Adli bilim için bilgisayarlı görü: Gizli ipuçlarını tespit etmek

Soruşturmalar, suç mahallinden toplanan fiziksel kanıtlara büyük ölçüde bağımlıdır ve bu kanıtların birçoğu görseldir. Geleneksel olarak bu ipuçlarını toplama işi manuel olarak yapılırdı; olay yerinin fotoğraflanması, krokilerin çizilmesi, nesnelerin etiketlenmesi ve ince detayları fark etmek için müfettişin eğitimli gözüne güvenilmesi gerekirdi.

Yıllar boyunca termal kameralar ve parmak izi tarayıcıları gibi araçlar bu çalışmayı desteklemiş ve suçların çözülmesinde kilit bir rol oynamıştır. Ancak artık yapay zeka ve computer vision sayesinde soruşturmalar daha da gelişmiş hale geliyor. Makineler görsel kanıtları daha hızlı, daha doğru ve çok daha büyük ölçekte analiz etmeye yardımcı olabilir.

Özellikle computer vision, makinelerin görüntüleri ve videoları görmesini ve anlamasını sağlayan etkili bir teknolojidir. Bu sistemler, büyük miktardaki görsel veriyi hızla işleyip analiz ederek müfettişlerin suçları daha hızlı çözmesine yardımcı olur.

Soruşturmalarda yapay zeka destekli araçların avantajları, global market for AI-driven digital forensics araçlarının pazar değerini 2025 yılında 4,98 milyar dolara ulaştırmış ve 2031 yılına kadar 17,7 milyar dolara ulaşması beklenmektedir.

Şekil 1. Küresel yapay zeka destekli dijital adli tıp pazarı (Source).

Bu makalede, bilgisayarlı görünün adli soruşturmalarda nasıl kullanılabileceğini ve görsel kanıtları tanımlamaya, analiz etmeye ve yorumlamaya nasıl yardımcı olabileceğini keşfedeceğiz.

Adli tıp alanında yapay zeka ve bilgisayarlı görünün rolü#

Bilgisayarlı görü, makinelerin gerçek dünyadan görsel bilgileri yorumlamasını ve bu anlayışa dayalı kararlar almasını sağlar. Özellikle adli tıpta yapay zeka; silah veya yaralanma gibi unsurları tespit etmek, araçları takip etmek ve hatta suç mahallerinin 3D models modellerini etkileyici bir hız ve doğrulukla yeniden oluşturmak için kullanılabilir.

Adli soruşturmalar hâlâ manuel gözleme ve uzman bilgisine dayansa da bu süreç zaman alıcı olabilir ve genellikle aynı anda tek bir vakaya odaklanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri daha hızlı ve ölçeklenebilir bir yaklaşım sunar. Bu modeller, nesne tespiti ve görüntü sınıflandırma gibi Vision AI görevlerini kullanarak sahneleri tarayabilir, kilit nesneleri tanımlayabilir ve kanıtları sınıflandırabilir.

Örneğin, yüzlerce saatlik güvenlik görüntülerini manuel olarak incelemek yerine, bir bilgisayarlı görü modeli olağandışı hareketler, başıboş dolaşma veya geride bırakılan nesneler gibi şüpheli etkinlikleri tespit etmek için video akışlarını otomatik olarak tarayabilir. Müfettişlerin incelemesi için belirli zaman dilimlerini ve konumları işaretleyebilir, böylece ilgili kanıtları bulmak için gereken zamanı ve çabayı önemli ölçüde azaltabilir.

Vision AI'nin adli tıp uygulamaları#

Bilgisayarlı görü, müfettişlerin görsel kanıtları toplama ve inceleme yöntemini değiştiriyor. Bugün adli çalışmalarda nasıl kullanıldığına daha yakından bakalım.

Bilgisayarlı görü kullanarak güvenlik görüntülerinin analizi#

Gözetimde kullanılan en yaygın bilgisayarlı görü tekniklerinden biri, insanları, araçları veya öğeleri video kareleri boyunca takip eden object tracking (nesne takibi) özelliğidir. Her durum için manuel olarak programlanmak yerine, bu sistemler gerçek dünya videolarından öğrenir ve “normal”in ne olduğunu hızlıca kavrar. Bu sayede, sakin bir alanda dolaşan biri, yasak bölgedeki bir araç veya kamusal alanda gözetimsiz bırakılmış bir çanta gibi olağandışı davranışları otomatik olarak tespit edebilirler.

