Машинне навчання і можливість його застосування для криміналістичних досліджень вогнепальної зброї
DOI:
https://doi.org/10.32353/khrife.2.2024.03Ключові слова:
криміналістичне дослідження вогнепальної зброї; балістична ідентифікація; оцінювання відстані пострілу; машинне навчання; нейронна мережа; класифікація; кластеризація; регресія.Анотація
Роль машинного навчання для сучасного суспільства складно переоцінити, особливо зважаючи на те, що останніми роками ця роль постійно зростає. Різноманітні моделі машинного навчання застосовують як у повсякденному житті, так і для розв’язання прикладних, конструкторських і наукових проблем. Водночас для більшості фахівців у різноманітних галузях знань, зокрема для спеціалістів із криміналістичного дослідження зброї, методи й можливості машинного навчання до сьогодні залишаються маловідомими. У статті розглянуто базові завдання, виконанню яких сприятимуть методи машинного навчання, а також наведено приклади завдань, які постають перед експертами під час проведення криміналістичних досліджень вогнепальної зброї та які можна розв’язати за допомогою згаданих методів. Метою статті є ознайомити фахівців у галузі криміналістики з основними можливостями методів машинного навчання. Продемонстровано також, у розв’язанні яких саме типів завдань криміналістичного дослідження зброї ці методи доцільно застосовувати і що для цього потрібно. Для досягнення поставленої мети застосовано загальнонаукові (діалектичний, порівняння, аналіз, синтез, індукцію, дедукцію) і спеціальні наукові методи (формально-логічний, системно-структур-ний), а також спеціальні знання та навички з оперування методами криміналістичної ідентифікації (зокрема, балістики, мікроскопічних порівняльних досліджень слідів на кулях і гільзах, виявлення й дослідження продуктів пострілу з метою визначити дистанцію пострілу тощо), принципами машинного навчання та математичними алгоритмами, використовуваними для побудови різних моделей.
Посилання
Banno, A. (2004). Estimation of Bullet Striation Similarity Using Neural Networks. Journal of Forensic Sciences. Vol. 49. Is. 3. DOI: 10.1520/ JFS2002361.
Barash, M., McNevin, D., Fedorenko, V., Giverts, P. (2024). Machine learning applications in forensic DNA profiling: A critical review. Forensic Science International: Genetics. Vol. 69. Art. 102994. DOI: 10.1016/j. fsigen.2023.102994.
Carriquiry A., Hofmann H., Tai X. H., Van derPlas S. (2019). Machine learning in forensic applications. Significance. Vol. 16. Is. 2. DOI: 10.1111/j.17409713.2019.01252.x.
Chen, Zh., Chu, W., Soons, J. A., Thompson, R. M., Song, J., Zhao, X. (2019). Fired bullet signature correlation using the Congruent Matching Profile Segments (CMPS) method. Forensic Science International. Vol. 305. Art. 109964. DOI: 10.1016/j.forsciint.2019.109964.
Chen, Zh., Song, J., Soons, J. A., Thompson, R. M., Zhao, X. (2020). Pilot study on deformed bullet correlation. Forensic Science International. Vol. 306. Art. 110098. DOI: 10.1016/j. forsciint.2019.110098.
Chu, W., Tong, M., Song, J. (2013). Validation Tests for the Congruent Matching Cells (CMC) Method Using Cartridge Cases Fired with Consecutively Manufactured Pistol Slides. Journal of the Association of Firearms and Toolmarks Examiners. Vol. 45. Is. 4. URL: https://www.nist.gov/publications/validationtestscongruentmatchingcellscmcmethodusingcartridgecasesfired.
Chugh, T., Cao, K., Zhou, J., Tabassi, E., Jain, A. K. (2018). Latent Fingerprint Value Prediction: CrowdBased Learning. IEEE Transactions on Information Forensics and Security. Vol. 13. Is. 1. DOI: 10.1109/ TIFS.2017.2721099.
Cuellar, M., Gonzalez, C., Dror, I. E. (2022). Human and machine similarity judgments in forensic firearm comparisons. Forensic Science International: Synergy. Vol. 5. DOI: 10.1016/j.fsisyn.2022.100283.
Dror, I. E. (2023). The most consistent finding in forensic science is inconsistency. Journal of Forensic Sciences. Vol. 68. Is. 6. DOI: 10.1111/15564029.15369.
