Een stevige knuffel, of huiselijk geweld? De plek en het aantal vezels op kleding verraden welke van de twee het was. Met behulp van wiskunde kun je die vezels automatisch detecteren en tellen.

Het Nederlands Forensisch Instituut (NFI) voert forensisch onderzoek uit en helpt bij het analyseren van bewijsmateriaal bij strafrechtelijke onderzoeken. Advocaten en politie schakelen hun hulp in om bijvoorbeeld DNA te analyseren. Ook analyseren ze vezels op kleding. Stel dat twee mensen hebben gevochten of iemand is gewurgd. De vezels van kleding van de ene persoon zijn dat te vinden op de kleding van de ander en vice versa. Dit noemen we vezeloverdracht. Maar hoe kun je nu zien aan de hand van de vezels op kleding zien of een verdachte een slachtoffer bijvoorbeeld heeft geprobeerd te wurgen, of dat ze elkaar alleen stevig geknuffeld hebben? Hiervoor heeft het NFI hulp ingeschakeld van studenten van de Hogeschool van Amsterdam (HvA).

Multidisciplinair onderzoek

Op de HvA werken studenten van verschillende opleidingen binnen zogenaamde Communities of Practicioners (COPS) samen aan vraagstukken uit de praktijk. Binnen de COP Smart Diagnostics gingen studenten van de opleiding Forensische Onderzoek en Toegepaste Wiskunde aan de slag met de vraag van het NFI. De studenten van Forensisch onderzoek speelden verschillende scenario’s na. De een droeg daarbij kleding met fluorescerende vezels, de ander een zwart t-shirt. Het NFI heeft een opstelling ontwikkeld waarmee onderzoekers en studenten foto’s kunnen maken van de kleding, waarop de fluorescerende vezels goed te zien zijn. Het handmatig tellen van de vezels kost veel tijd. De wiskundestudenten kregen daarom de opdracht om een methode te ontwikkelen om het aantal vezels en de locatie automatisch te bepalen.

Twee benaderingen

De wiskundestudenten kozen twee methodes. Ze maakten een kleurdetectieprogramma in Python dat op zoek ging naar een specifieke in te stellen kleur in de afbeelding, de kleur van de vezels. Om de vezels zo goed mogelijk te kunnen detecteren gebruikten ze verschillende technieken. Zo pasten ze een filter toe om ruis te onderdrukken, en een drempelwaarde voor de afstand tussen twee vezels om te voorkomen dat vezels dubbel worden geteld.  

Daarnaast gingen ze aan de slag met neurale netwerken, in het bijzonder het YOLO model.  Hiervoor moesten de foto’s eerst geannoteerd worden. Dit betekent dat je een set maakt van afbeeldingen waarbij je aangeeft waar alle vezels zitten. Het YOLO model kan dan getraind worden op die set. Dit is een hele klus omdat er heel veel vezels op een foto te zien zijn. Maar gelukkig konden ze het programma QuPath hierbij gebruiken, een programma dat ook gebruikt wordt voor het analyseren van cellen en weefsels.

Resultaten

Het YOLO model bleek niet goed te werken. Dit zou aan meerdere dingen kunnen liggen. Het YOLO model kan beter omgaan met grotere objecten op een afbeelding, zoals honden, katten en auto’s. Ook kan het zijn dat er te weinig afbeeldingen waren om het model op te trainen.

Het kleurdetectiemodel werkte een stuk beter. Een ingezoomde foto waarop de vezels zijn gemarkeerd met zogenaamde bounding boxes (de rode vierkantjes) is hieronder te zien:

Het programma werkt goed als de vezels duidelijk zichtbaar zijn en er weinig ruis op de foto aanwezig is. Het heeft nog moeite met andere objecten op de foto die dezelfde kleur hebben als de vezels. Die worden soms onterecht als vezel gezien. In een vervolgonderzoek kan hier een oplossing voor gezocht worden.

Al met al hebben de studenten van de twee opleidingen mooie stappen gezet zodat het NFI straks met meer zekerheid kan zeggen: was het een onschuldige knuffel of was er toch meer aan de hand?

Perry Pham, Marnix Graftdijk, Merve Halici en Tess Huiskes tijdens een tussenpresentatie