Adli bilim için bilgisayarlı görü: Gizli ipuçlarını tespit etme
Kanıtları belirleme, görüntüleri analiz etme ve suç soruşturmalarını hızlandırmada bilgisayarlı görünün adli bilim üzerindeki etkisini keşfet.
Soruşturmalar, olay yerlerinden toplanan fiziksel kanıtlara büyük ölçüde dayanır ve bu kanıtların önemli bir kısmı görseldir. Geleneksel olarak bu ipuçlarını toplamak; olay yerini fotoğraflamayı, yerleşim planlarını çizmeyi, nesneleri etiketlemeyi ve ince ayrıntıları fark etmek için soruşturmacının eğitimli gözlem yeteneğine güvenmeyi gerektiriyordu.
Yıllar boyunca termal kameralar ve parmak izi tarayıcıları gibi araçlar bu çalışmayı destekledi ve suçların çözülmesinde önemli rol oynadı. Ancak artık AI ve bilgisayarlı görü sayesinde soruşturmalar daha gelişmiş hale geliyor. Makineler, görsel kanıtların daha hızlı, daha doğru ve çok daha büyük ölçekte analiz edilmesine yardımcı olabilir.
Özellikle bilgisayarlı görü, makinelerin görüntüleri ve videoları görmesini ve anlamasını sağlayan etkili bir teknolojidir. Bu sistemler büyük miktarlardaki görsel veriyi hızla işleyip analiz ederek soruşturmacıların suçları daha hızlı çözmesine yardımcı olabilir.
Soruşturmalarda AI destekli araçların sağladığı avantajlar, AI destekli dijital adli bilişim araçları küresel pazarının 2025'te 4,98 milyar dolar değerine ulaşmasını sağladı ve pazarın 2031'e kadar 17,7 milyar dolara ulaşması bekleniyor.
Şekil 1. AI destekli küresel dijital adli bilişim pazarı (Kaynak).
Bu makalede, bilgisayarlı görünün adli soruşturmalarda nasıl kullanılabileceğini ve görsel kanıtların belirlenmesine, analiz edilmesine ve yorumlanmasına nasıl yardımcı olabileceğini inceleyeceğiz.
Adli bilişimde AI ve bilgisayarlı görünün rolü#
Bilgisayarlı görü, makinelerin gerçek dünyadan gelen görsel bilgileri yorumlamasını ve bu anlayışa dayanarak karar vermesini sağlar. Özellikle adli bilimlerde AI; silah veya yaralanma gibi unsurları tespit etmek, araçları takip etmek ve hatta olay yerlerinin 3D modellerini etkileyici bir hız ve doğrulukla yeniden oluşturmak için kullanılabilir.
Adli soruşturmalar hâlâ manuel gözleme ve uzman bilgisine dayanırken bu süreç zaman alabilir ve genellikle her seferinde tek bir vakaya odaklanır. Ultralytics YOLO11 gibi bilgisayarlı görü modelleri daha hızlı ve ölçeklenebilir bir yaklaşım sunar. Bu modeller sahneleri tarayabilir, önemli nesneleri belirleyebilir ve nesne tespiti ile görüntü sınıflandırma gibi Vision AI görevlerini kullanarak kanıtları sınıflandırabilir.
Örneğin, yüzlerce saatlik güvenlik kamerası görüntüsünü manuel olarak incelemek yerine bir bilgisayarlı görü modeli, şüpheli etkinlikleri (alışılmadık hareketler, bir yerde amaçsızca oyalanma veya geride bırakılan nesneler gibi) tespit etmek için video akışlarını otomatik olarak tarayabilir. İncelemeleri için belirli zaman aralıklarını ve konumları soruşturmacıların dikkatine sunarak ilgili kanıtları bulmak için gereken zamanı ve çabayı önemli ölçüde azaltabilir.
Adli bilişimde Vision AI uygulamaları#
Bilgisayarlı görü, soruşturmacıların görsel kanıtları toplama ve inceleme biçimini değiştiriyor. Günümüzde adli çalışmalarda nasıl kullanıldığına daha yakından bakalım.
