En el campo de la inspección de documentos penales, el análisis de la secuencia temporal de las marcas de tinta roja y los sellos es una tecnología clave para verificar la autenticidad de las evidencias documentales. Este artículo se basa en la ventaja combinada del espectro de imágenes hiperespectrales de luz visible a infrarrojo cercano (Vis-NIR HSI), junto con una red neuronal convolucional (CNN) para estudiar el problema de la discriminación de la secuencia temporal de tinta roja. Sobre la base del análisis morfológico de las imágenes espectrales, se recopilaron datos hiperespectrales de 42,000 muestras con diferentes secuencias temporales de tinta roja, estableciendo un conjunto de datos hiperespectrales para la secuencia temporal de tinta roja. Se preprocesaron los espectros de las muestras mediante filtros de mediana, filtros suavizantes de Savitzky-Golay, corrección de dispersión múltiple y normalización; se seleccionaron longitudes de onda características mediante el algoritmo de proyección continua (SPA) y el muestreo competitivo adaptativo ponderado (CARS). Se construyeron varios modelos de aprendizaje automático para clasificación binaria como regresión logística (LR) y redes neuronales convolucionales unidimensionales (1D-CNN), y se compararon los resultados de modelado. Los resultados experimentales muestran que el modelo CARS-1D-CNN, construido con longitudes de onda características extraídas por el método CARS, alcanza precisiones del 96.98 % y 95.54 % en los conjuntos de entrenamiento y prueba, respectivamente, lo que indica que la combinación de Vis-NIR HSI y 1D-CNN puede reconocer eficazmente la secuencia temporal de tinta roja. Este método complementa y verifica los métodos de inspección convencionales, mejorando la precisión y eficiencia en la evaluación de la secuencia temporal de tinta roja.

Imágenes hiperespectrales visible a infrarrojo cercano (Vis-NIR HSI);inspección de documentos;secuencia temporal de tinta roja;aprendizaje automático;1D-CNN