Adli bilimler için bilgisayarlı görü: Gizli ipuçlarını tespit etme

Soruşturmalar, suç mahallerinde toplanan fiziksel kanıtlara büyük ölçüde dayanır ve bu kanıtların önemli bir kısmı görseldir. Geleneksel olarak ipuçları manuel biçimde toplanırdı: olay yerinin fotoğrafı çekilir, krokiler çizilir, nesneler etiketlenir ve ince ayrıntıları fark etmek için soruşturmacının eğitimli gözüne güvenilirdi.

Yıllar boyunca termal kameralar ve parmak izi tarayıcıları gibi araçlar bu çalışmaları destekledi ve suçların çözümünde önemli rol oynadı. Ancak artık yapay zekâ ve bilgisayarlı görü sayesinde soruşturmalar daha gelişmiş hâle geliyor. Makineler, görsel kanıtları daha hızlı, daha doğru ve çok daha büyük ölçekte analiz etmeye yardımcı olabiliyor.

Özellikle bilgisayarlı görü, makinelerin görüntüleri ve videoları görmesini ve anlamasını sağlayan etkili bir teknolojidir. Bu sistemler büyük miktarda görsel veriyi hızla işleyip analiz ederek araştırmacıların suçları daha hızlı çözmesine yardımcı olabilir.

Araştırmalarda YZ destekli araçların sağladığı avantajlar, YZ destekli dijital adli bilişim araçlarının küresel pazarının 2025'te 4,98 milyar dolar değerine ulaşmasına yardımcı oldu; bu değerin 2031'de 17,7 milyar dolara ulaşması bekleniyor.

Şekil 1. Yapay zekâ destekli dijital adli bilişim pazarı (Kaynak).

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

Adli bilimlerde yapay zekâ ve bilgisayarlı görünün rolü#

Bilgisayarlı görü, makinelerin gerçek dünyadaki görsel bilgileri yorumlamasını ve bu anlayışa dayanarak kararlar vermesini sağlar. Özellikle adli bilimlerde YZ; silah veya yaralanma gibi unsurları algılamak, araçları izlemek ve hatta olay yeri 3D modellerini hızlı ve isabetli biçimde yeniden oluşturmak için kullanılabilir.

Adli soruşturmalar hâlâ elle gözleme ve uzman bilgisine dayanıyor olsa da bu süreç zaman alabilir ve genellikle aynı anda tek bir vakaya odaklanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri daha hızlı ve ölçeklenebilir bir yaklaşım sunar. Bu modeller olay yerlerini tarayabilir, önemli nesneleri belirleyebilir ve nesne algılama ile görüntü sınıflandırma gibi görsel YZ görevlerini kullanarak kanıtları sınıflandırabilir.

Örneğin, yüzlerce saatlik güvenlik kamerası görüntüsünü manuel olarak incelemek yerine bir bilgisayarlı görü modeli, şüpheli etkinlikleri (alışılmadık hareketleri, amaçsızca oyalanmayı veya geride bırakılan nesneleri) tespit etmek için video akışlarını otomatik olarak tarayabilir. Soruşturmacıların incelemesi için belirli zaman aralıklarını ve konumları işaretleyerek ilgili kanıtları bulmak için gereken zaman ve çabayı önemli ölçüde azaltabilir.

Adli bilimlerde Vision AI uygulamaları#

Bilgisayarlı görü, soruşturmacıların görsel kanıtları toplama ve inceleme biçimini değiştiriyor. Günümüzde adli çalışmalarda nasıl kullanıldığına daha yakından bakalım.

Güvenlik kamerası görüntülerini bilgisayarlı görüyle analiz etme#

Güvenlik izlemede kullanılan en yaygın bilgisayarlı görü tekniklerinden biri, insanları, araçları veya nesneleri video kareleri boyunca takip eden nesne takibidir. Bu sistemler her duruma göre manuel olarak programlanmak yerine gerçek dünya videolarından öğrenir ve “normal” görünen durumu hızla kavrar. Böylece sessiz bir bölgede amaçsızca oyalanan biri, yasaklı bir alandaki araç veya halka açık bir yerde gözetimsiz bırakılmış çanta gibi olağandışı davranışları otomatik olarak fark edebilir.

