การพัฒนาระบบตรวจพิสูจน์ทางนิติวิทยาศาสตร์คดีความผิดทางเพศ ด้วยปัญญาประดิษฐ์
คำสำคัญ:
ระบบการตรวจพิสูจน์ทางนิติวิทยาศาสตร์, ปัญญาประดิษฐ์, ตัวอสุจิบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบตรวจพิสูจน์ตัวอสุจิด้วยปัญญาประดิษฐ์เพื่อใช้ในการสร้างหลักฐานหรือตัวบ่งชี้สำคัญในคดีความผิดทางเพศ และศึกษาความเป็นไปได้ของการใช้งานระบบตรวจพิสูจน์ตัวอสุจิด้วยปัญญาประดิษฐ์ในคดีความผิดทางเพศ โดยแบ่งการศึกษาออกเป็น 2 ส่วน ส่วนแรกเป็นการวิจัยเชิงประยุกต์ โดยพัฒนาปัญญาประดิษฐ์สำหรับตรวจพิสูจน์ตัวอสุจิและการพัฒนาเว็บไซต์ตรวจพิสูจน์ตัวอสุจิ และส่วนที่ 2 คือ การอบรมการใช้เครื่องมือให้กับนักวิชาการวิทยาศาสตร์ ผลการศึกษาพบว่า ระบบตรวจพิสูจน์ตัวอสุจิด้วยปัญญาประดิษฐ์ สามารถลดขั้นตอนตรวจจับตัวอสุจิในการพิสูจน์ทางนิติวิทยาศาสตร์ได้ โดยหากพบส่วนหัวของอสุจิมากกว่า 2 ตัว บนภาพดิจิทัลที่สแกนจากแผ่นสไลด์กล้องจุลทรรศน์ จะถือว่ามีการถูกกระทำชำเรา โดยผลลัพธ์จากการพัฒนาปัญญาประดิษฐ์บนสถาปัตยกรรม YOLOv5m ได้ผลลัพธ์ความแม่นยำอยู่ที่ร้อยละ 97.4 และสามารถนำมาเชื่อมต่อการใช้งานผ่านระบบเว็บไซต์ และเมื่ออบรมการใช้งานระบบให้กับนักวิชาการวิทยาศาสตร์ ได้ผลเป็นที่น่าพอใจ เนื่องจากระบบดังกล่าวสามารถช่วยให้บริการตรวจพิสูจน์ทางนิติวิทยาศาสตร์คดีความผิดทางเพศมีความรวดเร็วขึ้น ซึ่งเป็นการเพิ่มโอกาสในการยืนยันตัวผู้กระทำผิด และช่วยลดโอกาสที่ผู้กระทำผิดจะก่อคดีกับผู้เสียหายอื่น ๆ อันเป็นการป้องกันความสูญเสียที่เกิดขึ้นทั้งทรัพยากรบุคคลและเวลา
เอกสารอ้างอิง
คณะวิทยาศาสตร์ประยุกต์ มหาวิทยาลัยธุรกิจบัณฑิตย์. (2559). การพัฒนาแนวทางการรับฟังพยานหลักฐานทางนิติวิทยาศาสตร์เพื่อพิสูจน์ความจริงในคดี. สถาบันวิจัยและพัฒนารพีพัฒนศักดิ์. https://rabi.coj.go.th/th/content/category/detail/id/39/iid/176580
ฉัตรสุมน พฤฒิภิญโญ และนิทัศน์ ศิริโชติรัตน์. (2557). กระบวนการสอบสวนและหลักฐานคดีความผิดทางเพศ. Journal of Thai Justice System, 7(1), 17-33. https://so04.tci-thaijo.org/index.php/JTJS /article/view/246204
เปิดสถิติความรุนแรงทางเพศของสังคมไทยยังน่าเป็นห่วง. (2561). BLT BANGKOK. https://www.bltbangkok.com/news/4510/
สำนักข่าวไทย. (2563). สถิติความผิดเกี่ยวกับเพศ ปี 2560-2563. https://tna.mcot.net/crime-530217
อานนท์ จำลองกุล. (2560). การดูแลผู้ถูกล่วงละเมิดทางเพศ: ร่างกาย จิตใจ และการเยียวยาทางกฎหมาย. Chulalongkorn Medical Journal, 61(5), 603-618. https://digital.car.chula.ac.th/clmjournal/vol61/ iss5/7/
Allery, J. P., Telmon, N., Mieusset, R., Blanc, A., & Rougé, D. (2001). Cytological detection of spermatozoa: comparison of three staining methods. Journal of forensic sciences, 46(2), 349-351. https://pubmed.ncbi.nlm.nih.gov/11305439/
Dobrovolny, M., Benes, J., Langer, J., Krejcar, O., & Selamat, A. (2023). Study on sperm-cell detection using YOLOv5 architecture with labaled dataset. Genes 2023, 14(2), 451. https://doi.org/10.3390/genes14020451
Feng, L., Xu, C., Zeng, X., Zhang, H., Yang, F., Li, W., Tu, Z., Li, C., & Hu, L. (2014). Y-chromosomal haplotyping of single sperm cells isolated from semen mixtures - a successful identification of three perpetrators in a multi-suspect sexual assault case. Croatian Medical Journal, 55(5), 537-41. https://doi.org/10.3325/cmj.2014.55.537
