الرؤية الحاسوبية لعلم الأدلة الجنائية: اكتشاف الأدلة الخفية

تعتمد التحقيقات اعتمادًا كبيرًا على الأدلة المادية التي تُجمع من مسارح الجرائم، والكثير من هذه الأدلة ذو طبيعة بصرية. وتقليديًا، كان جمع هذه القرائن يدويًا - من خلال تصوير مسرح الجريمة، ورسم مخططاته، ووضع علامات على الأشياء، والاعتماد على عين المحقق المدرَّبة لاكتشاف التفاصيل الدقيقة.

على مر السنين، دعمت أدوات مثل الكاميرات الحرارية وأجهزة مسح البصمات هذا العمل وأدت دورًا محوريًا في حل الجرائم. لكن بفضل الذكاء الاصطناعي والرؤية الحاسوبية، أصبحت التحقيقات الآن أكثر تطورًا. ويمكن للآلات المساعدة في تحليل الأدلة البصرية بسرعة أكبر ودقة أعلى وعلى نطاق أوسع بكثير.

وعلى وجه الخصوص، تُعد الرؤية الحاسوبية تقنية مؤثرة تمكّن الآلات من رؤية الصور ومقاطع الفيديو وفهمها. ويمكن لهذه الأنظمة معالجة كميات كبيرة من البيانات البصرية وتحليلها بسرعة، مما يساعد المحققين على حل الجرائم بوتيرة أسرع.

دفعت مزايا الأدوات القائمة على الذكاء الاصطناعي في التحقيقات السوق العالمية لأدوات الأدلة الجنائية الرقمية القائمة على الذكاء الاصطناعي إلى بلوغ قيمة قدرها 4.98 مليار دولار في عام 2025، ومن المتوقع أن تصل إلى 17.7 مليار دولار بحلول عام 2031.

الشكل 1. السوق العالمية للأدلة الجنائية الرقمية القائمة على الذكاء الاصطناعي (المصدر).

في هذه المقالة، سنستكشف كيفية استخدام الرؤية الحاسوبية في التحقيقات الجنائية، وكيف يمكنها المساعدة في تحديد الأدلة البصرية وتحليلها وتفسيرها.

دور الذكاء الاصطناعي والرؤية الحاسوبية في علوم الأدلة الجنائية#

تمكّن الرؤية الحاسوبية الآلات من تفسير المعلومات البصرية من العالم الحقيقي واتخاذ قرارات استنادًا إلى ذلك الفهم. وبشكل خاص، يمكن استخدام الذكاء الاصطناعي في علوم الأدلة الجنائية لاكتشاف عناصر مثل الأسلحة أو الإصابات، وتتبع المركبات، وحتى إعادة بناء نماذج ثلاثية الأبعاد لمسارح الجرائم بسرعة ودقة لافتتين.

مع أن التحقيقات الجنائية لا تزال تعتمد على الملاحظة اليدوية والخبرة المتخصصة، فإن هذه العملية قد تستغرق وقتًا طويلًا وتركز عادةً على حالة واحدة في كل مرة. وتوفر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 نهجًا أسرع وأكثر قابلية للتوسع. ويمكن لهذه النماذج مسح مسارح الجرائم، وتحديد الأشياء المهمة، وتصنيف الأدلة باستخدام مهام Vision AI مثل اكتشاف الأشياء وتصنيف الصور.

فعلى سبيل المثال، بدلًا من مراجعة مئات الساعات من تسجيلات المراقبة يدويًا، يمكن لنموذج رؤية حاسوبية مسح موجزات الفيديو تلقائيًا لاكتشاف الأنشطة المشبوهة - مثل الحركات غير المعتادة، أو التسكع، أو ترك الأشياء خلف الشخص. ويمكنه تحديد أطر زمنية ومواقع محددة ليراجعها المحققون، مما يقلل بدرجة كبيرة الوقت والجهد اللازمين للعثور على الأدلة ذات الصلة.

تطبيقات Vision AI في علوم الأدلة الجنائية#

تغيّر الرؤية الحاسوبية طريقة جمع المحققين للأدلة البصرية ودراستها. وفيما يلي نظرة أقرب على كيفية استخدامها اليوم في العمل الجنائي.

