PARMAK İZİ VE YAPAY SİNİR AĞLARI SİSTEMLERİNİN GELİŞİMİNİN ADLİ BİLİMLER AÇISINDAN İNCELENMESİ

Adli Bilimler alanı her geçen gün teknolojik gelişmeler ışığında yeni boyutlar kazanmaktadır. Adli bir vakaya karşıan bireylerin tanımlanmasında parmak izi verisi çok önemli bir yer tutmaktadır. Parmak izi kişiye has olan biyometrik bir veridir. Parmak izinin bu özelliği sebebiyle adli vakaların aydınlatılmasında kullanımı yaygındır. Parmak izinin etkileşim gösterdiği alanın türüne bağlı olarak olay yerinden parmak izi elde edilmesi bazı durumlarda zorluklara yol açmaktadır. Parmak izinin alınması mümkün olmayan alanlardan görselleştirilme çalışmaları ise Adli Bilimler’ de teknolojik gelişmeler ile desteklenmektedir. Parmak izi görselleştirme çalışmalarında nanoparçacıkların kullanımı dikkat çekmektedir. Nanoparçacıkların aracılığı ile gizli parmak izlerinin bile görselleştirilmesi mümkün olmaktadır. Özellikle silika nanoparçacıklar ile görselleştirme güzel sonuçlar ortaya koymaktadır. Diğer yönden yapay sinir ağlarının varlığı muazzam bir teknolojik gelişmedir. Biyolojik sinir sistemini yani insan beynini taklit eden yapay sinir ağları sağladığı veriler ile doğru sonuçlar ortaya koymaktadır. Yapay sinir ağları birçok alanda kullanılmaktadır. Bu kullanım alanlarından birisi de Adli Bilimlerdir. Adli Bilimlerde özellikle adli yaş çalışmalarında yapay sinir ağlarının kullanımı yer almaktadır. Adli yaş çalışmaları iskelet materyalinden vakaların çözümüne imkân sağlamaktadır. Özellikle de adli yaş tahminlerinde DNA metilasyon analizlerinin yer aldığı görülmektedir. DNA metilasyon analizlerinin yapay sinir ağları ile desteklenerek karşılaştırılmalı sonuçlar ortaya koyduğu bilinmektedir. Yapay sinir ağlarının ve parmak izi veri sistemi adli vakaların çözümünü kolaylaştırmaktadır. İki sisteminde teknolojik tabanlı çalışmaları güzel sonuçlara ulaşmamızı sağlamaktadır. Bu çalışmanın amacı adli vakaların aydınlatılması ve vakalara karışan bireylerin kimliklendirilmesi noktasında teknolojik gelişmeler ışığında parmak izi ve yapay sinir ağları gibi biyometrik verilerin kullanımındaki güncel yaklaşımların incelenmesidir.

EXAMINATION OF THE DEVELOPMENT OF FINGERPRINT AND ARTIFICIAL NEURAL NETWORK SYSTEMS IN TERMS OF FORENSIC SCIENCES

The field of Forensic Science is gaining new dimensions in the light of technological developments every day. Fingerprint data is crucial in identifying the person and identifying the offender. A fingerprint is a biometric data that is unique to the individual. Because of this feature of the fingerprint, it is common to use it in the illumination of forensic cases. The elimination of fingerprints from the scene, depending on the type of area in which the fingerprint interacts, leads to difficulties in some cases. Visualization studies from areas where fingerprinting is not possible are supported by technological advances in Forensic Sciences. The use of nanoparticles in fingerprint visualization studies is notable. It is possible to visualize even hidden fingerprints through nanoparticles. Visualization with silica nanoparticles in particular reveals beautiful results. The presence of artificial neural networks in the other direction is a tremendous technological development. Artificial neural networks that mimic the biological nervous system, i.e. the human brain, produce accurate results with the data they provide. Artificial neural networks are used in many fields. One of these uses is Forensic Science. In Forensic Science, the use of artificial neural networks is particularly involved in forensic age studies. Forensic age studies enable the solution of cases from skeletal material. Specifically, DNA methylation analyses are observed in forensic age estimates. DNA methylation analyses are known to produce comparable results, supported by artificial neural networks. Artificial neural networks and the fingerprint data system facilitate the solution of forensic cases. Technologically based work in two systems enables us to achieve beautiful results

