Um den Bedarf der Polizeiarbeit an einer schnellen und schadensfreien Markenidentifikation von Kunststoffbeweismitteln an Zahnbürstengriffen zu erfüllen, wurde eine zweispektrale Erkennungsmethode basierend auf differentiellen Raman-Spektren und Röntgenfluoreszenz (XRF) entwickelt, sowie ein stufenweises Gate-Fusionsnetzwerk (SHG-Net) vorgeschlagen. Es wurden experimentell 111 Proben von Zahnbürstengriffen mit 9 Marken gesammelt, wobei differentielle Raman- und XRF-Daten verwendet wurden. Stabile Elemente in den XRF-Daten wurden ausgewählt und normalisiert, während die differentiellen Raman-Daten vorverarbeitet und dimensional reduziert wurden. Zur Datenaugmentation wurde eine Normalverteilungssampling-Methode verwendet, um die Auswirkungen kleiner Stichprobengrößen zu mildern. Das SHG-Net-Modell extrahiert Merkmale aus differentiellen Raman- und XRF-Datenzweigen und kombiniert diese mittels eines Gate-Mechanismus zur adaptiven gewichteten Merkmalsfusion, die letztlich die Markenkategorie ausgibt. Fünffache Kreuzvalidierung zeigt eine Genauigkeit von 0,96 und eine ausgewogene Genauigkeit von 0,94, was die Leistung gegenüber unimodalen Erkennungsmethoden und einfachen Fusionsansätzen übertrifft. Verglichen mit traditionellen maschinellen Lernmodellen und Basismodellen des Deep Learnings zeigt SHG-Net bessere Leistungen bei mehreren Bewertungsmetriken und geringere Variabilität. Die komplementären zweispektralen Informationen und der Gate-Fusionsmechanismus können die Markenerkennung bei kleinen Stichproben effektiv verbessern und bieten technische Unterstützung für die schnelle Klassifizierung von Kunststoffbeweisen am Tatort.

differentielles Raman-Spektrum; Röntgenfluoreszenz; Gate-Fusion; Zahnbürstengriff-Beweismittel; Schnellklassifikation