Hình ảnh siêu phổ giúp nhận dạng thông minh bằng chứng đồ uống vết trong pháp y

Lời nói đầu về Pháp y
Các vết bẩn của đồ uống như cà phê, nước trái cây và rượu là phổ biến tại hiện trường vụ án, khiến việc phân biệt các loại bằng mắt thường trở nên cực kỳ khó khăn. Các phương pháp phát hiện truyền thống chủ yếu dựa vào lấy mẫu và xử lý phát triển màu hóa học, có thể dễ dàng làm hỏng bằng chứng vật lý và bất lợi cho việc xem xét sau này. Tạp chí Nature đã công bố một nghiên cứu xây dựng một giải pháp phân tích hoàn chỉnh kết hợp chụp ảnh siêu phổ, lựa chọn dải phổ và học sâu. Giải pháp này đã tiến hành các thí nghiệm nhận dạng không phá hủy trên chín loại vết bẩn đồ uống, cung cấp một góc nhìn mới cho việc phát hiện dấu vết trong điều tra hình sự. Tích hợp nghiên cứu này, CHNSpec thảo luận về giá trị ứng dụng của công nghệ siêu phổ trong lĩnh vực pháp y.

I. Khó khăn hiện tại trong bằng chứng vật lý truyền thốngPhát hiện
1. Nhận dạng bằng thị giác có những hạn chế đáng kể. Cà phê và trà, hoặc rượu whisky và rượu rum, có hình ảnh rất giống nhau, khiến việc phân biệt thủ công cực kỳ khó khăn;

2. Kiểm tra hóa học phá hủy hình thức ban đầu của vết bẩn, ngăn bằng chứng vật lý được xác minh lặp đi lặp lại;

3. Thiết bị quang phổ thông thường chỉ có thể thu thập tại một điểm, khiến việc phát hiện dấu vết diện tích lớn tốn thời gian;

4. Sự can thiệp như sự khác biệt màu sắc của giấy và sự khô/oxy hóa của vết bẩn cản trở việc phán đoán, thiếu hỗ trợ dữ liệu tiêu chuẩn hóa.

Chụp ảnh siêu phổ dựa vào lợi thế của việc thu thập không tiếp xúc, toàn trường dấu vân tay phổ hóa học để khắc phục những thiếu sót trên, trở thành một công cụ quang học thiết thực cho phân tích dấu vết.

II. Các nhiệm vụ cốt lõi được thực hiện bởi máy ảnh siêu phổ trong thí nghiệm
Nghiên cứu này đã sử dụng thiết bị chụp ảnh siêu phổ nhìn thấy được đến cận hồng ngoại 400–1000 nm, được trang bị 204 dải phổ liên tục, để thu thập đầy đủ khối dữ liệu phổ 3D (tọa độ không gian 2D + đường cong phổ 1D) của các vết bẩn khác nhau. Toàn bộ quá trình thu thập được tiêu chuẩn hóa và có thể tái tạo.

1. Thu thập phổ tiêu chuẩn hóa đa kịch bản
Nghiên cứu đã mô phỏng các điều kiện hiện trường vụ án thực tế, kiểm soát đồng nhất nhiệt độ, độ ẩm, góc nguồn sáng và thể tích giọt vết bẩn để chụp ảnh 9 loại đồ uống (nước đu đủ, cà phê, nước lựu, nước cam, trà, rượu vang đỏ, rượu whisky, rượu rum và rượu brandy):

• Các chất nền bao gồm khăn giấy thấm hút màu trắng, hồng và nâu, bao gồm cả dạng phẳng và gấp;
• Việc thu thập được thực hiện tại 6 khoảng thời gian từ 0 đến 5 giờ để ghi lại những thay đổi phổ do oxy hóa và bay hơi;
• Một vùng quan tâm (ROI) không phản xạ có kích thước 1,5 × 1,5 cm đã được chỉ định cho mỗi vết bẩn, loại bỏ các pixel nhiễu ở rìa để đảm bảo độ tinh khiết của dữ liệu.

