolvendo dilemas de diferenciação visual;

4. Forte adaptabilidade ambiental: Experimentos verificaram que o equipamento pode se adaptar a manchas com diferentes cores de fundo, dobras e estados de secagem ao ar, com potencial futuro para expansão para tecidos, credenciais, pele e outros substratos;

5. Retenção digital de dados: Valores espectrais podem ser exportados e arquivados, construindo gradualmente uma biblioteca espectral de vestígios para alcançar comparação inteligente de amostras.

Recomendação de Produto: Câmera Hiperespectral de Imagem FigSpecFS-23

• Resolução de Imagem: 1920*1920
• Faixa Espectral: 400-1000nm
• Resolução Espectral (FWHM): 2,5nm
• Número de Canais Espectrais: 1200

Aviso Legal
Este conteúdo é compilado e editado com base em literatura acadêmica pública sob a Nature (Link da Literatura: https://www.nature.com/articles/s41598-026-49928-8). Destina-se exclusivamente à discussão técnica da indústria e ao aprendizado de ciência popular, não constitui qualquer compromisso comercial e não pode servir como base para referência de investimento. Os dados experimentais e conclusões listados no texto podem ser interferidos por múltiplas variáveis, como o ambiente de teste, diferenças individuais das amostras e esquemas de construção de modelos. Se aplicados em cenários reais, os efeitos relevantes devem ser verificados através de testes independentes combinados com casos de uso específicos.