الاستفادة من اكتشاف الألوان في تطبيقات رؤية الحاسوب

تلعب الألوان دوراً حيوياً في كيفية تجربة البشر للعالم، مما يساعدنا على التعرف على محيطنا وفهمه والتواصل معه. ومع ذلك، وبخلافنا، لا ترى الآلات الألوان - بل تعالجها كبيانات، وتترجم الظلال والأطياف إلى قيم رقمية.

لا تكتفي السيارة ذاتية القيادة برؤية إشارة المرور الحمراء فحسب - بل تعالج اللون كإشارة للتوقف. وتساعد هذه القدرة على التعرف على الألوان وتفسيرها في سد الفجوة بين الرؤية البشرية والرؤية الحاسوبية.

الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي الذي يمكّن الآلات من تحليل البيانات المرئية وفهمها. ومن الجوانب الرئيسية لهذا المجال اكتشاف الألوان، والذي يسمح للآلات بتحديد الأشياء وتمييزها بناءً على اللون. من خلال تحليل قيم البكسل في مساحات ألوان مختلفة، يمكن استخدام اكتشاف الألوان في تطبيقات مثل تتبع الأشياء، والتصوير الطبي، والأتمتة.

في هذه المقالة، سنلقي نظرة فاحصة على كيفية عمل اكتشاف الألوان، وسبب أهميته، وكيفية استخدامه في تطبيقات الرؤية الحاسوبية. لنبدأ!

Link to this sectionما هو اكتشاف الألوان؟#

يساعد اكتشاف الألوان الآلات على تحديد الأشياء وفهم المشاهد بناءً على اللون. وعند دمجه مع مهام الرؤية الحاسوبية الأخرى، فإنه يحسن الدقة ويعزز التطبيقات الواقعية. وقبل الغوص في كيفية عمل اكتشاف الألوان، من المفيد فهم كيفية تمثيل الألوان رقمياً.

تتكون الصور الرقمية من مربعات صغيرة تسمى بكسلات، يحتوي كل منها على معلومات اللون. على سبيل المثال، فيما يتعلق بنموذج ألوان RGB (الأحمر، الأخضر، الأزرق)، يتم إنشاء الألوان عن طريق خلط كثافات مختلفة من الأحمر والأخضر والأزرق.

يتم تحديد كل لون بثلاث قيم تتراوح من 0 إلى 255، حيث يعني 0 عدم وجود لون، ويعني 255 الكثافة الكاملة. على سبيل المثال، اللون الأحمر الخالص هو (255, 0, 0) لأنه يمتلك أعلى قيمة للأحمر ولا يوجد أخضر أو أزرق. واللون الأبيض هو (255, 255, 255) لأن الألوان الثلاثة جميعها في أقصى كثافة لها.

الشكل 1. مثال على كيفية رؤية الكمبيوتر لألوان التفاحة.

إذا كنت على دراية بنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، فقد تتساءل عن سبب كون اكتشاف الألوان تقنية منفصلة عن اكتشاف الأشياء. وبينما يحلل كلاهما الصور، فإنهما يخدمان أغراضاً مختلفة.

يركز اكتشاف الألوان على تحديد ألوان معينة في الصورة، بينما يتعرف اكتشاف الأشياء على الأشياء ويصنفها بغض النظر عن لونها. في سيناريو السيارة ذاتية القيادة، يكتشف اكتشاف الألوان اللون الأحمر في إشارة المرور، بينما يحدد اكتشاف الأشياء إشارة المرور نفسها، مما يساعد السيارة على اتخاذ قرارات قيادة آمنة.

Link to this sectionمقدمة إلى مساحات الألوان#

نموذج الألوان أو مساحة الألوان هو نظام يستخدم لتمثيل الألوان في الصور الرقمية وهو جزء مهم من اكتشاف الألوان. وهو يخصص قيماً رقمية للألوان، مما يسمح لأجهزة الكمبيوتر بتفسيرها بشكل متسق عبر أجهزة مختلفة. توفر مساحات الألوان طريقة منظمة لتخزين الألوان وتعديلها وعرضها في الأنظمة الرقمية.

