4 Temmuz 2025
Bilgisayarlı görünün, kanıtları tanımlama, görüntüleri analiz etme ve cezai soruşturmaları hızlandırma konularında adli bilimler üzerindeki etkisini keşfedin.
Soruşturmalar büyük ölçüde olay yerlerinde toplanan fiziksel kanıtlara bağlıdır ve bu kanıtların çoğu görseldir. Geleneksel olarak, bu ipuçlarını toplamak manuel olmuştur - sahnenin fotoğraflanması, düzenlerin çizilmesi, nesnelerin etiketlenmesi ve ince ayrıntıları tespit etmek için müfettişin eğitimli gözüne güvenilmesi.
Yıllar içinde termal kameralar ve parmak izi tarayıcıları gibi araçlar bu çalışmayı destekledi ve suçların çözülmesinde önemli bir rol oynadı. Ancak şimdi, yapay zeka ve bilgisayarlı görü sayesinde soruşturmalar daha da gelişiyor. Makineler, görsel kanıtları daha hızlı, daha doğru ve çok daha büyük bir ölçekte analiz etmeye yardımcı olabilir.
Özellikle, bilgisayarlı görü, makinelerin görüntüleri ve videoları görmesini ve anlamasını sağlayan etkili bir teknolojidir. Bu sistemler, büyük miktarda görsel veriyi hızlı bir şekilde işleyebilir ve analiz edebilir, bu da araştırmacıların suçları daha hızlı çözmelerine yardımcı olur.
Yapay zeka odaklı araçların soruşturmalardaki avantajları, yapay zeka odaklı dijital adli tıp için küresel pazarın 2025'te 4,98 milyar dolar olarak değerlenmesine ve 2031'e kadar 17,7 milyar dolara ulaşmasının beklenmesine neden oldu.
Bu makalede, bilgisayarlı görünün adli soruşturmalarda nasıl kullanılabileceğini ve görsel kanıtları tanımlamaya, analiz etmeye ve yorumlamaya nasıl yardımcı olabileceğini inceleyeceğiz.
Bilgisayarlı görü, makinelerin gerçek dünyadan görsel bilgileri yorumlamasını ve bu anlayışa dayanarak kararlar almasını sağlar. Özellikle adli bilimde, yapay zeka silah veya yaralanma gibi unsurları tespit etmek, araçları izlemek ve hatta suç mahallerinin etkileyici hız ve doğrulukla 3B modellerini yeniden oluşturmak için kullanılabilir.
Adli soruşturmalar hala manuel gözleme ve uzman bilgisine dayanırken, bu süreç zaman alıcı olabilir ve genellikle tek bir vakaya odaklanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri daha hızlı, daha ölçeklenebilir bir yaklaşım sunar. Bu modeller sahneleri tarayabilir, önemli nesneleri tanımlayabilir ve nesne tespiti ve görüntü sınıflandırması gibi Vision AI görevlerini kullanarak kanıtları sınıflandırabilir.
Örneğin, yüzlerce saatlik gözetim görüntüsünü manuel olarak incelemek yerine, bir bilgisayarlı görü modeli şüpheli faaliyetleri (olağandışı hareketler, oyalanma veya geride bırakılan nesneler gibi) tespit etmek için video akışlarını otomatik olarak tarayabilir. Araştırmacıların incelemesi için belirli zaman dilimlerini ve konumları işaretleyebilir, bu da ilgili kanıtları bulmak için gereken süreyi ve çabayı önemli ölçüde azaltır.
Bilgisayarlı görü, araştırmacıların görsel kanıtları toplama ve inceleme biçimini değiştiriyor. İşte günümüzde adli çalışmalarda nasıl kullanıldığına dair daha yakından bir bakış.
Gözetimde kullanılan en yaygın bilgisayarlı görü tekniklerinden biri, video kareleri boyunca insanları, araçları veya öğeleri takip eden nesne takibi'dir. Her durum için manuel olarak programlanmak yerine, bu sistemler gerçek dünya videosundan öğrenir ve "normal" olanın ne olduğunu hızla öğrenir. Bu sayede, sessiz bir alanda oyalanan biri, kısıtlı bir bölgedeki bir araç veya halka açık bir alanda gözetimsiz 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 CCTV görüntülerini tarayabilir, kırmızı kamyonetin her örneğini seçebilir ve müfettişleri hepsini manuel olarak incelemekten kurtarabilir. Bilgisayarlı görü, saatler veya günler süren işleri otomatikleştirerek hem canlı izlemeyi hem de kanıt incelemesini daha hızlı, daha akıllı ve daha etkili hale getirir.