Bilgisayarlı görü kullanarak güvenlik kamerası görüntülerini analiz etme#
Gözetimde kullanılan en yaygın bilgisayarlı görü tekniklerinden biri, video kareleri boyunca insanları, araçları veya nesneleri takip eden nesne takibidir. Bu sistemler her durum için manuel olarak programlanmak yerine gerçek dünyadaki videolardan öğrenir ve “normal” olanı hızla kavrar. Böylece sessiz bir bölgede oyalanan bir kişi, yasaklı bir alandaki araç veya halka açık bir yerde başıboş bırakılmış çanta gibi olağandışı davranışları otomatik olarak fark edebilirler.
Bu teknoloji soruşturmalar sırasında faydalı olabilir. Örneğin bir tanık, 11.00 ile 13.00 arasında bir kavşakta kırmızı bir kamyonet gördüğünü söylerse bilgisayarlı görü saatlerce CCTV görüntüsünü tarayabilir, kırmızı kamyonetin görüldüğü her anı belirleyebilir ve soruşturmacıları tüm görüntüyü manuel olarak incelemekten kurtarabilir. Bilgisayarlı görü, eskiden saatler veya günler süren işlemleri otomatikleştirerek hem canlı izlemeyi hem de kanıt incelemesini daha hızlı, akıllı ve etkili hale getirir.
Şekil 2. CCTV görüntülerini analiz etmek ve kırmızı kamyonetleri takip etmek için Vision AI kullanımı (kaynak).
Orman yangını soruşturmalarında AI kullanımı#
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 görüntüleri, CCTV ve termal taramalar gibi çeşitli görsel veri kaynaklarını analiz ederek bu boşluğu doldurmaya yardımcı olur.
Bu araçlar yangının çıkış noktasını tespit edebilir, olası hızlandırıcı maddeleri belirleyebilir ve olay yeri yakınındaki insan veya araç etkinliğini takip edebilir. Sistem, adli veri tabanları ve olay raporlarıyla birleştirildiğinde farklı bölgelerde tekrarlanan yangın konumları, şüpheli davranışları veya koordineli kundaklama gibi örüntüleri ortaya çıkarabilir.
Buna gerçek dünyadan bir örnek, polislerin 2019–2020 orman yangınlarıyla ilgili soruşturmalarda Insights adlı bir bilgisayarlı görü platformu kullandığı Avustralya'nın New South Wales bölgesinden geliyor. Platform; CCTV görüntülerini, jeo-uzamsal verileri ve rüzgâr yönü ile yıldırım düşmesi kayıtları gibi çevresel girdileri analiz etti. Ayrıca çok miktarda güvenlik kamerası görüntüsünde araçlar veya ekipmanlar gibi ilgili görsel unsurları belirlemek için nesne tanıma kullandı.
Soruşturmacılar bu içgörüleri cep telefonu konum verileri ve haritalarla üst üste getirerek insan etkinliğini belirli yangın olaylarıyla ilişkilendirebildi ve bu verileri resmî soruşturmalarda görsel olarak sunabildi. Bu yaklaşım soruşturma sürecini hızlandırdı.
Şekil 3. Yangın enkazını inceleyen adli soruşturmacı (kaynak).
Bilgisayarlı görü kullanarak olay yeri rekonstrüksiyonu#
Adli bilişimde 3D rekonstrüksiyon; olay yerlerinin ayrıntılı ve gerçek ölçekli modellerini oluşturmak için fotoğrafçılık, lazer tarama, LiDAR ve bilgisayarlı görü gibi teknolojileri bir araya getirir. Bu rekonstrüksiyonlar, soruşturmacıların nesnelerin konumlarını, kan sıçraması desenlerini ve mermi yörüngelerini geleneksel 2D fotoğrafların sağlayamayacağı bir doğruluk ve etkileşim düzeyiyle görselleştirmesine yardımcı olur. Bu teknoloji, sanal gezintiler ve hassas ölçümler sağlayarak analizi ve mahkeme sunumlarını geliştirir.
