Forenzní verifikace autora ručně psaného znaku "k" s pomocí umělé inteligence

Abstract

Bakalářská práce se zabývá návrhem a implementací tří architektur neuronových sítí, jakožto podpůrných nástrojů v oblasti expertizy ručního písma. Účelem modelů je na základě komparace variací referenčních a sporných znaků „k“ stanovit, zda jejich autorem je tentýž člověk, či nikoliv. Datové množiny vytvořené odborným konzultantem obsahují také vzorky písmene „a“, které jsou zahrnuty do zpracování. Teoretická část práce se věnuje analýze aktuálního stavu expertizy ručního písma a identifikaci klíčových problémů, se kterými se tato disciplína v současnosti potýká. Následuje srovnání konvenčních a moderních přístupů, dle kterého jsou vybrány relevantní technologie. Pro účely práce je navržena konvoluční neuronová síť a siamské sítě. Praktická část práce obsahuje představení datových množin a následný popis implementovaných architektur. Hodnoty evaluačních metrik jsou pro jednotlivé modely vyneseny do odpovídajících tabulek a dosažené výsledky jsou patřičně vizualizovány. Na závěr je tato práce porovnána s ostatními studiemi, jež reflektují aktuální stav vědy. Na testovacích datových množinách tvořených 180 vzorky písmene „k“ a 175 vzorky písmene „a“ od 45 autorů je dosaženo přesnosti 93,4 % a 95,7 %, a to s využitím zóny nejistoty. Ze zhotoveného dotazníku, jehož cílem bylo ověřit praktickou využitelnost navržených metod, vyplývá, že model je schopen verifikovat autora s vyšší přesností než laická veřejnost, a to v mnohonásobně kratším čase. Na rozdíl od majoritní části studií zde dochází ke klasifikaci na úrovni grafému s využitím datových množin obsahujících autentické vzorky, čímž je cíleno na praktickou využitelnost.The bachelor thesis deals with design and implementation of three neural networks architectures as a support tool in the field of forensic handwriting examination. The purpose of the models is to determine, based on a comparison of variations of the reference and disputed characters “k”, whether their author is the same person or not. The datasets created by a consultant also contain samples of the letter “a”, which are included in the processing. The theoretical part is devoted to the analysis of forensic handwriting examination and identification of key challenges the discipline currently faces. Next, relevant technologies are selected based on a comparison of conventional and modern approaches. For the purpose of this thesis a convolutional neural network and siamese networks are proposed. The practial part introduces datasets and provides description of implemented architectures. The values of the evaluation metrics for the individual models are presented in the corresponding tables and the achieved results are appropriately visualized. Finally, this thesis is compared with other studies that reflect the current state of the art. On test datasets consisting of 180 samples of the letter “k” and 175 samples of the letter “a” from 45 authors, accuracies of 93.4 % and 95.7 % are achieved, using the uncertainty zone. The results of conducted questionnaire, which aimed at verifyng practical applicability of the proposed methods, show that the model is able to verify the author with higher accuracy than lay public and in significantly less time. Unlike the majority of studies, classification is performed here at grapheme level using datasets containing authentic samples, thereby aiming for practical applicability.