Dans le domaine de l'expertise des documents criminels, l'analyse de la séquence temporelle des traces d'encre rouge et des empreintes de sceau est une technologie clé pour vérifier l'authenticité des preuves documentaires. Cet article s'appuie sur l'avantage d'intégration des spectres de l'imagerie hyperspectrale en lumière visible et proche infrarouge (Vis-NIR HSI) et combine un réseau de neurones convolutionnel (CNN) pour étudier la problématique de discrimination des séquences d'encre rouge. Sur la base d'une analyse morphologique des images spectrales, 42 000 échantillons hyperspectraux présentant différentes séquences d'encre rouge ont été collectés pour constituer un jeu de données hyperspectral des séquences d'encre rouge. Les spectres des échantillons ont été prétraités via un filtrage médian, un filtrage lisse Savitzky-Golay, une correction multi-dispersion et une normalisation; les longueurs d'onde caractéristiques ont été sélectionnées grâce à l'algorithme de projection successive (SPA) et à l'échantillonnage adaptatif pondéré compétitif (CARS). Plusieurs modèles de classification binaire ont été établis, dont une régression logistique (LR) et un réseau de neurones convolutionnel unidimensionnel (1D-CNN), et leurs performances comparées. Les résultats expérimentaux montrent que le modèle CARS-1D-CNN, construit sur les longueurs d'onde caractéristiques extraites par CARS, atteint des précisions respectives de 96,98 % et 95,54 % sur les jeux d'entraînement et de test, indiquant que la combinaison Vis-NIR HSI et 1D-CNN permet une identification efficace des séquences d'encre rouge. Cette méthode complète et vérifie les méthodes d'expertise classiques, améliorant la précision et l'efficacité de l'examen des séquences d'encre rouge.

Imagerie hyperspectrale visible et proche infrarouge (Vis-NIR HSI);examen des documents;séquences d'encre rouge;apprentissage automatique;1D-CNN