Nutzung der Farberkennung in Computer-Vision-Anwendungen

Farben spielen eine entscheidende Rolle dabei, wie Menschen die Welt erleben. Sie helfen uns, unsere Umgebung zu erkennen, zu verstehen und eine Verbindung zu ihr aufzubauen. Im Gegensatz zu uns „sehen“ Maschinen jedoch keine Farben – sie verarbeiten sie als Daten und übersetzen Schattierungen und Farbtöne in numerische Werte.

Ein self-driving car sieht nicht nur eine rote Ampel – er verarbeitet die Farbe als Signal zum Anhalten. Diese Fähigkeit, Farben zu erkennen und zu interpretieren, hilft dabei, die Kluft zwischen menschlichem Sehvermögen und Computer Vision zu überbrücken.

Computer vision ist ein Zweig der KI, der es Maschinen ermöglicht, visuelle Daten zu analysieren und zu verstehen. Ein wesentlicher Aspekt dabei ist die Farberkennung, mit der Maschinen Objekte anhand ihrer Farbe identifizieren und voneinander unterscheiden können. Durch die Analyse von Pixelwerten in verschiedenen Farbräumen kann die Farberkennung in Anwendungen wie Objektverfolgung, medizinischer Bildgebung und Automatisierung eingesetzt werden.

In diesem Artikel werfen wir einen genaueren Blick darauf, wie Farberkennung funktioniert, warum sie wichtig ist und wie sie in Computer-Vision-Anwendungen eingesetzt wird. Fangen wir an!

Was ist Farberkennung?#

Die Farberkennung hilft Maschinen dabei, Objekte zu identifizieren und Szenen anhand von Farben zu verstehen. In Kombination mit anderen computer vision tasks verbessert sie die Genauigkeit und bereichert reale Anwendungen. Bevor du eintauchst, wie Farberkennung funktioniert, ist es hilfreich zu verstehen, wie Farben digital dargestellt werden.

Digitale Bilder bestehen aus winzigen Quadraten, sogenannten Pixeln, die jeweils Farbinformationen enthalten. Beim RGB-Farbmodell (Rot, Grün, Blau) werden Farben beispielsweise durch das Mischen verschiedener 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), da es den höchsten Rotwert aufweist und kein Grün oder Blau enthält. Weiß ist (255, 255, 255), da alle drei Farben die volle Intensität haben.

Fig 1. Ein Beispiel dafür, wie ein Computer die Farben eines Apfels sieht.

Wenn du mit Computer-Vision-Modellen wie Ultralytics YOLO11 vertraut bist, fragst du dich vielleicht, warum Farberkennung eine eigenständige Technik neben der Objekterkennung ist. Zwar analysieren beide Bilder, aber sie verfolgen unterschiedliche Zwecke.

Die Farberkennung konzentriert sich auf die Identifizierung 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 object detection die Ampel selbst identifiziert und dem Auto so hilft, sichere Fahrentscheidungen zu treffen.

Einführung in Farbräume#

Ein Farbmodell oder Farbraum ist ein System zur Darstellung von Farben in digitalen Bildern und ein entscheidender Bestandteil der Farberkennung. Es weist Farben numerische Werte zu, sodass Computer sie geräteübergreifend konsistent interpretieren können. Farbräume bieten eine strukturierte Möglichkeit, Farben in digitalen Systemen zu speichern, anzupassen und anzuzeigen.

Zu den häufig verwendeten Farbräumen gehören RGB für digitale Bildschirme, 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 für die Farberkennung. Lass uns einen Blick darauf werfen, wie sie funktionieren.

Ein Überblick über den RGB-Farbraum#

Der RGB-Farbraum ist in der digitalen Bildverarbeitung weit verbreitet und findet sich in Bildschirmen, cameras und Anzeigegeräten. Er funktioniert durch die Kombination verschiedener Stufen von rotem, grünem und blauem Licht, um unterschiedliche Farben zu erzeugen. Wenn alle drei Farben volle Intensität haben, ist das Ergebnis Weiß, und wenn keine vorhanden ist, erscheint es Schwarz.

Dieser Farbraum wird oft als Farbwürfel visualisiert, bei dem jede Achse eine der Primärfarben darstellt. Die Ecken des Würfels zeigen reines Rot, Grün und Blau sowie deren Kombinationen, während das Innere alle möglichen Schattierungen enthält.

Obwohl RGB einfach und beliebt ist, hat es einige Einschränkungen. Farben sehen für das menschliche Auge nicht immer gleich aus, da RGB nicht genau dem entspricht, wie wir Farbunterschiede wahrnehmen. Es wird auch von Lichtverhältnissen beeinflusst, was bedeutet, dass Farben je nach Helligkeit und Umgebung unterschiedlich aussehen können.

