Abschlussbericht "ML4Print" - Automatisierte forensische Dokumenten- und Substratklassifizierung

Abstract

Trotz zunehmender Digitalisierung gibt es weiterhin wichtige Dokumente in gedruckter Form, besonders wenn Authentizität wichtig ist. Verbesserte Scanner- und Druckertechnologien haben zu mehr Dokumentenfälschungen geführt. Gefälschte Ausweise sind zentrale Hilfsmittel für Verbrechen wie Menschenhandel, Terrorismus, grenzüberschreitende Kriminalität und Sozialbetrug. Fälschungen von Geburts- und Heiratsurkunden ermöglichen den Erwerb echter Ausweispapiere oder staatlicher Subventionen und verursachen Schäden von bis zu 50.000€ pro Fälschung. Auch die Fälschung von Banknoten bleibt ein Problem. Frontex bezeichnet Dokumentenbetrug als eine der größten Herausforderungen bei der Grenzkontrolle in Europa. Wichtig bei der Erkennung von Fälschungen ist die Identifizierung des Quelldruckers und des verwendeten Papiers sowie der Drucktechnik, selbst wenn primäre Sicherheitsmerkmale kopiert wurden. Hier setzte das Projekt "MLForPrint" an: Während manuelle forensische Dokumenten-Prüfungen Stunden dauern können sowie die langjährige Erfahrungen des Prüfers erfordert und daher vergleichsweise selten zum Einsatz kommt, nutzt das Vorhaben hierfür automatisierte Verfahren auf Basis von Maschinellem Lernen. Im Projekt ML4Print wurde gezeigt, dass eine softwarebasierte und automatisierte Untersuchung von Druckerzeugnissen und Substraten den Prüfaufwand bei vergleichbarer Genauigkeit reduzieren kann. Dabei wurden Convolutional Neural Networks (CNNs) eingesetzt, um Dokumente effizient nach druckbezogenen Eigenschaften wie Drucktechnik (z.B. Offset, Toner, Ink Jet) zu klassifizieren. Das Projekt begann mit einer einfachen Architektur und acht Druckerklassen. Die Ziele umfassten die Verbesserung der CNN-Architektur und -Robustheit gegenüber Fälschungsstörungen sowie die Klassifizierung von Substraten, einschließlich der Analyse von Papiertypen, Alterungszuständen und Zustandsprognosen aus Scans. Datei-Upload durch TIB