La imagen hiperespectral potencia la identificación inteligente de rastros de evidencia de bebidas en forense

Prefacio de Forense
Las manchas de rastros de bebidas como café, jugo y alcohol son ubicuas en las escenas del crimen, lo que hace extremadamente difícil distinguir sus tipos a simple vista. Los métodos de detección tradicionales se basan principalmente en el muestreo y el procesamiento de desarrollo de color químico, lo que puede dañar fácilmente la evidencia física y es perjudicial para la revisión posterior. Nature publicó un estudio que construyó una solución de análisis completa que combina imágenes hiperespectrales, selección de bandas y aprendizaje profundo. Esta solución realizó experimentos de identificación no destructiva en nueve categorías de manchas de bebidas, proporcionando una nueva perspectiva para la detección de rastros en investigaciones criminales. Integrando este estudio, CHNSpec discute el valor de aterrizaje de la tecnología hiperespectral en el campo forense.

I. Dificultades Existentes en la Evidencia Física TradicionalDetección
1. El reconocimiento visual tiene limitaciones significativas. El café y el té, o el whisky y el ron, son visualmente muy similares, lo que hace que la diferenciación manual sea extremadamente difícil;

2. Las pruebas químicas destruyen la forma original de las manchas, lo que impide que la evidencia física sea verificada repetidamente;

3. El equipo de espectrómetro ordinario solo puede realizar adquisiciones de un solo punto, lo que hace que la detección de rastros de área grande consuma mucho tiempo;

4. Las interferencias como las diferencias de color del papel y el secado al aire/oxidación de las manchas dificultan el juicio, dejando una falta de soporte de datos estandarizado.

Las imágenes hiperespectrales se basan en sus ventajas de adquisición sin contacto y de campo completo de huellas dactilares espectrales químicas para compensar las deficiencias anteriores, convirtiéndose en una herramienta óptica práctica para el análisis de rastros.

II. Tareas Centrales Realizadas por Cámaras Hiperespectrales en el Experimento
Este estudio utilizó un dispositivo de imágenes hiperespectrales visible a infrarrojo cercano de 400-1000 nm, equipado con 204 bandas espectrales continuas, para recopilar completamente el cubo de datos espectrales 3D (coordenadas espaciales 2D + curva espectral 1D) de varias manchas. Todo el proceso de adquisición está estandarizado y es reproducible.

1. Adquisición Espectral Estandarizada Multiescenario
El estudio simuló condiciones reales de escena del crimen, controlando uniformemente la temperatura, la humedad, el ángulo de la fuente de luz y el volumen de la gota de la mancha para realizar imágenes en 9 categorías de bebidas (jugo de papaya, café, jugo de granada, jugo de naranja, té, vino tinto, whisky, ron y brandy):

• Los sustratos cubrieron toallas de papel absorbentes blancas, rosas y marrones, incluyendo formas planas y plegadas;
• La adquisición se realizó en 6 intervalos de tiempo de 0 a 5 horas para capturar los cambios espectrales causados por la oxidación y la evaporación;
• Se designó una ROI (Región de Interés) de 1.5x1.5 cm sin reflejos para cada mancha, eliminando los píxeles de interferencia del borde para garantizar la pureza de los datos.

Antes de disparar, se completó la calibración de reflexión del tablero blanco y la calibración de corriente oscura para convertir uniformemente los datos en curvas de reflectancia estandarizadas. Esto eliminó las desviaciones numéricas causadas por el equipo y la iluminación, permitiendo comparaciones horizontales de diferencias espectrales entre diferentes muestras.

2. Captura de Características Espectrales Químicas Invisibles
Cada píxel de imagen genera una curva espectral exclusiva, registrando valores de reflexión en diferentes longitudes de onda para desbloquear diferencias químicas irreconocibles para el ojo humano:

• El vino tinto y el jugo de granada son ricos en antocianinas, lo que resulta en valores de reflexión más bajos en el rango de luz visible de 400-700 nm;
• Los polifenoles del café y el té exhiben características de absorción exclusivas en las bandas azul-verde;
• Las señales distintivas para whisky y ron se concentran en el rango de infrarrojo cercano de 750-900 nm. Son precisamente los datos finos de cientos de bandas continuas los que diferencian dos tipos de manchas de bebidas que parecen muy idénticas al ojo.

3. Construcción de un Conjunto de Datos de Evidencia Estandarizado Completo
El equipo recopiló más de 120,000 muestras espectrales crudas. Después de limpiar el ruido y los píxeles duplicados, se formaron más de 110,000 muestras espectrales válidas, con cada muestra correspondiente a características espectrales de 204 dimensiones, sirviendo como la base de datos original para la posterior selección de bandas y el entrenamiento de aprendizaje profundo. Muestras espectrales suficientes y multivariables apoyan al algoritmo en el aprendizaje de patrones espectrales estables de manchas bajo diferentes sustratos y duraciones de secado al aire, reduciendo las fluctuaciones de reconocimiento causadas por el entorno.