Bu teknoloji soruşturmalar sırasında faydalı olabilir. Örneğin bir tanık, sabah 11 ile öğleden sonra 1 arasında bir kavşakta kırmızı bir pikap gördüğünü söylerse bilgisayarlı görü saatlerce süren CCTV görüntülerini tarayabilir, kırmızı kamyonetin geçtiği her anı bulabilir ve soruşturmacıları tüm görüntüleri manuel inceleme zahmetinden kurtarabilir. Eskiden saatler veya günler süren işleri otomatikleştiren bilgisayarlı görü, hem canlı izlemeyi hem de kanıt incelemesini daha hızlı, akıllı ve etkili hâle getirir.

Şekil 2. CCTV görüntülerini analiz etmek ve kırmızı pikapları takip etmek için Vision AI kullanımı (kaynak).

Orman yangını soruşturmalarında yapay zekâ kullanımı#

Yangınla ilgili olayların ardından zaman kritik önem taşır; fiziksel kanıtlar ise çoğu zaman zarar görür veya yok olur. Bilgisayarlı görü teknolojileri; uydu görüntüleri, drone çekimleri, CCTV ve termal taramalar gibi çeşitli görsel veri kaynaklarını analiz ederek olayların sırasını yeniden oluşturur ve bu boşluğu doldurmaya yardımcı olur.

Bu araçlar yangının çıkış noktasını tespit edebilir, olası yangın hızlandırıcıları belirleyebilir ve olay yerinin yakınındaki insan veya araç hareketlerini izleyebilir. Suç veri tabanları ve olay raporlarıyla birleştirildiğinde sistem, farklı bölgelerde tekrarlanan yangın yerleri, şüpheli davranışları veya koordineli kundaklama gibi örüntüleri ortaya çıkarabilir.

Gerçek dünyadan bir örnek, polisin 2019–2020 orman yangınlarına ilişkin soruşturmalar sırasında Insights adlı bir bilgisayarlı görü platformunu kullandığı Avustralya'nın Yeni Güney Galler eyaletinden geliyor. Platform; CCTV görüntülerini, coğrafi verileri ve rüzgâr yönü ile yıldırım düşme kayıtları gibi çevresel girdileri analiz etti. Ayrıca geniş çaplı güvenlik kamerası görüntülerindeki araç veya ekipman gibi ilgili görsel unsurları belirlemek için nesne tanıma kullandı.

Bu içgörüleri cep telefonu coğrafi konum verileri ve haritalarla üst üste getirerek soruşturmacılar insan faaliyetlerini belirli yangın olaylarıyla ilişkilendirebildi ve bu verileri resmî soruşturmalarda görsel olarak sunabildi. Bu yaklaşım soruşturma sürecini hızlandırdı.

Şekil 3. Yangın enkazını inceleyen bir adli soruşturmacı (kaynak).

Bilgisayarlı görüyle suç mahallinin yeniden oluşturulması#

Adli bilimlerde 3B yeniden oluşturma; suç mahallerinin ayrıntılı ve gerçek ölçekli modellerini oluşturmak için fotoğrafçılık, lazer tarama, LiDAR ve bilgisayarlı görü gibi teknolojileri bir araya getirir. Bu yeniden oluşturmalar, geleneksel 2B fotoğrafların sağlayamayacağı doğruluk ve etkileşim düzeyiyle soruşturmacıların nesnelerin konumunu, kan sıçrama örüntülerini ve mermi yörüngelerini görselleştirmesine yardımcı olur. Sanal gezintiler ve hassas ölçümler yapılmasını sağlayan bu teknoloji, analizleri ve mahkeme sunumlarını geliştirir.

Etkin soruşturmaların yanı sıra 3D yeniden yapılandırma ve sanal gerçeklik (VR) de adli bilimler eğitimini değiştiriyor. Akademik ortamlarda öğrenciler, simüle edilmiş olay yerlerini keşfetmek, kanıtları belirlemek ve parmak izi tarama ile kan sıçraması analizi gibi teknikleri uygulamak için VR başlıkları kullanabilir. Bu sürükleyici öğrenme yaklaşımı, güvenli ve tekrar edilebilir bir ortamda temel soruşturma becerilerini geliştirir.

