ПЕРСПЕКТИВЫ РАЗВИТИЯ КРИМИНАЛИСТИЧЕСКОЙ ИДЕНТИФИКАЦИИ КРАСЯЩИХ ВЕЩЕСТВ C ИСПОЛЬЗОВАНИЕМ МЕТОДА DCA-ML

В криминалистике идентификация выступает одним из важнейших методов установления связей между объектами и их отражениями в материальном мире. Современное уголовное судопроизводство, требующее высокой точности доказательств, наделяет криминалистическую идентификацию ролью необходимого инструмента в работе следователей и экспертов

Ключевая цель криминалистической идентификации состоит в определении соответствия между уликами с места преступления и конкретным человеком, совершившим его. С этой целью используются разнообразные научные подходы, включая всестороннее изучение следов, углубленный анализ поведенческих и физиологических особенностей злоумышленника, а также сопоставительное исследование информации и вещественных доказательств

А.И. Винберг, рассматривая данную тему, подчеркивал, что в криминалистике процесс отождествления обладает уникальными чертами. Он акцентировал внимание на том, что целью является определение конкретных фактов, имеющих решающее значение для выяснения обстоятельств дела. Это отличает криминалистическую идентификацию от аналогичных процессов в других областях знания, поскольку её задача — служить целям правосудия. Результаты криминалистической идентификации обязательно должны быть зафиксированы в процессуальных документах, в противном случае они не смогут использоваться в качестве доказательств. Следовательно, полученные результаты, предпринятые в ходе осмотра или экспертного анализа, можно классифицировать как криминалистическую идентификацию, поскольку они направлены на установление тождества объектов.

Термин «идентификация» берет своё начало от латинского слова «idem», означающего «тождественный», но в криминалистике этот процесс имеет более конкретную цель. Криминалистическая идентификация, как метод установления тождества, ставит своей целью определение конкретного объекта, оставившего материальные или идеальные следы, посредством их сопоставления с проверяемым объектом. Важно учесть, что при использовании криминалистической идентификации анализируются не только совпадающие признаки, но и различия имеют принципиальное значение, поскольку их изучение позволяет оценить достаточность признаков для вывода о наличии или отсутствии тождества. Анализ расхождений может инициировать выдвижение новых версий, задач, проведение следственных действий и оперативно-розыскных мероприятий, что в свою очередь, повысит эффективность криминалистической идентификации, и надежность её результатов.

Вместе с тем, новые возможности для криминалистической идентификации открываются в рамках активного внедрения цифровых технологий в современную криминалистику. Цифровые инструменты позволяют экспертам более эффективно собирать, анализировать и интерпретировать данные, существенно ускоряя и улучшая процесс раскрытия преступлений. Особая роль отведена также нейронным сетям, демонстрирующим эффективность анализа сложных данных, таких как изображения, видео и аудиозаписи, являясь мощным инструментом, позволяющим автоматизировать и оптимизировать традиционные методы идентификации подозреваемых, анализа почерка, баллистики и других криминалистических задач. Применение нейронных сетей позволяет автоматизировать рутинные процессы, выявлять скрытые закономерности и связи, тем самым существенно повышая точность и скорость расследования

Важной особенностью нейронных сетей является их способность к постоянному и непрерывному самообучению, они не только обрабатывают поступающую информацию, но и сохраняют ее, используя полученные знания в дальнейших операциях. Этот процесс имитирует накопление жизненного опыта, свойственное человеческому мозгу. Благодаря этой способности к самосовершенствованию, нейронные сети могут эффективно решать задачи, требующие не только аналитических навыков, но и креативного подхода

Данное обстоятельство играет определяющую роль в контексте применения нейронных сетей в криминалистической идентификации. В этой области от специалиста требуется не только владение методиками и профессиональными навыками, но и развитое аналитическое мышление, а также способность к генерации инновационных подходов. Именно эти качества нейронных сетей открывают новые возможности для криминалистической идентификации, способствуя разработке передовых методов и расширению горизонтов исследований. Способность к адаптации и обучению позволяет нейронным сетям успешно справляться с задачами, требующими гибкости и нестандартного мышления, что делает их перспективным инструментом в криминалистике

Одним из таких решений является Метод DCA-ML (цифровой анализ цвета (DCA) с машинным обучением). Учёные Центра искусственного интеллекта и науки о данных Санкт-Петербургского государственного университета (СПбГУ) совместно с исследователями из Германии и Дании разработали этот метод, который позволит исследовать чернила по их изображениям, фотографиям или сканам, не касаясь самого документа.

