الرؤية الحاسوبية للعلوم الجنائية: اكتشاف الأدلة المخفية

تعتمد التحقيقات بشكل كبير على الأدلة المادية التي يتم جمعها من مسرح الجريمة، والكثير من هذه الأدلة بصري. تقليدياً، كان جمع هذه الأدلة يتم يدوياً - من خلال تصوير المسرح، ورسم التخطيطات، وتصنيف الأشياء، والاعتماد على خبرة المحقق في ملاحظة التفاصيل الدقيقة.

على مدار السنين، ساعَدت أدوات مثل الكاميرات الحرارية وماسحات بصمات الأصابع في هذا العمل ولعبت دوراً رئيسياً في حل الجرائم. ولكن الآن، بفضل الذكاء الاصطناعي وcomputer vision، أصبحت التحقيقات أكثر تقدمًا. يمكن للآلات المساعدة في تحليل الأدلة المرئية بشكل أسرع وأكثر دقة وعلى نطاق أوسع بكثير.

على وجه الخصوص، تُعد computer vision تقنية مؤثرة تمكن الأجهزة من رؤية وفهم الصور والفيديوهات. يمكن لهذه الأنظمة معالجة وتحليل كميات كبيرة من البيانات المرئية بسرعة، مما يساعد المحققين في حل الجرائم بشكل أسرع.

أدت مزايا الأدوات المدعومة بالذكاء الاصطناعي في التحقيقات إلى تقييم global market for AI-driven digital forensics الأدوات الرقمية الجنائية المدعومة بالذكاء الاصطناعي بقيمة 4.98 مليار دولار في عام 2025، ومن المتوقع أن يصل إلى 17.7 مليار دولار بحلول عام 2031.

الشكل 1. السوق العالمي للأدلة الرقمية الجنائية المدعومة بالذكاء الاصطناعي (Source).

في هذا المقال، سنستكشف كيف يمكن استخدام الرؤية الحاسوبية في التحقيقات الجنائية وكيف يمكنها المساعدة في تحديد الأدلة البصرية وتحليلها وتفسيرها.

دور الذكاء الاصطناعي والرؤية الحاسوبية في الأدلة الجنائية#

تمكن الرؤية الحاسوبية الأجهزة من تفسير المعلومات المرئية من العالم الحقيقي واتخاذ قرارات بناءً على هذا الفهم. وتحديداً، في علم الجريمة الجنائي، يمكن استخدام الذكاء الاصطناعي للكشف عن عناصر مثل الأسلحة أو الإصابات، وتتبع المركبات، وحتى إعادة بناء 3D models لمسرح الجريمة بسرعة ودقة مذهلتين.

بينما لا تزال التحقيقات الجنائية تعتمد على الملاحظة اليدوية والمعرفة الخبيرة، يمكن أن تستغرق هذه العملية وقتاً طويلاً وعادة ما تركز على قضية واحدة في كل مرة. توفر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 نهجاً أسرع وأكثر قابلية للتوسع. يمكن لهذه النماذج مسح المشاهد، وتحديد الأجسام الرئيسية، وتصنيف الأدلة باستخدام مهام الرؤية بالحاسوب مثل اكتشاف الكائنات وتصنيف الصور.

على سبيل المثال، بدلاً من مراجعة مئات الساعات من لقطات المراقبة يدوياً، يمكن لنموذج الرؤية الحاسوبية مسح خلاصات الفيديو تلقائياً لاكتشاف النشاط المشبوه - مثل الحركات غير العادية، أو التسكع، أو ترك أشياء خلفها. يمكنه تحديد أطر زمنية ومواقع معينة ليراجعها المحققون، مما يقلل بشكل كبير من الوقت والجهد اللازمين للعثور على الأدلة ذات الصلة.

تطبيقات الرؤية الحاسوبية في الأدلة الجنائية#

تغير الرؤية الحاسوبية الطريقة التي يجمع بها المحققون الأدلة البصرية ويدرسونها. إليكم نظرة فاحصة على كيفية استخدامها في العمل الجنائي اليوم.

تحليل لقطات المراقبة باستخدام الرؤية الحاسوبية#

تُعد إحدى أكثر تقنيات الرؤية الحاسوبية شيوعاً المستخدمة في المراقبة هي object tracking - أي تتبع الأشخاص، أو المركبات، أو العناصر عبر إطارات الفيديو. بدلاً من برمجتها يدويًا لكل موقف، تتعلم هذه الأنظمة من فيديو العالم الحقيقي وتستوعب بسرعة شكل "الطريقة الطبيعية". وبهذه الطريقة، يمكنها اكتشاف السلوك غير المعتاد تلقائيًا، مثل شخص يتسكع في منطقة هادئة، أو مركبة في منطقة محظورة، أو حقيبة متروكة في مكان عام.

