اكتشف كيف يربط اكتشاف الألوان بين رؤية الإنسان ورؤية الكمبيوتر، باستخدام مساحات الألوان RGB و HSV لأتمتة حلول رؤية الكمبيوتر.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
اكتشف كيف يربط اكتشاف الألوان بين رؤية الإنسان ورؤية الكمبيوتر، باستخدام مساحات الألوان RGB و HSV لأتمتة حلول رؤية الكمبيوتر.
تلعب الألوان دورًا حيويًا في كيفية تجربة البشر للعالم، مما يساعدنا على التعرف على محيطنا وفهمه والتواصل معه. ومع ذلك، على عكسنا، لا ترى الآلات الألوان - بل تعالجها كبيانات، وتحول الظلال والألوان إلى قيم رقمية.
السيارة ذاتية القيادة لا ترى مجرد إشارة مرور حمراء - بل تعالج اللون كإشارة للتوقف. تساعد هذه القدرة على التعرف على الألوان وتفسيرها في سد الفجوة بين رؤية الإنسان والرؤية الحاسوبية.
رؤية الحاسوب هي فرع من فروع الذكاء الاصطناعي يمكّن الآلات من تحليل وفهم البيانات المرئية. أحد الجوانب الرئيسية في ذلك هو اكتشاف الألوان، والذي يسمح للآلات بتحديد وتمييز الكائنات بناءً على اللون. من خلال تحليل قيم البكسل في مساحات ألوان مختلفة، يمكن استخدام اكتشاف الألوان في تطبيقات مثل تتبع الكائنات والتصوير الطبي والأتمتة.
في هذه المقالة، سنلقي نظرة فاحصة على كيفية عمل اكتشاف الألوان، ولماذا هو مهم، وكيف يتم استخدامه في تطبيقات الرؤية الحاسوبية. هيا بنا نبدأ!
يساعد اكتشاف الألوان الآلات على تحديد الكائنات وفهم المشاهد بناءً على اللون. عند دمجه مع مهام الرؤية الحاسوبية الأخرى، فإنه يحسن الدقة ويعزز التطبيقات الواقعية. قبل الخوض في كيفية عمل اكتشاف الألوان، من المفيد فهم كيفية تمثيل الألوان رقميًا.
تتكون الصور الرقمية من مربعات صغيرة تسمى وحدات البكسل، تحمل كل منها معلومات اللون. على سبيل المثال، فيما يتعلق بنموذج ألوان RGB (الأحمر والأخضر والأزرق)، يتم إنشاء الألوان عن طريق خلط شدات مختلفة من الأحمر والأخضر والأزرق.
يتم تعريف كل لون بثلاث قيم، تتراوح من 0 إلى 255، حيث يعني 0 عدم وجود لون ويعني 255 كثافة كاملة. على سبيل المثال، الأحمر النقي هو (255، 0، 0) لأنه يحتوي على أعلى قيمة حمراء ولا يحتوي على أي قيمة خضراء أو زرقاء. الأبيض هو (255، 255، 255) لأن الألوان الثلاثة كلها في أقصى كثافة.
إذا كنت على دراية بنماذج رؤية الكمبيوتر مثل Ultralytics YOLO11، فقد تتساءل عن سبب كون اكتشاف الألوان تقنية منفصلة عن اكتشاف الكائنات. في حين أن كلاهما يحلل الصور، إلا أنهما يخدمان أغراضًا مختلفة.
يركز اكتشاف الألوان على تحديد ألوان معينة في الصورة، بينما يتعرف اكتشاف الكائنات على الكائنات ويصنفها بغض النظر عن لونها. في سيناريو السيارة ذاتية القيادة، يكتشف اكتشاف الألوان اللون الأحمر في إشارة المرور، بينما يحدد اكتشاف الكائنات إشارة المرور نفسها، مما يساعد السيارة على اتخاذ قرارات قيادة آمنة.
نموذج الألوان أو فضاء الألوان هو نظام يستخدم لتمثيل الألوان في الصور الرقمية وهو جزء أساسي من اكتشاف الألوان. فهو يعين قيمًا رقمية للألوان، مما يسمح لأجهزة الكمبيوتر بتفسيرها باستمرار عبر الأجهزة المختلفة. توفر فضاءات الألوان طريقة منظمة لتخزين الألوان وتعديلها وعرضها في الأنظمة الرقمية.
تتضمن بعض مساحات الألوان شائعة الاستخدام RGB للشاشات الرقمية، و HSV (تدرج اللون والتشبع والقيمة) لمعالجة الصور، و CMYK (سماوي وأرجواني وأصفر وأسود) للطباعة. RGB و HSV هما مساحتا الألوان الأكثر استخدامًا للكشف عن الألوان. دعنا نتعمق في كيفية عملها.