Bu teknoloji soruşturmalar sırasında faydalı olabilir. Örneğin bir tanık, saat 11:00 ile 13:00 arasında bir kavşakta kırmızı bir kamyonet gördüğünü söylerse, bilgisayarlı görü saatlerce süren CCTV görüntülerini tarayabilir, kırmızı kamyonetin geçtiği her anı seçebilir ve müfettişleri tüm görüntüleri manuel olarak incelemekten kurtarabilir. Eskiden saatler veya günler süren işleri otomatikleştirerek, bilgisayarlı görü hem canlı izlemeyi hem de kanıt incelemeyi daha hızlı, daha akıllı ve daha etkili hale getirir.

Şekil 2. CCTV görüntülerini analiz etmek ve kırmızı kamyonetleri takip etmek için Vision AI kullanma (source).

Orman yangını soruşturmalarında yapay zeka kullanımı#

Yangınla ilgili olayların ardından zaman kritiktir ve fiziksel kanıtlar genellikle zarar görmüş veya yok olmuştur. Bilgisayarlı görü teknolojileri, olayların sırasını yeniden oluşturmak için uydu görüntüleri, drone görüntüleri, CCTV ve termal taramalar gibi çeşitli görsel veri kaynaklarını analiz ederek bu boşluğu doldurmaya yardımcı olur.

Bu araçlar yangının kaynağını tespit edebilir, potansiyel yanıcı maddeleri belirleyebilir ve olay yeri yakınındaki insan veya araç hareketlerini takip edebilir. Suç veritabanları ve olay raporlarıyla birleştirildiğinde sistem, tekrarlanan yangın konumları, şüpheli davranışları veya farklı bölgelerdeki koordineli kundaklama gibi kalıpları ortaya çıkarabilir.

Gerçek dünyadan bir örnek, polisin 2019-2020 çalıntı yangını soruşturmalarında Insights adı verilen bir computer vision platform platformunu kullandığı Avustralya'nın Yeni Güney Galler eyaletinden gelmektedir. Platform; CCTV görüntülerini, coğrafi uzamsal verileri ve rüzgar yönü ile yıldırım düşmesi kayıtları gibi çevresel girdileri analiz etti. Ayrıca devasa miktardaki gözetim görüntüsünde araçlar veya ekipmanlar gibi ilgili görsel unsurları belirlemek için nesne tanıma özelliğini kullandı.

Bu içgörüleri cep telefonu konum verileri ve haritalarla üst üste bindiren müfettişler, insan faaliyetlerini belirli yangın olaylarıyla ilişkilendirebildi ve bu verileri resmi sorgulamalar sırasında görsel olarak sunabildi. Bu yaklaşım soruşturma sürecini hızlandırdı.

Şekil 3. Yangın enkazını inceleyen bir adli tıp araştırmacısı (source).

Bilgisayarlı görü kullanarak suç mahallinin yeniden yapılandırılması#

Adli tıpta 3D yeniden yapılandırma; fotoğrafçılık, lazer tarama, LiDAR ve bilgisayarlı görü gibi teknolojileri birleştirerek suç mahallerinin ayrıntılı ve ölçekli modellerini oluşturur. Bu yeniden yapılandırmalar; müfettişlerin nesne yerleşimini, kan sıçrama modellerini ve mermi yörüngelerini geleneksel 2D fotoğrafların sunamadığı bir doğruluk ve etkileşim düzeyiyle görselleştirmelerine yardımcı olur. Bu teknoloji, sanal gezintilere ve hassas ölçümlere olanak tanıyarak analiz ve mahkeme sunumlarını geliştirir.

Aktif soruşturmaların ötesinde, 3D yeniden oluşturma ve virtual reality (VR) (sanal gerçeklik) da adli tıp eğitimini yeniden şekillendiriyor. Akademik ortamlarda öğrenciler, simüle edilmiş suç mahallerini keşfetmek, kanıtları tanımlamak ve parmak izi taraması ile kan lekesi analizi gibi teknikleri uygulamak için VR başlıklarını kullanabilir. Bu sürükleyici öğrenme yaklaşımı, güvenli ve yinelenebilir bir ortamda temel soruşturma becerilerini geliştirir.

