الاستفادة من اكتشاف الألوان في تطبيقات الرؤية الحاسوبية

تؤدي الألوان دورًا حيويًا في كيفية اختبار البشر للعالم، إذ تساعدنا على التعرّف إلى محيطنا وفهمه والتواصل معه. لكن الآلات، بخلافنا، لا ترى الألوان؛ بل تعالجها باعتبارها بيانات، وتحول الدرجات والتدرجات اللونية إلى قيم رقمية.

لا ترى السيارة ذاتية القيادة إشارة المرور الحمراء فحسب، بل تعالج اللون باعتباره إشارة للتوقف. وتساعد هذه القدرة على التعرّف إلى الألوان وتفسيرها في سد الفجوة بين الرؤية البشرية والرؤية الحاسوبية.

الرؤية الحاسوبية فرع من فروع الذكاء الاصطناعي يمكّن الآلات من تحليل البيانات المرئية وفهمها. ويُعد اكتشاف الألوان جانبًا أساسيًا منها، إذ يتيح للآلات تحديد الكائنات والتمييز بينها استنادًا إلى اللون. ومن خلال تحليل قيم البكسلات في مساحات لونية مختلفة، يمكن استخدام اكتشاف الألوان في تطبيقات مثل تتبع الكائنات والتصوير الطبي والأتمتة.

في هذه المقالة، سنلقي نظرة فاحصة على كيفية عمل اكتشاف الألوان، وأهميته، وكيفية استخدامه في تطبيقات الرؤية الحاسوبية. فلنبدأ!

ما اكتشاف الألوان؟#

يساعد اكتشاف الألوان الآلات على تحديد الكائنات وفهم المشاهد استنادًا إلى اللون. وعند دمجه مع مهام الرؤية الحاسوبية الأخرى، فإنه يحسّن الدقة ويعزز التطبيقات الواقعية. وقبل التعمق في كيفية عمل اكتشاف الألوان، من المفيد فهم كيفية تمثيل الألوان رقميًا.

تتكون الصور الرقمية من مربعات صغيرة تُسمى البكسلات، يحمل كل منها معلومات لونية. فعلى سبيل المثال، في نموذج الألوان RGB (الأحمر والأخضر والأزرق)، تتشكل الألوان من خلال مزج شِدَد مختلفة من الأحمر والأخضر والأزرق.

يُعرَّف كل لون بثلاث قيم تتراوح من 0 إلى 255، حيث يعني 0 انعدام اللون، بينما تعني 255 شدة اللون الكاملة. فعلى سبيل المثال، الأحمر النقي هو (255, 0, 0) لأنه يمتلك أعلى قيمة للأحمر ولا يحتوي على الأخضر أو الأزرق. أما الأبيض فهو (255, 255, 255) لأن الألوان الثلاثة تكون عند شدة كاملة.

الشكل 1. مثال على كيفية رؤية الحاسوب لألوان تفاحة.

إذا كنت معتادًا على نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، فقد تتساءل عن سبب كون اكتشاف الألوان تقنية منفصلة عن اكتشاف الكائنات. وعلى الرغم من أن كليهما يحلل الصور، فإن لكل منهما غرضًا مختلفًا.

يركز اكتشاف الألوان على تحديد ألوان معينة في الصورة، بينما يتعرف اكتشاف الكائنات إلى الكائنات ويصنفها بغض النظر عن لونها. وفي 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.

مقدمة إلى المساحات اللونية#

نموذج الألوان أو المساحة اللونية نظام يُستخدم لتمثيل الألوان في الصور الرقمية، وهو جزء أساسي من اكتشاف الألوان. إذ يعيّن قيمًا رقمية للألوان، مما يتيح للحواسيب تفسيرها باتساق عبر الأجهزة المختلفة. وتوفر المساحات اللونية طريقة منظمة لتخزين الألوان وضبطها وعرضها في الأنظمة الرقمية.

