【技术实现步骤摘要】
本专利技术涉及枪弹痕迹识别，具体为一种用于枪弹痕迹人工智能识别的计算方法及其系统。
技术介绍
1、枪弹痕迹自动识别技术，尤其是基于人工智能技术的自动识别应用，一向国内外法庭科学领域相关的专业性企业和研究机构关注的重点之一。从已公开的专利和文献资料看，现有的技术方法理论上具有可行性，但实际应用中存在以下弊端：一是没有采用基于弹种“大分类”的共有的特征向量模型，无法解决具有类似痕迹形态但发射枪种不同的“泛化能力”的问题；二是多数采用基于膛线横截面数字曲线拟合匹配的“互相关”技术，识别准确率大打折扣；三是这类“机器学习”的识别方法对检材与样本的痕迹形态要求严格一致、痕迹特征区域需要人工标画，无法实现自动化的“模糊识别”，效率低下；四是很多都是基于第三方辅助数学工具的研究手段，可解释性差，研究成果无法以产品化的形态运用于实战应用。
2、本专利技术专利涉及的算法及其方法从基础理论、实施步骤、实现方法、工程化应用等方面规避了上述缺陷，从原始3d、2d数据的测量采集，到模型训练、特征提取、边缘计算等过程，均以工程化、产品化、可交付的形态提供，满足了法庭科学枪弹痕迹自动识别的实战应用需求。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种用于枪弹痕迹人工智能识别的计算方法及其系统，通过对物证痕迹三维形貌测量设备采集的枪弹痕迹三维形貌原始数据进行数据增强预处理、转换数据集、基于大模型的深度学习神经网络的分类向量模型训练、针对枪弹单个膛线的特
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种用于枪弹痕迹人工智能识别的计算方法及其系统，具体包括以下步骤：
5、s1、数据采集：使用专用的物证痕迹三维形貌测量装置，采集枪弹弹头痕迹的三维形貌数据和二维图像数据；
6、s2、数据增强处理：对原始的3d数据和2d图像进行裁剪和配准，使二者以像素为单位一一对应，对裁剪后的3d数据进行去噪处理，去除采集过程中异常的突变数据，对去噪处理后的3d数据进行高斯滤波，去除其拱形面，保留其差异值，增强其三维痕迹特征；
7、s3、转换数据集：对去滤波后的d数据进行“归一化处理”，形成2^8的深度数据，减少数据文件占用大小。对裁剪、配准后的2d图像进行亮度、对比度和伽玛值的调整，增强其二维痕迹特征，对每一个弹头、每一条膛线的3d深度数据和处理后的2d图像进行融合处理，以二进制方式存储，形成模型训练用的数据集；
8、s4、模型训练：在大模型框架下设计一种深度学习的算法，以具有一定数量的基于每一条膛线的数据集为输入数据，对特定分类的弹头类型进行迭代回归计算，计算结果为该特定分类的特征向量模型；
9、s5、特征提取：在大模型框架下设计一种深度学习的算法，分别针对样本弹头和检材弹头，以每一条膛线的数据集为输入数据进行迭代回归计算，计算结果为该条膛线的特征参数，以二进制格式记录到数据库记录中；
10、s6、自动识别计算：设计一种能够部署在边缘计算框架下的算法，调取一枚检材弹头的数据集、膛线特征参数记录，与具有相同弹种分类的样本弹头数据集、膛线特征参数记录，以及该弹种分类的特征项目模型进行全量卷积运算，运算结果为10个从大到小的与检材弹头相关度(relevancy：rel)的浮点数值，记为top1-top10；
11、s7、可解释性展示：设计一种能够部署在边缘计算框架下的算法，按照步骤s6的过程进行全量卷积运算，运算结果为检材弹头的n条膛线与top1样本各个弹头的n条膛线匹配度的浮点数一维阵列，称之为膛线序列匹配(rifling sequence matches：rsm)，以热力图的形式给出其可视化展示。
12、优选的，所述步骤s1中采集枪弹弹头痕迹的三维形貌数据为3d数据，且采集枪弹弹头痕迹的二维图像数据为2d图像数据。
13、优选的，所述步骤s3中的深度数据为255位(2^8)。
14、优选的，所述步骤s4中特定分类包括膛线数量、膛线宽度和膛线斜率。
15、优选的，所述步骤s4中计算的特征向量模型输出pth格式的文件。
16、优选的，所述步骤s1中使用专用的物证痕迹三维形貌测量装置是采用型号为smartmeas3d-hd型的三维形貌测量仪。
17、优选的，所述步骤s2中去除采集过程中异常的突变数据为数据点或数据块。
18、优选的，所述步骤s6中弹种分类的特征项目模型的格式为pth格式。
19、本专利技术还提供了一种用于枪弹痕迹人工智能识别的计算系统，运行用于枪弹痕迹人工智能识别的计算方法。
20、(三)有益效果