تحليل تسجيلات المراقبة باستخدام الرؤية الحاسوبية#

تُعد متابعة الأشياء - أي تتبع الأشخاص أو المركبات أو العناصر عبر إطارات الفيديو - إحدى أكثر تقنيات الرؤية الحاسوبية شيوعًا في المراقبة. وبدلًا من برمجتها يدويًا لكل موقف، تتعلم هذه الأنظمة من مقاطع الفيديو الواقعية وتتعرف بسرعة على شكل السلوك «الطبيعي». وبذلك، يمكنها رصد السلوك غير المعتاد تلقائيًا، مثل شخص يتسكع في منطقة هادئة، أو مركبة في منطقة محظورة، أو حقيبة متروكة دون مراقبة في مكان عام.

قد تكون هذه التقنية مفيدة أثناء التحقيقات. فعلى سبيل المثال، إذا قال شاهد إنه رأى شاحنة صغيرة حمراء عند تقاطع طرق بين الساعة 11 صباحًا والساعة 1 ظهرًا، فيمكن للرؤية الحاسوبية مسح ساعات من تسجيلات CCTV، واستخراج كل ظهور لشاحنة حمراء، وإعفاء المحققين من مراجعة التسجيل بأكمله يدويًا. ومن خلال أتمتة ما كان يستغرق ساعات أو أيامًا، تجعل الرؤية الحاسوبية المراقبة المباشرة ومراجعة الأدلة أسرع وأذكى وأكثر فاعلية.

الشكل 2. استخدام Vision AI لتحليل تسجيلات CCTV وتتبع الشاحنات الصغيرة الحمراء (المصدر).

استخدام الذكاء الاصطناعي في التحقيقات المتعلقة بحرائق الغابات#

في أعقاب الحوادث المرتبطة بالحرائق، يكون الوقت حاسمًا، وغالبًا ما تتعرض الأدلة المادية للتلف أو التدمير. وتساعد تقنيات الرؤية الحاسوبية على سد هذه الفجوة من خلال تحليل مصادر متنوعة للبيانات البصرية، مثل صور الأقمار الصناعية، ولقطات الطائرات المسيّرة، وCCTV، والمسوح الحرارية، لإعادة بناء تسلسل الأحداث.

يمكن لهذه الأدوات اكتشاف مصدر الحريق، وتحديد المواد المحتملة المساعدة على الاشتعال، وتتبع نشاط الأشخاص أو المركبات بالقرب من الموقع. وعند دمجها مع قواعد بيانات الجرائم وتقارير الحوادث، يستطيع النظام اكتشاف أنماط، مثل تكرار مواقع الحرائق، أو سلوك المشتبه بهم، أو إشعال الحرائق المنسق، عبر مناطق مختلفة.

يأتي مثال واقعي من نيو ساوث ويلز في أستراليا، حيث استخدمت الشرطة منصة للرؤية الحاسوبية تُسمى Insights أثناء التحقيقات في حرائق الغابات التي اندلعت في 2019–2020. حللت المنصة تسجيلات CCTV، والبيانات الجغرافية المكانية، والمدخلات البيئية مثل اتجاه الرياح وسجلات ضربات البرق. كما استخدمت التعرف على الأشياء لتحديد العناصر البصرية ذات الصلة، مثل المركبات أو المعدات، ضمن كميات هائلة من تسجيلات المراقبة.

ومن خلال تراكب هذه الرؤى مع بيانات تحديد الموقع الجغرافي للهواتف المحمولة والخرائط، تمكن المحققون من ربط النشاط البشري بحوادث حرائق محددة وعرض هذه البيانات بصريًا أثناء التحقيقات الرسمية. وقد سرّع هذا النهج عملية التحقيق.

الشكل 3. محقق في الأدلة الجنائية يفحص حطام حريق (المصدر).

إعادة بناء مسرح جريمة باستخدام الرؤية الحاسوبية#

تجمع إعادة البناء الثلاثي الأبعاد في علوم الأدلة الجنائية بين تقنيات مثل التصوير الفوتوغرافي، والمسح بالليزر، وLiDAR، والرؤية الحاسوبية لإنشاء نماذج مفصلة لمشاهد الجرائم بمقياس مطابق للحقيقة. وتساعد عمليات إعادة البناء هذه المحققين على تصور مواضع الأشياء، وأنماط تناثر الدم، ومسارات الرصاص بدرجة من الدقة والتفاعلية لا توفرها الصور التقليدية الثنائية الأبعاد. وتعزز هذه التقنية التحليل والعروض المقدمة أمام المحكمة من خلال إتاحة جولات افتراضية وقياسات دقيقة.

