Surface-specific performance of metal and metal oxide nanoparticles in latent fingerprint visualisation
Notice bibliographique
Résumé
Latent fingerprint (LFP) visualisation remains a cornerstone method in forensic science, with ongoing developments aimed at enhancing clarity, sensitivity, and substrate compatibility. Due to their ability to tailor surface chemistry and optical properties, nanoparticles present a promising avenue for fingerprint development, especially on various types of surfaces. However, there has been a lack of understanding regarding the comparative behaviour of nanoparticles across different substrates. This review aims to address this gap by critically comparing the surface-specific performance of metal and metal oxide nanoparticles. In which we consider common nanoparticles for LFP development, such as Gold, Silver, silica, zinc oxide, Titanium dioxide, iron oxide, Copper oxide, and Aluminium oxide. Our review examines how various nanoparticles influence fingerprint residue on porous and non-porous surfaces and assesses their effectiveness in terms of clarity, durability using these nanoparticles. Our key finding of comparative analysis highlights that gold nanoparticles yield promising outcomes even on historically challenging porous substrates due to their affinity for sweat and amino acids. Conversely, zinc oxide and titanium dioxide exhibit superior fluorescence-based contrast on non-porous surfaces such as glass and plastics, as well as some porous surfaces. The rest of the nanoparticles were able to achieve their success on porous and non-porous surfaces with some limitations. We also outline diverse methods employed by various researchers, including dusting, brushing, spraying, and fluorescence imaging, while emphasising the role of substrate texture and the functionalization of nanoparticles. The review provides insights using comparative tables on selecting effective nanoparticle-based methods for specific forensic contexts to achieve more stable and universal fingerprint recovery in criminal investigations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».