Анализ чернил является неотъемлемой частью технико-криминалистической экспертизы документов (табл. 1). В ходе такого исследования эксперт анализирует чернила, которыми написаны тексты и проставлены печати на листах. Данная экспертиза включает в себя определение состава чернил, исследование их химических свойств и их возможные изменения. Несмотря на обширный объем научных работ в сфере технической экспертизы документации (ТЭД), научное сообщество продолжает концентрироваться преимущественно на вопросах, касающихся классификации или дифференциации чернил, порядка нанесения штрихов и других характеристик, а также на аспектах, связанных с подделкой документов, включая искусственное состаривание и прочие методы. Тем не менее, задача установления точного возраста документа остается одной из наиболее трудных и не имеющих окончательного решения, что обусловлено рядом причин, среди которых:

– различия в условиях хранения документации;

– отсутствие унифицированных баз данных по чернилам, представленным на рынках различных стран;

– недостаток общепринятых методик для определения давности документа.

В криминалистической экспертизе чернил ключевую роль играют физико-химические подходы, так как они позволяют выявлять признаки фальсификации, определять давность нанесения записи и устанавливать состав чернил. Однако, несмотря на широкое применение, традиционные методы имеют ряд ограничений.

Например, хроматография является сложным процессом, требующим экспертной интерпретации, и не всегда позволяет полностью идентифицировать все компоненты чернил. Спектрометрический анализ, в свою очередь, характеризуется высокой чувствительностью, но сопряжен со значительными затратами и необходимостью сложной пробоподготовки.

Серьезным недостатком большинства традиционных методов является то, что они приводят к разрушению исследуемого образца, что делает невозможным дальнейшее изучение уникальных или имеющих историческую ценность чернил. Таким образом, успешное применение данных подходов напрямую зависит от высокой квалификации и опыта специалиста.

В качестве перспективной альтернативы традиционным методам анализа выступает цифровой цветовой анализ (DCA), активно разрабатываемый учеными из Санкт-Петербургского государственного университета. DCA использует изображения, фотографии или сканы документов для анализа чернил, что позволяет проводить исследование без физического воздействия на оригинал, сохраняя его целостность

Метод DCA-ML обладает следующими преимуществами по сравнению с традиционными подходами:

– минимизация риска повреждения или изменения оригинала документа;

– экономическая эффективность, выраженная в снижении затрат на оборудование и реагенты;

– адаптируемость;

– высокая точность.

Цифровой анализ цвета (DCA), активно развиваемый учеными СПбГУ, использует в своей основе алгоритм «случайного леса» — одна из разновидностей инструментов машинного обучения, который объединяет ансамбль решающих «деревьев» для повышения точности предсказаний (рис. 1). Каждое дерево строится на разных выборках данных DCA, используя различные комбинации цветовых признаков. Это позволяет:

– повысить стабильность результатов анализа, за счет использования множества мнений;

– эффективно выявить нелинейные зависимости между цветовыми признаками и характеристиками исследуемых объектов (например, типом чернил или возрастом документа);

– определить, какие цветовые характеристики наиболее значимы для идентификации и анализа;

– значительно улучшить точность классификации (например, типа чернил) и регрессии (например, оценки возраста документа), по сравнению с традиционными методами анализа цвета.

Рисунок 1 - Алгоритм машинного обучения «случайный лес»

Примечание: источник [8]

DOI:10.60797/IRJ.2026.164.91.2

В криминалистике, методы машинного обучения применяются для решения множества вопросов, включая идентификацию закономерностей и обработку изображений.

За последние несколько лет судебно-медицинская химия получила существенный импульс благодаря применению хемометрических методов и искусственного интеллекта. Машинное обучение полезно при распознавании рукописного текста и подписей, анализе ДНК, а также при изучении электронных улик.

«Случайный лес» является инструментом для анализа данных DCA, благодаря своей способности обрабатывать большие объемы данных и улавливать сложные закономерности, помогает определить, какие именно параметры цвета наиболее информативны для идентификации чернил или определения возраста документа (табл. 2).

Рассмотрим результаты новаторского исследования, опубликованные в научном журнале Forensic Science International. Центр, созданный в мае 2020 года, является ключевым элементом инфраструктуры, обеспечивающей подготовку высококвалифицированных кадров, проведение передовых исследований и разработок в сфере искусственного интеллекта и науки о данных

В рамках данного исследования разработан новый подход к определению возраста чернил синих шариковых ручек, основанный на комбинации анализа динамики цвета (DCA), ускоренной УФ-деградации и методов машинного обучения. Суть метода заключается в создании регрессионных моделей и проведении кластеризации образцов чернил, подвергнутых искусственному УФ-облучению, с целью установления их возраста. Это позволило сформировать детальный трехмерный массив данных, отражающий динамику цветовых изменений в чернилах под воздействием ультрафиолета.

Для кластеризации использовались две широко применяемые системы цветопередачи: RGB и HSV. В системе RGB компоненты R (красный) и B (синий) отражали изменения цвета, вызванные УФ-облучением, а в HSV компоненты S (насыщенность) и V (яркость) использовались для оценки степени фотодеградации чернил. Такой комбинированный подход позволил минимизировать ошибки и обеспечить соответствие результатов кластеризации реальным изменениям цвета, наблюдаемым при фотодеградации. Среди различных методов кластеризации наиболее эффективным оказался алгоритм k-shape. Он позволил оптимально сгруппировать чернила на основе закономерностей изменения их цвета как в системе HSV, так и в системе RGB, что было подтверждено данными, полученными в ходе химического анализа образцов.