يستخدم فضاء ألوان RGB على نطاق واسع في التصوير الرقمي، ويوجد في الشاشات و الكاميرات وأجهزة العرض. وهو يعمل عن طريق الجمع بين مستويات مختلفة من الضوء الأحمر والأخضر والأزرق لإنشاء ألوان مختلفة. عندما تكون الألوان الثلاثة بكامل شدتها، تكون النتيجة بيضاء، وعندما لا يكون أي منها موجودًا، تظهر باللون الأسود.
غالبًا ما يتم تصور هذا الفضاء اللوني على شكل مكعب ألوان، حيث يمثل كل محور أحد الألوان الأساسية. تُظهر زوايا المكعب اللون الأحمر والأخضر والأزرق النقي، جنبًا إلى جنب مع تركيباتها، بينما يحتوي الداخل على جميع الظلال الممكنة.
في حين أن RGB بسيط وشائع، إلا أن لديه بعض القيود. قد لا تبدو الألوان دائماً كما هي للعين البشرية لأن RGB لا يتطابق بالتساوي مع كيفية إدراكنا للاختلافات في الألوان. كما أنه يتأثر بظروف الإضاءة، مما يعني أن الألوان يمكن أن تظهر بشكل مختلف اعتماداً على السطوع والبيئة.
تمثل مساحة ألوان HSV (اللون، التشبع، القيمة) الألوان بناءً على ثلاثة مكونات: اللون (نوع اللون)، والتشبع (شدته)، والقيمة (سطوعه). على عكس RGB، الذي يمزج شدة الضوء، فإن HSV أقرب إلى كيفية إدراك البشر للألوان، مما يجعله خيارًا أكثر عملية للعديد من مهام معالجة الصور.
على وجه الخصوص، يمثل التدرج اللوني اللون الفعلي ويقاس بالدرجات على عجلة الألوان، مع وجود اللون الأحمر عند 0 درجة واللون الأزرق عند 240 درجة. وفي الوقت نفسه، يتحكم التشبع في مدى حيوية أو بهتان اللون، حيث يكون 0٪ رماديًا تمامًا و 100٪ نابضًا بالحياة تمامًا. من ناحية أخرى، تحدد القيمة السطوع، وتتراوح من 0٪ (أسود) إلى 100٪ (سطوع كامل).
ومن المثير للاهتمام، غالبًا ما يتم تصور مساحة ألوان HSV على شكل مخروط، حيث يلتف اللون حول الحافة، وتتحرك التشبع للخارج، ويزداد السطوع من الأسفل إلى الأعلى. نظرًا لأنه يفصل اللون عن السطوع، فإن HSV يستخدم على نطاق واسع في تطبيقات الرؤية الحاسوبية.
لمقارنة RGB و HSV جنبًا إلى جنب، دعنا نأخذ اللون البرتقالي كمثال. في مساحة ألوان RGB، يتم إنشاء اللون البرتقالي عن طريق خلط الأحمر والأخضر بكثافة معينة، وعادة ما يتم تمثيله كـ (255، 165، 0) - مما يعني أحمر كامل، وبعض الأخضر، ولا يوجد أزرق. ومع ذلك، نظرًا لأن RGB لا يفصل اللون عن السطوع، فقد يكون أقل سهولة بالنسبة للمهام التي تتطلب معالجة دقيقة للألوان.
في HSV، يتم تعريف اللون البرتقالي بشكل مختلف. يقع تدرجه اللوني حول 30 درجة، مما يحدد موضعه على عجلة الألوان. تشبعه قريب من 100٪، مما يعني أنه لون نقي زاهٍ، وقيمته أيضًا 100٪، مما يشير إلى سطوع كامل. نظرًا لأن HSV يفصل اللون عن السطوع، فغالبًا ما يكون أكثر فائدة في تطبيقات اكتشاف الألوان حيث قد تتغير ظروف الإضاءة.
عادةً، يتم التعامل مع الكشف عن الألوان كتقنية معالجة صور تُستخدم لتحديد وعزل الألوان من الصور أو مقاطع الفيديو. تعتمد الألوان التي يتم الكشف عنها في الصور باستخدام معالجة الصور على مساحات الألوان وتقنيات تحديد العتبة لتمييز التدرجات والظلال والشدة المحددة.
إليك نظرة عامة سريعة على الخطوات الرئيسية المتضمنة في اكتشاف الألوان باستخدام معالجة الصور:
بمجرد اكتشاف اللون وعزله، يمكن استخدامه في مهام رؤية الكمبيوتر المختلفة، مثل تتبع الكائنات وتجزئة الصور واتخاذ القرارات الآلية في تطبيقات مثل الروبوتات والتصوير الطبي والمركبات ذاتية القيادة.
