Федоренко Владимир Александрович – к.ф.-м.н., доцент, заведующий учебно-научной лабораторией криминалистического материаловедения института физики
Саратов 410012
Fedorenko Vladimir Aleksandrovich – Candidate of Physico-Mathematical Sciences, Associate Professor, Head of Educational and Scientific Laboratory of Forensic Materials Engineering
Saratov 410012
Сорокина Ксения Олеговна – программист учебно-научной лаборатории криминалистического материаловедения института физики
Саратов 410012
Sorokina Ksenia Olegovna – Programmer of Educational and Scientific Laboratory of Forensic Materials Engineering
Saratov 410012
Навроцкая Елена Владимировна – к.ф.-м.н., программист учебно-научной лаборатории криминалистического материаловедения, доцент кафедры динамического моделирования и биомедицинской инженерии
Саратов 410012
Navrotskaya Elena Vladimirovna – Candidate of Physico-Mathematical Sciences, Programmer of the Educational and Scientific Laboratory of Forensic Materials Engineering
Saratov 410012
Грибер Александра Леонидовна - эксперт по огнестрельному оружию
Иерусалим 9721247
Griber Alexandra Leonidovna – B.Sc. и MBA, Firearm Expert
Jerusalem 9721247
Целью работы является отработка алгоритма автоматического преобразования изображений следов полей нарезов, представленных в градациях серого, в бинарный вид таким образом, как их анализирует эксперт. Задачей является исследование возможности бинаризации изображений вторичных следов с помощью алгоритма семантической бинарной сегментации, реализованного на основе сверточной нейронной сети. Обучающая выборка включала 160 изображений вторичных следов, представленных в градациях серого и сформированных разными полями нарезов. Для аугментации обучающей выборки использовали генератор изображений вторичных следов. Проведенные расчеты показали, что точность бинаризации изображений вторичных следов составила, в соответствии с метриками: Accuracy = 0,88 ± 0,05; Recall = 0,76 ± 0,06; Precision = 0,83 ± 0,06; F1 = 0,79 ± 0,05; MCC = 0,71 ± 0,06.
Бинаризация изображений необходима для сравнения в автоматическом режиме вторичных следов с помощью одного из алгоритмов машинного обучения. Целью такого процесса может являться бинарная классификация по категориям «следы совпадающие» и «следы не совпадающие». Предварительное исследование показало, что, в соответствии с метрикой Accuracy, точность классификации пар изображений вторичных следов по данным категориям, проведенной с помощью алгоритма “случайный лес”, достигает 84–86%.
The aim of this work is to develop an algorithm for automatically converting grayscale rifling marks into binary data in the way they are analyzed by an expert. The objective of this study is to explore the feasibility of image binarization of secondary traces using a semantic binary segmentation algorithm implemented on the basis of a convolutional neural network. The training set included 160 images of secondary traces, represented in grayscale and formed by different rifling marks. The secondary trace image generator was used to augment the training set. The calculations done in accordance with the metrics showed the following accuracy of image binarization of secondary traces: Accuracy = 0,88 ± 0,05; Recall = 0,76 ± 0,06; Precision = 0,83 ± 0,06; F1 = 0,79 ± 0,05; MCC = 0,71 ± 0,06. The binarization of images is necessary for automatic comparison of secondary traces using one of the machine learning algorithms for the purpose of their binary classification into the categories of “matching traces” and “non-matching traces”. The preliminary examination showed that the classification accuracy of pairs of secondary trace images by these categories, carried out using the Random Forest algorithm, was around 84–86%.
The authors declare that there are no conflicts of interest present.