Indem Sie auf „Alle Cookies akzeptieren“ klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Website-Navigation zu verbessern, die Website-Nutzung zu analysieren und unsere Marketingbemühungen zu unterstützen. Mehr Infos
Cookie-Einstellungen
Indem Sie auf „Alle Cookies akzeptieren“ klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Website-Navigation zu verbessern, die Website-Nutzung zu analysieren und unsere Marketingbemühungen zu unterstützen. Mehr Infos
Erfahren Sie, wie die Farberkennung eine Brücke zwischen menschlicher und Computer Vision schlägt, indem sie RGB- und HSV-Farbräume verwendet, um Computer-Vision-Lösungen zu automatisieren.
Farben spielen eine entscheidende Rolle dabei, wie Menschen die Welt erleben. Sie helfen uns, unsere Umgebung zu erkennen, zu verstehen und uns mit ihr zu verbinden. Anders als wir sehen Maschinen jedoch keine Farben - 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, hilft, die Kluft zwischen menschlichem Sehen und Computer Vision zu überbrücken.
Computer Vision ist ein Zweig der KI, der es Maschinen ermöglicht, visuelle Daten zu analysieren und zu verstehen. Ein wichtiger Aspekt davon ist die Farberkennung, die es Maschinen ermöglicht, Objekte anhand ihrer Farbe zu identifizieren und zu unterscheiden. Durch die Analyse von Pixelwerten in verschiedenen Farbräumen kann die Farberkennung in Anwendungen wie Objektverfolgung, medizinischer Bildgebung und Automatisierung eingesetzt werden.
In diesem Artikel werden wir uns genauer ansehen, wie die Farberkennung funktioniert, warum sie wichtig ist und wie sie in Computer-Vision-Anwendungen eingesetzt wird. Los geht's!
Was ist Farberkennung?
Die Farberkennung hilft Maschinen, Objekte zu identifizieren und Szenen anhand der Farbe zu verstehen. In Kombination mit anderen Computer-Vision-Aufgaben verbessert sie die Genauigkeit und erweitert die Anwendungen in der realen Welt. Bevor wir uns damit beschäftigen, wie die Farberkennung funktioniert, ist es hilfreich zu verstehen, wie Farben digital dargestellt werden.
Digitale Bilder bestehen aus winzigen Quadraten, den so genannten Pixeln, die jeweils Farbinformationen enthalten. Im RGB-Farbmodell (Rot, Grün, Blau) beispielsweise werden Farben durch Mischen verschiedener Intensitäten von Rot, Grün und Blau erzeugt.
Jede Farbe wird durch drei Werte zwischen 0 und 255 definiert, wobei 0 keine Farbe und 255 volle Intensität bedeutet. Reines Rot ist beispielsweise (255, 0, 0), da es den höchsten Rotwert und kein Grün oder Blau aufweist. Weiß ist (255, 255, 255), da 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 Farberkennung eine separate Technik von der Objekterkennung ist. Obwohl beide Bilder analysieren, dienen sie unterschiedlichen Zwecken.
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 Objekterkennung die Ampel selbst identifiziert und dem Auto hilft, sichere Fahrentscheidungen zu treffen.
Einführung in Farbräume
Ein Farbmodell oder Farbraum ist ein System zur Darstellung von Farben in digitalen Bildern und ein kritischer Bestandteil der Farberkennung. Es weist Farben numerische Werte zu, sodass Computer sie über verschiedene Geräte hinweg konsistent interpretieren können. Farbräume bieten eine strukturierte Möglichkeit, Farben in digitalen Systemen zu speichern, anzupassen und anzuzeigen.
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. Lassen Sie uns eintauchen, wie sie funktionieren.
Ein Überblick über den RGB-Farbraum
Der RGB-Farbraum wird häufig in der digitalen Bildgebung verwendet und ist in Bildschirmen, Kameras und Anzeigegeräten zu finden. Er funktioniert, indem er verschiedene Anteile von rotem, grünem und blauem Licht kombiniert, um verschiedene Farben zu erzeugen. Wenn alle drei Farben die volle Intensität haben, ist das Ergebnis Weiß, und wenn keine vorhanden ist, erscheint es Schwarz.
