ADLİ BELGE İNCELEMESİNDE İMZA VE PARAFLARIN DERİN ÖĞRENME TABANLI ANALİZİ: TAKLİTÇİ TESPİTİ VE UZMAN KARŞILAŞTIRMASI
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: AHMET GÜNEY
Danışman: Yavuz HEKİMOĞLU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: İmza ve parafın bireye aidiyetinin tespiti, başta grafolojik inkâr vakaları olmak üzere pek çok hukuki uyuşmazlığın yargısal sonucunu doğrudan etkileyen kritik bir adli belge incelemesi konusudur. Mevcut uygulamada adli belge inceleme uzmanının görsel karşılaştırmaya dayalı değerlendirmesi hem zaman alıcı hem de incelemecinin deneyimine bağlı bir süreçtir. Bu çalışmada, uzman görüşünü hızlandırıp standartlaştırabilecek, derin öğrenme tabanlı bir karar destek modelinin geliştirilmesi amaçlanmıştır. Bu kapsamda yalnızca imzanın gerçek-taklit ayrımı değil; aynı zamanda sahte bir örneğin hangi taklitçiye ait olduğunun belirlenmesi ve imzaya ek olarak parafın da değerlendirmeye dahil edildiği çok modlu bir doğrulama çerçevesi tasarlanmıştır. Farklı derin öğrenme mimarilerinin bu üç görevdeki performansları karşılaştırmalı olarak incelenmiş ve modellerin performansı aynı test örnekleri üzerinde adli belge inceleme uzmanlarının değerlendirmeleriyle de karşılaştırılmıştır. Gereç ve Yöntem: 18-65 yaş aralığında, bilinen nöromüsküler hastalığı bulunmayan 21 gönüllüden iki ayrı oturumda gerçek imza, paraf ve beş ek karakter (W, Ş, İ, O, α) örnekleri toplanmıştır. Aynı 21 gönüllü içerisinden seçilen üç hedef katılımcı için, kalan 18 katılımcının ve hedef katılımcıların birbirlerini bakarak taklit etmesiyle sahte örnekler üretilmiş; toplam 7.350 gerçek ve 2.400 taklit olmak üzere 9.750 görüntülük bir veri seti oluşturulmuştur. Sınıflandırma için VGG-16, ResNet-50, MobileNetV3-Large ve EfficientNetV2-S omurgalı evrişimli sinir ağı modelleri ile EfficientNetV2-S omurgalı Siamese ağı; üç aşamalı bir tasarımla (Aşama 0: yazar kimliği sınıflandırması, Aşama 1: gerçek-taklit imza doğrulama, Aşama 2: kapalı küme taklitçi tespiti) değerlendirilmiştir. Modellerin Aşama 1 ve Aşama 2 performansı ayrıca beş adli belge inceleme bilirkişisinin aynı test örnekleri üzerindeki kararlarıyla karşılaştırılmıştır. Bulgular: Aşama 0'da VGG-16 ve EfficientNetV2-S Top-1 = 0,9303 ile en yüksek yazar tanıma doğruluğuna ulaşmıştır. Aşama 1'de Siamese ağ tüm alt gruplarda yanlış kabul oranı sıfır (FAR = 0,0000), EfficientNetV2-S ise en düşük eşit hata oranı (EER = 0,0219) ile öne çıkmış; iki model (ResNet-50 ve EfficientNetV2-S) imza alt grubunda hatasız sınıflandırma elde etmiştir. Aşama 2'de EfficientNetV2-S Top-1 = 0,8583 ve Top-5 = 0,9722 ile en başarılı model olmuştur. Adli belge inceleme uzmanları gerçek–taklit ayrımında yüksek doğruluk (%93,3) göstermiş ve bu görevde modellerle benzer performans sergilemiştir. Buna karşın taklitçi kimliğinin belirlenmesinde uzman performansı belirgin olarak düşmüş, modellerin gerisinde kalmıştır. Sonuç: Bulgular, derin öğrenme tabanlı modellerin kontrollü veri setinde imza-paraf doğrulamasında yüksek performans gösterebildiğini ve adli belge inceleme sürecinde uzman değerlendirmesini destekleyebilecek yardımcı bir karar destek yaklaşımı olarak potansiyel taşıdığını göstermektedir. Bununla birlikte, rutin adli uygulamaya geçiş için daha geniş örneklemli, çok merkezli ve gerçek vaka temelli dış doğrulama çalışmalarına ihtiyaç vardır.