تشمل بعض المساحات اللونية شائعة الاستخدام RGB للشاشات الرقمية، وHSV (درجة اللون والتشبع والقيمة) لمعالجة الصور، وCMYK (السماوي والأرجواني والأصفر والأسود) للطباعة. وتُعد RGB وHSV أكثر المساحات اللونية استخدامًا لاكتشاف الألوان. فلنتعمق في كيفية عملهما.

نظرة عامة على مساحة الألوان RGB#

تُستخدم مساحة الألوان RGB على نطاق واسع في التصوير الرقمي، وتوجد في الشاشات والكاميرات وأجهزة العرض. وهي تعمل من خلال دمج مستويات مختلفة من الضوء الأحمر والأخضر والأزرق لإنشاء ألوان متنوعة. وعندما تكون الألوان الثلاثة عند شدة كاملة، تكون النتيجة بيضاء، وعندما لا يكون أي منها موجودًا، يظهر اللون الأسود.

غالبًا ما تُمثَّل هذه المساحة اللونية بصريًا على شكل مكعب لوني، حيث يمثل كل محور أحد الألوان الأساسية. وتُظهر زوايا المكعب الأحمر والأخضر والأزرق النقي، إلى جانب تركيباتها، بينما يحتوي داخله على جميع التدرجات الممكنة.

على الرغم من بساطة RGB وشيوعها، فإن لها بعض القيود. فقد لا تبدو الألوان متطابقة دائمًا للعين البشرية، لأن RGB لا تحاكي بصورة متساوية كيفية إدراكنا للفروق اللونية. كما تتأثر بظروف الإضاءة، ما يعني أن الألوان قد تبدو مختلفة تبعًا للسطوع والبيئة.

الشكل 2. مكعب ألوان RGB.

نظرة عامة على مساحة الألوان HSV#

تمثل مساحة الألوان HSV (درجة اللون والتشبع والقيمة) الألوان استنادًا إلى ثلاثة مكونات: درجة اللون (نوع اللون)، والتشبع (شدته)، والقيمة (سطوعه). وعلى خلاف RGB التي تمزج شِدَد الضوء، فإن HSV أقرب إلى كيفية إدراك البشر للألوان، مما يجعلها خيارًا عمليًا أكثر للعديد من مهام معالجة الصور.

تمثل درجة اللون، على وجه الخصوص، اللون الفعلي، وتُقاس بالدرجات على عجلة الألوان، حيث يوجد الأحمر عند 0° والأزرق عند 240°. أما التشبع فيتحكم في مدى حيوية اللون أو بهتانه، إذ تمثل 0% الرمادي الكامل وتمثل 100% الحيوية الكاملة. ومن ناحية أخرى، تحدد القيمة السطوع، الذي يتراوح من 0% (الأسود) إلى 100% (السطوع الكامل).

ومن المثير للاهتمام أن مساحة الألوان HSV غالبًا ما تُمثَّل بصريًا على شكل مخروط، حيث تلتف درجة اللون حول الحافة، ويتحرك التشبع إلى الخارج، ويزداد السطوع من الأسفل إلى الأعلى. وبما أنها تفصل اللون عن السطوع، تُستخدم HSV على نطاق واسع في تطبيقات الرؤية الحاسوبية.

الشكل 3. مخروط HSV.

مقارنة بين مساحتي الألوان RGB وHSV#

لمقارنة RGB وHSV جنبًا إلى جنب، لنأخذ اللون البرتقالي مثالًا. في مساحة الألوان RGB، يُنشأ البرتقالي من خلال مزج الأحمر والأخضر بشِدَد محددة، ويُمثَّل عادةً بالصيغة (255, 165, 0)، ما يعني الأحمر الكامل وبعض الأخضر وانعدام الأزرق. ومع ذلك، نظرًا إلى أن RGB لا تفصل اللون عن السطوع، فقد تكون أقل بداهةً في المهام التي تتطلب معالجة دقيقة للألوان.