Şekil 4. Bir VR başlığı kullanarak suç mahallini inceleyen bir öğrenci (source).

Vision AI ile görüntü iyileştirme#

Hindistan'ın Kerala eyaletinde 19 yıllık bir vaka, yakın zamanda AI-powered image enhancement (yapay zeka destekli görüntü iyileştirme) yardımıyla çözüldü. Müfettişler suç zamanındaki eski fotoğrafları yeniden incelediler ve yüz hatlarını netleştirmek ve şüphelilerin güncellenmiş benzerliklerini oluşturmak için görüntü işleme ile yapay zekanın bir kombinasyonunu kullandılar. İyileştirilmiş görüntülerden biri, çevrimiçi paylaşılan bir düğün fotoğrafında görülen bir kişiye çok benziyordu ve bu durum nihayetinde vakada bir dönüm noktasına yol açtı.

Bu vaka, modern adli tıp araçlarının, özellikle yapay zekanın geleneksel görüntü iyileştirme ile entegrasyonunun, kolluk kuvvetlerinin uzun süredir bekleyen soruşturmaları tekrar gözden geçirmesine ve çözmesine nasıl yardımcı olabileceğinin iyi bir örneğidir. Belirsiz detayları ortaya çıkararak veya zaman içinde önemli ölçüde değişen kişileri tanımlayarak bu teknolojiler, dijital adli tıp alanında güçlü varlıklar olduklarını kanıtlıyor.

Kanıt çıkarma için örnek segmentasyonu kullanımı#

Örnek bölütleme (instance segmentation), bir görüntüdeki bireysel nesneleri tanımlayabilen ve her birini ayrıntılı, piksel düzeyinde bir maskeyle çizebilen bir computer vision task görevidir. Bu, müfettişlerin dağınık veya karmaşık ortamlarda bile kilit kanıt parçalarını hassasiyetle izole etmesine yardımcı olur.

Diyelim ki toprakta veya karda birden fazla ayak izi setinin veya üst üste binen lastik izlerinin görülebildiği bir suç mahalli var - instance segmentation her birini ayrı ayrı ayırt edebilir ve ana hatlarıyla çizebilir. Bu, arka plan karmaşasının dikkati dağıtmadan hareket modellerini, araç yollarını veya şüpheli yörüngelerini analiz etmeyi kolaylaştırır.

Sahne analizinin ötesinde, örnek bölütleme adli tıp görüntülerine de uygulanmaktadır. Zürih Adli Tıp Enstitüsü tarafından yapılan bir çalışmada araştırmacılar, farklı types of wounds türlerini belirlemek için bu tekniği kullandılar. 4.666 yara içeren 1.753 adli tıp görüntüsü üzerinde bir görü modeli eğittiler.

Eğitilmiş model, bıçak yaraları ve yanıklar dahil olmak üzere yedi tür yaralanmayı tespit edip sınıflandırabildi. Vision AI'nin yaralanma modellerini hızlı ve doğru bir şekilde analiz ederek, zaman kazandırarak ve adli görüntü değerlendirmelerinde tutarlılığı artırarak müfettişleri nasıl destekleyebileceğini gösterdi.

Vision AI tarafından desteklenen otomatik plaka tanıma#

Automatic Number Plate Recognition (ANPR) veya Plaka Tanıma (LPR), görüntü veya video görüntüleri üzerinden plaka numaralarını otomatik olarak tespit etmeye, okumaya ve çıkarmaya odaklanan bir bilgisayarlı görü uygulamasıdır. Bu genellikle bir kare içindeki plakayı bulmak için nesne tespiti amacıyla YOLO11 gibi bilgisayarlı görü modellerinin kullanılmasını içerir.

Plaka tanımlandıktan sonra, alfasayısal karakterleri çıkarmak için optical character recognition (OCR) (optik karakter tanıma) uygulanır. Bu bilgiler daha sonra aracın sahibini belirlemek veya geçmiş hareketlerini izlemek için veritabanlarıyla çapraz referanslanabilir. ANPR; kayıp şahıslar, araç hırsızlığı, trafik ihlalleri veya çarpıp kaçma olaylarını içeren soruşturmalarda özellikle yararlıdır.