Fig 2. Der RGB-Farbwürfel.

Ein Überblick über den HSV-Farbraum#

Der HSV-Farbraum (Hue, Saturation, Value) stellt Farben basierend auf drei Komponenten dar: Farbton (die Art der Farbe), Sättigung (ihre Intensität) und Wert (ihre Helligkeit). Im Gegensatz zu RGB, das Lichtintensitäten mischt, entspricht HSV eher der menschlichen Farbwahrnehmung, was ihn für viele Bildverarbeitungsaufgaben zu einer praktischen Wahl macht.

Der Farbton (Hue) repräsentiert die tatsächliche Farbe und wird in Grad auf einem Farbkreis gemessen, mit Rot bei 0° und Blau bei 240°. Die Sättigung (Saturation) steuert, wie lebendig oder blass eine Farbe wirkt, wobei 0 % völlig grau und 100 % voll gesättigt bedeutet. Der Wert (Value) bestimmt die Helligkeit und reicht von 0 % (Schwarz) bis 100 % (volle Helligkeit).

Interessanterweise wird der HSV-Farbraum oft als Kegel dargestellt, bei dem sich der Farbton (Hue) um den Rand legt, die Sättigung (Saturation) nach außen wandert und die Helligkeit (Value) von unten nach oben zunimmt. Da er Farbe von Helligkeit trennt, wird HSV häufig in computer vision applications eingesetzt.

Abb. 3. Der HSV-Kegel.

Vergleich von RGB- und HSV-Farbräumen#

Um RGB und HSV direkt zu vergleichen, nehmen wir die Farbe Orange als Beispiel. Im RGB-Farbraum wird Orange durch Mischen von Rot und Grün in spezifischen Intensitäten erzeugt, typischerweise dargestellt als (255, 165, 0) – was volles Rot, etwas Grün und kein Blau bedeutet. Da RGB Farbe jedoch nicht von Helligkeit trennt, kann es für Aufgaben, die eine präzise Farbmanipulation erfordern, weniger intuitiv sein.

In HSV wird Orange anders definiert. Der Farbton liegt bei etwa 30°, was seine Position auf dem Farbkreis bestimmt. Die Sättigung liegt nahe bei 100 %, was bedeutet, dass es sich um eine lebendige, reine Farbe handelt, und der Wert liegt ebenfalls bei 100 %, was die volle Helligkeit angibt. Da HSV Farbe von Helligkeit trennt, ist es in Farberkennungsanwendungen, bei denen sich Lichtverhältnisse ändern können, oft nützlicher.

Fig 4. Vergleich von RGB- und HSV-Werten. Bild vom Autor.

Wie Farberkennung funktioniert#

Typischerweise wird die Farberkennung als image-processing-Technik betrachtet, mit der Farben aus Bildern oder Videos identifiziert und isoliert werden. Farben, die in Bildern mittels Bildverarbeitung erkannt werden, basieren auf Farbräumen und Schwellenwertverfahren, um bestimmte Farbtöne, Schattierungen und Intensitäten zu unterscheiden.

Hier ist ein kurzer Überblick über die wichtigsten Schritte der Farberkennung mittels Bildverarbeitung:

• Bildaufnahme: Der Prozess beginnt mit der Aufnahme eines Bildes oder Videoframes mit einer Kamera. Das Bild wird normalerweise im RGB-Format als Pixelmatrix gespeichert.
• Konvertierung des Farbraums: Da RGB für die Farberkennung nicht immer ideal ist, wird das Bild in den HSV-Farbraum konvertiert. Dies hilft dabei, Farbe von Helligkeit zu trennen, wodurch die Erkennung unter unterschiedlichen Lichtverhältnissen stabiler wird.
• Farbschwellenwertverfahren (Color Thresholding): Ein spezifischer Bereich für die Ziel-Farbe wird im HSV-Format definiert. Dieser Schritt erstellt eine binäre Maske, 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, wie Objektverfolgung, Bildsegmentierung und automatisierte Entscheidungsfindung in Bereichen wie Robotik, medizinischer Bildgebung und autonomen Fahrzeugen.

Die Rolle der Farberkennung in der Computer Vision#

Nachdem wir nun gelernt haben, wie Farberkennung funktioniert, lass uns untersuchen, wie sie Computer-Vision-Anwendungen unterstützt.

