Palinologia forense: visão computacional e geotecnologias para o apoio da perícia criminal
DOI:
https://doi.org/10.33448/rsd-v11i8.30422Palavras-chave:
Aprendizagem Automática; Geoprocessamento; Homicídio.Resumo
Os grãos de pólen podem fornecer informações valiosas para a palinologia forense, como a hora da morte ou a possível origem de um cadáver. A Palinologia Forense é uma ferramenta vital a ser utilizada em uma investigação criminal, pois os ambientes possuem digital polínica distintas. A flora rica e diversificada do Brasil, é adequada para a aplicação dessa técnica. O objetivo desta pesquisa é apresentar a automação da palinologia como ferramenta para melhorar o método investigativo em palinologia forense. A cidade foi selecionada por apresentar diversidade de tipos de vegetação no ambiente urbano, que foi amostrada para identificar os tipos polínicos que ocorrem. O algoritmo PALINOVIC foi desenvolvido com técnicas de visão computacional e geotecnologias. Nossos resultados mostram que é possível relacionar a presença de grãos de pólen encontrados em amostras forenses por meio da identificação automática das imagens em conjunto com um banco de dados de espécies vegetais georrefenciadas. Foi possível analisar os grãos de pólen coletados em oito corpos, onde o algoritmo apresentou desempenho de 90.51% nos testes de classificação de grãos de pólen. Além do mais, os grãos de pólen puderam ser correlacionados com o tipo de vegetação onde o corpo foi encontrado. Assim, a técnica desenvolvida pode ser aplicada em outros centros urbanos a partir de um georreferênciamento prévio de plantas, bem como um banco de dados polínicos.
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Ariadne Barbosa Gonçalves; Pedro Lucas França Albuquerque; Rodolfo de França Alves; Gilberto Astolfi; Felipe Silveira Brito Borges; Milena dos Santos Carmona; Marney Pascoli Cereda; Sergio Augusto de Miranda Chaves; Alessandro dos Santos Ferreira; Raquel de Faria Godoi; Geazy Vilharva Menezes; Wedney Rodolpho de Oliveira; Antonio Conceição Paranhos Filho; Arnildo Pott; Karl Jan Reinhard; Francisco de Assis Ribeiro dos Santos; Hongbo Su; Hemerson Pistori
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
