الرؤية الحاسوبية في علم الأدلة الجنائية: اكتشاف القرائن الخفية

تعتمد التحقيقات اعتمادًا كبيرًا على الأدلة المادية التي تُجمع في مسارح الجريمة، والكثير من هذه الأدلة مرئي. وتقليديًا، كان جمع هذه القرائن يتم يدويًا؛ عبر تصوير مسرح الجريمة، ورسم مخططاته، ووضع علامات على الأجسام، والاعتماد على عين المحقق المدرّبة لرصد التفاصيل الدقيقة.

على مر السنين، دعمت أدوات مثل الكاميرات الحرارية وأجهزة مسح بصمات الأصابع هذا العمل وأدت دورًا رئيسيًا في حل الجرائم. لكن التحقيقات تتطور الآن بفضل الذكاء الاصطناعي والرؤية الحاسوبية. إذ تستطيع الآلات المساعدة على تحليل الأدلة المرئية بسرعة أكبر ودقة أعلى وعلى نطاق أوسع بكثير.

وعلى وجه الخصوص، تُعد الرؤية الحاسوبية تقنية مؤثرة تمكّن الآلات من رؤية الصور ومقاطع الفيديو وفهمها. وتستطيع هذه الأنظمة معالجة كميات كبيرة من البيانات المرئية وتحليلها بسرعة، مما يساعد المحققين على حل الجرائم بسرعة أكبر.

ساعدت مزايا الأدوات المدعومة بالذكاء الاصطناعي في التحقيقات على وصول قيمة السوق العالمية لأدوات الأدلة الجنائية الرقمية المدعومة بالذكاء الاصطناعي إلى 4.98 مليارات دولار في عام 2025، ومن المتوقع أن تبلغ 17.7 مليار دولار بحلول عام 2031.

الشكل 1. سوق الأدلة الجنائية الرقمية المعتمدة على الذكاء الاصطناعي عالميًا (المصدر).

في هذا المقال، سنستكشف كيفية استخدام الرؤية الحاسوبية في التحقيقات الجنائية، وكيف يمكنها المساعدة على تحديد الأدلة المرئية وتحليلها وتفسيرها.

دور الذكاء الاصطناعي والرؤية الحاسوبية في الأدلة الجنائية#

تمكّن الرؤية الحاسوبية الآلات من تفسير المعلومات المرئية من العالم الحقيقي واتخاذ القرارات بناءً على هذا الفهم. وفي علم الأدلة الجنائية على وجه التحديد، يمكن استخدام الذكاء الاصطناعي لاكتشاف عناصر مثل الأسلحة أو الإصابات، وتتبع المركبات، بل وإعادة بناء نماذج ثلاثية الأبعاد لمواقع الجرائم بسرعة ودقة.

مع استمرار اعتماد التحقيقات الجنائية على الملاحظة اليدوية وخبرة المختصين، قد تستغرق هذه العملية وقتًا طويلًا، وتركز عادةً على قضية واحدة في كل مرة. وتوفر نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 نهجًا أسرع وأقدر على التوسع. إذ تستطيع هذه النماذج مسح المواقع وتحديد الأجسام الأساسية وتصنيف الأدلة باستخدام مهام الذكاء الاصطناعي البصري مثل اكتشاف الأجسام وتصنيف الصور.

على سبيل المثال، بدلًا من مراجعة مئات الساعات من تسجيلات المراقبة يدويًا، يمكن لنموذج رؤية حاسوبية مسح بث الفيديو تلقائيًا لاكتشاف الأنشطة المثيرة للريبة، مثل الحركات غير المعتادة أو التسكع أو ترك الأجسام في المكان. ويمكنه تحديد أطر زمنية ومواقع معينة ليراجعها المحققون، مما يقلل كثيرًا الوقت والجهد اللازمين للعثور على الأدلة ذات الصلة.

تطبيقات Vision AI في الأدلة الجنائية#

تغيّر الرؤية الحاسوبية طريقة جمع المحققين للأدلة المرئية ودراستها. وفيما يلي نظرة أقرب على كيفية استخدامها اليوم في أعمال الأدلة الجنائية.

