การถ่ายภาพแบบไฮเปอร์สเปคตรัล ทําให้สามารถระบุหลักฐานของเครื่องดื่มในทางวิจัยคดีได้อย่างฉลาด

หลักฐานทางคดี
คล่องรอยของเครื่องดื่ม เช่น กาแฟ น้ําสับ และแอลกอฮอล์ อยู่ทั่วทุกที่ที่เกิดเหตุ ทําให้แยกประเภทของพวกมันด้วยตาเปล่าเป็นเรื่องยากมากวิธีการตรวจพบแบบดั้งเดิมส่วนใหญ่พึ่งพาการเก็บตัวอย่างและการประมวลผลการพัฒนาสีทางเคมีซึ่งสามารถทําลายหลักฐานทางกายภาพได้ง่าย และเป็นอันตรายต่อการตรวจสอบในภายหลังการเลือกวงจรและการเรียนรู้ที่ลึก ทางแก้ไขนี้นําการทดลองการระบุที่ไม่ทําลายล้างไปสู่เก้าประเภทของคราบเครื่องดื่มการให้มุมมองใหม่สําหรับการสืบสวนอาญา การค้นพบหลักฐานตามร่องรอยโดยรวมการศึกษานี้ CHNSpec พิจารณาถึงมูลค่าการลงทุนของเทคโนโลยีไฮเปอร์สเปคตรัลในสาขาวิชาการคดี

I. ความยากลําบากที่เกิดขึ้นในหลักฐานทางกายภาพประเพณีการตรวจพบ
1การจําแนกทางสายตามีข้อจํากัดที่สําคัญ กาแฟและชา หรือวิสกี้และรัม มีภาพที่คล้ายกันมาก ทําให้การแยกทางมือเป็นเรื่องยากมาก

2การทดสอบทางเคมีทําลายรูปแบบเดิมของคราบ ทําให้หลักฐานทางกายภาพไม่สามารถตรวจสอบได้ซ้ําๆ

3อุปกรณ์สเปคเตอร์เมตรทั่วไปสามารถทําการสืบสานได้เพียงจุดเดียว ทําให้การตรวจพบรอยในพื้นที่ใหญ่ใช้เวลามาก

4การขัดขวาง เช่น ความแตกต่างของสีกระดาษและการเปียก / การออกซิเดนอากาศของคราบบกวนการตัดสิน, ทําให้ขาดการสนับสนุนข้อมูลมาตรฐาน

การถ่ายภาพแบบยี่ห้อพีชชันพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานพีชานกลายเป็นเครื่องมือทางออปติกที่ใช้ได้สําหรับการวิเคราะห์หลักฐาน.

II. ภารกิจหลักที่ใช้กล้องไฮเปอร์สเปคตรัลในการทดลอง
การศึกษานี้ใช้อุปกรณ์การถ่ายภาพแบบความยาวเกิน 400 ‰ 1000 nm ที่มองเห็นถึงความยาวใกล้อินฟราเรด พร้อมกับช่วงสีสเปคตรัลต่อเนื่อง 204 ช่วงเพื่อรวบรวมข้อมูลสเปคตรัล 3 มิติ (พิกัดสเปคตรัล 2 มิติ + คอร์บสเปคตรัล 1 มิติ) ของสีสันต่างๆกระบวนการการจัดหาทั้งหมดถูกมาตรฐานและสามารถนํามาเล่นได้

1.การรับรู้สเปคตรอลแบบมาตรฐานหลายฉาก
การศึกษาจําลองสถานที่เกิดเหตุจริง ควบคุมอุณหภูมิ ความชื้น มุมแหล่งแสงและปริมาตรของน้ําฝรั่งสี เพื่อทําการถ่ายภาพใน 9 ประเภทของเครื่องดื่ม (น้ําพริกปาปายา), กาแฟ, น้ํามันมะพร้าว, น้ํามันส้ม, ชา, ไวน์แดง, วิสกี้, รัม, และบรันดี้):

• สับสราทที่ครอบคลุมผ้าเช็ดกระดาษซึมสีขาว, สีชมพูและสีน้ําตาล รวมทั้งรูปแบบเรียบและพับ
• การสืบสานได้ดําเนินการในระยะเวลา 6 ครั้ง ตั้งแต่ 0 ถึง 5 ชั่วโมง เพื่อจับภาพการเปลี่ยนแปลงสายสีที่เกิดจากการออกซิเดนและการเหยื่อ
• การกําหนด ROI (ภูมิภาคที่มีความสนใจ) ที่ไม่สะท้อน 1.5 × 1.5 ซม. สําหรับแต่ละสี, การกําจัดพิกเซลการขัดขวางขอบเพื่อให้แน่ใจว่าข้อมูลบริสุทธิ์.