تشمل بعض مساحات الألوان المستخدمة بشكل شائع RGB للشاشات الرقمية، وHSV (درجة اللون، التشبع، القيمة) لمعالجة الصور، وCMYK (السماوي، الأرجواني، الأصفر، الأسود) للطباعة. تُعد RGB وHSV أكثر مساحات الألوان استخداماً لاكتشاف الألوان. دعنا نغوص في كيفية عملها.

Link to this sectionنظرة عامة على مساحة ألوان RGB#

تُستخدم مساحة ألوان RGB على نطاق واسع في التصوير الرقمي، وتوجد في الشاشات والكاميرات وأجهزة العرض. وهي تعمل عن طريق دمج مستويات مختلفة من الضوء الأحمر والأخضر والأزرق لإنشاء ألوان متنوعة. عندما تكون الألوان الثلاثة في أقصى كثافة لها، تكون النتيجة بيضاء، وعندما لا يوجد أي منها، تظهر سوداء.

غالباً ما يتم تصور مساحة الألوان هذه كمكعب لوني، حيث يمثل كل محور أحد الألوان الأساسية. تُظهر زوايا المكعب اللون الأحمر والأخضر والأزرق الخالص، إلى جانب تركيباتها، بينما يحتوي الداخل على جميع الظلال الممكنة.

على الرغم من أن RGB بسيط وشائع، إلا أن له بعض القيود. قد لا تبدو الألوان دائماً كما هي بالنسبة للعين البشرية لأن RGB لا يتطابق بالتساوي مع كيفية إدراكنا لاختلافات الألوان. كما أنه يتأثر بظروف الإضاءة، مما يعني أن الألوان قد تبدو مختلفة اعتماداً على السطوع والبيئة.

الشكل 2. مكعب ألوان RGB.

Link to this sectionنظرة عامة على مساحة ألوان HSV#

تمثل مساحة ألوان HSV (درجة اللون، التشبع، القيمة) الألوان بناءً على ثلاثة مكونات: درجة اللون (نوع اللون)، والتشبع (كثافته)، والقيمة (سطوعه). وعلى عكس RGB، الذي يخلط كثافات الضوء، فإن HSV أقرب إلى كيفية إدراك البشر للألوان، مما يجعله خياراً أكثر عملية للعديد من مهام معالجة الصور.

على وجه الخصوص، تمثل درجة اللون اللون الفعلي ويتم قياسها بالدرجات على عجلة الألوان، مع وجود اللون الأحمر عند 0 درجة والأزرق عند 240 درجة. في غضون ذلك، يتحكم التشبع في مدى وضوح أو بهتان اللون، حيث يكون 0% رمادياً تماماً و100% نابضاً بالحياة بالكامل. من ناحية أخرى، تحدد القيمة السطوع، وتتراوح من 0% (أسود) إلى 100% (سطوع كامل).

من المثير للاهتمام أن مساحة ألوان HSV غالباً ما يتم تصورها كمخروط، حيث تلتف درجة اللون حول الحافة، ويتحرك التشبع للخارج، ويزداد السطوع من الأسفل إلى الأعلى. ولأنه يفصل اللون عن السطوع، يُستخدم HSV على نطاق واسع في تطبيقات الرؤية الحاسوبية.

الشكل 3. مخروط HSV.

Link to this sectionمقارنة بين مساحتي ألوان RGB وHSV#

لمقارنة RGB وHSV جنباً إلى جنب، دعنا نأخذ اللون البرتقالي كمثال. في مساحة ألوان RGB، يتم إنشاء اللون البرتقالي عن طريق خلط الأحمر والأخضر بكثافات محددة، وعادة ما يتم تمثيله كـ (255, 165, 0) - وهو ما يعني اللون الأحمر الكامل، وبعض الأخضر، ولا يوجد أزرق. ومع ذلك، نظراً لأن RGB لا يفصل اللون عن السطوع، فقد يكون أقل بديهية للمهام التي تتطلب معالجة دقيقة للألوان.