Dror, I. E., Scurich, N. (2020). (Mis) use of scientific measurements in forensic science. Forensic Science International: Synergy. Vol. 2. DOI: 10.1016/j.fsisyn.2020.08.006.
Durou, A., AlMaadeed, S., Aref, I., Bouridane, Ah., Elbendak, M. (2019). A Comparative Study of Machine Learning Approaches for Handwriter Identification. 12th International Conference on Global Security, Safety and Sustainability (ICGS3). IEEE (London, UK, 16—18 Jan 2019). DOI:10.1109/ ICGS3.2019.8688032.
Ezeobiejesi, J. C. (2019). Deep Learning for the Analysis of Latent Fingerprint Images. University of California Riverside. URL: https://escholarship.org/uc/item/564185wc.
Giudice, O., Guarnera, L., Paratore, A. B., Farinella, G. M., Battiato, S. (2019). Siamese Ballistics Neural Network. International Conference on Image Processing (ICIP). IEEE (Taipei, Taiwan, 22—25 Sept 2019). DOI: 10.1109/ICIP.2019.8803619.
Giverc, P., Griber, A. (2021). Primenenie ma shinnogo obucheniya pri issledovanii akusticheskih signalov ognestrelnogo oruzhiya [Application of machine learning in the study of acoustic signals of firearms]. Aktualni pytannia sudovoi ekspertyzy i kryminalistyky : zb. matliv mizhnar. nauk.prakt. konf.polilohu (Kharkiv, 15—16.04.2021) Kharkiv. URL: https://www.hniise.gov. ua/uploads/files/publicfolder/2021_tezy_konference%20in%20print5.pdf [in Russian].
Giverts, P., Eckert, J., Sofer, S., Solewicz, Y. (2022). Preliminary Investigation of Acoustic Identification of Firearms Mechanisms and its Application to Case Investigations. AFTE Journal. Vol. 53. Is. 4. URL: https://www.researchgate.net/publication/358931773_Preliminary_Investigation_of_Acoustic_Identification_of_Firearms_Mechanisms_and_its_Application_to_Case_Investigation.
Giverts, P., Sofer, S., Solewicz, Y., Varer, B. (2020). Firearms identification by the acoustic signals of their mechanisms. Forensic Science International. Vol. 306. Art. 110099. DOI: 10.1016/j.forsciint.2019.110099.
Giverts, P., Sorokina, K., Fedorenko, V. (2022). Examination of the possibility to use Siamese networks for the comparison of firing pin marks. Journal of Forensic Sciences. Vol. 67. Is. 6. DOI: 10.1111/1556 4029.15143.
Jadon, Sр., Garg, A. (2020). HandsOn Oneshot Learning with Python. Birmingham : Packt Publishing Ltd.
Kamaruddin, S. B. Ah., Ghanib, N. A., Liong, Ch.Y., Jemain, A. A. (2012). Firearm Classification using Neural Networks on Ring of Firing Pin Impression Images. ADCAIJ: Advances in Distributed Computing and Artificial Intelligence Journal. Vol. 1. No. 3. DOI: 10.14201/ADCAIJ20121312734.
Kingston, Ch. (1992). Neural Networks in Forensic Science. Journal of Forensic Sciences. Vol. 37. Is. 1. DOI: 10.1520/jfs13232j.
Le Bouthillier, M.E., Hrynkiw, L., Beauchamp, A., Duong, L., Ratté, S. (2023). Automated detection of regions of interest in cartridge case images using deep learning. Journal of Forensic Sciences. Vol. 68. Is. 6. DOI: 10.1111/15564029.15319.
Lemos, N., Shah, K., Rade, R., Shah, D. (2018). Personality Prediction based on Handwriting using Machine Learning. International Conference on Computational Techniques, Electronics and Mechanical Systems (CTEMS). IEEE (Belgaum, India, 21—22 Dec 2018). DOI: 10.1109/ CTEMS.2018.8769221.
Li, D. (2006). A New Approach for Firearm Identification with Hierarchical Neural Networks Based on Cartridge Case Images. 5th IEEE International Conference on Cognitive Informatics. IEEE (Beijing, China, 17—19 July 2006). Vol. 2. DOI: 10.1109/ COGINF.2006.365616.
Marciano, M. A., Adelman, J. D. (2017). PACE: Probabilistic Assessment for Contributor Estimation — A machine learningbased assessment of the number of contributors in DNA mixtures. Forensic Science International: Genetics. Vol. 27. DOI: 10.1016/j.fsigen.2016.11.006.
