Farberkennung in Computer-Vision-Anwendungen nutzen

Farben spielen eine wichtige Rolle dabei, wie Menschen die Welt wahrnehmen. Sie helfen uns, unsere Umgebung zu erkennen, zu verstehen und mit ihr in Beziehung zu treten. Maschinen sehen Farben jedoch anders als wir: Sie verarbeiten sie als Daten und übersetzen Farbnuancen und Farbtöne in numerische Werte.

Ein selbstfahrendes Auto sieht eine rote Ampel nicht einfach nur – es verarbeitet die Farbe als Signal zum Anhalten. Diese Fähigkeit, Farben zu erkennen und zu interpretieren, hilft dabei, die Lücke zwischen menschlichem Sehen und Computer Vision zu schließen.

Computer Vision ist ein Teilgebiet der KI, das Maschinen in die Lage versetzt, visuelle Daten zu analysieren und zu verstehen. Ein wichtiger Aspekt dabei ist die Farberkennung. Sie ermöglicht es Maschinen, Objekte anhand ihrer Farbe zu identifizieren und voneinander zu unterscheiden. Durch die Analyse von Pixelwerten in verschiedenen Farbräumen kann Farberkennung beispielsweise für Objektverfolgung, medizinische Bildgebung und Automatisierung eingesetzt werden.

In diesem Artikel sehen wir uns genauer an, wie Farberkennung funktioniert, warum sie wichtig ist und wie sie in Computer-Vision-Anwendungen eingesetzt wird. Legen wir los!

Was ist Farberkennung?#

Farberkennung hilft Maschinen, Objekte zu identifizieren und Szenen anhand von Farben zu verstehen. In Kombination mit anderen Computer-Vision-Aufgaben verbessert sie die Genauigkeit und erweitert die Einsatzmöglichkeiten in der Praxis. Bevor wir uns mit der Funktionsweise der Farberkennung beschäftigen, ist es hilfreich zu verstehen, wie Farben digital dargestellt werden.

Digitale Bilder bestehen aus winzigen Quadraten, den sogenannten Pixeln, die jeweils Farbinformationen enthalten. Im 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 im Bereich von 0 bis 255 definiert. Dabei steht 0 für keine Farbe und 255 für die volle Intensität. Reines Rot wird beispielsweise als (255, 0, 0) dargestellt, weil der Rotwert maximal ist und kein Grün oder Blau enthalten ist. Weiß wird als (255, 255, 255) dargestellt, weil alle drei Farben die volle Intensität haben.

Abb. 1: 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 eigene Technik und nicht Teil der Objekterkennung ist. Beide analysieren zwar Bilder, verfolgen aber unterschiedliche Ziele.

Die Farberkennung konzentriert sich darauf, bestimmte Farben in einem Bild zu identifizieren, während die Objekterkennung Objekte unabhängig von ihrer Farbe erkennt und klassifiziert. Im Beispiel mit dem selbstfahrenden Auto erkennt die Farberkennung die rote Farbe der Ampel, während die Objekterkennung die Ampel selbst identifiziert und dem Auto dadurch sichere Fahrentscheidungen ermöglicht.

Einführung in Farbräume#

Ein Farbmodell oder Farbraum ist ein System zur Darstellung von Farben in digitalen Bildern und ein wichtiger Bestandteil der Farberkennung. Es weist Farben numerische Werte zu, sodass Computer sie auf verschiedenen Geräten einheitlich interpretieren können. Farbräume bieten eine strukturierte Möglichkeit, Farben in digitalen Systemen zu speichern, anzupassen und darzustellen.

Zu den häufig verwendeten Farbräumen gehören RGB für digitale Anzeigen, HSV (Farbton, Sättigung, Helligkeit) für die Bildverarbeitung und CMYK (Cyan, Magenta, Gelb, Schwarz) für den Druck. RGB und HSV werden am häufigsten zur Farberkennung verwendet. Sehen wir uns an, wie sie funktionieren.

Ein Überblick über den RGB-Farbraum#

Der RGB-Farbraum wird häufig in der digitalen Bildverarbeitung eingesetzt und findet sich in Bildschirmen, Kameras und Anzeigegeräten. Er kombiniert unterschiedliche Intensitäten von rotem, grünem und blauem Licht, um verschiedene Farben zu erzeugen. Wenn alle drei Farben die volle Intensität haben, entsteht Weiß. Wenn keine vorhanden ist, erscheint Schwarz.

Dieser Farbraum wird häufig als Farbwürfel dargestellt, dessen Achsen jeweils eine der Grundfarben repräsentieren. Die Ecken des Würfels zeigen reines Rot, Grün und Blau sowie deren Kombinationen, während das Innere alle möglichen Farbabstufungen enthält.

