Aprovechar la detección de color en aplicaciones de visión artificial

Los colores desempeñan un papel fundamental en nuestra forma de percibir el mundo: nos ayudan a reconocer, comprender y conectar con lo que nos rodea. Sin embargo, a diferencia de nosotros, las máquinas no ven los colores; los procesan como datos y traducen los tonos y matices en valores numéricos.

Un coche autónomo no se limita a ver un semáforo en rojo; procesa el color como una señal para detenerse. Esta capacidad para reconocer e interpretar los colores ayuda a salvar la distancia entre la visión humana y la visión artificial.

La visión artificial es una rama de la IA que permite a las máquinas analizar y comprender datos visuales. Un aspecto clave es la detección de colores, que permite a las máquinas identificar y diferenciar objetos según su color. Al analizar los valores de los píxeles en distintos espacios de color, la detección de colores puede aplicarse al seguimiento de objetos, el diagnóstico por imagen y la automatización.

En este artículo, veremos más de cerca cómo funciona la detección de color, por qué es importante y cómo se utiliza en aplicaciones de visión artificial.

¿Qué es la detección de colores?#

La detección de colores ayuda a las máquinas a identificar objetos y comprender escenas en función del color. Combinada con otras tareas de visión artificial, mejora la precisión y potencia las aplicaciones del mundo real. Antes de profundizar en cómo funciona la detección de colores, conviene entender cómo se representan digitalmente los colores.

Las imágenes digitales están formadas por pequeños cuadrados llamados píxeles, cada uno de los cuales contiene información de color. Por ejemplo, en el modelo de color RGB (rojo, verde y azul), los colores se crean mezclando distintas intensidades de rojo, verde y azul.

Cada color se define mediante tres valores, que van de 0 a 255, donde 0 significa que no hay color y 255, que la intensidad es máxima. Por ejemplo, el rojo puro es (255, 0, 0), porque tiene el valor máximo de rojo y no tiene verde ni azul. El blanco es (255, 255, 255), porque los tres colores tienen la intensidad máxima.

Fig. 1. Ejemplo de cómo ve un ordenador los colores de una manzana.

Si conoces modelos de visión artificial como Ultralytics YOLO11, quizá te preguntes por qué la detección de colores es una técnica distinta de la detección de objetos. Aunque ambas analizan imágenes, tienen objetivos diferentes.

La detección de colores se centra en identificar colores concretos en una imagen, mientras que la detección de objetos reconoce y clasifica objetos independientemente de su color. En el caso del coche autónomo, la detección de colores identifica el rojo del semáforo, mientras que la detección de objetos identifica el propio semáforo y ayuda al coche a tomar decisiones de conducción seguras.

Introducción a los espacios de color#

Un modelo o espacio de color es un sistema para representar los colores en imágenes digitales y es una parte fundamental de la detección de colores. Asigna valores numéricos a los colores para que los ordenadores puedan interpretarlos de forma coherente en distintos dispositivos. Los espacios de color proporcionan una forma estructurada de almacenar, ajustar y mostrar colores en sistemas digitales.

Entre los espacios de color más utilizados se encuentran RGB para pantallas digitales, HSV (tono, saturación, valor) para el procesamiento de imágenes y CMYK (cian, magenta, amarillo, negro) para impresión. RGB y HSV son los espacios de color que se utilizan con más frecuencia para detectar colores. Así es como funcionan.

Descripción general del espacio de color RGB#

El espacio de color RGB se utiliza ampliamente en la imagen digital y está presente en pantallas, cámaras y dispositivos de visualización. Combina distintos niveles de luz roja, verde y azul para crear diversos colores. Cuando los tres colores tienen la intensidad máxima, el resultado es blanco; cuando no hay ninguno, aparece el negro.

Este espacio de color suele representarse como un cubo de color, en el que cada eje corresponde a uno de los colores primarios. Los vértices del cubo muestran el rojo, el verde y el azul puros, junto con sus combinaciones, mientras que el interior contiene todos los tonos posibles.