Şekil 4. VR başlığıyla suç mahallini inceleyen bir öğrenci (kaynak).

Vision AI ile görüntü iyileştirme#

Hindistan'ın Kerala eyaletinde 19 yıllık bir dava, yakın zamanda yapay zekâ destekli görüntü iyileştirme sayesinde çözüldü. Soruşturmacılar suçun işlendiği döneme ait eski fotoğrafları yeniden inceledi ve şüphelilerin yüz hatlarını netleştirmek, güncel benzer görüntülerini oluşturmak için görüntü işleme ile yapay zekâyı birlikte kullandı. İyileştirilen görüntülerden biri, çevrim içi paylaşılan bir düğün fotoğrafındaki kişiye çok benziyordu ve sonuçta davada önemli bir ilerleme sağladı.

Bu dava, özellikle yapay zekânın geleneksel görüntü iyileştirmeyle birleştirilmesinin kolluk kuvvetlerinin uzun süredir çözülemeyen soruşturmaları yeniden ele alıp sonuçlandırmasına nasıl yardımcı olabileceğinin iyi bir örneğidir. Gizlenmiş ayrıntıları ortaya çıkararak veya zaman içinde önemli ölçüde değişmiş kişileri belirleyerek bu teknolojiler, dijital adli bilişim alanında güçlü araçlar olduklarını kanıtlıyor.

Kanıtları çıkarmak için örnek bölütleme kullanımı#

Örnek bölütleme, görüntüdeki nesneleri tek tek belirleyebilen ve her birinin çevresini ayrıntılı, piksel düzeyinde bir maskeyle çizebilen bir bilgisayarlı görü görevidir. Bu, soruşturmacıların karmaşık veya dağınık ortamlarda bile önemli kanıtları hassas biçimde ayırmasına yardımcı olur.

Diyelim ki bir suç mahallinde toprak veya kar üzerinde birden fazla ayak izi ya da üst üste binmiş lastik izleri var; örnek bölütleme bunların her birini ayrı ayrı ayırt edip çevresini çizebilir. Bu sayede arka plandaki dağınıklık dikkati dağıtmadan hareket örüntülerini, araç güzergâhlarını veya şüpheli yörüngelerini analiz etmek kolaylaşır.

Örnek bölütleme, olay yeri analizinin yanı sıra adli görüntülerde de kullanılıyor. Zürih Adli Tıp Enstitüsü'ndeki araştırmacılar, bir çalışmada bu tekniği farklı yara türlerini belirlemek için kullandı. Araştırmacılar, 4.666 yara içeren 1.753 adli görüntüyle bir görsel model eğitti.

Eğitilmiş model, kesik yaraları ve yanıklar dâhil yedi tür yaralanmayı algılayıp sınıflandırabildi. Görsel YZ'nin yaralanma örüntülerini hızlı ve isabetli biçimde analiz ederek, zaman kazandırıp adli görüntü değerlendirmelerindeki tutarlılığı artırarak araştırmacıları nasıl destekleyebileceğini gösterdi.

Vision AI ile otomatik plaka tanıma#

Otomatik plaka tanıma (ANPR) veya plaka tanıma (LPR), görüntülerden ya da videolardan plakaları otomatik olarak tespit etmeye, okumaya ve çıkarmaya odaklanan bir bilgisayarlı görü uygulamasıdır. Bu uygulamada genellikle kare içindeki plakayı bulmak için nesne tespiti amacıyla YOLO11 gibi bilgisayarlı görü modelleri kullanılır.

Plaka belirlendikten sonra alfasayısal karakterleri çıkarmak için optik karakter tanıma (OCR) uygulanır. Ardından bu bilgiler, aracın sahibini belirlemek veya geçmiş hareketlerini izlemek için veri tabanlarıyla karşılaştırılabilir. ANPR; kayıp kişiler, araç hırsızlığı, trafik ihlalleri veya çarpıp kaçma olaylarını içeren soruşturmalarda özellikle kullanışlıdır.

