Συντάχθηκε 19-01-2026 14:05
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 22/01/2026 12:00
Λήξη: 22/01/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αθηναίου Λάμπρου
με θέμα
Σύστημα Στατιστικής Μάθησης Υπερφασματικών Δεδομένων Ιατροδικαστικής
Statistical Learning System for Forensic Hyperspectral Data
Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Μπάλας (επιβλέπων)
Επίκουρος Καθηγητής Νικόλαος Γιατράκος
Δρ Ναθαναήλ Κορτσαλιουδάκης
Περίληψη
Η μικροσκοπία αποτελεί ένα από τα κυριότερα εργαλεία στην επιστήμη της εγκληματολογίας και της ιατροδικαστικής ανάλυσης, καθώς επιτρέπει τη λεπτομερή εξέταση ιχνών και μικροσκοπικών δειγμάτων που εντοπίζονται και συλλέγονται από χώρους εγκλήματος. Μέσα από τη μικροσκοπική απεικόνιση είναι δυνατή η παρατήρηση χαρακτηριστικών που δεν είναι ορατά με γυμνό μάτι, όπως η μορφολογία, η υφή και η δομή υλικών που μπορούν να συμβάλλουν καθοριστικά στην εξιχνίαση εγκλημάτων, μέσω της ταυτοποίησης και κατηγοριοποίησης ιχνών. Στην εγκληματολογία, η ανάλυση ιχνών όπως σταγόνες αίματος, τρίχες, ίνες, γύρη και άλλα μικροσκοπικά υλικά αποτελούν θεμέλια για τη διερεύνηση υποθέσεων. Τα ίχνη αυτά συχνά αποτελούν κρίσιμα αποδεικτικά στοιχεία, καθώς μπορούν να συνδέσουν ένα άτομο, ένα αντικείμενο ή έναν χώρο με ένα εγκληματικό γεγονός. Για το λόγο αυτό η ακρίβεια και η αξιοπιστία της ανάλυσης των ιχνών αυτών είναι άκρως απαραίτητο να έχουν διασφαλιστεί με τα κατάλληλα εργαλεία, μέσα και ειδικούς.
Η σύγχρονη μικροσκοπία δεν περιορίζεται μόνο σε μια τεχνική απεικόνισης. Αντίθετα, χρησιμοποιούνται τεχνολογίες αιχμής και διαφορετικές απεικονίσεις όπως φθορισμός, πόλωση, ανάκλαση, μετάδοση -καθεμία από τις οποίες επιλέγεται, κατά περίπτωση, για την ανάδειξη φυσικών και χημικών ιδιοτήτων του ίδιου υπό ανάλυση δείγματος. Μέσω των υπερφασματικών απεικονίσεων το ίδιο αντικείμενο μπορεί να αποτυπωθεί με πολλαπλούς τρόπους, προσφέροντας συμπληρωματική πληροφορία που είναι δύσκολο να εξαχθεί πλήρως με συμβατικές μεθόδους. Παραδοσιακά η ερμηνεία των μικροσκοπικών εικόνων βασίζεται στην εμπειρία και κρίση του ειδικού αναλυτή. Ωστόσο, η διαδικασία αυτή μπορεί να είναι χρονοβόρα, υποκειμενική και επιρρεπής σε ανθρώπινα σφάλματα, ειδικά όταν ο όγκος των δεδομένων είναι μεγάλος ή όταν οι διαφορές μεταξύ δειγμάτων έγκεινται σε λεπτομέρειες. Για το λόγο αυτό τα τελευταία χρόνια παρατηρείται αυξανόμενο ενδιαφέρον για την αξιοποίηση αυτοματοποιημένων μεθόδων ανάλυσης που μπορούν να υποστηρίξουν ή ακόμη να ενισχύσουν το έργο ενός ειδικού. Στο πλαίσιο αυτό, τα συστήματα Μηχανικής Μάθησης (Machine Learning) έχουν αναδειχθεί ως ισχυρά εργαλεία για την ανάλυση και την επεξεργασία μεγάλου όγκου δεδομένων. Ιδιαίτερα στον τομέα ανάλυσης εικόνων τα συνελικτικά νευρωνικά δίκτυα (CNN, Convolutional Neural Networks) έχουν αποδειχθεί αξιόπιστα εργαλεία, αφού μπορούν να μαθαίνουν αυτόματα, διακριτικά χαρακτηριστικά απευθείας από δεδομένα χωρίς την ανάγκη χειροκίνητης εξαγωγής τους. Η χρήση τεχνολογιών αιχμής όπως η Μηχανική Μάθηση στην εγκληματολογική ανάλυση επιτρέπει την ανάπτυξη συστημάτων που μπορούν να εντοπίζουν πρότυπα, να διακρίνουν μεταξύ διαφορετικών κατηγοριών δεδομένων και να παρέχουν αντικειμενικά αποτελέσματα.
