基于高光谱成像与卷积神经网络的印文与字迹时序鉴别方法及其法医学应用

本研究针对文件检验中重叠印章与文字时序判定难题，提出了一种结合高光谱成像（HSI）与卷积神经网络（CNN）的无损检测方法。通过构建多类型交叉序列数据集，采用双层级CNN架构融合空谱特征，实现了印刷文字与手写笔迹同印章叠压时序的高精度区分，分类准确率达97.62%（印刷文本）和96.67%（手写文本），显著优于传统方法，为司法鉴定提供了客观可靠的技术支撑。

　　

为解决司法文件检验中重叠印章与文字形成时序判定的技术难题，一项创新性研究开发了融合高光谱成像（Hyperspectral Imaging, HSI）与卷积神经网络（Convolutional Neural Networks, CNNs）的非破坏性分析方法。研究团队构建了包含60例手写-印章序列和20例印刷文本-印章序列的多类型交叉样本集，所有样本均经过六个月自然老化处理。通过采集400–1000纳米波段范围内叠压区域的光谱响应，并采用 multiplicative scatter correction (MSC) 算法抑制光谱噪声。

研究设计的双层级CNN架构包含：首层卷积模块（64个3×3卷积核）与2×2最大池化层，次层卷积模块（128个3×3卷积核）与同尺寸池化层，最终通过256个神经元的全连接层整合空谱特征，并以Softmax函数实现四分类输出。模型采用Adam优化器（学习率0.001）进行150轮训练，并引入L2正则化（λ = 0.001）防止过拟合。该方法成功区分了激光打印墨粉、中性笔墨水与传统/光敏印章墨水的形成时序，在印刷文本数据集上取得97.62%分类准确率（AUC = 0.9965），手写数据集达96.67%（AUC = 0.9921），显著优于极端学习机（ELM, 90.42%）和长短期记忆网络（LSTM, 96.43%）基线模型。所有非重叠纯样本均实现100%准确分类。特征分析证实CNN能提取高度区分性的空间特征，有效克服传统显微技术的主观性与材料损伤局限性，为司法鉴定领域提供了客观可靠的技术路径。