Palinología forense: visión computacional y geotecnologías para apoyar la experiencia criminal

Autores/as

DOI:

https://doi.org/10.33448/rsd-v11i8.30422

Palabras clave:

Aprendizaje automático; Geoprocesamiento; Asesinato.

Resumen

Los granos de polen pueden aportar información valiosa para la palinología forense, como mejorar la cínica hora de la muerte o señalar el circuito del vivo y su cadáver. En este aspecto, la Palinología Forense es una herramienta vital para ser utilizada en una investigación criminal, ya que los entornos tienen diferentes digitales de polen. La rica y diversa flora de Brasil es apta para la aplicación de esta técnica. El objetivo de esta investigación es mostrar cómo la automatización de la palinología como herramienta para mejorar el método investigativo en palinología forense. La ciudad fue seleccionada por presentar diversidad de tipos de vegetación en el medio urbano, la cual fue muestreada para identificar los tipos de polen que se presentan. El algoritmo PALINOVIC se desarrolló utilizando técnicas de visión artificial y geotecnologías. Nuestros resultados muestran que es posible relacionar la presencia de granos de polen encontrados en muestras forenses a través de la identificación automática de imágenes junto con una base de datos de especies vegetales georreferenciadas. Se logró establecer de manera rápida y confiable los granos de polen colectados en ocho cuerpos, donde el algoritmo presentó un desempeño de 90.51% en las pruebas de clasificación de granos de polen. Además, los granos de polen podrían correlacionarse con el tipo de vegetación donde se encontró el cuerpo. Así, la técnica desarrollada puede ser aplicada en otros núcleos urbanos a partir de una georreferenciación previa de plantas, así como de una base de datos de polen.

Citas

Alotaibi, S. S., Sayed, S. M., Alosaimi, M., Alharthi, R., Banjar, A., Abdulqader, N., & Alhamed, R. (2020). Pollen molecular biology: Applications in the forensic palynology and future prospects: A review. Saudi Journal of Biological Sciences, 27(5), 1185–1190. https://doi.org/10.1016/j.sjbs.2020.02.019

Astolfi, G., Gonçalves, A. B., Menezes, G. V., Borges, F. S. B., Astolfi, A. C. M. N., Matsubara, E. T., Alvarez, M., & Pistori, H. (2020). POLLEN73S: An image dataset for pollen grains classification. Ecological Informatics, 60(101165), 101165. https://doi.org/10.1016/j.ecoinf.2020.101165

Boi, M. (2015). Pollen attachment in common materials. Aerobiologia, 31(2), 261–270. https://doi.org/10.1007/s10453-014-9362-2

Bryant, V. M. (2014). Pollen and Spore Evidence in Forensics. In Wiley Encyclopedia of Forensic Science (pp. 1–16). John Wiley & Sons, Ltd.

Bryant, V. M., & Holloway, R. G. (1983). The role of palynology in archaeology. Advances in Archaeological Method and Theory, 6, 191–224. http://www.jstor.org/stable/20210068

Daood, A. I., Ribeiro, E., & Bush, M. (2018). Sequential recognition of pollen grain Z-stacks by combining CNN and RNN. https://www.semanticscholar.org/paper/6ec2ed74e151a589149895be77f1b14a0a8c3c0d

Daood, A., Ribeiro, E., & Bush, M. (2016). Pollen grain recognition using deep learning. In Advances in Visual Computing (pp. 321–330). Springer International Publishing.

García, N. M., Chaves, V. A. E., Briceño, J. C., & Travieso, C. M. (2012). Pollen grains contour analysis on verification approach. In Lecture Notes in Computer Science (pp. 521–532). Springer Berlin Heidelberg.

Gonçalves, A. B., Godoi, R. F., Paranhos, A. C., FILHO, Folhes, M. T., & Pistori, H. (2018). Urban phytophysiognomy characterization using NDVI from satellites images and free software. Anuario Instituto de Geociencias, 41(3), 24–36. https://doi.org/10.11137/2018_3_24_36

Hand, L. (1901). Historical and practical considerations regarding expert testimony. Harvard Law Review, 15(1), 40. https://doi.org/10.2307/1322532

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778.

Holt, K. A., & Bebbington, M. S. (2014). Separating morphologically similar pollen types using basic shape features from digital images: A preliminary study(1.). Applications in Plant Sciences, 2(8), 1400032. https://doi.org/10.3732/apps.1400032

Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2261–2269.