يمكن أن تكون هذه التقنية مفيدة أثناء التحقيقات. على سبيل المثال، إذا ذكر شاهد أنه رأى شاحنة صغيرة حمراء عند تقاطع طرق بين الساعة 11 صباحاً و 1 ظهراً، يمكن للرؤية الحاسوبية مسح ساعات من لقطات CCTV، وتحديد كل حالة لظهور شاحنة حمراء، وتوفير عناء المراجعة اليدوية على المحققين. من خلال أتمتة ما كان يستغرق ساعات أو أياماً، تجعل الرؤية الحاسوبية كلاً من المراقبة الحية ومراجعة الأدلة أسرع وأذكى وأكثر فعالية.

الشكل 2. استخدام رؤية الذكاء الاصطناعي لتحليل لقطات كاميرات المراقبة وتتبع الشاحنات الصغيرة الحمراء (source).

استخدام الذكاء الاصطناعي في تحقيقات حرائق الغابات#

في أعقاب الحوادث المتعلقة بالحرائق، يكون الوقت حرجاً، وغالباً ما تتعرض الأدلة المادية للتلف أو التدمير. تساعد تقنيات الرؤية الحاسوبية في سد هذه الفجوة من خلال تحليل مصادر متنوعة للبيانات البصرية، مثل صور الأقمار الصناعية، ولقطات الطائرات بدون طيار، و CCTV، والمسح الحراري، لإعادة بناء تسلسل الأحداث.

يمكن لهذه الأدوات اكتشاف مصدر الحريق، وتحديد المواد المسرعة المحتملة، وتتبع نشاط الإنسان أو المركبات بالقرب من الموقع. عند دمجها مع قواعد بيانات الجرائم وتقارير الحوادث، يمكن للنظام كشف الأنماط، مثل مواقع الحرائق المتكررة، أو سلوك المشتبه بهم، أو الحرائق المتعمدة المنسقة، عبر مناطق مختلفة.

يأتي مثال من الواقع من نيو ساوث ويلز بأستراليا، حيث استخدمت الشرطة computer vision platform يسمى Insights أثناء التحقيقات في حرائق الغابات 2019-2020. قامت المنصة بتحليل لقطات كاميرات المراقبة، والبيانات الجغرافية المكانية، والمدخلات البيئية مثل اتجاه الرياح وسجلات ضربات البرق. كما استخدمت التعرف على الكائنات لتحديد العناصر المرئية ذات الصلة، مثل المركبات أو المعدات، في كميات هائلة من لقطات المراقبة.

من خلال تراكب هذه الرؤى مع بيانات تحديد الموقع الجغرافي للهواتف المحمولة والخرائط، تمكن المحققون من ربط النشاط البشري بأحداث حريق معينة وعرض هذه البيانات بصرياً أثناء التحقيقات الرسمية. وقد أدى هذا النهج إلى تسريع عملية التحقيق.

الشكل 3. محقق جنائي يلقي نظرة على حطام الحريق (source).

إعادة بناء مسرح الجريمة باستخدام الرؤية الحاسوبية#

تجمع إعادة البناء ثلاثي الأبعاد في الأدلة الجنائية بين تقنيات مثل التصوير الفوتوغرافي، والمسح بالليزر، و LiDAR، والرؤية الحاسوبية لإنشاء نماذج مفصلة ومطابقة للمقاييس الحقيقية لمسارح الجريمة. تساعد عمليات إعادة البناء هذه المحققين على تصور وضع الأشياء، وأنماط تناثر الدماء، ومسارات الرصاص بمستوى من الدقة والتفاعلية التي لا يمكن للصور ثنائية الأبعاد التقليدية توفيرها. تعزز هذه التقنية التحليل والعروض التقديمية في قاعات المحكمة من خلال تمكين جولات افتراضية وقياسات دقيقة.