Örneğin, bir kayıp şahıs vakasında kolluk kuvvetleri, plaka numarasını bir LPR sistemine girebilir. Araç bir güvenlik kamerasında görünürse, sistem konumunu otomatik olarak işaretleyerek memurların hızlı yanıt vermesine yardımcı olabilir. LPR ayrıca entegre güvenlik ağları aracılığıyla hızlı ve doğru takip sağlayarak çalıntı araçlar veya çarpıp kaçma gibi vakalarda kilit bir rol oynar.

Şekil 5. Ultralytics YOLO11 kullanılarak plaka tespiti (kaynak).

Adli tıpta yapay zeka kullanımının artıları ve eksileri#

Yapay zeka ve bilgisayarlı görü, adli soruşturmaların verimliliğini, erişilebilirliğini ve güvenilirliğini artıran çeşitli temel avantajlar sunar. İşte göz önünde bulundurulması gereken temel avantajlardan bazıları:

• Uzaktan analiz: Bilgisayarlı görü, adli tıp uzmanlarının olay yerlerini ve görüntüler, videolar ve 3D modeller gibi kanıtları bizzat orada bulunmadan her yerden görmelerini sağlar.
• Uzun süreli arşivler: Görü sistemleri tarafından işlenen veriler iyi organize edilebilir ve kolayca aranabilir. Gelecekte ihtiyaç duyulursa eski vakalarda iyileştirilmiş modeller kullanılarak tekrar incelenebilir ve analiz edilebilir.
• Tutarlılık: Görsel bilgileri deneyimlerine göre farklı yorumlayabilen insanların aksine, bilgisayarlı görü modelleri aynı kuralları her zaman uygular, bu da daha tutarlı ve tek tip bir analiz sağlar.

Potansiyeline rağmen, adli tıpta bilgisayarlı görü beraberinde dikkat edilmesi gereken birkaç zorluk da getirir. İşte temel olanlardan bazıları:

• Girdi kalitesi: Görü modelleri, aldıkları verilerin kalitesine büyük ölçüde güvenir. Görüntüler bulanık, kötü aydınlatılmış veya düşük çözünürlüklü ise bilgisayarlı görü çözümleri önemli detayları kaçırabilir veya yanlış yorumlayabilir. Bu durum, doğru data augmentation stratejisi uygulanarak hafifletilebilir.
• Görünmeyen verilerde zorluk: Computer vision models, eğitildikleri verilerden farklı olan olağandışı nesneler veya suç mahalli gibi yeni bir şeyle karşılaştıklarında zorlanabilirler. Bu durum “drift” olarak bilinir.
• Hukuki zorluklar: Soruşturmalarda bilgisayarlı görü kullanmak; kanıtların mahkemede kabul edilebilir olup olmadığı, verilerin ne kadar gizli olduğu ve sistemin kararlarının ne kadar şeffaf olduğu gibi hukuki soruları gündeme getirebilir.

Öne çıkanlar#

Bilgisayarlı görü hala gelişmektedir ancak adli bilimin işleyiş biçimini şimdiden dönüştürüyor. Örnek segmentasyonu yoluyla küçük kanıt parçalarını tespit etmekten ve bunların ana hatlarını belirlemekten 3D suç mahali modelleri oluşturmaya ve belgeleri iyileştirmeye kadar, işlerinin her aşamasında müfettişleri destekler.

Gelecekte bilgisayarlı görü, kalıpları daha hızlı fark etmek ve geçmiş vaka verilerini kullanarak daha iyi tahminler yapmak için muhtemelen yapay zeka ve makine öğrenimi ile daha da yakından çalışacaktır. Teknoloji gelişmeye devam ettikçe, suçları çözmek için yeni ve daha iyi yollar getirmeye devam edecektir.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için community ve GitHub repository sayfalarımıza katıl. Çözüm sayfalarımızda AI in manufacturing ve computer vision in agriculture gibi uygulamaları keşfet. our licensing seçeneklerimize göz at ve bugün bilgisayarlı görü ile geliştirmeye başla!