Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Erfahren Sie, wie die Farberkennung eine Brücke zwischen dem menschlichen und dem computergestützten Sehen schlägt, indem Sie RGB- und HSV-Farbräume zur Automatisierung von Computer-Vision-Lösungen nutzen.
Farben spielen eine wichtige Rolle dabei, wie wir Menschen die Welt erleben. Sie helfen uns, unsere Umgebung zu erkennen, zu verstehen und mit ihr in Verbindung zu treten. Im Gegensatz zu uns sehen Maschinen Farben jedoch nicht - sie verarbeiten sie als Daten und übersetzen Schattierungen und Farbtöne in numerische Werte.
Ein selbstfahrendes Auto sieht nicht nur eine rote Ampel - es verarbeitet die Farbe als Signal zum Anhalten. Diese Fähigkeit, Farben zu erkennen und zu interpretieren, trägt dazu bei, die Lücke zwischen menschlichem Sehen und Computersehen zu schließen.
Computer Vision ist ein Teilbereich der KI, der es Maschinen ermöglicht, visuelle Daten zu analysieren und zu verstehen. Ein wichtiger Aspekt dabei ist die Farberkennung, mit der Maschinen Objekte anhand ihrer Farbe identifizieren und unterscheiden können. Durch die Analyse von Pixelwerten in verschiedenen Farbräumen kann die Farberkennung in Anwendungen wie Objektverfolgung, medizinische Bildgebung und Automatisierung eingesetzt werden.
In diesem Artikel werden wir einen genaueren Blick darauf werfen, wie die Farberkennung funktioniert, warum sie wichtig ist und wie sie in Computer-Vision-Anwendungen eingesetzt wird. Legen wir los!
Was ist Farberkennung?
Die Farberkennung hilft Maschinen, Objekte zu identifizieren und Szenen anhand von Farben zu verstehen. Wenn sie mit anderen Aufgaben der Computer Vision kombiniert wird, erhöht sie die Genauigkeit und verbessert die Anwendungen in der Praxis. Bevor man sich mit der Farberkennung befasst, sollte man verstehen, wie Farben digital dargestellt werden.
Digitale Bilder bestehen aus winzigen Quadraten, die Pixel genannt werden und jeweils Farbinformationen enthalten. Beim RGB-Farbmodell (Rot, Grün, Blau) beispielsweise werden Farben durch Mischen unterschiedlicher Intensitäten von Rot, Grün und Blau erzeugt.
Jede Farbe wird durch drei Werte definiert, die von 0 bis 255 reichen, wobei 0 für keine Farbe und 255 für volle Intensität steht. Reines Rot ist zum Beispiel (255, 0, 0), weil es den höchsten Rotwert hat und kein Grün oder Blau. Weiß ist (255, 255, 255), weil alle drei Farben die volle Intensität haben.
Abb. 1. Ein Beispiel dafür, wie ein Computer die Farben eines Apfels sieht.
Wenn Sie mit Computer-Vision-Modellen wie Ultralytics YOLO11 vertraut sind, fragen Sie sich vielleicht, warum die Farberkennung eine andere Technik ist als die Objekterkennung. Beide analysieren zwar Bilder, aber sie dienen unterschiedlichen Zwecken.
Die Farberkennung konzentriert sich auf die Erkennung bestimmter Farben in einem Bild, während die Objekterkennung Objekte unabhängig von ihrer Farbe erkennt und klassifiziert. Im Szenario des selbstfahrenden Autos erkennt die Farberkennung das Rot einer Ampel, während die Objekterkennung die Ampel selbst identifiziert und dem Auto hilft, sichere Fahrentscheidungen zu treffen.
Einführung in Farbräume
Ein Farbmodell oder Farbraum ist ein System, das zur Darstellung von Farben in digitalen Bildern verwendet wird und ein wichtiger Bestandteil der Farberkennung ist. Es weist den Farben numerische Werte zu, so dass Computer sie auf verschiedenen Geräten einheitlich interpretieren können. Farbräume bieten eine strukturierte Möglichkeit zum Speichern, Anpassen und Anzeigen von Farben in digitalen Systemen.
Einige häufig verwendete Farbräume sind RGB für digitale Anzeigen, HSV (Hue, Saturation, Value) für die Bildverarbeitung und CMYK (Cyan, Magenta, Yellow, Black) für den Druck. RGB und HSV sind die am häufigsten verwendeten Farbräume zur Erkennung von Farben. Schauen wir uns an, wie sie funktionieren.
Ein Überblick über den RGB-Farbraum
Der RGB-Farbraum ist in der digitalen Bildverarbeitung weit verbreitet und findet sich in Bildschirmen, Kameras und Anzeigegeräten. Er funktioniert durch die Kombination verschiedener Anteile von rotem, grünem und blauem Licht, um verschiedene Farben zu erzeugen. Wenn alle drei Farben in voller Intensität vorhanden sind, ist das Ergebnis weiß, und wenn keine Farbe vorhanden ist, erscheint es schwarz.