في HSV، يُعرَّف البرتقالي بطريقة مختلفة. إذ تبلغ درجة لونه نحو 30°، ما يحدد موضعه على عجلة الألوان. ويقترب تشبعه من 100%، ما يعني أنه لون حيوي ونقي، كما تبلغ قيمته 100%، مما يشير إلى السطوع الكامل. وبما أن HSV تفصل اللون عن السطوع، فإنها غالبًا ما تكون أكثر فائدة في تطبيقات اكتشاف الألوان التي قد تتغير فيها ظروف الإضاءة.

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

كيفية عمل اكتشاف الألوان#

عادةً ما يُتناول اكتشاف الألوان باعتباره تقنية لمعالجة الصور تُستخدم لتحديد الألوان وعزلها من الصور أو مقاطع الفيديو. ويعتمد اكتشاف الألوان في الصور باستخدام معالجة الصور على المساحات اللونية وتقنيات تحديد العتبات للتمييز بين درجات الألوان والتدرجات والشِدَد المحددة.

إليك نظرة سريعة على الخطوات الأساسية المتضمنة في اكتشاف الألوان باستخدام معالجة الصور:

• اكتساب الصورة: تبدأ العملية بالتقاط صورة أو إطار فيديو باستخدام كاميرا. وعادةً ما تُخزَّن الصورة بتنسيق RGB على هيئة مصفوفة من البكسلات.
• تحويل المساحة اللونية: نظرًا إلى أن RGB ليست مثالية دائمًا لاكتشاف الألوان، تُحوَّل الصورة إلى مساحة الألوان HSV. ويساعد ذلك على فصل اللون عن السطوع، مما يجعل الاكتشاف أكثر استقرارًا في ظل ظروف الإضاءة المختلفة.
• تحديد عتبة اللون: يُحدَّد نطاق معين للون المستهدف بتنسيق HSV. وتنشئ هذه الخطوة قناعًا ثنائيًا، حيث تظهر البكسلات الواقعة ضمن نطاق اللون المحدد باللون الأبيض، بينما تظهر جميع البكسلات الأخرى باللون الأسود.
• إنشاء القناع: يُطبَّق القناع الثنائي على الصورة الأصلية لعزل اللون المكتشف، مع تصفية كل ما عداه. ويبرز ذلك المناطق المطابقة للون المطلوب فقط.

بعد اكتشاف اللون وعزله، يمكن استخدامه في مهام مختلفة للرؤية الحاسوبية، مثل تتبع الكائنات وتقسيم الصور واتخاذ القرارات آليًا في تطبيقات مثل الروبوتات والتصوير الطبي والمركبات ذاتية القيادة.

دور اكتشاف الألوان في الرؤية الحاسوبية#

بعد أن تعلمنا كيفية عمل اكتشاف الألوان، لنستكشف الآن كيفية دعمه لتطبيقات الرؤية الحاسوبية.

في بعض الحالات، يمكن أن يكون اكتشاف الألوان بديلًا أبسط عن نماذج الرؤية الحاسوبية، لا سيما في البيئات الخاضعة للتحكم حيث يكون اللون العامل الرئيسي في التمييز بين الكائنات. فبدلًا من تدريب نموذج باستخدام مجموعة بيانات ضخمة، يوفر اكتشاف الألوان حلًا سريعًا وفعالًا دون الحاجة إلى وضع تسميات مكثفة أو قدرة حوسبية عالية.

فعلى سبيل المثال، في نظام آلي لفرز التفاح، يمكن تدريب نموذج رؤية حاسوبية مثل Ultralytics YOLO11 على تصنيف التفاح حسب درجة نضجه، لكنه سيتطلب مجموعة بيانات من الصور الموسومة للتعامل مع الاختلافات في الإضاءة والملمس وأنواع التفاح.

يتمثل النهج الأبسط في اكتشاف التفاح أولًا باستخدام اكتشاف الكائنات، ثم تحليل لونه لتحديد درجة نضجه. وبما أن هذه الطريقة تعتمد على عتبات لونية محددة مسبقًا بدلًا من تدريب نموذج، فإنها تعمل جيدًا في الظروف المستقرة التي لا تتغير فيها الإضاءة والخلفيات تغيرًا كبيرًا.