In bestimmten Fällen kann die Farberkennung eine einfachere Alternative zu computer vision models sein, insbesondere in kontrollierten Umgebungen, in denen die Farbe das Hauptmerkmal zur Unterscheidung von Objekten ist. Anstatt ein Modell mit einem riesigen Datensatz zu trainieren, bietet die Farberkennung eine schnelle und effiziente Lösung, ohne dass umfangreiche Beschriftungen oder hohe Rechenleistung erforderlich sind.

Beispielsweise könnte in einem automatisierten Apfelsortiersystem ein Computer-Vision-Modell wie Ultralytics YOLO11 darauf trainiert werden, Äpfel nach Reifegrad zu klassifizieren, jedoch würde dies einen Datensatz mit beschrifteten Bildern erfordern, um Schwankungen bei Beleuchtung, Textur und Apfelsorten zu bewältigen.

Ein unkomplizierterer Ansatz besteht darin, die Äpfel zunächst mittels Objekterkennung zu erfassen und dann ihre Farbe zu analysieren, um den Reifegrad zu bestimmen. Da diese Methode auf vordefinierten Farbschwellenwerten statt auf dem training eines Modells beruht, funktioniert sie gut unter stabilen Bedingungen, bei denen sich Beleuchtung und Hintergrund nicht drastisch ändern.

Während ein benutzerdefiniertes Modell für komplexere und variablere Umgebungen besser geeignet sein mag, ist Farberkennung eine schnelle, praktische und zugängliche Lösung für Echtzeitanwendungen. Sie ist auch ein großartiger Ausgangspunkt für alle, die sich mit Bildverarbeitung und Computer Vision beschäftigen, bevor sie zu fortgeschritteneren Lösungen übergehen.

Reale Anwendungen der Farberkennung#

Farberkennung wird in einer Vielzahl von Branchen für unterschiedliche Anwendungen eingesetzt. Werfen wir einen Blick auf einige praktische Anwendungsfälle.

Farberkennung zur Qualitätsbewertung von Stoffen#

Farberkennung ist in der Stoff- und textile production von entscheidender Bedeutung. Sie wird häufig in automatisierten Qualitätskontroll- und Fehlererkennungssystemen eingesetzt. Im Gegensatz zur manuellen Inspektion, die zeitaufwändig und anfällig für menschliche Fehler ist, bieten automatisierte Systeme eine präzise Fehlererkennung in Echtzeit.

Durch die Analyse von Bildern von Stoffen können Computer-Vision-Systeme insbesondere Fehler wie ungleichmäßige Färbung, Ausbleichen und Verunreinigungen identifizieren. Fortschrittliche Farberkennungstechniken ermöglichen eine präzisere Qualitätskontrolle, indem sie die Farbkonsistenz über verschiedene Chargen hinweg messen.

Fig 5. Farberkennung spielt eine Schlüsselrolle bei der Erstellung von farbenfrohen Stoffen.

Einsatz von Farberkennung in der Landwirtschaft#

Wie bereits erwähnt, ist Farbe ein wichtiger Indikator für den Reifegrad, und Farberkennungstechnologie kann in der Landwirtschaft eingesetzt werden, um die Pflanzengesundheit zu überwachen und die Ernte zu verbessern.

Durch die Analyse von Farbvariationen können Landwirte den Gesundheitszustand von Pflanzen bewerten, Krankheiten erkennen und feststellen, wann die Ernte bereit ist. Fortschrittliche Roboter, die mit Farbsensoren und Computer Vision ausgestattet sind, helfen bei der Automatisierung des Prozesses, indem sie sicherstellen, dass nur reife Erzeugnisse gepflückt werden. Diese Systeme können die Effizienz und Produktivität insbesondere in Gebieten mit Arbeitskräftemangel steigern.

Fig 6. Mangos in verschiedenen Reifestufen: (a) faul, (b) reif und (c) unreif.

Wichtige Erkenntnisse#

Farberkennung ist eine innovative Computer-Vision-Technik mit Anwendungen in der Landwirtschaft, Fertigung, im Gesundheitswesen und in der Automatisierung. Sie hilft Maschinen dabei, Farben zur Objektverfolgung, Qualitätskontrolle und Entscheidungsfindung zu erkennen und zu interpretieren.

Während sich fortschrittliche KI-Modelle ständig weiterentwickeln, bleibt die Farberkennung eine einfache und effektive Lösung, insbesondere in kontrollierten Umgebungen. Mit dem technologischen Fortschritt wird sie weiterhin eine wichtige Rolle bei der Verbesserung realer Anwendungen spielen.

Tauche tiefer in die KI ein, indem du unsere community und unser GitHub repository erkundest. Erfahre mehr über Innovationen bei AI in manufacturing und computer vision in healthcare und entdecke, wie du mit unseren licensing options Vision-KI nutzen kannst.