钳剪痕迹是刑事案件中常见的物证之一,该类痕迹特征能反映作案工具的种类信息和嫌疑人的职业特点,其溯源结果常作为现场勘查中寻找作案工具、锁定作案人的线索和依据。勘查人员主要利用形态学和统计学的方法对钳剪痕迹进行定性和定量分析,总结特征规律、指导溯源工作。文章针对现场勘查中痕迹物证检验鉴别智能化水平较低、人工检验主观性强等问题,引入卷积神经网络对细目图像进行分类,实现钳剪痕迹的自动分析溯源,为钳剪痕迹物证快速分类与鉴别提供智能化的解决方案。本文利用细目照相的方法,记录了断线钳、线缆钳、大力钳等10类常见工具的痕迹形态特征,并利用当前机器学习中分类性能优秀的卷积神经网络进行实验研究。具体实验方法:预选Lenet模型对4类工具的细目图像进行训练建模。预实验中模型迭代60000次,准确率97.78%,表明卷积神经网络应用于钳剪痕迹溯源具有可行性。在此基础上,本文对10类工具的钳剪痕迹进行溯源,并于实验中收集处理了四份质量不一的细目图像集。每份样本集中,训练集80 000张,验证集20 000张,共100 000张,4份样本集总计400 000张;测试集每份10 000张,4份总计40 000张特征图像。分别使用Lenet、AlexNet和GoogLenet模型对图像集进行特征提取与分类溯源,得到12份性能不同的模型。对比分析12份模型的输出参数,选出最佳模型。实验对最佳模型进行了改进,加深网络层数、优化模型参数。改进后的模型准确率达到95.1%。利用Python对改进模型特征提取的过程进行可视化,证实了特征提取的可靠性。同时,制作传统检验鉴定表进行测试实验,利用混淆矩阵对比分析了传统人工检验与模型鉴别的优缺点,确保模型快速识别能为人工检验提供可靠的技术参考。实验结果表明:1.自建卷积神经网络模型拟合精度高,平均准确率90%,利用该模型对细目图像分类,能较好地完成钳剪痕迹的溯源工作;2.模型鉴别与传统检验各有优势,模型鉴别速度快、误判分布均匀,适合初期快速筛查,相比下人工检验速度较慢、误判分布集中,更适合后续检验;3.研究成果能简化钳剪痕迹的溯源工作,模型可直接对痕迹的细目图像进行分类,实现自动鉴别,为痕迹分析提供智能化的物证分析手段。本文打破了钳剪痕迹的传统肉眼分类鉴别方法,创新性地结合深度学习并自行设计搭建卷积神经网络模型,在自建的图像数据集上取得了良好的分类效果,为钳剪痕迹形态学检验提供了一种新的自动分类鉴别方法,该方法在认定事实、推断作案工具等公安实战中具有重要的实际意义。