【技术实现步骤摘要】
本专利技术涉及子弹痕迹识别，具体为一种膛线序列匹配分值计算及可解释性展示的方法和系统。
技术介绍
1、在现有技术中，枪弹痕迹识别依赖人工评估，但倚赖于人工的问题在于其准确性相对较低，主观性较强，并且工作量大，效率低。利用ai和深度学习技术来识别枪弹痕迹，具有更高的速度和准确性，但是由于枪弹痕迹特有的复杂性，让这项工作变得非常困难，容易出现误判和漏判。
2、膛线是在子弹发射过程中留下的独特痕迹，是判断子弹源头枪械的重要标识。由于枪膛线的不同，枪弹上每个膛线的痕迹都具有独特性，因此可以利用这一点对子弹来源进行定位。然而想要识别膛线痕迹形状并不容易，因为它们位于弹头的曲面上，充满着切割，磨损等众多因素。
3、因此，本专利技术提供了一种膛线序列匹配分值计算及可解释性展示的方法和系统以解决上述问题。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种膛线序列匹配分值计算及可解释性展示的方法和系统，解决了人工识别枪弹痕迹准确性低、主观性较强，并且工作量大、效率低，利用ai和深度学习技术来识别枪弹痕迹容易出现误判和漏判的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种膛线序列匹配分值计算及可解释性展示的方法，具体包括以下步骤：
3、步骤一、数据获取：计算机执行主体利用数据获取模块部分从指定的数据源获取两颗用于比较膛线关系的子弹样本数据，获得数据后，计算机执行主体需要对数据进行初步清理和加工；
4、步骤二、模型
5、步骤三、数据预处理：数据预处理模块将数据转化为可以输入深度学习模型的形式，预处理通常包括归一化，降噪，或者其他增强数据质量和保证数据一致性的操作；
6、步骤四、特征提取过程：特征提取模块通过步骤二获取的特征提取网络模型，处理经过步骤三预处理后的样本数据，计算出各个样本的特征表示；
7、步骤五、特征处理：特征处理模块经过步骤四得到的特征矩阵，需要进一步的处理用于匹配算法；
8、步骤六、匹配相似度计算：计算机执行主体利用匹配相识度计算模块利用步骤五中获得的规范特征向量，计算出子弹膛线之间的匹配相似度矩阵，每个元素的值表示两个特征之间的相似度，用于后续的匹配决策；
9、步骤七、最终结果评估：结果评估模块采用设定的评估标准或者方法来评价在步骤六中得到的匹配相似度矩阵的质量，评估结果用于优化特征提取网络，和改进后续步骤的效果。
10、进一步的，所述步骤一中，数据源是一个本地数据库或远程服务器或物理硬件设备或者其他类型的数据存储设备。
11、进一步的，所述步骤二中，神经网络模型包括像卷积层、激活层、批量归一化层和池化层，卷积神经网络对输入数据进行特征提取，卷积层提取图像中的局部特征得到特征图，该特征图被传递至池化层进行特征选择和信息过滤。
12、进一步的，所述步骤三中，数据预处理包括数据清洗、缺失值处理、数据变换、数据集成、数据规约。
13、进一步的，所述步骤一中，子弹样本数据中的子弹来源为同一把枪。
14、本专利技术还提供了一种膛线序列匹配分值计算及可解释性展示系统，用于实现膛线序列匹配分值计算及可解释性展示的方法，包括处理器、数据获取模块、模型获取模块、数据预处理模块、特征提取模块、特征处理模块、匹配相似度计算模块和结果评估模块。
15、进一步的，所述处理器、数据获取模块、模型获取模块、数据预处理模块、特征提取模块、特征处理模块、匹配相似度计算模块和结果评估模块分别用于执行步骤一至步骤七的操作。
16、进一步的，处理器的输出端和数据获取模块、模型获取模块、数据预处理模块、特征提取模块、特征处理模块、匹配相似度计算模块和结果评估模块的输入端之间实现双向连接。
17、有益效果
18、本专利技术提供了一种膛线序列匹配分值计算及可解释性展示的方法和系统。
19、与现有技术相比具备以下有益效果：
20、1、一种膛线序列匹配分值计算及可解释性展示的方法和系统，通过深度学习模型进行特征提取，并将提取的特征转化为匹配分值矩阵，再通过转化后的矩阵制作成直观的热力图，以便于用户理解和判断；该方法有效提高了子弹膛线识别的准确性，同时也增强了其可解释性，具有广泛的应用前景；其次，本专利技术使用了深度学习技术进行特征提取，能够充分利用枪弹痕迹的全局和局部信息，从而提取出更具区分性的特征，相比传统的基于经验规则的识别方法，本专利技术能够获得更高的识别准确率；再者，本专利技术在特征提取过程中没有对特征进行硬性的全局或局部划分，而是根据网络学习到的特征自动进行特征的选择和组合，这使得本专利技术在处理不同种类的枪弹痕迹时都能保持较好的性能，具有较强的鲁棒性。