ก่อนการถ่ายภาพ การปรับระดับการสะท้อนกระดานสีขาว และการปรับระดับกระแสสีดําถูกทําสําเร็จเพื่อแปลงข้อมูลเป็นเส้นโค้งการสะท้อนแบบมาตรฐานวิธีนี้กําจัดการเบี่ยงเบนจํานวนที่เกิดจากอุปกรณ์และแสง, ทําให้สามารถเปรียบเทียบแนวราบของความแตกต่างสายสีระหว่างตัวอย่างที่แตกต่างกัน

2. การจับลักษณะสายสีเคมีที่มองไม่เห็น
แต่ละพิกเซลในการถ่ายภาพสร้างเส้นโค้งสายสีเฉพาะ โดยบันทึกค่าการสะท้อนในระยะความยาวคลื่นที่แตกต่างกัน เพื่อปลดปล่อยความแตกต่างทางเคมีที่มองไม่เห็น

• ไวน์แดงและน้ํามันมะนาวอุดมไปด้วยสารแอนโตซิอานิน ส่งผลให้มีค่าการสะท้อนที่ต่ํากว่าในช่วงแสงที่มองเห็นได้ 400-700 nm
• โพลีเฟนอลกาแฟและชาแสดงลักษณะการดูดซึมเฉพาะในช่วงสีฟ้าเขียว
• สัญญาณที่แยกแยกสําหรับไวสกี้และโรมมุ่งเน้นในช่วง 750 ∼ 900 nm ใกล้อินฟราเรดมันคือข้อมูลที่ละเอียดจากแดนต่อเนื่องเป็นร้อยๆ ที่แยกแยก 2 ประเภทของคราบของเครื่องดื่ม ที่ดูคล้ายกันมากกับตา.

3การสร้างข้อมูลหลักฐานมาตรฐานที่สมบูรณ์แบบ
อุปกรณ์ได้รวบรวมตัวอย่างสายสีแพร่กว่า 120,000 ตัว หลังจากทําความสะอาดเสียงและพิกเซลซ้ําแล้วโดยตัวอย่างแต่ละตัวตรงกับลักษณะสายสีขนาด 204 มิติ, ที่ใช้เป็นพื้นฐานข้อมูลเดิมสําหรับการเลือกแบนด์และการฝึกอบรมการเรียนรู้ลึกตัวอย่างสายสีหลายตัวแปรสนับสนุนอัลกอริทึมในการเรียนรู้รูปแบบสายสีที่มั่นคงของคราบภายใต้พื้นฐานที่แตกต่างกันและระยะเวลาการแห้งด้วยอากาศ, ลดความสับสนในการยอมรับที่เกิดจากสิ่งแวดล้อม

III. การสนับสนุนการไหลของอัลการิธม์: การลดขนาด + การเปรียบเทียบหลายแบบเพื่อเพิ่มความมั่นคงในการระบุ
ข้อมูลแพร่มีจํานวนมากของแดน และมีส่วนลดระหว่างแดนเหล่านี้ การจําลองโดยตรงจะเพิ่มภาระการคํานวณดังนั้นการศึกษาจึงนําเสนอแผนการปรับปรุงข้อมูลสองชั้น.

1.ANOVA การคัดเลือกวงการเพื่อรักษาวงการแบ่งแยกที่มีประสิทธิภาพ
การทดสอบ ANOVA F-test ได้ถูกใช้ในการคํานวณความสามารถในการแยกแยกของแต่ละวง (ความแตกต่างระหว่างชั้น / ความแตกต่างภายในชั้น) โดยจัดอันดับ 204 วงตามผลการแยกแยกของพวกเขาผ่านการทดสอบการรับรองข้าม 5 ครั้งของผลงานการจําแนกที่ตรงกับจํานวนช่วงที่แตกต่างกัน, 162 แบนด์ที่มีความแตกต่างสูงสุดท้ายถูกเลือกสําหรับการจําลอง, ซึ่งลดขนาดของการคํานวณข้อมูลโดยยังคงผลการจําแนก.

2.การตรวจสอบการเปรียบเทียบของสี่ประเภทของรุ่น Deep Learning
จากข้อมูลสายสีที่เลือกได้ 162 มิติ รูปแบบเครือข่ายหลักสี่แบบ คือ MLP, 1D-CNN, LSTM และ CNN-LSTM เครือข่ายไฮบริดคะแนน F1, และความแม่นยําโดยทั่วไปถูกรับรองอย่างเท่าเทียมกันสําหรับการประเมิน:

• MLP (Multilayer Perceptron) เครือข่ายที่เชื่อมต่อกันอย่างสมบูรณ์: แสดงผลงานที่มั่นคงในการปรับลักษณะสายสีทั่วโลก, เกินผลงานแบบอื่น ๆ ในการจัดหมวดทดลอง;
  1D-CNN: ดีในการจับความแตกต่างของสีสันสีสันทัศน์ท้องถิ่นในช่วงที่ติดกัน
• LSTM: เหมาะสําหรับการเรียนรู้ลักษณะเรียงลําดับของช่วงสเป็คตรัลต่อเนื่อง
• โครงสร้างไฮบริด CNN-LSTM: มีลักษณะพื้นที่และลําดับที่บูรณาการ แต่เนื่องจากผลกระทบของปริมาณข้อมูล ผลงานการจําแนกของมันต่ํากว่าเครือข่ายเดียว
• ในขณะเดียวกัน การทดสอบ t คู่กับการทดสอบ McNemar ยืนยันว่าความแตกต่างในการทํางานระหว่างรุ่นมีความสําคัญทางสถิติการยกเว้นการขัดแย้งการเปลี่ยนแปลงที่เกิดจากการเก็บตัวอย่างสุ่ม.