الآن بعد أن تعلمنا كيف يعمل اكتشاف الألوان، دعنا نستكشف كيف يدعم تطبيقات رؤية الكمبيوتر.
في بعض الحالات، يمكن أن يكون اكتشاف الألوان بديلاً أبسط لـ نماذج الرؤية الحاسوبية، خاصة في البيئات الخاضعة للرقابة حيث يكون اللون هو العامل الرئيسي في تمييز الكائنات. بدلاً من تدريب نموذج بمجموعة بيانات ضخمة، يوفر اكتشاف الألوان حلاً سريعًا وفعالًا دون الحاجة إلى تصنيف مكثف أو قوة حسابية عالية.
على سبيل المثال، في نظام آلي لفرز التفاح، يمكن تدريب نموذج رؤية حاسوبية مثل YOLO11 على تصنيف التفاح حسب النضج، ولكنه سيتطلب مجموعة بيانات من الصور المصنفة للتعامل مع الاختلافات في الإضاءة والملمس وأنواع التفاح.
هناك طريقة أكثر مباشرة وهي أولاً الكشف عن التفاح باستخدام تقنية الكشف عن الأجسام (object detection)، ثم تحليل لونه لتحديد مدى نضجه. نظرًا لأن هذه الطريقة تعتمد على عتبات لونية محددة مسبقًا بدلاً من تدريب نموذج، فإنها تعمل بشكل جيد في الظروف المستقرة حيث لا تتغير الإضاءة والخلفيات بشكل كبير.
في حين أن النموذج المدرب خصيصًا قد يكون أفضل للبيئات الأكثر تعقيدًا وتغيرًا، إلا أن اكتشاف الألوان هو حل سريع وعملي ويمكن الوصول إليه للتطبيقات في الوقت الفعلي. كما أنها نقطة انطلاق رائعة لأولئك الذين يتعلمون معالجة الصور والرؤية الحاسوبية قبل الانتقال إلى حلول أكثر تقدمًا.
يستخدم اكتشاف الألوان في مجموعة واسعة من الصناعات لتطبيقات مختلفة. دعنا نلقي نظرة خاطفة على بعض حالات الاستخدام الواقعية.
يعد اكتشاف الألوان أمرًا بالغ الأهمية في إنتاج الأقمشة والمنسوجات. يشيع استخدامه في أنظمة التحكم الآلي في الجودة وتحديد العيوب. على عكس الفحص اليدوي، الذي يستغرق وقتًا طويلاً وعرضة للخطأ البشري، توفر الأنظمة الآلية اكتشافًا دقيقًا وفي الوقت الفعلي للعيوب.
على وجه التحديد، من خلال تحليل صور القماش، يمكن لأنظمة رؤية الكمبيوتر تحديد العيوب مثل توزيع الصبغة غير المتكافئ والبهتان والتلوث. تتيح تقنيات الكشف عن الألوان المتقدمة التحكم في الجودة بشكل أكثر دقة من خلال قياس تناسق الألوان عبر دفعات مختلفة.
كما ذكرنا سابقًا، يعد اللون مؤشرًا رئيسيًا على النضج، ويمكن استخدام تقنية الكشف عن الألوان في الزراعة لمراقبة صحة المحاصيل وتحسين الحصاد.
من خلال تحليل اختلافات الألوان، يمكن للمزارعين تقييم صحة النباتات واكتشاف الأمراض وتحديد متى تكون المحاصيل جاهزة للحصاد. تساعد الروبوتات المتقدمة المزودة بأجهزة استشعار الألوان والرؤية الحاسوبية في أتمتة العملية من خلال ضمان قطف المحاصيل الناضجة فقط. يمكن لهذه الأنظمة زيادة الكفاءة والإنتاجية، خاصة في المناطق التي تعاني من نقص في العمالة.
اكتشاف الألوان هو تقنية رؤية حاسوبية مبتكرة لها تطبيقات في الزراعة والتصنيع والرعاية الصحية والأتمتة. فهو يساعد الآلات على التعرف على الألوان وتفسيرها لتتبع الكائنات ومراقبة الجودة واتخاذ القرارات.
في حين أن نماذج الذكاء الاصطناعي المتقدمة تستمر في التطور، يظل اكتشاف الألوان حلاً بسيطًا وفعالًا، خاصة في البيئات الخاضعة للرقابة. مع تقدم التكنولوجيا، من المحتمل أن يستمر في لعب دور رئيسي في تحسين التطبيقات الواقعية.
تعمق في عالم الذكاء الاصطناعي من خلال استكشاف مجتمعنا ومستودع GitHub. تعرف على الابتكارات في مجال الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية، واكتشف كيفية البدء في الاستفادة من Vision AI من خلال خيارات الترخيص الخاصة بنا.
