الاستفادة من اكتشاف الألوان في تطبيقات الرؤية الحاسوبية

تؤدي الألوان دورًا أساسيًا في تجربة البشر للعالم، إذ تساعدنا على التعرّف إلى محيطنا وفهمه والتواصل معه. لكن الآلات، بخلاف البشر، لا ترى الألوان؛ بل تعالجها بوصفها بيانات، وتحول الدرجات والأطياف إلى قيم رقمية.

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

الرؤية الحاسوبية فرع من الذكاء الاصطناعي يمكّن الآلات من تحليل البيانات المرئية وفهمها. ويُعد اكتشاف الألوان جانبًا أساسيًا منها، إذ يتيح للآلات تحديد الأجسام وتمييزها استنادًا إلى اللون. ويمكن استخدام اكتشاف الألوان، من خلال تحليل قيم البكسلات في مساحات ألوان مختلفة، في تطبيقات مثل تتبع الأجسام والتصوير الطبي والأتمتة.

في هذا المقال، سنلقي نظرة عن كثب على طريقة عمل اكتشاف الألوان وأهميته واستخداماته في تطبيقات الرؤية الحاسوبية.

ما اكتشاف الألوان؟#

يساعد اكتشاف الألوان الآلات على تحديد الأجسام وفهم المشاهد استنادًا إلى اللون. وعند دمجه مع مهام الرؤية الحاسوبية الأخرى، 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 تسمى بكسلات، يحمل كل منها معلومات عن اللون. فعلى سبيل المثال، في نموذج الألوان RGB، تتكون الألوان من مزج درجات مختلفة من كثافة الأحمر والأخضر والأزرق.

يُحدَّد كل لون بثلاث قيم تتراوح بين 0 و255، حيث تعني 0 انعدام اللون، وتعني 255 أقصى شدة له. فالأحمر النقي، مثلًا، قيمته (255, 0, 0)، لأن قيمة الأحمر فيه هي الأعلى، ولا يحتوي على الأخضر أو الأزرق. أما الأبيض فقيمته (255, 255, 255)، لأن الألوان الثلاثة كلها بأقصى شدة.

الشكل 1. مثال على كيفية رؤية الحاسوب لألوان تفاحة.

إذا كنت ملمًا بنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، فقد تتساءل عن سبب اعتبار اكتشاف الألوان تقنية منفصلة عن اكتشاف الأجسام. فعلى الرغم من أن كليهما يحلل الصور، فإن لكل منهما غرضًا مختلفًا.

يركز اكتشاف الألوان على تحديد ألوان معينة في الصورة، بينما يتعرف اكتشاف الأجسام إلى الأجسام ويصنفها بصرف النظر عن ألوانها. وفي مثال السيارة ذاتية القيادة، يكتشف اكتشاف الألوان اللون الأحمر في إشارة المرور، بينما يحدد اكتشاف الأجسام إشارة المرور نفسها، ما يساعد السيارة على اتخاذ قرارات قيادة آمنة.

مقدمة إلى مساحات الألوان#

نموذج الألوان أو مساحة الألوان نظام يُستخدم لتمثيل الألوان في الصور الرقمية، وهو جزء بالغ الأهمية من اكتشاف الألوان. ويُسنِد قيمًا عددية إلى الألوان، ما يتيح للحواسيب تفسيرها على نحو متسق عبر الأجهزة المختلفة. وتوفر مساحات الألوان طريقة منظمة لتخزين الألوان وضبطها وعرضها في الأنظمة الرقمية.

تشمل فضاءات الألوان الشائعة RGB للشاشات الرقمية، وHSV (درجة اللون والتشبّع والقيمة) لمعالجة الصور، وCMYK (السماوي والأرجواني والأصفر والأسود) للطباعة. ويُستخدم RGB وHSV أكثر من غيرهما لاكتشاف الألوان. إليك طريقة عملهما.

نظرة عامة على مساحة الألوان RGB#

تُستخدم مساحة الألوان RGB على نطاق واسع في التصوير الرقمي، وتوجد في الشاشات والكاميرات وأجهزة العرض. وتعمل على مزج مستويات مختلفة من الضوء الأحمر والأخضر والأزرق لإنشاء ألوان متنوعة. وعندما تبلغ الألوان الثلاثة أقصى شدة، تكون النتيجة بيضاء؛ وعند غيابها جميعًا، يظهر اللون الأسود.

