Ballistic identification of firearms with deep learning
Derin öğrenme yöntemleri ile ateşli silahların balistik incelenmesi
- Tez No: 973144
- Danışmanlar: PROF. DR. AHMET OĞUZ AKYÜZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Adli Tıp, Computer Engineering and Computer Science and Control, Forensic Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Balistik inceleme sistemleri, suç konusu ateşli silahları tespit etmek için mermi kovanları üzerindeki yüzey işaretlerini analiz etmeye dayanır. Ancak geleneksel görüntü işleme tekniklerini kullanan mevcut sistemler, büyük ve çeşitli veri kümelerini işlerken doğruluk ve otomasyon konularında sınırlamalara sahiptir. Bu tez, adli balistikte hem ateşli silah marka sınıflandırması hem de mermi kovanı eşleştirmesini geliştirmek için derin öğrenme yaklaşımlarını araştırmaktadır. BALISTIKA sisteminden yüksek çözünürlüklü yüzey yükseklik haritalarını kullanarak, adli vakaların %97'sini temsil eden 21 sık karşılaşılan ateşli silah markasına odaklanan bir silah marka sınıflandırma sistemi geliştirdik. Klasik makine öğrenmesi algoritmalarını (Random Forest, SVM) ve modern derin öğrenme mimarilerini (ResNet, Vision Transformers) değerlendirdik, şekil indeksi dönüşümlerini ve sınıf dengesizliğini gidermek için odak kaybı ile veri çoğaltımı kullandık. ResNet-50 modeli %91,6 doğruluk elde etti ve görselleştirme teknikleri adli açıdan ilgili yüzey bölgelerine odaklandığını doğruladı. Mermi kovanı eşleştirmesi için, aynı silahtan atılan kovanlar arasındaki görsel benzerliği ölçmek üzere bir Siamese sinir ağı önerdik. Doğal Kardeşler ve İtribatlı Kardeşler veri setlerini kullanarak, model sorgu görüntülerine benzerliğine göre havuzdaki delilleri sıraladı. Yaklaşım 0,99 normalleştirilmiş AUC elde ederek mevcut BALISTIKA 3. Nesil sistemini (0,81 AUC) önemli ölçüde geride bıraktı. Bu bulgular, derin öğrenmenin doğru, yorumlanabilir ve ölçeklenebilir çözümler sunarak adli balistik analizini önemli ölçüde geliştirebileceğini göstermektedir. Önerilen yöntemler, uzman iş yükünü azaltırken suç soruşturmaları için gereken yüksek standartları koruyarak gerçek dünya adli uygulamaları için otomatik balistik tanımlama sistemlerine yönelik önemli bir ilerlemeyi temsil etmektedir.
Özet (Çeviri)
Ballistic examination systems rely on analyzing surface markings on cartridge cases to identify firearms used in criminal cases. However, current systems using traditional image processing techniques face limitations in accuracy and automation when handling large, diverse datasets. This thesis explores deep learning approaches to enhance both firearm brand classification and cartridge case matching in forensic ballistics. We developed a firearm brand classification system using high-resolution surface height maps from the BALISTIKA system, focusing on 21 frequently encountered firearm brands representing 97% of forensic cases. We evaluated classical machine learning algorithms (Random Forest, SVM) and modern deep learning architectures (ResNet, Vision Transformers), leveraging shape index transformations and data oversampling with focal loss to address class imbalance. The ResNet-50 model achieved 91.6% accuracy, with visualization techniques confirming focus on forensically relevant features. For cartridge case matching, we proposed a Siamese neural network to measure visual similarity between cases fired from the same firearm. Using comprehensive Controlled Sibling and Expert-Linked Sibling datasets, the model ranked evidence pools based on similarity to query images. The approach achieved a normalized AUC of 0.99, substantially outperforming the current BALISTIKA Generation 3 system (0.81 AUC). Occlusion sensitivity analysis revealed consistent focus on meaningful forensic features while ignoring irrelevant manufacturer markings. These findings demonstrate that deep learning can significantly enhance forensic ballistic analysis by providing accurate, interpretable, and scalable solutions. The proposed methods represent substantial advancement toward automated ballistic identification systems suitable for real-world forensic deployment, potentially reducing expert workload while maintaining high standards required for criminal investigations.
Benzer Tezler
- 9mm. ateşli silahlardan elde edilen kovanların vemermi çekirdeklerinin tanımlanarak markalarının tespiti
9mm. identifying cartridge cases and bullets obtained from firearms and detection of brands
YILMAZ ACAR
- Penset kullanımının mermi çekirdeklerinin delil olma özelliği üzerine etkileri
The effects of evidence features of bullets in case of use metallic forceps
FATİH FAYSAL GÖREN
Yüksek Lisans
Türkçe
2019
Adli TıpAnkara ÜniversitesiAdli Bilimler Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NERGİS CANTÜRK
DOÇ. DR. SAİT ÖZSOY
- Kovanlar üzerinden Touch-DNA geri kazanımı için uygun yöntemin belirlenmesi
Determination of a suitable method for Touch-DNA recovery from cartridges
SEDANUR TUTKA
Yüksek Lisans
Türkçe
2024
Adli TıpÜsküdar ÜniversitesiAdli Bilimler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUĞBA ÜNSAL SAPAN
- Atış yapılan kumaş yüzeyler üzerindeki atış artığı varlığının bazı sık raslanan çevresel faktörlere göre değerlendirilmesi
Evaluation of the presence of gunshot residue on fired fabric surfaces according to some common environmental factors
ÜMMÜHAN ÇAKIRTEKİN
Yüksek Lisans
Türkçe
2024
Adli TıpÜsküdar ÜniversitesiAdli Bilimler Ana Bilim Dalı
PROF. DR. HAFİZE HİKMET SEVİL ATASOY
- Photometric stereo considering highlights and shadows
Parlama ve gölgeleri gözönüne alan fotometrik stereo
SONER BÜYÜKATALAY
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Bölümü
PROF. DR. UĞUR HALICI
YRD. DOÇ. DR. ÖZLEM BİRGÜL