Dieser Farbraum wird oft als Farbwürfel visualisiert, wobei jede Achse eine der Primärfarben darstellt. Die Ecken des Würfels zeigen reines Rot, Grün und Blau sowie deren Kombinationen, während das Innere alle möglichen Farbtöne enthält.
Obwohl RGB einfach und beliebt ist, hat es einige Einschränkungen. Farben sehen für das menschliche Auge möglicherweise nicht immer gleich aus, da RGB nicht gleichmäßig mit unserer Wahrnehmung von Farbunterschieden übereinstimmt. Es wird auch von den Lichtverhältnissen beeinflusst, was bedeutet, dass Farben je nach Helligkeit und Umgebung unterschiedlich erscheinen können.
Der HSV-Farbraum (Hue, Saturation, Value) stellt Farben anhand von drei Komponenten dar: Farbton (die Art der Farbe), Sättigung (ihre Intensität) und Wert (ihre Helligkeit). Im Gegensatz zu RGB, das Lichtintensitäten mischt, ist HSV näher daran, wie Menschen Farben wahrnehmen, was ihn zu einer praktischeren Wahl für viele Bildverarbeitungsaufgaben macht.
Insbesondere 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 hingegen steuert, wie lebendig oder matt eine Farbe aussieht, wobei 0 % vollständig grau und 100 % vollständig lebendig ist. Andererseits 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 sich der Farbton um den Rand wickelt, die Sättigung sich nach außen bewegt und die Helligkeit von unten nach oben zunimmt. Da er die Farbe von der Helligkeit trennt, wird HSV 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, typischerweise dargestellt als (255, 165, 0) – was volles Rot, etwas Grün und kein Blau bedeutet. Da RGB jedoch die Farbe nicht von der Helligkeit trennt, kann es für Aufgaben, die eine präzise Farbbearbeitung erfordern, weniger intuitiv sein.
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 liegt ebenfalls bei 100 %, was auf volle Helligkeit hindeutet. Da HSV die Farbe von der Helligkeit trennt, ist es oft nützlicher in Farberkennungsanwendungen, bei denen sich die Lichtverhältnisse ändern können.
Abb. 4. Vergleich von RGB- und HSV-Werten. Bild vom Autor.
Wie die Farberkennung funktioniert
Typischerweise wird die Farberkennung als eine Bildverarbeitungstechnik angegangen, die verwendet wird, um Farben aus Bildern oder Videos zu identifizieren und zu isolieren. Farben, die in Bildern mithilfe von Bildverarbeitung erkannt werden, basieren auf Farbräumen und Schwellenwerttechniken, um bestimmte Farbtöne, Schattierungen und Intensitäten zu unterscheiden.
Hier ist ein kurzer Überblick über die wichtigsten Schritte bei der Farberkennung mit Bildverarbeitung:
Bilderfassung: Der Prozess beginnt mit der Aufnahme eines Bildes oder Videobildes mit einer Kamera. Das Bild wird üblicherweise im RGB-Format als Matrix von Pixeln gespeichert.
Farbraumkonvertierung: Da RGB nicht immer ideal für die Farberkennung ist, wird das Bild in den HSV-Farbraum konvertiert. Dies hilft, die Farbe von der Helligkeit zu trennen, wodurch die Erkennung unter verschiedenen Lichtverhältnissen stabiler wird.
Farb-Thresholding: Für die Zielfarbe im HSV-Format wird ein bestimmter Bereich 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 wurde, kann sie in verschiedenen Computer-Vision-Aufgaben verwendet werden, wie z. B. Objektverfolgung, Bildsegmentierung und automatisierte Entscheidungsfindung in Anwendungen wie Robotik, medizinische Bildgebung und autonome Fahrzeuge.
