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 içinde termal kameralar ve parmak izi tarayıcıları gibi araçlar bu çalışmayı destekledi ve suçların çözülmesinde kilit bir rol oynadı. Ancak şimdi, yapay zeka ve bilgisayarlı görü sayesinde soruşturmalar daha gelişmiş hale geliyor. Makineler, görsel kanıtları daha hızlı, daha doğru ve çok daha geniş ölçekte analiz etmeye yardımcı olabiliyor.

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

Soruşturmalarda yapay zeka destekli araçların sunduğu avantajlar, yapay zeka destekli dijital adli tıp araçları için küresel pazarın 2025 yılında 4,98 milyar dolar değerine ulaşmasını sağladı ve 2031 yılına kadar bu rakamın 17,7 milyar dolara ulaşması bekleniyor.

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

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

Link to this sectionAdli tıp alanında yapay zeka ve bilgisayarlı görünün rolü#

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

Adli soruşturmalar hala manuel gözleme ve uzman bilgisine dayansa da, bu süreç zaman alıcı olabilir ve genellikle her seferinde tek bir vakaya odaklanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, daha hızlı ve daha 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.

Link to this sectionVision AI'nin adli tıp uygulamaları#

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

Link to this sectionBilgisayarlı görü kullanarak güvenlik görüntülerinin analizi#

Güvenlikte kullanılan en yaygın bilgisayarlı görü tekniklerinden biri, insanları, araçları veya öğeleri video kareleri boyunca izleyen nesne takibidir. Her durum için manuel olarak programlanmak yerine, bu sistemler gerçek dünya videolarından öğrenir ve "normal" olanın ne olduğunu hızla kavrar. Bu sayede; ıssız bir bölgede dolaşan birini, kısıtlı bir bölgedeki aracı veya halka açık bir alanda sahipsiz bırakılan bir çantayı otomatik olarak fark 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 kullanımı (kaynak).

Link to this sectionOrman 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, Avustralya'nın Yeni Güney Galler bölgesinden geliyor; burada polis, 2019–2020 orman yangınlarıyla ilgili soruşturmalarda Insights adlı bir bilgisayarlı görü platformu kullandı. Platform; CCTV görüntülerini, coğrafi verileri ve rüzgar yönü ile şimşek çakma kayıtları gibi çevresel girdileri analiz etti. Ayrıca çok miktardaki güvenlik görüntüsü içinde araçlar veya ekipmanlar gibi ilgili görsel unsurları belirlemek için nesne tanımayı 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 enkazına bakan bir adli tıp uzmanı (kaynak).

Link to this sectionBilgisayarlı 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 yapılandırma ve sanal gerçeklik (VR) adli tıp eğitimini de yeniden tasarlıyor. Akademik ortamlarda öğrenciler, simüle edilmiş suç mahallerini keşfetmek, kanıtları belirlemek ve parmak izi tarama veya kan sıçrama analizi gibi teknikleri uygulamak için VR başlıklarını kullanabilirler. Bu sürükleyici öğrenme yaklaşımı, güvenli ve tekrarlanabilir bir ortamda temel soruşturma becerilerini geliştirir.

Şekil 4. VR başlığı kullanarak suç mahalline bakan bir öğrenci (kaynak).

Link to this sectionVision AI ile görüntü iyileştirme#

Hindistan'ın Kerala kentindeki 19 yıllık bir vaka, yakın zamanda yapay zeka destekli görüntü iyileştirme yardımıyla çözüldü. Müfettişler, suçun işlendiği zamandan kalma eski fotoğrafları tekrar inceledi ve yüz hatlarını netleştirmek ve şüphelilerin güncel benzerlerini oluşturmak için görüntü işleme ile yapay zekanın bir kombinasyonunu kullandı. İyileştirilmiş bir görüntü, çevrimiçi paylaşılan bir düğün fotoğrafında görülen bir kişiye yakından 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.

Link to this sectionKanıt çıkarma için örnek segmentasyonu kullanımı#

Örnek segmentasyonu, bir görüntüdeki bireysel nesneleri tanımlayabilen ve her birini ayrıntılı, piksel düzeyinde bir maske ile çevreleyebilen bir bilgisayarlı görü görevidir. Bu, müfettişlerin karmaşık veya dağınık ortamlarda bile kilit kanıt parçalarını hassasiyetle izole etmelerine yardımcı olur.

Toprakta veya karda birden fazla ayak izinin veya üst üste binmiş lastik izlerinin görülebildiği bir suç mahallini ele alalım; örnek segmentasyonu her birini ayrı ayrı ayırt edip ana hatlarıyla belirleyebilir. Bu, arka plan karmaşası olmadan hareket modellerini, araç yollarını veya şüpheli yörüngelerini analiz etmeyi kolaylaştırır.

Sahne analizinin ötesinde, örnek segmentasyonu adli tıp görüntülerine de uygulanıyor. Zürih Adli Tıp Enstitüsü'ndeki bir çalışmada araştırmacılar, bu tekniği farklı yaralanma türlerini tanımlamak için kullandılar. Bir görü modelini, 4.666 yara içeren 1.753 adli tıp görüntüsü üzerinde 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.

Link to this sectionVision AI tarafından desteklenen otomatik plaka tanıma#

Otomatik Plaka Tanıma (ANPR) veya Plaka Tanıma (LPR), görüntülerden veya video görüntülerinden 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 alfanümerik karakterleri çıkarmak için optik karakter tanıma (OCR) uygulanır. Bu bilgiler daha sonra araç sahibini belirlemek veya geçmiş hareketlerini takip etmek 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. YOLO11 kullanarak plaka tespiti (kaynak).

Link to this sectionAdli 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 gözden kaçırabilir veya yanlış yorumlayabilir. Bu, doğru veri artırma stratejisi uygulanarak azaltılabilir.
• Görülmemiş verilerde zorluk: Bilgisayarlı görü modelleri, alışılmadık nesneler veya eğitildikleri verilerden farklı olan suç mahalleri gibi yeni bir şeyle karşılaştıklarında zorlanabilirler. Buna "kayma" denir.
• 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.

Link to this sectionÖne 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 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 bugün bir şeyler inşa etmeye başlayın!