Farberkennung in Computer-Vision-Anwendungen nutzen

Farben spielen eine wichtige Rolle dabei, wie Menschen die Welt erleben. Sie helfen uns, unsere Umgebung zu erkennen, zu verstehen und mit ihr in Verbindung zu treten. Maschinen sehen Farben jedoch nicht wie wir, sondern verarbeiten sie als Daten und übersetzen Farbnuancen in Zahlenwerte.

Ein selbstfahrendes Auto sieht nicht einfach nur eine rote Ampel, sondern verarbeitet die Farbe als Signal zum Anhalten. Diese Fähigkeit, Farben zu erkennen und zu interpretieren, überbrückt die Kluft zwischen menschlichem Sehen und Computer Vision.

Computer Vision ist ein Teilgebiet der KI, das Maschinen ermöglicht, visuelle Daten zu analysieren und zu verstehen. Ein wichtiger Aspekt ist die Farberkennung, mit der Maschinen Objekte anhand ihrer Farbe erkennen und unterscheiden können. Durch die Analyse von Pixelwerten in verschiedenen Farbräumen lässt sich die Farberkennung unter anderem für Objektverfolgung, medizinische Bildgebung und Automatisierung einsetzen.

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

Was ist Farberkennung?#

Farberkennung hilft Maschinen, Objekte zu erkennen und Szenen anhand ihrer Farben zu verstehen. In Kombination mit anderen Computer-Vision-Aufgaben verbessert sie die Genauigkeit und erweitert die Einsatzmöglichkeiten in der realen Welt. Bevor wir uns ansehen, wie Farberkennung funktioniert, ist es hilfreich zu verstehen, wie Farben digital dargestellt werden.

Digitale Bilder bestehen aus winzigen Quadraten, den Pixeln, die jeweils Farbinformationen enthalten. Im RGB-Farbmodell (Rot, Grün, Blau) entstehen Farben beispielsweise durch die Mischung verschiedener Intensitäten von Rot, Grün und Blau.

Jede Farbe wird durch drei Werte zwischen 0 und 255 definiert. Dabei bedeutet 0 keine Farbe und 255 die volle Intensität. Reines Rot hat beispielsweise den Wert (255, 0, 0), da der Rotwert am höchsten ist und kein Grün oder Blau vorhanden ist. Weiß hat den Wert (255, 255, 255), da alle drei Farben ihre volle Intensität erreichen.

Abb. 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 eigene Technik und nicht Teil der Objekterkennung ist. Beide analysieren zwar Bilder, erfüllen aber unterschiedliche Aufgaben.

Die Farberkennung konzentriert sich darauf, bestimmte Farben in einem Bild zu erkennen, während die Objekterkennung Objekte unabhängig von ihrer Farbe erkennt und klassifiziert. Im Beispiel eines selbstfahrenden Autos erkennt die Farberkennung das Rot einer Ampel, während die Objekterkennung die Ampel selbst erkennt 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 wesentlicher Bestandteil der Farberkennung. Es weist Farben Zahlenwerte zu, damit Computer sie auf verschiedenen Geräten einheitlich 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 (Farbton, Sättigung, Wert) für die Bildverarbeitung und CMYK (Cyan, Magenta, Gelb, Schwarz) für den Druck. RGB und HSV werden am häufigsten zur Farberkennung verwendet. So funktionieren sie.

Überblick über den RGB-Farbraum#

Der RGB-Farbraum wird in der digitalen Bildverarbeitung häufig verwendet und kommt in Bildschirmen, Kameras und Anzeigegeräten zum Einsatz. Durch die Kombination verschiedener Intensitäten von rotem, grünem und blauem Licht lassen sich unterschiedliche Farben erzeugen. Sind alle drei Farben voll intensiv, entsteht Weiß. Ist keine vorhanden, erscheint Schwarz.

Dieser Farbraum wird oft als Farbwürfel dargestellt, dessen Achsen jeweils eine der Grundfarben repräsentieren. Die Ecken des Würfels zeigen reines Rot, Grün und Blau sowie deren Kombinationen, während sich im Inneren alle möglichen Farbtöne befinden.

RGB ist zwar einfach und weit verbreitet, hat aber einige Einschränkungen. Farben wirken für das menschliche Auge nicht immer gleich, da RGB Unterschiede in der Farbwahrnehmung nicht gleichmäßig abbildet. Der Farbraum wird außerdem von den Lichtverhältnissen beeinflusst, sodass Farben je nach Helligkeit und Umgebung unterschiedlich erscheinen können.

Abb. 2. Der RGB-Farbwürfel.

Überblick über den HSV-Farbraum#

Der HSV-Farbraum (Farbton, Sättigung, Helligkeit) stellt Farben anhand von drei Komponenten dar: Farbton (die Art der Farbe), Sättigung (ihre Intensität) und Helligkeit. Anders als RGB, das Lichtintensitäten mischt, kommt HSV der menschlichen Farbwahrnehmung näher und eignet sich dadurch besser für viele Aufgaben der Bildverarbeitung.

Der Farbton bezeichnet 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 wirkt: Bei 0 % ist sie vollständig grau, bei 100 % voll gesättigt. Die Helligkeit reicht von 0 % (Schwarz) bis 100 % (volle Helligkeit).