Dieser Farbraum wird häufig als Farbwürfel dargestellt, wobei jede Achse eine der Grundfarben darstellt. Die Ecken des Würfels zeigen reines Rot, Grün und Blau sowie deren Kombinationen, während das Innere alle möglichen Schattierungen enthält.
RGB ist zwar einfach und beliebt, hat aber auch einige Einschränkungen. Farben sehen für das menschliche Auge nicht immer gleich aus, da RGB nicht gleichmäßig mit der Wahrnehmung von Farbunterschieden übereinstimmt. Außerdem wird es von den Lichtverhältnissen beeinflusst, d. h. die Farben können je nach Helligkeit und Umgebung unterschiedlich erscheinen.
Der HSV-Farbraum (Hue, Saturation, Value) stellt Farben auf der Grundlage von drei Komponenten dar: Farbton (die Art der Farbe), Sättigung (ihre Intensität) und Wert (ihre Helligkeit). Im Gegensatz zum RGB-Farbraum, der die Lichtintensitäten mischt, entspricht der HSV-Farbraum eher der menschlichen Farbwahrnehmung und ist daher für viele Bildverarbeitungsaufgaben die praktischere Wahl.
Der Farbton stellt die tatsächliche Farbe dar und wird in Grad auf einem Farbkreis gemessen, wobei Rot bei 0° und Blau bei 240° liegt. Die Sättigung bestimmt, wie lebendig oder stumpf eine Farbe wirkt, wobei 0 % völlig grau und 100 % völlig lebendig ist. Auf der anderen Seite bestimmt der Wert die Helligkeit, die von 0 % (schwarz) bis 100 % (volle Helligkeit) reicht.
Interessanterweise wird der HSV-Farbraum oft als Kegel dargestellt, bei dem der Farbton um den Rand herum verläuft, die Sättigung nach außen wandert und die Helligkeit von unten nach oben zunimmt. Da der HSV-Farbraum Farbe und Helligkeit voneinander trennt, wird er häufig in Computer-Vision-Anwendungen verwendet.
Um RGB und HSV nebeneinander zu vergleichen, nehmen wir die Farbe Orange als Beispiel. Im RGB-Farbraum wird Orange durch Mischen von Rot und Grün in bestimmten Intensitäten erzeugt, die in der Regel als (255, 165, 0) dargestellt werden - das bedeutet volles Rot, etwas Grün und kein Blau. Da RGB jedoch nicht zwischen Farbe und Helligkeit trennt, ist es für Aufgaben, die eine präzise Farbmanipulation erfordern, weniger intuitiv.
In HSV ist Orange anders definiert. Sein Farbton liegt bei etwa 30°, was seine Position auf dem Farbkreis bestimmt. Seine Sättigung liegt nahe bei 100 %, was bedeutet, dass es sich um eine lebendige, reine Farbe handelt, und sein Wert beträgt ebenfalls 100 %, was die volle Helligkeit angibt. Da HSV die Farbe von der Helligkeit trennt, ist es bei Farberkennungsanwendungen, bei denen sich die Lichtverhältnisse ändern können, oft nützlicher.
Abb. 4. Vergleich von RGB- und HSV-Werten. Bild vom Autor.
So funktioniert die Farberkennung
In der Regel wird die Farberkennung als eine Bildverarbeitungstechnik zur Identifizierung und Isolierung von Farben aus Bildern oder Videos betrachtet. Farben, die mit Hilfe der Bildverarbeitung in Bildern erkannt werden, basieren auf Farbräumen und Schwellenwerttechniken, um bestimmte Farbtöne, Schattierungen und Intensitäten zu unterscheiden.
Im Folgenden finden Sie einen kurzen Überblick über die wichtigsten Schritte bei der Farberkennung mit Hilfe der Bildverarbeitung:
Bildaufnahme: Der Prozess beginnt mit der Aufnahme eines Bildes oder Videobildes mit einer Kamera. Das Bild wird normalerweise im RGB-Format als Pixelmatrix gespeichert.
Farbraumkonvertierung: Da RGB nicht immer ideal für die Farberkennung ist, wird das Bild in den HSV-Farbraum konvertiert. Dadurch kann die Farbe von der Helligkeit getrennt werden, was die Erkennung bei unterschiedlichen Lichtverhältnissen stabiler macht.
Farbschwellenwert: Für die Zielfarbe wird ein bestimmter Bereich im HSV-Format festgelegt. Bei diesem Schritt wird eine binäre Maske erstellt, bei der Pixel innerhalb des ausgewählten Farbbereichs weiß und alle anderen schwarz erscheinen.
Maskierung: Die binäre Maske wird auf das Originalbild angewendet, um die erkannte Farbe zu isolieren und alles andere herauszufiltern. Dadurch werden nur die Bereiche hervorgehoben, die der gewünschten Farbe entsprechen.
Sobald die Farbe erkannt und isoliert ist, kann sie für verschiedene Computer-Vision-Aufgaben verwendet werden, z. B. für die Objektverfolgung, die Bildsegmentierung und die automatische Entscheidungsfindung in Anwendungen wie Robotik, medizinische Bildgebung und autonome Fahrzeuge.