III. Flujo de Algoritmo de Soporte: Reducción de Dimensionalidad + Comparación Multimodelo para Mejorar la Estabilidad de Identificación
Los datos hiperespectrales crudos tienen un gran número de bandas, y existe redundancia entre estas bandas. El modelado directo aumentaría la carga computacional, por lo que el estudio introdujo un esquema de optimización de datos de dos capas.

1. Selección de Bandas ANOVA para Retener Bandas Discriminatorias Efectivas
Se empleó la prueba F de ANOVA para calcular la capacidad discriminatoria de cada banda (varianza entre clases / varianza intra-clase), clasificando las 204 bandas por su rendimiento de diferenciación. A través de pruebas de validación cruzada de 5 pliegues del rendimiento de reconocimiento correspondiente a diferentes números de bandas, se seleccionaron finalmente 162 bandas altamente discriminatorias para el modelado, lo que redujo la escala de cálculo de datos manteniendo el rendimiento de reconocimiento.

2. Verificación Comparativa de Cuatro Tipos de Modelos de Aprendizaje Profundo
Basándose en los datos espectrales seleccionados de 162 dimensiones, se entrenaron cuatro modelos de red convencionales (MLP, 1D-CNN, LSTM y red híbrida CNN-LSTM) con hiperparámetros unificados. Se adoptaron uniformemente precisión, recall, F1-score y precisión general para la evaluación:

• MLP (Perceptrón Multicapa) red totalmente conectada: Mostró un rendimiento estable en el ajuste de características espectrales globales, superando a otros modelos en la clasificación experimental;
  1D-CNN: Sobresalió en la captura de variaciones espectrales locales en bandas adyacentes;
• LSTM: Adecuado para el aprendizaje de características secuenciales de bandas espectrales continuas;
• Estructura híbrida CNN-LSTM: Integró características locales y secuenciales, pero debido a la influencia del volumen de datos, su rendimiento de reconocimiento fue inferior a las redes individuales.
• Al mismo tiempo, las pruebas t pareadas y las pruebas de McNemar verificaron que las diferencias de rendimiento entre los modelos poseían significancia estadística, descartando la interferencia de fluctuación causada por el muestreo aleatorio.

3. Patrones Espectrales que Corroboran las Causas de Confusión en la Identificación
La lógica de clasificación errónea de los modelos se puede ver intuitivamente a partir de las curvas espectrales: las curvas de café y té se superponen fuertemente en el rango de 400-550 nm, y el whisky y el ron muestran solo diferencias sutiles en el rango del infrarrojo cercano. Estos dos pares de muestras son propensos a juicios erróneos mutuos, lo que es consistente con los resultados de la matriz de confusión del modelo, lo que demuestra que los datos espectrales pueden explicar los errores de reconocimiento y mejorar la interpretabilidad de los resultados de identificación.

IV. Valor de Aplicación Central de las Imágenes Hiperespectrales en Evidencia Forense
1. Preservación completa de la evidencia física: todo el proceso no requiere reactivos y no implica contacto con las manchas. Después de la detección, las muestras pueden conservarse para otras identificaciones, cumpliendo con las especificaciones de evidencia física judicial;

2. Mayor eficiencia de investigación: una sola sesión de imágenes recopila el espectro completo de un área de mancha entera sin necesidad de muestreo punto por punto, lo que la hace adecuada para la detección rápida en el sitio;

3. Diferenciación de rastros visualmente similares: cientos de bandas continuas capturan diferencias ópticas sutiles en materia orgánica y pigmentos, resolviendo dilemas de diferenciación visual;

4. Fuerte adaptabilidad ambiental: los experimentos verificaron que el equipo puede adaptarse a manchas con diferentes colores de fondo, pliegues y estados de secado al aire, con potencial futuro para expandirse a telas, credenciales, piel y otros sustratos;

5. Retención digital de datos: los valores espectrales se pueden exportar y archivar, construyendo gradualmente una biblioteca espectral de rastros para lograr una comparación inteligente de muestras.

Recomendación de Producto: Cámara Hiperespectral de Imágenes FigSpecFS-23

• Resolución de Imagen: 1920*1920
• Rango Espectral: 400-1000nm
• Resolución Espectral (FWHM): 2.5nm
• Número de Canales Espectrales: 1200

Descargo de Responsabilidad
Este contenido se compila y edita basándose en literatura académica pública bajo Nature (Enlace a la Literatura: https://www.nature.com/articles/s41598-026-49928-8). Está destinado únicamente a la discusión técnica industrial y al aprendizaje de ciencia popular, no constituye ningún compromiso comercial y no puede servir como base para referencias de inversión. Los datos experimentales y las conclusiones enumeradas en el texto pueden verse interferidos por múltiples variables como el entorno de prueba, las diferencias individuales de las muestras y los esquemas de construcción del modelo. Si se aplica en escenarios reales, los efectos relevantes deben verificarse mediante pruebas independientes combinadas con casos de uso específicos.