Η διπλωματική αυτή εργασία, συνδυάζοντας πληροφορίες από πολλαπλές τεχνικές υπερφασματικής απεικόνισης και μέσω χρήσης συστημάτων Μηχανικής Μάθησης, διερευνά πως μπορεί να βελτιώσει την απόδοση της ταξινόμησης εγκληματολογικών ιχνών και να αυτοματοποιήσει με αποτελεσματικότητα και ακρίβεια την εξαγωγή και ανάλυση τους στα εργαστήρια. Για τον σκοπό αυτό αναπτύχθηκε ένα σύστημα ταξινόμησης όπου, χρησιμοποιώντας ως βάση δεδομένων εικόνες με εγκληματολογικά ίχνη που καταγράφηκαν μέσω του μικροσκοπίου SMMART, εκπαιδεύει ξεχωριστά συνελικτικά νευρωνικά δίκτυα για την εξαγωγή χαρακτηριστικών, τα οποία στη συνέχεια εισάγονται σε ένα πλήρως συνδεδεμένο νευρωνικό δίκτυο (FCNN, Fully Connected Neural Network) που πραγματοποιεί την τελική τους ταξινόμηση ανά κατηγορία δείγματος.
Η παρουσίαση αυτή στοχεύει στην εξοικείωση του κοινού με τις μεθόδους και τα μέσα που χρησιμοποιήθηκαν για την ανάπτυξη του προτεινόμενου συστήματος, τη διαδικασία εκπαίδευσης και αξιολόγησης των συνελικτικών μοντέλων, καθώς και να αναδείξει τα αποτελέσματα και τα συμπεράσματα που προκύπτουν από την πολυτροπική αυτή προσέγγιση.
Abstract
Microscopy constitutes one of the most fundamental tools in the fields of forensic science and forensic analysis, as it enables the detailed examination of traces and microscopic samples that are identified and collected from crime scenes. Through microscopic imaging, it becomes possible to observe characteristics that are not visible to the naked eye, such as morphology, texture, and material structure. These characteristics can contribute decisively to the investigation of criminal cases through the identification and classification of forensic traces.
In forensic science, the analysis of traces such as bloodstains, hairs, fibers, pollen, and other microscopic materials forms a cornerstone of investigative procedures. Such traces often represent critical pieces of evidence, as they may establish a connection between an individual, an object, or a location and a criminal event. For this reason, ensuring the accuracy and reliability of trace analysis is of paramount importance and must be supported by appropriate tools, methodologies, and expert knowledge.
Modern forensic microscopy is not limited to a single imaging technique. On the contrary, advanced technologies and multiple hyperspectral imaging modalities are applied, including fluorescence, polarization, reflectance, and transmission imaging. Each modality is selected according to the case at hand and is capable of highlighting different physical or chemical properties of the same sample. By utilizing multiple imaging techniques, the same object can be visualized in several distinct ways, providing complementary information that is difficult to extract using conventional approaches. Traditionally, the interpretation of microscopic images relies heavily on the experience and judgment of the forensic analyst. However, this process can be not only time-consuming, but also subjective and prone to human error, particularly when dealing with large volumes of data, or when the differences between samples are minor. As a result, there has been an increasing interest in recent years in automated analytical methods that can support or enhance the work of forensic experts. In this context, Machine Learning systems have emerged as powerful tools for the analysis and processing of large-scale data. In particular, in the domain of image analysis, Convolutional Neural Networks (CNNs) have demonstrated remarkable effectiveness, as they are capable of learning discriminative features directly from data without the need for manual feature extraction. The application of Machine Learning techniques in forensic analysis enables the development of systems that can detect patterns, distinguish between different categories of data and provide objective results.
This undergraduate thesis builds upon this framework and aims to investigate how the combination of information from multiple hyperspectral imaging modalities, when combined with Machine Learning techniques, can improve the performance of forensic trace classification and enhance the automation of trace analysis in laboratory environments. To this end, a statistical classification system was developed using a dataset of forensic trace images acquired through the SMMART microscope. Separate Convolutional Neural Networks were trained for feature extraction from each imaging modality and the extracted features were subsequently fed into a Fully Connected Neural Network (FCNN), which performs the final classification of the samples into their respective categories.
This presentation aims to familiarize the audience with the methods and tools applied in the development of the proposed system, the process of training and evaluating the convolutional models, as well as to highlight the results and conclusions derived from this multimodal analytical approach.
