Search

Identifying the gun model that fired a given cartridge is an example of forensic information that can be crucial evidence in a crime. This process has traditionally been carried out by ballistics experts who visually compare multiple cartridges under the microscope, which can be very time consuming and requires multiple human resources. As such, this dissertation presents the development of a ballistics identification method based on siamese neural networks. This approach aims to aid classification by delivering a list of the most likely weapon models to have triggered the firing of a cartridge, saving time and human resources. For the development of such instrument, the Portuguese Criminal Police has provided a dataset for training a machine learning model that performs this identification. Since this dataset was still under construction and had not been tested, the techniques proposed in this dissertation were also trained on another dataset, the NIST Ballistics Toolmark Research Database, with the purpose of establishing a benchmark performance. For the optimization of the network, data pre-processing techniques as well as transfer learning are also analysed through a development pipeline. Using the Portuguese Criminal Police’s dataset, the proposed classification model based on siamese neural networks reached accuracy values of 57% and 81%, for top-1 and top-2 gun model identification. While these results seem promising, this technique reached an accuracy of 100% on top-1 classification with the NIST Ballistics Toolmark Research Database, suggesting that there were still improvements that could be performed on the Portuguese Criminal Police’s dataset. A identificação do modelo de arma que disparou um cartucho é informação forense que pode ser uma prova crucial num crime. Este processo é tradicionalmente realizado por peritos em balística que comparam múltiplos cartuchos ao microscópio, o que pode ser demorado e requer múltiplos recursos humanos. Como tal, esta dissertação apresenta o desenvolvimento de uma técnica de identificação balística baseada em redes siamesas. Esta abordagem visa auxiliar na classificação, ao fornecer uma lista dos modelos de armas mais prováveis de terem provocado o disparo de um cartucho, poupando tempo e recursos humanos. Para o desenvolvimento deste instrumento, a Polícia Judiciária Portuguesa forneceu um conjunto de imagens para a criação de um modelo de aprendizagem automática que efetue esta identificação. Uma vez que esta coleção de dados ainda estava em construção e não havia sido testada, as técnicas propostas nesta dissertação foram também treinadas com outro conjunto de dados, o NIST Ballistics Toolmark Research Database, com o objetivo de estabelecer um desempenho de referência. Para a otimização da rede, técnicas de pré-processamento de dados, assim como de transferência de conhecimento são também analisadas. No conjunto de dados da Polícia Judiciária, o modelo de classificação proposto atingiu valores de precisão de 57% em classificação top-1 e de 81% para classificação top-2. Embora estes resultados pareçam promissores, esta técnica atingiu uma precisão de 100% em classificação top-1 com a base de dados da NIST Ballistics Toolmark Research Database, sugerindo que podiam existir melhorias a ser realizadas no conjunto de dados da Polícia Judiciária Portuguesa.