하이퍼스펙트럼 영상 촬영은 법의학에서 음료 증거의 흔적을 지능적으로 식별 할 수 있습니다.

법의학 서문
커피, 주스, 알코올과 같은 음료의 흔적 얼룩은 범죄 현장에서 흔하게 발견되어 육안으로 종류를 구별하기 매우 어렵습니다. 기존의 탐지 방법은 주로 샘플링 및 화학적 발색 처리에 의존하는데, 이는 물리적 증거를 손상시키기 쉽고 후속 검토에 해롭습니다. Nature에 발표된 연구는 초분광 영상, 대역 선택 및 딥 러닝을 결합한 완전한 분석 솔루션을 구축했습니다. 이 솔루션은 9가지 범주의 음료 얼룩에 대한 비파괴 식별 실험을 수행하여 범죄 수사 흔적 증거 탐지에 새로운 관점을 제공했습니다. 이 연구를 통합하여 CHNSpec는 법의학 분야에서 초분광 기술의 적용 가치를 논의합니다.

I. 기존 물리적 증거의 어려움탐지
1. 시각적 인식에는 상당한 한계가 있습니다. 커피와 차, 또는 위스키와 럼주는 시각적으로 매우 유사하여 수동으로 구별하기가 매우 어렵습니다.

2. 화학적 테스트는 얼룩의 원래 형태를 파괴하여 물리적 증거를 반복적으로 검증할 수 없게 합니다.

3. 일반 분광계 장비는 단일 지점 획득만 가능하여 넓은 영역의 흔적 탐지에 시간이 오래 걸립니다.

4. 종이 색상 차이 및 얼룩의 공기 건조/산화와 같은 간섭이 판단을 방해하여 표준화된 데이터 지원이 부족합니다.

초분광 영상은 비접촉, 전체 필드 획득의 장점을 활용하여 화학적 스펙트럼 지문을 얻어 위의 단점을 보완하고 흔적 증거 분석을 위한 실용적인 광학 도구가 됩니다.

II. 실험에서 초분광 카메라가 수행하는 핵심 작업
이 연구는 400-1000nm 가시광선-근적외선 초분광 영상 장치를 사용했으며, 204개의 연속 스펙트럼 대역을 갖추고 있어 다양한 얼룩의 3D 스펙트럼 데이터 큐브(2D 공간 좌표 + 1D 스펙트럼 곡선)를 완전히 수집했습니다. 전체 획득 과정은 표준화되고 재현 가능합니다.

1. 다중 시나리오 표준화 스펙트럼 획득
이 연구는 실제 범죄 현장 조건을 시뮬레이션하여 온도, 습도, 광원 각도 및 얼룩 방울 부피를 균일하게 제어하여 9가지 범주의 음료(파파야 주스, 커피, 석류 주스, 오렌지 주스, 차, 레드 와인, 위스키, 럼주, 브랜디)에 대한 이미징을 수행했습니다.

• 기판은 흰색, 분홍색, 갈색 흡수성 종이 타월을 포함했으며, 평평한 형태와 접힌 형태 모두 포함했습니다.
• 산화 및 증발로 인한 스펙트럼 변화를 포착하기 위해 0~5시간 동안 6번의 시간 간격으로 획득을 수행했습니다.
• 각 얼룩에 대해 1.5x1.5cm의 반사 방지 ROI(관심 영역)를 지정하여 가장자리 간섭 픽셀을 제거하여 데이터 순도를 보장했습니다.

촬영 전에 흰색 보드 반사 보정 및 암전류 보정을 완료하여 데이터를 표준화된 반사율 곡선으로 균일하게 변환했습니다. 이를 통해 장비 및 조명으로 인한 숫자 편차를 제거하여 다른 샘플 간의 스펙트럼 차이를 수평적으로 비교할 수 있었습니다.

2. 보이지 않는 화학적 스펙트럼 특성 포착
모든 이미징 픽셀은 고유한 스펙트럼 곡선을 생성하여 다른 파장에서의 반사 값을 기록하여 인간의 눈으로는 인식할 수 없는 화학적 차이를 밝혀냅니다.

• 레드 와인과 석류 주스는 안토시아닌이 풍부하여 400-700nm 가시광선 범위에서 낮은 반사 값을 보입니다.
• 커피와 차 폴리페놀은 청록색 대역에서 고유한 흡수 특성을 나타냅니다.
• 위스키와 럼주의 구별 신호는 750-900nm 근적외선 범위에 집중되어 있습니다. 눈으로는 매우 동일해 보이는 두 가지 유형의 음료 얼룩을 구별하는 것은 바로 수백 개의 연속 대역의 미세 데이터입니다.

3. 완전한 표준화된 증거 데이터셋 구축
장비는 120,000개 이상의 원시 스펙트럼 샘플을 수집했습니다. 노이즈 및 중복 픽셀을 정리한 후 110,000개 이상의 유효 스펙트럼 샘플이 형성되었으며, 각 샘플은 204차원 스펙트럼 특징에 해당하여 후속 대역 선택 및 딥 러닝 훈련의 원시 데이터 기반 역할을 합니다. 충분하고 다변량적인 스펙트럼 샘플은 알고리즘이 다양한 기판 및 공기 건조 시간 하에서 얼룩의 안정적인 스펙트럼 패턴을 학습하도록 지원하여 환경으로 인한 인식 변동을 줄입니다.