С целью определения степени деградации образцов чернил, подвергнутых искусственному старению, были разработаны и обучены различные модели регрессии. Среди них, наилучшие показатели были получены при использовании модели «случайного леса», которая выявила нелинейную зависимость между цветовыми свойствами и продолжительностью воздействия. Результаты исследования позволили предложить перспективный способ диагностики возраста неизвестного образца чернил на основе созданных регрессионных моделей. Данный способ заключается в первоначальном отнесении образца к одной из ранее определенных групп чернил. Далее, участок образца подвергается дополнительному УФ-облучению, что позволяет получить кривую фотодеградации, которая и используется в качестве входных данных для анализа. Применяя построенные регрессионные модели, можно спрогнозировать дополнительное время воздействия УФ-излучения и рассчитать общее время облучения путем экстраполяции полученной кривой. Согласно имеющимся данным, предложенный метод позволяет оценивать возраст документов и записей в диапазоне от 0,5 до 15 лет, в зависимости от типа чернил и длительности искусственного УФ-облучения. Следует отметить, что применение данного метода требует наличия обширной базы данных образцов чернил для корректной классификации, а также сопряжено с минимальным, но всё же воздействием УФ-излучения на исследуемый образец, что может повлиять на точность результатов.

Однако, даже несмотря на перспективность использования машинного обучения в данном исследовании, важно понимать, что внедрение искусственного интеллекта (ИИ) в криминалистическую идентификацию несёт с собой не только возможности, но и потенциальные риски. Применение нейтронных сетей коренным образом модернизирует процессы криминалистической идентификации, предоставляя новые инструменты анализа чернил, способен автоматизировать утомительные процессы, повысить точность анализа и выявлять закономерности, тем самым повышая эффективность расследования преступлений. Алгоритмы машинного обучения могут анализировать химический состав чернил, сопоставлять их с обширными базами данных и определять происхождение, возраст и даже используемый тип ручки или принтера с большей эффективностью, чем традиционные методы. Это значительно сокращает время, необходимое для анализа, и повышает вероятность раскрытия преступлений. Тем не менее, рассматриваемая технология требует осторожности, поскольку одной из наиболее значимых проблем является зависимость алгоритмов ИИ от тренировочных данных. Если эти данные неполны или содержат систематические ошибки, то и результаты анализа будут искажены, что может привести к ложным выводам и ошибочным обвинениям. Например, если база данных чернил содержит недостаточно информации о производителях из определенных регионов, ИИ может неправильно идентифицировать подлинные образцы, как поддельные. Кроме того, возникает вопрос о прозрачности принимаемых ИИ решений. Многие современные алгоритмы, особенно нейронные сети, работают как «черный ящик», когда эксперту сложно понять, по какому принципу была произведена идентификация чернил. Это затрудняет проверку результатов и может подорвать доверие к экспертизе. Важно помнить, что ИИ в анализе чернил должен быть инструментом, помогающим эксперту, а не заменяющим его. Человеческий опыт и интуиция по-прежнему необходимы для интерпретации данных, выявления аномалий и принятия окончательного решения. Неверная интерпретация данных или чрезмерное доверие к выводам ИИ может привести к серьезным ошибкам, влияющим на судьбу людей. Именно поэтому, внедрение ИИ в криминалистику требует взвешенного подхода и критической оценки полученных результатов

Также стоит учитывать возможность манипулирования алгоритмами ИИ злоумышленниками. Если преступники научатся обходить системы идентификации чернил, например, используя специальные чернила или подделывая данные в базе данных, эффективность ИИ будет сведена к нулю. Поэтому необходимо постоянно совершенствовать алгоритмы, разрабатывать новые методы защиты от манипуляций и обеспечивать кибербезопасность инфраструктуры, используемой для криминалистического анализа.

Таким образом, внедрение метода DCA-ML демонстрирует огромный потенциал для совершенствования криминалистической идентификации чернил. Однако, несмотря на перспективность искусственного интеллекта в этой области, важно подчеркнуть необходимость осторожного и ответственного подхода. Необходимо учитывать потенциальные риски, связанные с предвзятостью данных, недостаточной прозрачностью алгоритмов и возможностью их манипулирования. Только в сочетании с опытом экспертов-криминалистов, строгим контролем качества, валидацией методик и неукоснительным соблюдением этических принципов, ИИ сможет стать действительно надежным и эффективным инструментом в борьбе с преступностью. Метод DCA-ML призван помогать устанавливать истину, а не искажать ее, и его дальнейшее развитие должно основываться на принципах надежности, прозрачности и ответственности.