生成式人工智能在安检X射线图像的应用综述
孙嘉龙;刘伟哲;王美茹;魏云超;生成式人工智能技术的快速发展，使其在安检X射线图像中的应用逐渐显现出巨大的潜力。然而，目前国内外尚缺乏针对生成式人工智能在该领域应用的系统性综述，故安检从业人员和研究者难以全面了解技术进展与发展趋势。基于生成式人工智能的技术基础与安检X射线图像的特性，对相关研究进行系统梳理与归纳，自下而上地总结了生成式人工智能在安检X射线图像中的5大应用方向，包括图像增强、数据合成、多视角与三维生成、异常检测以及多模态研判，并选取具有代表性的工作进行分析。研究结果表明，当前生成式人工智能在安检X射线图像的应用集中在数据合成，在提升安检图像视觉任务性能、增强模型泛化能力、丰富数据样本多样性等方面具有显著优势。
高低温环境下警务作业人员热冷应激预测方法综述
唐睿君;胡啸峰;综合分析高低温环境下警务作业人员热冷应激预测方法的研究进展，归纳总结了基于热调节模型的预测方法和数据驱动的预测方法的特点、适用范围及局限性。研究结果表明，传统热调节模型主要适用于稳态环境，其在非稳态复杂环境中的预测精度有限；多元模型预测精度较高，且可以模拟复杂非均匀热分布，但计算量大，时效性较差；基于机器学习、深度学习的数据驱动类方法在非稳态场景中预测精度较高，但易受到数据规模、多样性以及数据质量的影响，泛化能力通常有限。最后，提出未来研究趋势，数值仿真模型、深度学习模型、多样化试验数据、先进传感器及边缘计算技术的融合，预期可以为高精度、低延时的高低温环境下警务作业人员热冷应激预测提供可行技术路径。
融合UPLC-MS/MS与XGBoost算法的印章印文形成时间衰减规律解析
曹淑瑞;梅佳佳;杨玲;苏泓滔;田洁;唐瑶;印章印文作为现代社会中文件合同的重要标识物，其形成时间的鉴定是文书鉴定领域关注的重点和难点之一。采用溶剂提取法结合超高效液相色谱-串联质谱(Ultra High Performance Liquid Chromatography-Tandem Mass Spectrometry, UPLC-MS/MS)技术对14种印油、印泥和印台印文的主要染料成分含量进行测定分析，以探究目标染料含量随时间的变化规律。通过单因素实验结合XGBoost机器学习算法对前处理条件进行优化，确定了最佳前处理条件，包括提取剂种类(DMF∶乙腈=2∶1)、样品量(0.1 cm×1.0 cm)、提取剂剂量(1 000μL)和提取方式(振荡30 s与超声5 min)。利用UPLC-MS/MS对金光红、金光红C两种目标染料进行检测，在10～500μg/L范围内线性良好(r2为0.994 9～0.999 6),回收率分别在100.49%～102.17%与98.30%～99.30%之间，相对标准偏差为0.53%～4.65%。研究结果表明，大部分印文中染料的检出量随时间推移呈现递减规律，且一萃和二萃染料检出量比值也表现出明显递减趋势。所建立的UPLC-MS/MS法可相对明确地区分24个月内不同时间段的印章印文，为印文形成时间的鉴定提供了科学依据与可行的技术方案。
香烟烟丝物证检验研究进展
姜红;陈越;马星煜;香烟物证作为法庭科学的重要研究对象之一，通常包括烟丝、烟蒂、香烟水松纸、香烟内衬纸、香烟外包装薄膜等。烟丝物证作为常见物证，在案件侦查中可提供嫌疑人的生活习惯、经济状况等信息。对提取到的烟丝物证进行检验分析，有助于推断香烟的种类、品牌以及产地等信息，进而为侦查破案提供线索、指明方向，为证实犯罪提供科学的依据。通过对香烟烟丝物证检验方法及其技术进展进行梳理和总结，并对未来检验方法予以展望，旨在为公安机关实际办案提供帮助，同时也可为打击假冒伪劣活动提供技术支持。
基于YOLOv8的文书印章真伪鉴定与材质分类研究
曾剑;叶卓龙;李桦彬;关芳芳;欧阳建成;毛莉;印章印文鉴定是文书检验研究的关键环节，旨在通过对印章或印文进行同一认定辨别文件真伪，进而为案情研判及侦查范围的确定提供支撑。当前，印章真伪鉴定与材质分类普遍依赖于人工对印迹特征的分析，其鉴定成本高、检验周期长且准确性易受主观因素的影响。针对上述问题，基于YOLOv8模型提出一种轻量化快速鉴定印章真伪并识别印章材质的方法。首先，收集并手工标注了包含印章印文图像的数据集；然后，通过标注后的数据集对YOLOv8进行预训练，并根据测试结果存储性能最优的模型；最后，对印章真伪鉴定和材质分类的结果进行展示。在鉴定过程中，主要根据印文的墨迹、边缘等印迹特征判断印章的真伪；而材质分类方面则关注印章的制印方式，结合相应印迹特征来确定印章的材质组成。实验结果显示，YOLOv8模型在印章真伪鉴定与材质分类任务中的准确率分别达到96.4%和95.3%,具有在真实案件中广泛应用的潜力。
基于规则增强动态异构图的交通违法“买卖分”识别研究
徐晓东;卢梦奇;陈学浩;交通违法“买卖分”行为因其跨区域、短时高频的隐蔽协作特性，传统基于静态规则的方法难以有效识别。为此，提出一种规则增强的动态异构图模型(Rule-enhanced Dynamic Meta-Path Temporal Graph Model, DynaMPT-REG),并创新性设计4层架构：一是动态元路径驱动的空间结构编码器，通过规则偏置的注意力机制，自适应捕捉高频跨区域处理等高危拓扑模式特征；二是业务周期感知的时序编码器，融合业务周期性特征；三是规则约束的双模态融合层，设计门控融合机制动态整合时空特征；四是解耦式异常评分器，联合拓扑重构损失与规则对比损失优化决策边界，实现异常概率的量化输出。实验表明，该方法在异常检测精度与可解释性上显著优于基线模型，专家评审验证表明异常边判定吻合率达92.6%。该模型为动态异构系统中的异常行为识别提供可推广的解决方案。