غالبًا ما تُمثَّل مساحة الألوان هذه بمكعب ألوان، حيث يمثل كل محور أحد الألوان الأساسية. وتُظهر زوايا المكعب الأحمر والأخضر والأزرق النقي، إلى جانب توليفاتها، بينما تضم المساحة الداخلية جميع درجات الألوان الممكنة.

على الرغم من بساطة RGB وشيوعها، فإن لها بعض القيود. فقد لا تبدو الألوان دائمًا متماثلة للعين البشرية، لأن RGB لا تمثل الفروق اللونية بالطريقة التي ندركها بها على نحو متساوٍ. كما تتأثر بظروف الإضاءة، ما يعني أن مظهر الألوان قد يختلف حسب السطوع والبيئة.

الشكل 2. مكعب الألوان RGB.

نظرة عامة على مساحة الألوان HSV#

تمثل مساحة الألوان HSV الألوان استنادًا إلى ثلاثة مكوّنات: درجة اللون (نوع اللون)، والتشبع (شدته)، والقيمة (سطوعه). وعلى خلاف RGB، التي تمزج شدة الضوء، تقترب HSV من الطريقة التي يدرك بها البشر الألوان، ما يجعلها خيارًا عمليًا أكثر لكثير من مهام معالجة الصور.

تمثل درجة اللون اللون الفعلي، وتُقاس بالدرجات على عجلة الألوان، حيث يقع الأحمر عند 0° والأزرق عند 240°. أما التشبع فيحدد مدى حيوية اللون أو بهوته، إذ تعني نسبة 0% لونًا رماديًا بالكامل، وتعني نسبة 100% لونًا زاهيًا بالكامل. وتحدد القيمة السطوع، الذي يتراوح من 0% (أسود) إلى 100% (أقصى سطوع).

ومن اللافت أن مساحة الألوان HSV تُمثَّل غالبًا بمخروط، حيث تلتف درجة اللون حول حافته، ويتجه التشبع إلى الخارج، ويزداد السطوع من الأسفل إلى الأعلى. ولأنها تفصل اللون عن السطوع، تُستخدم HSV على نطاق واسع في تطبيقات الرؤية الحاسوبية.

الشكل 3. مخروط HSV.

مقارنة مساحتي الألوان RGB وHSV#

لمقارنة RGB وHSV جنبًا إلى جنب، لنأخذ اللون البرتقالي مثالًا. في فضاء ألوان RGB، ينتج اللون البرتقالي عن مزج الأحمر والأخضر بدرجات شدة محددة، ويُمثَّل عادةً بالقيمة (255, 165, 0)، أي أحمر كامل وبعض الأخضر ومن دون أزرق. لكن RGB لا يفصل اللون عن السطوع، لذا قد يكون أقل سهولة في الاستخدام للمهام التي تتطلب معالجة دقيقة للألوان.

في نظام HSV، يُعرَّف اللون البرتقالي بطريقة مختلفة. تبلغ درجة لونه نحو 39°، وهو ما يحدد موضعه على عجلة الألوان. ويقترب تشبعه من 100%، ما يعني أنه لون زاهٍ ونقي، كما تبلغ قيمته 100%، ما يشير إلى سطوع كامل. ولأن HSV يفصل اللون عن السطوع، يكون هذا النظام غالبًا أكثر فائدة في تطبيقات اكتشاف الألوان التي قد تتغير فيها ظروف الإضاءة.

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

كيفية عمل اكتشاف الألوان#

عادةً ما يُتناول اكتشاف الألوان بوصفه تقنيةً من تقنيات معالجة الصور تُستخدم لتحديد الألوان وعزلها في الصور أو مقاطع الفيديو. وتعتمد الألوان المكتشفة في الصور باستخدام معالجة الصور على فضاءات الألوان وتقنيات تحديد العتبات للتمييز بين درجات الألوان والظلال ومستويات الشدة المحددة.

إليك لمحة سريعة عن الخطوات الأساسية لاكتشاف 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 مساحة الألوان: نظرًا إلى أن RGB ليست مثالية دائمًا لاكتشاف الألوان، تُحوَّل الصورة إلى مساحة الألوان HSV. ويساعد ذلك على فصل اللون عن السطوع، ما يجعل الاكتشاف أكثر استقرارًا في ظروف الإضاءة المختلفة.
• تحديد عتبة اللون: يُحدَّد نطاق معين للون المستهدف بتنسيق HSV. وتنشئ هذه الخطوة قناعًا ثنائيًا، تظهر فيه البكسلات الواقعة ضمن نطاق اللون المحدد باللون الأبيض، بينما تظهر جميع البكسلات الأخرى باللون الأسود.
• تطبيق القناع: يُطبَّق القناع الثنائي على الصورة الأصلية لعزل اللون المكتشف واستبعاد كل ما عداه. ويبرز ذلك المناطق المطابقة للون المطلوب وحدها.