إلى جانب التحقيقات النشطة، تعمل إعادة البناء ثلاثي الأبعاد وvirtual reality (VR) أيضًا على إعادة تصور التعليم الجنائي. في البيئات الأكاديمية، يمكن للطلاب استخدام نظارات الواقع الافتراضي لاستكشاف مسرح الجريمة المحاكى، وتحديد الأدلة، وممارسة تقنيات مثل مسح بصمات الأصابع وتحليل بقع الدم. يبني هذا النهج التعليمي الغامر مهارات التحقيق الأساسية في بيئة آمنة وقابلة للتكرار.

الشكل 4. طالب ينظر إلى مسرح الجريمة باستخدام نظارات الواقع الافتراضي (source).

تحسين الصور باستخدام الرؤية الحاسوبية#

تم مؤخراً حل قضية عمرها 19 عاماً في ولاية كيرالا بالهند بمساعدة AI-powered image enhancement. أعاد المحققون زيارة الصور القديمة من وقت الجريمة واستخدموا مزيجًا من معالجة الصور والذكاء الاصطناعي لتوضيح ملامح الوجه وتوليد صور شبيهة محدثة للمشتبه بهم. إحدى الصور المحسنة كانت تشبه إلى حد كبير شخصًا شوهد في صورة زفاف تم مشاركتها عبر الإنترنت، مما أدى في النهاية إلى تحقيق انفراجة في القضية.

تعتبر هذه القضية مثالاً جيداً على كيفية مساعدة أدوات الأدلة الجنائية الحديثة، وخاصة دمج الذكاء الاصطناعي مع تحسين الصور التقليدي، في مساعدة جهات إنفاذ القانون على إعادة فحص التحقيقات الطويلة وغير المحلولة. من خلال الكشف عن تفاصيل محجوبة أو تحديد أفراد تغيروا بشكل كبير بمرور الوقت، تثبت هذه التقنيات أنها أصول قوية في مجال الأدلة الجنائية الرقمية.

استخدام التجزئة المثالية لاستخراج الأدلة#

تجزئة المثيل هي computer vision task يمكنها تحديد الكائنات الفردية في الصورة وتحديد كل منها بقناع مفصل على مستوى البكسل. يساعد هذا المحققين على عزل قطع الأدلة الرئيسية بدقة، حتى في البيئات الفوضوية أو المعقدة.

لنفترض أن هناك مسرح جريمة تظهر فيه مجموعات متعددة من آثار الأقدام أو مسارات الإطارات المتداخلة في الأتربة أو الثلج - يمكن لـ instance segmentation التمييز بين كل منها وتحديدها بشكل منفصل. هذا يسهل تحليل أنماط الحركة، أو مسارات المركبات، أو مسارات المشتبه بهم دون تشتيت الانتباه من الفوضى الموجودة في الخلفية.

بالإضافة إلى تحليل مسرح الجريمة، يتم تطبيق تجزئة المثيل أيضًا على الصور الجنائية. في دراسة أجراها معهد الطب الشرعي في زيورخ، استخدم الباحثون هذه التقنية لتحديد أنواع مختلفة من types of wounds. لقد قاموا بتدريب نموذج رؤية على 1,753 صورة جنائية تحتوى على 4,666 جرحًا.

تمكن النموذج المدرب من اكتشاف وتصنيف سبعة أنواع من الإصابات، بما في ذلك جروح الطعن والحروق. لقد أظهر كيف يمكن للرؤية الحاسوبية دعم المحققين من خلال تحليل أنماط الإصابة بسرعة ودقة، مما يوفر الوقت ويحسن الاتساق في تقييمات الصور الجنائية.

التعرف التلقائي على لوحات الأرقام بتمكين من الرؤية الحاسوبية#

Automatic Number Plate Recognition (ANPR)، أو التعرف على لوحات الترخيص (LPR)، هو تطبيق للرؤية الحاسوبية يركز على الكشف التلقائي عن أرقام لوحات الترخيص وقراءتها واستخراجها من الصور أو لقطات الفيديو. يتضمن هذا عادةً استخدام نماذج الرؤية الحاسوبية، مثل YOLO11، للكشف عن الكائنات لتحديد موقع لوحة الترخيص داخل الإطار.

بمجرد تحديد اللوحة، يتم تطبيق optical character recognition (OCR) لاستخراج الحروف والأرقام. يمكن بعد ذلك مطابقة هذه المعلومات مع قواعد البيانات لتحديد مالك السيارة أو تتبع تحركاتها السابقة. تعتبر تقنية ANPR مفيدة بشكل خاص في التحقيقات المتعلقة بالمفقودين، وسرقات السيارات، ومخالفات المرور، أو حوادث الصدم والهروب.

