利用图像处理和机器学习技术结合比色测试对枪击残留物进行法医分析

《Microchemical Journal》:Forensic analysis of gunshot residue using image processing and machine learning with colorimetric tests

【字体: 大 中 小 】 时间:2026年01月19日 来源:Microchemical Journal 5.1

编辑推荐:

  本研究提出一种结合溴吡罗红显色法、数字图像处理与机器学习算法的低成本、客观枪击残留(GSR)分析方法。通过RGB和HSV颜色空间提取样本特征,随机森林和XGBoost模型在二元分类(准确率100%)及Pb(R2=0.95)、Sb(R2=0.73)定量预测中表现最优,线性模型性能较差。LIME技术揭示了蓝色通道和色调对分类的显著影响,验证了该多技术融合框架在法医领域应用的可行性。

  
作者:Jo?o Vítor Szwarc、Maria Eduarda de Oliveira、Timothy Gustavo Cavazzotto、Chalder Nogueira Nunes、Sueli Percio Quinaia 所属机构:巴西巴拉那州瓜拉普阿瓦市中西部州立大学(UNICENTRO)

摘要

本研究提出了一种低成本且客观的分析枪击残留物(GSR)的方法,该方法结合了比罗吡咯红(BPR)比色测试、数字图像处理和机器学习算法。BPR能与Pb2+和Sb3+形成特征明显的有色复合物,而这些元素正是GSR中的关键成分。样本在标准化光照条件下进行拍摄,其颜色信息从RGB和HSV颜色空间中提取出来用于预测建模。评估了多种算法,以实现两个主要目标:(i) 将样本二分类为“有枪击痕迹”或“无枪击痕迹”;(ii) 定量预测Pb和Sb的浓度。在二分类任务中,随机森林(Random Forest)和XGBoost在所有指标(准确率、精确度、灵敏度和特异性)上均表现优异(均为1.000)。在Pb浓度量化方面,随机森林的R2值为0.950,RMSE为5.317,MAE为3.629;XGBoost的R2值为0.946,RMSE为5.645,MAE为3.878。对于Sb的预测,XGBoost的R2值为0.727(RMSE为13.466,MAE为10.003),随机森林的R2值为0.687(RMSE为14.090,MAE为11.452)。线性模型(如Ridge、Lasso和PLS)的预测能力较弱,R2值介于0.36至0.67之间。利用LIME技术对模型进行解释性分析后发现,特定颜色通道(尤其是蓝色(B)和色调(H)对分类结果有显著影响。总体而言,比色法与机器学习的结合为识别和量化GSR样本中的金属元素提供了一种可重复且透明的方法,为法医应用奠定了良好的分析基础。

引言

枪击残留物(GSR)是枪支发射过程中产生的混合物,包含铅(Pb)、锑(Sb)和钡(Ba)等无机元素,以及来自推进剂、底火和润滑剂的有机化合物。其可靠检测对于重建射击事件和支持法医调查至关重要[1][2]。传统的分析技术(如SEM-EDS、ICP-OES等)具有高选择性,但需要昂贵的仪器、复杂的样品制备过程和受过专业训练的人员,这限制了它们在快速或现场分析中的应用[7]。 比色法是一种低成本且易于实施的检测GSR相关成分的方法,但其解释结果往往依赖于主观视觉评估。光照条件、相机配置和分析师的主观判断可能导致结果重复性差。数字图像处理(DIP)可将视觉上的比色变化转化为可量化的变量,从而减少这种主观性[8][9],但所得的多变量数据集可能较为复杂,仍需更先进的分析工具进行准确分类。 机器学习(ML)在处理高维化学和图像数据方面表现出强大能力,提升了模式识别能力、增强了客观性并减少了操作者偏差。它在牙科、DNA分析、文档鉴定和数字法医等多个法医领域得到了广泛应用,展现出显著的优势[10][11][12][13][14][15][16][17]。朴素贝叶斯(Na?ve Bayes)、逻辑回归、支持向量机(SVM)、随机森林和梯度提升(Gradient Boosting)等ML算法在化学计量和分类任务中表现优异[18][19][20][21][22][23]。此外,模型的可解释性已成为法医应用的重要方面,LIME(“局部可解释模型不可知解释”)等工具有助于理解决策过程并支持透明评估[19]。 尽管法医机器学习领域取得了进展,但此前尚未有研究将比色测试、数字图像处理和可解释的机器学习模型结合起来,利用比罗吡咯红作为复合剂来识别枪击残留物。 本文提出了一种综合方法,该方法结合了比罗吡咯红的比色反应、数字图像处理和监督式机器学习算法,以区分“有枪击痕迹”和“无枪击痕迹”的样本。该方法包括在RGB和HSV颜色空间中系统地提取特征、对比多种分类器的性能,并使用可解释性工具实现透明、客观且可重复的GSR检测,从而补充传统分析方法。

样本制备与比色数据采集

本研究方法旨在涵盖受控和具有代表性的场景,以收集和分析真实的枪击残留物样本。共分析了130个样本,并将其分为三组:标准组(n=60)——在受控实验室条件下获取的样本,用于校准和验证分析程序;枪击组(n=30)——在军事警察训练基地采集的样本

探索性分析与样本分类

从处理后的图像中提取了每个样本的颜色成分数据。从化学角度来看,“有枪击痕迹”和“无枪击痕迹”样本之间的区别在于BPR-Pb2+和BPR-Sb3+复合物的形成,这些复合物具有特征性的吸收谱线,导致色调和强度通道发生明显变化。这些变化不符合简单的线性关系,这也解释了线性模型在回归分析中表现较差的原因

结论

研究表明,结合比罗吡咯红比色测试、数字图像处理和机器学习能够实现对枪击残留物的可靠定性和定量分析。随机森林和XGBoost模型能够准确区分“有枪击痕迹”和“无枪击痕迹”的样本,并高精度地预测Pb和Sb的浓度(R2值高达0.95,RMSE在5.3至14.0之间),优于线性模型,进一步证明了非线性方法的优势。LIME技术的应用进一步提升了模型的解释性

作者贡献声明

- Jo?o Vítor Szwarc: 负责撰写、审稿与编辑、初稿撰写、数据可视化、方法验证、软件开发、实验设计、数据分析、概念构建。 - Maria Eduarda de Oliveira: 指导工作、资源协调、实验实施。 - Timothy Gustavo Cavazzotto: 负责撰写、审稿与编辑、数据可视化、结果验证、实验指导、数据管理。 - Chalder Nogueira Nunes: 负责撰写、审稿与编辑、初稿撰写、数据可视化、结果验证、实验指导。

利益冲突声明

作者声明不存在可能影响本研究结果的财务利益冲突或个人关系。

致谢

作者感谢所有为该项目提供支持的机构和个人,包括射击俱乐部和第16军事警察营提供的样本,同时感谢中西部巴拉那州立大学(UNICENTRO)的机构支持,以及CAPES提供的奖学金。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号