Identification automatisée de marques descriptives sur des images de douilles de cartouche

Résumé

Les scènes de crimes impliquant des armes à feu doivent être analysées attentivement en vue de présenter un ensemble de preuves lors d'un procès. Il s'avère utile pour les enquêtes de pouvoir associer une arme à feu avec une scène de crime. Lors du tir d’une cartouche, les mécanismes de l’arme à feu laissent des marques descriptives sur la balle et la douille. Lorsque des douilles sont retrouvées sur une scène de crime, ces marques sont analysées dans un laboratoire. Ces marques peuvent être des caractéristiques de classe, qui sont communes aux armes à feu d’une même famille; ou des caractéristiques individuelles, qui sont théoriquement uniques et permettent de relier un spécimen à une arme à feu précise. Avant de comparer les caractéristiques individuelles pour proposer des correspondances, un triage manuel est généralement effectué en considérant les caractéristiques de classe, afin d’éviter de calculer inutilement les comparaisons avec des spécimens produits par des familles d’armes différentes. Une analyse automatique permettrait d'assister les techniciens lors de la saisie de l’information, en suggérant les catégories présentes. L'objectif principal de cette thèse est de déterminer une méthode d’apprentissage machine permettant d’identifier des marques microscopiques présentes sur des images de douilles de cartouche. La première contribution consiste à classifier les marques selon sept catégories: parallèle, arche, hachure, circulaire, granulaire, lisse et inconnu. Nous avons entraîné et évalué des modèles multiclasses, multiétiquettes, et binaires. L’évaluation du modèle multiétiquette ENB3 sans augmentation présente une mesure F1 de 54,47%, et une perte de 0,36. Les évaluations des modèles binaires sans augmentation présentent des valeurs entre 70,00% et 93,00% pour la mesure F1, et des valeurs entre 0,22 et 2,01 pour la fonction de perte. Lors de ces expérimentations, nous avons remarqué des incohérences dans les étiquettes de la vérité de terrain et nous suggérons un ré-étiquetage des données. La seconde contribution consiste à évaluer des regroupements d’images de douilles. Ces regroupements ont été créés par des algorithmes traditionnels et un réseau profond de clustering, à partir des caractéristiques descriptives des images extraites par les réseaux entraînés à l’objectif précédent. Nous avons observé que les algorithmes favorisant la création de clusters de formes et de tailles variées semblent mieux adaptés à nos données, et nous avons apprécié la technique de clustering flou, qui calcule un degré d’appartenance des points à chaque groupe. Nous suggérons des travaux futurs combinant ces deux approches. La dernière contribution étudie l’accord interobservateur entre six observateurs humains et les méthodes d’apprentissage profond supervisé. Nous avons observé des coefficients Kappa moyens variant de faibles pour les catégories granulaire et lisse, à élevés pour la catégorie circulaire. Nous avons ensuite construit un ensemble de vérité de terrain de 1000 échantillons vérifié par deux experts. Nous avons repris les expérimentations multiétiquettes avec cet ensemble, sans augmentation. Nous avons observé une amélioration, avec une courbe d’entraînement atteignant 90,00% d’exactitude. Lors de l’évaluation, nous avons observé une amélioration de la moyenne pondérée pour la mesure F1 à 77,12%. Nous croyons que ce modèle démontre de meilleures capacités pour la classification des images de douilles et nous suggérons d’améliorer l’ensemble de vérité de terrain en ajoutant des échantillons supplémentaires, particulièrement dans les catégories plus rares. En dernière analyse, il ressort de cette thèse que l’apprentissage profond pourrait être utilisé afin d’identifier automatiquement des marques descriptives sur des images de douilles de cartouche. Éventuellement, des modèles de classification pourraient être inclus dans des systèmes d’identification automatisée. En plus d’améliorer les performances des algorithmes de comparaison en réduisant les temps de calcul, ils pourraient fournir de l’information aux enquêteurs promptement, ce qui pourrait permettre de faire avancer les enquêtes en cours plus rapidement. Les modèles devront toutefois être améliorés afin d’inclure les catégories plus rares, ainsi que certaines exceptions (telles que des marques produites à d’autres moments que lors de l’utilisation de l’arme). Nous recommandons de poursuivre la recherche avec les classificateurs binaires tout en augmentant l’ensemble de vérité de terrain vérifié.

Date	23 oct. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Luc Duong (Directeur(-trice)) & Sylvie Ratté (Codirecteur(-trice))