Margagliotti, G., Bollé, T. (2019). Machine learning & forensic science. Forensic Science International. Vol. 298. DOI: 10.1016/ j.forsciint.2019.02.045.
Osterburg, J. W. (1969). The Evaluation of Phisical Еvidenve in Сriminalistics: Subjective or Objective Process? The Journal of Criminal Law, Criminalogy and Police Science. Vol. 60. No. 1. DOI: 10.2307/1141742.
Petraco, N. D. K, Chan, H., De Forest, P. R., Diaczuk, P., Gambino, C., Hamby, J., Kammerman, F. L., Kammrath, B. W., Ku bic, T. A., Kuo, L., et al. (2011). Application of Machine Learning to Toolmarks: Statistical ly Based Methods for Impression Pattern Comparisons. Final Report. U. S. Department of Justice. URL: https://www.ojp.gov/ pdffiles1/nij/grants/239048.pdf.
Pisantanaroj, P., Tanpisuth, P., Sinchavanwat, P., Phasuk, S., Phienphanich, Ph., Jangtawee, P., Yakoompai, K., Donphoongpi, M., Ekgasit, S., Tantibundhit, Ch. (2020). Automated Firearm Classification From Bullet Markings Using Deep Learning. IEEE Access. Vol. 8. Art. 78236—78251. DOI: 10.1109/ ACCESS.2020.2989673.
Report to the President’s. Forensic Science in Criminal Courts: Ensuring Scientific Validity of FeatureComparison Methods. (2016). URL: https://obamawhitehouse.archives.gov/sites/ default/files/microsites/ostp/PCAST/pcast_forensic_science_report_final.pdf.
Sharma, A., Kaur, M. (2018). Automatic segmentation for separation of overlapped latent fingerprints. International Journal of Computer Sciences and Engineering. Vol. 6. Is. 7. DOI: 10.26438/ijcse/v6i7.484490.
Song, J., Song, H. (2023). Reporting likelihood ratio for casework in firearm evidence identification. Journal of Forensic Sciences. Vol. 68. Is. 2. Pp. 399—406. DOI: 10.1111/1556 4029.15186.
Stojanović, B., Marques, O., Nešković, A., Puzović, S. (2016). Fingerprint ROI segmentation based on deep learning. 24th Telecommunications Forum (TELFOR). IEEE (Belgrade, Serbia,22—23 Nov 2016). DOI: 10.1109/TELFOR.2016.7818799.
Strengthening Forensic Science in the United States: A Path Forward. (2009). Washington, D. C. DOI: 10.17226/12589.
Tong, M., Song, J., Chu, W., Thompson, R. M. (2014). Fired Cartridge Case Identification Using Optical Images and the Congruent Matching Cells (CMC) Method. Journal of Research of the National Institute of Standards and Technology. Vol. 119. Art. 575. DOI: 10.6028/jres.119.023.
Varer, B., Giverts, P. (2021). The Comparison of Feature Engineering Methods Used for Acoustic Identification of Firearms. International Conference on Information and Telecommunication Technologies and Radio Electronics (UkrMiCo). IEEE (Odesa, Ukraine, 29 Nov 2021). DOI: 10.1109/ UkrMiCo52950.2021.9716587.
Wang, S., Jia, Sh. (2019). Signature handwriting identification based on generative adversarial networks. Journal of Physics: Conference Series. Vol. 1187. Is. 4. Art. 042047. DOI: 10.1088/1742 6596/1187/4/042047.
Wen, Zh., Curran, J. M., Harbison, S.A., Wevers, G. E. (2023). Classification of firing pin impressions using HOGSVM. Journal of Forensic Sciences. Vol. 68. Is. 6. DOI: 10.1111/15564029.15377.
Wong, W. J., Lai, Sh.H. (2020). Multitask CNN for restoring corrupted fingerprint images. Pattern Recognition. Vol. 101. Art. 107203. DOI: 10.1016/j.patcog.2020.107203.
Yih, Ch.H., Hung, J.L., Wu, J.A., Chen, L.M. (2018). Overlapped Fingerprint Separation Based on Deep Learning. International Conference on Digital Medicine and Image Processing (Okinawa, Japan, Nov 12—14, 2018). DOI: 10.1145/3299852.3299857.