Yangınla ilgili olayların ardından zaman kritik öneme sahiptir ve fiziksel kanıtlar genellikle zarar görür veya yok olur. Bilgisayarlı görü teknolojileri, olayların sırasını yeniden oluşturmak için uydu görüntüleri, drone çekimleri, CCTV ve termal taramalar gibi çeşitli görsel veri kaynaklarını analiz ederek bu boşluğu doldurmaya yardımcı olur.
Bu araçlar, bir yangının kaynağını tespit edebilir, potansiyel hızlandırıcıları belirleyebilir ve olay yerinin yakınındaki insan veya araç hareketlerini izleyebilir. Sistem, suç veri tabanları ve olay raporlarıyla birleştirildiğinde, farklı bölgelerde tekrarlanan yangın yerleri, şüpheli davranışlar veya koordineli kundaklama gibi kalıpları ortaya çıkarabilir.
Gerçek dünyadan bir örnek, Avustralya'nın Yeni Güney Galler eyaletinden geliyor. Burada polis, 2019–2020 orman yangınları soruşturmaları sırasında Insights adlı bir bilgisayarlı görü platformu kullandı. Platform, CCTV görüntülerini, coğrafi uzamsal verileri ve rüzgar yönü ve yıldırım düşmesi kayıtları gibi çevresel girdileri analiz etti. Ayrıca, gözetim görüntülerinin büyük miktarlarında araçlar veya ekipman gibi ilgili görsel öğeleri tanımlamak için nesne tanımayı kullandı.
Araştırmacılar, bu bilgileri cep telefonu coğrafi konum verileri ve haritalarla çakıştırarak, insan aktivitesini belirli yangın olaylarına bağlayabilir ve bu verileri resmi soruşturmalar sırasında görsel olarak sunabilirler. Bu yaklaşım, soruşturma sürecini hızlandırdı.
Adli tıpta 3B yeniden yapılandırma, olay yeri hakkında gerçeğe uygun ölçekte detaylı modeller oluşturmak için fotoğrafçılık, lazer tarama, LiDAR ve bilgisayarlı görü gibi teknolojileri bir araya getirir. Bu yeniden yapılandırmalar, araştırmacıların nesne yerleşimini, kan sıçrama düzenlerini ve mermi yörüngelerini geleneksel 2B fotoğrafların sağlayamadığı bir doğruluk ve etkileşim düzeyiyle görselleştirmesine yardımcı olur. Bu teknoloji, sanal gezinmeler ve hassas ölçümler sağlayarak analizleri ve mahkeme sunumlarını geliştirir.
Aktif soruşturmaların ötesinde, 3D rekonstrüksiyon ve sanal gerçeklik (VR) de adli tıp eğitimini yeniden şekillendiriyor. Akademik ortamlarda öğrenciler, simüle edilmiş olay yerlerini keşfetmek, kanıtları belirlemek ve parmak izi taraması ve kan sıçrama analizi gibi teknikleri uygulamak için VR başlıklarını kullanabilirler. Bu sürükleyici öğrenme yaklaşımı, güvenli, tekrarlanabilir bir ortamda temel soruşturma becerilerini geliştirir.
Hindistan, Kerala'da 19 yıllık bir dava, yakın zamanda AI destekli görüntü iyileştirme yardımıyla çözüldü. Müfettişler, suç zamanından kalma eski fotoğrafları yeniden inceledi ve yüz hatlarını netleştirmek ve şüphelilerin güncellenmiş benzerliklerini oluşturmak için görüntü işleme ve yapay zeka kombinasyonunu kullandı. İyileştirilmiş bir görüntü, çevrimiçi paylaşılan bir düğün fotoğrafında görülen bir kişiye çok benziyordu ve bu da sonuçta davada bir atılıma yol açtı.
Bu vaka, modern adli araçların, özellikle yapay zekanın geleneksel görüntü iyileştirmeyle entegrasyonunun, kolluk kuvvetlerinin uzun süredir bekleyen soruşturmaları yeniden ziyaret etmesine ve çözmesine nasıl yardımcı olabileceğinin iyi bir örneğidir. Gizlenmiş ayrıntıları ortaya çıkararak veya zaman içinde önemli ölçüde değişen kişileri tanımlayarak, bu teknolojiler dijital adli tıp alanında güçlü varlıklar olduğunu kanıtlıyor.