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

دور اكتشاف الألوان في الرؤية الحاسوبية#

بعد أن تعلمنا كيفية عمل اكتشاف الألوان، لنستكشف كيف يدعم تطبيقات الرؤية الحاسوبية.

في بعض الحالات، قد يكون اكتشاف الألوان بديلًا أبسط من نماذج الرؤية الحاسوبية، ولا سيما في البيئات الخاضعة للتحكم التي يكون فيها اللون العامل الأساسي للتمييز بين الأجسام. فبدلًا من تدريب نموذج على مجموعة بيانات ضخمة، يوفر اكتشاف الألوان حلًا سريعًا وفعالًا من دون الحاجة إلى وسم مكثف أو قدرة حوسبة عالية.

فعلى سبيل المثال، في نظام مؤتمت لفرز التفاح، يمكن تدريب نموذج للرؤية الحاسوبية 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 نهج أبسط في اكتشاف التفاح أولًا باستخدام اكتشاف الأجسام، ثم تحليل لونه لتحديد درجة نضجه. ولأن هذه الطريقة تعتمد على عتبات ألوان محددة مسبقًا بدلًا من تدريب نموذج، فهي تعمل جيدًا في الظروف المستقرة التي لا تتغير فيها الإضاءة والخلفيات تغيرًا كبيرًا.

قد يكون النموذج المدرّب خصيصًا أنسب للبيئات الأكثر تعقيدًا وتغيرًا، لكن اكتشاف الألوان حل سريع وعملي ومتاح للتطبيقات الآنية. كما أنه نقطة انطلاق رائعة للمهتمين بتعلم معالجة الصور والرؤية الحاسوبية قبل الانتقال إلى حلول أكثر تقدمًا.

تطبيقات اكتشاف الألوان في العالم الحقيقي#

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 المؤتمتة وتحديد العيوب. وعلى خلاف الفحص اليدوي الذي يستغرق وقتًا طويلًا ويكون عرضة للأخطاء البشرية، توفر الأنظمة المؤتمتة اكتشافًا دقيقًا للعيوب في الوقت الفعلي.

وعلى وجه التحديد، تستطيع أنظمة الرؤية الحاسوبية، عبر تحليل صور الأقمشة، تحديد عيوب مثل عدم تجانس توزيع الصبغة والبهتان والتلوث. وتتيح تقنيات اكتشاف الألوان المتقدمة مراقبة جودة أدق من خلال قياس اتساق اللون بين الدفعات المختلفة.

الشكل 5. يلعب اكتشاف الألوان دورًا رئيسيًا في إنتاج الأقمشة الملونة.

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.

من خلال تحليل اختلافات الألوان، يستطيع المزارعون تقييم صحة النباتات، واكتشاف الأمراض، وتحديد موعد جاهزية المحاصيل للحصاد. وتساعد الروبوتات المتقدمة المزوّدة بمستشعرات الألوان ورؤية الحاسوب على أتمتة العملية، إذ تضمن قطف المحاصيل الناضجة فقط. ويمكن لهذه الأنظمة زيادة الكفاءة والإنتاجية، ولا سيما في المناطق التي تعاني نقصًا في العمالة.

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

أبرز النقاط#

يُعد اكتشاف الألوان تقنية عملية في الرؤية الحاسوبية، ولها تطبيقات في الزراعة والتصنيع والرعاية الصحية والأتمتة. فهي تساعد الآلات على التعرّف إلى الألوان وتفسيرها لأغراض تتبع الأجسام وضبط الجودة واتخاذ القرارات.

مع استمرار تطور نماذج الذكاء الاصطناعي المتقدمة، يظل اكتشاف الألوان حلًا بسيطًا وفعالًا، ولا سيما في البيئات الخاضعة للتحكم. ومع تقدم التكنولوجيا، يُرجّح أن يواصل هذا الحل أداء دور رئيسي في تحسين التطبيقات العملية.

تعمّق في الذكاء الاصطناعي من خلال استكشاف مجتمعنا ومستودع GitHub. تعرّف على الابتكارات في الذكاء الاصطناعي في التصنيع ورؤية الحاسوب في الرعاية الصحية، واكتشف كيف تبدأ الاستفادة من الذكاء الاصطناعي بالرؤية عبر خيارات الترخيص.