RGB ist zwar einfach und weit verbreitet, hat aber einige Einschränkungen. Farben sehen für das menschliche Auge möglicherweise nicht immer gleich aus, da RGB der menschlichen Wahrnehmung von Farbunterschieden nicht gleichmäßig entspricht. Außerdem wird der Farbraum von den Lichtverhältnissen beeinflusst. Je nach Helligkeit und Umgebung können Farben daher unterschiedlich erscheinen.

Abb. 2: Der RGB-Farbwürfel.

Ein Überblick über den HSV-Farbraum#

Der HSV-Farbraum (Farbton, Sättigung, Helligkeit) stellt Farben anhand von drei Komponenten dar: dem Farbton, der Art der Farbe, der Sättigung, ihrer Intensität, und der Helligkeit. Im Gegensatz zu RGB, das Lichtintensitäten mischt, entspricht HSV eher der menschlichen Farbwahrnehmung und ist daher für viele Aufgaben der Bildverarbeitung praktischer.

Der Farbton beschreibt die eigentliche Farbe und wird auf einem Farbkreis in Grad gemessen. Rot liegt bei 0° und Blau bei 240°. Die Sättigung bestimmt, wie kräftig oder blass eine Farbe erscheint: 0 % entspricht vollständig Grau und 100 % einer vollständig kräftigen Farbe. Die Helligkeit bestimmt, wie hell die Farbe ist, und reicht von 0 % (Schwarz) bis 100 % (volle Helligkeit).

Interessanterweise wird der HSV-Farbraum häufig als Kegel dargestellt. Der Farbton verläuft dabei um den Rand, die Sättigung nimmt nach außen hin zu und die Helligkeit steigt von unten nach oben. Da HSV Farbe und Helligkeit voneinander trennt, wird der Farbraum häufig in Computer-Vision-Anwendungen eingesetzt.

Abb. 3: Der HSV-Kegel.

RGB- und HSV-Farbraum im Vergleich#

Um RGB und HSV direkt miteinander zu vergleichen, betrachten wir Orange als Beispiel. Im RGB-Farbraum entsteht Orange durch das Mischen von Rot und Grün in bestimmten Intensitäten. Typischerweise wird die Farbe als (255, 165, 0) dargestellt – das bedeutet volles Rot, etwas Grün und kein Blau. Da RGB Farbe und Helligkeit jedoch nicht voneinander trennt, ist der Farbraum für Aufgaben, die eine präzise Farbanpassung erfordern, möglicherweise weniger intuitiv.

In HSV wird Orange anders definiert. Der Farbton liegt bei etwa 30° und bestimmt die Position auf dem Farbkreis. Die Sättigung liegt nahe 100 %, was bedeutet, dass es sich um eine kräftige, reine Farbe handelt. Die Helligkeit beträgt ebenfalls 100 % und steht für volle Helligkeit. Da HSV Farbe und Helligkeit voneinander trennt, eignet sich der Farbraum häufig besser für Anwendungen zur Farberkennung, bei denen sich die Lichtverhältnisse ändern können.

Abb. 4: Vergleich der RGB- und HSV-Werte. Bild vom Autor.

So funktioniert Farberkennung#

Farberkennung wird typischerweise als Bildverarbeitungstechnik eingesetzt, um Farben aus Bildern oder Videos zu identifizieren und zu isolieren. Die Farberkennung in Bildern nutzt Farbräume und Schwellenwertverfahren, um bestimmte Farbtöne, Farbabstufungen und Intensitäten voneinander zu unterscheiden.

Hier findest du einen kurzen Überblick über die wichtigsten Schritte der Farberkennung mithilfe der Bildverarbeitung:

• Bilderfassung: Der Prozess beginnt mit der Aufnahme eines Bildes oder Videobilds mithilfe einer Kamera. Das Bild wird normalerweise als Pixelmatrix im RGB-Format gespeichert.
• Umwandlung des Farbraums: Da RGB nicht immer optimal für die Farberkennung geeignet ist, wird das Bild in den HSV-Farbraum umgewandelt. Dadurch werden Farbe und Helligkeit voneinander getrennt, sodass die Erkennung bei unterschiedlichen Lichtverhältnissen stabiler ist.
• Farbschwellenwert: Für die Zielfarbe wird im HSV-Format ein bestimmter Wertebereich festgelegt. Dieser Schritt erzeugt eine Binärmaske: Pixel innerhalb des ausgewählten Farbbereichs erscheinen weiß, alle anderen schwarz.
• Maskierung: Die Binärmaske wird auf das Originalbild angewendet, um die erkannte Farbe zu isolieren und alle anderen Bildbereiche herauszufiltern. Dadurch werden nur die Bereiche hervorgehoben, die der gewünschten Farbe entsprechen.