___

  • Alsomy, E., Abdelwahab, W.M., Patonay, G. (2018). A Comparative Study of Fluoresce in Isothiocyanate-Encapsulated Silica Nanoparticles Prepared in Seven Different Routes for Developing Fingerprints on Non-Porous Surfaces. Journal of Fluorescence.
  • Anderson,D., McNeill, G. (1992). Artificial Neural Networks Technology.
  • Ataseven. B. (2013). Yapay Sinir Ağları ile Öngörü Modellemesi. Öneri Dergisi. C.10. S.39. p.p.101- 115.
  • Badem H., Basturk A., Caliskan A., Yuksel M. E., (2017). A new efficient training strategy for deep neural networks by hybridization of artificial be ecolony and limited–memory bfgs optimizational gorithms, Neurocomputing, vol. 266,pp. 506 – 526.
  • Becue, A., Moret ,S., Champod ,C., Margot, P. (2011). Use of stains to detect fingermarks. Biotechnic&Histochemistry 86(3):140–160.
  • Cauley , J.A., Lui, L.Y., Stone, K.L., Hillier, T.A., Zmuda, J.M., Hochberg, M. et al.( 2005). Longitudinal study of changes in hip bone mineral density in Caucasian and African-American women. J Am Geriatr Soc 53(2):183–9.
  • Çetli, E., Özkoçak, V. (2018). Use Of Recorded Personal Data in Forensic Sciences. Avrasya Sanat Ve Medeniyet Dergisi 10, P.P 1-12.
  • Darshan GP, Premkumar HB, Nagabhushana H, Sharma SC, Prasad BD &Prashantha SC (2016). Neo dymiumdopedyttriumaluminatesyn thesis and optical properties – A blue light emitting nano phosphor and its use in advanced for ensic analysis. DyesPigm 134, 227–233.
  • Das, A., Saha, S., Panigrahi, K., Ghorai, U.K., Chattopadhyay, K.K. (2019). Enhanced Photoluminescence Properties of Low-Dimensional Eu3+-Activated Y4Al2O9 Phosphor Compared to Bulkfor Solid-StateLighting Applications and Latent Fingerprint DetectionBased Forensic Applications. Microscopy and Micro analysis. p.p. 1-9.
  • Elmas, Ç. (2003).Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). 1. Baskı. Ankara: Seçkin Yayıncılık. Ankara.
  • Glass, D., Vinuela,A., Davies,M.N., Ramasamy, A., Parts,L., Knowles,D. Et.all. Gene expression changes with
  • Görgünoğlu, S.(2006), Parmak izi analizinde performans optimizasyonu. Gazi Üniversitesi Fen Bilimleri Enstitüsü. Doktora Tezi. Ankara.
  • Haykın, S. (1994). Neural Networks. MacmillanCollege Publishing Company. USA,
  • Haykın, S.(2005). Neural Networks: A Comprehensive Foundation”, PearsonPrenticeall, Delhi.
  • Kurbanov, O. (2018). Derin Sinir Ağları Kullanarak Parmak İzi Tanımada Yeni Yaklaşımlar. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği ABD. Yüksek Lisans Tezi. Kayseri.
  • Li X, Zhang Y, Geng D, Lian J, Zhang G, Hou Z & Lin J (2014). Cagdalo4: Tb3+/Eu3+ as promising phosphors for full-colorfield emission displays. J Mater Chem C 2(46), 9924–9933.
  • Liu L, Zhang Z, Zhang L &Zhai Y (2009). The effectiveness of strong after glow phosphor powder in the detection of fingermarks. Forensic SciInt 183 (1–3), 45–49.
  • Maltoni, D., Maio, D., Jain, A. K., Prabhakar, S., (2009). Handbook of fingerprint recognition. Springer Science& Business Media, p.p.494.