Die Rolle der Farberkennung in der Computer Vision
Nachdem wir nun gelernt haben, wie die Farberkennung funktioniert, wollen wir nun untersuchen, wie sie Computer-Vision-Anwendungen unterstützt.
In bestimmten Fällen kann die Farberkennung eine einfachere Alternative zu Computer-Vision-Modellen sein, insbesondere in kontrollierten Umgebungen, in denen die Farbe der Hauptfaktor für die Unterscheidung von Objekten ist. Anstatt ein Modell mit einem großen Datensatz zu trainieren, bietet die Farberkennung eine schnelle und effiziente Lösung, ohne dass umfangreiche Beschriftungen oder eine hohe Rechenleistung erforderlich sind.
In einem automatischen Apfelsortiersystem könnte beispielsweise ein Computer-Vision-Modell wie YOLO11 trainiert werden, um Äpfel nach ihrem Reifegrad zu klassifizieren, aber es würde einen Datensatz mit markierten Bildern benötigen, um Variationen bei der Beleuchtung, der Textur und den Apfelsorten zu berücksichtigen.
Ein unkomplizierterer Ansatz besteht darin, die Äpfel zunächst mit Hilfe der Objekterkennung zu erkennen und dann ihre Farbe zu analysieren, um den Reifegrad zu bestimmen. Da sich diese Methode auf vordefinierte Farbschwellenwerte stützt, anstatt ein Modell zu trainieren, funktioniert sie gut unter stabilen Bedingungen, bei denen sich Beleuchtung und Hintergründe nicht drastisch ändern.
Während ein speziell trainiertes Modell für komplexere und variable Umgebungen besser geeignet ist, ist die Farberkennung eine schnelle, praktische und leicht zugängliche Lösung für Echtzeitanwendungen. Sie ist auch ein guter Ausgangspunkt für diejenigen, die etwas über Bildverarbeitung und Computer Vision lernen möchten, bevor sie sich fortgeschritteneren Lösungen zuwenden.
Praktische Anwendungen der Farberkennung
Die Farberkennung wird in einer Vielzahl von Branchen für unterschiedliche Anwendungen eingesetzt. Werfen wir einen Blick auf einige Anwendungsfälle aus der Praxis.
Farberkennung zur Bewertung der Stoffqualität
Die Farberkennung ist in der Stoff- und Textilproduktion von entscheidender Bedeutung. Sie wird in der Regel in automatischen Qualitätskontroll- und Fehlererkennungssystemen eingesetzt. Im Gegensatz zur manuellen Inspektion, die zeitaufwändig und anfällig für menschliche Fehler ist, bieten automatisierte Systeme eine genaue Fehlererkennung in Echtzeit.
Durch die Analyse von Stoffbildern können Bildverarbeitungssysteme Fehler wie ungleichmäßige Farbverteilung, Verblassen und Verschmutzung erkennen. Fortschrittliche Farberkennungstechniken ermöglichen eine präzisere Qualitätskontrolle, indem sie die Farbkonsistenz zwischen verschiedenen Chargen messen.
Abb. 5. Die Farberkennung spielt eine wichtige Rolle bei der Erstellung von farbigen Stoffen.
Einsatz der Farberkennung in der Landwirtschaft
Wie bereits erwähnt, ist die Farbe ein wichtiger Indikator für den Reifegrad, und die Technologie zur Farberkennung kann in der Landwirtschaft eingesetzt werden, um die Gesundheit der Pflanzen zu überwachen und die Ernte zu verbessern.
Durch die Analyse von Farbvariationen können Landwirte die Gesundheit der Pflanzen beurteilen, Krankheiten erkennen und feststellen, wann die Pflanzen erntereif sind. Moderne Roboter, die mit Farbsensoren und Computer Vision ausgestattet sind, helfen bei der Automatisierung des Prozesses, indem sie sicherstellen, dass nur reife Pflanzen geerntet werden. Diese Systeme können die Effizienz und Produktivität steigern, insbesondere in Gebieten mit Arbeitskräftemangel.
Abb. 6. Mangos in verschiedenen Reifegraden: (a) faul, (b) reif und (c) unreif.
Die wichtigsten Erkenntnisse
Die Farberkennung ist ein innovatives Computer-Vision-Verfahren, das in der Landwirtschaft, der Fertigung, dem Gesundheitswesen und der Automatisierung Anwendung findet. Sie hilft Maschinen bei der Erkennung und Interpretation von Farben zur Objektverfolgung, Qualitätskontrolle und Entscheidungsfindung.
Während sich fortschrittliche KI-Modelle weiterentwickeln, bleibt die Farberkennung eine einfache und effektive Lösung, insbesondere in kontrollierten Umgebungen. Mit den Fortschritten der Technologie wird sie wahrscheinlich weiterhin eine Schlüsselrolle bei der Verbesserung realer Anwendungen spielen.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
AR