تحليل تسجيلات المراقبة باستخدام الرؤية الحاسوبية#

تُعد متابعة الأجسام إحدى أكثر تقنيات الرؤية الحاسوبية شيوعًا في المراقبة، إذ تتبع الأشخاص أو المركبات أو الأغراض عبر إطارات الفيديو. وبدلًا من برمجة هذه الأنظمة يدويًا لكل حالة، فإنها تتعلم من مقاطع الفيديو الواقعية وتتعرف بسرعة إلى ما يبدو «طبيعيًا». وبذلك يمكنها رصد السلوك غير المعتاد تلقائيًا، مثل شخص يتسكع في منطقة هادئة، أو مركبة في منطقة محظورة، أو حقيبة مهملة في مكان عام.

قد تكون هذه التقنية مفيدة أثناء التحقيقات. فعلى سبيل المثال، إذا أفاد شاهد بأنه رأى شاحنة صغيرة حمراء عند تقاطع بين الساعة 11 صباحًا والساعة 1 ظهرًا، فيمكن للرؤية الحاسوبية مسح ساعات من تسجيلات كاميرات المراقبة التلفزيونية المغلقة (CCTV)، واستخراج كل ظهور لشاحنة حمراء، وإعفاء المحققين من مراجعة التسجيلات كلها 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 كاميرات المراقبة التلفزيونية المغلقة وتتبع الشاحنات الصغيرة الحمراء (المصدر).

استخدام الذكاء الاصطناعي في التحقيقات المتعلقة بحرائق الغابات#

في أعقاب الحوادث المرتبطة بالحرائق، يكون الوقت حاسمًا، وغالبًا ما تتضرر الأدلة المادية أو تُدمّر. وتساعد تقنيات الرؤية الحاسوبية على سد هذه الفجوة من خلال تحليل مصادر متنوعة للبيانات المرئية، مثل صور الأقمار الصناعية، ولقطات الطائرات المسيّرة، وكاميرات المراقبة التلفزيونية المغلقة، والمسوح الحرارية، لإعادة بناء تسلسل الأحداث.

يمكن لهذه الأدوات تحديد منشأ الحريق، واكتشاف المواد المحتملة لتسريع الاشتعال، وتتبع نشاط الأشخاص أو المركبات بالقرب من موقع الحادث. وعند دمجها مع قواعد بيانات الجرائم وتقارير الحوادث، يمكن للنظام الكشف عن أنماط، مثل تكرار مواقع الحرائق، أو سلوك المشتبه بهم، أو الحرائق العمدية المنسقة، عبر مناطق مختلفة.

ومن الأمثلة الواقعية على ذلك ما حدث في نيو ساوث ويلز بأستراليا، حيث استخدمت الشرطة منصة للرؤية الحاسوبية تُسمى Insights أثناء التحقيقات في حرائق الغابات التي اندلعت في 2019–2020. حللت المنصة تسجيلات كاميرات المراقبة التلفزيونية المغلقة، والبيانات الجغرافية المكانية، والمدخلات البيئية مثل اتجاه الرياح وسجلات ضربات البرق. كما استخدمت التعرّف على الأجسام لتحديد العناصر المرئية 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 جلسات التحقيق الرسمية. وقد سرّع هذا النهج عملية التحقيق.

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

إعادة بناء مسرح الجريمة باستخدام الرؤية الحاسوبية#

تجمع إعادة البناء ثلاثية الأبعاد في الأدلة الجنائية بين تقنيات مثل التصوير الفوتوغرافي والمسح بالليزر وLiDAR والرؤية الحاسوبية لإنشاء نماذج مفصلة لمسرح الجريمة بمقياس حقيقي. وتساعد عمليات إعادة البناء هذه المحققين على تصور مواقع الأجسام وأنماط تناثر الدم ومسارات الرصاص بدقة وتفاعلية لا توفرهما الصور التقليدية ثنائية الأبعاد. وتعزز هذه التقنية التحليل والعروض المقدمة في قاعات المحاكم، من خلال إتاحة جولات افتراضية وقياسات دقيقة.

إلى جانب التحقيقات النشطة، تعيد إعادة البناء ثلاثية الأبعاد والواقع الافتراضي (VR) تشكيل التعليم في مجال الأدلة الجنائية أيضًا. ففي البيئات الأكاديمية، يمكن للطلاب استخدام نظارات الواقع الافتراضي لاستكشاف مواقع جرائم محاكاة، وتحديد الأدلة، والتدرب على تقنيات مثل مسح البصمات وتحليل تناثر الدم. ويبني هذا النهج التعليمي الغامر مهارات التحقيق الأساسية في بيئة آمنة وقابلة لإعادة التجربة.