وبعيدًا عن التحقيقات النشطة، تعيد إعادة البناء الثلاثي الأبعاد والواقع الافتراضي (VR) أيضًا تصور التعليم الجنائي. ففي البيئات الأكاديمية، يمكن للطلاب استخدام خوذات VR لاستكشاف مسارح جرائم محاكاة، وتحديد الأدلة، وممارسة تقنيات مثل مسح البصمات وتحليل تناثر الدم. وينمّي نهج التعلم الغامر هذا المهارات الأساسية للتحقيق في بيئة آمنة قابلة للتكرار.

الشكل 4. طالب ينظر إلى مسرح الجريمة باستخدام خوذة VR (المصدر).

تحسين الصور باستخدام Vision AI#

حُلّت مؤخرًا قضية عمرها 19 عامًا في كيرالا بالهند بمساعدة تحسين الصور المدعوم بالذكاء الاصطناعي. أعاد المحققون فحص صور قديمة تعود إلى وقت وقوع الجريمة، واستخدموا مزيجًا من معالجة الصور والذكاء الاصطناعي لتوضيح ملامح الوجه وإنشاء صور محدثة تشبه المشتبه بهم. وقد شابهت إحدى الصور المحسّنة بدرجة كبيرة شخصًا ظهر في صورة زفاف نُشرت عبر الإنترنت، مما أدى في النهاية إلى تحقيق تقدم حاسم في القضية.

تُعد هذه القضية مثالًا جيدًا على كيفية مساعدة الأدوات الجنائية الحديثة، ولا سيما دمج الذكاء الاصطناعي مع تحسين الصور التقليدي، أجهزة إنفاذ القانون على إعادة فتح التحقيقات المتوقفة منذ وقت طويل وحلها. ومن خلال كشف التفاصيل المحجوبة أو تحديد هوية أشخاص تغير مظهرهم بدرجة كبيرة بمرور الوقت، تثبت هذه التقنيات أنها أصول قوية في مجال الأدلة الجنائية الرقمية.

استخدام تقسيم النماذج لاستخراج الأدلة#

تقسيم النماذج هو مهمة في الرؤية الحاسوبية يمكنها تحديد الأشياء الفردية في الصورة وتحديد حدود كل منها بقناع مفصل على مستوى البكسل. ويساعد ذلك المحققين على عزل أجزاء الأدلة المهمة بدقة، حتى في البيئات الفوضوية أو المعقدة.

لنفترض وجود مسرح جريمة تظهر فيه مجموعات متعددة من آثار الأقدام أو مسارات إطارات متداخلة في التراب أو الثلج - إذ يمكن لـتقسيم النماذج تمييز كل أثر وتحديد حدوده على حدة. ويسهّل ذلك تحليل أنماط الحركة، أو مسارات المركبات، أو مسارات المشتبه بهم دون تشتيت بسبب فوضى الخلفية.

إلى جانب تحليل مسرح الجريمة، يُطبَّق تقسيم النماذج أيضًا على الصور الجنائية. ففي دراسة أجراها معهد زيورخ للطب الشرعي، استخدم الباحثون هذه التقنية لتحديد أنواع مختلفة من الجروح. ودرّبوا نموذج رؤية على 1,753 صورة جنائية تحتوي على 4,666 جرحًا.

تمكن النموذج المدرَّب من اكتشاف سبعة أنواع من الإصابات وتصنيفها، بما في ذلك جروح الطعن والحروق. وأظهر ذلك كيف يمكن لـVision AI دعم المحققين من خلال تحليل أنماط الإصابات بسرعة ودقة، وتوفير الوقت، وتحسين الاتساق في تقييمات الصور الجنائية.

التعرف التلقائي على لوحات أرقام المركبات بتمكين من Vision AI#

التعرف التلقائي على لوحات أرقام المركبات (ANPR)، أو التعرف على لوحات المركبات (LPR)، هو تطبيق للرؤية الحاسوبية يركز على اكتشاف أرقام لوحات المركبات وقراءتها واستخراجها تلقائيًا من الصور أو مقاطع الفيديو. ويتضمن ذلك عادةً استخدام نماذج رؤية حاسوبية، مثل YOLO11، لاكتشاف الأشياء وتحديد موقع لوحة المركبة داخل الإطار.

بمجرد تحديد اللوحة، يُطبَّق التعرف الضوئي على الأحرف (OCR) لاستخراج الأحرف الأبجدية الرقمية. ويمكن بعد ذلك مطابقة هذه المعلومات مع قواعد البيانات لتحديد مالك المركبة أو تتبع تحركاتها السابقة. ويُعد ANPR مفيدًا بوجه خاص في التحقيقات المتعلقة بالأشخاص المفقودين، أو سرقة المركبات، أو مخالفات المرور، أو حوادث الاصطدام والفرار.

