Los códigos QR (abreviatura de códigos de respuesta rápida) fueron desarrollados originalmente para su uso en la industria automotriz para rastrear inventarios de fábrica y logística, pero su popularidad se ha expandido significativamente en los últimos años debido a las amplias aplicaciones de teléfonos inteligentes y cámaras de teléfonos móviles. Los códigos QR se pueden utilizar para una variedad de propósitos, incluido el seguimiento de inventario, publicidad, emisión de boletos electrónicos y pagos móviles. Aunque son convenientes y ampliamente utilizados para almacenar y compartir información, su accesibilidad también significa que podrían ser fácilmente falsificados. La informática forense se puede utilizar para reconocer enlaces directos de documentos impresos, incluidos los códigos QR, lo cual es importante para la investigación de documentos falsificados y el enjuiciamiento de falsificadores. El proceso implica el uso de mecanismos ópticos para identificar la relación entre las impresoras originales y las copias. Técnicas relacionadas con visión por computadora y aprendizaje automático, como las redes neuronales convolucionales (CNN), pueden implementarse para estudiar y resumir características estadísticas con el fin de mejorar la precisión de identificación. Este estudio implementó modelos de CNN preentrenados como AlexNet, DenseNet201, GoogleNet, MobileNetv2, ResNet, VGG16 y otros para evaluar sus capacidades para predecir la impresora original de códigos QR con un alto nivel de precisión. Entre ellos, el modelo de CNN personalizado demostró mejores resultados en la identificación de fuentes impresas de códigos QR en escala de grises y a color con menos potencia computacional y tiempo de entrenamiento.