Im Bereich der kriminaltechnischen Dokumentenprüfung ist die Analyse der zeitlichen Reihenfolge von roter Tinten- und Siegelabdrucke eine Schlüsseltechnologie zur Überprüfung der Echtheit von Dokumentenbeweisen. Dieser Artikel basiert auf dem Vorteil der Integration von sichtbarem Licht und nahinfraroter Hyperspektralbildgebung (Vis-NIR HSI) in Kombination mit einem Convolutional Neural Network (CNN) zur Untersuchung des Problems der Unterscheidung der Reihenfolge von roter Tinte. Basierend auf der morphologischen Analyse der spektralen Bilder wurden Hyperspektraldaten von 42.000 verschiedenen Proben mit zeitlicher Reihenfolge roter Tinte gesammelt und ein Hyperspektraldatensatz zur Reihenfolge roter Tinte erstellt. Die Spektren der Proben wurden einer Medianfilterung, Savitzky-Golay-Glättung, multipler Streukorrektur und Normalisierung unterzogen; zur Merkmalswellenlängenauswahl wurden der sukzessive Projektionsalgorithmus (SPA) und das konkurrierende adaptive gewichtete Sampling (CARS) verwendet. Es wurden mehrere binäre Klassifikationsmodelle wie logistische Regression (LR) und 1D-Convolutional Neural Networks (1D-CNN) aufgebaut und die Modellierungsergebnisse verglichen. Die experimentellen Ergebnisse zeigen, dass das auf den mit der CARS-Methode extrahierten spektralen Merkmalen basierende CARS-1D-CNN-Modell eine Genauigkeit von 96,98 % bzw. 95,54 % auf Trainings- und Testdatensätzen erreicht, was darauf hinweist, dass die Kombination von Vis-NIR HSI und 1D-CNN eine effektive Erkennung der Reihenfolge roter Tinte ermöglicht. Diese Methode ergänzt und verifiziert herkömmliche Prüftechniken und verbessert die Genauigkeit und Effizienz der Reihenfolgenprüfung roter Tinte.

Sichtbare bis nahinfrarote Hyperspektralbildgebung (Vis-NIR HSI);Dokumentenprüfung;Reihenfolge roter Tinte;maschinelles Lernen;1D-CNN