في HSV، يتم تحديد اللون البرتقالي بشكل مختلف. درجة لونه حوالي 30 درجة، مما يحدد موقعه على عجلة الألوان. تشبعه قريب من 100%، مما يعني أنه لون نابض بالحياة ونقي، وقيمته أيضاً 100%، مما يشير إلى سطوع كامل. ولأن HSV يفصل اللون عن السطوع، فغالباً ما يكون أكثر فائدة في تطبيقات اكتشاف الألوان حيث قد تتغير ظروف الإضاءة.

الشكل 4. مقارنة بين قيم RGB وHSV. الصورة من إعداد المؤلف.

Link to this sectionكيف يعمل اكتشاف الألوان#

عادةً، يتم التعامل مع اكتشاف الألوان كتقنية معالجة صور تُستخدم لتحديد وعزل الألوان من الصور أو مقاطع الفيديو. تعتمد الألوان المكتشفة في الصور باستخدام معالجة الصور على مساحات الألوان وتقنيات العتبة (thresholding) لتمييز أطياف ودرجات وكثافات معينة.

إليك نظرة عامة سريعة على الخطوات الرئيسية المتبعة في اكتشاف الألوان باستخدام معالجة الصور:

• الحصول على الصورة: تبدأ العملية بالتقاط صورة أو إطار فيديو باستخدام كاميرا. عادة ما يتم تخزين الصورة بتنسيق RGB كمصفوفة من البكسلات.
• تحويل مساحة الألوان: نظراً لأن RGB ليس مثالياً دائماً لاكتشاف الألوان، يتم تحويل الصورة إلى مساحة ألوان HSV. يساعد هذا في فصل اللون عن السطوع، مما يجعل الاكتشاف أكثر استقراراً في ظل ظروف إضاءة مختلفة.
• عتبة الألوان (Color thresholding): يتم تحديد نطاق معين للون المستهدف بتنسيق HSV. تنشئ هذه الخطوة قناعاً ثنائياً (binary mask)، حيث تظهر البكسلات الموجودة ضمن نطاق اللون المحدد باللون الأبيض، وتظهر جميع البكسلات الأخرى باللون الأسود.
• القناع (Masking): يتم تطبيق القناع الثنائي على الصورة الأصلية لعزل اللون المكتشف، وتصفية كل شيء آخر. هذا يبرز فقط المناطق التي تطابق اللون المطلوب.

بمجرد اكتشاف اللون وعزله، يمكن استخدامه في مهام رؤية حاسوبية متنوعة، مثل تتبع الأشياء، وتجزئة الصور، واتخاذ القرارات الآلية في تطبيقات مثل الروبوتات، والتصوير الطبي، والمركبات ذاتية القيادة.

Link to this sectionدور اكتشاف الألوان في الرؤية الحاسوبية#

الآن بعد أن تعلمنا كيفية عمل اكتشاف الألوان، دعنا نستكشف كيف يدعم تطبيقات الرؤية الحاسوبية.

في حالات معينة، يمكن أن يكون اكتشاف الألوان بديلاً أبسط لـ نماذج الرؤية الحاسوبية، خاصة في البيئات الخاضعة للرقابة حيث يكون اللون هو العامل الرئيسي في تمييز الأشياء. بدلاً من تدريب نموذج باستخدام مجموعة بيانات ضخمة، يوفر اكتشاف الألوان حلاً سريعاً وفعالاً دون الحاجة إلى وضع تسميات مكثفة أو طاقة حوسبة عالية.

على سبيل المثال، في نظام فرز التفاح الآلي، يمكن تدريب نموذج رؤية حاسوبية مثل YOLO11 لـ تصنيف التفاح حسب درجة النضج، لكنه سيتطلب مجموعة بيانات من الصور المصنفة للتعامل مع الاختلافات في الإضاءة والملمس وأنواع التفاح.

