法医学における微量飲料証拠のインテリジェント識別を可能にするハイパースペクトルイメージング

法医学前言
咖啡、果汁、酒精等饮料的痕迹污渍在犯罪现场随处可见，肉眼难以区分其种类。传统检测方法多依赖采样和化学显色处理，易损坏物证，不利于后续复核。Nature发表研究，构建了高光谱成像、波段选择与深度学习相结合的完整分析方案。该方案对九类饮料污渍进行了无损识别实验，为刑事侦查痕迹物证检测提供了新视角。CHNSpec结合该研究，探讨高光谱技术在法医学领域的落地价值。

一、传统物证检测的现有困境1.视觉识别局限性大。咖啡与茶，或威士忌与朗姆酒，在视觉上高度相似，人工区分极为困难；
2.化学检测破坏污渍原始形态，导致物证无法重复验证；

3.普通光谱仪设备只能进行单点采集，大面积痕迹检测耗时费力；

4.纸张颜色差异、污渍风干/氧化等干扰因素影响判断，缺乏标准化数据支撑。

高光谱成像凭借其非接触、全视场采集化学光谱指纹的优势，弥补了上述不足，成为痕迹物证分析的实用光学工具。

二、高光谱相机在实验中承担的核心任务

本研究采用了一台400-1000 nm的可见近红外高光谱成像仪，配备204个连续光谱带，全面采集各类污渍的三维光谱数据立方体（二维空间坐标+一维光谱曲线）。整个采集过程标准化且可复现。
1.多场景标准化光谱采集

研究模拟真实犯罪现场条件，统一控制温度、湿度、光源角度和污渍液滴体积，对9类饮料（木瓜汁、咖啡、石榴汁、橙汁、茶、红酒、威士忌、朗姆酒和白兰地）进行成像：
基底涵盖白色、粉色、棕色吸水纸巾，包括平铺和折叠两种形态；

• 采集时间间隔从0到5小时共6个时间点，以捕捉氧化和蒸发引起的光谱变化；
• 为每种污渍指定1.5×1.5 cm的无反射区域（ROI），剔除边缘干扰像素，确保数据纯净。
• 拍摄前完成白板反射校准和暗电流校准，将数据统一转换为标准反射率曲线。消除了设备和照明引起的数值偏差，实现了不同样品间光谱差异的横向比较。

2.捕捉肉眼不可见的化学光谱特征

每个成像像素生成独有的光谱曲线，记录不同波长的反射值，从而解锁人眼无法识别的化学差异：
红酒和石榴汁富含花青素，在400-700 nm可见光范围内反射值较低；

• 咖啡和茶叶多酚在蓝绿色波段表现出独特吸收特征；
• 威士忌和朗姆酒的区分信号集中在750-900 nm近红外范围。正是数百个连续波段的精细数据，区分了两种肉眼高度相似的饮料污渍。
• 3.构建完整标准化证据数据集

设备采集了超过12万个原始光谱样本。经过去噪和重复像素清理后，形成超过11万个有效光谱样本，每个样本对应204维光谱特征，为后续的波段选择和深度学习训练奠定了原始数据基础。充分、多变量的光谱样本支持算法学习不同基底和风干时长下污渍的稳定光谱模式，降低了环境引起的识别波动。
三、支撑算法流程：降维+多模型对比提升识别稳定性

原始高光谱数据波段数量庞大，且波段间存在冗余。直接建模会增加计算负担，因此研究引入了两层数据优化方案。
1.ANOVA波段选择保留有效判别波段

采用ANOVA F检验计算各波段的判别能力（类间方差/类内方差），按区分性能对204个波段进行排序。通过对不同波段数量对应的识别性能进行5折交叉验证测试，最终选出162个高判别性波段用于建模，在保持识别性能的同时，减小了数据计算的规模。
2.四种深度学习模型对比验证

基于选出的162维光谱数据，采用统一超参数训练了四种主流网络模型——MLP、1D-CNN、LSTM和CNN-LSTM混合网络。统一采用精确率、召回率、F1分数和整体准确率进行评估：
MLP（多层感知机）全连接网络：在拟合全局光谱特征方面表现稳定，在实验分类中优于其他模型；

• 1D-CNN：擅长捕捉相邻波段的局部光谱变化；
  LSTM：适用于连续光谱带的序列特征学习；
• CNN-LSTM混合结构：融合了局部和序列特征，但受数据量影响，其识别性能不如单一网络。
• 同时，配对t检验和McNemar检验验证了模型间性能差异具有统计学意义，排除了随机抽样引起的波动干扰。
• 3.光谱模式佐证识别混淆原因

从光谱曲线中可直观看出模型的误分类逻辑：咖啡和茶的曲线在400-550 nm范围内高度重叠，威士忌和朗姆酒在近红外范围仅有细微差异。这两对样本易发生相互误判，与模型混淆矩阵结果一致，证明了光谱数据可以解释识别错误，增强了识别结果的可解释性。
四、高光谱成像在法证物证中的核心应用价值

1.物证完整性保存：整个过程无需试剂，不接触污渍。检测后，样本可用于其他鉴定，符合司法物证规范；
2.提升侦查效率：单次成像即可采集整个污渍区域的全光谱，无需逐点采样，适合现场快速筛查；

3.区分视觉相似痕迹：数百个连续波段捕捉有机物和颜料的细微光学差异，解决视觉区分难题；

4.环境适应性强：实验验证了设备可适应不同背景色、折叠、风干状态的污渍，未来有望扩展至织物、证件、皮肤等基底；

5.数据数字化留存：光谱值可导出归档，逐步构建痕迹光谱库，实现智能比对。

产品推荐：FigSpecFS-23 成像高光谱相机

图像分辨率：1920*1920

• 光谱范围：400-1000nm
• 光谱分辨率（FWHM）：2.5nm
• 光谱通道数：1200
• 免责声明

本内容基于Nature公开学术文献（文献链接：https://www.nature.com/articles/s41598-026-49928-8）整理编辑，仅用于行业技术探讨和科普学习，不构成任何商业承诺，亦不能作为投资参考依据。文中列举的实验数据及结论可能受测试环境、样本个体差异、模型构建方案等多变量干扰，实际应用时须结合具体使用场景，通过独立测试验证相关效果。