Uma Abordagem Baseada em Inteligência Artificial para a Triagem Forense Computacional de Material de Abuso Sexual Infantil
Detecção de CSAM; Aprendizado profundo; Aprendizagem de Transferência; CNN; Forense Digital; Triagem.
O aumento do volume de evidências digitais tem sobrecarregado as investigações forenses, especialmenteem casos envolvendo material de abuso sexual infantil (CSAM), nos quais a rapidez é fundamental. Este estudo propõe e implementa uma solução de triagem de campo integrada, econômica e modular para a identificação rápida de conteúdos ilícitos inéditos em mídias apreendidas. O sistema integra um ambiente Linux seguro com bloqueio de escrita a uma solução híbrida baseada no framework pericial IPED. A abordagem combina filtragem por bancos de hashes (NIST CAID, ProjectVIC) para arquivos conhecidos com uma Rede Neural Convolucional (CNN) leve, EfficientNetV2-B0, otimizada para processamento em CPU por meio de conversão ONNX, para classificar materiais desconhecidos, incluindo quadros de vídeo. A avaliação em um conjunto de testes com 41.931 imagens, categorizadas em três classes (CSAM, pornografia, outros), demonstrou acurácia global de 98,4%, recall de 95,8% e precisão de 91,4% para a classe CSAM. Os testes de desempenho confirmaram a eficiência do sistema em hardware legado, atingindo velocidades de processamento de 30 a 60 imagens por segundo em CPUs padrão. Como contribuição, esta metodologia de código aberto possibilita que as forças policiais identifiquem conteúdos ilícitos inéditos quase em tempo real, reduzindo a exposição dos analistas a materiais traumáticos e promovendo tanto a eficiência operacional quanto a saúde ocupacional.