通过近红外光谱与化学计量建模方法对无烟火药进行潜在快速鉴别的研究，用于法医应用

这项研究为何与公共安全相关

无烟火药是大多数子弹内部的推进剂，它也会出现在自制枪支和简易炸弹中。当侦查人员在案发现场发现散落的火药时，能够判定其来自哪个工厂，有助于串并案件、追踪供应链并排查或锁定嫌疑人。本研究探讨了一种更快、更清洁的区分外观相似火药的方法，使用不可见光谱与计算机模式识别，取代缓慢的化学实验室程序。

对外观相似火药的仔细观察

对普通观察者而言，许多无烟火药看上去几乎相同：小颗粒或薄片，只有颜色、大小或形状的细微差异。然而各厂商及不同弹种的配方各不相同。研究人员收集了来自中国20家生产商的79种弹药中的火药，涵盖手枪、步枪和钉枪弹等广泛类型。他们没有溶解或燃烧样品，而是轻柔地将火药从每发弹壳中取出，并在室温下静置定型后进行检测，以便保留材料供日后可能的使用。

在近红外光中读取隐含指纹

团队使用近红外光谱学分析这些火药——该方法照射位于可见光红端之外的光，并记录各波长的吸收量。这类光与化学键的快速振动相互作用，产生宽而重叠的特征，而非尖锐谱线。在这些无烟火药中，主要信号来自以硝化纤维素及相关化合物为基础的成分，呈现与氧—氢和碳—氢振动相关的宽峰。乍看之下，不同制造商的光谱非常相似，仅有微妙差异，表明简单目视比较不足以可靠区分它们。

为何传统统计方法不够

为评估任务的难度，研究人员检查了数据的整体分布。大多数火药在狭窄范围内吸收光，制造商之间的相似性评分往往很高，只有少数厂家显示出明显不同的模式。他们还面临样本数量严重不平衡的问题：部分制造商提供了大量样本，而其他厂家仅有少数。当团队使用常见工具（如基本描述性统计和将复杂数据压缩到二维地图的UMAP方法）时，许多制造商的簇发生重叠。依赖于这一压缩空间中简单边界的标准机器学习模型难以将火药分开，准确率不足60%。

让神经网络发现微妙模式

为了解决这些隐含差异，作者转向深度学习神经网络——一种能够在大量数值中学习分层模式的计算模型。他们将原始近红外光谱输入该网络并训练其预测每份火药的制造商。模型架构和参数通过系统化搜索进行调优，数据通过交叉验证划分为训练集与验证集以限制过拟合。在直接比较中，神经网络优于四种常见算法以及更传统的化学计量方法，将20家制造商的平均预测准确率提升至80%以上。

理解模型真正依赖的是什么

由于黑箱模型在法医情境中难以完全信任，团队检查了哪些光谱区域对神经网络的决策影响最大。使用名为SHAP的工具，他们发现特定的近红外波段，尤其是在约6700–7100和5700–6000厘米的逆厘米范围内，对模型权重贡献最大。这些区域对应火药中关键化学基团的已知振动特征。这一对应表明，模型并非依赖随机噪声，而是在利用那些肉眼难以察觉但具有化学意义的配方差异。

对未来法医实验室的意义

研究表明，近红外光谱结合现代深度学习，能够在不破坏证据或使用额外化学品的前提下，比多种传统方法更快且更准确地按来源对无烟火药进行分类。作者提醒，其测试侧重于来自未发射弹药的完整火药样本且数据存在一定不平衡，因此仍需对射击残留物、规模更大的样本库以及更好的数据处理方法开展进一步研究。尽管如此，结果指向一种可行的筛查工具，能帮助法医科学家快速缩小可疑火药的来源范围，而更详尽、耗时的实验室方法则用于最终确证。

引用: 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

关键词: 无烟火药, 法医分析, 近红外光谱, 神经网络, 弹药