قد يكون النموذج المدرَّب خصيصًا أفضل للبيئات الأكثر تعقيدًا وتغيرًا، إلا أن اكتشاف الألوان يظل حلًا سريعًا وعمليًا ومتاحًا للتطبيقات الآنية. كما أنه يمثل نقطة بداية رائعة للمتعلمّين في مجال معالجة الصور والرؤية الحاسوبية قبل الانتقال إلى حلول أكثر تقدمًا.

التطبيقات الواقعية لاكتشاف الألوان#

يُستخدم اكتشاف الألوان في مجموعة واسعة من الصناعات ولتطبيقات متنوعة. فلنلقِ نظرة على بعض حالات الاستخدام الواقعية.

اكتشاف الألوان لتقييم جودة الأقمشة#

يُعد اكتشاف الألوان بالغ الأهمية في إنتاج الأقمشة والمنسوجات. ويُستخدم عادةً في أنظمة مراقبة الجودة الآلية وتحديد العيوب. وبخلاف الفحص اليدوي، الذي يستغرق وقتًا ويكون عرضةً للخطأ البشري، توفر الأنظمة الآلية اكتشافًا دقيقًا للعيوب في الوقت الفعلي.

وعلى وجه التحديد، تستطيع أنظمة الرؤية الحاسوبية، من خلال تحليل صور الأقمشة، تحديد عيوب مثل عدم انتظام توزيع الصبغة والبهتان والتلوث. وتتيح تقنيات اكتشاف الألوان المتقدمة إجراء مراقبة أكثر دقة للجودة من خلال قياس اتساق الألوان عبر الدُفعات المختلفة.

الشكل 5. يؤدي اكتشاف الألوان دورًا أساسيًا في إنشاء أقمشة زاهية الألوان.

استخدام اكتشاف الألوان في الزراعة#

كما ذكرنا سابقًا، يُعد اللون مؤشرًا رئيسيًا على النضج، ويمكن استخدام تقنية اكتشاف الألوان في الزراعة لمراقبة صحة المحاصيل وتحسين الحصاد.

ومن خلال تحليل اختلافات الألوان، يستطيع المزارعون تقييم صحة النباتات واكتشاف الأمراض وتحديد موعد جاهزية المحاصيل للحصاد. وتساعد الروبوتات المتقدمة المجهزة بمستشعرات الألوان وتقنيات الرؤية الحاسوبية على أتمتة العملية من خلال ضمان قطف المحاصيل الناضجة فقط. ويمكن لهذه الأنظمة زيادة الكفاءة والإنتاجية، لا سيما في المناطق التي تعاني نقصًا في العمالة.

الشكل 6. ثمار مانجو بمستويات نضج مختلفة: (أ) فاسدة، و(ب) ناضجة، و(ج) غير ناضجة.

أهم النقاط المستخلصة#

يُعد اكتشاف الألوان تقنية مبتكرة في الرؤية الحاسوبية، ولها تطبيقات في الزراعة والتصنيع والرعاية الصحية والأتمتة. فهي تساعد الآلات على التعرّف إلى الألوان وتفسيرها من أجل تتبع الكائنات ومراقبة الجودة واتخاذ القرارات.

ومع استمرار تطور نماذج الذكاء الاصطناعي المتقدمة، يظل اكتشاف الألوان حلًا بسيطًا وفعالًا، لا سيما في البيئات الخاضعة للتحكم. ومع تقدم التقنية، يُرجح أن يستمر في أداء دور رئيسي في تحسين التطبيقات الواقعية.

تعمّق في الذكاء الاصطناعي من خلال استكشاف مجتمعنا ومستودعنا على GitHub. وتعرّف إلى الابتكارات في الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية، واكتشف كيفية البدء في الاستفادة من ذكاء الرؤية الاصطناعي من خلال خيارات الترخيص.