Hyperspectral Raman imaging and multivariate statistical analysis for the reconstruction of obliterated serial numbers in polymers
Notice bibliographique
Résumé
Abstract As recent years have shown an increasing use of polymers for the fabrication of firearms, it is necessary to develop techniques for the reconstruction of obliterated serial numbers that are stamped in these materials. Hyperspectral Raman imaging has proven to be a suitable technique for this purpose, as it is sensitive to residual strain. The extraction of relevant information however requires an advanced two‐step fitting procedure (i.e., the identification of strain‐sensitive peaks followed by the fitting itself) that may be somewhat time consuming. In this study, principal component analysis (PCA), an exploratory method of the Raman data, is proposed to overcome this deficit. The results show that PCA offers better visual contrast in comparison to the previously reported mathematical modeling technique, as it is able to highlight pertinent variance in the original dataset, for multiple polymers, such as polycarbonate, polyethylene, nylon, and nylatron. Results obtained by limiting acquisition times and spectral ranges have displayed no significant loss of information and therefore reconstruction abilities in polyethylene. A normal density function model and receiver operating characteristic (ROC) curves have been used to show that score matrices obtained from PCA are suitable for separation of distinct strained and unstrained pixel populations. Additionally, binary images favoring minimization of the false positive rate are created to enhance observable contrast allowing for easier character recognition. Finally, a recommended routine analysis is offered to forensic scientists wanting to apply these methods in order to aid criminal investigations or trials.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».