Aktif soruşturmaların ötesinde, 3D rekonstrüksiyon ve sanal gerçeklik (VR) de adli eğitim anlayışını yeniden şekillendiriyor. Akademik ortamlarda öğrenciler, simüle edilmiş olay yerlerini incelemek, kanıtları belirlemek ve parmak izi tarama ile kan sıçraması analizi gibi teknikleri uygulamak için VR başlıklarını kullanabilir. Bu sürükleyici öğrenme yaklaşımı, temel soruşturma becerilerini güvenli ve tekrarlanabilir bir ortamda geliştirir.
Şekil 4. VR başlığı kullanarak olay yerini inceleyen öğrenci (kaynak).
Vision AI kullanarak görüntü iyileştirme#
Hindistan'ın Kerala kentinde 19 yıllık bir vaka yakın zamanda AI destekli görüntü iyileştirme yardımıyla çözüldü. Soruşturmacılar suçun işlendiği döneme ait eski fotoğrafları yeniden inceledi ve şüphelilerin yüz özelliklerini netleştirmek ve güncel benzer görüntülerini oluşturmak için görüntü işleme ile yapay zekânın birleşiminden yararlandı. İyileştirilen görüntülerden biri internette paylaşılan bir düğün fotoğrafındaki kişiye büyük ölçüde benziyordu ve bu durum sonunda vakada bir atılım sağladı.
Bu vaka, özellikle AI ile geleneksel görüntü iyileştirmenin birleştirilmesi gibi modern adli araçların, kolluk kuvvetlerinin uzun süredir çözülemeyen soruşturmaları yeniden ele almasına ve sonuçlandırmasına nasıl yardımcı olabileceğini gösteren iyi bir örnektir. Bu teknolojiler, gizlenmiş ayrıntıları ortaya çıkararak veya zaman içinde büyük ölçüde değişen kişileri belirleyerek dijital adli bilişim alanında güçlü araçlar olduklarını kanıtlıyor.
Kanıt çıkarma için örnek segmentasyonu kullanımı#
Örnek segmentasyonu, bir görüntüdeki münferit nesneleri belirleyebilen ve her birinin çevresini ayrıntılı, piksel düzeyinde bir maskeyle çizebilen bir bilgisayarlı görü görevidir. Bu, soruşturmacıların karmaşık veya dağınık ortamlarda bile önemli kanıt parçalarını hassasiyetle ayırmasına yardımcı olur.
Toprakta veya karda birden fazla ayak izi ya da üst üste binmiş lastik izinin görüldüğü bir olay yeri olduğunu düşünelim; örnek segmentasyonu bunların her birini ayrı ayrı ayırt edip çevresini çizebilir. Bu sayede arka plandaki karmaşanın dikkat dağıtması olmadan hareket örüntülerini, araç güzergâhlarını veya şüpheli yörüngelerini analiz etmek kolaylaşır.
Sahne analizinin ötesinde, örnek segmentasyonu adli görüntülere de uygulanıyor. Zurich Institute of Forensic Medicine tarafından yürütülen bir çalışmada araştırmacılar, farklı yara türlerini belirlemek için bu tekniği kullandı. Araştırmacılar, 4.666 yara içeren 1.753 adli görüntüyle bir görü modeli eğitti.
Eğitilen model, kesici alet yaraları ve yanıklar da dahil olmak üzere yedi yaralanma türünü tespit edip sınıflandırabildi. Bu çalışma, Vision AI'ın yaralanma örüntülerini hızlı ve doğru bir şekilde analiz ederek, zaman kazandırarak ve adli görüntü değerlendirmelerinde tutarlılığı artırarak soruşturmacıları nasıl destekleyebileceğini gösterdi.
Vision AI ile desteklenen otomatik plaka tanıma#
Otomatik plaka tanıma (ANPR) veya plaka tanıma (LPR), görüntülerden ya da video görüntülerinden plaka numaralarını otomatik olarak tespit etmeye, okumaya ve çıkarmaya odaklanan bir bilgisayarlı görü uygulamasıdır. Bu işlem genellikle kare içindeki plakayı konumlandırmak için YOLO11 gibi bilgisayarlı görü modellerinin nesne tespiti amacıyla kullanılmasını içerir.