على سبيل المثال، في قضية مفقود، يمكن لجهات إنفاذ القانون إدخال رقم لوحة الترخيص في نظام LPR. إذا ظهرت المركبة على كاميرا مراقبة، يمكن للنظام وضع علامة على موقعها تلقائياً، مما يساعد الضباط على الاستجابة بسرعة. يلعب LPR أيضاً دوراً رئيسياً في قضايا مثل المركبات المسروقة أو حوادث الصدم والهروب من خلال توفير تتبع سريع ودقيق عبر شبكات المراقبة المتكاملة.

الشكل 5. اكتشاف لوحات الأرقام باستخدام Ultralytics YOLO11 (المصدر).

إيجابيات وسلبيات استخدام الذكاء الاصطناعي في الأدلة الجنائية#

يوفر الذكاء الاصطناعي والرؤية الحاسوبية العديد من المزايا الرئيسية التي تعزز كفاءة وإمكانية الوصول وموثوقية التحقيقات الجنائية. إليكم بعض المزايا الرئيسية التي يجب مراعاتها:

• التحليل عن بعد: تُمكّن الرؤية الحاسوبية المحققين الجنائيين من رؤية مسارح الجريمة والأدلة، مثل الصور ومقاطع الفيديو والنماذج ثلاثية الأبعاد، من أي مكان دون الحاجة إلى التواجد شخصياً.
• الأرشفة طويلة المدى: يمكن تنظيم البيانات التي تعالجها أنظمة الرؤية بشكل جيد والبحث فيها بسهولة. إذا لزم الأمر في المستقبل، يمكن إعادة فحصها وتحليلها مرة أخرى باستخدام نماذج محسنة في القضايا القديمة.
• الاتساق: على عكس البشر، الذين قد يفسرون المعلومات البصرية بشكل مختلف بناءً على خبرتهم، تطبق نماذج الرؤية الحاسوبية نفس القواعد في كل مرة، مما يؤدي إلى تحليل أكثر اتساقاً وتوحيداً.

على الرغم من إمكاناتها، تأتي الرؤية الحاسوبية في الأدلة الجنائية أيضاً مع بعض التحديات التي يجب وضعها في الاعتبار. إليكم بعضاً من أهمها:

• Input quality: تعتمد نماذج الرؤية بشكل كبير على جودة البيانات التي تتلقاها. قد تفوت حلول الرؤية الحاسوبية تفاصيل مهمة أو تسيء تفسيرها إذا كانت الصور ضبابية، أو سيئة الإضاءة، أو منخفضة الدقة. يمكن تخفيف ذلك عن طريق تطبيق استراتيجية data augmentation الصحيحة.
• Difficulty in unseen data: قد تواجه Computer vision models صعوبة عندما تواجه شيئًا جديدًا - مثل الأشياء غير المعتادة أو مسرح الجريمة الذي يختلف عن البيانات التي تم تدريبها عليها. يُعرف هذا باسم “drift”.
• التحديات القانونية: يمكن أن يثير استخدام الرؤية الحاسوبية في التحقيقات تساؤلات قانونية، مثل ما إذا كانت الأدلة مقبولة في المحكمة، ومدى خصوصية البيانات، وشفافية قرارات النظام.

أبرز النقاط#

لا تزال الرؤية الحاسوبية في تطور، لكنها بالفعل تغير كيفية عمل العلوم الجنائية. من اكتشاف وتحديد قطع الأدلة الصغيرة من خلال التجزئة المثالية إلى بناء نماذج ثلاثية الأبعاد لمسرح الجريمة وتحسين المستندات، فهي تدعم المحققين في كل مرحلة من مراحل عملهم.

في المستقبل، من المرجح أن تعمل الرؤية الحاسوبية بشكل وثيق أكثر مع الذكاء الاصطناعي وتعلم الآلة لاكتشاف الأنماط بشكل أسرع وإجراء تنبؤات أفضل باستخدام بيانات القضايا السابقة. ومع استمرار تحسن التكنولوجيا، ستستمر في جلب طرق جديدة وأفضل لحل الجرائم.

انضم إلى community و GitHub repository لمعرفة المزيد حول الرؤية الحاسوبية. استكشف التطبيقات مثل AI in manufacturing و computer vision in agriculture في صفحات الحلول الخاصة بنا. تحقق من خيارات our licensing وابدأ في البناء باستخدام الرؤية الحاسوبية اليوم!