Interessanterweise wird der HSV-Farbraum oft als Kegel dargestellt: Der Farbton verläuft am Rand entlang, die Sättigung nimmt nach außen 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, nehmen wir Orange als Beispiel. Im RGB-Farbraum entsteht Orange durch das Mischen von Rot und Grün in bestimmten Intensitäten. Typischerweise wird die Farbe durch (255, 165, 0) dargestellt, was volles Rot, etwas Grün und kein Blau bedeutet. Da RGB Farbe und Helligkeit jedoch nicht voneinander trennt, ist der Farbraum für Aufgaben, bei denen Farben präzise verändert werden müssen, weniger intuitiv.

Im HSV-Farbraum ist Orange anders definiert. Der Farbton liegt bei etwa 39° und bestimmt die Position auf dem Farbkreis. Die Sättigung liegt bei fast 100 %, wodurch die Farbe kräftig und rein wirkt, und auch der Wert beträgt 100 %, was voller Helligkeit entspricht. Da HSV Farbe und Helligkeit voneinander trennt, eignet sich der Farbraum oft besser für die Farberkennung, wenn sich die Lichtverhältnisse ändern können.

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

So funktioniert die Farberkennung#

Farberkennung wird üblicherweise als Bildverarbeitungstechnik eingesetzt, um Farben in Bildern oder Videos zu erkennen und zu isolieren. Die Farberkennung in Bildern stützt sich auf Farbräume und Schwellwertverfahren, um bestimmte Farbtöne, Nuancen und Intensitäten voneinander abzugrenzen.

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

• Bilderfassung: Der Prozess beginnt mit der Aufnahme eines Bildes oder Videobilds durch eine Kamera. Das Bild wird normalerweise als Matrix von Pixeln im RGB-Format gespeichert.
• Umwandlung des Farbraums: Da RGB nicht immer ideal für die Farberkennung ist, wird das Bild in den HSV-Farbraum umgewandelt. Dadurch lässt sich Farbe von Helligkeit trennen, was die Erkennung bei unterschiedlichen Lichtverhältnissen stabiler macht.
• Farbschwellwertverfahren: Im HSV-Format wird ein bestimmter Wertebereich für die Zielfarbe festgelegt. Dabei entsteht eine binäre Maske: Pixel innerhalb des gewählten Farbbereichs erscheinen weiß, alle anderen schwarz.
• 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 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 nun gelernt haben, wie Farberkennung funktioniert, sehen wir uns 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 Farbe der wichtigste Faktor zur Unterscheidung von Objekten ist. Statt ein Modell mit einem riesigen Datensatz zu trainieren, bietet Farberkennung eine schnelle und effiziente Lösung, für die weder umfangreiche Beschriftungen noch hohe Rechenleistung erforderlich sind.

In einem automatisierten System zur Apfelsortierung könnte beispielsweise ein Computer-Vision-Modell wie Ultralytics YOLO11 darauf trainiert werden, Äpfel nach ihrem Reifegrad zu klassifizieren. Dafür wäre jedoch ein Datensatz mit beschrifteten Bildern erforderlich, um Unterschiede bei Beleuchtung, Textur und Apfelsorten abzudecken.

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 Training eines Modells beruht, eignet sie sich gut für stabile Bedingungen, unter denen sich Beleuchtung und Hintergrund nicht stark verändern.

Für komplexere und wechselhafte Umgebungen kann ein individuell trainiertes Modell besser geeignet sein. Farberkennung ist jedoch eine schnelle, praktische und leicht zugängliche Lösung für Echtzeitanwendungen. Außerdem ist sie ein guter Ausgangspunkt, um Bildverarbeitung und Computer Vision kennenzulernen, bevor du dich mit fortgeschritteneren Lösungen beschäftigst.

Praktische Anwendungsbereiche der Farberkennung#

Farberkennung wird in zahlreichen Branchen für verschiedenste Anwendungen eingesetzt. Werfen wir einen Blick auf einige Anwendungsfälle aus der Praxis.

Farberkennung zur Beurteilung der Stoffqualität#

Farberkennung ist in der Stoff- und Textilproduktion entscheidend. 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 Fehler wie ungleichmäßige Färbung, Ausbleichen und Verunreinigungen erkennen. Fortschrittliche Verfahren zur Farberkennung ermöglichen eine präzisere Qualitätskontrolle, indem sie die Farbkonsistenz verschiedener Chargen messen.

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

Farberkennung in der Landwirtschaft einsetzen#

Wie bereits erwähnt, ist die Farbe ein wichtiger Indikator für den Reifegrad. Mithilfe von Farberkennungstechnologie kann in der Landwirtschaft der Zustand von Nutzpflanzen überwacht und die Ernte verbessert werden.

Durch die Analyse von Farbabweichungen können Landwirte den Zustand der Pflanzen beurteilen, Krankheiten erkennen und bestimmen, wann die Pflanzen erntereif sind. Fortschrittliche, mit Farbsensoren und Computer Vision ausgestattete Roboter helfen, den Prozess zu automatisieren und sicherzustellen, dass nur reife Pflanzen geerntet werden. Diese Systeme können Effizienz und Produktivität steigern, insbesondere in Regionen mit Arbeitskräftemangel.

Abb. 6. Mangos in verschiedenen Reifestadien: (a) verdorben, (b) reif und (c) unreif.

Die wichtigsten Erkenntnisse#

Farberkennung ist eine praktische Computer-Vision-Technik, die in der Landwirtschaft, Fertigung, im Gesundheitswesen und in der Automatisierung eingesetzt wird. Sie hilft Maschinen, Farben zu erkennen und zu interpretieren, etwa für die Objektverfolgung, Qualitätskontrolle und Entscheidungsfindung.

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

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