Исследование для быстрого различения бездымных порохов с помощью ближней инфракрасной спектроскопии и хемометрического моделирования для судебно-экспертного применения

Почему это исследование важно для общественной безопасности

Бездымный порох — это горючее внутри большинства пуль; он также встречается в самодельном оружии и импровизированных взрывных устройствах. Когда следователи находят рассыпавшийся порох на месте преступления, возможность установить, с какого завода он пришёл, помогает связывать дела между собой, прослеживать каналы поставок и подтверждать или исключать причастность подозреваемых. В этом исследовании рассматривается более быстрый и чистый способ отличать похожие по виду пороха, используя невидимый свет и распознавание образов компьютером вместо медленных химических анализов в лаборатории.

Внимательный взгляд на похожие порохи

Для непосвящённого глаза многие бездымные пороха выглядят почти одинаково: мелкие зерна или хлопья, различающиеся лишь незначительно по цвету, размеру или форме. Однако рецептуры различаются в зависимости от производителя и типа патрона. Исследователи собрали пороха из 79 патронов, произведённых 20 заводами в Китае, охватив широкий ассортимент пистолетных, винтовочных и гвоздезабивных патронов. Вместо растворения или сжигания образцов они аккуратно извлекали порох из каждого патрона и давали ему осесть при комнатной температуре перед анализом, сохраняя материал целым для возможного дальнейшего использования.

Чтение скрытых отпечатков в ближней инфракрасной области

Команда проанализировала пороха методом ближней инфракрасной спектроскопии — техникой, которая подсвечивает образец светом сразу за красной границей видимого спектра и фиксирует, сколько света поглощается на разных длинах волн. Этот вид света взаимодействует с быстрыми колебаниями химических связей, давая широкие, перекрывающиеся особенности, а не острые линии. В этих бездымных порохах главные сигналы исходили от ингредиентов на основе нитроцеллюлозы и родственных соединений, проявляясь в виде широких пиков, связанных с колебаниями O–H и C–H. На первый взгляд спектры разных производителей выглядели очень похоже и содержали лишь тонкие различия, что указывает на то, что простое визуальное сравнение недостаточно для надёжной сортировки.

Почему традиционная статистика оказалась недостаточной

Чтобы оценить сложность задачи, исследователи изучили общую разбросанность данных. Большинство образцов поглощали свет в узком диапазоне, и показатели сходства между производителями часто были очень высоки. Лишь у немногих производителей наблюдались явно отличающиеся шаблоны. Кроме того, у них была сильная дисбалансировка по числу образцов: некоторые производители предоставили много патронов, у других было всего несколько. При использовании обычных инструментов, таких как базовая описательная статистика и метод UMAP для сжатия сложных данных в двумерную карту, кластеры многих производителей перекрывались. Стандартные модели машинного обучения, опирающиеся на простые границы в этом сжатом пространстве, с трудом разделяли пороха и показывали точность менее 60 процентов.

Дав нейронной сети найти тонкие закономерности

Чтобы выявить эти скрытые различия, авторы обратились к глубоким нейронным сетям — типу компьютерных моделей, способных обучаться многоуровневым признакам в больших наборах чисел. Они подали сырые ближнеинфракрасные спектры в сеть и обучили её предсказывать, какой производитель выпустил каждую пробу пороха. Архитектура модели и её параметры были настроены путём систематического поиска, а данные разделили на обучающую и валидационную выборки с перекрёстной проверкой, чтобы ограничить переобучение. В прямых сравнениях нейронная сеть превзошла четыре распространённых алгоритма, а также более классические хемометрические методы, повысив среднюю точность предсказаний до более чем 80 процентов среди 20 производителей.

Понять, на чём на самом деле основывается модель

Поскольку чёрные ящики сложно доверять в судебно-экспертной практике, команда проанализировала, какие участки спектров наиболее влияли на решения нейронной сети. С помощью инструмента SHAP они обнаружили, что наибольшую важность имели конкретные ближнеинфракрасные полосы, особенно в областях примерно 6700–7100 и 5700–6000 обратных сантиметров. Эти диапазоны соответствуют известным колебательным признакам ключевых химических групп в порохах. Такое совпадение указывает на то, что модель опирается не на случайный шум, а на химически значимые различия между формулами, которые слишком тонки, чтобы заметить их невооружённым глазом.

Что это значит для будущих криминалистических лабораторий

Исследование показывает, что ближняя инфракрасная спектроскопия в сочетании с современными методами глубокого обучения может быстро сортировать бездымные пороха по источнику с гораздо большей точностью, чем несколько традиционных подходов, и без разрушения улик или применения дополнительных химикатов. Авторы предупреждают, что их испытания были сосредоточены на целых образцах пороха из патронов и на наборе данных с некоторыми дисбалансами, поэтому требуются дальнейшие исследования на осадках после выстрела, с большими коллекциями и усовершенствованной обработкой данных. Тем не менее полученные результаты указывают на практический скрининговый инструмент, который может помочь судебным экспертам быстро сузить круг возможных источников пороха, оставляя более детальные и медленные методы лабораторного подтверждения для окончательной идентификации.

Цитирование: 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

Ключевые слова: бездымный порох, судебная экспертиза, ближняя инфракрасная спектроскопия, нейронная сеть, боеприпасы