Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Lira, Renato Queiroz Nogueira |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://repositorio.unb.br/handle/10482/51916
|
Resumo: |
No Brasil e no mundo, o uso de armas de fogo representa a maior causa de mortes violentas. Assim, visando a apuração dessas mortes, é imprescindível a compreensão de toda dinâmica relacionada e sobre como o crime ocorreu. Porém, em muitos casos, as equipes periciais, tanto do local de encontro cadavérico quanto do exame necroscópico, não conseguem recuperar elementos que sejam suficientes para conclusões mais robustas, restando somente os vestígios na vítima para serem observados e analisados. Além disso, para que ocorra a correta tipificação da infração penal, é necessário que as análises realizadas pelos peritos indiquem as circunstâncias em que os tiros foram realizados, como quais feridas correspondem a entradas e saídas e as suas distâncias em relação às vítimas. Com o objetivo de colaborar com essas análises foi desenvolvido um estudo que resultou em um artigo. Nesse artigo, com o objetivo de automatizar a classificação de ferimentos por armas de fogo, foram treinadas 59 redes neurais convolucionais para diferenciar ferimentos de entrada e saída e determinar a distâncias de tiro por meio de fotografias e documentos de casos de vítima fatais, examinadas pelas equipes de peritos da Polícia Civil do Distrito Federal entre os anos de 2012 e 2022. Uma base de dados abrangente foi construída com 2.551 imagens, incluindo 1.883 feridas de entrada e 668 de saída. A arquitetura ResNet152 demonstrou desempenho superior tanto na classificação de feridas de entrada e saída quanto na categorização médico-legal da distância de tiro. Para a primeira, alcançou precisão, recall, F1-score e especificidade de até 86,90% e uma AUC de 82,09%. Para a classificação médico-legal da distância de tiro, a ResNet152 mostrou uma precisão de até 92,48%, embora o desequilíbrio de amostras tenha afetado outras métricas como recall e F1-score. Os achados do estudo ressaltam os desafios de padronizar as imagens das feridas devido às diferentes condições de captura, mas refletem as realidades práticas do trabalho forense. Esta pesquisa destaca o potencial significativo do aprendizado profundo de máquinas em aprimorar as práticas de medicina forense, corroborando que a inteligência artificial é uma ferramenta de suporte para complementar a expertise humana nas investigações forenses. |