الشكل 4. طالب يفحص مسرح الجريمة باستخدام نظارة واقع افتراضي (المصدر).

تحسين الصور باستخدام Vision AI#

حُلّت مؤخرًا قضية مضى عليها 19 عامًا في ولاية كيرالا بالهند بمساعدة تحسين الصور المدعوم بالذكاء الاصطناعي. أعاد المحققون فحص صور قديمة من وقت وقوع الجريمة، واستخدموا مزيجًا من معالجة الصور والذكاء الاصطناعي لتوضيح ملامح الوجوه وإنشاء صور محدّثة للمشتبه بهم. وشابهت إحدى الصور المحسّنة إلى حد كبير صورة شخص ظهر في صورة زفاف نُشرت عبر الإنترنت، مما أدى في نهاية المطاف إلى إحراز تقدم حاسم في القضية.

تُعد هذه القضية مثالًا جيدًا على كيفية مساعدة أدوات الأدلة الجنائية الحديثة، ولا سيما دمج الذكاء الاصطناعي مع تحسين الصور التقليدي، أجهزة إنفاذ القانون على إعادة النظر في التحقيقات القديمة التي طال أمدها وحلها. وتثبت هذه التقنيات أنها أدوات قوية في مجال الأدلة الجنائية الرقمية، إذ تكشف التفاصيل المحجوبة أو تحدد أشخاصًا تغيرت ملامحهم كثيرًا بمرور الوقت.

استخدام تقسيم الكائنات لاستخراج الأدلة#

تقسيم الكائنات هو مهمة في الرؤية الحاسوبية تتيح تحديد كل جسم على حدة في الصورة، ورسم حدوده بقناع مفصل على مستوى البكسل. ويساعد ذلك المحققين على عزل عناصر الأدلة الرئيسية بدقة، حتى في البيئات الفوضوية أو المعقدة.

لنفترض وجود مسرح جريمة تظهر فيه آثار أقدام متعددة أو آثار إطارات متداخلة على التراب أو الثلج؛ يمكن لـتقسيم الكائنات تمييز كل أثر منها ورسم حدوده على حدة. ويسهّل ذلك تحليل أنماط الحركة أو مسارات المركبات أو مسارات المشتبه بهم من دون تشتيت بسبب الفوضى في الخلفية.

وبعيدًا عن تحليل مسرح الجريمة، يُطبّق تقسيم الكائنات أيضًا على صور الأدلة الجنائية. ففي دراسة أجراها معهد زيورخ للطب الشرعي، استخدم الباحثون هذه التقنية لتحديد أنواع الجروح المختلفة. ودرّبوا نموذجًا للرؤية على 1,753 صورة جنائية احتوت على 4,666 جرحًا.

تمكن النموذج المدرّب من اكتشاف سبعة أنواع من الإصابات وتصنيفها، بما في ذلك الجروح الناجمة عن الطعن والحروق. وأوضح ذلك كيف يمكن للذكاء الاصطناعي البصري دعم المحققين عبر تحليل أنماط الإصابات بسرعة ودقة، وتوفير الوقت، وتحسين الاتساق في تقييم الصور الجنائية.

التعرّف الآلي على لوحات أرقام المركبات المدعوم بـVision AI#

التعرّف الآلي على لوحات أرقام المركبات (ANPR)، أو التعرّف على لوحات المركبات (LPR)، هو تطبيق للرؤية الحاسوبية يركز على الكشف التلقائي عن أرقام اللوحات واستخراجها وقراءتها من الصور أو تسجيلات الفيديو. ويتضمن ذلك عادةً استخدام نماذج الرؤية الحاسوبية، مثل YOLO11، لاكتشاف الأجسام وتحديد موقع لوحة المركبة داخل الإطار.

بعد تحديد اللوحة، يُطبّق التعرّف الضوئي على الحروف (OCR) لاستخراج المحارف الأبجدية الرقمية. ويمكن بعد ذلك مطابقة هذه المعلومات مع قواعد البيانات لتحديد مالك المركبة أو تتبع تحركاتها السابقة. ويفيد ANPR بوجه خاص في التحقيقات المتعلقة بالأشخاص المفقودين، أو سرقة المركبات، أو المخالفات المرورية، أو حوادث الهرب بعد الاصطدام.