21、2、一种膛线序列匹配分值计算及可解释性展示的方法和系统，本专利技术在计算膛线匹配分数矩阵时，对所有可能的匹配情况都进行了一次性的计算，并使用矩阵运算的形式进行，大大提高了计算效率；其次，本专利技术将膛线匹配分数矩阵绘制为热力图，使得膛线之间的匹配关系一目了然，可以直观、便捷地进行解读和理解，增强了系统的可解释性。
22、3、一种膛线序列匹配分值计算及可解释性展示的方法和系统，本专利技术允许根据子弹所属枪支类型的膛线数目(通常为4条或6条)，动态生成膛线匹配分数矩阵，具有很强的自适应性；其次，本专利技术难以通过固定初始条件确定的膛线匹配情况，在该方法的膛线匹配流程中可以通过网络输出自适应推断，不仅可以大幅提高子弹膛线的识别和匹配准确性，同时也增强了其鲁棒性和可解释性，使其更具实用性，具有广泛的应用前景。
本文档来自技高网...【技术保护点】
1.一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤一中，数据源是一个本地数据库或远程服务器或物理硬件设备或者其他类型的数据存储设备。
3.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤二中，神经网络模型包括像卷积层、激活层、批量归一化层和池化层，卷积神经网络对输入数据进行特征提取，卷积层提取图像中的局部特征得到特征图，该特征图被传递至池化层进行特征选择和信息过滤。
4.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤三中，数据预处理包括数据清洗、缺失值处理、数据变换、数据集成、数据规约。
5.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤一中，子弹样本数据中的子弹来源为同一把枪。
6.一种膛线序列匹配分值计算及可解释性展示系统，用于实现权利要求1-5任意一项所述的膛线序列匹配分值计算及
7.根据权利要求6所述的一种膛线序列匹配分值计算及可解释性展示系统，其特征在于：所述处理器(1)、数据获取模块(2)、模型获取模块(3)、数据预处理模块(4)、特征提取模块(5)、特征处理模块(6)、匹配相似度计算模块(7)和结果评估模块(8)分别用于执行步骤一至步骤七的操作。
8.根据权利要求6所述的一种膛线序列匹配分值计算及可解释性展示系统，其特征在于：处理器(1)的输出端和数据获取模块(2)、模型获取模块(3)、数据预处理模块(4)、特征提取模块(5)、特征处理模块(6)、匹配相似度计算模块(7)和结果评估模块(8)的输入端之间实现双向连接。
...【技术特征摘要】
1.一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤一中，数据源是一个本地数据库或远程服务器或物理硬件设备或者其他类型的数据存储设备。
3.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤二中，神经网络模型包括像卷积层、激活层、批量归一化层和池化层，卷积神经网络对输入数据进行特征提取，卷积层提取图像中的局部特征得到特征图，该特征图被传递至池化层进行特征选择和信息过滤。
4.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤三中，数据预处理包括数据清洗、缺失值处理、数据变换、数据集成、数据规约。
5.根据权利要求1所述的一种膛线序列匹配分值计算及可解释性展示的方法，其特征在于：所述步骤一中，子弹样本数据中的子弹来源为同一把枪。
【专利技术属性】
技术研发人员：王泽昊，郭玉良，吕晓森，翁同天，赵莉，谢文明，李哲，黄志永，沈云涛，李露，汪杨纯，莫宇思，
申请(专利权)人：安徽金盾三维高科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。