Аннотация. 

В данной статье рассматривается проблема классификации изображений следов бойков с помощью полносвязной нейронной сети. Целью данной работы являлось исследование эффективности применения клоновых изображений следов бойков с измененными в допустимых пределах признаками для повышения качества обучения полносвязных нейронных сетей, а также оценка точности многогрупповой классификации следов бойков по экземплярам оружия с помощью такой сети. Научная новизна заключается в аугментации обучающей выборки изображений следов бойков огнестрельного оружия путем внесения в соответствии с прогнозируемой вариативностью индивидуальных признаков пространственных и яркостных искажений исходных изображений, достаточных для расширения признакового пространства, но не приводящих к дополнительному смешиванию классов и, за счет этого, повышения эффективности обучения ПНС. Проведенные исследования показали, что точность классификации анализируемых объектов достигает порядка 84% в случае фиксированного значения классифицирующего критерия и 94-98% при классификации по трем наибольшим сигналам на выходных нейронах. Работа представляет интерес для разработчиков программного обеспечения автоматизированных баллистических идентификационных систем.

Ключевые слова: 

следы бойков, полносвязные нейронные сети, многогрупповая классификация, аугментация выборки.

Стр. 43-57.

DOI 10.14357/20718632220305

 

 

Литература

1. Федоренко В.А., Корнилов М.В. Оценка схожести следов бойков огнестрельного оружия по их цифровым изображениям// Информационные технологии и вычислительные системы/ 2015, №3, с. 92-100.

2. Федоренко В.А., Гвоздков С.Н., Грабовец Е.Е. Влияние неоднородностей поверхности капсюлей на вариативность статических следов бойков// Известия Саратовского университета. Новая серия. Серия экономика. Управление. Право / 2018 г., №2, с.202-208.

3. Song J. 2013. Proposed “NIST Ballistics Identification System (NBIS)” Based on 3D Topographic Measurements on Correlation Cells. AFTE Journal. 45(2), p.184-194.

4. John Song, Proposed “Congruent Matching Cells (CMC)” Method for Ballistic Identification and Error Rate Estimation// AFTE 2015, Vol.47, №3, pp.177-185.

5. Сорокина К. О., Федоренко В. А., Гиверц П. В. Оценка схожести изображений следов патронного упора методом корреляционных ячеек // Информационные технологии и вычислительные системы/ 2019, №3, с. 3-15.

6. Bailey, Ken (1994). "Numerical Taxonomy and Cluster Analysis". Typologies and Taxonomies. p. 34. ISBN 9780803952591.

7. Федоренко В.А., Корнилов М.В. Применение методов кластерного анализа для оценки схожести следов бойков // Известие Саратовского ун-та. Нов. Сер. Экономика. Управление. Право. 2014. Т.14, вып.1. С.187-190.

8. Fedorenko V.A., Kornilov M.V. Automatic Comparison of Firing Pin Marks Against Descriptors Independent of Image Orientation // AFTE 2018, pp. 169-175.

9. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва, Техносфера, 2019. – 1104с.

10. Фурман Я.А. и др. Введение в контурный анализ и его приложения к обработке изображений и сигналов// М. Физматлит. 2003. С. 25-32.

11. S.B.A. Kamaruddin, N.A.M. Ghani, C.-Y. Liong, A.A. Jemain, Firearm Classification using Neural Networks on Ring of Firing Pin Impression Images, Adv. Distrib. Comput. Artif. Intell. J. 1 (2012) 27–35. https://doi.org/10.14201/ADCAIJ20121312734

12. O. Giudice, L. Guarnera, A.B. Paratore, G.M. Farinella, S. Battiato, Siamese Ballistics Neural Network, in: 2019 IEEE Int. Conf. Image Process., IEEE, 2019: pp. 4045–4049. https://doi.org/10.1109/ICIP.2019.8803619.

13. Создаем нейронную сеть, Т. Рашид, СПб.: ООО “Альфа-книга”, 2017, 272 с.

14. Николенко С., Кадурин А., Архангельская Е.. Глубокое обучение. Погружение в мир нейронных сетей. Изд. Питер, 2018, 480 с.

15. David A. Forsyth, Jean Ponce “Computer Vision. A Modern Approach” 2018, p. 960.