21、本专利技术提供了一种用于枪弹痕迹人工智能识别的计算方法及其系统。与现有技术相比具备以下有益效果：
22、(1)、该用于枪弹痕迹人工智能识别的计算方法及其系统，通过对物证痕迹三维形貌测量设备采集的枪弹痕迹三维形貌原始数据进行数据增强预处理、转换数据集、基于大模型的深度学习神经网络的分类向量模型训练、针对枪弹单个膛线的特征参数提取、自动识别计算、可解释性展示。
23、(2)、该用于枪弹痕迹人工智能识别的计算方法及其系统，是基于枪弹弹种“大分类”的训练操作，是一种具有类似膛线痕迹特征的“共性”的参数模型，如弹头膛线痕迹的特征形态相似则就可以归为一个“大分类”，在同一个“大分类”的模型中，用一个样本数量多、膛线痕迹较为明显、特征较为清晰的枪种(弹种)弹头痕迹训练的模型，可用于其它具有类似膛线痕迹形态的枪种(枪弹)的ai自动识别应用，这种设计的好处一是训练出的特征向量模型更能客观地体现该分类弹种的共有特征，提高了自动识别的准确率；二是简化了特征向量模型训练的复杂度，使得自动识别应用的流程更简洁。例如：“92式9mm手枪弹”与“2006式9mm转轮手枪弹”的膛线痕迹物理形态基本一致，但后者的膛线痕迹个体差异很大，实际的操作过程中可采用前者进行特征向量模型的训练，所得到的特征向量模型同样可应用于后者的自动识别应用。
24、(3)、该用于枪弹痕迹人工智能识别的计算方法及其系统，是以弹种分类的特征向量模型为关键约束、依据检材弹头与样本弹头之间每一条膛线特征参数迭代运算的结果，对于检材弹头而言，膛线长度的短缺、缺失，虽然影响了最终识别结果的rel值，但由于残缺弹头特征参数并未完全缺失、一枚弹头的4条或6条膛线中有若干条的缺失但剩余的膛线特征参数仍然存在，因此，自动识别算法就体现出一定的“鲁棒性”。以“92式9mm手枪弹”和“64式7.62mm手枪弹”自动识别的测试结果表明：在一定长度的膛线残缺下，分别满足top1正确、top10以内正确时，可容忍的膛线缺失数量。
本文档来自技高网...【技术保护点】
1.一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S1中采集枪弹弹头痕迹的三维形貌数据为3D数据，且采集枪弹弹头痕迹的二维图像数据为2D图像数据。
3.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S3中的深度数据为255位(2^8)。
4.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S4中特定分类包括膛线数量、膛线宽度和膛线斜率。
5.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S4中计算的特征向量模型输出pth格式的文件。
6.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S1中使用专用的物证痕迹三维形貌测量装置是采用型号为Smartmeas3D-HD型的三维形貌测量仪。
7.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S2
8.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤S6中弹种分类的特征项目模型的格式为pth格式。
9.一种用于枪弹痕迹人工智能识别的计算系统，其特征在于：运行权利要求1-8任意一项所述的用于枪弹痕迹人工智能识别的计算方法。
...【技术特征摘要】
1.一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤s1中采集枪弹弹头痕迹的三维形貌数据为3d数据，且采集枪弹弹头痕迹的二维图像数据为2d图像数据。
3.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤s3中的深度数据为255位(2^8)。
4.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤s4中特定分类包括膛线数量、膛线宽度和膛线斜率。
5.根据权利要求1所述的一种用于枪弹痕迹人工智能识别的计算方法，其特征在于：所述步骤s4中计算的特征...
【专利技术属性】
技术研发人员：王泽昊，赵莉，仲志栋，翁同天，黄志永，李露，汪杨纯，
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。