Nachdem die Farbe erkannt und isoliert wurde, kann sie für verschiedene Computer-Vision-Aufgaben eingesetzt werden, etwa für Objektverfolgung, Bildsegmentierung und automatisierte Entscheidungsfindung in Bereichen wie Robotik, medizinischer Bildgebung und autonomen Fahrzeugen.

Die Rolle der Farberkennung in Computer Vision#

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

In bestimmten Fällen kann Farberkennung eine einfachere Alternative zu Computer-Vision-Modellen sein, insbesondere in kontrollierten Umgebungen, in denen die Farbe der wichtigste Faktor zur Unterscheidung von Objekten ist. Statt ein Modell mit einem umfangreichen Datensatz zu trainieren, bietet Farberkennung eine schnelle und effiziente Lösung, die keine aufwendige Beschriftung und keine hohe Rechenleistung erfordert.

In einem automatisierten System zum Sortieren von Äpfeln könnte beispielsweise ein Computer-Vision-Modell wie Ultralytics YOLO11 darauf trainiert werden, Äpfel nach ihrem Reifegrad zu klassifizieren. Dafür wäre jedoch ein Datensatz beschrifteter Bilder erforderlich, der Unterschiede bei Lichtverhältnissen, Textur und Apfelsorten abdeckt.

Ein einfacherer Ansatz besteht darin, zunächst die Äpfel mithilfe der Objekterkennung zu erkennen und anschließend ihre Farbe zu analysieren, um den Reifegrad zu bestimmen. Da diese Methode auf vordefinierten Farbschwellenwerten statt auf dem Trainieren eines Modells basiert, funktioniert sie gut unter stabilen Bedingungen, bei denen sich Beleuchtung und Hintergründe nicht wesentlich verändern.

Ein individuell trainiertes Modell eignet sich möglicherweise besser für komplexere und variablere Umgebungen. Farberkennung ist jedoch eine schnelle, praktische und zugängliche Lösung für Echtzeitanwendungen. Außerdem ist sie ein guter Ausgangspunkt für alle, die sich mit Bildverarbeitung und Computer Vision vertraut machen möchten, bevor sie zu fortgeschritteneren Lösungen übergehen.

Praxisnahe Anwendungen der Farberkennung#

Farberkennung wird in zahlreichen Branchen für unterschiedliche Anwendungen eingesetzt. Sehen wir uns einige Beispiele aus der Praxis an.

Farberkennung zur Beurteilung der Stoffqualität#

Farberkennung ist in der Stoff- und Textilproduktion von entscheidender Bedeutung. Sie wird häufig in automatisierten Systemen zur Qualitätskontrolle und Fehlererkennung eingesetzt. Im Gegensatz zur manuellen Prüfung, die zeitaufwendig und anfällig für menschliche Fehler ist, ermöglichen automatisierte Systeme eine präzise Fehlererkennung in Echtzeit.

Durch die Analyse von Stoffbildern können Computer-Vision-Systeme insbesondere Fehler wie eine ungleichmäßige Farbverteilung, Verblassen und Verunreinigungen erkennen. Fortschrittliche Verfahren zur Farberkennung ermöglichen eine präzisere Qualitätskontrolle, indem sie die Farbkonsistenz zwischen verschiedenen Chargen messen.

Abb. 5: Farberkennung spielt eine wichtige Rolle bei der Herstellung farbenfroher Stoffe.

Farberkennung in der Landwirtschaft#

Wie bereits erwähnt, ist die Farbe ein wichtiger Indikator für den Reifegrad. Mithilfe von Farberkennungstechnologie kann die Landwirtschaft den Gesundheitszustand von Pflanzen überwachen und die Ernte verbessern.

Durch die Analyse von Farbabweichungen können Landwirte den Gesundheitszustand von Pflanzen beurteilen, Krankheiten erkennen und feststellen, wann die Ernte reif ist. Fortschrittliche Roboter mit Farbsensoren und Computer Vision automatisieren den Prozess, indem sie sicherstellen, dass nur reife Früchte geerntet werden. Diese Systeme können Effizienz und Produktivität steigern, insbesondere in Regionen mit Arbeitskräftemangel.

Abb. 6: Mangos mit unterschiedlichen Reifegraden: (a) verdorben, (b) reif und (c) unreif.

Wichtige Erkenntnisse#

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

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

Vertiefe dein Wissen über KI, indem du unsere Community und unser GitHub-Repository erkundest. Erfahre mehr über Innovationen im Bereich KI in der Fertigung und Computer Vision im Gesundheitswesen, und entdecke mit unseren Lizenzoptionen, wie du Vision AI nutzen kannst.