锐器创自动识别与分类

摘要

目的 探索及验证基于深度学习网络模型的锐器创自动识别、分类的可行性。方法 收集案件中锐器造成的刺创、砍创、切创、剪创图像共1 475张，按照8∶1∶1的比例分为训练集、验证集和测试集。图像经预处理后输入基于Vit-L32-21k、Densenet-201、Efficientnet 3类预训练分类网络为基础框架的微调模型，以精确率、准确率、召回率、F1分数、阅片时间为评价指标，进行模型验证、测试及人机对抗分析，通过热力图对模型测试结果进行可视化解析。结果 模型创伤分类整体准确率和召回率介于75.0%～81.6%之间，F1分数>0.749,阅片时间(<0.1 s)明显短于法医学家。4类创伤中，刺创(96.4%)、砍创(77.5%)的分类准确率与具有高级职称的法医学家相当，剪创(60.0%)与切创(47.3%)分类准确率低于初级职称的法医学家，模型分类准确率与样本量呈正相关。热力图所关注创伤特征与法医学家在分类时关注的内容相一致。结论 模型具备与高级职称法医学家相当的刺创、砍创自动识别与分类能力，并能够通过热力图呈现可视化分类依据。

关键词

法医损伤 / 深度学习 / 分类网络 / 锐器创 / 热力图

基金资助

2023年国家重点研发计划项目(No.2023YFC3303902)