Aunque RGB es sencillo y popular, tiene algunas limitaciones. Los colores no siempre se perciben igual a simple vista, porque RGB no refleja de manera uniforme cómo percibimos las diferencias de color. También depende de las condiciones de iluminación, por lo que los colores pueden parecer distintos según el brillo y el entorno.

Fig. 2. Cubo de color RGB.

Descripción general del espacio de color HSV#

El espacio de color HSV (tono, saturación y valor) representa los colores mediante tres componentes: el tono (el tipo de color), la saturación (su intensidad) y el valor (su brillo). A diferencia de RGB, que mezcla intensidades de luz, HSV se asemeja más a la forma en que percibimos los colores, por lo que resulta más práctico para muchas tareas de procesamiento de imágenes.

En concreto, el tono representa el color propiamente dicho y se mide en grados en una rueda de color, con el rojo en 0° y el azul en 240°. La saturación controla lo vivo o apagado que parece un color: el 0 % es completamente gris y el 100 %, totalmente intenso. Por su parte, el valor determina el brillo, desde el 0 % (negro) hasta el 100 % (brillo máximo).

Es interesante que el espacio de color HSV suela representarse como un cono, en el que el tono recorre el borde, la saturación aumenta hacia el exterior y el brillo aumenta de abajo arriba. Como separa el color del brillo, HSV se utiliza mucho en aplicaciones de visión artificial.

Fig. 3. Cono HSV.

Comparación de los espacios de color RGB y HSV#

Para comparar RGB y HSV, tomemos como ejemplo el color naranja. En el espacio de color RGB, el naranja se obtiene mezclando rojo y verde con intensidades específicas; suele representarse como (255, 165, 0), lo que significa rojo al máximo, algo de verde y nada de azul. Sin embargo, como RGB no separa el color del brillo, puede resultar menos intuitivo para tareas que requieren manipular los colores con precisión.

En HSV, el naranja se define de otra manera. Su tono ronda los 39°, lo que determina su posición en la rueda de color. Su saturación se acerca al 100 %, por lo que es un color vivo y puro, y su valor también es del 100 %, lo que indica un brillo máximo. Como HSV separa el color del brillo, suele ser más útil en aplicaciones de detección de color en las que las condiciones de iluminación pueden cambiar.

Fig. 4. Comparación de los valores RGB y HSV. Imagen del autor.

Cómo funciona la detección de colores#

Por lo general, la detección de color se aborda como una técnica de procesamiento de imágenes que permite identificar y aislar colores en imágenes o vídeos. La detección de colores en imágenes mediante procesamiento de imágenes se basa en espacios de color y técnicas de umbralización para diferenciar tonos, matices e intensidades específicos.

Aquí tienes un breve resumen de los pasos clave de la detección de colores mediante el procesamiento de imágenes:

• Adquisición de imágenes: El proceso empieza capturando una imagen o un fotograma de vídeo con una cámara. La imagen suele almacenarse en formato RGB como una matriz de píxeles.
• Conversión del espacio de color: Como RGB no siempre es ideal para la detección de colores, la imagen se convierte al espacio de color HSV. Esto ayuda a separar el color del brillo y hace que la detección sea más estable en distintas condiciones de iluminación.
• Umbralización del color: Se define un rango específico para el color objetivo en formato HSV. Este paso crea una máscara binaria: los píxeles dentro del rango de color seleccionado aparecen en blanco y los demás, en negro.
• Aplicación de la máscara: La máscara binaria se aplica a la imagen original para aislar el color detectado y filtrar todo lo demás. Así solo se resaltan las zonas que coinciden con el color deseado.

Una vez detectado y aislado, el color puede utilizarse en distintas tareas de visión artificial, como el seguimiento de objetos, la segmentación de imágenes y la toma de decisiones automatizada en aplicaciones de robótica, diagnóstico por imagen y vehículos autónomos.