III. 지원 알고리즘 흐름: 차원 축소 + 다중 모델 비교를 통한 식별 안정성 향상
원시 초분광 데이터는 많은 수의 대역을 가지고 있으며, 이러한 대역 간에는 중복이 존재합니다. 직접 모델링하면 계산 부담이 증가하므로, 연구에서는 2단계 데이터 최적화 방안을 도입했습니다.

1. ANOVA 대역 선택을 통한 효과적인 판별 대역 유지
ANOVA F-검정을 사용하여 각 대역의 판별 능력(클래스 간 분산 / 클래스 내 분산)을 계산하고, 판별 성능에 따라 204개 대역의 순위를 매겼습니다. 서로 다른 대역 수에 해당하는 인식 성능에 대한 5-겹 교차 검증 테스트를 통해, 모델링을 위해 162개의 높은 판별력을 가진 대역이 최종적으로 선택되어 데이터 계산 규모를 줄이면서 인식 성능을 유지했습니다.

2. 네 가지 유형의 딥 러닝 모델 비교 검증
선택된 162차원 스펙트럼 데이터를 기반으로, MLP, 1D-CNN, LSTM 및 CNN-LSTM 하이브리드 네트워크의 네 가지 주류 네트워크 모델을 통일된 하이퍼파라미터로 훈련했습니다. 정밀도, 재현율, F1-점수 및 전체 정확도를 균일하게 사용하여 평가했습니다.

• MLP(다층 퍼셉트론) 완전 연결 네트워크: 실험 분류에서 다른 모델보다 우수한 성능을 보이며 전역 스펙트럼 특징을 맞추는 데 안정적인 성능을 보였습니다.
  1D-CNN: 인접 대역의 국소 스펙트럼 변동을 포착하는 데 뛰어났습니다.
• LSTM: 연속 스펙트럼 대역의 순차적 특징 학습에 적합했습니다.
• CNN-LSTM 하이브리드 구조: 국소 및 순차적 특징을 통합했지만, 데이터 양의 영향으로 인해 단일 네트워크보다 인식 성능이 떨어졌습니다.
• 동시에, 쌍체 t-검정 및 McNemar 검정을 통해 모델 간의 성능 차이가 통계적으로 유의미하다는 것을 검증하여 무작위 샘플링으로 인한 변동 간섭을 배제했습니다.

3. 식별 혼동 원인을 설명하는 스펙트럼 패턴
모델의 오분류 논리는 스펙트럼 곡선에서 직관적으로 볼 수 있습니다. 커피와 차의 곡선은 400-550nm 범위에서 크게 겹치고, 위스키와 럼주는 근적외선 범위에서 미묘한 차이만 보입니다. 이 두 쌍의 샘플은 상호 오판되기 쉬우며, 이는 모델의 혼동 행렬 결과와 일치하여 스펙트럼 데이터가 인식 오류를 설명하고 식별 결과의 해석력을 향상시킬 수 있음을 증명합니다.

IV. 법의학 증거에서 초분광 영상의 핵심 응용 가치
1. 물리적 증거의 완전한 보존: 전체 과정에 시약이 필요 없고 얼룩과의 접촉이 없습니다. 탐지 후 샘플은 다른 식별을 위해 보존될 수 있으며, 사법 물리적 증거 사양을 준수합니다.

2. 수사 효율성 향상: 단일 이미징 세션으로 전체 얼룩 영역의 전체 스펙트럼을 수집하며, 점별 샘플링이 필요 없어 신속한 현장 스크리닝에 적합합니다.

3. 시각적으로 유사한 흔적 구별: 수백 개의 연속 대역이 유기물 및 안료의 미묘한 광학적 차이를 포착하여 시각적 구별 딜레마를 해결합니다.

4. 강력한 환경 적응성: 실험을 통해 장비가 다양한 배경색, 접힘 및 공기 건조 상태의 얼룩에 적응할 수 있음을 검증했으며, 향후 직물, 자격 증명, 피부 및 기타 기판으로 확장될 잠재력이 있습니다.

5. 데이터의 디지털 보존: 스펙트럼 값을 내보내고 보관하여 점진적으로 흔적 스펙트럼 라이브러리를 구축하여 지능형 샘플 비교를 달성할 수 있습니다.

제품 추천: FigSpecFS-23 이미징 초분광 카메라

• 이미지 해상도: 1920*1920
• 스펙트럼 범위: 400-1000nm
• 스펙트럼 해상도(FWHM): 2.5nm
• 스펙트럼 채널 수: 1200

면책 조항
이 콘텐츠는 Nature의 공개 학술 문헌을 기반으로 편집되었습니다(문헌 링크: https://www.nature.com/articles/s41598-026-49928-8). 이는 산업 기술 토론 및 대중 과학 학습만을 위한 것이며, 상업적 약속을 구성하지 않으며, 투자 참조의 기초로 사용될 수 없습니다. 텍스트에 나열된 실험 데이터 및 결론은 테스트 환경, 샘플 개별 차이 및 모델 구축 계획과 같은 여러 변수의 간섭을 받을 수 있습니다. 실제 시나리오에 적용되는 경우, 관련 효과는 특정 사용 사례와 결합된 독립적인 테스트를 통해 검증되어야 합니다.