Kumari, M., Sankhla, M. S., Nandan, M., Sharma, K., & Kumar, R. (2017). Role of forensic palynology in crime investigation. Ijournals.In. https://ijournals.in/wp-content/uploads/2017/07/1.5302-Rajeev.compressed.pdf

Mildenhall, D. C. (1990). Forensic palynology in New Zealand. Review of Palaeobotany and Palynology, 64(1–4), 227–234. https://doi.org/10.1016/0034-6667(90)90137-8

Mildenhall, D. C., Wiltshire, P. E. J., & Bryant, V. M. (2017). Forensic palynology: Why do it and how it works. Forensic Science International, 163(3), 163–172. https://www.academia.edu/32699708/Forensic_palynology_why_do_it_and_how_it_works

Milne, L., Bryant, V. M., Jr, & Mildenhall, D. C. (2005). Forensic palynology. In Forensic Botany:Principles and Applications to Criminal Casework (pp. 217–252). CRC Press.

Ministério do Meio Ambiente. (2013). Rapideye Satellite Constelation. Santiago & Cintra Consultoria, São Paulo.

Morgan, R. M., Davies, G., Balestri, F., & Bull, P. A. (2013). The recovery of pollen evidence from documents and its forensic implications. Science & Justice: Journal of the Forensic Science Society, 53(4), 375–384. https://doi.org/10.1016/j.scijus.2013.03.004

Ochando, J., Munuera, M., Carrión, J. S., Fernández, S., Amorós, G., & Recalde, J. (2018). Forensic palynology revisited: Case studies from semi-arid Spain. Review of Palaeobotany and Palynology, 259, 29–38. https://doi.org/10.1016/j.revpalbo.2018.09.015.

Pott, A. & Pott, V.J. (1994). Plantas do Pantanal. Corumbá, MS: Embrapa.

Rodrigues, C.N.M., Gonçalves, A.B., Silva, G.G., & Pistori, H. (2015). Evaluation of Machine Learning and Bag of Visual Words Techniques for Pollen Grains Classification. IEEE Latin America Transactions, v. 13, p. 1-8.

Sevillano, V., & Aznarte, J. L. (2018). Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks. PloS One, 13(9), e0201807. https://doi.org/10.1371/journal.pone.0201807

Sevillano, V., Holt, K., & Aznarte, J. L. (2020). Precise automatic classification of 46 different pollen types with convolutional neural networks. PloS One, 15(6), e0229751. https://doi.org/10.1371/journal.pone.0229751

Soares Da Silva, D., Nara Balta Quinta, L., Gonçalves, A. B., Pistori, H., & Borth, M. R. (n.d.). Application of wavelet transform in the classification of pollen grains. African Journal of Agricultural Research. https://doi.org/10.5897/AJAR2013.7495

Shalizi, C. (2006). Shannon Entropy and Kullback-Leibler Divergence. In: Shalizi C, Advanced Probability II, p. 189-196.

Ticay-Rivas, J. R., del Pozo-Baños, M., Travieso, C. M., Arroyo-Hernández, J., Pérez, S. T., Alonso, J. B., & Mora-Mora, F. (2011). Pollen classification based on geometrical, descriptors and colour features using decorrelation stretching method. In IFIP Advances in Information and Communication Technology (pp. 342–349). Springer Berlin Heidelberg.

Travieso, C. M., Briceno, J. C., Ticay-Rivas, J. R., & Alonso, J. B. (2011). Pollen classification based on contour features. 2011 15th IEEE International Conference on Intelligent Engineering Systems, 17–21.

Tribunal de Justiça de São Paulo. (2014). Vara do Tribunal do Júri da Comarca de Guarulhos/SP, Processo nº 572/10.

Wiltshire, P. E. J. (2006). Hair as a source of forensic evidence in murder investigations. Forensic Science International, 163(3), 241–248. https://doi.org/10.1016/j.forsciint.2006.06.070

Wiltshire, P. E. J., Hawksworth, D. L., & Edwards, K. J. (2015). A rapid and efficient method for evaluation of suspect testimony: Palynological scanning. Journal of Forensic Sciences, 60(6), 1441–1450. https://doi.org/10.1111/1556-4029.12835

Zavada, M. S., McGraw, S. M., & Miller, M. A. (2007). The role of clothing fabrics as passive pollen collectors in the north‐eastern United States. Grana, 46(4), 285–291. https://doi.org/10.1080/00173130701780104

Descargas

Publicado

20/06/2022

Cómo citar

GONÇALVES, A. B.; ALBUQUERQUE, P. L. F.; ALVES, R. de F.; ASTOLFI, G.; BORGES, F. S. B.; CARMONA, M. dos S. .; CEREDA, M. P. .; CHAVES, S. A. de M.; FERREIRA, A. dos S.; GODOI, R. de F.; MENEZES, G. V.; OLIVEIRA, W. R. de; PARANHOS FILHO, A. C.; POTT, A.; REINHARD, K. J.; SANTOS, F. de A. R. dos; SU, H. .; PISTORI, H. Palinología forense: visión computacional y geotecnologías para apoyar la experiencia criminal. Research, Society and Development, [S. l.], v. 11, n. 8, p. e31611830422, 2022. DOI: 10.33448/rsd-v11i8.30422. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/30422. Acesso em: 30 jun. 2024.

Número

Sección

Ciencias Agrarias y Biológicas