El papel de la detección de colores en la visión artificial#

Ahora que hemos aprendido cómo funciona la detección de colores, veamos cómo contribuye a las aplicaciones de visión artificial.

En algunos casos, la detección de colores puede ser una alternativa más sencilla a los modelos de visión artificial, especialmente en entornos controlados donde el color es el factor principal para distinguir los objetos. En lugar de entrenar un modelo con un conjunto de datos enorme, la detección de colores ofrece una solución rápida y eficiente sin necesidad de un etiquetado exhaustivo ni de una gran potencia de cálculo.

Por ejemplo, en un sistema automatizado para clasificar manzanas, se podría entrenar un modelo de visión artificial como Ultralytics YOLO11 para clasificar las manzanas según su grado de madurez, pero haría falta un conjunto de imágenes etiquetadas para gestionar las variaciones de iluminación, textura y tipo de manzana.

Una alternativa más sencilla consiste en detectar primero las manzanas mediante la detección de objetos y, después, analizar su color para determinar su grado de madurez. Como este método utiliza umbrales de color predefinidos en lugar de entrenar un modelo, funciona bien en condiciones estables donde la iluminación y los fondos no cambian demasiado.

Aunque un modelo entrenado a medida puede ser mejor en entornos más complejos y variables, la detección de colores es una solución rápida, práctica y accesible para aplicaciones en tiempo real. También es un excelente punto de partida para quienes aprenden sobre procesamiento de imágenes y visión artificial antes de pasar a soluciones más avanzadas.

Aplicaciones de la detección de colores en el mundo real#

La detección de colores se utiliza en numerosos sectores para diversas aplicaciones. Veamos algunos casos de uso del mundo real.

Detección de colores para evaluar la calidad de los tejidos#

La detección de colores es fundamental en la producción de tejidos y la fabricación textil. Se utiliza habitualmente en sistemas automatizados de control de calidad e identificación de defectos. A diferencia de la inspección manual, que requiere mucho tiempo y es propensa a errores humanos, los sistemas automatizados detectan defectos con precisión y en tiempo real.

En concreto, al analizar imágenes de tejidos, los sistemas de visión artificial pueden identificar defectos como una distribución desigual del tinte, la decoloración y la contaminación. Las técnicas avanzadas de detección de colores permiten un control de calidad más preciso al medir la uniformidad del color entre distintos lotes.

Fig. 5. La detección del color desempeña un papel clave en la creación de tejidos coloridos.

Uso de la detección del color en la agricultura#

Como se ha mencionado anteriormente, el color es un indicador clave de la madurez, y la tecnología de detección del color puede utilizarse en la agricultura para supervisar la salud de los cultivos y mejorar la cosecha.

Al analizar las variaciones de color, los agricultores pueden evaluar la salud de las plantas, detectar enfermedades y determinar cuándo están listos los cultivos para la cosecha. Los robots avanzados equipados con sensores de color y visión artificial ayudan a automatizar el proceso al garantizar que solo se recolecten los cultivos maduros. Estos sistemas pueden aumentar la eficiencia y la productividad, especialmente en zonas con escasez de mano de obra.

Fig. 6. Mangos en diferentes fases de maduración: (a) podridos, (b) maduros y (c) verdes.

Conclusiones clave#

La detección de color es una técnica práctica de visión artificial que se aplica en la agricultura, la fabricación, la sanidad y la automatización. Ayuda a las máquinas a reconocer e interpretar los colores para el seguimiento de objetos, el control de calidad y la toma de decisiones.

Aunque los modelos avanzados de IA siguen evolucionando, la detección del color continúa siendo una solución sencilla y eficaz, especialmente en entornos controlados. A medida que avance la tecnología, es probable que siga desempeñando un papel clave en la mejora de las aplicaciones del mundo real.

Profundiza en la IA explorando nuestra comunidad y nuestro repositorio de GitHub. Descubre las innovaciones en IA en la fabricación y visión artificial en sanidad, y descubre cómo empezar a aprovechar la IA visual con nuestras opciones de licencia.