  • Martino, D., Loke, Y.J., Gordon, L., Ollikainen, M., Cruickshank, M.N., Saffery, R., Craig,J.M. (2013). Longitudinal, genome-scale analysis of DNA methylation in twins from birth to 18 months of age reveals rapid epigenetic change in early life andpair- specific effects of discordance, GenomeBiol. 14 (5): 42.
  • Najem, O. (2015). A New Method Based on Artificial Neural Network for Fingerprint Classification and Recognition. Çankaya Üniversitesi. Natural and Applied Sciences. Department of Mathematics and Computer Science Information Technology Program. Master Thesis. Ankara.
  • Navega, D., Coelho, J., Cunha, E., Curate, F., (2018). DXAGE: A newmethodforage at death estimation based on femoral bone mineral density and artificial neural Networks. J. ForensicSci. Vol.63. No.2. p.p 497-503.
  • Nitta A, Takase M, Takashima M, Murakami N &Ohtani B (2016). A fingerprint of metal-oxide powders: Energy-resolved distribution of electrontraps. Chem Commun 52(81), 12096–12099.
  • Özdemir, F., Özkoçak, V. (2018).Kulak Kepçeleri Yüzün Orta Hattına Göre Simetrik Mi?. Hitit Üniversitesi Sosyal Bilimler Dergisi, 11 (2), P.P. 1094-1105.
  • Özkaya, N. (2003). Otomatik Parmakizi Tanıma Sistemi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Kayseri.
  • Özkoçak V., Akın G., Gültekin T. (2017). Somatoskopi ve Antropometri Tekniklerinin Adli Bilimler için Önemi.Hitit Üniversitesi Sosyal Bilimler Dergisi. (10): 703-714.
  • Parlakyıldız, Ş. (2014). Yapay Sinir Ağları Kullanarak Parmak İzi Tanıma ve Sınıflandırma. Gazi Üniversitesi Fen Bilimleri Enstitüsü Elektrik- Elektronik Mühendisliği. Yüksek Lisans Tezi. Ankara.
  • Saha S, Das S, Ghorai UK, Mazumder N, Ganguly D &Chattopadhyay KK (2015). Controlling nonradiative transition centers in Eu3+ activated CaSnO3 nano phosphors through Na+ codoping: Realization of ultra brightred emission along with higher thermal stability. J Phys Chem C 119(29), 16824–16835.
  • Shang M, Li C & Lin J (2014). How toproduce White light in a single-phasehost?. Chem SocRev 43(5), 1372–1386.
  • Saleh, A. M., A. M. (2014). Enhanced Secure Algorithm for Fingerprint Recognition. arXivpreprint arXiv:1402.4936.
  • Tomandl D, Schober A. A. (2001). Modified General RegressionNeural Network (MGRNN) withnew, efficient training algorithms as a robust ‘blackbox’-toolfor data analysis. Neural Netw;14(8):1023–34.
  • Vidaki, A., Ballard, D., Aliferi, A., Miller, T.H., Barron, L.P., Court D.S. (2016). DNA methylationbased for ensicage prediction using artificial neural networks and next generations equencing. Forensic Science International: Genetics. p.p.12.
  • Wegstein J. H. S. (1982), “An Automated Fingerprint Identification System T^NBS”, Special Publicationpp. 50-89,
  • Zhang J, Xie B, Yu X, Luo X, Zhang T, Liu S &Jin X (2017). Blue light hazard performance comparison of phosphor-converted LED sources with redquantum dots and redphosphor. J ApplPhys 122(4), 043103.
  • Zurada, J.M. (1992). “Introduction to Artificial Neural Networks”, West Puplishing Company, St. Paul.