على سبيل المثال، في قضية شخص مفقود، يمكن لأجهزة إنفاذ القانون إدخال رقم لوحة المركبة في نظام LPR. وإذا ظهرت المركبة على 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 الهرب بعد الاصطدام، إذ يتيح التتبع السريع والدقيق عبر شبكات المراقبة المتكاملة.

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

إيجابيات وسلبيات استخدام الذكاء الاصطناعي في الطب الشرعي#

يوفر الذكاء الاصطناعي والرؤية الحاسوبية عدة مزايا أساسية تعزز كفاءة التحقيقات الجنائية وإمكانية الوصول إليها وموثوقيتها. إليك بعض أبرز المزايا التي ينبغي أخذها في الاعتبار:

• التحليل عن بُعد: تتيح الرؤية الحاسوبية للمحققين الجنائيين مشاهدة مواقع الجرائم والأدلة، مثل الصور ومقاطع الفيديو والنماذج ثلاثية الأبعاد، من أي مكان دون الحاجة إلى الحضور شخصيًا.
• الأرشيفات طويلة الأمد: يمكن تنظيم البيانات التي تعالجها أنظمة الرؤية جيدًا والبحث فيها بسهولة. وعند الحاجة مستقبلًا، يمكن الرجوع إليها وإعادة تحليلها باستخدام نماذج محسّنة في قضايا قديمة.
• الاتساق: بخلاف البشر، الذين قد يفسرون المعلومات المرئية بطرق مختلفة وفقًا لخبراتهم، تطبق نماذج الرؤية الحاسوبية القواعد نفسها في كل مرة، مما ينتج تحليلًا أكثر اتساقًا وتوحيدًا.

على الرغم من إمكاناتها، تنطوي الرؤية الحاسوبية في الطب الشرعي أيضًا على بعض التحديات التي ينبغي مراعاتها. إليك أبرزها:

• جودة المدخلات: تعتمد نماذج الرؤية بدرجة كبيرة على جودة البيانات التي تتلقاها. فقد تفوّت حلول الرؤية الحاسوبية تفاصيل مهمة أو تسيء تفسيرها إذا كانت الصور ضبابية أو ضعيفة الإضاءة أو منخفضة الدقة. ويمكن لاستراتيجية مناسبة في زيادة البيانات أثناء التدريب أن تحد من ذلك جزئيًا.
• صعوبة التعامل مع البيانات غير المرئية سابقًا: قد تواجه نماذج الرؤية الحاسوبية صعوبة عند التعامل مع حالات جديدة، مثل أجسام غير مألوفة أو مواقع جرائم تختلف عن البيانات التي دُرّبت عليها. ويرتبط ذلك ارتباطًا وثيقًا بـانجراف البيانات.
• التحديات القانونية: قد يثير استخدام الرؤية الحاسوبية في التحقيقات أسئلة قانونية، مثل مقبولية الأدلة في المحكمة، ومدى خصوصية البيانات، وشفافية قرارات النظام.

أبرز النقاط#

ما زالت الرؤية الحاسوبية تتطور، لكنها بدأت بالفعل في تغيير آلية عمل علم الأدلة الجنائية. فمن اكتشاف قطع الأدلة الصغيرة وتحديد حدودها باستخدام تقسيم الكائنات، إلى إنشاء نماذج ثلاثية الأبعاد لمواقع الجرائم وتحسين الصور، تدعم الرؤية الحاسوبية المحققين في جميع مراحل عملهم.

في المستقبل، يُرجح أن تعمل الرؤية الحاسوبية عن كثب مع الذكاء الاصطناعي والتعلم الآلي لرصد الأنماط بسرعة أكبر وتقديم تنبؤات أفضل باستخدام بيانات القضايا السابقة. ومع استمرار تطور التكنولوجيا، ستوفر طرقًا جديدة وأفضل لحل الجرائم.

انضم إلى مجتمعنا ومستودع GitHub لمعرفة المزيد عن الرؤية الحاسوبية. استكشف تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الزراعة في صفحات حلولنا. اطّلع على خيارات الترخيص وابدأ اليوم في بناء تطبيقات الرؤية الحاسوبية!