Trước khi chụp, việc hiệu chuẩn phản xạ bảng trắng và hiệu chuẩn dòng tối đã được hoàn thành để chuyển đổi dữ liệu thành các đường cong phản xạ tiêu chuẩn hóa đồng nhất. Điều này loại bỏ sai lệch số do thiết bị và chiếu sáng, cho phép so sánh ngang sự khác biệt phổ giữa các mẫu khác nhau.

2. Ghi lại các đặc điểm phổ hóa học vô hình
Mỗi pixel hình ảnh tạo ra một đường cong phổ độc quyền, ghi lại các giá trị phản xạ ở các bước sóng khác nhau để khám phá sự khác biệt hóa học mà mắt người không nhận ra:

• Rượu vang đỏ và nước lựu rất giàu anthocyanin, dẫn đến giá trị phản xạ thấp hơn trong phạm vi ánh sáng nhìn thấy 400–700 nm;
• Polyphenol trong cà phê và trà thể hiện đặc điểm hấp thụ độc quyền trong các dải màu xanh lam-xanh lục;
• Các tín hiệu phân biệt cho rượu whisky và rượu rum tập trung trong phạm vi cận hồng ngoại 750–900 nm. Chính dữ liệu chi tiết từ hàng trăm dải liên tục đã phân biệt hai loại vết bẩn đồ uống trông giống hệt nhau bằng mắt thường.

3. Xây dựng một bộ dữ liệu bằng chứng tiêu chuẩn hóa hoàn chỉnh
Thiết bị đã thu thập hơn 120.000 mẫu phổ thô. Sau khi làm sạch nhiễu và các pixel trùng lặp, hơn 110.000 mẫu phổ hợp lệ đã được hình thành, với mỗi mẫu tương ứng với các đặc trưng phổ 204 chiều, đóng vai trò là nền tảng dữ liệu gốc cho việc lựa chọn dải phổ và huấn luyện học sâu sau này. Các mẫu phổ đủ, đa biến hỗ trợ thuật toán học các mẫu phổ ổn định của vết bẩn dưới các chất nền và thời gian khô khác nhau, giảm dao động nhận dạng do môi trường gây ra.

III. Luồng thuật toán hỗ trợ: Giảm chiều + So sánh đa mô hình để tăng cường độ ổn định nhận dạng
Dữ liệu siêu phổ thô có số lượng dải lớn và có sự dư thừa giữa các dải này. Mô hình hóa trực tiếp sẽ làm tăng gánh nặng tính toán, vì vậy nghiên cứu đã giới thiệu một kế hoạch tối ưu hóa dữ liệu hai lớp.

1. Lựa chọn dải phổ ANOVA để giữ lại các dải phân biệt hiệu quả
Kiểm định F của ANOVA đã được sử dụng để tính toán khả năng phân biệt của mỗi dải (phương sai giữa các lớp / phương sai trong lớp), xếp hạng 204 dải theo hiệu suất phân biệt của chúng. Thông qua kiểm tra xác thực chéo 5 lần về hiệu suất nhận dạng tương ứng với số lượng dải khác nhau, cuối cùng đã chọn 162 dải có khả năng phân biệt cao để mô hình hóa, điều này làm giảm quy mô tính toán dữ liệu trong khi vẫn duy trì hiệu suất nhận dạng.

2. Xác minh so sánh bốn loại mô hình học sâu
Dựa trên dữ liệu phổ 162 chiều đã chọn, bốn mô hình mạng chính thống — MLP, 1D-CNN, LSTM và mạng lai CNN-LSTM — đã được huấn luyện với các siêu tham số thống nhất. Độ chính xác, độ thu hồi, điểm F1 và độ chính xác tổng thể đã được áp dụng thống nhất để đánh giá:

• MLP (Mạng đa lớp): Mạng kết nối đầy đủ: Thể hiện hiệu suất ổn định trong việc khớp các đặc trưng phổ toàn cục, vượt trội hơn các mô hình khác trong phân loại thực nghiệm;
  1D-CNN: Xuất sắc trong việc nắm bắt các biến thể phổ cục bộ ở các dải liền kề;
• LSTM: Phù hợp với việc học đặc trưng tuần tự của các dải phổ liên tục;
• Cấu trúc lai CNN-LSTM: Tích hợp các đặc trưng cục bộ và tuần tự, nhưng do ảnh hưởng của khối lượng dữ liệu, hiệu suất nhận dạng của nó kém hơn các mạng đơn lẻ.
• Đồng thời, các bài kiểm tra t theo cặp và bài kiểm tra McNemar đã xác minh rằng sự khác biệt về hiệu suất giữa các mô hình có ý nghĩa thống kê, loại trừ sự can thiệp dao động do lấy mẫu ngẫu nhiên.