Örneğin, kayıp kişi vakasında kolluk kuvvetleri plaka numarasını bir LPR sistemine girebilir. Araç bir güvenlik kamerasında görünürse sistem konumunu otomatik olarak işaretleyerek görevlilerin hızla müdahale etmesine yardımcı olabilir. LPR, entegre gözetim ağları aracılığıyla hızlı ve doğru takip sağlayarak çalıntı araçlar veya çarpıp kaçma vakaları gibi olaylarda da önemli rol oynar.

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

Adli bilimlerde yapay zekâ kullanmanın avantajları ve dezavantajları#

Yapay zekâ ve bilgisayarlı görü, adli soruşturmaların verimliliğini, erişilebilirliğini ve güvenilirliğini artıran birçok önemli fayda sunar. Göz önünde bulundurman gereken başlıca avantajlardan bazıları şunlardır:

• Uzaktan analiz: Bilgisayarlı görü, adli soruşturmacıların olay yerlerini ve görüntüler, videolar ve 3D modeller gibi kanıtları fiziksel olarak orada bulunmadan herhangi bir yerden incelemesini sağlar.
• Uzun süreli arşivler: Görü sistemleri tarafından işlenen veriler iyi düzenlenebilir ve kolayca aranabilir. İleride gerekirse eski vakalar, geliştirilmiş modeller kullanılarak yeniden incelenip analiz edilebilir.
• Tutarlılık: Görsel bilgileri deneyimlerine göre farklı yorumlayabilen insanların aksine, bilgisayarlı görü modelleri her seferinde aynı kuralları uygular; böylece analiz daha tutarlı ve standart hâle gelir.

Potansiyeline rağmen, adli bilimlerde bilgisayarlı görü kullanımı göz önünde bulundurman gereken bazı zorlukları da beraberinde getirir. Başlıca zorluklardan bazıları şunlardır:

• Girdi kalitesi: Görü modelleri aldıkları verilerin kalitesine büyük ölçüde bağlıdır. Görüntüler bulanıksa, yeterince aydınlık değilse veya düşük çözünürlüklüyse bilgisayarlı görü çözümleri önemli ayrıntıları gözden kaçırabilir ya da yanlış yorumlayabilir. Eğitim sırasında uygun bir veri artırma stratejisi bu sorunu kısmen azaltabilir.
• Görülmemiş verilerde zorluk: Bilgisayarlı görü modelleri, alışılmadık nesneler veya eğitim verilerinden farklı olay yerleri gibi yeni bir şeyle karşılaştıklarında zorlanabilir. Bu durum veri kaymasıyla yakından ilişkilidir.
• Hukuki zorluklar: Bilgisayarlı görünün soruşturmalarda kullanılması; kanıtın mahkemede kabul edilip edilemeyeceği, verilerin ne ölçüde gizli olduğu ve sistemin kararlarının ne kadar şeffaf olduğu gibi hukuki soruları gündeme getirebilir.

Önemli çıkarımlar#

Bilgisayarlı görü hâlâ gelişiyor, ancak adli bilimlerin işleyişini şimdiden değiştiriyor. Örnek segmentasyonu yoluyla küçük kanıt parçalarını algılayıp çevrelemekten 3D olay yeri modelleri oluşturmaya ve görüntüleri iyileştirmeye kadar çalışmalarının her aşamasında araştırmacıları destekliyor.

Gelecekte bilgisayarlı görü, geçmiş vakaların verilerini kullanarak örüntüleri daha hızlı belirlemek ve daha iyi tahminlerde bulunmak için muhtemelen yapay zekâ ve makine öğrenimiyle daha da yakından çalışacak. Teknoloji gelişmeye devam ettikçe suçları çözmek için yeni ve daha iyi yöntemler sunmayı sürdürecek.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza katıl. Çözüm sayfalarımızda üretimde yapay zekâ ve tarımda bilgisayarlı görü gibi uygulamaları keşfet. Lisans seçeneklerimize göz at ve bugün bilgisayarlı görüyle geliştirmeye başla!