Plaka belirlendikten sonra alfasayısal karakterleri çıkarmak için optik karakter tanıma (OCR) uygulanır. Bu bilgiler daha sonra aracın sahibini belirlemek veya geçmiş hareketlerini takip etmek için veri tabanlarıyla karşılaştırılabilir. ANPR; kayıp kişiler, araç hırsızlığı, trafik ihlalleri veya çarpıp kaçma olaylarını içeren soruşturmalarda özellikle kullanışlıdır.
Örneğin kayıp bir kişi vakasında kolluk kuvvetleri plaka numarasını bir LPR sistemine girebilir. Araç bir güvenlik kamerasında görünürse sistem konumunu otomatik olarak işaretleyerek memurların hızla müdahale etmesine yardımcı olabilir. LPR, entegre gözetim ağları üzerinden hızlı ve doğru takip sağlayarak çalıntı araçlar veya çarpıp kaçma vakaları gibi olaylarda da önemli rol oynar.
Şekil 5. Ultralytics YOLO11 kullanarak plakaları tespit etme (kaynak).
Adli bilişimde AI kullanmanın artıları ve eksileri#
AI ve bilgisayarlı görü, adli soruşturmaların verimliliğini, erişilebilirliğini ve güvenilirliğini artıran çeşitli temel avantajlar sunar. Dikkate alman 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 görüntülemesini sağlar.
- Uzun vadeli arşivler: Görü sistemleri tarafından işlenen veriler iyi organize edilebilir ve kolayca aranabilir. Gelecekte ihtiyaç duyulursa eski vakalarda geliştirilmiş modeller kullanılarak yeniden incelenebilir ve analiz edilebilir.
- Tutarlılık: Görsel bilgileri deneyimlerine göre farklı yorumlayabilen insanların aksine, bilgisayarlı görü modelleri her seferinde aynı kuralları uygular ve bunun sonucunda daha tutarlı ve tek tip analiz elde edilir.
Potansiyeline rağmen adli bilişimde bilgisayarlı görü, göz önünde bulundurman gereken bazı zorlukları da beraberinde getirir. Başlıca zorluklardan bazıları şunlardır:
- Girdi kalitesi: Görü modelleri büyük ölçüde aldıkları verilerin kalitesine dayanır. Görüntüler bulanık, yetersiz aydınlatılmış veya düşük çözünürlüklüyse bilgisayarlı görü çözümleri önemli ayrıntıları gözden kaçırabilir veya yanlış yorumlayabilir. Bu durum doğru veri artırma stratejisi uygulanarak azaltılabilir.
- Görülmemiş verilerde zorluk: Bilgisayarlı görü modelleri, alışılmadık nesneler veya eğitildikleri verilerden farklı olay yerleri gibi yeni bir şeyle karşılaştıklarında zorlanabilir. Bu durum “drift” olarak bilinir.
- Hukuki zorluklar: Soruşturmalarda bilgisayarlı görü kullanılması, kanıtın mahkemede kabul edilip edilemeyeceği, verilerin ne kadar özel olduğu ve sistemin kararlarının ne kadar şeffaf olduğu gibi hukuki soruları gündeme getirebilir.
Önemli çıkarımlar#
Bilgisayarlı görü hâlâ gelişiyor, ancak adli bilimin işleyişini şimdiden dönüştürüyor. Örnek segmentasyonuyla küçük kanıt parçalarını tespit edip ana hatlarını belirlemekten 3D olay yeri modelleri oluşturmaya ve belgeleri iyileştirmeye kadar soruşturmacıları çalışmalarının her aşamasında destekliyor.
Gelecekte bilgisayarlı görü muhtemelen AI ve makine öğrenimiyle daha yakın çalışarak geçmiş vakaların verilerini kullanıp örüntüleri daha hızlı tespit edecek ve daha iyi tahminler yapacak. Teknoloji gelişmeye devam ettikçe suçları çözmek için yeni ve daha iyi yollar sunmayı sürdürecek.
Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza katıl. Çözüm sayfalarımızda üretimde AI ve tarımda bilgisayarlı görü gibi uygulamaları keşfet. Lisanslama seçeneklerimize göz at ve bugün bilgisayarlı görü ile geliştirmeye başla!