Golomingi, R., Haas, C., Dobay, A., Kottner, S., & Ebert, L. (2022). Sperm hunting on optical microscope slides for forensic analysis with deep convolutional networks – a feasibility study. Forensic Science International: Genetics, 56, 102602. https://doi.org/10.1016/j.fsigen.2021.102602
Hicks, S. A., Andersen, J. M., Witczak, O., Thambawita, V., Halvorsen, P., Hammer, H. L., Haugen, T. B., & Riegler, M. A. (2019). Machine learning-based analysis of sperm videos and participant data for male fertility prediction. Scientific Reports, 9, 1-10. https://doi.org/10.1038/s41598-019-53217-y
Iqbal, I., Ghulam, M., & Jinwen, M. (2020). Deep learning-based morphological classification of human sperm heads. Diagnostics, 10(5), 325. https://www.mdpi.com/2075-4418/10/5/325
Javadi, S., & Mirroshandel, S. A. (2019). A novel deep learning method for automatic assessment of human sperm images. Computers in biology and medicine, 106, 182-194. https://doi.org/10.1016/j.compbiomed.2019.04.030
Mohammadi, M. R., Rahimzadeh, M., & Attar, A. (2020). Sperm detection and tracking in phase-contrast microscopy image sequences using deep learning and modified CSR-DCF. arXiv. https://doi.org/10.48550/arXiv.2002.04034
Ramachandram, D., & Taylor, G. W. (2017). Deep multimodal learning: a survey on recent advances and trends. IEEE Signal Processing Magazine, 34(6), 96–108. https://ieeexplore.ieee.org/document/8103116
Tobón, D. P., Hossain, M. S., Muhammad, G., Bilbao, J., & Saddik, A. E. (2022). Deep learning in multimedia healthcare applications: a review. Multimedia Systems, 28(4), 1465-1479. https://doi.org/10.1007/s00530-022-00948-0
World Health Organization, HRP. (2021). WHO laboratory manual for the examination and processing of human semen (6th ed.). Geneva: World Health Organization. https://www.who.int/publications/i/item/9789240030787
World Population Review. (2021). Rape statistics by country 2023. https://worldpopulationreview.com/country-rankings/rape-statistics-by-country
Xu, C., & Jiang, X. (2022). iMedBot: A web-based intelligent agent for healthcare related prediction and deep learning. arXiv. https://doi.org/10.48550/arXiv.2210.05671
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2023 วารสารวิชาการ กสทช.

อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ปรากฏในวารสารกิจการสื่อสารดิจิทัล เป็นลิขสิทธิ์ของสำนักงาน กสทช. ซึ่งสำนักงาน กสทช. เปิดโอกาสให้สาธารณะหรือบุคคลทั่วไปสามารถนำผลงานไปเผยแพร่ คัดลอก หรือตีพิมพ์ซ้ำได้ ภายใต้สัญญาอนุญาตแบบเปิด (Creative Commons: CC) โดยมีเงื่อนไขสำหรับผู้ที่นำผลงานไปใช้ต้องระบุอ้างอิงแหล่งที่มา (Attribution: BY) ห้ามดัดแปลง (NoDerivatives: ND) และต้องไม่ใช้เพื่อการค้า (NonCommercial: NC) เว้นแต่ได้รับอนุญาตเป็นลายลักษณ์อักษรจากสำนักงาน กสทช.
อนึ่ง ข้อความ ตาราง และภาพที่ปรากฏในบทความซึ่งได้รับการตอบรับให้ตีพิมพ์และเผยแพร่ในวารสารนี้เป็นความคิดเห็นของผู้นิพนธ์ โดยไม่ผูกพันต่อ กสทช. และสำนักงาน กสทช. หากมีความผิดพลาดใด ๆ ผู้นิพนธ์แต่ละท่านต้องรับผิดชอบบทความของตนเองแต่เพียงผู้เดียว ไม่เกี่ยวข้องกับ กสทช. และสำนักงาน กสทช. แต่ประการใด