فعلى سبيل المثال، في قضية شخص مفقود، يمكن لجهات إنفاذ القانون إدخال رقم لوحة المركبة في نظام LPR. وإذا ظهرت المركبة أمام كاميرا مراقبة، يستطيع النظام تحديد موقعها تلقائيًا، مما يساعد الضباط على الاستجابة بسرعة. ويؤدي LPR أيضًا دورًا رئيسيًا في قضايا مثل المركبات المسروقة أو حوادث الاصطدام والفرار، من خلال توفير تتبع سريع ودقيق عبر شبكات المراقبة المتكاملة.

الشكل 5. اكتشاف لوحات أرقام المركبات باستخدام Ultralytics YOLO11 (المصدر).

إيجابيات وسلبيات استخدام الذكاء الاصطناعي في علوم الأدلة الجنائية#

يوفر الذكاء الاصطناعي والرؤية الحاسوبية عدة فوائد رئيسية تعزز كفاءة التحقيقات الجنائية وإمكانية الوصول إليها وموثوقيتها. وفيما يلي بعض المزايا الرئيسية التي ينبغي أخذها في الاعتبار:

• التحليل عن بُعد: تتيح الرؤية الحاسوبية للمحققين في الأدلة الجنائية مشاهدة مسارح الجرائم والأدلة، مثل الصور ومقاطع الفيديو والنماذج الثلاثية الأبعاد، من أي مكان دون الحضور شخصيًا.
• الأرشيفات طويلة الأمد: يمكن تنظيم البيانات التي تعالجها أنظمة الرؤية جيدًا والبحث فيها بسهولة. وإذا دعت الحاجة إليها مستقبلًا، يمكن الرجوع إليها وإعادة تحليلها باستخدام نماذج محسّنة في القضايا القديمة.
• الاتساق: بخلاف البشر، الذين قد يفسرون المعلومات البصرية بطرق مختلفة استنادًا إلى خبراتهم، تطبق نماذج الرؤية الحاسوبية القواعد نفسها في كل مرة، مما ينتج عنه تحليل أكثر اتساقًا وتجانسًا.

على الرغم من إمكاناتها، تنطوي الرؤية الحاسوبية في علوم الأدلة الجنائية أيضًا على بعض التحديات التي ينبغي وضعها في الاعتبار. وفيما يلي بعض أهمها:

• جودة المدخلات: تعتمد نماذج الرؤية بدرجة كبيرة على جودة البيانات التي تتلقاها. وقد تفوّت حلول الرؤية الحاسوبية تفاصيل مهمة أو تسيء تفسيرها إذا كانت الصور ضبابية أو ضعيفة الإضاءة أو منخفضة الدقة. ويمكن الحد من ذلك بتطبيق استراتيجية زيادة البيانات المناسبة.
• صعوبة التعامل مع البيانات غير المرئية سابقًا: قد تواجه نماذج الرؤية الحاسوبية صعوبة عند مواجهة شيء جديد - مثل أشياء غير مألوفة أو مسارح جرائم تختلف عن البيانات التي دُرّبت عليها. ويُعرف ذلك باسم «الانجراف».
• التحديات القانونية: قد يثير استخدام الرؤية الحاسوبية في التحقيقات أسئلة قانونية، مثل ما إذا كانت الأدلة مقبولة أمام المحكمة، ومدى خصوصية البيانات، ومدى شفافية قرارات النظام.

أهم النقاط المستخلصة#

لا تزال الرؤية الحاسوبية في طور التطور، لكنها تغيّر بالفعل طريقة عمل علوم الأدلة الجنائية. فمن اكتشاف أجزاء الأدلة الصغيرة وتحديد حدودها من خلال تقسيم النماذج، إلى إنشاء نماذج ثلاثية الأبعاد لمسارح الجرائم وتحسين المستندات، تدعم هذه التقنية المحققين في كل مرحلة من مراحل عملهم.

في المستقبل، من المرجح أن تعمل الرؤية الحاسوبية عن كثب أكبر مع الذكاء الاصطناعي وتعلُّم الآلة لاكتشاف الأنماط بسرعة أكبر وإجراء تنبؤات أفضل باستخدام بيانات القضايا السابقة. ومع استمرار تحسن التقنية، ستواصل توفير طرق جديدة وأفضل لحل الجرائم.

انضم إلى مجتمعنا ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. واستكشف تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الزراعة في صفحات حلولنا. وتفقّد خيارات الترخيص لدينا وابدأ البناء باستخدام الرؤية الحاسوبية اليوم!