3. Các mẫu phổ xác nhận nguyên nhân gây nhầm lẫn nhận dạng
Logic phân loại sai của các mô hình có thể được nhìn thấy một cách trực quan từ các đường cong phổ: các đường cong của cà phê và trà chồng lên nhau nhiều trong phạm vi 400–550 nm, và rượu whisky và rượu rum chỉ có sự khác biệt tinh tế trong phạm vi cận hồng ngoại. Hai cặp mẫu này dễ bị nhầm lẫn lẫn nhau, điều này phù hợp với kết quả ma trận nhầm lẫn của mô hình, chứng minh rằng dữ liệu phổ có thể giải thích lỗi nhận dạng và tăng cường khả năng diễn giải của kết quả nhận dạng.

IV. Giá trị ứng dụng cốt lõi của chụp ảnh siêu phổ trong bằng chứng pháp y
1. Bảo quản toàn bộ bằng chứng vật lý: Toàn bộ quá trình không yêu cầu thuốc thử và không tiếp xúc với vết bẩn. Sau khi phát hiện, mẫu có thể được bảo quản cho các nhận dạng khác, tuân thủ các quy định về bằng chứng vật lý tư pháp;

2. Nâng cao hiệu quả điều tra: Một lần chụp ảnh thu thập toàn bộ phổ của toàn bộ khu vực vết bẩn mà không cần lấy mẫu từng điểm, phù hợp với việc sàng lọc nhanh tại hiện trường;

3. Phân biệt các dấu vết giống nhau về mặt thị giác: Hàng trăm dải liên tục ghi lại sự khác biệt quang học tinh tế trong vật chất hữu cơ và sắc tố, giải quyết các tình huống khó khăn trong việc phân biệt bằng mắt thường;

4. Khả năng thích ứng mạnh mẽ với môi trường: Các thí nghiệm đã xác minh rằng thiết bị có thể thích ứng với các vết bẩn có màu nền, nếp gấp và trạng thái khô khác nhau, với tiềm năng mở rộng trong tương lai sang vải, giấy tờ tùy thân, da và các chất nền khác;

5. Lưu trữ dữ liệu kỹ thuật số: Giá trị phổ có thể được xuất và lưu trữ, dần dần xây dựng một thư viện phổ dấu vết để đạt được so sánh mẫu thông minh.

Đề xuất sản phẩm: Máy ảnh siêu phổ FigSpecFS-23

• Độ phân giải hình ảnh: 1920*1920
• Phạm vi phổ: 400-1000nm
• Độ phân giải phổ (FWHM): 2,5nm
• Số kênh phổ: 1200

Tuyên bố miễn trừ trách nhiệm
Nội dung này được biên soạn và chỉnh sửa dựa trên tài liệu học thuật công khai trên Nature (Liên kết tài liệu: https://www.nature.com/articles/s41598-026-49928-8). Nó chỉ dành cho mục đích thảo luận kỹ thuật ngành và học khoa học phổ thông, không cấu thành bất kỳ cam kết thương mại nào và không thể làm cơ sở tham khảo đầu tư. Dữ liệu và kết luận thực nghiệm được liệt kê trong văn bản có thể bị ảnh hưởng bởi nhiều biến số như môi trường thử nghiệm, sự khác biệt cá nhân của mẫu và các kế hoạch xây dựng mô hình. Nếu được áp dụng trong các tình huống thực tế, các hiệu ứng liên quan phải được xác minh thông qua thử nghiệm độc lập kết hợp với các trường hợp sử dụng cụ thể.