Örnek segmentasyonu, bir görüntüdeki bireysel nesneleri tanımlayabilen ve her birinin detaylı, piksel düzeyinde bir maskeyle ana hatlarını çizebilen bir bilgisayarlı görü görevidir. Bu, araştırmacıların dağınık veya karmaşık ortamlarda bile önemli kanıt parçalarını hassas bir şekilde izole etmelerine yardımcı olur.
Kir veya karda birden fazla ayak izi veya üst üste binen lastik izinin görülebildiği bir olay yeri olduğunu varsayalım - örnek segmentasyonu her birini ayrı ayrı ayırt edebilir ve ana hatlarını çizebilir. Bu, arka plan karmaşasından dikkat dağılmadan hareket kalıplarını, araç yollarını veya şüpheli yörüngelerini analiz etmeyi kolaylaştırır.
Sahne analizinin ötesinde, örnek segmentasyonu adli görüntülere de uygulanmaktadır. Zürih Adli Tıp Enstitüsü tarafından yapılan bir çalışmada, araştırmacılar bu tekniği farklı yara türlerini belirlemek için kullandılar. 4.666 yara içeren 1.753 adli görüntü üzerinde bir görüntüleme modeli eğittiler.
Eğitilen model, bıçak yaraları ve yanıklar dahil olmak üzere yedi tür yaralanmayı tespit edip sınıflandırabildi. Vision AI'nın adli tıp görüntüsü değerlendirmelerinde zaman kazandırarak ve tutarlılığı artırarak, soruşturmacıları yaralanma modellerini hızlı ve doğru bir şekilde analiz ederek nasıl destekleyebileceğini gösterdi.
Otomatik Plaka Tanıma (ANPR) veya Plaka Tanıma (LPR), görüntü veya video görüntülerinden plaka numaralarını otomatik olarak algılamaya, okumaya ve çıkarmaya odaklanan bir bilgisayarlı görü uygulamasıdır. Bu, tipik olarak bir çerçeve içinde plakayı bulmak için nesne tespiti için YOLO11 gibi bilgisayarlı görü modellerinin kullanılmasını içerir.
Plaka tanımlandıktan sonra, alfanümerik karakterleri çıkarmak için optik karakter tanıma (OCR) uygulanır. Bu bilgiler daha sonra aracın sahibini belirlemek veya geçmiş hareketlerini izlemek için veritabanlarıyla çapraz olarak başvurulabilir. ANPR, kayıp kişiler, araç hırsızlığı, trafik ihlalleri veya çarpıp kaçma olaylarını içeren soruşturmalarda özellikle yararlıdır.
Örneğin, kayıp bir şahıs vakasında, emniyet güçleri plaka numarasını bir LPR sistemine girebilir. Araç bir güvenlik kamerasına yakalanırsa, sistem otomatik olarak konumunu işaretleyerek memurların hızla müdahale etmesine yardımcı olabilir. LPR ayrıca, entegre gözetim ağları aracılığıyla hızlı ve doğru izleme sağlayarak çalıntı araçlar veya çarpıp kaçma gibi vakalarda da önemli bir rol oynar.
YZ ve bilgisayarlı görü, adli soruşturmaların verimliliğini, erişilebilirliğini ve güvenilirliğini artıran çeşitli temel faydalar sunar. İşte dikkate alınması gereken bazı temel avantajlar:
Potansiyeline rağmen, adli tıpta bilgisayarla görme de akılda tutulması gereken birkaç zorlukla birlikte gelir. İşte başlıca olanlardan bazıları:
Bilgisayarlı görü hala gelişiyor, ancak şimdiden adli bilimin işleyiş biçimini dönüştürüyor. Örnek segmentasyonu yoluyla küçük kanıt parçalarını tespit edip ana hatlarını çizmekten, 3D olay yeri modelleri oluşturmaya ve belgeleri iyileştirmeye kadar, araştırmacıları çalışmalarının her aşamasında destekliyor.
Gelecekte, bilgisayarlı görü, kalıpları daha hızlı tespit etmek ve geçmiş vaka verilerini kullanarak daha iyi tahminler yapmak için yapay zeka ve makine öğrenimi ile daha da yakın çalışacaktır. Teknoloji gelişmeye devam ettikçe, suçları çözmek için yeni ve daha iyi yollar getirmeye devam edecektir.
Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza katılın. Çözüm sayfalarımızda üretimde yapay zeka ve tarımda bilgisayarlı görü gibi uygulamaları keşfedin. Lisanslama seçeneklerimize göz atın ve bilgisayarlı görü ile geliştirmeye bugün başlayın!