نهج أكثر مباشرة هو أولاً اكتشاف التفاح باستخدام اكتشاف الأشياء ثم تحليل لونه لتحديد درجة النضج. وبما أن هذه الطريقة تعتمد على عتبات ألوان محددة مسبقاً بدلاً من تدريب نموذج، فهي تعمل بشكل جيد في الظروف المستقرة حيث لا تتغير الإضاءة والخلفيات بشكل كبير.

على الرغم من أن النموذج المدرب مخصصاً قد يكون أفضل للبيئات الأكثر تعقيداً وتغيراً، إلا أن اكتشاف الألوان هو حل سريع وعملي ويمكن الوصول إليه للتطبيقات في الوقت الفعلي. كما أنه نقطة بداية رائعة لأولئك الذين يتعلمون عن معالجة الصور والرؤية الحاسوبية قبل الانتقال إلى حلول أكثر تقدماً.

Link to this sectionتطبيقات واقعية لاكتشاف الألوان#

يُستخدم اكتشاف الألوان في مجموعة واسعة من الصناعات لتطبيقات مختلفة. دعنا نلقي نظرة على بعض حالات الاستخدام الواقعية.

Link to this sectionاكتشاف الألوان لتقييم جودة الأقمشة#

يُعد اكتشاف الألوان أمراً بالغ الأهمية في إنتاج الأقمشة والمنسوجات. يُستخدم عادةً في أنظمة مراقبة الجودة الآلية وتحديد العيوب. وخلافاً للفحص اليدوي، الذي يستغرق وقتاً طويلاً وعرضة للخطأ البشري، توفر الأنظمة الآلية اكتشافاً دقيقاً وفورياً للعيوب.

على وجه التحديد، من خلال تحليل صور الأقمشة، يمكن لأنظمة الرؤية الحاسوبية تحديد العيوب مثل التوزيع غير المتكافئ للصبغة، والبهتان، والتلوث. تجعل تقنيات اكتشاف الألوان المتقدمة مراقبة الجودة أكثر دقة من خلال قياس اتساق اللون عبر دفعات مختلفة.

الشكل 5. يلعب اكتشاف الألوان دوراً رئيسياً في إنشاء أقمشة ملونة.

Link to this sectionاستخدام اكتشاف الألوان في الزراعة#

كما ذكرنا سابقاً، اللون هو مؤشر رئيسي للنضج، ويمكن استخدام تقنية اكتشاف الألوان في الزراعة لمراقبة صحة المحاصيل وتحسين الحصاد.

من خلال تحليل اختلافات الألوان، يمكن للمزارعين تقييم صحة النبات، واكتشاف الأمراض، وتحديد متى تكون المحاصيل جاهزة للحصاد. تساعد الروبوتات المتقدمة المجهزة بمستشعرات 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.

الشكل 6. مانجو في مستويات نضج مختلفة: (أ) تالفة، (ب) ناضجة، (ج) غير ناضجة.

Link to this sectionأبرز النقاط#

اكتشاف الألوان هو تقنية رؤية حاسوبية مبتكرة لها تطبيقات في الزراعة، والتصنيع، والرعاية الصحية، والأتمتة. وهي تساعد الآلات على التعرف على الألوان وتفسيرها لتتبع الأشياء، ومراقبة الجودة، واتخاذ القرار.

بينما تستمر نماذج الذكاء الاصطناعي المتقدمة في التطور، يظل اكتشاف الألوان حلاً بسيطاً وفعالاً، خاصة في البيئات الخاضعة للرقابة. ومع تقدم التكنولوجيا، من المرجح أن يستمر في لعب دور رئيسي في تحسين التطبيقات الواقعية.

تعمق أكثر في الذكاء الاصطناعي من خلال استكشاف مجتمعنا ومستودع GitHub. تعرف على الابتكارات في الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية، واكتشف كيفية البدء في الاستفادة من الذكاء الاصطناعي المرئي مع خيارات الترخيص الخاصة بنا.