3รูปแบบกระจกที่ยืนยันสาเหตุของความสับสนในการระบุ
โลจิกการแบ่งปันผิดพลาดของรุ่นสามารถมองเห็นได้โดยจุใจจากเส้นโค้งสายสี: เส้นโค้งของกาแฟและชาซ้อนกันอย่างหนักในช่วง 400 ~ 550 nmและวิสกี้และรัมแสดงให้เห็นเพียงความแตกต่างเล็กน้อยในช่วงใกล้อินฟราเรดคู่ตัวอย่างสองตัวนี้ มีแนวโน้มที่จะมีความผิดทางการพิจารณาซึ่งตรงกับผลการสับสนของเมทริกซ์การพิสูจน์ว่าข้อมูลสายสีสามารถอธิบายความผิดพลาดในการจําแนกและเพิ่มความสามารถในการตีความของผลการจําแนก.

IV. มูลค่าการใช้งานหลักของการถ่ายภาพแบบไฮเปอร์สเปคตรัลในหลักฐานทางการพิจารณาคดี
1.การรักษาหลักฐานทางกายภาพอย่างสมบูรณ์แบบ: กระบวนการทั้งหมดไม่ต้องการสารปฏิกิริยาและไม่เกี่ยวข้องกับการสัมผัสกับคราบ หลังจากการตรวจพบตัวอย่างสามารถถูกรักษาเพื่อการระบุตัวอื่น ๆที่สอดคล้องกับข้อบังคับของหลักฐานทางกายภาพทางศาล;

2.มีประสิทธิภาพการตรวจสอบที่ดีขึ้น: การถ่ายภาพครั้งเดียวจะรวบรวมสเปคตรัมเต็มของพื้นที่จุดท่อนทั้งหมด โดยไม่ต้องเก็บตัวอย่างจุดต่อจุดทําให้มันเหมาะสําหรับการตรวจฉลากในสถานที่อย่างรวดเร็ว;

3การแยกแยกรอยที่คล้ายกันทางสายตา: แผนต่อเนื่องหลายร้อยเส้นจับความแตกต่างทางสายตาที่ละเอียดในสารอินทรีย์และสารสี

4ความสามารถในการปรับปรุงสิ่งแวดล้อมที่แข็งแรง: การทดลองได้ตรวจสอบว่าอุปกรณ์สามารถปรับปรุงกับคราบที่มีสีพื้นหลังที่แตกต่างกันที่มีศักยภาพในอนาคตที่จะขยายไปยังผ้า, เอกสารรับรอง, ผิวหนังและพื้นฐานอื่น ๆ;

5การเก็บข้อมูลแบบดิจิทัล: ค่านิยมสเปคตรอลสามารถส่งออกและอาร์คิฟ์ โดยค่อยๆ สร้างห้องสมุดสเปคตรอลรอย เพื่อบรรลุการเปรียบเทียบตัวอย่างที่ฉลาด

แนะนําผลิตภัณฑ์: FigSpecFS-23 Imaging Hyperspectral Camera

• ความละเอียดภาพ: 1920*1920
• ระยะสเปคตรัล: 400-1000nm
• ความละเอียดของสายสี (FWHM): 2.5nm
• จํานวนช่องสี: 1200

การปฏิเสธความรับผิดชอบ
เนื้อหานี้ถูกรวบรวมและแก้ไขขึ้นจากวรรณกรรมทางวิชาการของสาธารณะภายใต้ Nature (Literature Link: https://www.nature.com/articles/s41598-026-49928-8)มันมีเป้าหมายเฉพาะสําหรับการหารือด้านเทคนิคในอุตสาหกรรมและการเรียนรู้วิทยาศาสตร์ยอดนิยมไม่ถือว่าเป็นความมุ่งมั่นทางธุรกิจ และไม่สามารถเป็นพื้นฐานของการอ้างอิงการลงทุนข้อมูลและข้อสรุปการทดลองที่ระบุในข้อความอาจถูกขัดขวางด้วยตัวแปรหลายตัว เช่น สภาพแวดล้อมการทดสอบ, ตัวอย่างความแตกต่างของแต่ละตัวอย่าง และแผนการสร้างแบบจําลอง หากนําไปใช้ในกรณีจริง ผลที่เกี่ยวข้องต้องถูกตรวจสอบผ่านการทดสอบที่อิสระ