Badanie szybkiej identyfikacji prochów bezdymnych metodą spektroskopii w bliskiej podczerwieni i chemometrycznego modelowania z myślą o zastosowaniach sądowych

Dlaczego to badanie ma znaczenie dla bezpieczeństwa publicznego

Proch bezdymny jest paliwem wewnątrz większości pocisków, występuje też w domowej produkcji broni i improwizowanych ładunkach. Gdy śledczy znajdują luźny proch na miejscu zdarzenia, możliwość ustalenia, z której fabryki pochodzi, pomaga łączyć sprawy, śledzić szlaki zaopatrzenia i wykluczać lub potwierdzać podejrzanych. Badanie to bada szybszy, czystszy sposób rozróżniania pozornie podobnych prochów, wykorzystując niewidzialne światło i rozpoznawanie wzorców przez komputery zamiast czasochłonnych analiz chemicznych w laboratorium.

Dokładne oglądanie podobnych prochów

Dla przypadkowego obserwatora wiele prochów bezdymnych wygląda niemal identycznie: małe ziarenka lub płatki różniące się nieznacznie kolorem, rozmiarem czy kształtem. Jednak ich receptury różnią się w zależności od producenta i typu naboju. Badacze zebrali próbki prochów z 79 naboi wytwarzanych przez 20 producentów w Chinach, obejmując mieszankę amunicji pistoletowej, karabinowej i do gwoździarki. Zamiast rozpuszczać czy spalać próbki, delikatnie usunęli proch z każdego naboju i pozostawili go w temperaturze pokojowej przed testami, zachowując materiał nietknięty do ewentualnego późniejszego wykorzystania.

Odczytywanie ukrytych odcisków w bliskiej podczerwieni

Zespół analizował prochy za pomocą spektroskopii w bliskiej podczerwieni — metody, która oświetla próbkę światłem tuż za czerwonym końcem widzialnego spektrum i rejestruje, ile energii jest absorbowane przy różnych długościach fali. Tego typu światło oddziałuje z szybkimi drganiami wiązań chemicznych, dając szerokie, nakładające się pasma zamiast ostrych linii. W tych prochach główne sygnały pochodziły od składników opartych na nitrocelulozie i pokrewnych związkach, które ujawniały się jako szerokie piki związane z drganiami wiązań tlen–wodór i węgiel–wodór. Na pierwszy rzut oka widma od różnych producentów wyglądały bardzo podobnie i zawierały tylko subtelne różnice, co sugeruje, że proste porównanie wizualne nie wystarczyłoby do ich wiarygodnego rozdzielenia.

Dlaczego tradycyjna statystyka okazała się niewystarczająca

Aby ocenić stopień trudności zadania, badacze przeanalizowali ogólne rozproszenie danych. Większość prochów absorbowała światło w wąskim zakresie, a wskaźniki podobieństwa między producentami były często bardzo wysokie. Tylko nieliczni producenci wykazywali wyraźnie odrębne wzorce. Dodatkowo napotkali silną nierównowagę liczebności próbek: niektórzy producenci dostarczyli wiele naboi, inni byli reprezentowani jedynie przez kilka. Gdy zespół zastosował powszechnie używane narzędzia, takie jak podstawowe statystyki opisowe i metodę UMAP, która redukuje złożone dane do dwuwymiarowej mapy, klastry wielu producentów zachodziły na siebie. Standardowe modele uczenia maszynowego opierające się na prostych granicach w tej skompresowanej przestrzeni miały trudności z rozdzieleniem prochów i osiągały mniej niż 60 procent trafności.

Pozwolenie sieci neuronowej na znalezienie subtelnych wzorców

Aby poradzić sobie z tymi ukrytymi różnicami, autorzy sięgnęli po głęboką sieć neuronową — rodzaj modelu komputerowego potrafiącego uczyć się wielopoziomowych wzorców w dużych zbiorach liczb. Wprowadzili do tej sieci surowe widma w bliskiej podczerwieni i trenowali ją, by przewidywała, który producent wytworzył dany proch. Architekturę modelu i jego ustawienia dopracowywano przez systematyczne przeszukiwania, a dane dzielono na zbiory treningowe i walidacyjne z krzyżowym sprawdzaniem, by ograniczyć nadmierne dopasowanie. W bezpośrednich porównaniach sieć neuronowa przewyższyła cztery popularne algorytmy oraz klasyczne metody chemometryczne, podnosząc średnią trafność przewidywań do ponad 80 procent dla 20 producentów.

Zrozumienie, czego faktycznie używa model

Ponieważ modele „czarne skrzynki” bywają trudne do zaufania w zastosowaniach kryminalistycznych, zespół przeanalizował, które fragmenty widm najbardziej wpływały na decyzje sieci. Z użyciem narzędzia SHAP odkryli, że szczególne pasma w bliskiej podczerwieni, zwłaszcza w zakresach około 6700–7100 i 5700–6000 cm−1, miały największą wagę. Regiony te odpowiadają znanym drganiom charakterystycznych grup chemicznych w prochach. To dopasowanie sugeruje, że model nie opierał się na losowym szumie, lecz wykorzystywał chemicznie sensowne różnice między formulacjami, zbyt subtelne, by dostrzec je gołym okiem.

Co to oznacza dla przyszłych laboratoriów kryminalistycznych

Badanie pokazuje, że spektroskopia w bliskiej podczerwieni w połączeniu z nowoczesnym głębokim uczeniem może szybko sortować prochy bezdymne według źródła z dużo wyższą dokładnością niż kilka tradycyjnych podejść, i to bez niszczenia dowodu czy używania dodatkowych odczynników. Autorzy zastrzegają, że ich testy skupiały się na nietkniętym prochu z naboi oraz na zbiorze danych z pewnymi nierównowagami, więc konieczne są dalsze prace nad osadami po wystrzale, większymi kolekcjami i ulepszoną obróbką danych. Mimo to wyniki wskazują na praktyczne narzędzie przesiewowe, które mogłoby pomóc ekspertom kryminalistycznym szybko zawęzić pochodzenie podejrzanego prochu, podczas gdy bardziej szczegółowe i wolniejsze metody laboratoryjne zajmą się ostatecznym potwierdzeniem.

Cytowanie: Guo, H., Shi, H., Feng, Y. et al. A study for potential rapid discrimination of smokeless powders by near-infrared spectroscopy and chemometric modeling methods for forensic application. Sci Rep 16, 15981 (2026). https://doi.org/10.1038/s41598-026-45433-0

Słowa kluczowe: proch bezdymny, analiza kryminalistyczna, spektroskopia w bliskiej podczerwieni, sieć neuronowa, amunicja