Бинаризация изображений следов полей нарезов с помощью сверточной нейронной сети

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%.

1. Дильдин Ю.М., Мартынов В.В. Типовые экспертные методики исследования вещественных доказательств. Часть 1. М.: Интеркрим-пресс, 2010. 568 с.

2. Кокин А.В., Ярмак К.В. Судебная баллистика и судебно-баллистическая экспертиза : учебник. М.: Юнити-дана: Закон и право, 2017. 350 с.

3. Chen Z., Chu W., Soons J.A., Thompson R.M., Song J., Zhao X. Fired Bullet Signature Correlation Using the Congruent Matching Profile Segments (CMPS) Method // Forensic Science International. 2019. Vol. 305. P. 10–19. https://doi.org/10.1016/j.forsciint.2019.109964

4. Chen Z., Song J., Soons J.A., Thompson R.M., Zhao X. Pilot Study on Deformed Bullet Correlation // Forensic Science International. 2020. Vol. 306. P. 1–11. https://doi.org/10.1016/j.forsciint.2019.110098

5. Biasotti A.A. Statistical Study of the Individual Characteristics of Fired Bullets // Journal of Forensic Sciences. 1959. Vol. 4. No. 1. P. 34–50.

6. Федоренко В.А., Навроцкая Е.В. Критерии и алгоритм оценки уникальности комплексов совпадающих трасс в следах на выстреленных пулях // Информационные технологии и вычислительные системы. 2019. № 1. C. 110–120. https://doi.org/10.14357/20718632190110

7. Hare E., Hofmann H., Carriquiry A. Algorithmic Approaches to Match Degraded Land Impressions // Law, Probability and Risk. 2017. Vol. 16. No. 4. P. 203–221. https://doi.org/10.1093/lpr/mgx018

8. Hare E., Hofmann H., Carriquiry A. Automatic Matching of Bullet Land Impressions // The Annals of Applied Statistics. 2017. Vol. 11. No. 4. P. 2332–2356. https://doi.org/10.1214/17-AOAS1080

9. Fedorenko V., Sorokina K., Giverts P. Analysis of Traces on Discharged Bullets by the Congruent Matching Profile Segments Method and k-Nearest Neighbors // Programming and Computer Software. 2023. Vol. 49. No. 2. P. 72–81. https://doi.org/10.1134/S036176882310002X

10. Федоренко В.А., Сорокина К.О., Гиверц П.В. Анализ следов на выстреленных пулях методами конгруэнтно совпадающих сегментов профилей и k-ближайших соседей // Информационные технологии и вычислительные системы. 2021. № 1. С. 70–82. https://doi.org/10.14357/20718632210108

11. Гонсалес Р., Вудс Р. Мир цифровой обработки. Цифровая обработка изображений / пер. с англ.; под ред. П.А. Чочиа. М.: Техносфера, 2019. 1104 с.

12. Китов В.В. Аугментация данных // Машинное и глубокое обучение. Онлайн-учебник. https://deepmachinelearning.ru/docs/Neural-networks/Regularization/Augmentation