Die Rolle der Farberkennung in der Computer Vision
Nachdem wir nun gelernt haben, wie Farberkennung funktioniert, wollen wir 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 zur Unterscheidung von Objekten ist. Anstatt ein Modell mit einem riesigen Datensatz zu trainieren, bietet die Farberkennung eine schnelle und effiziente Lösung, ohne dass eine umfangreiche Beschriftung oder hohe Rechenleistung erforderlich ist.
In einem automatisierten Apfelsortiersystem könnte beispielsweise ein Computer-Vision-Modell wie YOLO11 trainiert werden, um Äpfel nach Reifegrad zu klassifizieren, aber es würde einen Datensatz mit beschrifteten Bildern benötigen, um Variationen in Bezug auf Beleuchtung, Textur und Apfelsorten zu verarbeiten.
Ein einfacherer Ansatz ist es, zuerst die Äpfel mithilfe von Objekterkennung zu detektieren und dann ihre Farbe zu analysieren, um den Reifegrad zu bestimmen. Da diese Methode auf vordefinierten Farbschwellenwerten anstelle des Trainings eines Modells beruht, funktioniert sie gut unter stabilen Bedingungen, bei denen sich Beleuchtung und Hintergründe nicht drastisch ändern.
Während ein kundenspezifisch trainiertes Modell für komplexere und variable Umgebungen besser geeignet sein kann, ist die Farberkennung eine schnelle, praktische und zugängliche Lösung für Echtzeitanwendungen. Sie ist auch ein guter Ausgangspunkt für diejenigen, die sich mit Bildverarbeitung und Computer Vision beschäftigen, bevor sie zu fortgeschritteneren Lösungen übergehen.
Anwendungen der Farberkennung in der Praxis
Die Farberkennung wird in einer Vielzahl von Branchen für verschiedene Anwendungen eingesetzt. Werfen wir einen Blick auf einige Anwendungsfälle in der Praxis.
Farberkennung für die Qualitätsbeurteilung von Stoffen
Die 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 Inspektion, die zeitaufwändig und anfällig für menschliche Fehler ist, bieten automatisierte Systeme eine genaue Fehlererkennung in Echtzeit.
Insbesondere durch die Analyse von Stoffbildern können Computer-Vision-Systeme Defekte wie ungleichmäßige Farbverteilung, Ausbleichen und Verunreinigungen identifizieren. Fortschrittliche Farberkennungstechniken ermöglichen eine präzisere Qualitätskontrolle durch die Messung der Farbkonsistenz über verschiedene Chargen hinweg.
Abb. 5. Farberkennung spielt eine Schlüsselrolle bei der Herstellung von farbenfrohen Stoffen.
Farberkennung in der Landwirtschaft nutzen
Wie bereits erwähnt, ist die Farbe ein wichtiger Indikator für den Reifegrad, und die Farberkennungstechnologie 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 Pflanzengesundheit beurteilen, Krankheiten erkennen und feststellen, wann die Ernte reif ist. Fortschrittliche Roboter, die mit Farbsensoren und Computer Vision ausgestattet sind, helfen, den Prozess zu automatisieren, indem sie sicherstellen, dass nur reife Feldfrüchte gepflückt werden. Diese Systeme können die Effizienz und Produktivität steigern, insbesondere in Gebieten mit Arbeitskräftemangel.
Abb. 6. Mangos in verschiedenen Reifegraden: (a) verfault, (b) reif und (c) unreif.
Wesentliche Erkenntnisse
Die Farberkennung ist eine innovative Computer-Vision-Technik mit Anwendungen in der Landwirtschaft, der Fertigung, dem Gesundheitswesen und der Automatisierung. Sie hilft Maschinen, Farben zu erkennen und zu interpretieren, um Objekte zu verfolgen, die Qualität zu kontrollieren und Entscheidungen zu treffen.
Während sich fortschrittliche KI-Modelle ständig weiterentwickeln, bleibt die Farberkennung eine einfache und effektive Lösung, insbesondere in kontrollierten Umgebungen. Mit dem Fortschritt der Technologie wird sie wahrscheinlich weiterhin eine Schlüsselrolle bei der Verbesserung von realen Anwendungen spielen.
